Chuvieco - Fundamentos de Teledeteccion PDF

CAPTULO 4 BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN
ste es un infeliz que viene perdido y es necesario socorrerle, pues todos los forasteros y pobres son de Zeus y un exiguo don que se les haga le es grato. HOMERO, Odisea
Como ya sealbamos en la introduccin, el objeto de esta obra es facilitar el acceso a una tcnica que puede ser muy fructfera en la mejor comprensin de diversos fenmenos ambientales. Por tanto, se ha puesto ms el nfasis en la interpretacin que en las tcnicas para la obtencin de las imgenes. Los captulos previos se dirigen precisamente a facilitar esa interpretacin, de tal forma que cada uno pueda extraer informacin relevante de las imgenes espaciales en su propio mbito de inters. En este captulo se presentan algunas ideas introductorias, que pueden ser tiles en el momento de proyectar una aplicacin temtica a partir de los datos suministrados por sensores espaciales. Parece lgico que antes de abordar la interpretacin propiamente dicha se consideren una serie de cuestiones de cara a mejorar la organizacin de un proyecto que requiera de esta tcnica. Los aspectos ms destacados hacen referencia al tipo de sensor o de tratamiento ms conveniente para la aplicacin que se persigue. En la organizacin de un proyecto las decisiones se basarn principalmente en 6 aspectos: 1) los objetivos del proyecto, y 2) los medios disponibles para su realizacin. Lgicamente, los objetivos del trabajo orientan la mayor parte de las decisio-" consiguientes, cmo son las relativas al tipo de informacin necesaria, a su exactitud de escala y nivel de desagregacin. Por su parte, los medios disponibles implican equilibrio lo deseable y lo posible, restringiendo el mtodo ms idneo para abordar objetivos marcados, ya sea en lo que se refiere a las imgenes disponibles Para el anlisis, ya a los medios para su interpretacin (fig. 4.1).
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN
157
do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo de estudios en donde la teledeteccin espacial est reconocida como una fuente primaria de informacin, como son la cartografa de la cobertura del suelo, estadstica agraria, exploracin minera, temperatura y componentes del agua, determinacin de recursos pesqueros, evaluacin de ciertos impactos ambientales y prediccin meteorolgica, entre otros. Otra serie de aplicaciones se encuentran an en fase de experimentacin, como es el caso de la estimacin de biomasa en cultivos, el inventario del volumen de nieve, la deteccin de contaminantes o los clculos demogrficos. Por ltimo, otros proyectos son an inviables con los sensores actuales, ya sea por el nivel de precisin que exigen (inventario ganadero o de animales silvestres), ya por falta de la resolucin espacial, temporal o espectral necesaria (deteccin operativa de incendios, deteccin de aerosoles). En cualquier caso, una inspeccin a la amplia bibliografa disponible evitar concebir esperanzas irreales y realizar gastos innecesarios. 1.2. EL COSTE DE LA INFORMACIN GEOGRFICA Otro aspecto que dificulta el dilogo entre usuarios o potenciales clientes de la teledeteccin es la frecuente percepcin en estos ltimos de que se trata de una tcnica cara, que requiere inversiones elevadas, o implica procedimientos de trabajo que se apartan de los mecanismos de produccin ya establecidos. Adquirir una imagen IKONOS, por ejemplo, resulta una fuerte inversin si lo comparamos con adquirir fotografas areas de similar escala. Ahora bien, adems de que los costes de estas imgenes de alta resolucin bajarn en un inmediato futuro con la llegada de otros sensores de similares prestaciones, cuando se comparan costes con la fotografa area no se consideran los propios de la planificacin y ejecucin del vuelo, ni lo que supone la oportunidad de tener los datos en un momento determinado y con un formato especfico. Algunos autores han planteado comparaciones entre las dos fuentes de informacin, siendo claramente ventajosa la teledeteccin cuando nos referimos a espacios suficientemente grandes (Martnez Vega, 1996; O'Connell y Lachman, 2001). En cualquier caso, aunque la inversin sea objetivamente costosa, no hemos de perder de vista que no disponer de ella puede resultar, a la larga, mucho ms caro, pues la falta de informacin implica decisiones que pueden ser poco adecua das, mientras una planificacin acertada del territorio supone a la larga grandes beneficios, tambin econmicos. Adems, y en el caso de la gestin de desastres na turales, la falta de datos puede acentuar las consecuencias catastrficas de estos eventos, anular o hacer ineficaces las medidas de mitigacin, y dificultar la recupe racin de esos espacios (Baker, 2001). '
1.3. EL DILOGO CON LOS USUARIOS
Si la teledeteccin no ha penetrado con mayor fuerza en muchos mbitos de la gestin territorial, tambin puede deberse a que los interesados por esta tcnica no hemos sabido resolver satisfactoriamente las necesidades reales de los destinatarios,
156
TELEDETECCIN AMBIENTAL
Costes
Equipos
Nivel de exactitud Nmero de imgenes
Escala Mtodo de interpretacin Nivel de desagregacin
Duracin
Sensor
FlG. 4.1. La interpretacin de imgenes en teledeteccin implica tomar una serie de decisiones que optimicen los objetivos perseguidos en funcin de los medios disponibles.
1. Limitaciones para el empleo de la teledeteccin 1.1. INFORMACIN QUE BRINDAN LAS IMGENES Cualquier usuario novicio de la teledeteccin debera tener presente que es una tcnica con limitaciones, vlida para resolver un determinado nmero de problemas. No es, como se ha concebido en algunos ambientes, una panacea que solucione todas las necesidades de informacin sobre el medio ambiente que se requieren actualmente. Falsas expectativas pueden conducir a falsas conclusiones, arribando al polo opuesto; esto es, a concebir la teledeteccin espacial como una tcnica ms vistosa que eficaz. Para evitar uno y otro extremo, cualquier proyecto de aplicacin debera comenzar cuestionndose si esta tcnica puede solventar el objetivo marcado, y si la informacin que sta ofrece no es obtenible por otros medios ms rpidos o econmicos. La respuesta no siempre es sencilla. El rango de aplicaciones de la teledeteccin est en constante crecimiento, gracias a las innovaciones en los equipos sensores y en los mtodos de tratamiento. Sin embargo, parece lgico que un trabajo de aplicacin se base sobre un soporte previo, en donde diversos proyectos de investigacin hayan demostra-
157
do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo de estudios en donde la teledeteccin espacial est reconocida como una fuente primaria de informacin, como son la cartografa de la cobertura del suelo, estadstica agraria, exploracin minera, temperatura y componentes del agua, determinacin de recursos pesqueros, evaluacin de ciertos impactos ambientales y prediccin meteorolgica, entre otros. Otra serie de aplicaciones se encuentran an en fase de experimentacin, como es el caso de la estimacin de biomasa en cultivos, el inventario del volumen de nieve, la deteccin de contaminantes o los clculos demogrficos. Por ltimo, otros proyectos son an inviables con los sensores actuales, ya sea por el nivel de precisin que exigen (inventario ganadero o de animales silvestres), ya por falta de la resolucin espacial, temporal o espectral necesaria (deteccin operativa de incendios, deteccin de aerosoles). En cualquier caso, una inspeccin a la amplia bibliografa disponible evitar concebir esperanzas irreales y realizar gastos innecesarios. 1.2. EL COSTE DE LA INFORMACIN GEOGRFICA Otro aspecto que dificulta el dilogo entre usuarios o potenciales clientes de la teledeteccin es la frecuente percepcin en estos ltimos de que se trata de una tcnica cara, que requiere inversiones elevadas, o implica procedimientos de trabajo que se apartan de los mecanismos de produccin ya establecidos. Adquirir una imagen IKONOS, por ejemplo, resulta una fuerte inversin si lo comparamos con adquirir fotografas areas de similar escala. Ahora bien, adems de que los costes de estas imgenes de alta resolucin bajarn en un inmediato futuro con la llegad^ de otros sensores de similares prestaciones, cuando se comparan costes con la fotografa area no se consideran los propios de la planificacin y ejecucin del vuelo, ni lo que supone la oportunidad de tener los datos en un momento determinado y con un formato especfico. Algunos autores han planteado comparaciones entre las dos fuentes de informacin, siendo claramente ventajosa la teledeteccin cuando nos referimos a espacios suficientemente grandes (Martnez Vega, 1996; O'Connell y Lachman, 2001). En cualquier caso, aunque la inversin sea objetivamente costosa, no hemos de perder de vista que no disponer de ella puede resultar, a la larga, mucho ms caro, pues la falta de informacin implica decisiones que pueden ser poco adecua das, mientras una planificacin acertada del territorio supone a la larga grandes beneficios, tambin econmicos. Adems, y en el caso de la gestin de desastres na turales, la falta de datos puede acentuar las consecuencias catastrficas de estos eventos, anular o hacer ineficaces las medidas de mitigacin, y dificultar la recupe racin de esos espacios (Baker, 2001). ' 1.3. EL DILOGO CON LOS USUARIOS Si la teledeteccin no ha penetrado con mayor fuerza en muchos mbitos de la gestin territorial, tambin puede deberse a que los interesados por esta tcnica no hemos sabido resolver satisfactoriamente las necesidades reales de los destinatarios,
158
bien por falta de capacidad en los sistemas sensores disponibles, bien por no comprender adecuadamente esas necesidades. En el primer caso, estaran aquellas aplicaciones de la teledeteccin que todava requieren una mejora en la resolucin espacial, espectral o temporal de los sensores para cumplir los requisitos operativos de los gestores. Por ejemplo, para utilizar operativamente la teledeteccin espacial en las tareas de deteccin de incendios se requerira una frecuencia de adquisicin de imgenes que slc proporcionan actualmente los satlites meteorolgicos, pero a un nivel de detalle excesivamente grosero. Por tanto, si se plantea emplear esta tcnica como alternativa realista a la vigilancia terrestre necesitamos contar con un sistema espacial diseadc ad hoc para esta finalidad, que satisfaga las necesidades reales de esta comunidad de usuarios. se es el planteamiento del sistema Fuego, que desarrolla la empresa espaola Insa (www.insa.es/fuego.html), y constituye uno de los pocos ejemplos de sistemas de teledeteccin diseados para una aplicacin concreta. Otro, bastante obvio, sera la prediccin del tiempo, que cuenta desde los aos sesenta con satlites especficos. En el futuro, con la reduccin de precios de los sistemas sensores y de las plataformas espaciales, pensamos que el diseo de misiones especficas puede hacer de la tele deteccin una herramienta plenamente operativa en mltiples aplicaciones. En cuanto a posibles problemas de comunicacin con las comunidades de usuarios se est enfatizando en los ltimos aos la importancia de implicarlos en cualquier pro yecto de investigacin y desarrollo, pues facilitan una orientacin de gran inters pan poner esas tareas en un contexto ms realista. No cabe duda de que en muchas ocasione; la falta de inters de los posibles destinatarios por la teledeteccin puede venir dada po nuestra incapacidad para entender bien sus necesidades, y la consecuente insistencia ei ofrecerles productos que no resuelven adecuadamente sus problema* operativos. Po ejemplo, y siguiendo con el ejemplo anterior, los gestores de la prevencin y el combat de incendios forestales difcilmente entendern que les ofrezcamos una cartografa de peligro de incendio exclusivamente a partir de teledeteccin, cuando nos estamos refi riendo, en el mejor de los casos, a una sola variable relacionada con el peligro (el estad hdrico de la vegetacin), dejando a un lado otras variables crticas en el inicio y desarro lio de un incendio, como pueden ser el viento o la humedad relativa del aire que son, hoy por hoy, difcilmente generables a partir de teledeteccin. Probablemente, sera ms f cil que estos usuarios potenciales aceptaran el inters de la tcnica si les ofrecemos ni camente lo que podamos generar a partir de las imgenes, subrayando el inters de inte grar esa informacin con la procedente de otras fuentes. 2. Variables y tipos de interpretacin Sintetizando mucho las cosas, puede afirmarse que las imgenes de satlite no facilitan dos tipos de variables (Jensen, 2000): Primarias, aquellas que se relacionan directamente con los datos obtenido por el sensor; esto es, que influyen primariamente en la seal registrada en la imagen Secundarias (Jensen las denomina hbridas), que se derivan de las primera mediante algn tipo de conceptualizacin.
159
Las variables primarias son exclusivamente cuantitativas, ya que la seal recogida por el sensor corresponde a una variable numrica (radiancia espectral, altura), que est, a su vez, influida por esas variables biofsicas. Por ejemplo, la temperatura modifica la radiancia emitida en el IRT, por lo que la seal que el sensor recoge en esa banda del espectro ser una funcin de la temperatura y, en definitiva, sta ser extrable de aqulla (como veremos en cap. 6, apdo. 6.2.4). Lo mismo podemos decir de otras variables que explican directamente la reflectividad o la emitancia de una cubierta (clorofila, contenido de agua, evapotranspiracin, composicin mineralgica, humedad, etc.). Cuando el sistema de teledeteccin utiliza otras tecnologas pueden detectarse tambin variables de posicin y altura (a partir de estreo-restitucin, de interfe-rometra o de sensores lidar, por ejemplo). Por su parte, las variables secundarias corresponden a un segundo nivel de abstraccin, realizado habitualmente mediante una elaboracin de varias de las anteriores. Por ejemplo, podemos deducir el grado de estrs hdrico de las plantas a partir de medir su contenido de agua, de clorofila o temperatura, pero el estrs en s no se mide directamente. De igual forma, la identificacin de una determinada cobertura del suelo viene dada por medir su reflectividad en distintas bandas del espectro, junto a sus propiedades texturales y espaciales (forma, tamao, etc.). Esta discusin nos lleva a plantear los distintos tipos de interpretacin que pueden aplicarse a una imagen adquirida por teledeteccin, segn el tipo de documento que quiere obtenerse. A nuestro juicio, a partir de una imagen se pueden generar cuatro tipos de productos (fig. 4.2): 1. Cartografa temtica. Se tratara, en este caso, de asignar cada elemento de la imagen en una categora homognea, ya sea mediante interpretacin visual o digital. En pocas palabras, este enfoque tiene por objetivo etiquetar cada pxel en la clase temti ca ms apropiada. sta ha sido la aplicacin ms comn del anlisis de imgenes, en cla ra herencia de la foto-interpretacin clsica. Ya desde los primeros aos de vida del sen sor Landsat-MSS, las aplicaciones ms comunes de estas imgenes se dirigan a obtener el inventario y cartografa de un determinado fenmeno: cobertura del suelo, litologas, tipos de nieve, etc. Suponiendo que la asignacin de pxeles a categoras sea correcta, este enfoque presupone que cada pxel es homogneo ya que se etiqueta con un slo valor y, por tanto, se asume de alguna manera que existen transiciones bruscas en el espacio. Supongamos que un pxel se cataloga como arbolado y el vecino como mato rral; lo habitual ser que en el terreno ambos cuenten con las dos cubiertas, en mayor o menor proporcin, pues los cambios de vegetacin son graduales. Aunque los mtodos ms recientes de clasificacin permiten asignaciones mltiples (cap. 7, apdos. 1.6.3 y 2.3.7), es obvio que cualquier intento de agrupacin implica una particin ms o menos rgida del espacio, con el riesgo que eso lleva consigo en variables* muy continuas en el terreno. 2. Un segundo enfoque considera a las imgenes de satlite como una matriz de medidas numricas de'una variable de inters, por lo que podran utilizarse para obtener una representacin espacial de dicha variable (las que hemos denominado primarias), o de alguna relacionada con ella (variables secundarias). Bajo esta ptica, la exploracin que realizan los equipos sensores se concibe como un procedimiento para muestrear sis temticamente una determinada variable de inters ambiental. La densidad del muestreo
160
Clasificacin Categorizacin-Fronteras
Modelos Variable continua
Deteccin de cambios Intensidad y sentido
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
FiG. 4.2.
V
44
Posicin
Densidad
te
Conexin
Estructura-Mediciones
Tipos de anlisis que pueden abordarse en una imagen de satlite.
vendra marcada por la resolucin espacial del sensor (cada cuntos metros tenemos un dato). Aun en el caso de los satlites meteorolgicos de peor resolucin espacial, ese muestreo es mucho ms denso que el que puede realizarse desde sensores terrestres. El caso ms evidente es el estudio de la temperatura de la superficie marina. Previamente a la actividad de los satlites oceangraficos slo se realizaban mediciones en puntos muy distantes (boyas, perfiles a partir de buques), interpolndole esos valores al resto de la superficie marina. Con la observacin espacial pueden obtenerse mediciones de la temperatura, la salinidad o la clorofila del agua a intervalos regulares y relativamente cercanos (aproximadamente 1 km en el caso del AVHRR o del Seawifs: fig. 10*), ofreciendo una imagen mucho ms certera de la realidad. En este enfoque de interpretacin, la teledeteccin se orienta a generar variables biofsicas, mediante algn modelo que relacione las medidas del sensor (reflectividad, emitancia) con dichas variables (cap. 7, apdo. 1). Obviamente, este enfoque slo est disponible cuando tenemos informacin digital y calibrada, esto es cuando hay una relacin consistente entre los datos de la imagen y una
161
variable fsica determinada (radiancia espectral, ordinariamente). No est disponible, por tanto, con sensores fotogrficos, en donde el tono slo refleja de modo cualitativo la energa detectada originalmente por el sensor. 3. Determinacin de cambios. Como ya hemos indicado, una de las principa les ventajas de la teledeteccin espacial es su capacidad para seguir fenmenos din micos, gracias a la cobertura cclica que proporcionan. Esta capacidad resulta de gran inters para inventariar ciertos procesos ambientales: crecimiento urbano, desecacin de humedales, efectos de incendios o plagas, etc. Bajo esta ptica, el fin del anlisis no es tanto establecer fronteras entre categoras, como sealar aquellas zonas de la ima gen que han modificado sensiblemente sus rasgos espectrales entre dos o ms fechas. Esa deteccin de cambios poda hacerse sobre imgenes previamente clasificadas o, de modo ms habitual, sobre transformaciones de las bandas originales. En este segun do caso, el cambio puede medirse en una escala continua, ya que las imgenes de par tida son cuantitativas y por tanto las tcnicas aplicadas pueden tambin serlo (dife rencias o cocientes entre fechas, regresin, componentes principales: cap. 7, apdo. 3). 4. Finalmente, las imgenes de satlite pueden tambin considerarse como una representacin del mosaico espacial de un determinado territorio, por lo que serviran asimismo para medir las relaciones geogrficas entre las manchas que lo forman. Bajo este punto de vista, la imagen nos permitira mediar la textura o diversidad espacial de la ocupacin del suelo, la forma de las parcelas, sus conexiones espaciales, etc., apro vechando el carcter digital de la imagen (cap. 7, apdo. 4). 3. Organizacin de un proyecto de teledeteccin *
Supuesto que el objetivo de nuestro trabajo sea abordable a partir de sensores espaciales, deben definirse una serie de aspectos para explicitar el tipo de informacin y de tratamiento que se aplicar en el proyecto. En este sentido conviene considerar, entre otros aspectos, qu sensor resulta ms adecuado para los requisitos solicitados, cuntas imgenes se requieren, de qu fechas, qu mtodos de anlisis se aplicarn, y qu papel tendrn los trabajos de campo. 3.1. DEFINICIN DE OBJETIVOS La definicin de objetivos resulta crucial a la hora de plantear un proyecto de teledeteccin, ya que los requisitos marcan notablemente las decisiones que habr que tomar sobre el material ms idneo para conseguirlos (sensor, nmero de imgenes, fechas, etc.) y la metodologa de trabajo. Resulta frecuente, especialmente en el entorno de la actividad empresarial, que el usuario de la teledeteccin se vea obligado a organizar un proyecto de trabajo en funcin de unos objetivos que le vienen dados. Dicho en otras palabras, el intrprete de las imgenes tiene que tomar una serie de decisiones para cumplir unos requisitos emanados de la institucin a la que debe presentar ese trabajo, la Administracin en sentido amplio u otra empresa, habitualmente en forma de pliego de condiciones del proyecto. En esos casos, este epgrafe resultar superfluo, y el lector puede moverse di-
162
rectamente a los siguientes, ya que poco podr decidir sobre los objetivos del proyecto. En cambio, si se trata de un proyecto de investigacin, en donde comnmente es el propio intrprete el que plantea las metas a alcanzar, la lectura de estos prrafos puede ayudar a plantear esos objetivos con mayor eficacia. Como criterio general, conviene subrayar la importancia de que los objetivos de un proyecto se adapten a las posibilidades de los datos que se van a emplear en su desarrollo. El comentario puede parecer obvio, pero en la prctica no lo es tanto, ya que en muchas ocasiones se han planteado proyectos de teledeteccin poco realistas, que no contemplaban las limitaciones inherentes a la tcnica o a los sensores especficos que haba disponibles en esos momentos. Como antes hemos comentado, algunos usuarios, llevados de un cierto desconocimiento o de un inters comercial poco prudente, han podido vender falsas expectativas respecto a la calidad de la informacin que ofrecen los sensores remotos, lo que implica una remora para el desarrollo futuro de esta tcnica. Cuando se plantea un proyecto de investigacin, su nombre ya lo indica, intentamos validar nuevos mtodos, datos o aplicaciones, con una cierta posibilidad de que no conduzcan a avances significativos: a veces se olvida que comprobar que la hiptesis de partida no funciona es tan cientfico como verificarla. En consecuencia, en estos casos puede aceptarse un margen de incertidumbre y fracaso, pero no sera prudente plantear un proyecto de investigacin como una aplicacin ya consolidada, obviando los aspectos no resueltos, que van a condicionar notablemente los resultados. La confusin entre aplicaciones operativas y experimentales puede marginar el empleo de la teledeteccin en instituciones que de otro modo estaran abiertas a emplear esta tcnica. En consecuencia, nos parece muy importante que se planteen unos objetivos realistas, bien fundados sobre bibliografa de referencia, y adaptados a la resolucin espacial, espectral y temporal de los sensores que tendremos disponibles. La definicin de objetivos hace referencia no slo al propsito genrico del trabajo (p. ej., realizar un inventario de cultivos), sino tambin a sus especificaciones: a qu escala, con qu nivel de desagregacin, con qu exactitud, en cunto tiempo, a qu coste..., etc. 3.2. ESCALA Y LEYENDA DE TRABAJO La escala y el nivel de desagregacin estn ntimamente relacionados. Como es lgico, las escalas grandes requerirn leyendas mucho ms detalladas que las escalas pequeas, donde no tendr sentido intentar distinguir un nmero elevado de clases: la necesaria generalizacin de lneas en mapas de pequea escala exige tambin una generalizacin de las categoras cartografiadas. La escala del trabajo condiciona tambin la unidad ms pequea de informacin que se debe incluir en un mapa temtico, que suele denominarse mnima unidad cartografiable (MUC). Varios autores recomiendan que la MUC no sea inferior a 4 mm2, medidos a escala del mapa (Anderson et al, 1976; Campbell, 1996). De ah que la escala de trabajo est directamente relacionada con el tipo de sensor ms idneo para abordar el mismo (Robin, 1998: fig. 4.3). No tendra sentido realizar una cartografa a escala 1:50.000 utilizando el sensor AVHRR del NO A A, pues la MUC sera de, aproximadamente, 2 x 2 cm (1 km2 a esa escala). De igual forma, no sera muy razonable abordar un estudio de pequea escala (p. ej., 1:1.000.000) a partir del sensor Land-
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION Tamao del pxel
163
80-
Tamao de la MUC (4 mm2)
50-
302010
Escala de anlisis
100
500
1.000
5.000
10.000
50.000
100.000
FlG. 4.3.
Relaciones entre resolucin y tamao de la MUC. (Adaptado de Robin, 1998.)
sat-TM, pues habran de generalizarse luego los resultados, lo que no justificara la inversin inicial. De acuerdo con la Asociacin Cartogrfica Internacional, las escalas lmite ms idneas para algunos sensores son (ampliado de Lpez Vizoso, 1989/?): NOAA-AVHRR Landsat - MSS Landsat - TM Spot - HRV (Pan) IRS-1C (Pan) Ikonos (XS) Ikonos(P) 1:2.000.000 1:200.000 1:100.000 1:50.000 1:25.000 1:25.000 1:10.000
No conviene confundir la MUC con el tamao del mnimo objeto que puede observarse en la imagen. Obviamente, aqulla tiene que ser mucho ms grande que ste, de lo contrario el riesgo de error aumenta considerablemente. En este sentido conviene distinguir entre los conceptos de identificacin y deteccin, bastante empleados en anlisis visual de imgenes (entre otros, puede verse Robin, 1998). La identificacin hace referencia al reconocimiento de las caractersticas de un determinado objeto, que nos permite caracterizarlo en sus formas y superficies reales, mientras la deteccin slo implica determinar su existencia. Lgicamente, la primera tarea requiere mucho ms resolucin espacial que la segunda, pues slo ser reconocible algo con un tamao muy superior al del pxel (al menos 5 veces superior, segn la mayor parte de los autores), mientras puede ser incluso inferior al tamao del pxel para ser detectado. Por ejemplo, puede determinarse la presencia de un ro en una imagen, incluso si es de anchura inferior a la resolucin espacial, gracias al fuerte contraste en la absorcin del
164
FIG. 4.4. Dos imgenes del ro Henares, en las proximidades de Alcal, a 15 m de resolucin en la parte superior, y a 180 m en la inferior. En la primera puede identificarse el ro, en la segunda slo detectarse.
agua, que har bajahla reflectividad de los pxeles por los que discurre. Sabremos que est all, pero no podremos medir su anchura o forma, que slo ser perceptible a partir de imgenes ms precisas (fig. 4.4). En consecuencia, si lo que se pretende es interpretar rasgos especficos de la imagen, su tamao medio marcar el nivel mnimo de resolucin que puede admitirse en una imagen. Por ejemplo, no parece adecuado adquirir
165
imgenes de un sensor de resolucin media para anlisis urbano, donde ser inevitable contar con alta resolucin espacial. Con la generalizacin del empleo de imgenes de satlite en distintas aplicaciones cartogrficas, va siendo cada vez ms frecuente que distintos proyectos temticos se basen en esta informacin. Esto nos permite encontrar diversos ejemplos de proyectos cartogrficos a distintas escalas realizados a partir de teledeteccin. Entre ellos, podemos citar desde escalas globales, que cubren todo el planeta, normalmente con resoluciones entre 1 x 1 km y 0,5 x 0,5 grados, y se basan en imgenes NOAA-AVHRR, SPOT-Vegetation o Terra-Modis (Ahern et al, 2001; DeFries y Townshend, 1994), hasta inventarios regionales, con escalas prximas a 1:100.000, que cubren pases o continentes, basados en imgenes Landsat-TM o SPOT-HRV (European Commission, 1993). El trabajo de Martnez (1996) analiza diversos proyectos cartogrficos a escala global, nacional y regional llevados a cabo con imgenes de satlite en distintos mbitos geogrficos. En lo que se refiere a la leyenda de la cartografa temtica, conviene indicar que no slo est en funcin de la escala, sino tambin de la complejidad del territorio. Como consecuencia, ha sido prctica habitual en algunos inventarios (como, por ejemplo, en la cartografa de ocupacin del suelo) emplear una leyenda particular para cada zona de estudio, bien adaptada a las necesidades locales, pero con escasa validez para otros mbitos. Por ejemplo, hace algunos aos tuvimos ocasin de analizar una muestra de 28 trabajos relacionados con la cartografa de ocupacin del suelo a partir de teledeteccin, notando que ninguno presentaba criterios comunes para el establecimiento de la leyenda (Chuvieco, 1985>). Las clases ms repetidas eran agua la ms fcil de discriminar a partir de sensores espaciales, rea urbanizada, cultivada y forestal, aunque en estas ltimas se realizaban mltiples divisiones, segn los objetivos especficos del inventario Esta falta de criterios comunes dificulta la generalizacin de resultados a otros espacios, e invalida cualquier intento de cartografa sistemtica del territorio. En caso de que la leyenda no sea un requisito previo al trabajo (esto es, que no estn fijadas apriori las categoras que quieren discriminarse), el intrprete debera cuidar mucho este aspecto, de tal forma que las clases establecidas tengan coherencia entre s, y con las herramientas que vamos a utilizar en el anlisis. En este sentido es especialmente importante que la leyenda no incluya clases que puedan solaparse entre s, y que recoja toda la variacin posible que haya en el rea de estudio. En definitiva, que las clases sean mutuamente excluyentes y exhaustivas, propiedades obvias, pero no por ello umversalmente respetadas, de cualquier tipologa de clasificacin. Es frecuente observar que se mezclan criterios a la hora de definir las clases de una determinada leyenda, lo que implicar un cierto margen de aleatoriedad en el proceso. Por ejemplo, la clase matorral en ladera implica mezclar dos temas distintos: cobertura y emplazamiento, y no resulta una categorizacin exhaustiva, ya que no podramos asignar el matorral que se presente en otros mbitos geomorfolgicos. Las clases pinar de repoblacin y pinar sobre calizas no son excluyentes, pues puede haber lgicamente pinar de repoblacin situado sobre calizas. De cara a establecer leyendas ms robustas se han planteado diversas propuestas de clasificacin, que incorporan un carcter jerrquico, eso permite adaptar distintos niveles de detalle (desagregacin de clases) en funcin de la calidad de los datos disponibles.
166
Un ejemplo de este tipo de leyendas es la diseada por el U.S. Geological Survey en 1976, especficamente concebida para el empleo de sensores remotos (Anderson et al, 1976). Se trataba de una leyenda de uso y ocupacin del suelo, organizada en cuatro niveles jerrquicos, cada uno de los cuales se pretenda obtener a partir de diversos medios de teledeteccin: imgenes de satlite para el nivel ms general, y fotografa area de gran escala, en combinacin con el trabajo de campo, para las clases ms detalladas. Esta clasificacin resultaba flexible, poda aplicarse a espacios muy contrastados, y garantizaba la integracin entre campos afines de inventario medioambiental. El principal problema que presentaba, a nuestro juicio, era la inclusin en el mismo esquema de clases de uso y de ocupacin del suelo,1 lo que origina ambigedad en el proceso de clasificacin. Por ejemplo, un mismo objeto o grupo de ellos podran asignarse a varias categoras de acuerdo a su consideracin como uso u ocupacin: canteras (uso) y roquedo desnudo (ocupacin), o dehesa (uso) y pastizal arbolado (ocupacin). Como es lgico, los sistemas de teledeteccin slo permiten realizar cartografa de la ocupacin del suelo, ya que la seal detectada por el sensor corresponde a los objetos que aparecen en la superficie terrestre, y no necesariamente al uso al que se destinan. El uso podra ser deducido por el intrprete en algunos casos (por ejemplo, a partir de una cubierta de cultivos se infiere fcilmente un uso agrcola), pero no en otros (a partir de una cubierta de matorral no puede deducirse si el uso es ganadero o cinegtico). Pese a este problema, el trabajo de Anderson y colaboradores ha sido enormemente fructfero, y base para otros intentos similares. ste es el caso de la leyenda diseada para el programa CORINE-Land Cover (tabla 4.1), realizada especficamente para trabajar con imgenes de satlite. Este proyecto forma parte de las bases de datas que se han generado para la Agencia Europea de Medio ambiente, y pretenda inventariar la ocupacin del suelo de los pases miembros a escala 1:100.000 a partir de interpretacin visual (auxiliada con anlisis digital) de imgenes de satlite. El proyecto, al que ms tarde se unieron los pases de la antigua Europea oriental y algunos del norte de frica, puede calificarse como una de las primeras aplicaciones operativas de la teledeteccin espacial (descontando, naturalmente, las meteorolgicas), ya que est concebido para generar un inventario sistemtico de la cobertura del suelo de un amplio territorio (European Commission, 1993; Lpez Vizoso, 1989a; Moreira y Fernndez-Palacios, 1995; Mounsey, 1991). La leyenda incluye tambin un enfoque jerrquico, de tal manera que cada pas pueda enriquecer un esquema comn de partida en funcin de sus propias necesidades, a la vez que se mantiene una coherencia entre pases para asegurar que los resultados sean comparables. En estos momentos se est iniciando la actualizacin del proyecto Land Cover, con datos del ao 2000 para Espaa. Frente a la exclusiva interpretacin visual de la primera cartografa, en este segundo inventario se estn empleando algunas herramientas de interpretacin digital (Smits y Annoni, 1999). Otros intentos similares a los del programa Corine-Land Cover se han planteado en otros pases, aunque tal vez no con la trascendencia internacional de este proyecto.
1. Siguiendo la terminologa anglosajona, distinguimos entre uso y ocupacin del suelo (land use y land cover, respectivamente), segn nos refiramos a la actividad humana sobre el territorio o a las cubiertas que aparecen sobre l (Chuvieco, 1985>).
167
TABLA 4.1.
Clasificacin propuesta para el proyecto de Ocupacin del suelo de Espaa (CORINE-Land Cover)* Superficies edificadas e infraestructuras: 1.1. Zonas urbanas. 1.2. Zonas industriales, comerciales y de transporte. 1.3. Zonas de extraccin minera, vertederos y de construccin. 1.4. Zonas verdes y espacios de recreo. Zonas agrcolas: 2.1. Tierras de labor anual. 2.2. Cultivos permanentes. 2.3. Praderas. 2.4. Zonas agrcolas heterogneas. Zonas forestales, con vegetacin natural y espacios abiertos: 3.1. Bosques. 3.2. Espacios de vegetacin arbustiva y/o herbcea. 3.3. Espacios abiertos con poca o nula vegetacin. Zonas hmedas: 4.1. Humedales continentales. 4.2. Humedales martimos. Superficies de agua: 5.1. Aguas continentales. 5.2. Aguas marinas.
1.
2.
3.
4. 5.
* Slo se recogen los dos primeros niveles de la clasificacin. En la adaptacin espaola de la leyenda comunitariase llega, en algunas cubiertas, hasta los cinco niveles.
Por el carcter global, basta finalmente con citar el mapa de cobertura def suelo de todo el planeta realizado por uno de los grupos de trabajo del programa IGBP (International Geosphere Biosphere Program) a partir de imgenes NOAA-AVHRR (DeFries y Townshend, 1994). Actualmente se est actualizando esta cartografa a partir de imgenes MODIS y vegetacin. Sea una u otra la lista de categoras finalmente empleada, conviene recordar que el nivel de detalle que ofrece la leyenda se relaciona estrechamente con el riesgo de error, por cuanto es altamente probable que cualquier subdivisin implique separar categoras muy similares espectralmente. Caso de que esa ulterior divisin no sea abordable a partir de las imgenes o del mtodo de interpretacin propuesto, deber el usuario ajustar alguno de los dos parmetros: bien hacia una leyenda ms generalista, bien hacia imgenes o mtodos de tratamiento ms refinados. 3.3. SELECCIN DE LOS MATERIALES +
Una vez establecida leyenda y escala de trabajo puede abordarse la eleccin del material qu&vconstituir la base del estudio. A este respecto conviene considerar varios elementos: tipo de sensor, fecha de adquisicin, soporte de las imgenes y material auxiliar.
168
3.3.1.
Tipo de sensor
Como ya se ha indicado, el tipo de sensor ms conveniente depende de los objetivos y el nivel de precisin requerido en el proyecto. Lgicamente, los inventarios globales habrn de partir de sensores de baja resolucin espacial (tipo NOAA-AVHRR c Meteosat), mientras los de mayor escala se basarn en sensores que ofrecen una resolucin espacial ms detallada (IRS o IKONOS). No obstante, en otros casos la resolucin espacial resulta secundaria frente a la temporal o espectral. Por ejemplo, si el fenmeno estudiado es muy dinmico en el tiempo, como sera el caso de la deteccin de incendios forestales o la prediccin de cosechas, convendr acudir a sensores de alta resolucin temporal (como el AVHRR). aun sacrificando fiabilidad espacial. En otras ocasiones, la dimensin espectral ser dominante, por lo que convendr acudir a sensores que ofrezcan informacin en aquellas bandas del espectro donde se manifieste con mayor claridad el fenmeno de inters. Un buen ejemplo de esta idea sera la exploracin minera a partir de sensores hiperespectrales (Kruse etal, 1993a). En definitiva, la resolucin espacial es un elemento muy destacado para seleccionar el sensor ms conveniente en cada caso, pero no debe ser el nico a considerar (cap. 3, apdo. 2). 3.3.2. Fecha de adquisicin
La fecha ms conveniente para seleccionar la imagen est en estrecha relacin con el tipo de fenmeno a estudiar. Lgicamente, el momento ms idneo de adquisicin ser aquel en que mejor se discrimine dicho fenmeno, frente a otros de similar comportamiento espectral. Un anlisis geomorfolgico probablemente requiera una fecha invernal, al ser mayor el efecto de sombras y, por tanto, ms clara la deteccin de rasgos del relieve. Por el contrario, el inventario de algunos cultivos de regados slo puede realizarse en los meses de verano, julio y agosto en nuestras latitudes, cuando se encuentran en el suelo (naturalmente, otros cultivos de regado, con otros calendarios fenolgicos, requerirn otras fechas ms apropiadas, caso del viedo, que convendr mejor observarlo a fines de septiembre). En ocasiones resultar necesario acudir a varias fechas para abordar el estudio: por ejemplo, para seguir el ritmo de crecimiento de un determinado cultivo, o para estudiar los cambios entre dos momentos crticos. En estas situaciones conviene construir un calendario fenolgico de esa cubierta y de las que ofrezcan un parecido comportamiento espectral, con objeto de seleccionar las fechas en donde su comportamiento sea ms especfico del resto. Cuando en estos trabajos de cartografa de la cubierta vegetal se disponga de un presupuesto escaso puede ser preciso seleccionar una sola fecha, que maximice la separacin entre todas las cubiertas. En ese caso, la eleccin ms conveniente ser una imagen adquirida erf-el verano, pues en ese momento es mxima la radiancia media percibida por el sensor, como consecuencia del mayor ngulo de elevacin solar. Adems, en el caso de nuestro clima mediterrneo, la estacin estival coincide con la poca de menor nubosidad y precipitacin, lo que facilita la seleccin de imgenes de este perodo.
169
Negativo Convertidor digital-analgico
Film positivo
Papel positivo
FIG. 4.5.
Soportes ms habituales de los productos fotogrficos.
3.3.3. Soporte de las imgenes
El soporte sobre el que puede realizarse la interpretacin depende del tipo de tratamiento que se aplique. En caso de que se opte por el anlisis visual se requiere resolver tres aspectos: 1) soporte material de la imagen, 2) escala, y 3) nmero de bandas y combinacin de bandas seleccionada.2 En lo que se refiere al primer aspecto, hasta hace muy pocos aos las entidades distribuidoras de imgenes ofrecan tres opciones. Las imgenes podan pedirse en pelcula negativo, en pelcula positivo o en papel (fig. 4.5). Todava estos formatos pueden encontrarse para imgenes histricas o para misiones fotogrficas, como algunas del Space Shuttle. Actualmente, casi todas las empresas que comercializan imgenes de satlite lo hacen exclusivamente en formato digital: queda, por tanto, al usuario la labor de convertir esos valores numricos en tonos de gris o color si lo que pretende es realizar una interpretacin visual de la imagen. Para los documentos ms antiguos, baste indicar que los negativos permiten ampliaciones muy verstiles, ajustndose a la escala deseada, pero la calidad de la copia que se obtenga luego en papel es inferior a la adquirida directamente en este soporte. El film positivo es muy til para reproduccin fotogrfica e impresin de la imagen, especialmente cuando se trata de composiciones coloreadas de 3 bandas. Por ltimo,
2. Actualmente, cada vez es ms frecuente realizar la interpretacin visual sobre el propio monitor de visualizacion, digitizando directamente los polgonos identificados por el intrprete. En ese caso, el soporte de la imagen ser la consola, la escala ser variable, en funcin del nivel de magnificacin empleado, y la combinacin de bandas puede modificarse fcilmente por el intrprete.
170
los productos que facilitaban las agencias distribuidoras en papel garantizaban una interpretacin directa de alta calidad, pero resultaba rgida la escala y no admita copias sucesivas. Cuando se trata de composiciones en color, a partir de los negativos de cada banda pueden obtenerse tantas combinaciones como requiere el intrprete, mientras el film positivo o papel deba solicitarse ya con una determinada combinacin de bandas. Naturalmente, ahora pueden generarse productos en papel a partir de la informacin digital, mucho mejor adaptados a las necesidades del intrprete, gracias a la creciente disponibilidad de trazadores grficos en color de amplio formato. En cuanto al soporte de la informacin digital, hace algunos aos lo ms comn eran las cintas compatibles con ordenador (CCT), que eran el nico medio viable de almacenar un volumen importante de datos. Actualmente las tecnologas magnticas han dejado paso a las pticas y, aunque se siguen utilizando cintas de cartucho (predominantemente las Exabyte) para copias de seguridad, cada vez resulta ms extendido el empleo del CD-ROM, que resulta ms compacto, fiable y econmico, adems de disponerse de lectores y grabadores de consumo generalizado. Recientemente se han introducido los grabadores de DVD (Digital Video Disk), que puede ser un soporte alternativo para la distribucin masiva de datos, si bien las imgenes comerciales actualmente disponibles no requieren un almacenamiento superior a la capacidad de un CD-ROM. Tambin ser cada vez ms frecuente la distribucin de imgenes a travs de Internet, facilitando una reduccin en los costes y mayor rapidez en el envo. 3.4. DECISIN SOBRE EL MTODO DE ANLISIS: TRATAMIENTO VISUAL O DIGITAL? Como ya se coment ms arriba, las imgenes son adquiridas en formato numrico, gracias a una conversin analgico-digital realizada a bordo del satlite. Por tanto, el tratamiento digital resulta la opcin de anlisis ms inmediata. Ahora bien, esos valores digitales tambin pueden convertirse a intensidades de brillo o color, con lo que pueden generarse productos cuasi-fotogrficos, susceptibles de interpretacin visual. En consecuencia, las imgenes pueden interpretarse digital o visualmente. Cabe preguntarse cul de los dos resulta ms idneo para explotar adecuadamente el flujo de datos que la teledeteccin espacial ofrece. La respuesta no resulta sencilla. Simplificando un poco las cosas, pueden sealarse varios aspectos que conviene tener en cuenta antes de tomar una decisin en uno u otro sentido: 1) medios econmicos y humanos disponibles, 2) rapidez y exactitud exigida, 3) tipo y continuidad de las tareas, 4) homogeneidad de la superficie analizada (fig. 4.6). La disponibilidad de medios marca el primer criterio de decisin. En muchas ocasiones se asume que cualquier trabajo en teledeteccin espacial exige una considerable inversin de partida, por lo que se obvia una tcnica que podra ser muy til aun en situaciones de modesto presupuesto. En definitiva, apenas se considera que el anlisis visual no requiere inversiones econmicas importantes y puede garantizar un nivel de precisin suficiente para una determinada aplicacin. Por ejemplo, el coste por unidad de superficie de una imagen en falso color es considerablemente inferior al de la fotografa area, y puede ofrecer una exactitud adecuada (superior al 80 %) para un proyecto de escalas medias o de semi-detalle (menores a 1:50.000). Si se pretende realizar
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION
171
Inversin inicial escasa Costes lineales Requiere conversin digital analgica No precisa alta especializacin Buena precisin en clases heterogneas Restitucin compleja Inventario tedioso e inexacto Requiere digitalizacin para conectarse a un SIG
Inversin elevada Costes se reducen con la superficie Permite trabajo con informacin original Precisa de especializacin Baja precisin en clases heterogneas Correccin geomtrica sencilla y rpida Inventario inmediato Conexin directa (formato rster) o vectorizacin (formato vectorial)
Fie 4.6.
Ventajas e inconvenientes del anlisis visual frente al digital en la interpretacin de imgenes.
una cartografa de la ocupacin del suelo a esta escala, la imagen de satlite puede salivar costes y reducir notablemente el tiempo de tratamiento frente a la fotografa area, que ofrece un detalle tal vez excesivo para la escala final del mapa (Chuvieco y Martnez Vega, 1990). Adems, conviene considerar que varios organismos han publicado estos ltimos aos coberturas de imgenes de distintas zonas del pas (Martnez Vega, 1997). Por ejemplo, el Instituto Geogrfico Nacional distribuye orto-imgenes en papel de toda Espaa a diversas escalas, y a una fraccin del coste que tienen originalmente. Si la fecha de la adquisicin es adecuada para nuestro trabajo, se ser un punto de partida muy conveniente. En situaciones de presupuesto ms desahogado puede abordarse el tratamiento digital de imgenes. El apoyo del ordenador, en principio, garantiza un tratamiento ms rpido, econmico y, en principio, ms certero, pero requiere una mayor inversin inicial, pese a que los equipos y programas informtiaos que permiten el tratamiento de las imgenes han reducido en los ltimos aos sensiblemente sus costes. Esta inversin inicial hace referencia tambin al entrenamiento previo del intrprete. El anlisis visual emplea claves de identificacin similares a la foto-interpretacin clsica (tono, textura, tamao, localizacin, forma, etc.), por lo que no requiere un entrenamiento previo muy especializado, si bien, como es lgico, precisa una notable agudeza visual y mental, as como la debida experiencia, para obtener resultados brillantes. El tratamiento digital, por su parte, requiere una buena base estadstica, co-
172
nocimiento de sistemas informticos y lenguajes de programacin. Estos componentes no suelen formar parte de los curricula vigentes en las ciencias de la Tierra, por lo que puede resultar complejo el acceso al tratamiento digital para personas provenientes de esos campos de aplicacin, aunque conviene considerar que esa base estadstica e informtica es slo un medio para mejorar la interpretacin, y no un fin en s mismo. En pocas palabras, el tratamiento digital requiere mayor inversin econmica y entrenamiento que el anlisis visual. Como contrapartida, proporciona mayor versatilidad, rapidez y exactitud. No obstante, tales ventajas no son absolutas, sino muy dependientes de la configuracin del equipo disponible, del entrenamiento del intrprete y de la complejidad del rea de estudio. Por ejemplo, la velocidad de proceso est en funcin del equipo disponible, por lo que no puede afirmarse que todo tratamiento digital sea ms rpido que el visual. El tratamiento digital basado exclusivamente sobre un ordenador personal, sobre imgenes de alta resolucin y aplicado a zonas muy amplias, puede resultar bastante lento, por el importante volumen de datos a procesar. La misma zona puede ser interpretada visualmente en menos tiempo, siempre que la escala sea pequea y no se requiera una leyenda excesivamente pormenorizada. En cuanto a la exactitud, tambin ha de matizarse la superioridad del tratamiento digital. Varios autores han comprobado la complejidad de clasificar digitalmente cubiertas que ofrecen una gran heterogeneidad espacial. El caso de las reas urbanas es el ms claro a este respecto (Atkinson et al, 1985; Toll, 1984). Se trata de zonas en donde se mezclan tejados, aceras, asfalto, jardines y espacios abiertos o deportivos. Esta complejidad puede identificarse visualmente gracias a criterios muy difcilmente traducibles a la clasificacin digital: localizacin, textura, tamao, formas, etc., por lo que la interpretacin visual ofrecer, en este caso, mayor exactitud que la digital. En otras categoras, la relacin resulta contraria, ya que el ojo humano no es capaz de detectar variaciones tonales que s son diferenciables numricamente (humedales, transiciones de vegetacin, distintos cultivos...). Otro elemento a tener en cuenta para elegir la intepretacin visual o digital se refiere al tipo y continuidad de las tareas requeridas en el proyecto. Si el estudio slo precisa un croquis de interpretacin y no una plasmacin cartogrfica, la interpretacin visual no ofrece inconvenientes. Ahora bien, si se pretende obtener un mapa deben transferirse todas las lneas que definen las distintas cubiertas a la cartografa base, lo cual resulta muy tedioso y poco preciso, si no se utilizan restituidores de cierta fiabilidad. El tratamiento digital, por el contrario, permite realizar este proceso con gran rapidez y salvo terrenos muy accidentados elevada precisin, gracias a las tcnicas de correccin geomtrica de la imagen (cap. 6, apdo. 6.3). Lgicamente, estas correcciones digitales pueden aplicarse como paso previo a la interpretacin visual, y de hecho la mayor parte de los organismos distribuidores de imgenes incluyen la opcin de solicitar las imgenes ya georreferenciadas, si bien son ms costosas que las originales y, en ocasiones, no ofrecen elevada exactitud (depender si esa correccin se basa slo en modelos orbitales o se enriquece con puntos de control). Asimismo ya estn corregidas geomtricamente las imgenes que se distribuyen como series cartogrficas (a veces se utiliza el trmino espacio-mapas o carto-imgenes). Otras operaciones que resultan muy beneficiadas con el tratamiento digital son el inventario de resultados y su integracin con otras variables geogrficas. El inventario
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN 17 3
resulta muy tedioso en interpretacin visual, pues es necesario planimetrar todas las superficies incluidas en cada tipo de cubierta. En el caso del tratamiento digital basta realizar un clculo de frecuencias esto es, del nmero de pxeles incluidos en cada clase, para conocer la superficie ocupada por cada una de ellas, por cuanto sabemos la equivalencia superficial de cada pxel. Naturalmente, en caso de que se opte por la interpretacin visual y digitizacin simultnea en pantalla, las imgenes ya estarn georreferenciadas, por lo que el inventario se obtiene tambin casi de modo inmediato. Respecto a la posibilidad de combinar los resultados del anlisis con otro tipo de variables territoriales: suelos, hidrografa o pendientes, la integracin manual convencional resultaba muy compleja (tcnica de superponibles), mientras la asistida por ordenador supone un proceso relativamente sencillo, en el marco de los denominados SIG (cap. 9). La entrada de informacin en estos sistemas requiere una previa digitizacin para el caso del anlisis visual, mientras resulta un proceso bastante inmediato en tratamiento digital especialmente si el SIG almacena la informacin en formato rster, puesto que las imgenes ya se encuentran en soporte numrico. Como antes indicamos, si la interpretacin visual se realiza sobre pantalla, la digitizacin es inmediata y, por tanto, su integracin en un SIG, y el acceso a las funciones de anlisis que estos sistemas proporcionan. En resumen, y siguiendo nuestra opinin particular, ambos mtodos de trabajo se complementan, y pueden emplearse integradamente. El tratamiento digital permite realizar operaciones complejas, muy costosas o inaccesibles al anlisis visual. Garantiza una clasificacin ms rpida de la zona de estudio, manteniendo una coherencia en la asignacin de reas vecinas a dos categoras, a la vez que permite generar la distribucin espacial de variables biofsicas (temperatura, clorofila en el agua, etc.), y simplifica la determinacin de cambios temporales. Por su parte, el anlisis visual es una buena alternativa para actualizar cartografa existente, identificar clases heterogneas o realizar inventarios a escalas medias o de semi-detalle. Auxilia a la clasificacin digital, aislando sectores de potencial confusin sobre la imagen, o estratificando algunos sectores de la imagen para aplicarles tratamientos especficos. El tratamiento digital supone una fuerte inversin de entrada, pero los costes van disminuyendo al aumentar la superficie analizada. Por el contrario, los costes del anlisis visual son lineales, suponiendo una pequea inversin de partida (Chuvieco y Martnez Vega, 1990). Con estos planteamientos, la inversin en equipos informticos parece imprescindible en tres casos: 1) cuando el objeto de estudio no sea abordable mediante anlisis visual, 2) cuando se pretendan obtener modelos biofsicos, deteccin de cambios o medicin numrica de la estructura del territorio, y 3) cuando se pretenda introducir los resultados en un SIG. Asumiendo que los equipos de tratamiento digital estn disponibles, la interpretacin de la imagen puede realizarse con criterios visuales y digitales. En te marco, podramos aprovechar la potencia de anlisis de la interpretacin visual (incluyendo criterios de contexto, textura, formas complejos que puede emplear un intrprete humano), as como la flexibilidad y potencia del tratamiento digital (georreferenciando la imagen, mejorando su aspecto visual, digitizando informacin en pantalla, etc.). En definitiva, podemos actualmente hablar de una fotointerpretacin asistida por ordenador, que elimina diversas fases de la interpretacin visual clsica (restitucin, inventario). A la vez, esa interaccin visual con el intrprete permitir resolver algunos pro-
174
TELEDETECCION AMBIENTAL
blemas del tratamiento digital, que encuentra notables dificultades para automatizar la interpretacin de ciertos rasgos de la imagen (algunas nubes, reas urbanas...), que son bastante obvios al anlisis visual. 4. Fases en la interpretacin Las aplicaciones de la teledeteccin espacial son muy numerosas, por lo que resulta complejo establecer un marco general, que pueda ser vlido para todas ellas. No obstante, y aun a riesgo de caer en la simplicidad, puede ser conveniente introducir algunas ideas sobre el proceso de trabajo con este tipo de imgenes. No ser difcil que cada usuario pueda ajustar este esquema a sus propios intereses. El proceso propuesto contempla las siguientes fases (fig. 4.7): 1. Definicin expresa y concreta de objetivos, sealando las limitaciones que se presentan, ya sean derivadas del rea de estudio (complejidad), ya de los requisitos del
Definicin de objetivos
r
Revisin bibliogrfica Reconocimiento

f
Adquisicin de datos
Calibracin \
Trabajos de campo
Verificacin 4-----
Interpretacin
---
Definicin de la leyenda
Anlisis de la exactitud
r
Georreferenciacin/lnventario
Integracin a un SIG
Interpretacin de resultados
FIG. 4.7.
Fases que incluye un proyecto de clasificacin de imgenes.
175
trabajo (duracin del proyecto, coste mximo, categoras temticas a discriminar, etc.) o ya de los medios disponibles. 2. Revisin bibliogrfica y propuesta de mtodo. En funcin de la literatura consultada sobre el tema, podrn plantearse las alternativas metodolgicas ms razo nables. Un estudio bibliogrfico resulta vital para orientar el proceso de anlisis, opti mizando las decisiones futuras. 3. Trabajos de campo preparatorios y acopio de informacin auxiliar. En este primer contacto, los trabajos de campo permiten familiarizar al intrprete con la zona objeto de estudio, estudiar sus rasgos medioambientales y humanos. Si se trata de una aplicacin relacionada con la cubierta vegetal, resulta conveniente elaborar un calen dario fenolgico de las especies de inters con objeto de seleccionar la fecha o fechas ms apropiadas para adquirir la imagen. En esta fase pueden incluirse las medidas a realizar con radimetros de campo que permiten caracterizar espectralmente la cu bierta y seleccionar el sensor y las bandas ms apropiadas para discriminarla, as como el acopio del material auxiliar necesario para la posterior interpretacin de la imagen. 4. Seleccin de la informacin de partida: sensor y fecha (o fechas) ms conve niente, nmero de imgenes, soporte, etc. 5. En caso de que la leyenda no sea un requisito del proyecto (esto es, que ya es tn marcadas las categoras que necesitan discriminarse), el usuario deber plantear una leyenda adecuada de trabajo, basada sobre las caractersticas de la zona y las posi bilidades que brinda el sensor seleccionado. 6. Trabajos de campo de calibracin. Una vez adquiridas las imgenes, esta segunda fase de campo sirve para familiarizar al intrprete con la imagen, caracterizando sobre ella la variacin de las distintas clases sealadas en la fase anterior. Esta fase de bera realizarse simultneamente a la adquisicin de la imagen, con objeto de evitar cualquier ruido posterior en el anlisis que pueda deberse a variacin de las condicio nes entre terreno e imagen. Caso de que el trabajo pretenda generar una variable cuan titativa, aqu deberamos realizar las medidas de campo de esa variable para calibrar y luego validar el modelo (caso de que sea emprico), o validarlo slo (caso de que sea terico). Las campaas de medicin en terreno (fig. 4.8) resultan claves para poder es tablecer posteriormente relaciones cuantitativas con los datos de la imagen. 7. Interpretacin de estas cubiertas, ya sea a travs del anlisis visual, ya del tra tamiento digital, extendiendo al resto de la imagen la experiencia acumulada en el muestreo de campo realizado previamente. 8. Revisin de campo, para la verificacin de resultados, de acuerdo al porcen taje de fiabilidad requerido y a la tasa de error tolerable en el muestreo. Esta fase puede tambin simultanearse con la (6) siempre que no se empleen las mismas reas para cla sificar/calibrar y para verificar/validar la imagen (ver cap. 8). 9. Restitucin. Una vez obtenidos unos resultados suficientemente fiables, se trata de otorgar validez cartogrfica a los resultados; esto es, que el documento obteni do pueda superponerse sobre la cartografa base. Esta restitucin puede ser digital o analgica, en funcin del mtodo seguido en el anlisis, si bien, como hemos indicado, tambin puede realizarse interpretacin visual a partir de imgenes ya corregidas car togrficamente. 10. Obtencin de resultados e integracin en un SIG. Esto supone la digitiza-
176
FlG. 4.8.
La obtencin de datos sobre el terreno resulta clave para calibrar modelos de interpretacin de imgenes.
cin de la interpretacin visual o, en caso de tratamiento digital, las modificaciones precisas para que se ajuste perfectamente a la cartografa convencional disponible (cambios de proyeccin y/o resolucin). 11. Inventario. Aqu se trata de cuantificar la extensin superficial de cada una de las categoras, una vez se hallen representadas sobre un mapa de escala conocida. Al igual que en la fase anterior, el procedimiento variar de acuerdo al mtodo de an lisis: conteo de frecuencias (digital), o planimetra (visual), si bien, en caso de que se hayan digitizado previamente los polgonos identificados visualmente, el inventario tambin se obtiene automticamente. 12. Interpretacin de la cartografa resultante, ponindola en relacin con las variables humanas y del medio fsico que afectan al rea de estudio. Como puede observarse, este esquema est bastante centrado en aquellas aplicaciones que persigan elaborar una cartografa temtica a partir de la teledeteccin, pero podra tambin adaptarse a la generacin de variables continuas, la deteccin de cambios o el anlisis del patrn espacial a partir de las imgenes.
CAPTULO 5 INTERPRETACIN VISUAL DE IMGENES

El fantico comienza por no pedir razones y acaba por no tolerarlas. IZRAIL METTER, La quinta esquina
Ya en el captulo anterior se comentaron los rasgos principales de esta labor interpretativa. All se presentaban las dos alternativas para analizar los datos adquiridos por el sensor: 1) abordar una interpretacin visual, y 2) optar por el tratamiento digital de la imagen. En el presente apartado se estudia con ms profundidad la interpretacin visual de imgenes, para pasar, en los dos prximos, a exponer los principios del tratamiento digital. La mayor parte de los comentarios incluidos en este captulo se refieren a imgenes adquiridas por diversos sensores de la familia Landsat. El amplio rango de aplicaciones que ofrecen y la extensin de su empleo justifican esta eleccin. No obstante, la mayor parte de las ideas aqu expresadas pueden fcilmente aplicarse a imgenes adquiridas por otros sensores, especialmente a aquellos comprendidos en el dominio ptico, y de similar resolucin a los incluidos en el programa Landsat (SPOTHRV, MOS-MESSR, IRS-LISS, etc.)
1. Familiarizacin con imgenes analgicas

1.1. INFORMACIN INCLUIDA EN LOS PRODUCTOS FOTOGRFICOS
t
Una interpretacin detallada de imgenes requiere tener en cuenta los principales rasgos de su adquisicin, as como de los tratamientos que puedan haber abordado las antenas receptoras. Hasta hace unos aos, lo habitual en la interpretacin visual de imgenes era partir de los productos fotogrficos que ofrecan las distintas agencias de distribucin de imgenes. Actualmente, muy pocas disponen de esta opcin, centrndose el anlisis visual en la interpretacin sobre pantalla o sobre imgenes impresas. En ambos casos, la informacin auxiliar vendr dada en el archivo digital de cabecera. No obstante, a efectos histricos, nos parece conveniente seguir citando las ano-
178
-Mfico+
FlG. 5.1.
Imagen Landsat de la costa portuguesa en el formato original de NASA. (Cortesa: R. Nez.)
taciones que incluan los productos fotogrficos. Para las primeras imgenes procesadas por la NASA, y distribuidas por el EROS Data Center(U.S. Geological Survey), se inclua la siguiente informacin auxiliar (fig. 5.1): Fecha de adquisicin (2 de febrero de 1975). Coordenadas del centro de la imagen (37 21' Norte y 8o 26' Este). Coordenadas del punto nadir (punto de interseccin entre la superficie terres tre y una perpendicular desde el centro de adquisicin). Sensor y banda empleada (MSS, banda 7). ngulo de elevacin solar, medido entre la horizontal y la direccin de los ra yos solares (26) ngulo acimutal, medido desde el norte geogrfico y en el sentido de las agu jas del reloj (143). ^ Datos del procesado (correcciones aplicadas, escala, proyeccin, compresin o no de los datos, etc.). Agencia y proyecto (NASA ERTS). Cdigo de identificacin de la escena (nmero de satlite, das transcurridos des de el lanzamiento, hora, minutos y segundos de la adquisicin: E - 2011 - 10331 - 7 01).
INTERPRETACIN VISUAL DE IMGENES
179
Marcas fiduciarias en las esquinas para localizar el nadir, cruzndolas de dos a dos en diagonal. Debajo de estos datos se situaba una escala de grises, con objeto de comprobar la calidad de la reproduccin. En los aos ochenta, otras agencias espaciales comenzaron a encargarse de la distribucin de imgenes. Para toda Europa, la Agencia Espacial Europea (ESA) se responsabiliz de la recepcin de los datos, gracias a sus estaciones de Fucino, Troms0 y Maspalomas, mientras el programa EARTHNET se haca cargo de la red distribuidora. Como consecuencia de esto se modifican las anotaciones en los productos fotogrficos del satlite Landsat, ajustndose al siguiente esquema (fig. 5.2): Escala de grises en el borde inferior de la imagen. Por debajo de ella se inclua informacin sobre la fecha de adquisicin, nmero de satlite, cdigo de identificacin de la escena y banda. En el caso de la figura 5.2, la imagen se adquiri el 29 de enero de 1982 por el satlite Landsat-2, la escena se recono ce por los nmeros 217 (rbita) y 032 (fila), y corresponde a la banda 5. En el margen de recho se sita el centro y fecha de tratamiento (Telespazio, 26 de mayo de 1982). Marcas fiduciarias.
ROCESSED BY TELESPftZIO FOR ESR-
29JN32 2-217-32
FIG. 5.2.
01 1143-1800 R 26MflY8
Imagen Landsat en el formato original de la ESA.
18 0
82 fiUG 1984 LflNDSflT 5 TM <"-\
2@1 ^832 2
118 124 129 135 253 253"
ESfl EflRTHNET
PROCESSE RT FUCINO OH
M H < R
tn:?rai?i3tR?4S
TMS
201 632 2
FlG. 5.3.
Imagen Landsat-TM en el formato posterior de la ESA.
A partir del lanzamiento de los Landsat-4 y 5, se vuelve a modificar la informacin auxiliar que incluyen los productos fotogrficos, enriquecindose notablemente frente al anterior formato. Desde ese momento, la red europea EARTHNET recoga los siguientes datos (fig. 5.3): En la cabecera del negativo se sealan los datos ms importantes de la adqui sicin: fecha, satlite, sensor, nmero de banda, cdigo de la escena y, en su caso, n mero de cuadrante. En el caso de la figura 5.3 se trata de una imagen adquirida el 2 de agosto de 1984, por el satlite Landsat-5, sensor TM (Thematic Mapper), correspon diente a la banda 1, traza 201, fila 032, cuadrante 2.1 En el borde inferior aparece la escala de grises (indicando, adems, el valor digital al que corresponde cada intensidad), centro y fecha de proceso y escala grfica. Por fin, la ltima lnea del negativo incluye algunos datos auxiliares, como son la fecha de adquisicin^ coordenadas del centro de la escena, ngulo de elevacin y acimut solar, nivel de correccin radiomtrica y geomtrica, e identificacin de la es cena, en el cdigo NASA y en el sistema europeo. Marcas fiduciarias.
1. Los cuadrantes se numeran de izquierda a derecha, y de arriba abajo.
181
1.2. IDENTIFICACIN DE ALGUNOS RASGOS GEOGRFICOS SOBRE LA IMAGEN Una primera forma de familiarizarse con las imgenes es compararlas con una fuente cartogrfica convencional. Este ejercicio puede abordarse en varias fases. En la primera, apoyndose en un mapa de similar escala, pueden situarse los embalses y cursos de agua ms importantes de la zona. A partir de ellos, una segunda inspeccin de la imagen permite identificar aspectos humanos del territorio, como son las ciudades ms importantes y las principales vas de comunicacin. Los accidentes montaosos se identificarn en una tercera fase, puesto que se trata de aspectos representados ms abstractamente en el mapa y, por tanto, de difcil delimitacin. Masas de vegetacin o rasgos efmeros relacionados con la imagen (como^por ejemplo, incendios o agentes contaminantes) podrn interpretarse en una ltima fase, puesto que rara vez vendrn recogidos en el mapa. Este ejercicio puede realizarse a partir de las carto-imgenes que producen distintos centros cartogrficos (Instituto Geogrfico Nacional, por ejemplo). Esta primera familiarizacin sirve de prembulo para considerar los principales criterios que se utilizan para interpretar visualmente una imagen. Muchos de ellos son comunes a la fotointerpretacin clsica de fotogramas areos. 2. Criterios para la interpretacin visual Como ya indicamos, una de las principales ventajas del anlisis visual sobre el digital es su capacidad para incorporar a la interpretacin de la imagen criterios complejos. Mientras el tratamiento digital se basa, casi exclusivamente, sobre te intensidad radiomtrica de cada pxel en las distintas bandas utilizadas para la interpretacin, el anlisis visual puede utilizar otros elementos, como son la textura, estructura, emplaza-, miento o disposicin, muy difciles de definir en trminos digitales, aunque se est trabajando intensamente en esta lnea, como luego tendremos ocasin de analizar. Estos criterios nos permiten discriminar categoras con un comportamiento espectral parejo, aunque con un significado temtico bien distinto. Por ejemplo, algunos cultivos en regado suelen ofrecer una respuesta espectral muy parecida a los parques" urbanos, ya que ambas cubiertas estn formadas por las mismas o similares especies vegetales. Sin embargo, su significado temtico es claramente distinto, y as debe incluirse en la cartografa final. Digitalmente la distincin es compleja, pues los valores numricos de ambas cubiertas son muy similares. Ahora bien, basta incorporar un criterio visual sencillo, como es el contexto geogrfico, para separarlas. Entre las pautas visuales manejadas en teledeteccin espacial, algunas son comunes con la fotografa area tono, textura, estructura, sombras, contexto, etc., otras son ms propias de las imgenes espaciales, principalmente en lo que atae a la dimensin multi-espectral y multi-temporal de las observaciones, severamente limitada en fotografa area. Un ltimo grupo corresponde a criterios tradicionales en fotointerpretacin que rara vez resultan accesibles en imgenes espaciales, como es el caso de la cobertura estereoscpica, tan vital para estudios del relieve. En cualquier caso, ya sean nuevos o tradicionales, los criterios visuales deben manejarse con cierta precaucin en imgenes de satlite, por cuanto las escalas de trabajo y la geometra de adquisicin son distintas a las empleadas en fotografa area. Segn vayan disponin-
182
Criterio espacial complejo
Sombras - Contexto - Asociacin
Criterio temporal
Fenologa: Condiciones estacionales
FIG. 5.4.
Organizacin jerrquica de los criterios de interpretacin visual. (Adaptado de European Commission, 1993.)
dose de imgenes de mayor resolucin, estas diferencias se irn atenuando, hasta convertirse prcticamente en inexistentes. Conviene tener en cuenta que esos criterios se utilizan de modo integrado, en claves visuales complejas. Varios autores han sugerido clasificar esos criterios en una escala jerrquica, en funcin de su grado de complejidad y de las variables que se consideran (fig. 5.4: European Commission, 1993). El brillo y color seran los criterios ms elementales, pues caracterizan espectralmente a una cubierta. La forma, tamao, y textura tienen que ver con las propiedades espaciales de los objetos. La sombra y emplazamiento, con su relacin a los objetos circundantes. Finalmente, la dimensin temporal hace referencia a la evolucin estacional de las cubiertas. A continuacin revisaremos con detalle los criterios de interpretacin visual ms utilizados. 2.1. BRILLO <
El brillo hace referencia a la intensidad de energa recibida por el sensor para una determinada banda del espectro. En un producto fotogrfico, los pxeles con tonos oscuros indican aquellas reas sobre las que el sensor detect una dbil radiancia, mientras las zonas claras son producto de una mayor intensidad. En otras palabras, el brillo se relaciona estrechamente con el comportamiento espectral de las distintas cubiertas, para la banda particular del espectro sobre la que se trabaje. Puesto que la energa reflejada desde una cubierta vara en distintas longitudes de
183
onda, su brillo caracterstico tambin variar en imgenes adquiridas para diversas bandas del espectro. Como ya vimos en el captulo 2, una superficie ocupada por vegetacin vigorosa presentar una alta absortividad en las bandas visibles del espectro, especialmente en el azul y rojo, como consecuencia de la accin de los pigmentos de la hoja en esas longitudes de onda. En consecuencia, en las imgenes adquiridas sobre esas bandas aparecer en gris oscuro. Por el contrario, se mostrar en grises claros si la imagen corresponde al infrarrojo cercano, por cuanto, en esa regin del espectro, la hoja sana ofrece una elevada reflectividad. En consecuencia, para interpretar los brillos que ofrece la imagen se ha de tener presente el comportamiento espectral de las distintas cubiertas de inters. De otra forma, el intrprete puede entrenarse a reconocer mecnicamente algunas categoras, pero no alcanzar a comprender plenamente las razones de las diferencias tonales que observa. Un intrprete avezado podr reconocer mltiples categoras por el contraste de brillo en distintas bandas del espectro. Como hemos visto, la vegetacin tiende a ofrecer tonos oscuros en las bandas visibles y muy claros en el infrarrojo cercano, mientras el agua presenta tonos oscuros en ambas, los suelos descubiertos ofrecen tonos blancos en las dos, y las reas urbanas grises medios en ambas (fig. 5.5). Al tratarse de una imagen de primavera (Madrid 00), adems de los jardines urbanos, aparecen como manchas de vegetacin sana sectores de pastizales o en expectativa de construccin. Una mayor experiencia permite seleccionar las bandas ms idneas para reconocer determinados rasgos de inters: modelos de drenaje y morfologa (infrarrojo cercano), trazado urbano (verde-rojo), turbidez en el agua (azul), delimitacin tierra/agua (infrarrojo cercano), vegetacin (rojo e infrarrojo cercano). El brillo es uno de los principales criterios de interpretacin visual. Ahora bien, el nmero de intensidades de gris que podemos distinguir sobre la imagen est limitado por nuestra propia percepcin visual y el soporte fsico utilizado para visualizar (papel o pelcula). En consecuencia, la representacin fotogrfica de una imagen siempre supone una prdida considerable de la sensibilidad radiomtrica del sensor. De los 256 niveles de brillo o, si se prefiere, de tonos de gris que habitualmente facilitan los sensores espaciales (8 bits por pxel), la representacin visual de esos datos slo nos permite discriminar un nmero de niveles de gris mucho menor (64 en el mejor de los casos). Atendiendo slo a este criterio, por tanto, el anlisis visual sera menos preciso que el digital, ya que parte de lo que el sensor distingue nosotros no podemos diferenciarlo. Habitualmente en fotointerpretacin convencional las diferencias de brillo se observan en una sola banda, ya que la mayor parte son pancromticas. En el caso de las imgenes de satlite, la observacin del brillo se realiza simultneamente en varias bandas, lo que nos facilitar un reconocimiento ms certero de algunas cubiertas. 2.2. COLOR Varios autores han puesto de manifiesto que el ojo humano es ms sensible a las variaciones cromticas que a la intensidad luminosa (Barret y Curtis, 1999a). Si a esto aadimos el aumento de informacin que supone la mezcla de varias bandas del espectro, fcilmente se comprende que el color resulta un elemento bsico en la interpretacin visual de imgenes.
184
FlG. 5.5. Variacin del brillo en dos bandas en la imagen MadridOO: (1) Suelos descubiertos; (2) Vegetacin sana; (3) Agua, (4) reas urbanas. La imagen superior corresponde a la banda roja (ETM3) y la inferior al infrarrojo cercano (ETM4).
185
Como es bien sabido, el color que aprecian nuestros ojos es fruto de la reflectividad selectiva de los objetos a distintas longitudes de onda. Aquellas superficies con alta reflectividad en el azul, y baja en el resto, aparecen con ese color, mientras ofrecen un tinte rojo si absorben las longitudes cortas y reflejan las largas. Nuestro ojo slo percibe las longitudes de onda comprendidas entre 0,4 y 0,7 /m, separando la energa recibida en tres componentes de acuerdo a la sensibilidad espectral de nuestras clulas sensoras. Esos tres componentes son los denominados colores primarios: rojo, verde y azul (RVA), a partir de los cuales puede reconstruirse cualquier otro color del arco iris. Una impresin similar al color que nosotros percibimos puede obtenerse cuando combinamos las bandas espectrales RVA, aplicando a cada una de ellas los tres colores primarios, en ese mismo orden. Esa asignacin natural puede modificarse a voluntad del intrprete, asignado los colores primarios RVA a tres bandas espectrales cualquiera, en el orden que se estime ms oportuno (fig. 11 *). Obviamente, cuando no seleccione las bandas espectrales RVA, sino otras cualesquiera, el color resultante no ser con el que nosotros percibimos los objetos (lo que llamamos color natural), sino que los colores nos resultarn artificiales, de ah que suele denominarse a estas composiciones falso color. Esas composiciones coloreadas no se ajustan a los colores que aprecian nuestros sentidos, pero pueden ser como, de hecho, suele ocurrir ms interesantes desde el punto de vista de la interpretacin temtica de la imagen. Independientemente de las bandas que se incluyan en la composicin, conviene considerar algunos aspectos sobre el proceso que permite obtener esas composiciones en color. La mezcla de tres bandas espectrales en una composicin en color puede conseguirse de acuerdo a dos procesos, denominados aditivo y sustractivo. En el proceso aditivo, cualquier color se obtiene por suma de los tres colores elementales: azul, verde y rojo. La suma de dos colores primarios permite lograr un color complementario: azul + verde = cian; azul + rojo = magenta, y verde + rojo = amarillo, mientras los tres . suman el blanco (fig. 5.6a). Por el contrario, el proceso sustractivo se basa en la absorcin de la luz que ejercen los colores complementarios: el cian absorbe la luz roja, el magenta absorbe el verde y el amarillo el azul. Los tres en combinacin suponen, por tanto, el negro (fig. 5.6b).
a) ^---------------- - " b)
Blanco Magenta \/ Cian
FIG. 5.6.
Procesos de formacin del color: a) aditivo, b) sustractivo.
186
El proceso aditivo es el utilizado en los sistemas electrnicos de visualizacin, cuando la imagen se representa sobre un monitor. ste es el proceso habitual en un equipo de tratamiento digital de imgenes. Por su parte, el proceso sustractivo se emplea en la reproduccin mecnica del color, tpica de las artes grficas. Por tanto, cuando se pretenda imprimir una imagen resulta preciso aplicar a cada banda uno de los colores complementarios. Por ejemplo, para obtener una composicin en falso color debe aplicarse a las bandas del espectro IRC, R, V los colores complementarios amarillo, magenta y cian, respectivamente. Si, por el contrario, se requiere visualizar esa imagen sobre un monitor, el orden ser rojo, verde y azul, para las mismas bandas. Entre las mltiples combinaciones de color que se han empleado en anlisis visual, la ms destacada sin duda es la denominada infrarrojo color. Se obtiene desplazando hacia longitudes ms largas las bandas del espectro visible, sustituyendo la composicin de bandas R, V y A, por la correspondiente al IRC, R y V (fig. I2*a). Su profuso empleo se relaciona con la resolucin espectral de la mayor parte de los sensores espaciales. Desde el inicio de la serie Landsat se han venido distribuyendo imgenes con esta composicin en color, ya que el sensor MSS inclua informacin de estas bandas del espectro, as como otros sensores posteriores, como el SPOT-HRV o el IRS-LISS, exclusivamente hasta hace pocos aos, por lo que sigue siendo una composicin multibanda bastante comn. De cara a facilitar su interpretacin puede ser conveniente incluir una simple clave de color, con objeto de familiarizar al intrprete con este tipo de representaciones. Las tonalidades ms habituales en ella se corresponden con las siguientes cubiertas (Tindal, 1978): Rojo-magenta. Denota vegetacin vigorosa, como cultivos regados, prados de montaa o bosques de caducifolias en imgenes de verano, y cultivos herbceos de secano en imgenes de primavera. El estudio detallado de la intensidad y saturacin del rojo permite identificar diversas cubiertas vegetales, as como estimar su ciclo de crecimiento y vigor. Rosa. Muestra reas vegetales menos densas y/o vegetacin en temprano estado de crecimiento. Las reas suburbanas en torno a las grandes ciudades, con sus pequeos jardines y rboles diseminados, aparecen a veces en ese color. Blanco. reas de escasa o nula vegetacin pero de mxima reflectividad: nubes, arenas, depsitos salinos, canteras, suelos desnudos, nieve. Azul oscuro a negro. Superficies cubiertas total o parcialmente por agua: ros, canales, lagos, embalses. En zonas volcnicas, los tonos negros pueden asimismo identificar flujos de lava. Cr a azul metlico. Ciudades o reas pobladas, si bien puede asimismo tratarse de roquedo desnudo. Marrn. Vegetacin arbustiva, muy variable en funcin de la densidad y del tono del sustrato. Los tona ms oscuros indican presencia de materiales paleozoi cos (pizarras), mientras los matorrales calccolas, menos densos normalmente, ofre cen una coloracin ms clara. Beige-dorado. Identifica zonas de transicin: prados secos, frecuentemente asociados con el matorral ralo.
187
Cuando se comenzaron a adquirir imgenes del sensor TM se abri la posibilidad de disear nuevas composiciones, como la correspondiente al color natural (R, V, A), mientras sus nuevas bandas en el SWIR e IRT ampliaron notablemente las posibilidades de obtener composiciones en color. Con motivo de ello, varios autores han intentado establecer algn indicador, ms o menos objetivo, que ayude a seleccionar las bandas ms idneas para una composicin en color. Los criterios ms estudiados son los de tipo estadstico: anlisis de componentes principales, ndice ptimo de mxima variacin, y obtencin de los ejes del elipsoide de variacin (cap. 7, apdo. 5.2). En el terreno del anlisis visual, tambin se han efectuado algunos ensayos para identificar la composicin de color que ofrece una mejor discriminacin de cubiertas. Se parte de seleccionar intrpretes con distintos grados de experiencia, para cuantificar el nmero de cubiertas que discriminan adecuadamente en distintas composiciones de color (Benson y Degloria, 1984; Trolier y Philipson, 1986). En estos tests, y para el caso del Landsat-TM (o ETM+), las combinaciones ms puntuadas incluyen una banda del espectro visible, otra del infrarrojo cercano y otra del medio. El orden habitual es aplicar el color rojo al IRC, el verde al SWIR o al R, y el azul al R o V (fig. 12*). Estos resultados son muy similares a los obtenidos por otros autores mediante tcnicas estadsticas (Hord, 1986). A tenor de este resultado, el proyecto de cartografa de ocupacin del suelo de Espaa (dentro del programa europeo CORINE-Land Cover) seleccion la composicin TM 4/5/3 (IRC, SWIR, R) como base para la interpretacin visual de imgenes. Para objetivos parciales puede ser interesante considerar otro tipo de combinaciones coloreadas. A partir de imgenes TM se ha comprobado la eficacia de la composicin formada por las bandas 7/4/1, para detectar zonas quemadas, de la integrada por las bandas 7/4/3 para discriminacin de cultivos en regado o zonas encharcadas, y de la constituida por las bandas 7/3/1 para aplicaciones oceangraficas. Pese al inters de estas composiciones, sigue vigente el papel protagonista de la combinacin en infrarrojo color convencional (IRC, R, V). En la fig. 12* aparecen diversas composiciones coloreadas sobre la imagen (torrelOO), que permiten analizar el inters de considerar distintas bandas para interpretar unos u otros rasgos de la imagen. En trminos generales puede afirmarse que el color natural ofrece un escaso contraste, presentando tonos verde-oscuros para la vegetacin y pardos para las zonas urbanas y suelos descubiertos. La discriminacin de la cobertura vegetal es mucho ms evidente en el infrarrojo color convencional (IRC,R,V) y en el mejorado (IRC, SWIR, R). En ambos casos, la vegetacin ms vigorosa aparece en tonos de rojo, ya que a este can de color se asigna el IRC. En tonos marrnocre aparecen las reas cubiertas por perennifolios, dependiendo de la poca del ao en que est tomada la imagen. Asimismo, los pastizales pueden aparecer en tonos de rojo (en primavera) o en tonos verdosos, si se trata de imgenes de verano. En la combinacin IRC, SWIR, R, adems, resulta algo ms evidente el rea edificada, y contrasta mejor la vegetacin natural de la que acompaa a las reas residenciales. Cuando se cambia el orden de la asignacin de colores, lgicamente la leyenda de color antes comentada deja de tener sentido, ya que las tonalidades resultantes sern diferentes. Por ejemplo, si modificamos el infrarrojo color mejorado (IRC, SWIR, R), asignando el can de color verde al IRC y el R al SWIR, la vegetacin ms vigorosa aparece en tonos de verde, en lugar de en tonos de rojo. Este criterio es el empleado por el Instituto Geogrfico Nacional para publicar su serie de imgenes de toda Espaa,
188
sobre la base de facilitar al intrprete poco experimentado acostumbrado a ver la vegetacin en tonos de verde el anlisis de la imagen. En ocasiones se denomina esta composicin en color como seudo-color natural. 2.3. TEXTURA Esa variable hace referencia a la heterogeneidad espacial de una determinada cubierta, en definitiva al contraste espacial entre los elementos que la componen. Visualmente se manifiesta como la rugosidad o suavidad de los tonos de gris. Cuanto ms similares sean, la tonalidad ser ms homognea en el interior de la cubierta, y la textura ser ms lisa. Por el contrario, si existe una alta heterogeneidad en los niveles de gris de esa cubierta aparecer como muy rugosa, con textura grosera. La textura de una cubierta procede de la relacin entre el tamao de los objetos que la forman y la resolucin del sensor. Cuando un objeto ocupa una superficie inferior a 1 mm2 (en la resolucin de la imagen) no puede identificarse individualmente, sino slo a travs de la variabilidad espacial que provoca. En funcin del tamao de los objetos que forman una cubierta suelen distinguirse tres tipos de textura: 1. Textura grosera, cuando los objetos estn comprendidos entre 0,25 y 1 mm2 a la escala de la imagen. 2. Textura media, objetos comprendidos entre 0,04 y 0,25 mm2. 3. Textura fina, objetos inferiores a 0,04 mm2. En sentido estricto, adems del tamao de los objetos que forman una determinada cubierta, la textura con la que aparece en la imagen puede variar en funcin de diversos factores. Los ms importantes son el ngulo de observacin del sensor (una observacin ms aguda incrementa la rugosidad), las condiciones de iluminacin (a ngulos solares ms bajos el efecto de sombras es ms evidente), y la longitud de onda (una superficie lisa a longitudes largas puede aparecer como rugosa en cortas). Trabajando en el espectro visible e IRC, la rugosidad se modifica principalmente en funcin de las condiciones de iluminacin solar. Un bosque natural, por ejemplo, puede ofrecer una textura muy variada a lo largo del ao, dependiendo de la altura del sol sobre el horizonte y de su desarrollo estacional. En cualquier caso, el criterio de textura es muy importante para discriminar determinadas cubiertas que pueden ofrecer un comportamiento espectral uniforme. Por ejemplo, los frutales en regado y las caducifolias ofrecen una reflectividad muy similar, por cuanto, en muchas ocasiones, presentan grandes afinidades fisiolgicas. De esta forma, el criterio de textura puede ser el nico viable para distinguirlas. Los frutales ofrecen un marco de plantacin regular lo que implica menor variedad espacial en la cubierta, mientras los rboles de hoja caduca aparecen con un desarrollo mucho ms heterogneo. En consecuencia, los frutales presentan una textura ms fina, facilitando al intrprete la separacin frente a especies forestales naturales (Gordon y Philipson, 1986). La figura 5.7 recoge un ejemplo de la aplicacin del criterio de textura. Incluye un fragmento de la imagen (Alcala87), adquirida por la cmara rusa KVR-1000, correspondiente a los mrgenes del ro Henares. Tanto los cultivos de regado (A) como
189
FlG. 5.7.
Fragmento de la imagen Alcal87 sobre los mrgenes del ro Henares.
los rboles de ribera (B) ofrecen los mismos tonos, lo que permite diferenciarlos claramente de los suelos agrcolas ya cosechados (C), que ofrecen una tonalidad mucho ms clara. Sin embargo, para distinguir entre A y B resulta preciso acudir a otros criterios, y en concreto a la textura espacial, ya que los cultivos son mucho ms homogneos espacialmente, ofreciendo por tanto una textura ms lisa. Con imgenes de menor resolucin, como la pancromtica ETM+ que aparece en la figura 5.8, la textura puede facilitarnos la discriminacin de las reas urbanas (A, B) frente a los espacios agrcolas (C), que siempre tendrn una textura ms lisa. Entre los sectores urbanos, la textura puede permitir diferenciar los barrios donde son dominantes las viviendas unifamiliares y el parcelario minucioso (A), tpico de las reas de nueva residencia y los cascos histricos, frente a los polgonos de bloques ms grandes de viviendas (B), normalmente asociados a barrios perifricos. 2.4. -CONTEXTO ESPACIAL Por situacin o contexto espacial se quiere indicar la localizacin de las cubiertas de inters en relacin con elementos vecinos de la imagen. Un buen ejemplo del empleo de este criterio de interpretacin hace referencia, de nuevo, al mundo urbano. Un jardn situado en el interior de la ciudad y formado por es-
190
FlG. 5.8.
Sector del centro urbano de Alcal sobre una imagen pancromtica ETM+. (Alcal99.)
pecies de hoja caduca tiende a presentar un tono, un color y una textura muy similares a los que puede ofrecer un bosque natural de caducifolios. La confusin se debe a que ambas cubiertas estn formadas por las mismas o similares especies, incluso con densidades y heterogeneidad (textura) muy parejas. En esa situacin, no cabe ms criterio para separarlas que ponerlas en relacin con el entorno geogrfico: aquellas que aparezcan en el interior de una superficie edificada, ms o menos densa, pueden considerarse como parques urbanos, mientras las que se siten en un contexto de vegetacin natural sern asignadas a la categora bosques. En similares trminos cabe expresarse en lo que se refiere a la separacin entre rboles de ribera y otras especies caducifolias, ya que las primeras como su nombre indica se asocian con cursos fluviales. En la figura 5.9 aparece un ejemplo en donde resulta especialmente evidente el criterio del contexto espacial. Se trata de dos sectores correspondientes a cubiertas herbceas sometidas a riego, por lo que ofrecen tonos claros en el infrarrojo cercano. Aunque las especies son similares y el tratamiento que se aplica tambin (ambas son regadas), su sentido temtico es muy distinto, ya que una imagen alberga unos campos de golf en el noroeste de la ciudad de Madrid, y otra unos cultivos forrajeros prximos al ro Jarama. Ambas cuentan con similares caractersticas espectrales, pero su emplazamiento (adems de la forma y patrn espacial) permite discriminarlas con fidelidad. Estas distinciones, tan importantes desde el punto de vista de la cartografa temtica, son ms fcilmente abordables mediante interpretacin visual, puesto que la clasificacin digital no considera en s el contexto geogrfico, al ser muy complejo de definir en trminos numricos. No obstante, en posteriores captulos veremos algunas posibilidades en este sentido (cap. 7.4).
191
Fie. 5.9. El criterio de contexto espacial permite distinguir entre campos de golf (izquierda) y cultivos bajo riego (derecha), al estar los primeros prximos a una zona urbana y los segundos a un sector agrcola.
2.5. SOMBRAS La variacin de las condiciones de iluminacin en una cubierta introduce una notable variedad en su firma espectral caracterstica, de tal forma que una misma cubierta puede ofrece valores de reflectividad bastante contrastados segn se site en una vertiente iluminada directamente por el sol, o en umbra. Este aspecto conviene tenerlo en cuenta, de cara a evitar sealar fronteras entre coberturas all donde slo hay cambios en las condiciones de iluminacin. Ya veremos, ms adelante, algunos criterios para corregir este efecto de cara a la clasificacin de las imgenes (cap. 6, apdo. 6.2.3). Ahora bien, en el campo del anlisis visual, la sombra producida por la iluminacin que recibe un determinado objeto resulta, en muchas ocasiones, un criterio clave para detectarlo o identificarlo, ya que nos proporciona una idea de su altura y profundidad. Adems, permite realzar la interpretacin de los rasgos geomorfolgicos y de la textura de la imagen, especialmente en zonas forestales. Asimismo, nos permite calcular la altura de edificios, siempre que conozcamos los ngulos solares en el momento de adquirir la imagen. Basta para ello aplicar una sencilla relacin trigonomtrica (fig. 5.10): h= Is tanfl [5.1]
donde,/? es la altura del edificio, Is la longitud de la sombra y 0 el ngulo cenital solar (alternativamente, puede multiplicarse Is por la tangente del ngulo de elevacin). El mtodo ser ms apropiado para edificios exentos, ya que en zonas urbanas densas puede resultar complicado delimitar la sombra de un edificio singular de la procedente de otros inmuebles. La figura 5.11 recoge un ejemplo de la aplicacin de este criterio, para algunos
192
FlG. 5.10.
Esquema para el clculo de altura de edificios a partir de las sombras.
FIG. 5.11.
Ejemplo de estimacin de alturas en la ciudad de Alcal. Las letras denotan distintas tipologas de edificios. (Imagen Alcal87.)
193
FlG. 5.12. Ejemplo de identificacin de cubiertas a partir del patrn espacial: a.) fbricas en imgenes KVR-1000; b) campo de golf, y c) aeropuerto (ambas en imgenes TM); d) estructuras ocenicas. (Imagen ERS.)
barrios perifricos de Alcal de Henares. La imagen corresponde a la misma adquisicin de la cmara KVR-1000 antes comentada. Su magnfica resolucin permite calcular con bastante nitidez la longitud de las sombras, estimndose las alturas para las distintas tipologas de edificios en A ~ 35 m; B ~ 25 m; C ~ 6 m, y D ~ 8 m. 2.6. PATRN ESPACIAL Este concepto indica una organizacin peculiar de los objetos que forman una determinada cubierta. Este criterio se emplea mucho en fotografa area (por ejemplo, para distinguir un olivar en plantacin regular de una dehesa). En imgenes de sa-* tlite ha estado bastante limitado como consecuencia de la baja resolucin de la mayor parte de los sensores disponibles hasta hace unos aos. Con el mayor empleo de los equipos de alta resolucin ganar un mayor protagonismo en el futuro. No obstante, an sobre imgenes Landsat-ETM+, por ejemplo, puede permitirnos identificar algunas cubiertas artificiales, como seran las plantaciones forestales (que pueden presen-' tar en la imagen una alternancia de caminos/vegetacin bastante particular), o los campos de golf, que ofrecen en el infrarrojo cercano una peculiar alternancia de sectores de alta reflectividad (las calles y greens) y media (la vegetacin original del entorno: fig. 5.12). Similar criterio puede emplearse para identificar tipos de cobertura del suelo, estructuras geolgicas o marinas. 2.7. FORMA - TAMAO La forma de un determinado objeto es una clave determinante para identificarlo, ya que su contorno nos permite asimilarlo a alguno de los patrones que nos resultan familiares. Al igual que en otros criterios visuales, la forma resulta ms determinante en imgenes de alta resolucin espacial, ya que permite reconocer el perfil especfico de muchos ms objetos, limitndose slo a los de gran tamao en las imgenes de resolucin media. A partir de la forma, por ejemplo, podemos determinar la presencia de
194
FlG. 5.13. Reconocimiento de formas a partir de imgenes espaciales: a) campos de deporte; b) fbricas; c) plaza de Toros; d) puerto; e) tanques de combustible; f) aviones.
ciertos elementos urbanos: instalaciones deportivas, centros comerciales, aeropuertos o fbricas (fig. 5.13). Tambin facilita la discriminacin entre carreteras y lnea de ferrocarril (de trazado menos sinuoso), o de los ros frente a los canales artificiales, que ofrecern un aspecto ms geomtrico. Tambin permite reconocer estructuras geolgicas bien definidas: volcanes, domos o lincamientos, as como algunas perturbaciones meteorolgicas (ciclones tropicales, por ejemplo: fig. 5.14). En caso de posible duda a partir de la forma, el tamao complementa bastante la identificacin de una cubierta. Por ejemplo, la forma de un campo de tenis y de ftbol es similar, pero no su tamao. El empleo de este criterio viene marcado por la resolucin espacial de las imgenes. En aquellas de mayor resolucin pueden identificarse objetos particulares (edificios singulares), mientras en las de menor detalle slo pueden sealarse rangos de tamao para ciertos tipos de superficie (embalses, reas inundadas). A consecuencia de esa peor resolucin, en ocasiones no podremos identificar la forma de un objeto determinado, pero s de una agrupacin de objetos, sirviendo a la postre para identificar un tipo de cubierta. Por ejemplo, un pinar de repoblacin aparecer con un permetro ms geomtrico que un pinar natural (o fruto de una repoblacin ya muy consolidada y transformada).
195
FlG. 5.14. Empleo de la variable forma sobre grandes tamaos: a.) relieve apalachiense sobre una imagen MSS; b) cicln tropical en una imagen A VHRR.
2.8. VISIN ESTEREOSCPICA Resulta fundamental para el reconocimiento geomorfolgico y de cubiertas del suelo, pues aporta una visin tridimensional del espacio observado. Como ya hemos sealado, la mayor parte de los sensores espaciales todava no poseen esta capacidad. Excepcin a esta norma son las imgenes adquiridas por sensores fotogrficos y por el satlite SPOT, como ya vimos en el captulo 3. En el resto, slo puede obtenerse visin estereoscpica en las zonas de solape entre rbitas, restringiendo este criterio a una estrecha banda lateral del conjunto de la escena. Probablemente, la lista se ample en un futuro inmediato si pasa a un plano central la elaboracin de cartografa bsica a partir de sensores espaciales, si bien ya existen tcnicas alternativas a la estereoscopia para generar informacin sobre alturas (ldar de distancias, interferometra radar). 2.9. PERODO DE ADQUISICIN La mayor parte de los especialistas estn de acuerdo en que la observacin sistemtica de la superficie terrestre es una de las principales ventajas de la teledeteccin desde el espacio. Las caractersticas orbitales de un satlite permiten que las imgenes sean adquiridas peridicamente y en condicione's similares de observacin, facilitndose as cualquier estudio que requiera una dimensin temporal. Hasta el momento presente, este anlisis multi-temporal se ha abordado con una doble orientacin (fig. 5.15):2
2. Ms tarde tendremos ocasin de profundizar en estos enfoques, dentro del captulo dedicado a tcnicas de deteccin de cambios (cap. 7, apdo. 3).
196
Anlisis multi-estacional
Anlisis multi-anual
FlG. 5.15.
Dimensiones temporales en la interpretacin de imgenes.
1. Por un lado, con objeto de detectar cambios entre dos fechas de referencia, deduciendo de ah la dinmica del medio natural o las repercusiones de la accin hu mana sobre ese medio, y planeando, en consecuencia, las medidas adecuadas para evi tar su deterioro o asegurar su mejor conservacin. Este enfoque podra denominarse multi-anual, por cuanto se utiliza el factor tiempo para seguir la evolucin de una zona en un perodo relativamente dilatado. 2. Por otro lado, podramos hablar de un enfoque multi-estacional, en donde la dimensin tiempo se utilizara para perfeccionar la interpretacin de la imagen, gracias a incorporar informacin sobre el ciclo estacional de las cubiertas vegetales. Este enfoque resulta de gran utilidad para discriminar tipos de cultivos y especies forestales. Previa mente, el intrprete debe conocer bien el calendario estacional de estas especies, con ob jeto de seleccionar los perodos ms apropiados para discriminarlas, frente a otras que pueden presentar un comportamiento espectral similar en algunos momentos del ao. Algo similar ocurre cuando slo estamos trabajando con una imagen: la fecha elegida debe ser la ms idnea para conseguir separar la cubierta de inters. Por ejemplo, una cartografa de regados requiere trabajar con imgenes de la estacin seca, mientras un estudio geomorfologico tender a enfatizar las imgenes de invierno, en donde son ms evidentes los lincamientos estructurales por el efecto de sombras. Independientemente del tipo de enfoque que pretenda seguirse, cualquier estudio multi-temporal implica una labor previa de correccin, con objeto de combinar adecuadamente las dos o ms imgenes que van a intervenir en el anlisis. Conviene tener en cuenta que los brillos-color-textura estn en relacin con las condiciones medioambientales y de adquisicin, por lo que no han de considerarse en sentido absoluto; esto es, resulta recomendable aplicar esos criterios a la discriminacin de cubiertas en cada imagen y no al conjunto de las diferentes fechas que intervengan en el proyecto. Con estas salvedades, el factor multi-temporal representa un criterio de identifi-
197
cacin muy importante en anlisis visual, tanto en enfoques multi-anuales (Crapper y Hynson, 1983; Eyton, 1983; Renz, 1985), como multi-estacionales (Bronsveid y Luderus, 1982; Chuvieco, 1986; Chuvieco y Martnez Vega, 1990; Hilwig, 1980). Algunos estudios multi-temporales se han basado en tcnicas de composicin de color para realzar cambios entre dos fechas de referencia. ste es el caso de un trabajo dirigido a detectar espacios forestales sometidos a plagas de defoliacin en Canad, en donde se aplic cada uno de los tres colores elementales a las bandas IRC y R de las dos fechas de referencia (Hall et al., 1984). 3. Elementos de anlisis visual Tras el repaso de los criterios sobre los que se basa la interpretacin visual de imgenes nos centramos en una serie de elementos a considerar para cualquier trabajo prctico a partir de este tipo de informacin. 3.1. CARACTERSTICAS GEOMTRICAS DE UNA IMAGEN ESPACIAL Aunque una imagen adquirida desde el espacio presenta menos errores geomtricos que una fotografa area, como consecuencia de la mayor estabilidad y altura de vuelo de la plataforma, esto no quiere decir que est libre de distorsiones, por lo que no puede superponerse directamente sobre la cartografa bsica. Ms adelante trataremos de los procesos que se aplican a la correccin de estos errores geomtricos. Basta aqu apuntar que ese desajuste est originado por tres factores: 1) por errores, propiamente dichos, en la adquisicin de la imagen; 2) por la diferencia entre las proyecciones de la imagen y el mapa (la primera cnica, y la segunda normalmente cilindrica), y 3) pot la propia deformacin que cualquier mapa implica de la superficie terrestre. Una vez resueltos estos problemas, la imagen de satlite puede servir para actualizar aspectos planimtricos de la cartografa, sobre todo a escalas pequeas y medias, dependiendo de la resolucin espacial del sensor que se utilice. Existen abundantes ex.periencias en este sentido (Martnez Vega, 1996), no slo en reas de difcil acceso con mtodos convencionales (Arbiol et al, 1994), sino tambin en pases con buena cobertura cartogrfica (Arozarena et al, 1989). 3.2. EFECTO DE LA RESOLUCIN ESPACIAL EN EL ANLISIS VISUAL Antes se indic que la resolucin espacial hfce referencia al tamao de la mnima unidad discriminable sobre la imagen. Este concepto, en anlisis visual, se relaciona tantocon el tamao del pxel, como con la escala a la cual se representa la imagen. a resolucin espacial tiene una repercusin importante sobre la interpretabilidad de la escena. De entrada, como hemos visto, aquellos elementos por debajo del tamao del pxel no sern identificables en la imagen, lo que supone un elemento fundamental en la seleccin del sensor ms conveniente para cada objetivo. Adems, cuanto mayor sea la resolucin, mejor podr definirse un pxel, ya que ser ms susceptible de
198
FIG. 5.16. Efectos de la resolucin espacial sobre la interpretacin de imgenes: el mismo sector de la ciudad de Alcal se recoge por una imagen Landsat-ETM+ (Banda 3:30 m), su canal paneromtico (15 m) y una imagen KVR-1000 (2 m).
albergar una sola cubierta. Por el contrario, si el tamao del pxel es grande, la seal detectada resulta frecuentemente de varios tipos de cubierta, haciendo mucho ms compleja su interpretacin. El efecto de la resolucin espacial sobre la calidad final de la imagen se pone de manifiesto en el anlisis de la figura 5.16. Incluye tres imgenes adquiridas por los sensores ETM+ (multiespectral y pancromtico) y la cmara KVR-1000 sobre un pequeo sector de la ciudad de Alcal. Resulta evidente el deterioro de la identificacin de los edificios y sus sombras en las imgenes de menor resolucin. La figura 5.17 incluye dos imgenes TM y MSS sobre el entorno urbano de Madrid. En ellas puede comprobarse el efecto de la resolucin espacial sobre la interpretacin de imgenes, en este caso a escala ms regional. Se sugiere realizar unos transparentes sobre la red hidrogrfica, autovas nacionales, estructura urbana, aeropuertos (Barajas, Cuatro Vientos), y grandes objetos de referencia: parques y jardines, Mercamadrid, hipdromo, Palacio Real, etc. Todos estos elementos son claramente identificables sobre la imagen TM y muy complejos sobre la obtenida por el MSS, pues todos ellos estn influidos por la diferente resolucin espacial que brindan estos sensores (30 y 80 m, respectivamente). 3.3. EFECTO DE LA RESOLUCIN ESPECTRAL EN EL ANLISIS VISUAL El carcter multi-espectral de las imgenes espaciales resulta bsico para su interpretacin. La posibilidad de observar un fenmeno en diversas bandas del espectro ampla notablemente nuestra capacidad de reconocerlo. Como vimos en el captulo 2, cada cubierta ofrece un comportamiento espectral tipo, en funcin de las caractersticas de sus componentes, que denominamos firma espectral. All se indicaba que ese comportamiento tipo se modifica por una serie de factores externos al sistema cubierta-sensor, establecindose una cierta variabilidad espectral en torno a ese comportamiento genrico. En cualquier caso, el conocimiento de esos rasgos espectrales resulta muy interesante para proceder a una interpretacin ms razonada de la imagen. Un intrprete
199
FlG. 5.17.
Imgenes TM y MSS sobre la ciudad de Madrid.

t
puede acostumbrarse a observar las masas vegetales con tonos oscuros en las bandas visibles y claros en el IRC, sin considerar los factores que inciden en ese fenmeno. No ca>e duda que si stos se tienen presentes en la interpretacin de la imagen, resulta ms fcil adaptarlos a zonas o categoras peor conocidas, convirtiendo la teledeteccin en una tcnica aplicable a contextos ms amplios. No quiere esto decir que los tonos de gris de las distintas bandas sean una traduccin estricta de las curvas de reflectividad previamente analizadas. Son, ms bien, una representacin visual de los valores numricos almacenados por el sensor conse-
202
Fie. 5.19c-.
203
Fie. 5.19c-/.
204
Una vez completado el grfico ser posible responder a las siguientes preguntas: es posible distinguir entre perennifolias y caducifolias considerando la fecha del ao en que est tomada la imagen?, en qu bandas?, qu base fsica tiene esa distincin?, qu banda es ms idnea para cartografiar los cultivos de secano frente al agua?, por qu?, se mantendra en otra fecha del ao esa separacin, por ejemplo en verano? Qu banda indica mejor las redes de transporte? 3.4. INTERPRETACIN DE COMPOSICIONES EN COLOR A partir de este ejercicio y de la teora del color previamente comentada resultar ms sencillo interpretar combinaciones multi-banda. Basta tener en cuenta que el proceso aditivo implica que los pxeles tendrn tanto mayor intensidad de un determinado color cuanto ms blancos aparezcan en la banda a la que se aplique ese color. Si optamos, por ejemplo, por una composicin en falso color (IRC, R, V), un pxel aparecer rojo cuanto mayor intensidad presente en el IRC y menor en las dos restantes. ste es el caso de las zonas cubiertas por vegetacin vigorosa, que ofrecen un tono claro en el IRC, oscuro en el R y medio en el V, por lo que tienden a teirse con un color rojo o rojo-magenta. Por el contrario, una lmina de agua, que aparece oscura en la banda espectral V y negra en las restantes, tender a mostrar un azul oscuro, ya que cuenta con un dbil componente de azul y casi nulo de verde y rojo. Siguiendo este razonamiento, el lector puede contestar a las siguientes preguntas: en qu color aparecern las coniferas?, y las zonas urbanas?, qu combinacin de color se requiere para que la vegetacin aparezca en verde? En esa nueva combinacin, cmo apareceran las zonas urbanas, el agua y las coniferas?, qu asignacin de colores complementarios se requerira para lograr las mismas tonalidades? En el CD-ROM adjunto a esta obra se incluyen algunas composiciones en color para la imagen TorrelOO, que servirn al lector para verificar las hiptesis que haya planteado en el prrafo anterior. A partir de esas imgenes, o de las series cartogrficas que distribuyen varias agencias cartogrficas nacionales, pueden realizarse una serie de ejercicios de interpretacin de la imagen. Por ejemplo, los siguientes: 1. Identificar tono y textura de las siguientes cubiertas: cultivos herbceos de secano, cultivos leosos de secano, cultivos de regado (dependiendo de la fecha), pe rennifolias, caducifolias, reas residenciales, zonas urbanas densas, agua. 2. Con ayuda de un transparente, recorrer cada una de las carreteras principales de la imagen. Anotar qu tipo de coberturas atraviesan desde un determinado ncleo urbano. 3. Delimitar los sectores urbanos de la imagen. Distinguir entre ncleos urba nos densos y reas residenciales exentas. Ponerlas en relacin con la vegetacin prxi ma, tipos de relieve y accesibilidad. Cul de estos factores es dominante? 4. Puede establecerse una gradacin de tipos de vegetacin en funcin de la al titud? qu tipo de especies aparecen en: pie de monte, escaln inferior, escaln supe rior, cumbre. Pueden detectarse estas gradaciones sobre la imagen?, por qu?
205
3.5. EJERCICIOS DE ANLISIS MULTI-TEMPORAL Ya hemos comentado que el factor temporal puede abordarse con un doble objetivo: por un lado, reconstruir la variacin estacional de la zona; por otro, la deteccin de cambios. El primer aspecto supone utilizar la dimensin temporal para mejorar la interpretacin de la imagen, al aportar un valioso informe sobre el desarrollo fenologico de las especies vegetales. El inters de utilizar este criterio puede orientarse a distintas aplicaciones: seguimiento de las condiciones del cultivo o el estado de los embalses podran ser dos claros ejemplos. Por ejemplo, la figura 5.20 recoge cuatro imgenes MSS
FIG. 5.20. Imgenes de varas estaciones tomadas sobre las cercanas del embalse del Rosarito, en Cceres: enero; mayo; julio y octubre de 1981. (Banda IRC.)
206
tomadas en distintos meses del ao, que permiten seguir la evolucin estacional de la lmina de agua en el embalse de Rosarito. Al tratarse de una represa de rgimen pluvio-nival, el mnimo anual se retrasa considerablemente respecto al centro del verano, observndose un nivel bastante alto en el mes de julio. La figura 5.21 permite realizar una observacin ms amplia de esta variedad estacional, al incluir dos imgenes tomadas en primavera y en verano sobre el rea de Torrelaguna. Permite determinar algunos rasgos de la evolucin estacional de la vegetacin natural, como el contraste entre perennifolios (A) y caduficolios (B), bien obvio en la imagen de verano, pero no tanto en la de primavera; la senescencia de los pastizales (C), con menor brillo en la imagen de verano a consecuencia de su marchitez; los cultivos de secano (D), que aparecen roturados en la imagen de verano, frente a los de regado (E), que no se observan en la primera fecha. Tambin aparecen dos nubes, con sus respectivas sombras, en la imagen de verano (F), y es evidente la reduccin de la lmina de agua en algunos embalses (G). El segundo enfoque del anlisis multi-temporal se dirige a detectar cambios entre dos o ms fechas alejadas en el tiempo, estudiando el dinamismo temporal de una determinada zona: crecimiento urbano, transformaciones agrcolas, obras de infraestructura, etc. Tambin nos permite evaluar la superficie afectada por fenmenos efmeros, como es el caso de inundaciones o erupciones volcnicas, as como seguir la evolucin de sus efectos. Como muestra de las posibilidades de este enfoque del anlisis multi-temporal se presenta la figura 5.22, que incluye dos imgenes adquiridas por el sensor TM, con ocho aos de diferencia (1984 y 1992), y otra ms reciente, del ETM (ao 2000). La resolucin espacial y espectral de las imgenes es la misma, por lo que podemos emplear esta informacin para delimitar los principales cambios producidos en el rea metropolitana de Madrid entre las tres fechas de referencia. Los cambios ms evidentes son la construccin de la M-40 e inicio de la M-45, autovas de circunvalacin exterior de la ciudad, la apertura del recinto ferial de Madrid, situado entre la M-40 y el aeropuerto de Barajas, la ampliacin del mismo aeropuerto, con la tercera pista, y el inicio de mltiples promociones residenciales (ver elementos de situacin en la fig. 5.23). En la imagen de 1992, la M-40 se observa con un brillo oscuro en el tramo comprendido entre la N-IV y la N-I, al este de Madrid, mientras aparece en tono claro hacia el oeste, ya que en esa fecha este tramo an no se encontraba pavimentado. En 2000 ya aparece de color oscuro en todo su trazado, al estar completamente pavimentada; en cambio aparecen en tono claro la M-45 y un tramo del AVE Madrid-Barcelona, en obras. Como grandes construcciones, destaca el recinto ferial de Madrid, donde se distinguen ntidamente los pabellones de exposicin (por su gran tamao y tono pueden discriminarse de las construcciones vecinas) y el estanque artificial del parque Juan Carlos I, as como los nuevos terminales del aeropuerto de Barajas (slo e'n la imagen de 2000). Tambin se delimitan perfectamente las nuevas reas residenciales en torno a la M-40, con mayor intensidad en la ltima imagen, ya que se ha producido un notable desarrollo urbanstico de f ciudad en la ltima dcada.
207
D
FIG.'5.21. Imgenes de primavera (superior) y verano (inferior) del rea de Torrelaguna. (Banda IRC.)
FlG. 5.22.
Deteccin de cambios por anlisis visual: imgenes TM y ETM adquiridas en 1984, 1992 y 2000 sobre la ciudad de Madrid. (Banda IRC.)
209
FIG. 5.23.
Croquis de situacin de la ciudad de Madrid, con rasgos incluidos en la figura anterior.
4. Algunos ejemplos de anlisis visual
Esta obra no se ha concebido para comentar las mltiples aplicaciones de la teledeteccin, sino slo para presentar sus fundamentos. Pese a ello, presentamos algunos ejemplos de anlisis visual, a modo de ejercicios, para que el lector compruebe las posibilidades de este tipo de interpretacin. 4.1. CARTOGRAFA GEOLGICA A partir de imgenes espaciales pueden detectarse rasgos geolgicos de gran radio de cobertura. Un buen ejemplo sera el descubrimiento del abombamiento transversal del bloque meseteo, determinado por Alia y colaboradores a partir del anlisis visual de las primeras imgenes Landsat disponibles en nuestro pas (Alia et al., 1976). Junto a estos fenmenos de conjunto, merecen destacarse otros aspectos ms parciales, como son la cartografa de lineamientos, el estudio de erupciones volcnicas, la localizacin de acuferos o de yacimientos minerales, y el seguimiento de la dinmica fluvial. -De estos aspectos, la cartografa de alineaciones ha sido el ms profusamente empleado en anlisis visual. Por alineacin o lineamiento se entiende cualquier rasgo lineal, simple o compuesto, de una superficie, que difiere claramente de los rasgos adyacentes y previsiblemente refleja fenmenos del subsuelo (Moore y Waltz, 1983). Estos rasgos pueden reconocerse visualmente, a partir de la imagen original o, mejor an, tras aplicarle alguna tcnica de realce. Una vez reconocidos, pueden realizarse
210
TELEDETECC1ON AMBIENTAL
FlG. 5.24.
Imagen MSS de la regin central espaola adquirida en enero de 1981. (Banda IRC.)
grficos de frecuencia, indicando las direcciones dominantes, lo que nos permite ponerlos en relacin con la estructura geolgica de la zona. Tomemos, como ejemplo, la imagen MSS que incluye la figura 5.24, correspondiente a un amplio sector del centro de Espaa. Con ayuda de un transparente, a partir de ella pueden dibujarse todos los lincamientos reconocibles sobre la imagen (fig. 5.25). Las direcciones dominantes estn claramente relacionadas con la tectnica general de la zona.3 Este ejercicio pasa por reflexionar, en primer lugar, sobre la estacin y banda espectral ms idnea para este tipo de cartografa. Respecto a la banda del espectro ms conveniente para esta aplicacin, se recomienda utilizar la correspondiente al IRC (banda 7 en el sensor MSS), pues los lincamientos suelen asociarse con concentraciones de humedad, ntidamente visibles en esta regin del espectro. Similares trabajos se han planteado por otros autores, tanto sobre imgenes Landsat (Short, 1982, pp. 1J8-131; Alia et al., 1976), como sobre imgenes radar (Calvet y Pascual, 1987; WoWi, 1983).
3. Puede consultarse como referencia el Mapa Geolgico Nacional a escala 1:1.000.000, as como la serie geolgica de mayor escala (1:200.000 y 1:50.000). Entre la bibliografa de referencia, basta acudir a Tern, Sol y otros: Geografa General de Espaa, Ariel, Barcelona (varias ediciones).
211
4.2. COBERTURA DEL SUELO Este trmino engloba un amplio rango de aplicaciones. Por cobertura del suelo entendemos el tipo de ocupacin existente sobre l, ya sea sta vegetacin natural, cultivos agrcolas o espacios urbanos. Este tipo de cartografa resulta bsica en la planificacin del territorio, ya que es preciso conocer la dedicacin actual del terreno para proponer cualquier mejora. Con las ideas vistas en el captulo 4, conviene organizar una leyenda coherente, a la zona y al propsito del estudio, que gue los trabajos de interpretacin visual. Con estas ideas, el lector interesado puede ensayar una cartografa de la ocupacin del suelo a partir de las imgenes en falso color que aparecen en el CD-ROM. Con ayuda de unos transparentes, se tratar de ir delimitando manchas de color homogneas, que luego pueden identificarse sobre cartografa de apoyo, fotografa area o trabajos de campo. Sera recomendable, al menos, discriminar las siguientes categoras: perennifolios, caducifolios, matorral, pastizales, zona urbana densa, zona residencial exenta, cultivos de secano, suelos y lminas de agua. El anlisis visual se ha empleado en numerosos trabajos referidos a la cobertura del suelo. Las reas ms desarrolladas han sido la cartografa de especies forestales (Marx y Hildebrandt, 1978; Morain y Klankamsorn, 1978; Sadar et al., 1982), la estra-
FlG. 5.25.
Croquis de lincamientos realizado a partir de la interpretacin visual de lafig. 5.24.
212
tificacin fisiogrfica (Astaras, 1984; Hilwig, 1980; Nikolaus, 1988), y propiamente la cartografa de ocupacin del suelo (Chicharro, 1978; Chicharro y Martnez, 1992; Chuvieco y Martnez Vega, 1990; Harnapp, 1978). Por su alcance europeo, merece especial atencin en este sentido la cartografa de ocupacin del suelo de los pases miembros de la Unin Europea a escala 1:100.000 (proyecto CORINE-Land Cover), realizada a partir del anlisis visual de imgenes Landsat y SPOT (European Commission, 1993; Lpez Vizoso, 1989a). Un ejemplo de la variedad de criterios visuales que incluye la discriminacin de las cubiertas del suelo puede seguirse en un trabajo de este tipo desarrollado sobre la zona centro (Chuvieco y Martnez Vega, 1990). Para este caso se emplearon en la interpretacin los siguientes elementos: brillo, color, textura, emplazamiento y alternancia estacional. El trabajo pretenda realizar una cartografa de la cobertura del suelo a escala 1:250.000 sobre dos imgenes TM, de mayo y agosto. En el ensayo cartogrfico se delimitaron catorce categoras: espacios urbanos densos, reas residenciales, parques urbanos, herbceos de secano, olivar-viedo, cultivos de regado, suelos no cultivados, bosques de caducifolias y de perennifolias, praderas, pastos y matorrales, superficie improductiva y agua. Algunas de estas categoras fueron claramente discriminables a partir de su coloracin en la imagen de agosto, utilizada como referencia. Se trataba del agua, bosques de perennifolios y matorral. Otras se delinearon tras comparar esta imagen con la de mayo: suelos no cultivados, zona urbana densa, praderas, olivar-viedo. El resto exigieron una conjuncin de diversos criterios. Estas categoras problemticas fueron: caducifolios, cultivos regados, urbanizaciones residenciales y parques urbanos. En este punto se puso en evidencia el inters de contar con otros criterios visuales de identificacin (fig. 5.26). La textura permiti aislar las reas residenciales, mucho ms heterogneas que el resto de las arriba indicadas. El contexto espacial permiti separar los parques urbanos, claramente identificables por su situacin. Por ltimo, la dimensin estacional facilit la discriminacin de los cultivos regados frente a los caducifolios, ya presentes en el suelo en la imagen de mayo. 4.3. MORFOLOGA URBANA Teniendo en cuenta la gran complejidad espacial del fenmeno urbano, en donde conviven actividades muy variadas sobre un reducido espacio, la aplicacin de la teledeteccin espacial a estos mbitos es reciente y an limitada, si bien se ha visto notablemente beneficiada por la puesta en rbita de los sensores de alta resolucin espacial. Hasta la puesta en rbita de estos equipos los estudios urbanos con teledeteccin se centraron sobre reas remotas, en donde la cartografa disponible es inadecuada. Trabajos de este tipo son los emprendidos sobre Nigeria (Adeniyi, 1987; Olorunfemi, 1987) o China (Lo y Welchvl977). Incluso en pases ms desarrollados, la cartografa de zonas urbanas ofrece importantes problemas de actualizacin, debido al dinamismo que normalmente presentan. La cobertura temporal de las imgenes espaciales estimula su empleo en tareas de actualizacin, ya sea de los lmites censales (Dietrich y Lachowski, 1978), ya del espacio edificado (Crter y Stow, 1979; Herrera, 2001; Jensen etal., 1983; Molina y Chuvieco, 1997). Las aplicaciones futuras sern mucho ms am-
213
No vigor en mayo Regado *
FlG. 5.26. Un ejemplo de clave jerrquica para organizar criterios visuales en la interpretacin de imgenes. (Tomado de Chuvieco y Martnez, 1990.)
biciosas, al contar con la resolucin adecuada a este tipo de estudios (Bauer y Steinnocher, 2001; Hazel, 2001; Schiewe et al, 2001; Smits y Annoni, 1999). El anlisis de la imagen para inferir rasgos de la morfologa urbana requiere utilizar criterios mixtos, integrando brillo, color, textura y emplazamiento. A partir del primero puede deducirse la densidad de edificacin, por cuanto aquellas zonas que alberguen menor influencia del trazado viario ofrecern un brillo ms oscuro. Asimismo, el color indica si la zona cuenta o no con espacios verdes, bien sea continuos (manchas uniformes), bien discontinuos (en tinte rojo salpicado en medio de los azules propios de la edificacin en caso de tratarse de una composicin en falso color convencional). En cuanto a la textura, indica el grado de mezcolanza propio de un determinado sector. A partir de estos dos criterios puede ensayarse una delimitacin de sectores morfolgicos dentro de una zona urbana (Casas y Chuvieco, 1987). Ejercicios didcticos de este tipo se han planteado por varios autores (Chicharro y Martnez, 1992; Chuvieco y Sancho,.1986).
CAPTULO 6 ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES

El desarrollo no comienza con los bienes; comienza con la mente y su educacin, organizacin y disciplina. E. J. SCHUMACHHR, Lo pequeo es hermoso
I.
La matriz de datos en una imagen digital
Como se coment previamente, el proceso de adquisicin de una imagen digital difiere, sustancialmente, del empleado en la fotografa area. En cualquier sistema fotogrfico, la energa procedente de los objetos se registra sobre una superficie sensible a la luz. sta puede componerse de una o varias capas, formando, respectivamente, una pelcula pancromtica o en color. En el caso de los equipos ptico-electrnicos no existe esta superficie slida de grabacin. El sensor explora secuencialmente la superficie terrestre, adquiriendoa intervalos regulares la radiacin que proviene de los objetos sobre ella situados. La radiancia recibida estar en funcin de las caractersticas de la parcela del terreno que observa el sensor en cada instante, y el tamao de sta ser una funcin de la resolucin espacial del sensor. La imagen finalmente almacenada corresponder a una traduccin numrica de esa radiancia (fig. 6.1). Cada una de las parcelas en las que se divide el territorio observado constituyen la unidad mnima de informacin en la imagen, que se denomina pxel (del ingls picture demoil, elemento pictrico). En trminos sencillos, podemos identificar un pxel como cada uno de los pequeos cuadrados que forman una imagen, visibles cuando se ampla (fig. 6.2). El nivel de gris (o de color si se mezclan tres bandas) con el que aparece cada pxel en el monitor se define por un valor numrico, que corresponde a la codificacin de la radiancia que realiza el sensor cuando adquiere la imagen. Este valor numrico se denominar, a partir de aqu, Nivel Digital (ND). El nombre se justifica por tratarse de un valor numrico, no visual, pero que puede fcilmente traducirse a una intensidad visual o, si se prefiere, a un nivel de gris, mediante cualquier convertidor digital-analgico (un monitor de visualizacin, por ejemplo). Cuando se visualiza
Conversin analgico-digital
FIG. 6.1.
Diagrama que Ilustra el proceso de adquisicin de una imagen digital.
46 39 39 30 12
50 32 33 15 10
50 25 36 15 11
43 21 33 12 6
39 10 27 7 6
36 18 27
46 36 36
39 18 30 14 9
43 18 33 14 7
6
8
1 3
11
Fig. 6.2.
Una imagen digital est formada por elementos pictricos (pxeles) codificados
por un valor numrico.
un pxel, la intensidad de gris o de color con la que aparece en el monitor depende de su ND; la relacin entre ambos puede modificarse a voluntad del intrprete, de cara a mejorar la calidad visual de la imagen, como veremos ms adelante (5.1). En ese sentido, conviene distinguir el ND de cada pxel, el original adquirido por el sensor y almacenado en la imagen bruta, y su nivel visual (N V i que corresponde a la intensidad de gris o color con que se visualiza ese pxel en el monitor. Normalmente, los N V son efmeros, ya que slo se utilizan para operaciones de realce e interpretacin visual de la mayen, mientras los ND forman la base para las operaciones de interpretacin digital, especialmente cuando se intenta relacionar la informacin adquirida por el sensor con algn parmetro fsico (reflectividad o temperatura, por ejemplo). El ND se conoce con distintos nombres en la bibliografa anglosajona: Digital Numher (Lillesand y Kiefer, 1994), Pixel Valu (Mather. 1987; Hord. 1986). Brightness Valu (Jensen, 1996), Grey Level (Schowengcrdt. 1983). o Digital Cornil ( R i chards. 1993). En nuestro idioma, nos parece ms apropiado el termino nivel digital (ND) para expresar su significado, por cuanto se trata de un valor ( d ig i ta l) eon un claro contenido pictrico (nivel de gris). En resumen, la unidad mnima de informacin en una imagen digital se denomina pxel, definido por un nmero entero, ND, que puede convertirse en una intensidad luminosa o nivel de gris. Teniendo presentes estas ideas, la organizacin de los datos en una imagen digital puede esquematizarse en la figura 6.3. Como vemos, se trata de una matriz numrica
Y
Banda 1
ND
ND, , ,
Localizador! espacial Fig. 6.3.
Organizacin de dalas en una imagen digital.
2IX
de tres dimensiones. Las dos primeras corresponden a las coordenadas geogrficas de la imagen, mientras la tercera indica su dimensin espectral. La orientacin aproximada Norte-Sur se obtiene variando las fi l a s de la matriz, que normalmente reciben el nombre de lneas (row. Une), mientras el recorrido en el sentido de las columnas (column) indica la disposicin Oeste-Este de la imagen. En esta matriz, el origen de coordenadas se s i t a en la esquina superior-izquierda (lnea I. columna 1), en lugar del borde inferior izquierdo, como ocurre en cualquier eje cartesiano. Fisto es debido a la secuencia de adquisicin de imgenes, de Norte a Sur, de acuerdo a la traza del satlite. La tercera dimensin corresponde a la resolucin espectral del sensor. Hay tantos planos en la imagen como bandas originalmente detectadas: 36 para el M0D1S. 7 para el TM o 5 para el AVHRK Considerando ese carcter matricial de cualquier imagen numrica son mas fcilmente comprensibles las posteriores transformaciones aplicadas sobre ella. stas son. En muchos casos, operaciones estadsticas comunes a otras matrices numricas. Por ejemplo, en una imagen digital podemos calcular medidas de tendencia central y dispersin (media y desviacin tpica en cada una de las bandas), cambiar su orientacin geomtrica (rotacin de la matriz), realizar combinaciones aritmticas entre bandas (p. ej.. cocientes), sintetizar varas bandas reduciendo la informacin redundante (componentes principales), o discriminar grupos de ND homogneos dentro de la matriz (clasificacin). Como es lgico, el anlisis digital de imgenes (ADI) se apoya en equipos informticos adaptados a esta aplicacin. Por e l lo se inicia este captulo con un repaso de las caractersticas y componentes de este tipo de equipos, que van a marcar el rango de posibilidades que se abra, en ltima instancia, al usuario. Adems, se ha introducido un epgrafe previo, dedicado a la estructura de almacenamiento de datos en estas imgenes, con objeto de introducir al lector en el trabajo con este tipo de informacin numrica.
2.
Soporte y organizacin de la imagen
Cualquier tratamiento digital aplicado a las imgenes requiere que previamente stas sean introducidas en un sistema informtico; dicho de otro modo, que las imgenes sean accesibles al ordenador. Fisto depende de los soportes y formatos en los que se ofrecen los ND que definen los pxeles de la imagen.
2.1.
SOPORTE
FSICO DE UNA IMAGEN
Hasta hace unos aos, las imgenes de satlite se distribuan de modo casi exclusivo en cintas magnticas compatibles (CCT). Se trataba de un soporte barato y muy estndar, que era el ms apropiado para almacenar un volumen considerable de informacin. Habitualmente, las cintas tenan las pistas (tracks), con una longitud de 2.400 a 3.600 pies. Los principales problemas que planteaba una CCT eran su acceso secuencial que ralentizaba la lectura de los datos, el alto coste de los equipos lectores y su es-
ANLISIS DIGITAL D E I M A G E N E S CORRECCIONES Y REALCES
casa densidad de almacenamiento frente a las tecnologas actualmente disponibles, por lo que hoy prcticamente han desaparecido del mercado. Actualmente las imgenes se distribuyen principalmente en CD-ROM, que es el medio mas compatible y econmico de transferir volmenes considerables de i n formacin entre ordenadores. Algunas agencias f a c i l i t a n tambin la opcin de grabar Los dalos en cartuchos magnticos, de acceso secuencial como l a s antiguas (CT. pero con mucha mayor capacidad (hasta varios ( i b ) . Gracias a las mejoras en las velocidades de transferencia de informacin a travs de Internet, tambin pueden adquirirse imgenes a travs de la red. utilizando protocolos tic transferencia de ar-(FTP). Este ser, probablemente, el medio ms u t i l i z a d o en el inmediato fu-para la distribucin de imgenes, ya que permite su adquisicin casi en tiempo real
2.2.FORMATOS DE GRABACION Independientemente del soporte fsico de la imagen es necesario conocer el formato de grabacin de los dalos, de cara a poder reconstruir posteriormente la informacin detectada por el sensor. En este sentido, conviene considerar la codificacin aplicada y la organizacin lgica de los datos. En lo que se refiere al primer punto, los ND de la imagen se graban en cdigo binario (como bien es sabido, un bit indica una posicin binaria. 0 o 1 ). La mayor parte de los sensores emplean grupos de 8 b it s para almacenar el ND correspondiente a cada pxel. Por ello, cada pxel se define por un byte, lo que equivale a un rango de 256 niveles ( de 0 a 255). ste es tambin el rango admitido por la prctica totalidad de los equipos de tratamiento digital, por lo que el acceso a las imgenes se simplifica notablemente. En el caso de algunos sensores, como el NOAA-AVHRR o el SAR del ERS, la informacin se codifica en un rango ms amplio (10 y 16 bits, respectivamente), por lo que se requiere una labor previa de compresin de datos para poder visualizar la informacin en pantalla. Las imgenes digitales se organizan en una serie de archivos (files), cada uno de los cuales se descompone en registros (records). Normalmente cada imagen incluye un archivo de cabecera (henderfile), en donde se almacena el formato con el que estn grabados los ND que la componen, as como sus condiciones de adquisicin ( t i p o de sensor, localizacin de la escena, da. elevacin y acimut solar, etc.). y. en su caso, el tipo de correcciones aplicadas por la estacin receptora. Los registros son de longitud variable, de acuerdo al t i p o de archivo y a la organizacin de los datos en la imagen. La distribucin de los archivos en una escena est en estrecha relacin con el formato en que se graban los ND de la imagen. Los tres formatos ms habituales son (fig. 6.4): 1. Bandas secuenciales (Baml SequentiaL BSQ). Implica que los ND de cada banda se disponen uno a continuacin del otro hasta completar lodos los pxeles que la forman. Tras ellos se sitan los ND de la siguiente banda y as sucesivamente hasta completar todas las bandas espectrales de la imagen. Normalmente, entre banda y ban-
220
46 46 43
39
50 39 36 32
50 43 39 25 18
43 39 21 21 14
39 32 21 IO 10
36 32 28 18 8
B3
39 39 36 33 30 B4 13 13 12 11 10
42 33 30 27 15
42 36 33 21 15
36 33 18 18 12
33 27 18 9 7
30 27 24 15 6
14 11 10 9 5
14 12 11 7 5
12 11 6 6 4
11 9 6
10
9 8 5 0
3 0
USO
46 39 39 30 12 BIL 46 46 43 39 36 IIP 46 46 43 39 36
50 32 33 15
i;)
50 25 36 15 11
43 21 33 12 6
39 10 27 7 6
': : 18 27 6 8
46 6 36 13
11
39 18 30 14 9
43 18 33 14 7
39 14 18 12 6
32 32 10 8 18 24
i 1 10
43 36 39 4,' 33 27 13 11 10 5
39 21 42 36 21 18 12 5
I;
21 33 9 9 0
28 30 15 9 0
50 39 36 32 18
50 43 39 25 18
43 39 21 21 14
39 32 21 10 10
36 32 28
I i
39 39 36 33 30
42 33 30
27
42 36 33 21 15
36 33 18 18 12
33 30 27 27
13 14 13 11 12 10
11
M 12 11 7 5
12 11 6 6 4
11 9 6 3 0
10 9 8 5 0
18 24 9 15 7 6
15
10 5
39 39 36 33 30
13 13 12 11 10
50 39 36 32 18
42 33 30 27 15
14 11 10 9 5
50 43 39 25 18
42 36 33 21 15
14 12 11
43 39 21 21 14
36 12 33 11 18 6 18 6 12 4
39 33 32 27 21 18 10 9 10 7
11 36 9 6 3 0 32 28 18 8
30 27 24 15 6
10 9 8 5 0
7 5
Fig. 6.4. Formatos de grabacin en una imagen digital: BSQ, bandas seeuenciales; lili', bandas intercaladas por lnea; BIP, bandas intercaladas por pxel. Los pxeles en gris indican dnde comienza una nueva banda en cada uno de h>s tres formatos.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES
22 1
da se inserta un archivo de cola y otro de cabecera, con objeto de identificar la regin del espectro sobre la que se est recogiendo informacin. 2. Bandas intercaladas por lnea {BCIIHI Interleaved bx Une, BIL). En este caso, ios NI) se organizan por lneas en lugar de por bandas, disponindose consecutivamente los correspondientes a todas las bandas, para cada linca, antes de comenzar la lnea siguiente. En definitiva, tras los ND de la lnea I. banda 1. se sitan los correspondientes a la linea I. banda 2. para luego continuar los de la banda 3, 4. etc., hasta completar el nmero total de bandas. Tras la primera lnea de la ltima banda se s i t a la secunda lnea de la banda I, de la banda 2. y as sucesivamente. V Bandas intercaladas por pxel i Hand Interleuve h\ Pixel, BU3). En lugar de alternarse los ND en cada lnea, se alternan en cada pxel. As, tras el ND correspondiente al pxel de la lnea 1. columna 1, banda I, aparece el correspondiente a la lnea i, columna I, banda 2. seguido del adquirido para la lnea 1. columna I. banda 3. etc. liste formato es. hoy por hoy, poco frecuente, ya que fue ideado para agilizar la clasificacin de sub-imgenes, cuando se empleaban equipos de escasa memoria. Este formato se aplic a la distribucin de imgenes en disquetes de 8 pulgadas, para alimentar los primeros equipos diseados sobre micro-ordenadores. 3.
Equipos de anlisis digital de imgenes
Si en todos los captulos de este libro resulta muy complejo mantener actualizado el material que se comenta, la tarea resulta especialmente complicada cuando nos referimos a los componentes fsicos y lgicos de un equipo de ADI. ya que la dinmica del mercado resulta realmente vertiginosa. Por esta razn, hemos preferido reducir sustancialmente este epgrafe frente a las ediciones anteriores de esta obra, dejando al lector interesado la labor de poner al da, en el momento que le resulte ms necesario, estos aspectos. La divisin que realizamos en las pasadas ediciones entre equipos bsicos y avanzados sobre ordenador personal, por un lado, y sobre estacin de trabajo, por otro, se ha desvanecido bastante, gracias al notable crecimiento de l a s capacidades de los equipos disponibles. Los avances en los sistemas operativos tambin han supuesto una creciente convergencia entre ambas plataformas, especialmente con la notable popularidad del Linux (versin UNIX para ordenadores I n t e l ) , que permite utilizar programas diseados para estaciones de trabajo sobre ordenadores personales. Para abordar convenientemente las principales operaciones del ADI se requieren, como en cualquier otra aplicacin informtica, una serie de componentes fsicos y lgicos. Entre los primeros (fig. 6.5) hay que analizar las unidades de entrada (hoy resultan imprescindibles slo el teclado y el ratn electrnico o similar), las de almacenamiento y proceso (memorias internas y externas) y las de salida (principalmente el monitor, aunque tambin una impresora en color). En este momento, los equipos disponibles en la informtica personal cuentan, de modo estndar, con memorias internas de 128 Mb, velocidades de proceso superiores a 1 GHz, y almacenamiento en disco por encima de 20 Gb. Los equipos grficos ms estndar estn ya siendo los monitores de 17 pulgadas, con un creciente empleo de las tecnologas de plasma lquido, que fa-
c i l i t a n muy buena calidad con menor radiacin. Entre los perifricos de salida, conviene c i t a r las impresoras de inyeccin de tinta, en este momento el estndar en impresin a color, aunque las lser y de sublimacin trmica suelen ser ms comunes en centros de investigacin. En lo que se refiere al componente lgico (software), suelen distinguirse dos categoras bsicas: sistema operativo y programas de aplicacin. Como antes comentamos, existe una clara convergencia en lo que se refiere a sistemas operativos. Actualmente podemos dar por desaparecidos algunos (como el VMS. muy utilizado en ordenadores de cierta potencia en los aos setenta y ochenta, o el MS-DOS, el primer sistema que instal IBM en sus ordenadores personales), dominando el mercado los basados en el entorno Windows (principalmente la versin NT y XP) y las diversas versiones de UNIX (principalmente las basadas en entornos de ventanas. Xwindows. y la ms reciente Linux, para procesadores I n t e l ) . Los programas de aplicacin u t i l i z a n los recursos del sistema operativo para comunicarse con el ordenador. Como es bien sabido, el ordenador slo es capaz de procesar caracteres binarios, por lo que toda instruccin que el usuario pretenda ejecutar ha de ser convertida a este cdigo. Esta tediosa labor la ejecutan los compiladores, programas que convierten una serie de instrucciones ms o menos cercanas al lenguaje humano en un cdigo que entienda la mquina. Existen distintos compiladores para cada uno de los lenguajes de programacin, y para los sistemas operativos ms comunes. Entre los lenguajes ms empleados en ADI cabe citar el C (con sus diversas va-
223
riantes), FORTRAN, Pascal (ms recientemente Delphi). Basic (ms recientemente Visual Basic), IDL y APL. Ahora bien, lo habitual no ser que el usuario redacte sus propios programas, sino que utilice alguno de los muchos disponibles, tanto comerciales como de dominio pblico. Existe una variada oferta de programas de ADI que ofrecen las operaciones ms comunes en este campo, por lo que el intrprete comnmente slo tendr que disear sus propios programas cuando sea preciso atender una tarea muy particular, especialmente cuando se trata de Lina labor de investigacin. Estos nuevos desarrollos se facilitan gracias a que casi todos los programas disponen de una cierta capacidad de programacin. Puede tratarse de entornos de programacin grficos, que permitan al intrprete seleccionar y encadenar, en el orden que crea conveniente, distintas operaciones que brinda el propio sistema, o bien de libreras de programas, que el usuario pueda engarzar mediante algn lenguaje de programacin estndar (Basic, por ejemplo). Finalmente, podra tambin ofrecerse la posibilidad de enlazar el programa de ADI con rutinas diseadas lucra del sistema, para realizar operaciones especficas no facilitadas de modo estndar. Por ejemplo, un modulo de clasificacin externo al sistema, pero con el que ste pueda compartir formatos. Las tendencias ms recientes de los equipos de ADI mantienen la separacin entre hardware y software (en otras palabras, son programas con configuraciones adaptables), insisten en el entorno amigable al usuario que viene observndose desde los aos noventa, garantizan una buena conexin con bases de datos externas (amplia capacidad de exportacin/importacin de archivos), cuentan con mayor interrelacin con los Sistemas de Informacin Geogrfica (SIG, cap. 9), y facilitan entornos ms abiertos. Entre los programas comerciales, los ms conocidos siguen siendo ERDAS, PCI-Geomatics, ER-Mapper, Envi e Idrisi (aunque ste propiamente se considera ms un SIG que un programa ADI), mientras entre los de dominio pblico, disponibles habitualmente en Internet, conviene citar el Multispec, diseado en la Universidad de Purdue. el SPRING. producido por el Instituto Brasileo de Investigaciones Espaciales (INPE). y el programa GRASS. diseado inicialmente por el cuerpo de ingenieros militares norteamericano. En el CD-ROM anexo a esta obra se ampla la informacin de estos programas. Finalmente, conviene aclarar que no existe un criterio absoluto para elegir entre un sistema y otro. En otras palabras, para evaluar un equipo de ADI habr que pensar en todo momento en la aplicacin a la que se destina. Un usuario con inters en aplicaciones geolgicas valorar la capacidad de visualizacin del equipo, as como las transformaciones y realces que ofrezca. Por el contrario, uno interesado en cartografa de la vegetacin o de la cubierta del suelo estar ms atento a los algoritmos de clasificacin que incorpora. Para uno y otro usuario, sin embargo, convendr tener en cuenta algunas caractersticas generales: Rapidez de proceso, en funcin del lenguaje de programacin y de la estruc tura de los algoritmos empleados. Convendr anotar los tiempos empleados en realizar operaciones comunes, como sera filtrar o clasificar una ventana de la imagen. Dilogo con el usuario. La mayor parte de los equipos ms recientes mejoran notablemente la facilidad de manejo, incorporando un sistema de mens y una serie de instrucciones de ayuda en directo al usuario. Convendr tener en cuenta este aspecto de cara a obtener resultados en el menor tiempo posible.
224
Id. 6.6.
Imagen correspondiente a ln banda ."> del sensor ETM+ sobre la zona de Torrelaguna ( 1 5 de marzo de 2000).
- Capacidades de exportacin/importacin de archivos, tipo de formatos a los que accede para lectura o escritura, con especial inters en aquellos ms estndar. - Capacidades de programacin. Lenguajes macros, libreras o lenguajes de programacin disponibles.
4.
Operaciones de utilidad general
Se i n i c i a ahora el estudio de las operaciones ms comunes en AD1, siempre en el contexto de las aplicaciones de la teledeteccin espacial. A lo largo de ste y el siguiente captulo utilizaremos principalmente una imagen adquirida por el sensor ETM+ del Landsat-7 el 15 de marzo de 2000 (i'ig. 6.6).' Corresponde a un sector situado al norte de la ciudad de Madrid, que incluye las poblaciones de Manzanares y Soto del Real, Miraflores de la Sierra y Torrelaguna. Hemos elegido esta imagen por tratarse de dalos relativamente recientes, adquiridos en buenas condiciones de observacin, s in cobertura nubosa, y en una zona bastante variada, tanI. La zona incluye el rea abarcada por la hoja del mapa topogrfico nacional denominada Torrelaguna. por lo que en adelante la identificaremos como imagen Torrel 00, aunque abarca otros municipios.
ANLISIS DIGITAL DL IMGENES: CORRECCIONES Y REALCES
225
to desde el punto de vista de la topografa (desde 2.000 ni en el vrtice NW de la zona, hasta los 700 m en el valle del Jarama). como de la ocupacin (pinares, caducifolias, pastizales, zonas residenciales, cultivos, matorral, lminas de agua. etc.). Adems, se cuenta con imgenes de otras lechas, para realizar comparaciones mullilemporalcs. Elegir una sola imagen para ilustrar las diversas tcnicas de anlisis digital resulta un arma de doble filo, ya que. por un lado, f a c i l i ta al lector la comprensin de dicha tcnica, al compararla con otras que ya ha visto o va a ver sobre la misma zona. Por otro, puede introducir una cierta monotona, ademas de que. en algunos casos, la zona elegiila no sea muy apropiada para esclarecer la tcnica que se est comentando. Finalmenle. la decisin que hemos tomado es eclctica: utilizaremos como base una sola imagen, fiero se enriquecer la interpretacin con ejemplos tic otras imgenes cuando nos parezca apropiado. En el anexo 4 se incluye una referencia ms completa de todas las imgenes utilizadas. Los procesos aplicados sobre esta imagen se basan en varios programas de ADI disponibles en nuestro departamento: ERDAS Imagine, IDR1SI y, sobre todo. PCIGeomatics, con el que hemos realizado la mayor parte de las operaciones. Hl equipo base para el proceso que presentamos es el habitual en un ordenador personal: procesador Pentium I I I , tarjetas grficas de 8 Mb. monitor de 17 pulgadas, memoria RAM de 128 Mb y memoria en disco de 5 Cib. Esta descripcin no implica, como es lgico, que las operaciones incluidas en el texto sean exclusivas del programa utilizado. Es obvio decir que el empleo de estos equipos no implica un menosprecio hacia otros, sino slo un aprovechamiento de los recursos disponibles en nuestro departamento. Se i n i c i a el examen de las tcnicas de ADI con procesos que hemps calificado de utilidad general, por cuanto pueden aplicarse a diversas finalidades y sirven de escaln intermedio para otras operaciones ms especficas. Se incluyen en este apartado aquellas actividades que se relacionan con la manipulacin de archivos, clculo de estadsticas sobre la imagen y visualizacin. 4.1. GESTIN DE ARCHIVOS
Cualquier sistema de ADI incluye una serie de utilidades generales que le permiten gestionar apropiadamente los archivos donde se alojan las imgenes, polgonos auxiliares y tablas de color, as como las distintas transformaciones que sobre e l l a s se apliquen. Las ms elementales son los comandos propios del sistema operativo, como copiar, cambiar el nombre o eliminar archivos. Entre las ms especficas del ADI, la primera en orden cronolgico es la lectura de los datos originales. Esta operacin implica contar con un programa que importe los datos en el soporte y formato proporcionados por el organismo distribuidor de las imgenes. Lo ideal es que permita leer la informacin almacenada en las cabeceras de cada archivo, con objeto de poder importar automticamente los datos referentes al tamao de la imagen, condiciones de adquisicin y calibracin del sensor. Tambin re2. Utilizaremos los siguientes mdulos del software PCM: IW. lim\>c Works: XI'. X/xicf. (CP. CCPWorks.
226
ThLDKTKCCIN AMBIENTAL
sulta muy t i l que el programa nos ofrezca la opcin de leer una pequea ventana de la imagen (que incluya el rea de inters), extrayendo los ND correspondientes a las bandas originales sobre las que se pretenda trabajar. lisa labor se facilita si el programa de lectura de imagen incorpora alguna rutina para la visuali/acion del rea designada, lo que permite una localizador) interactiva de las coordenadas i n i c i a l y final de esa ventana, agilizando bastante el proceso de bsqueda. Si no se conoce aproximadamente la localizador) de esa ventana en la imagen resulta conveniente contar con alguna opcin para leer la imagen con un factor de reduccin, lo que permite visualizar una superficie mayor a la que admitira la resolucin de la pantalla. Esto implica, en definitiva, un muestreo sistemtico de la imagen, eligiendo una columna \ l i n e a de cada /;. siendo n el factor de reduccin. Cuando se ha localizado el arca de nteres sobre esa zona ms amplia puede aecederse a aquella con la plena resolucin de la imagen (pxel a pfxel). Una ve/ ledos los datos, el programa necesita generar una serie de campos para la documentacin de la imagen, que le permitirn gestionar posteriormente su visualizacin y anlisis. Para reconocer apropiadamente un archivo de imagen, cualquier programa necesita saber sus dimensiones (nmero de lneas y columnas), el nmero de bandas y nmero de bits por pxel. de otra manera no podr reconstruir la estructura original de los datos. Adems, si la imagen est georreferenciada es preciso conocer los datos de la proyeccin, las coordenadas de sus vrtices y el tamao del pxel en x e v. Otra informacin relevante sera la concerniente a las estadsticas de la imagen (descriptivas, histogramas, etc.), y a las condiciones de adquisicin. En algunos programas esa informacin se asocia permanentemente a la imagen, ocupando los primeros bytes del archivo; en otros se almacena en un archivo auxiliar, con el mismo nombre de la imagen original. Esto facilita la lectura de la imagen por otros programas, ya que el archivo slo contendr datos de imagen y no informacin auxiliar. Tambin en funcin del programa de tratamiento elegido, ios datos pueden almacenarse en formato BSQ o BIL. En el primer caso, cada banda ocupa un archivo distinto, mientras en el segundo todas las bandas se incluyen en el mismo. Esta segunda opcin agiliza el clculo cuando se trata de generar combinaciones entre bandas de la misma imagen, pero lo dificulta si se pretende relacionar informacin de dos imgenes. En el caso del programa 1W. toda la informacin se graba en el mismo archivo, tanto las bandas detectadas por el sensor, como las estadsticas, documentacin, vectores o anotaciones que realice posteriormente el intrprete (fig. 6.7). Esto permite un almacenamiento compacto, en donde todo lo referente a una escena se encuentra disponible en una sola ubicacin, pero tiene el problema de generar archivos que pueden llegar a ser muy grandes. Otra utilidad habitual en los equipos de ADI permite generar una composicin de dos o ms imgenes, obteniendo una mezcla de informacin interesante para la representacin visual. Basta que un programa sea capaz de leer una imagen o banda y escribir su contenido en aquellas coordenadas de una nueva imagen que le indique el usuario. Por ejemplo, en la figura 6.8 aparece una composicin de cuatro bandas correspondientes a un fragmento de la imagen TorrelOO, que incluye el embalse de Santularia y el ncleo de Colmenar Viejo. La posibilidad de verlas simultneamente nos ayuda a interpretar la diversa informacin espectral que contiene cada una de las bandas originales. As, las bandas visibles (azul y rojo) presentan un aspecto muy similar, tendien-
ANLISIS DIGITAL I ) K IMAGHNHS: CORRI-CCIONKS V Kf Al ChS
227
S File Utility: C:\PCI_V70\user\torrel2000cor.

File Edit View Tools Help
Fie. 6.7. Panel de utilidades de I'CI-IW que muestra lainformacion disponible en una determinada imanen. En este caso se incluyen las bandas originales, vectores auxilales \ coordenadas de re/erencia.
do ambas hacia tonos oscuros, con especial contraste entre las zonas urbanas y de vegetacin. Por su parte, la banda 4 (IRC) presenta una tonalidad ms clara para los pastizales (mayor retlcctividad), mientras la 5 (SWIR) ofrece mejor contraste tierra-agua y peor entre zonas construidas y de vegetacin natural. Otra utilidad de inters en ciertas aplicaciones es aislar un sector de la imagen, definido por un polgono irregular, de cara a aplicarle un tratamiento especfico. La operacin recibe tambin el nombre de mscara, y se utiliza bastante asiduamente en el contexto de los SIG (por ejemplo, para obtener resultados referidos a una determinada unidad administrativa). El trabajo con sectores irregulares de la imagen implica los siguientes procesos:
228
TRUiDHTHCCION AMBIIiNTAL
I ; l ( i . 6.8.
Composicin de 4 bandas de la imagen TorrelOO: a) Banda 1 ( A ) : b ) Banda 2 (K): c) Banda 4 (IRC), v Banda 5 (SWIR).
1. Delimitar los lmites del polgono deseado, con ayuda de un digitizador, cur sor, o ratn electrnico. 2. Aplicar ese polgono a la imagen original, aislando todos aquellos pxeles que se siten en el interior de dicho polgono de los que se encuentren fuera. Hstos ltimos pasarn a tener un ND de 0. por lo que son eliminados de posteriores trata mientos. La figura 6.9 ilustra la realizacin de este proceso para la imagen TorrelOO. Se ha extrado un sector correspondiente al centro de la ventana, definido por la red local de
Fio. (I.9.
Ejemplo de mscara aplcenla a un sector de la imagen tic Tonelagiina.
ANLISIS DIGITAL H IMAGLNLS: CORRLCCIONKS Y RLAI ( LS
229
carreteras. Tras digitizar el polgono se extrajeron los NI) correspondientes a la banda 3 del interior de esa zona, aislndose del resto.
4 2.
l ' r i l IDA!)! S PARA LA VISl 'AL1ZACION
La capacidad para la visualizacin de la imagen debe considerarse como una de Lis principales caractersticas de un equipo de AD1. lisa capacidad es dependiente del hardware disponible y de las herramientas que ofrece el sistema para dialogar con i monitor grfico. La relacin, en este sentido, sera muy amplia, puesto que una de as tendencias de mayor desarrollo, en el momento presente, tiende precisamente a construir sistemas mucho ms interactivos con el usuario. En lo que se refiere al mbito que nos ocupa, las utilidades de visuali/acin ms habituales son: 1. Conversin digital analgica de los ND almacenados en la imagen, lo que permite su representacin en el monitor grfico. El proceso tcnico aplicado puede es tudiarse en otras publicaciones (Richards. 1993, apndice H; Muller, IC)X8/). Basta aqu indicar que supone convertir un valor numrico (el ND de cada pxel) en una se al analgica que se enva a un monitor para su representacin visual. Con objeto de que la imagen visualizada se mantenga en el monitor existe un dispositivo intermedio, denominado memoria grfica o de refresco (rejresli buffer), que almacena temporal mente los ND visualizados hasta que se enve una nueva imagen al monitor. A partir de esa memoria intermedia se produce un barrido del tubo de imagen, a un ritmo de 25 o 30 veces por segundo, suficientemente alto para que no pueda apreciarse por el ojo humano. Lo ms habitual es que se cuente con tres memorias de refresco, una para cada uno de los tres colores elementales (RVA), gracias a lo que pueden visualizarse tres bandas simultneamente. 2. Obtencin de coordenadas. Con ayuda del digitizador o del ratn electrnico pueden conocerse las coordenadas de distintos puntos de inters, de cara a la correc cin geomtrica de la imagen (6.3) o a la caracterizacin espectral tic distintas cubier tas. La localizacin se facilita por la ayuda de un cursor grfico, normalmente en for ma de cruz o de flecha. 3. Digitizacin de reas sobre la imagen, realizada al igual que en el caso an terior con la ayuda de un cursor mvil. Lstas zonas pueden hacerse corresponder con reas de entrenamiento para la clasificacin (cap. 7. apdo. 2.2). con elementos li neales para anotar los resultados (carreteras o ros), o con sectores que pretenden ais larse de la imagen (mscaras). En similares trminos cabe expresarse en lo que hace referencia a la inclusin de rtulos o simbologa grfica (encabezamientos. Hechas de orientacin, lneas, retcula U.T.M., etc.), de inters para la presentacin cartogrlica de los resultados (7.2.4). 4. Cambios de escala, esta operacin se dirige a ampliar o reducir la imagen vi sualizada para verla con mayor o menor detalle, respectivamente. Este proceso se realiza en la memoria de refresco, por lo que se obtiene casi instantneamente, facilitando la interacti vidad con el intrprete. Adems de aumentar el tamao del pxel. el usuario puede desplazarse sobre la imagen a esa nueva escala (pan, rail), facilitando notablemente la
230
Fl(. 6.10.
Comparacin cutre un /\wm ior expansin (izquierda) \ por interpolacin (derecha) sobre una ventana de la imagen AlcalW.
localizacin de zonas de inters. Una ampliacin de mayor calidad visual puede lograrse mediante un zoont interpolado. Aqu, en lugar de una simple rplica de los ND originales, se crea una nueva matriz de tamao equivalente al nivel de magnificacin. Hn esta matriz se sitan los ND originales, y se calculan los otros por interpolacin lineal de estos valores. La impresin que causa sobre la pantalla es la de una imagen mucho ms ntida, puesto que mantiene una mejor transicin entre pxeles vecinos (t'ig. 6.10).' 5. Creacin de archivos de visualizacin. En muchas ocasiones resulta muy conveniente contar con una copia de la informacin almacenada en el monitor. Esto se consigue gracias a un programa auxiliar que salva la memoria de refresco en el disco, generando una nueva imagen que puede visualizarse posteriormente. Por ejemplo, un mosaico de cuatro bandas puede realizarse, adems de mediante extraccin de los 4 archivos y generacin de uno nuevo, mediante una composicin interactiva en el monitor. Gracias a ello pueden visualizarse un conjunto de imgenes y/o elementos grficos asociados, s i n necesidad de repetir todo el proceso que llev a su creacin. Conviene tener en cuenta, sin embargo, que en este caso la precisin de los datos depende de la resolucin de la memoria grfica (en ocasiones la imagen tendr que comprimirse para que puedan visualizarse varias bandas simultneamente), mientras con la creacin de un archivo compuesto se mantiene la resolucin original de los datos. Existen numerosos programas en el mercado que permiten capturar la informacin visualizada en pant a l la (o una parte de ella), lo que resulta muy conveniente para fines didcticos.
3. Al tuial que ya comentamos en captulos anteriores, las versiones en color en muchas de l a s l'iMipas que aparecen en el texto en blanco y negro pueden encontrarse en l a s presentaciones incluidas en el CD-ROM ad junto a esta obra.
ANLISIS DIGITAL DE IMGENES: CORRI-CCIONLS Y RI.ALCLS 4.3. CLCULO DE ESTADSTICAS E HISTOGRAMA DL LA IMAGEN
231
Ya hemos indicado que cualquier operacin aplicada sobre la imagen parte de comprender su carcter digital. Al igual que cualquier variable estadstica, la operacin mas elemental que podemos realizar con una imagen es describir su tendencia central y dispersin. En oirs palabras, conocer cul es la tendencia general de la radiancia delectada en cada banda, y qu nivel de homogeneidad existe entre los pxeles que la componen. Para ello, cualquier programa de ADI f a c i l i t a el clculo de las estadsticas elementales de la imagen, al menos de las medidas de tendencia central y dispersin ms habituales. Recordando aspectos de estadstica descriptiva, la media de una banda A puede definirse como:
Estas medidas nos ofrecen una primera valoracin sobre el carcter de cada una de las bandas y su grado de homogeneidad. Las correspondientes a TprrclOO aparecen en la tabla 6.1. De esta tabla se deduce que la banda 1 ofrece el mayor desplazamiento de stis ND mnimos, lo que puede ser consecuencia del electo de dispersin atmosfrica, como luego veremos. Los ND medios son ms altos para las bandas 4 y 5, bastante saturadas a juzgar por los valores mnimo y mximo, muy prximos a 0 y 255. respectivamente. La banda 5 acoge tambin la mayor heterogeneidad, aunque no muy distinta de la banda 4. Por su parte, la banda I ofrece la menor dispersin. Lgicamente, estos valores numricos se relacionan con los parinetros de calibracin del sensor y con las regiones del espectro que abarca. Como resulta evidente, la banda 5 es la ms sensible a alteraciones de radiancia, mientras la I ofrece el peor contraste en la escena. Adems de estos valores medios, tambin resulta de gran inicies contar con el histoTABLA 6.1. Mximo Banda Banda Banda Banda Banda Banda 1 2 3 4 5 6 24 7 23 25 25 25 25 45 27 17 14 X 5 Estadsticas elementales de a imagen de I"orre00 Mnimo Media 69.26 55.63 58.05 91.13 91.86 62,21 Dew. tpica 8,87 10.80 15.59 22.87 23.46 19.84
Los nmeros refi ere n a ND. No se l i a i n c l u i d o l a b an d a t rm i ca.
>32
TF.LHDtntiCCION AMI311NTA1.
grama de frecuencias de cada banda, que nos informa sobre cmo se distribuyen los ND en una determinada imagen. Con objeto de facilitar la representacin del histograma. las frecuencias absolutas suelen convertirse a relativas, de acuerdo a una sencilla frmula:
NDi
FR(Nl) ) =
[6.3]
siendo ni el numero de niveles digitales de esa banda. fisto es. la frecuencia relativa de un determinado ND (p. ej., el valor 123) se calcula como el cociente entre el nmero de pxeles que presentan ese valor y el total de pxeles de la imagen. Eisa proporcin sirve para escalar el histograma, a partir de la frecuencia r e l a t iv a mayor. Varios autores han puesto de r e l i e v e el inters del histograma para realizar una primera valoracin de la imagen (Castleman. 1978; Jcnsen, 1996). Su locali/acin nos permite deducir la tonalidad dominante de cada banda; su anchura est relacionada con el contraste, mientras la presencia de picos relativos puede ser testigo de determinadas clases de cobertura. Por ejemplo, para el caso de la imagen de nuestro ejemplo, los histogramas de los ND i fig. 6.1 1) nos permiten realizar algunos comenBanda 4
Banda 1
I"K. 6.1 I.
Histoggramas de las bandas pticas de la imagen de Iorrelaguna. La escala horizontal va de 0 a 255.
ANLISIS DIGITAL I)F. IMGENES: CORRECCIONES Y RLALCES
233
tarios interesantes. Por un lado, todos el l o s ocupan slo un pequeo margen del rango de variacin ofrecido por el sensor, o, si se prefiere, por el equipo de visuali/acin (0 a 255). Esto implica la conveniencia de ajustar, de alguna forma, la variacin i n i c i a l a la mxima permitida, lo que supondr una mejora del contraste (ver 5.1). Entre las bandas aqu incluidas, la 4 y la 5 se confirman como las que ofrecen mayor d is persin (recurdese que poseen la desviacin tpica ms alta), mientras la I y la 2 presentan el histograma ms estrecho. En cuanto al significado de los distintos picos de frecuencia, resulta muy complicado identificar las cubiertas que los originan. En aros casos puede resultar ms sencillo; por ejemplo, el mnimo relativo observado . i ! las bandas 4 a 7. en los valores ms bajos, parece lgico que corresponda a las arcas inundadas por embalses, ya que en esta banda el agua presenta su mxima absorcin. Adems de la consideracin de cada banda por separado, tambin resulla de inters tener en cuenta las relaciones entre bandas, con objeto de analizar el grado de informacin original que aporta cada una. Este anlisis puede realizarse grficamente, mediante la construccin de dispersogramas. que presentan en un grfico bivariado la localizacin de los pxeles de la imagen a partir de sus ND en dos bandas. Cuando la nube de puntos en estos grficos tiendan a formar una lnea (o una elipse de ejes muy contrastados), las dos bandas tendern a estar muy relacionadas. En otras palabras, puede ser suficiente trabajar con una de ellas reteniendo la mayor parte de la informacin original. Esto ocurre, tpicamente, entre las bandas visibles (1. 2 o 3) o las situadas en el SWIR (5 y 7). Por el contrario, si la nube de puntos ofrece a l t a dispersin, la relacin entre las bandas ser pequea o. lo que es lo mismo, las dos ofrecen informacin contrastada y ambas son de inters para el anlisis, como ocurre con la relacin entre el IRC y el VIS. Por ejemplo, en la figura 6.12 se recoge la correlacin grfica entre las bandas I -2 y 3-4 de nuestra imagen de ejemplo. Las dos primeras se sitan en el espectro visible, y tienen una elevada correlacin, pues muchas cubiertas terrestres poseen una reflectividad muy similar entre ellas. En consecuencia, la nube de puntos tiende a presentar una forma muy alargada. Por el contrario, entre las bandas 3 y 4 (R e IRC) existe mucha menor similitud, al tratarse de dos bandas con mayor contraste espectral, especialmente en lo que se refiere a las cubiertas vegetales ( a l t a reflectividad en la 4, baja en la 3). En consecuencia, a partir del anlisis de la nube de punios podemos incluso distinguir algunas cubiertas: bajos NDen las dos (A en la fig. 6.12) identificarn al agua; bajos en la 3 y altos en la 4 identificar la vegetacin (B), y altos en las dos. identificarn el suelo (C). Este anlisis grfico se completa con el clculo de algn ndice numrico de la relacin entre bandas. Uno de los ms empleados es el coeficiente de correlacin lineal de Pearson, definido como el cociente entre la covarianza de las dos bandas d y /y el producto de sus desviaciones tpicas:
de sentido anlogo a los smbolos incluidos en |6.1 ] y |6.2|. En este caso, la correlacin entre las bandas incluidas en la figura 6.12 ofrece un valor alto, como es espera-
234
rHl.HOKTt-rCION AMBIENTAL
'50
250
lie > . 1 2 .
Diagramas Je IS/H I WI>// </< A/.s lumilas I 2 ti~t/tlu.l v J--f (cic/ni.).
ble, entre la I y la 3 ir = 0.952). mientras la 3 y la 4 muestran una correlacin mucho ms baja (/ = 0.248). Otro aspecto que puede ayudar a entender la radiometra de la imagen es la construccin de perfiles espectrales. La tcnica parte de digitizar sobre la imagen una linca que recoja las cubiertas que quieren inspeccionarse, de cara a analizar la variacin espacial de los ND en las distintas bandas. En nuestro caso, hemos seleccionado un pequeo transecto que atraviesa un sector de agua (el embalse de Santillunu), un banco de arena, apenas perceptible, y una zona de pastizal, bastante vigoroso en esta poca del ao (ig. 6.13). Las tres bandas parten de valores bajos, identificando al agua, para
Fifi. (6. I 3.
Perfil radiomctrico sobre una ventana de la imagen TorrelOO.
ANLISIS DIGITAL DF. IMGLNHS: CORRKCCIONHS Y RLALCLS 23 5
ir aumentando segn cruzan otros tipos de cobertura. Cuando se trata de suelos descubiertos, las tres suben al unsono, mientras que lo hace con mayor intensidad la banda 4 cuando atravesamos una zona de mayor actividad cloroflica, que presentar absorcin en la banda 3 y. en menor medida, en la 5.
s
Realces y mejoras visuales
En este captulo se consideran aquellas tcnicas dirigidas hacia la mejora de la cal id a d visual de la imagen. Tratan de disponer mejor los datos para su anlisis visual, de lal lorma que sean ms evidentes los rasgos de inters que presenta la imagen. Se incluyen en este apartado los procesos de mejora del contraste, composiciones coloreadas, cambios de escala, y ultrajes.
5. 1.
AJUSTE DE CONTRASTE
Los procesos de ajuste del contraste tienden a adaptar la resolucin radiomtrica de la imagen a la capacidad del monitor de visualizacin. Como ya vimos anteriormente, cada sensor codifica la radiancia recibida en un nmero determinado de ND, de acuerdo a las caractersticas de su diseo. Esc rango digital puede no corresponder con el nmero de niveles visuales (NV) que facilita la memoria grfica, por lo que resulta preciso ajustar, por algn procedimiento, ambos parmetros. En este sentido, caben dos situaciones obvias: 1) que el rango de ND de la imagen sea menor.que el de NV facilitado por el sistema de visualizacin, y 2) que la imagen presente un mayor nmero de NDque posibles NV. En el primer caso se deber aplicar una expansin del contraste original, mientras en el segundo una reduccin del mismo. La idea de contraste digital puede ilustrarse con un smil fotogrfico. Una fotografa aparece con poco contraste, desvada, cuando no existe una gran diferencia entre sus tonos ms claros y ms oscuros. De la misma forma, podemos definir digitalmente el contraste por relacin a los ND mximo y mnimo de una imagen. Tal definicin puede apoyarse en cualquiera de las medidas de dispersin comnmente utilizadas en estadstica (Schowengerdt, 1983): C, = NDnm/NDm11 C\ = ND,, m -ND mn C, = .vN1) |6.5| [6.6] [6.7
Aqu aparecen tres definiciones digitales del contraste: el cociente entre el valor mximo y el mnimo, el rango, y la desviacin tpica de los ND de la imagen. A partir de estas medidas puede juzgarse la necesidad de expandir o comprimir el contraste, en funcin de las capacidades de visualizacin ofrecidas por el sistema. Hasta el momento, el primer proceso ha sido empleado rutinariamente en la mayor parte de las aplicaciones. Fin cuanto a la compresin del contraste, resulta una materia de creciente inters con objeto de reducir el volumen de almacenamiento de
236
TliLiDHTECCION AMBIENTAL
l a s imgenes y aprovechar ntegramente los equipos de visualizacin de bajo coste. A continuacin se presentan con mayor detalle ambos procesos. Se i n i c i a ese comentario con el a n l i s i s de la tcnica que permite aplicarlos operativamente: el diseo y empleo de l a s tablas de color. 5.1 .1. Tablas de referencia de color
Una tabla ncia del color (('olor Look Li Idblc. CLUT). o simplemente tabla de color, es una matriz numrica que indica el nivel visual (NV) con el que se representa en pantalla cada uno de los ND de la imagen. La CLUT se inserta entre la memoria de refresco \ el tubo de imagen del monitor, lo que permite modificar la relacin entre el ND almacenado en disco y la intensidad de b r i l l o con que se visualiza (NV). En otras palabras, ambos valores no tienen porqu ser iguales. En la mayor parte de los equipos de ADI. la CLUT es una matriz numrica de 3 columnas por 256 l i l a s i v a que el rango de codificacin va de 0 a 255). El orden de la f i la indica el ND de entrada, mientras el almacenado en la tabla expresa el nivel visual (NV). con el que ese NI) ser representado en pantalla. Las tres columnas corresponden a los tres colores elementales (RVA: fig. 6. \4u). Conviene recordar que los equipos de ADI u t i l i z a n el proceso aditivo de formacin del color, por lo que cuanto mayores sean los valores de NV en cada columna, mayor componente de RVA tendr el pxel finalmente visualizado. Caso de que se est manipulando una sola banda, lo normal es que la imagen aparezca en pantalla en tonos de gris. Esto significa que cada ND tiene el mismo componente RVA. Un NV de 0. 0, 0. indica que el ND al que se aplique ser visualizado como negro, mientras que 127. 127, 127, supone un gris medio y 255, 255. 255, blanco. Caso de que los tres valores sean distintos, se estar representando una imagen en color, ya sea con una o con tres bandas. Por cuanto una CLUT implica una relacin numrica entre ND y N V. sta puede tambin representarse grficamente en un diagrama bivariado, en donde el ND de la imagen se s i t a en el eje X, y el NV almacenado en la consola en el eje Y. Si se visualiza la imagen original, s i n ningn realce, la CLUT puede describirse grficamente como una lnea recta, que pasa por el origen 0,0 y por el mximo 255. 255 (fig. 6.14b), lo que supone que el NV sea igual al ND. Con los procesos de expansin o compresin
NV (azul) NV (verde) NV (rojo) 1
255
1 2 3 255
1 2 3 255
2 3 255
min ma x
255
ND
[ ! ( , . 6.14.
Estructura tubular ( a ) y representacin grfica de una tabla de color (b) (CLUT)
ANLISIS DIGITAL DR IMGKNKS: CORRLCCIONLS Y KLAI ( L S 23 7
del contraste se modifica esa relacin, de tal forma que los N V se distribuyan adecuadamente en el rango de la imagen. La utilidad de estas tablas numricas puede comprenderse fcilmente con un ejemplo. Supongamos que se pretende expandir el contraste en una imagen que presente un rango de NI) entre 0 y 127. Para ajlistar dicho rango al que permite el equipo tic visualizacin (0 a 255) bastara multiplicar por dos cada NI) de entrada, lo que ampliara su contraste a un rango entre 0 y 254. Ahora bien, tal opcin conlleva dos problemas importantes: por un lado, transformar los ND i n i c i a l e s para crear una nuea imagen de salida, lo que implica, o bien perder la informacin original, o bien aumentar las necesidades de almacenamiento: por otro lado, ese proceso supone un volumen de operaciones considerable: 786.432 multiplicaciones para una pequea /ona ile s I 2 X 5 1 2 pxeles y tres bandas. Si consideramos que el realce es slo una etapa intermedia, y normalmente efmera, del proceso, parece lgico buscar una a l ternativa a ese mtodo. Gracias a la C l . l ' T no es preciso transformar los ND para modilicarel contraste visual de la imagen. Hasta nicamente transformar la relacin entre N I ) y NV que incluye la C'LU I. de acuerdo al criterio que se estime ms oportuno. En el ejemplo anterior, podra generarse una sencilla funcin donde NV = 2 NI), con lo que se obtendra el mismo electo visual que la multiplicacin de todos los ND, con un considerable ahorro de tiempo, pues la modificacin de una CLUT slo supone 768 clculos (256 NV X 3 caones de color), independientemente del tamao de la imagen. A continuacin se presentan las tcnicas ms habituales en realce digital de imgenes. En pocas palabras, se trata de diversos procedimientos de obtener una CLUT apropiada a un fin especfico: compresin o expansin del contraste, combinaciones en color multi-banda, visualizacin seudo-coloreada y construccin de tablas de color de significado temtico. 5.1.2. Compresin del contraste
En caso de que el rango del sensor supere al nmero de niveles de gris que pueden visualizarse en pantalla, resulta preciso comprimir los ND originales, ajustando el rango de la imagen al permitido por el terminal grfico. Estos ajustes son necesarios en dos casos: 1) cuando se cuenta con un sistema grfico de reducida potencia, o 2) cuando se trabaja con un sensor de gran sensibilidad radiomtrica. La mayor parte de los equipos de visualizacin cuentan con una resolucin en pantalla de 8 bits para cada uno de los tres caones de color (rojo, verde y azul). Esto permite visualizar una banda en 256 niveles de gris, o tres en unos 16,8 millones de tonos de color (= 256'). Hace algunos aos, las tarjetas de bajo coste slo disponan de un nmero mucho menor de colores (habitualmente 256 por pxel), lo que les impida visualizar todo el rango de ND recogido originalmente por el sensor. Por esta razn, cuando se trabajaba con estos equipos resultaba necesario comprimir el contraste original de la imagen al nmero de NV disponibles. Asimismo, la compresin es precisa cuando se pretende visualizar una imagen AVHRR. codificada en 10 bits. Ikonos en I I bits, o una del SAR (16 bits), sobre un monitor grfico que slo admite 8 bits. El problema puede solventarse de dos formas: eliminando una parte de la escala que no se considere relevante, o estableciendo una funcin de compresin de datos. La primera
238
TF.LEDETECCIN AMBIENTAL
solucin es bastante obvia, aunque poco habitual, va que supone una eliminacin arbi iraria de datos, La segunda puede abordarse por distintos criterios. Lo ms habitual es reducir el rango original de ND a un nmero conveniente di intervalos, de forma que la visualidacin en color resultante se asemeje en lo posible a color real. Esos intervalos suelen sealarse en funcin de las caractersticas de la dis tribucin de los ND. Pueden indicarse intervalos de igual anchura, que contengan c, mismo nmero de elementos, o que tengan unos mrgenes delimitados por el intrprete, fin cualquier caso, a cada uno de ellos se le asigna un nico NV. eliminando su variacin interna. Al reducirse el contraste de la escena, los colores se diferencian menos entre s. reducindose la calidad de la visualizacin. No obstante, si la seleccin de colores es apropiada puede lograrse una visuali/acin de bastante calidad. Para el caso de 3 bandas resulta habitual asignar niveles a cada can de color, con loque la composicin contar con 216 tonalidades en pantalla (6!). Existen otros algoritmos de compresin de imagen algo ms refinados, que controlan el nmero de intervalos asignables a cada banda de la composicin en color mediante un proceso similar a la clasificacin no supervisada de la imagen, que luego veremos (Baudot, 1990; Mulla; 1988/?). Normalmente parten de establecer una serie de particiones en el espacio tridimensional formado por las tres bandas que forman una composicin en color. En funcin de la anchura del histograma de cada banda se asignan ms o menos particiones por color. Para asignar un intervalo de ND a cada una de esas particiones se establece el rango de variacin ms significativo en cada una de las bandas, calculado a partir de su media y desviacin tpica. Finalmente se clasifican los ND de la imagen en la particin ms cercana en ese espacio. El resultado del proceso es una nueva imagen, mono-banda, que se asocia a una CLUTpara representar, con la mayor semejan/a posible, la variacin cromtica de la composicin multi-banda. aunque slo precisa la tercera parte de almacenamiento. Actualmente, la mayor parte de los equipos cuentan con tarjetas grficas de mucha mayor potencia, por lo que la compresin de imgenes no ser una tarea vital, salvo por problemas de almacenamiento. En ese caso, es ms comn utilizar algoritmos de compresin del color, que consiguen una calidad apenas diferenciable de la original a una fraccin de su tamao. Son bien conocidos en la informtica grfica algunos algoritmos de compresin como el LZW, que permite crear imgenes GF (Graphics Interchange Formal), muy utilizado en la edicin de pginas web, aunque limitado a 256 colores, el JPEG (Joint Photographic Expert's Group), que acepta hasta 24 bits por pxel y garantiza ratios de compresin de hasta 20:1 sin apreciable prdida de calidad, y ms recientemente el PNG (Portable Nelwork Graphics), desarrollado por Compuserve y W3C, que acepta tambin hasta 24 bits por pxel e incluso ima capa adicional para superposiciones, aunque los ratios de compresin no son tan altos como los JPEG. ltimamente se han desarrollado nuevas tcnicas para la compresin masiva de imgenes, de cara a su distribucin a travs de Internet. Entre ellas, estn teniendo bastante aceptacin las basadas en onditas (wavelets), que consiguen ndices de compresin bastante altos con baja prdida de informacin.
239
5.1.3.
Expansin del contraste
Ms habituales que los procesos de compresin son las tcnicas de realce del contraste, porque la mayor parte de las imgenes olrecen un rango real de ND inferior a las capacidades del equipo de visualizacin. Aunque la resolucin radiomtrica de la ma\or parle tic los sensores actuales es de 8 bits por pxel, en la prctica ninguna imagen aprovecha lodo ese rango, ya que difcilmente en una sola escena se encontrarn todos ios posibles valores de radiancia para los que se calibr el sensor. De esta forma, el hisi'irama real de los ND de cualquier imagen nunca satura los 256 posibles ND de la miagen. Visualmente esto implica que haya tonos de gris que no se utilicen, con lo que imagen aparece en el monitor con poco contraste. Por ejemplo, la figura 6.15a presenta la banda 3 de nuestra imagen de ejemplo, tal y como corresponde a sus ND originales. Como puede observarse, la imagen ofrece un bajo contraste, difuminndose algunas caractersticas de inters. Como ya vimos al analiz.ar el histograma, esta banda presenta un rango de ND que ocupa slo un pequeo sector de los 256 ND posibles, lo que confirma su reducido contraste. De acuerdo a las ideas antes comentadas es posible realzar ese contraste, diseando una CLUT que haga corresponder el rango de ND presente en la imagen con el total de los NV posibles. Varios procedimientos pueden conseguir este objetivo: I) distribuir los NV linealmente, entre el mximo y mnimo ND de la imagen (fig. 6.15/?),
Fl(. 6.15. Diversos realces del contraste sobre la imagen: a) sin realce; b) realce lineal; c) realce frecuencia!; d) realce especial sobre reas de baja radiancia.
240
255
TliLKDHTRCCIN AMBIHNTAL
127
255
Fi(. 6.16.
Expansin lineal tlcl hslogrania v perfil tic la Cl.ll'l'. El histograma original aparca1 al fondo en gris.
2) distribuir los NV a partir del histograma de los ND originales (fig. 6.15c), y 3) distribuir los NV en un determinado rango de inters (fig. 6.15/). Estos son los tres procesos de expansin del contraste que a continuacin se analizan. Para presentar estos realces consideraremos una CLUT de una sola columna. Si se pretende un realce para una composicin en color se seguira un modelo similar para expandir cada una de las bandas que la formen. 5.1.3.1. Expansin lineal
Es la forma ms elemental de ajustar el contraste de la imagen al permitido por el equipo de visualizacin. Basta disear una CLUT en la que el ND mnimo y mximo de la imagen tengan asociados un NV de 0 y 255, respectivamente, distribuyendo linealmente el resto entre ambos mrgenes. En la figura 6.15^ aparece la imagen anteriormente presentada tras aplicarle una expansin lineal del contraste. Como puede observarse, la imagen aparece ahora ms ntida, mejor contrastada. Su histograma ofrece una distribucin ms equilibrada (fig. 6.16). Las colas del histograma se han fijado en los extremos del rango y los valores intermedios estn mejor repartidos en la escala. La representacin grfica de la CLUT supone una lnea de mayor pendiente que la anterior, comprendida ahora entre los ND mnimo y mximo de la imagen. Para llevar a efecto esta transformacin se precisa encontrar una funcin lineal, que ajuste la relacin ND-NV de acuerdo a la relacin antes comentada. Esa funcin nos permite construir una CLUT apropiada, en la que se sustituya la correspondencia NV = ND. por una nueva, en donde los NV ocupen el rango completo de visualizacin y no slo el que ofrece la imagen original. En definitiva, se trata de establecer una ecuacin lineal del tipo siguiente: 16.81
ANLISIS DIGITAL DE IMGBNHS: CORRLCCIONLS Y RLALCLS
241
en donde cada NV es una funcin de los ND originales, tras aplicarles dos constantes, denominadas sesgo (bicis) y ganancia (gain), respectivamente. Para conocer el valor de s y > basta aplicar un sencillo sistema de ecuaciones. Ya que sabemos que el mnimo y el mximo ND deben igualarse a 0 y 255. respectivamente, puede expresarse:
0 = .v + ,i>'NDmin ,v =--------------------
-255- ND
NDmax - NDmin
|6.1() |
Aunque la transformacin puede expresarse en un solo trmino como: ND-ND N V = ----------- ----- 255
ND,,,:1, - NDmin
|6.11]
pero resulta ms apropiado utilizar f6.8|, por ser la frmula convencional en transformaciones lineales de datos. En lugar de igualar el NDmiv y el NDinin a los valores mximo y mnimo, respectivamente, tambin pueden extraerse otros valores menos extremos, como los percenliles del 95 y 5 %, o un cierto nmero de desviaciones tpicas por encima y por debajo de la media. Esto permitir que tengan menos influencia posibles valores anmalos que presente la imagen. Un ejemplo concreto puede ayudar a comprender mejor el proceso. Para obtener la expansin lineal del contraste antes presentada se parti de las medidas estadsticas de la banda 3 (tabla 6.1) que sirvieron para aplicar las frmulas anteriores. Fin este caso se estableci un umbral mnimo y mximo a partir de la media dos desviaciones tpicas. En consecuencia, el rango a expandir se situ entre 28 y 89 ND. De acuerdo a [6.9 y 6.10]: g =255/(89-28) = 4.18
s = (-255 * 28) / (89-28) = -1 17,049
242
TABLA 6.2.
V/ J II
Expansin lineal de la imagen Torre 100 (Media 2 S)

V/J
w
(1
NV 154
1' |9<
; 2 : ^
V/J 1 l() :^
NI) i 95 !()()
NV
65 70
7^
5 10 15
20
(]
135
1 K) 1r
255
,,;.-
0
!
25 30 35 40 45 50 55 60
1) 0 29 5 1 1 ; 91 12
SO
217 23X
01
0i 10 i 15
!()
133
1 25
255 255 255 255 255 255

2 ;< S
150 155
160
255 255 255 255 255 255 255 255 255
205 210
1\?
25 5 25 25 25
220
230
2^5 252 5 -,
165 170
1 75
180
!S-191
235 240 245 250

2:: 5
25 25 25 25 25
->s
Con eslos valores puede construirse la CLUT que aparece en la tabla 6.2. de acuerdo a la siguiente expresin: N V = ENT (-1 17,049 + 4.18 ND) la expresin ENT indica que el resultado se redondea al entero ms cercano. Adems. NV = 0 cuando N V < 0, y N V = 255 cuando N V > 255, puesto que la tabla de color slo puede estar formada por nmeros enteros entre 0 y 255. Esta tabla puede representarse grficamente, de forma similar a cualquier recta de regresin (fig. 6.16). 5.1.3.2. Ecualizacin del histograma
La expansin lineal del contraste no tiene en cuenta la distribucin de los ND en una imagen, sino slo sus extremos. Parece lgico, sin embargo, tener en cuenta la distribucin real de valores, aplicando una expansin proporcional a la frecuencia de aparicin de cada uno de los ND. Esto implica generar una CLUT en la cual cada NV tenga, aproximadamente, el mismo nmero de ND de la imagen. En otras palabras, aquellos ND con mayor nmero de pxeles sern los que, proporcionalmente, ocupen un mayor rango de visualizacin en el monitor. El proceso es ms laborioso que el comentado previamente, pero ofrece mejores resultados, especialmente si la imagen original presenta una distribucin gausiana. Como puede observarse en la figura 6.15c, la ecualizacin del histograma ha supuesto un realce ms equilibrado, mostrando menos contraste entre las zonas de alta reflectividad y las de baja. A consecuencia de este realce, el histograma de la imagen ofrece una mejor distribucin de los datos (fig. 6.17). Tambin se evidencia que el perfil grfico de la CLUT no es recto sino curvilneo, similar al que tendra el histograma acumulado de los ND originales. La lgica de clculo pasa por igualar el histograma de los NV con el de los ND. Para construir una CLLIT con un trazado similar al histograma de la imagen puede seguirse el proceso de la tabla 6.3.
ANLISIS DIGITAL DE IMGENKS: CORRECCIONES Y REALCES 255
243
127
255
Fio. 6.1 7.
Expansin frecuencial del histograma v perfil le la C.UT.
1. Calcular la frecuencia absoluta y acumulada de los ND de la imagen original. 2. Esta frecuencia se compara con una frecuencia objeto, que sera la que se ob tendra si todos los NV de la imagen tuvieran la misma frecuencia (el cociente entre el total de pxeles de la imagen y el nmero de N V posibles). En nuestro caso, la frecuen cia objeto sera 736.136 / 256; esto es, 2875,53 pxeles por cada N V. Trabajando con frecuencias relativas, cada NV debera albergar el 0,3906 % de los pxeles de la ima gen. Estos valores tambin se acumulan para compararlos con la frecuencia acumula da de los ND de la imagen. 3. De esta comparacin se selecciona, para cada ND, el NV que presente un va lor ms prximo en la frecuencia objeto acumulada. En la tabla 6.3 se incluye un resumen de los clculos necesarios para obtener una tabla de color con expansin frecuencial. Para simplificar las cosas hemos seleccionado nicamente rangos de 5 ND. En consecuencia, cada intervalo en la frecuencia objeto debera presentar 1,95 % de los pxeles de la imagen. Como observamos en esta tabla, el N V correspondiente a todos los ND inferiores a 25 es 0. porque su frecuencia objeto ms similar es la correspondiente al NV = 0 (la frecuencia acumulada de la imagen en todo ese rango es 0,056 y la frecuencia objeto acumulada es 1.95). De la misma forma, al ND = 40 le corresponde el NV = 30, porque su frecuencia acumulada (12,993) es ms similar a la del NV = 30 (13,672), y as sucesivamente hasta culminar el proceso. 5.1.3.3. Expansin especial del contraste
Supone un caso particular de los mtodos anteriormente estudiados. La novedad radica en restringir el contraste a un rango especfico de ND, en donde se manifieste con mayor claridad una cubierta de inters. Por ejemplo, en una aplicacin sobre zonas
TABLA 6.3.
Realce frecuencia! de! contraste
ANLISIS DIGITAL DH IMGENES: CORRECCIONES Y REALCES 24 5
marinas convendr resaltar especialmente la visualizacin de los valores ms bajos del histograma. aunque se pierda contraste en otros rangos de la imagen. La expansin especial puede realizarse sealando un umbral mximo y mnimo, acorde con el rango digital de la cubierta que pretende realzarse (mtodo l in e a l) , o limitando el histograma objeto a una ventana de la imagen donde est presente dicha cubierta (realce recuencial). En ambos casos, esta operacin supone afinar mucho ms la representacin visual de esa cubierta, en detrimento del contraste en otras reas. ' na muestra de este realce puede observarse en la figura 6.15c/, que recoge una expansin parcial sobre las zonas de baja radiancia florestales y agua). Como puede observar se. queda ms en evidencia la variacin interna de estas cubiertas, especialmente en i caso de los embalses de la imagen y las zonas forestales situadas en el lmite occidental. En estos sectores pueden observarse algunas diferencias internas apenas perceptibles en los anteriores contrastes. Como contrapartida, centrarnos sobre ese rango implica perder definicin en el resto del rango tonal de la imagen, como consecuencia de haber expandido un intervalo de visualizacin muy pequeo. Un caso particular de este tipo de expansiones sera la binarizacin de la imagen. Su objeto es reducir el contraste de la imagen a dos tonos, blanco y negro, con lo que la CLUT aparece con un perfil tpico de escaln. El primer peldao sita todos los rangos que ocuparn un tono negro, y el segundo los que presentarn un tono blanco. Este tipo de procesos se utilizan para aislar un sector de ND de inters para un anlisis posterior. Por ejemplo, pueden separarse los ND correspondientes a la zona de agua en un estudio oceangrafico, de cara a evitar los ruidos que podran llevar consigo las zonas costeras. Lgicamente en este caso, no se trata de una expansin, sino de una compresin del contraste, muy drstica, pues toda e l l a quedara reducida a dos niveles. 5.2. COMPOSICIONES EN COLOR
A partir de la informacin multi-espectral que generan la mayor parte de los sensores espaciales pueden obtenerse distintas composiciones de color. Basta para ello aplicar cada uno de los tres colores primarios (rojo, verde y azul) a una banda distinta de la imagen, seleccionada con el criterio y en el orden que se estime ms oportuno. El proceso permite visualizar, simultneamente, informacin de distintas regiones del espectro, lo que facilita la delimitacin visual de algunas cubiertas. Por tratarse de bandas distintas, la CLUT aplicada a una composicin en color presenta tres columnas con distintos valores. Nonnalmen-le, stos se corresponden con los obtenidos en una expansin del contraste aplicada por separado a cada una de las tres bandas que intervienen en el proceso. La eleccin de las bandas para realizar la composicin, y el orden de los colores destinados a cada una, dependen del sensor sobre el que se trabaje y de la aplicacin ltima del proyecto. Como ya vimos anteriormente (cap. 5, apdo. 2.2), la composicin ms habitual es la denominada falso color o infrarrojo color, fruto de aplicar los caones de color rojo, verde y azul sobre las bandas correspondientes al IRC, R, V, respectivamente (fig. 12*). Esta composicin facilita la cartografa de masas vegetales, lminas de agua, ciudades, etc., de ah que se haya empleado profusamente en diversos estudios de anlisis visual.
246
TELEDETHCCIN AMBIENTAL
Con la creciente proliferacin de los sensores hiperespectrales. las posibilidades de realizar composiciones coloreadas de bandas son prcticamente ilimitadas. Lgicamente, slo algunas tendrn un inters especfico para una determinada aplicacin, y muchas de ellas sern casi idnticas. De cara a establecer algn criterio ms objetivo para seleccionar las bandas ms adecuadas para una composicin en color se han propuesto algunos ndices estadsticos y cromticos, que permiten retener mejor la varianza original de los datos. De esta forma se define el denominado ndice ptimo (Optimum Index hactor, OIF):
donde ,vt indica la desviacin tpica de cada una de las tres bandas que intervienen en la composicin y r, el coeficiente de correlacin entre cada par de esas mismas bandas (Jensen, 1996, pp. 97-100). Otros mtodos propuestos para seleccionar la composicin en color idnea tienen en cuenta el elipsoide de mxima variacin, que supone un planteamiento novedoso frente a los mtodos estadsticos convencionales (Sheffield. 1985) y el valor de la divergencia (Mather, 1998), que luego comentaremos (cap. 7, apdo. 2). Los resultados de estas tcnicas muestran una tendencia similar. Para las imgenes TM, con las que se han aplicado profusamente estos ndices, la mayor parte selecciona una banda en el VIS, otra en el IRC y otra en el SWIR. identificando as los tres ejes principales de variacin en una imagen TM (excluido el trmico).
5.3.
EMPLEO DEL SEUDO-COLOR
Varios autores han puesto en evidencia que el ojo humano es ms capaz de distinguir tonos de color que intensidades de brillo (Ruiz, 1994). Por tanto, el empleo del color puede ayudar a la interpretacin de una imagen, incluso si slo disponemos de una banda. En estos casos, no podemos hablar propiamente de color, pues se requeriran tres bandas, sino ms bien de seudo-color. Para una mezcla de tres bandas utilizamos distintos NV en cada can de color (R, V,A), siendo iguales cuando se visualiza una sola banda (en blanco y negro). Sin embargo, podemos disear tambin una CLUT en donde se varen los NV para los tres colores, aunque slo haya una banda de ND de entrada. En otras palabras, el seudo-color implica crear una CLUT que asocie el NDde una sola banda a distintos componentes de rojo, verde y azul. Esto puede tener sentido en dos casos: 1) cuando se pretenda obtener una clave de eolor en una imagen clasificada, y 2) cuando se intente realzar el anlisis de una determinada banda de la imagen, sustituyendo los niveles de gris por tonos de color. Tambin se utiliza el seudo-color cuando se comprime una imagen en color de 24 a 8 bits, generndose una paleta de color que se asimile a la variedad cromtica original contenida en la composicin de las tres bandas de entrada. A modo de ejemplo, aparece en la tabla 6.4 una CLUT diseada para representar visualmente una imagen clasificada. En ella, cada ND indica una ciase temtica distinta (por ejemplo, una categora de ocupacin del suelo), que ser visualizada en panta-
ANLISIS DIGITAL Dil IMGENES: CORRECCIONES Y REALCES 24 7
l i a con distintos tonos de color. El ND I (supongamos que indique zonas urbanas) se visualizar en color rojo, ya que aplicamos la intensidad mxima de rojo (recordemos que la escala comprende de 0 a 255) y una mnima de verde y azul. De la misma forma, el ND 2. que podra representar cubierta vegetal, se visualizara en verde, dando un valor mximo a esle can de color y mnimo a los otros dos. Lgicamente, se pueden plantear colores por mezcla de distintas intensidades de R,V,A. Por ejemplo, el ocre indica una mxima intensidad de rojo y media de verde, sin azul. La paleta de color disponible permite visualizar, por tanto, combinaciones de 256 niveles RVA, o lo que es lo mismo unas 16,8 millones de tonalidades (2561). Lgicamente, no todos estos colores pueden distinguirse en la prctica, por lo que bastar con seleccionar unos cuantos (entre 10 y 20 suele ser necesario) para construir una clave de color apropiada a cualquier clasificacin temtica. Tambin puede emplearse el seudo-color para visualizar en color alguna de las bandas originales, realzando el anlisis de esa banda. El seudo-color puede aplicarse al conjunto de los ND de la escena, diseando una CLUT formada, por ejemplo, por nmeros aleatorios entre 0 y 255, para cada uno de los tres colores. Ahora bien, esto complicar la interpretacin, pues no habr ninguna escala de referencia para el analista. Por ello, lo ms habitual es aplicar una transformacin del color progresiva, en donde la CLUT tiene una direccin determinada de gradacin: por ejemplo, desde los tonos azules para los ND bajos hasta los rojos, para los ms altos. Una aplicacin concreta de esta tcnica sera la visualizacin de imgenes de temperaturas (6.2.4) o de ndices de vegetacin (cap. 7, apdo. 1.2), que tratan de representar la intensidad de dos fenmenos fsicos (calentamiento y vigor vegetal, respectivamente), y pueden representarse, por ejemplo, por tonos de azul-rojo, en el primer caso, y de ocre-verde, en el segundo. En estos casos, en lugar de aplicar una CLUT a toda la escala de ND original, puede ser recomendable dividir antes el rango original en una serie de intervalos de densidad (density slicing). Este nombre se emplea para indicar que cada uno de esos grupos corresponde a valores de radiancia relativamente similares. Esto facilita la posterior interpretacin visual de los resultados, yaque el observador podr distinguir con mayor claridad entre diversas categoras. Los umbrales que definen cada intervalo pueden establecerse arbitrariamente o con algn criterio estadstico: por ejemplo, sealando una anchura constante a partir del rango, o seleccionando intervalos de la misma frecuencia. En cualquier caso, los umbrales elegidos pueden modificarse interacti-
248
TELHDKTKCCIN AMBIHNTAL
vamente, con lo que el usuario puede detectar, en cada banda, el rango de ND que comprende un fenmeno de inters. Asimismo, le facilita un primer balance de los solapes con otras categoras, de cara a su clasificacin digital.
5.4.1 NATURALEZA DE UN FILTRO DIGITAL Al igual que en ia > . nicas fotogrficas convencionales, el filtro se aplica en anl i s i s digital para a i s l a r componentes de inters. Hemos visto previamente tcnicas que mejoran el contraste lona! en la imagen, esto es. la diferencia entre los valores ms oscuros y mas claros que se \ isuali/an en el monitor. El otro componente de la imagen es el contraste espacial, o si se prefiere la diferencia entre el ND de un determinado pxel y el de sus vecinos. Mediante tcnicas de ultraje se pretende suavizar o reforzar estos contrastes espaciales, de tal forma que los NI) de la imagen se asemejen o diferencien ms de los correspondientes a los pxeles que les rodean. Como ya vimos anteriormente, si trazamos un perfil radiomtrico en una determinada zona de la imagen (fig. 6.13) observamos numerosos picos y valles, a consecuencia de cambios bruscos en las caractersticas radiomtricas de la cubierta del suelo. Como en cualquier serie estadstica, esa lnea podra considerarse como una suma de dos componentes: las bajas frecuencias, que indicaran la tendencia general de la variacin, y las altas frecuencias, que sealaran los contrastes ms locales. El propsito de los filtros digitales es retener unas u otras, en funcin del objetivo que persiga el intrprete. Se denominan, respectivamente, filtros de paso bajo y paso alto. Hay dos procedimientos para llevarlos a cabo: aplicar a todos los pxeles de la imagen una operacin aritmtica que tenga en cuenta el valor de los inmediatos (filtros en el dominio espacial), o retener ciertos componentes de las frecuencias de la imagen (filtros en el dominio de la frecuencia). Los primeros resultan bastante sencillos de comprender y aplicar, mientras ios segundos requieren un aparato matemtico que excede el contenido de este manual. Baste aqu decir que se basan en las transformadas de Fourier, que convierte una imagen en una funcin bidimensional con dos componentes de frecuencia (horizontal y vertical), asumiendo que la variacin de los ND en la imagen puede aproximarse a una funcin continua compleja. Aplicada la transformacin, se obtienen los espectros de Fourier, que representan los componentes de fase y amplitud que definen una determinada imagen. Sobre ese espectro pueden aplicarse ciertos filtros y correcciones, especialmente valiosas cuando se trata de ruidos sistemticos (por ejemplo un bandeado), pues aparecern en una determinada direccin de la frecuencia ( P i n i l l a el ai, 1997; Richards, 1993). Una vez realizada la modificacin puede retornarse al dominio de la imagen aplicando una transformada de Fourier inversa. Hemos incluido los filtros digitales en este captulo porque las tcnicas de filtraje se dirigen, directamente, al realce visual de la imagen. Al igual que las operaciones antes comentadas, pretenden mejorar la visualizacin de las imgenes, ya sea para eliminar valores anmalos, ya para resaltar rasgos lineales de inters. Sin embargo, a diferencia de las operaciones ya comentadas, el filtraje implica modificar los ND originales, y no slo la forma en que se representan visualmente. En otras palabras, no se trata
249
slo de transformar los NV almacenados en las CLUT, sino tambin los ND de la imagen (aunque habitualmente se realice en memoria grfica, para no perder los datos originales). Por tanto, si pretende abordarse una clasificacin digital, las imgenes filtradas no resultan, en principio, muy convenientes, aunque refuercen visualmente rasgos de inters respecto a la imagen original. Como hemos indicado, se suelen distinguir dos tipos de filtros de acuerdo al objet i v o que se persiga: los filtros de paso bajo (low pass filtering) tienden a destacar el imponente de homogeneidad en la imagen, subrayando aquellas reas donde la I re ncia de cambio es baja, mientras los filtros de paso alto (hii>h pass/Uterina) se dirialzar los componentes de alta frecuencia: esto es. aquellas reas de alta variabilidad, donde el contraste espacial es intenso. Ambos tipos de filtrado pueden abordarse con el mismo mtodo. Si el objetivo ltimo es ponera ios pxelesde la imagen en relacin con sus vecinos (ya sea para homogenei/arlos, ya para diferenciarlos), basta reali/ar una serie de operaciones aritmticas entre cada uno de ellos y sus inmediatos. La forma concreta de efectuar este proceso es aplicar sobre los NL) originales una matriz mvil de coeficientes de filtraje (CF). lista matriz, (denominada, por algunos autores, kcnwl) puede tener un tamao variable, en funcin del nmero de pxeles vecinos que queramos implicar en el proceso. Lo habitual es que se trate de una matriz de 3 X 3 CF, que se aplica sucesivamente a todos los pxeles de la imagen. Puede tambin disponerse de matrices de filtraje mayores, de 5 x 5 o 7 X 7 pxeles. Cuanto mayor sea sta, el efecto de suavizado o realce espacial es ms intenso, al considerar corno vecinos un mayor nmero de pxeles. En cualquier caso, la matriz de CF se aplica sucesivamente a la imagen original, desplazndose hacia la derecha tras calcular el nuevo valor del pxel central, que es el nico que se modifica en cada desplazamiento (fig. 6.18). El siguiente clculo, s in embargo, se obtiene de los ND originales, y no de los ND ya filtrados, con objeto de que loda la imagen tenga la misma funcin de filtrado. El resultado de un filtro digital depende de los CF sealados por el usuario. Si stos tienden a ponderar el valor central en detrimento de los circundantes, el pxel refuerza sus diferencias frente a los vecinos. Por el contrario, si los coeficientes favorecen a los pxeles perifricos, el central se asemejar ms a los adyacentes. Es obvio decir que en el primer caso nos encontraramos ante un filtro de paso alto, mientras en el segundo sera de paso bajo. En suma, el procedimiento matemtico del fillraje consiste en relacionar cada pxel con sus vecinos, de acuerdo a unos coeficientes determinados por el usuario. En el caso de una matriz de 3 X 3 CF, la formula para obtener el ND filtrado sera (Mather. 1998):
donde ND, / indica el ND original del pxel /,_/; ND., el ND de salida para ese mismo pxel; CF. el coeficiente de filtraje correspondiente, y/y c la fila y columna central de la matriz de filtraje. El resultado de esta frmula se aproxima al entero ms cercano. Tambin se ha propuesto dividir el numerador por el nmero de pxeles de la ventana de filtrado (9 si se trata de 3 x 3), independientemente de los CF que se sealen.
250
TEI.EDF.TECC1ON AMBIENTAL
Fifi. 6.1 S. Diagrama sobre el funcionamiento de un filtro espacial. Ett cuta momento se aplica la operacin sobre el p.xcl central (en ;ris) de la matriz de filtraje.
El proceso abordado en un Ultraje puede ilustrarse con un sencillo ejemplo. Se pretende aplicar un filtro de paso bajo a una pequea imagen de 5 x 6 pxeles, empleando la frmula anterior sobre una matriz de 3 x 3 CF (fig. 6.19). La observacin del resultado permite extraer algunas consideraciones de inters. En primer lugar, se constata que el rea filtrada se limita a los pxeles centrales. Los pxeles de borde no se afectan por el proceso, puesto que no tienen los 8 vecinos necesarios para realizar el clculo. Esta caracterstica es comn a cualquier filtraje, ya sea de paso alto o bajo. Obviamente, en el caso de una imagen de mayor tamao ( 5 1 2 x 5 1 2 pxeles, por ejemplo), la prdida de esos pxeles de borde no supone una grave inconveniencia.1 Otros autores prefieren aplicar algn promedio especial a estos pxeles. en lugar de igualarlos a cero.
12 10 25 18 14 14 18 15 16 16 21 17 18 20 24 35 27 24 20 32 38 40 29 27 34 40 43 39 36 0 0 0 0 0 0 17 17 18 0 0 21 21 19 0 0 29 28 25 0 0 35 35 31 0 0 0 0 0 0
Imagen origina
magen filtrada
Fie;. 6.19. Ejemplo de filtraje digital.

4. En una matriz de filtraje de 3 x 3 se pierden la primera y ltima t i l a y eolumna. Si empleamos matriees de mayor tamao, la merma ser ms significativa: con 5 x 5 se perderan las dos primeras y ltimas; con 7 x 7 las tres, ele
ANLISIS DIGITAL DH IMAGKNHS: CORRKCCIONKS Y RLAl.CHS
251
Volviendo a nuestro ejemplo, el nuevo ND del pxel central se calcula por un promedio de los 8 vecinos, con una pequea ponderacin del valor central, lisos coeficientes se han aplicado a todos los pxeles centrales de la imagen. Por ejemplo, el situado en la f i l a 3. columna 3. con un ND inicial de 17 se convierte en la nueva imagen en: ND'3,3 = ( 1 8 + 21 +35 + 15 + 2 x 17 + 27 + 1 6 + 18 + 24)/ 10 = 20,8-21 que es un valor mas cercano al sector oriental de la imagen, con valores bajos. De igual orina se procede con el resto de los pxeles hasta obtener la imagen filtrada. Al terminal el proceso, el contraste global se ha reducido: mientras la desviacin tpica original de los 12 pxeles afectados por el Ultraje es 8,91. la correspondiente a los filtrados es indica una mayor homogeneidad espacial en la nueva imagen. Un efecto ms 1.1 aro se hubiera obtenido al analizar una mayor superficie y/o aplicar un promedio simple en la matriz de CF. Un proceso similar se empleara para cualquier otro tipo de filtra je.
5.4.2.Filtros de paso bajo Tienen por objetivo suavizar los contrastes espaciales presentes en la imagen. Rn breves palabras, se trata de asemejar el ND de cada pxel al de los pxeles vecinos, reduciendo la variabilidad espacial de la escena. En trminos visuales, esto supone que la imagen filtrada ofrece perfiles menos ntidos, ms difuminados, como puede apreciarse en la figura 6.20, que recoge la banda 4 original y filtrada de la imagen que venimos comentando. Si comparamos ambos sectores de esta figura se observa ntidamente el efecto del filtraje. Como vemos, la imagen filtrada se muestra bastante difumina-da, se han perdido la mayor parte de los contrastes espaciales, especialmente en lo que se refiere a la red vial de las reas residenciales (A en la figura 6.20). El efecto es ms evidente cuanto mayor es el tamao de la ventana de filtraje. A cambio, la diferencia en la seal radiometrica entre estas zonas y las no urbanizadas se habr hecho ms patente, al eliminarse gran parte del contraste interno. Este tipo de filtraje se u t i l i z a para restaurar los errores aleatorios que pueden presentarse en los ND de la imagen, fruto de un defecto en la adquisicin o recepcin de los datos. As mismo, se ha empleado para reducir la variabilidad espacial de algunas
Fio. 6.20.
Filtros de paso bajo sobre una ventana de TonelOO: de tzi/da. a deha.: original, filtro de 3 X 3, filtro de 9 X 9.
252
TKLHDETliCCION AMBIENTAL
categoras, como paso previo a la clasificacin. En este caso se pretende atenuar el denominado ruido de la escena, producido en las zonas altamente heterogneas en relacin con la resolucin espacial del sensor. El caso ms claro, y el ms estudiado, es el que se produce en las zonas urbanas, en donde se mezclan distintos tipos de cubierta en un reducido espacio. Para disminuir esta variabilidad espacial se han propuesto diversos filtros de paso imjo, que tienden a homogeneizar los ND de esas zonas. El electo de estos filtros M- ha mostrado bastante eficiente de cara a la clasificacin digital (Cushnie y Atkinson. 98 v Haack el al., 1987). Tambin el filtro de paso bajo puede u t i l i zarse para ohtenei la seal de fondo cuando intentemos comparar un ND con su contexto, de cara a la deleccin de algn rasgo de inters que sea especialmente anmalo en su entorno, como ocurre con los fuegos activos (Flasse y Ceccato, 1996) o las nubes (Saunders y Knebel. 1988). o para obtener la reflectividad caracterstica de una zona de cara a corregir el electo de adyacencia (Richter, 1997). El filtro de paso bajo puede obtenerse a partir de diversas matrices de ultraje. Algunas de las ms habituales son:
1) 1.00 1.00 1.00 1.00 1.00 1,00 1.00 1.00 1.00 2) 1.00 1.00 1,00 1.00 2,00 1,00 1,00 1,00 1.00 3) 0.25 0.50 0 SO 1,00 0.50 0.25 0.50 0.25
La primera es un simple promedio de los 9 pxeles que componen la ventana de Ultraje, mientras las dos siguientes ponderan un poco el valor central para evitar una excesiva prdida de detalle. En los ltimos aos se ha aplicado con buen rendimiento otro t i p o de filtraje, basado sobre la mediana en lugar de la media. El filtro mediano consiste en sustituir el ND del pxel central por la mediana de los ND correspondientes a los pxeles vecinos. Su inters se corresponde con el propio de la mediana como medida de centralidad, ya que es menos sensible a los valores extremos y entraa una menor modificacin de los datos que la media aritmtica; de ah que se haya recomendado su empleo dentro de las tcnicas de anlisis exploratorio de datos (Shaw y Wheeler. 1985). En el contexto del ADI se ha empleado para eliminar valores anmalos aislados, fruto de ruidos aleatorios en la adquisicin de los datos. Preserva mejor los contornos que el filtro promedio, pero demanda un mayor volumen de clculo. Se ha aplicado con xito para reducir el moteado brillante (speckle) de las imgenes radar (Blom y Daily. 1982). 5.4.3. Filtros de paso alto
Este tipo de filtros pretende aislar los componentes de alta frecuencia en una imagen. En trminos espaciales, esto supone remarcar digitalmente los contrastes espaciales entre pxeles vecinos, enfatizando los rasgos lineales presentes en la imagen, como carreteras, parcelas o accidentes geolgicos. En definitiva, se intenta reforzar los contornos entre reas homogneas, evidenciando cualquier discontinuidad. Varios mtodos pueden conseguir este objetivo. El ms sencillo pasa por restar
ANLISIS DIGITAL. DK IMGBNHS: C'ORRKCCIONliS Y R I . A 1 . C I . S
253
de la imagen original la obtenida por un filtro de paso bajo. La razn es bastante obvia: si lo que se pretende es aislar los componentes de alta frecuencia ( a l t a variabilidad), hasta restar de la imagen original aquellos correspondientes a la baja frecuencia, con lo que slo quedaran los requeridos, que se aadiran a la imagen original. En suma:
ilonde ND' corresponde al ND de salida. NI) al original, y ND; al resultado de mi filtro ik paso bajo. Ms comn es. sin embargo, emplear matrices de filtraje. similares a las anteriormente analizadas. En este caso, los CF se disponen de tal modo que se retuerza el contraste entre el pxel central y los vecinos. Dos matrices frecuentemente utilizadas son:
41 5)
ambas se derivan del anlisis de gradientes de cambio en la imagen. El segundo filtro, denominado Laplaciano, se recomienda para el realce de rasgos lineales en la ciudad (Jensen, 1996). Puede analizarse la aplicacin de este filtro sobre la imagen Torre!00 en la figura 6.21. El proceso implica un mayor realce de los abundantes rasgos lineales de la imagen: carreteras y lneas de ferrocarril, viario urbano, etc.. que aparecen con color claro, quedando las reas homogneas en oscuro. Puede abordarse un filtro menos severo i n crementando el valor del pxel central, lo que permitir conservar mejor la radiometra original de la imagen. Para reforzar an ms las fronteras entre categoras puede ser recomendable aplicar filtros no lineales, que se dirigen a realzar los gradientes de cambio en la imagen. Uno de los ms empleados es el denominado detector de bordes de Sobel (Gonzlez y Wintz. 1977). que realza la variacin entre filas y columnas de la matriz de filtraje. En una ventana de 3 X 3 pxeles. el ND del pxel central se calcula de la forma siguiente:
. 6.2 1.
Filtros de paso alto sobre una ventana de TorrelOO: a) original, b) filtro laplaciano de 3 X 3, c) filtro de Sobel.
254
THLKDKTECCION AMBIENTAL
El efecto de este f i l t r o sobre nuestra imagen puede observarse en la figura 6.21c. Se remarcan con claridad las principales vas de comunicacin, los lmites del embalse y de los ncleos residenciales, mientras quedan en tonos oscuros nicamente los sectores de mayor homogeneidad. Hl resultado parece algo ms rgido que el filtro laplaciano. pero recoge mejor los gradientes de cambio en este sector de la imagen. Adems de los filtros arriba expuestos, una forma sencilla de realzar los bordes sera realizar una copia de la imagen, desplazarla una fila y/o columna sobre la original y restar ambas. Aquellos pxeles que ofrezcan un valor cercano a 0 indicarn reas de escasa variacin, mientras cuanto mayor sea esta diferencia, mayor ser tambin el contraste especial entre pxeles vecinos. Asimismo puede definirse una direccin de contraste, hacia valores superiores o inferiores segn sea negativa o positiva la diferencia. Se han desarrollado otros mtodos de realce de bordes para aplicaciones especficas, como son la deteccin de lincamientos (Moore y Waltz, 1983), el realce de plumas de agua (Jenscn. 1996. pp. 162-165), o la delimitacin de calles en una ciudad (Gong y Howarth, 1990c/). Las matrices de filtraje antes comentadas permiten subrayar cualquier rasgo fronterizo de la imagen, independientemente de su orientacin. La misma tcnica puede emplearse para construir filtros direccionales. con el propsito de reforzar aquellas lneas que sigan determinadas orientaciones. Basta disponer adecuadamente los CF, distribuyndolos en sectores de la matriz. Algunos ejemplos de matrices de filtraje para conseguir este anlisis direccional son:
6) Norte
7) Sur
8) Este
9) Oeste
10) Sureste
I 1) Noroeste
1 2 ) Suroeste
13) Noroeste
ANLISIS DIGITAL DH IMGENES: CORRECCIONES Y REALCES
255
Fl(i. 6.22.
Filtros direccionales: a) original; b) filtro este; c) filtro norte: d) filtro sureste.
Conviene indicar que el nombre de estas matrices es consecuencia de la direccin del contraste que sealan, y no de la direccin que estn realmente realzando, que es precisamente la perpendicular. Por ejemplo, la matriz norte estara reforzando lneas situadas este-oeste (en concreto la frontera norte de esas lneas), mientras la este refuerza el borde oriental de las lneas norte-sur. La figura 6.22 recoge la aplicacin de estos filtros direccionales al mismo sector de la imagen que venirnos comentando. Son patentes las diferencias entre las tres direcciones que estamos realzando (especialmente claro el contraste entre el filtro norte y el este), lo que permite analizar patrones direccionales referidos a vas de comunicacin o rasgos geolgicos de inters. Un ejemplo similar del inters de este tipo de f i ltros podemos observarlo sobre la fig. 6.23, que incluye un sector del centro urbano de la ciudad de Madrid (imagen Madrid92). El lector podr comprobar por s mismo la influencia de las distintas matrices de Ultraje sobre la imagen, reforzando las calles que siguen la principal direccin del borde realzado.
256
TKI HDKTECCIN AMBIENTAL
FlG. 6.23.
filtros direccionales sobre una ventana de la imagen Madrid92: a) original; b) filtro norte; c) filtro oeste; d) filtro noreste.
6. Correcciones de la imagen Con este nombre se indican aquellos procesos que tienden a eliminar cualquier anomala detectada en la imagen, ya sea en su localizacin, ya en la radiometra de los pxeles que la componen. Estas operaciones tienden a disponer los datos en la forma ms cercana posible a una adquisicin idnea, por ejemplo, situndolos sobre su posicin geogrfica correcta (georrefereneiacin), o reconstruyendo la radiancia detectada por el sensor a partir de los ND de la imagen. No obstante, el trmino correccin, que da ttulo a este epgrafe, conviene manejarlo con ciertos matices, puesto que no todas las operaciones aqu incluidas pueden calificarse propiamente como soluciones a defectos de adquisicin de los datos. De hecho, la georrefereneiacin cartogrfica de la imagen implica introducir una nueva deformacin, ya que no es posible representar coordenadas geogrficas (latitud, longitud) sobre un plano con total exactitud. Sin embargo, esta operacin es necesaria si se quiere que los resultados del anlisis tengan validez cartogrfica o puedan conectarse con otros datos auxiliares almacenados en un SIG. Hemos incluido en este epgrafe dos grandes temas, las correcciones de la radiometra de la imagen (transformaciones de los ND para solventar los problemas de adquisicin), y las correcciones geomtricas (georrefereneiacin). Comentaremos antes las principales fuentes de error que puede implicar la captura de la imagen.
257
FUENTES DE ERROR EN UNA IMAGEN ESPACIAL
Cualquier imagen adquirida por un sensor remoto, ya sea areo o espacial, presenta una serie de alteraciones radiomtricas y geomtricas debidas a muy variados factores. Esto explica que la imagen finalmente detectada no coincida exactamente con la radiancia-posicin-forma-tamao de los objetos que incluye. En el caso concreto de las imgenes espaciales, las deformaciones ms frecuentes pueden agruparse en cuatro apartados (Bernstein. 1978; Mather, 1998): Distorsiones originadas por la plataforma. Pese a la gran estabilidad de un salelile de observacin, muy superior a la que ofrece un avin, pueden producirse pequeas variaciones en la altitud de su rbita, en la velocidad, o en la orientacin de cualquiera de sus tres ejes: alabeo (roll), cabeceo tpilch). giro lateral (yaw). En el primer caso se producen cambios en la escala de la imagen, mientras, en el segundo, distorsiones de distinto tipo en su geometra de adquisicin (fig. 6.24). Ambos tactores pueden considerarse como no sistemticos, puesto que aparecen de torma espordica y son, por ello, difcilmente predccibles y complejos de modelar (Welch y Usery, 1984).
Fie;. 6.24.
Algunas fuentes de error geomtrico en una imagen espacial.
258
2. Distorsiones provocadas por la rotacin terrestre. Teniendo en cuenta la alti tud orbital y el rea abarcada por el sensor, el electo de rotacin de la tierra puede apa recer claramente en la imagen. Por ejemplo, en el caso del MSS del satlite Landsat, cada imagen de ! 85 x 185 km se adquira, en nuestras latitudes, en unos 28 segundos. En este lapso de tiempo, desde la primera a la ultima lnea de barrido, la Tierra se des plaza sensiblemente (unos 8 km), lo que causa, junto a la propia inclinacin de la rbi ta, una orientacin de la imagen noreste-suroeste. Tambin provocada por la superfi cie terrestre es la variacin del tamao del pxel por efecto de la curvatura terrestre. 3. Distorsiones provocadas por el sensor. Varios factores de distorsin geo mtrica y radime!rica (Hieden deberse al propio funcionamiento del sensor. Como ya vimos, los sensores de barrido electrnico realizan una exploracin perpendicular a la trayectoria del satlite, gracias a un espejo oscilante que enva la radiancia regis trada a una cadena de detectores slidos. Hste movimiento puede alterarse por ano malas del sensor, provocando un efecto de barrido no lineal o cambios en el interva lo de recogida de informacin, lo que implica transformar la resolucin efectiva de la imagen. Un segundo efecto debido al sensor se relaciona con el ngulo de barrido o campo de visin global. En el caso de sensores con un ngulo ancho de barrido (AVHRR o MODIS, por ejemplo), se presenta una distorsin panormica amplia, tanto mayor cuanto ms nos alejamos del nadir. En consecuencia, el tamao del pxel vara sensiblemente desde el centro hacia los extremos de la imagen (en el caso del AVHRR, con un tamao de pxel en el nadir de 1 , 1 x 1 , 1 km, se puede llegaren los extremos a un tamao de 2,4 X 6.5 km: Goward el al.. 1991). Esto implica, junto a las deformaciones geomtricas, una notable variacin en las perturbaciones debidas a la atmsfera, ya que el espesor ptico cambia del nadir a los extremos. Cuando se trata de sensores con menor campo de visin (ETM o HRVIR), estos efectos son de menor calibre. Otro problema frecuente que plantea el sensores la falta de calibracin entre detectores. En los sensores de barrido la exploracin se realiza en varias lneas simultneamente, por lo que requieren varios detectores por banda. Resulta muy importante que todos ellos traduzcan uniformemente la seal detectada, con objeto de que la misma radiancia recibida no se codifique en ND distintos. En ocasiones ese ajuste entre detectores se deteriora, provocndose un efecto de bandeado en la imagen final, especialmente perceptible en las zonas de baja radiancia (sombras, superficie marina). Para el caso de los equipos de exploracin de empuje, el problema de calibracin es an mayor, ya que cuentan con un gran nmero de detectores por lnea (6.000 para la banda pancromtica del HRV). En este caso, un mal ajuste supondra un bandeado longitudinal en la imagen resultante. Ms evidente todava resultan los fallos momentneos de alguno de los detectores, ya sea en la emisin (sensores activos), ya en la recepcin de la seal. Esto provoca la prdida de una serie de lneas o pxeles en la imagen final. 4. Distorsiones provocadas por las condiciones ambientales, principalmente el efecto de la atmsfera y el relieve. Como ya se coment, los distintos elementos que componen la atmsfera causan una modificacin de la radiancia original proveniente de la superficie terrestre. El efecto ms importante es el de dispersin del flujo refleja do desde la superficie, a consecuencia de la presencia de aerosoles, gases y vapor de agua. Este efecto implica un aumento de la seal recibida por el sensor y es ms sensi-
259
ble en las longitudes de onda cortas, que tienden a presentar un menor contraste entre coberturas de similar comportamiento radiomtrico. En cuanto al relieve, supone una modificacin, a veces severa, de la posicin de los pixeles en la imagen, respecto a la esperable a partir de la posicin del sensor. Algunos de estos problemas se solventan rutinariamente en los centros encargados de la recepcin o venta de las imgenes. Otros, sin embargo, persisten, haciendo precisas una serie de tcnicas para subsanarlos. Por ejemplo, las correcciones atmosfricas son vitales para modelar parmetros fsicos a partir de la imagen (6.2.3), generar ndices espectrales (cap. 7, apdo. 1.2) o abordar estudios multi-temporales (cap. 7, apdo. 3). En este ltimo caso, tambin son necesarias las correcciones geomtricas, as como siempre que se pretenda relacionar la imagen con algn tipo de informacin auxiliar. 6.2. CORRECCIONES RADIME TRICAS
ste es un trmino muy genrico, que designa aquellas tcnicas que modifican los ND originales, con objeto de acercarlos a los que habra presentes en la imagen caso de una recepcin ideal. Dentro de este concepto hemos incluido el tratamiento de los problemas radiomtricos derivados del mal funcionamiento del sensor, junto a la obtencin de magnitudes fsicas y correccin atmosfrica de los datos. 6.2.1. Restauracin de lneas o pixeles perdidos
Un mal funcionamiento del sensor o de la antena receptora de la imagen puede llevar a que sta aparezca con algunas lneas o pixeles perdidos. En una visualizacin, la imagen presentara una serie de lneas anmalas (negras o blancas), o incluso una serie de pixeles aislados de aspecto muy contrastado con los vecinos (efecto conocido como de sal y pimienta). En ambos casos se trata de informacin irreparablemente perdida. No puede restaurarse lo que nunca se obtuvo: por tanto, los procesos de correccin se dirigen aqu a mejorar artificialmente el aspecto visual de la imagen, facilitando su posterior interpretacin. La forma ms lgica de estimar los ND de estos pixeles errneos se basa en los ND de los pixeles vecinos. De acuerdo al conocido fenmeno de la auto-correlacin espacial, muchas variables geogrficas tienden a presentar una fuerte asociacin en el espacio (Campbell, 1981; Cliff y Ord, 1973). La probabilidad deque aparezca una precipitacin similar a la de una determinada estacin, por ejemplo, es muy alta en estaciones cercanas, reducindose segn nos alejamos de aqulla. De igual forma, los valores de radiancia provenientes de una parcela de la superficie terrestre tienden a estar positivamente correlacionados con los provenientes de parcelas vecinas. Por ello, parece razonable estimar los ND de las lneas perdidas a partir de los ND de las inmediatas. Este criterio de vecindad puede introducirse de distintas formas. La ms sencilla es sustituir el ND de cada lnea/pxel por el de los precedentes: ND, =ND, ,, [6.16]
260
donde ND; corresponde al nivel digital del pxel de la lnea / ( l a defectuosa) y columna. /', y ND; , ;, indica el nivel digital del pxel situado en la lnea precedente. Tambin podra incluirse / + I. para sustituir las lneas defectuosas por las posteriores. Un segundo mtodo de sustitucin promedia los valores de las lneas anterior y posterior a la dett tilosa. Esto es:
en dontle HN I j indica que el resultado de la operacin debe convertirse en el nmero entero ms cercano. De acuerdo con Mather (1998), este segundo mtodo resulta ms arriesgado que el primero, sobre todo en aquellos casos en donde es menos claro asumir una auto-correlacin espacial. Un tercer mtodo de recuperar la informacin perdida utiliza una banda auxiliar, altamente correlacionada con la que presenta problemas. A partir de esta banda auxiliar, se estima el valor de los pxeles defectuosos de la forma siguiente (Bernstein el al.. 1984):
261
Fie;. 6.25.
Efecto de bandeado en la banda trmica para la imagen AlcalW.
nocido como striping en la terminologa anglosajona, se debe a un mal calibrado entre los detectores que forman el sensor; esto es, a que alguno de ellos codifique la radiancia que recibe en ND distintos a los dems. Los equipos de barrido multi-espectral exploran varias lneas simultneamente a cada oscilacin del espejo. Caso de que los detectores presenten inconsistencias, aparecern en la imagen unas lneas ms oscuras o claras que el resto (fig. 6.25). El efecto, adems, es peridico, ya que cada detector registra 1 de cada p lneas, siendo p el nmero de detectores por banda. En el caso del sensor MSS se registraban 6 lneas simultneamente, mientras este nmero se elev a 16 para el TM. Para las imgenes lomadas por sensores de empuje, la calibracin puede llega a ser an ms problemtica, ya que para explorar simultneamente una franja de terreno amplia el sensor cuenta con una cadena de detectores muy numerosa (varios miles, habitualmente). En este caso, una falta de calibracin entre detectores se observar en una bandeado vertical, ya que cada columna de la imagen se adquiere por un detector distinto. La figura 6.26 recoge un claro ejemplo de este efecto, en este caso sobre una imagen tomada por el sensor ALJ (a bordo del satlite EO-1) sobre la regin argentina de Mendoza. Los coeficientes de calibracin son especficos para cada columna de la imagen. Para ajustar digitalmente la seal detectada por cada uno de los detectores se asume que todos ellos, caso de estar bien calibrados, tenderan a presentar similares histo-
262
FlG. 6.26. Problemas de calibrado en una imagen ALA. A la derecha los NI) originales, a la izquierda los valores de radiancia calibrados. La mugen se adquiri sobre la provincia de Mendoza (Argentina) el 27 de marzo de 2001. (Cortesa: Ruiliang Pu, U.C. Berkeley.)
gramas. Basta, por tanto, recomponer el histograma de cada detector, calculando la frecuencia de los p grupos de lneas independientemente (fig. 6.27). Por ejemplo, caso de trabajarse sobre una imagen MSS, con seis detectores por banda, se calcula, por un lado, el histograma de las lneas 1, 7. 13, 19, 25..., estoes, las recogidas por el primer detector; por otro, el correspondiente a las lneas 2, 8, 14, 20, 26... (segundo detector), y as sucesivamente hasta completar los seis detectores. El paso siguiente intenta ajustar estos hislogramas a otro que se elija como referencia. Lo ms habitual es que el histograma de referencia sea el del conjunto de la imagen, formado por todas las lneas que la componen. La forma ms sencilla de realizar el ajuste se basa en aplicar unos coeficientes lineales (sesgo y ganancia) a los histogramas de cada detector, con objeto de igualar sus medias y desviaciones tpicas con las del histograma de referencia. Aunque existen otros procedimientos no lineales (considerando el histograma acumulativo), el mtodo lineal ofrece, en la mayor parte de los casos, buenos resultados. Su proceso parte de calcular la media y desviacin tpica de cada histograma parcial; esto es, del correspondiente a los pxeles codificados por un determinado detector. Posteriormente, para ajustar estos valores a los encontrados para el histograma de referencia basta aplicar:
a, = ND-/>, ND,
[6.20]
263
Fl(i. 6.27. Pura corregir el bandeado de la imagen se calculan histogratnas parciales de cada conjunto de p lneas de la imagen, siendo p el nmero de detectores. (Adaptado de Campbell. 1996.)
donde s y .v, indican lasjdesviaciones tpicas del histograma de referencia y parcial, respectivamente; ND y D;. los ND medios para ambos, y a y >, los coeficientes de ajuste. A partir de estos coeficientes puede calcularse el valor corregido, aplicando una sencilla funcin:
[6.21
en donde el ND de salida se calcula a partir de aplicar unos coeficientes de ajuste al ND de entrada. Para reducir el volumen de clculos, este algoritmo suele aplicarse a partir de una tcnica muy similar a las tablas de color (CLUT) que vimos anteriormente. 6.2.3. Clculo de reflectividades La conversin de los ND almacenados en una imagen original a variables fsicas es un paso previo que resulta de gran utilidad en mltiples fases de la interpretacin de imgenes, ya que permite trabajar con variables fsicas de significado estndar, comparables en un mismo sensor a lo largo del tiempo, entre distintos sensores y entre la teledeteccin espacial y otros mtodos de deteccin de energa electromagntica. El primer aspecto resulta relevante cuando pretendamos abordar tareas de deteccin de cambios; el segundo es clave para integrar informacin espectral procedente de distintos equipos (por ejemplo, en tareas de fusin de imgenes. Finalmente, el tercero es crtico si queremos comparar nuestros datos con los obtenidos por teledeteccin area o radimetros de campo (por ejemplo, con las libreras espectrales que vimos en cap. 2, apdo. 5.5). Naturalmente podemos afirmar que esa informacin ya est contenida en los ND originales, pero conviene considerar que slo de modo relativo. En otras palabras, la
nninfri,--, ^ct'i r-irr-iini:rrit:\ n r:iH:i h:inrl:i rlp l;i im.'lpen (ah S es cierto UUC a
264
mayor ND, mayor reflectividad, sin considerar el efecto del relieve), pero no sirve para comparar bandas entre s (un mayor ND entre dos bandas, no indica necesaria mente mayor reflectividad), ni en imgenes de distintas fechas o sensores. Por el contrario, la reflecti\ alad o temperatura son variables fsicas comparables entre lugares y lechas, lo que hace ms slida la interpretacin de los datos, garantiza la compatibilidad multilemporal y el anlisis integrado con imgenes de distintos sensores (lgicamente, siempre que abarquen las mismas bandas del espectro). La obtencin de esas variables requiere resolver satisfactoriamente la accin de vanos (actores. Algunos hacen referencia al propio sensor (calibrado de las radiancias), para lo que es imprescindible contar con informacin de la entidad que lo gestiona, otras a las condiciones de observacin (ngulos de iluminacin y adquisicin), y otras a elementos del ambiente (efecto atmosfrico y topogrfico, iluminacin procedente de otras cubiertas). Intentaremos analizar estos diversos factores, proponiendo tratamientos que. dentro de una cierta simplicidad, permitan solventar eficazmente sus electos. 6.2.3.1. Rcflectividad aparente: modelo simplificado
Definimos en el captulo 2 la reflectividad como la relacin entre la energa reflejada y la incidente. Vara, por tanto, entre 0 (superficie perfectamente absorbente) y 1 (superficie perfectamente reflectora). Como tambin sabemos, la reflectividad de una cubierta depende de sus caractersticas fsicas y qumicas, as como de las condiciones de observacin. Adems no es constante, sino que se modifica en las distintas bandas del espectro, por lo que debemos aadirle el calificativo de espectral, acotando su medida a un determinado rango de longitudes de onda. Precisamente, en el anlisis de cmo vara la reflectividad espectral de una cubierta eneonlramos la raz para poder discriminarla. De acuerdo a la definicin antes recordada, para conocer la reflectividad de una superficie es preciso relacionar dos magnitudes: la energa reflejada y la incidente. A partir de los datos medidos por el sensor podemos obtener la primera, ya que la radiancia espectral medida por ste es consecuencia de la reflexin de la radiacin solar procedente del suelo. Esa medicin se codifica a un valor numrico (el ND). de acuerdo a unos coeficientes de calibracin especficos para cada sensor. Ya que estos coeficientes son conocidos, puede realizarse el proceso inverso, obteniendo los valores de radiancia espectral detectada por el sensor a partir de los ND: 4,,, = .u + ..tNDt |6.22|
donde LXi.llk corresponde a la radiancia espectral recibida por el sensor en la banda k (en '" m 2 sr ' /mi '); a{) k y a] k son los coeficientes de calibracin para esa banda, y ND, ' al nivel digital de la imagen en la misma banda. Estos coeficientes de ca.cluirse en la cabecera de la imagen. En la tabla 6.5 aparecen los coa los sensores TM y ETM + . lado, la radiancia que llega al sensorasumiendo que la superficie tein comportamiento lambertiano es una funcin de la irradiancia solar,
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y RHALCHS
265
TABLA 6.5.
Parmetros para la conversin a reflecllvulades de imgenes Landsat* Lundsat-5 TM

Liiid.tit-7 ETM+
Haiidn
/;,, v (Win : um : I
1.957 I .829 1.5.57 1.047 219.3 74,52
1.5 2.8 i2 1.5 0.37 0.15
0.602 1.17 0.806 0.815 0.108 0.057
-6.2 -6.0 -4.5 -4,5 -1.0 -0.35
0.786 0.817 0.639 0,635 0.128 0.044
llores d e irradianci a solar \ cali bracin del TM se h an lomado de Price ( 1987 ). l i s i o s parm etro s de
calibracin c o r r e s p o n d e n a l a s i m g e n e s T M d e l L a n d s a t - 4 p o s t e r i o r e s a I ( . ) S 4 y a t o d a s l a s d e l I . a n d s a t - . P a r a coeficientes de calibr acin pr e \ ios puede consultars e ese a r t i c u l o d e Pnce. Para HTM+. l o s valores de calibr acin se lian lomadi d e l a c a b e c e r a d e l a i m a g e n .
Fio. 6.28.
Clculo simplificado de la reflectividad.
266
donde ,,, es la irradiancia solar en el techo de la atmsfera (para esa banda del espectro), conocida a partir de las tablas solares (tabla 6.5): p*( es la reflectividad aparente de la cubierta en esa banda k: 0 es el ngulo cenital del f l u j o incidente, formado por la vertical al terreno y los rayos solares. Hn modelos simplificados, como el que estamos ahora presentando, esle ngulo se equipara al ngulo cenital solar (el complementario del ngulo de elevacin solar, que se incluye en la cabecera de la imagen), lo que supone asumir que el terreno es llano. Finalmente, I) es el factor corrector de la distancia Tierra-Sol, calculado como:
= ( 1 -f ().()1674(sen(27r(y~93,5)/365))r
16.24]
donde./ indica el da en el calendario juliano y el seno se asume que toma los valores del ngulo en radianes. Este factor vara, aproximadamente, entre 0.983 (3 de enero) en el perihelio y 1,017 (4 de julio) en el afelio. En definitiva, la reflectividad aparente puede calcularse a partir de una sencilla frmula:
cos()i
[6.25]
Por tanto, el proceso de traduccin de ND a reflectividades se realiza en dos fases: I) conversin de ND a valores de radiancia (Lst.n J, a partir de los coeficientes de calibrado del sensor, y 2) estimacin de valores de reflectividad aparente (p*(), conociendo la irradiancia solar y la fecha de adquisicin (de la que se estima D y el ngulo cenital 6,). Como puede observarse en la figura 6.29. la transformacin simple de ND a reflectividad nicamente modifica las diferencias de calibracin entre bandas de la mis250
200 1 50 100
ETM1
ETM2
ETM3
ETM4
ETM5
ETM6
Bandas
Fi(. 6.29.
Comparacin entre las curras espectrales de los ND brutos v con rejleclividad aparente para el agua, suelo descubierto y vegetacin.
ANLISIS DIGITAL DE IMGF.NBS: CORRF.CCIONHS Y RHALCHS
267
ma imagen y cambia la escala de medicin a un parmetro fsico, pero no permite corregir electos atmosfricos, o aqullos debidos a la influencia de cubiertas vecinas, a los ngulos de observacin o las condiciones de iluminacin. En definitiva, la reflectividad aparente asume que la observacin se realiza en una atmosfera transparente, verticalmente. sobre suelo plano y superficies perfectamente lambertianas. Como ya indicamos en el captulo 2, los componentes de la atmsfera producen un efecto de absorcin y dispersin, que modifican, a veces notablemente, la seal procedente de la cubierta. Adems, este efecto es dependiente de la longitud de onda afectando especialmente a las ms cortas. por lo que no puede prescindirse de l. ni siquiera para realizar transformaciones entre bandas. Tambin dependiente de la atmosfera es el denominado electo de adyacencia, que implica que se reciba energa procedente de cubiertas vecinas. Hste efecto reduce el contraste de la escena y puede dificultar la discriminacin entre objetos vecinos (Htcn y Meyer, 1993). Por otra parte, la obser\ acin vertical puede asumirse para buena parte de los sensores de inters ambiental (Landsat-MSS. TM, ETM + , IRS-LISS, ...). pero no siempre para oros que poseen la capacidad de observar reas oblicuamente, de cara a mejorar su cobertura temporal o plantear modelos estereoscpicos, como ocurre con el SPOT-HRV, o con el NOAA-AVHRR, con un ngulo muy amplio de barrido. En tercer lugar, el terreno plano slo es asumible cuando las pendientes sean realmente bajas (< 5") y no existan variaciones de iluminacin por efecto de la vertiente. Finalmente, el carcter lambertiano de las cubiertas es tanto menos ntido cuanto menos rugosas sean. En los siguientes epgrafes comentaremos el efecto de estos factores sobre la seal recibida por el sensor y plantearemos algunos mtodos prcticos para abordar su correccin. Dividiremos este comentario en tres grandes factores: la atmsfera, el efecto del relieve y el carcter direccional de la reflcctividad. 6.2.3.2. Correcciones atmosfricas La influencia atmosfrica no afecta por igual a los dos componentes del clculo de la reflectividad: flujo descendente (denominador) y ascendente (numerador), ya que el espesor de la atmsfera que atraviesan es distinto. Adems, hay que considerar que a la irradianeia solar directa (la medida en las tablas) hay que aadir la difusa, procedente de otros objetos vecinos (, en la fig. 6.30). En definitiva, la radiancia que recibe el satlite no es la misma que sale del suelo (sta es la que interesa, pues pretendemos medir la reflectividad de la cubierta, no la influida por la atmsfera), sino que es fruto de los siguientes parmetros (Gilabert el al., 1994):
^ nA = L ilA T,,, + L :A 16.26]
donde Lm k es la radiancia que sale de la superficie; xk , la trasmisividad de la atmsfera para el flujo ascendente, y Lak la radiancia aportada por la dispersin atmosfrica. La transmisividad en la direccin ascendente depende del espesor ptico de ozono (T,,_ (), de aerosoles (r k ) , y del espesor ptico molecular (T, k) para esa misma banda, y del ngulo de observacin (Oj:
TL o = exp ((-T , t - r, k - T,. k )
I eos 0o)
| 6.271
268
Fie;. 6.30.
Efectos atmosfricos sobre el clculo de la rejectividad.
El ngulo de observacin slo debe considerarse cuando la adquisicin no es vertical, como ocurre en algunas tomas del SPOT-HRV, o para ngulos de abertura muy amplios, caso del AVHRR. Respecto al flujo incidente, tampoco resulta fidedigno el parmetro indicado en [6.25], ya que la irradiancia que llega al suelo (EmJ) no es la que medimos en el techo de la atmsfera (E(] J, sino que tambin est afectada por la atmsfera y por el componente de luz difusa: ElU [6.28]
donde Efn y eos 0i tienen el mismo significado de [6.25]; xt/ es la transmisividad atmosfrica que afecta al rayo incidente, y En es la irradiancia difusa, como consecuencia de la dispersin Rayleigh y Mi, que tambin depende de las condiciones de la atmsfera. La transmisividad del rayo incidente tiene una expresin similar a la que afecta al flujo reflejado, cambiando el ngulo de observacin por el de incidencia (#,): rip, = exp((-r,,_ (.-r,,, -r, ,
[fi
ANLISIS DIGITAL. DE IMGIiNBS: C'ORRHCCIONHS Y RI AL.CHS
269
En suma, para conocer la reflectividad real de la cubierta, definida por:
Ih = " 'j.. *
DTI L .
16-30]
es preciso resolver la siguiente frmula (a partir de [6.26] y [ 6 . 2 8 ] ) : D

T T
pk=
( (L
E
,,k
CS
-L -
^r*., +,/.*
)/ T , ) --------
[6.31]
Hn definitiva, para calcular la reflectividad de la superficie necesitamos estimar la transmisividad de la atmsfera (descendente, r t / , y ascendente, r, ,,), la irradiancia difusa (.'_, ,) \ la radiancia atmosfrica debida a la dispersin (L J. Los procedimientos para abordar estas correcciones con exactitud son muy laboriosos y requieren datos sobre las condiciones de la atmsfera en el momento de lomar la imagen, que no suelen estar disponibles. Adems, el efecto de la atmsfera no es constante en la imagen, sino que determinadas zonas pueden haber sido ms afectadas que otras, en funcin de la diversa presencia de aerosoles o vapor de agua. Hasta el momento, las correcciones atmosfricas se han abordado siguiendo cuatro procedimientos (King el al, 1999; Robin, 1998; Sobrino, 2000): 1. A partir de medidas in situ, ya sean referidas a perfiles de la composicin at mosfrica mediante radiosondeos, ya a estimaciones cualitativas del espesor ptico (midiendo, por ejemplo, la visibilidad), o mediante mediciones en terreno de la radian cia solar incidente o de la reflectividad en el terreno. Estos mtodos resultan, en gene ral, los ms precisos, por cuanto facilitan una medicin de las condiciones atmosfri cas durante la toma de la imagen, pero rara vez estn disponibles. 2. A partir de imgenes de otros sensores, que permitan estimar el estado de la atmsfera en el momento de adquisicin de las imgenes. Pese a la gran lgica de este planteamiento: dos sensores, uno mide los objetos de inters, y otro mide la atmsfera cuando se toman los datos, este enfoque resulla bastante novedoso, ya que slo muy recientemente se han diseado misiones con esta concepcin. Por ejemplo, la platafor ma Terra, como ya hemos visto, incluye sensores que miden especficamente el espe sor atmosfrico (el MISR). simultneamente a otros orientados a medicin de reflecti vidad o temperatura (como el MOD1S). Si bien la resolucin espacial de esos sensores no es la misma, la integracin entre estos datos resulta muy beneficiosa para obtener productos calibrados de adecuada Habilidad (King el al., 1999). No obstante, todava hay pocas experiencias prcticas de este planteamiento. 3. A partir de modelos fsicos de transferencia radiativa, que suelen basarse en una serie de atmsferas estndar. La exactitud de los modelos depender, como es l gico, de la solidez de las asunciones que se realicen y de la similitud entre los perfiles tericos y las condiciones concretas de la atmsfera cuando se toma la imagen. 4. A partir de datos de la propia imagen. ste sera, sin duda, el mtodo ms operativo, pues no requerira informacin externa y facilitara una correccin comple ta de los datos.
270
Tlil.EDETECCIN AMBIENTAL
De las cuatro posibles soluciones al problema de la correccin atmosfrica nos vamos a centrar en osle epgrafe en las dos ltimas, pues resultan, por el momento, las ms accesibles. En lo que se refiere al empleo de modelos de transferencia radiatva con atmsferas estndar, existen ya algunos programas bastante operativos, que realizan la estimacin del electo atmosfrico con bastante fidelidad, siempre y cuando se d una buena similitud entre las condiciones atmosfricas de la imagen y las estndar incluidas en el modelo. Sin duda, los modelos ms conocidos son el 6S (Vermote el al.. IW v el MODTRAN4 (Berk el al.. 1999). Ambos cuentan ya con numerosas versiones i aqu se han citado las ltimas) que van enriqueciendo las asunciones que inicialmenle se plantearon en su diseo. Hl 6S (segunda simulacin de la seal de satlite en el espectro solar) fue desarrollado inicialmente por el laboratorio de ptica atmosfrica de la Universidad de Lille. En la ltima versin simula observaciones planas, considera la elevacin, permite tener en cuenta el carcter no lambertiano de la superficie, e incluye nuevos gases (CH4, N,. O, CO) en el clculo de la transmisin gaseosa. Facilita una estimacin del efecto atmosfrico para todo el espectro ptico, con bandas de hasta 0.025 um de anchura. Por su parte, el MODTRAN4 es una nueva versin de un modelo desarrollado por la fuerza area norteamericana junto a una empresa privada (Speclral Sciences, /tic). Tambin considera los efectos de refleetividad bidireceional (BRDF) en terreno y de reflectividad de objetos cercanos (adyacencia). Desde el punto de vista de su clara operatividad tambin conviene destacar el modelo ATCOR, desarrollado por Richter (1996; 1997). incluido entre los mdulos del programa PCl-Geomatics. Este modelo basa la correccin en una serie de perfiles atmosfricos estndar, que se incluyen con el programa, aunque son fcilmente adaptables por el usuario en caso de que se cuente con informacin ms detallada. Estas definiciones incluyen el contenido de vapor de agua y el tipo de aerosoles. El programa requiere nicamente una estimacin del espesor atmosfrico, indicando un rango de visibilidad (en km), y una altura promedio de la zona (si bien tambin puede incorporarse un MDT). Incluye los coeficientes de calibracin estndar para el SPOT-HRV y el Landsat-TM, pero el usuario puede incluir fcilmente los correspondientes a otros sensores. Tambin se precisa introducir el ngulo cenital solar. El programa incluye opcionalmente una estimacin del efecto de adyacencia, que es causada por la dispersin procedente de cubiertas vecinas, a partir de considerar las diferencias entre la refleetividad del pxel y la correspondiente a los alrededores (en este caso se considera un rea de 1 X 1 km). El autor advierte que este modelo slo funciona adecuadamente para sensores de observacin cuasi vertical (se acepta una tolerancia de 8"). en zonas por debajo de 1.500 m de altitud y con pendientes moderadas. Naturalmente, lo ideal sera poder derivar la correccin atmosfrica de los datos de la propia imagen, si consiguiramos encontrar alguna funcin que extrajera de la seal detectada por el sensor la parte correspondiente a las condiciones atmosfricas. Las alternativas para llevar acabo esta tarea se pueden resumir en cuatro posibilidades: estimar la contribucin de la atmsfera a partir de cubiertas que deberan presentar una reflectividad nula (mtodos basados en el objeto oscuro); estimar el efecto atmosfrico a partir de las diferencias de absorcin y dispersin en distintas bandas del espectro para la misma imagen; realizar una homogeneizacin multitem-
27 1
poral entre imgenes1 y observar la misma zona con distintos ngulos. Hsta ltima va, que ya hemos comentado en anteriores captulos, slo ha estado disponible en los ltimos aos, gracias a disponer de sensores con capacidad multiangular. El anlisis multitcmporal lo trataremos ms adelante (cap. 7, apdo. 3). La estimacin de las condiciones de la atmsfera a partir de la observacin multibanda se ha desarrollado ampliamente en la correccin de imgenes trmicas, como luego comentaremos (6.2.4). En consecuencia, nos detendremos aqu nicamente en la primera opcin, que resulta una de las ms sencillas. La propuesta inicial de los mtodos basados en el objeto oscuro (clark object) fue realizada por Chavez en 1975. con sucesivas mejoras en 1988 y 1996(Chavez, 1975. 1988. 1996). El punto de partida del mtodo consiste en asumir que las reas cubiertas con materiales de fuerte absortividad (agua, zonas en sombra) deberan presentar una radiancia espectral muy prxima a cero. En la prctica, el histograma de los NI) de la imagen siempre presenta un mnimo superior a ese valor, que se atribuye al efecto de dispersin atmosfrica. Asimismo, se observa que ese valor mnimo es mayor en las bandas ms cortas, disminuyendo hacia el IRC y SW1R. Como ya vimos, la dispersin Rayleigh la ms comn afecta principalmente a las longitudes de onda ms cortas, lo que confirma que ese valor mnimo puede corresponder ms al electo de la atmsfera que a la radiancia espectral proveniente de la superficie terrestre. En suma, una sencilla aproximacin a la correccin atmosfrica consiste en restar a todos los ND de cada banda el mnimo de esa misma banda, situando el origen del histograma en cero: ND;.M = NDM-NDm,,u [6.32|
donde NDmin k indica el valor mnimo de cada banda. Esto, en definitiva, supone estimar el parmetro Lu k en la frmula [6.311 a partir del valor mnimo del histograma. La asuncin puede ser bastante correcta siempre que tengamos en la imagen zonas en sombra o con agua profunda. Incluso se puede plantear establecer una red de superficies oscuras en la imagen y realizar luego una interpolacin para tener mejor en cuenta la variedad espacial del espesor atmosfrico (Ouaidrari y Vermote, 1999). El mtodo del objeto oscuro resulta muy sencillo, y es vlido para estimar el espesor atmosfrico de aerosoles, pero los errores pueden ser notables para valores de reflectividad altos (por encima del 15 %), al no considerar las transmisividades del flujo incidente y reflejado. Para evitar este problema se ha sugerido complementarlo con estimaciones en el terreno de la transmisividad o con parmetros climticos auxiliares (principalmente para estimar el contenido de vapor de agua y de ozono: Ouaidrari y Vermote, 1999). De hecho, la ltima versin de la propuesta de Chavez sugiere estimar la transmisividad descendente a partir del espesor atmosfrico definido por el coseno del ngulo cenital (6) (Chavez, 1996). Adems, al igual que en la versin previa, el autor sugiere no considerar la irradiancia difusa. En pocas palabras, para observaciones verticales, la frmula [6.31 ] quedara como:
5. En este caso puede que haste con corregir los electos atmosfricos slo de modo relativo, de tal forma que las imgenes sean comparables entre s.
272
TELRDETECCIN AMBIENTAL
^k - L
a k
)
l633
p = ------- ___
E i i k cosO:
donde Lu , se esiiniara a partir del valor mnimo o de un objeto de reflectividad nula (L k = a0 . + a, , NI )). Hl autor asume que la transmisividad ascendente es I, lo cual parece razonable para observaciones verticales. Este modelo solo se ha demostrado etica/ para las bandas TM I. 2, 3 y 4. La transmisividad descendente aumenta con la longitud de onda. El valor de la transmisividad es independiente, segn el modelo, de la longitud de onda, por lo tanto en principio se corrige poco la banda TM 1 y mucho la banda TM4. Sin embargo, la correccin resulta satisfactoria y este error no es significativo (Chavez, 1996). La transmisividad se hace prcticamente I para TM5 y 7 (Gilabert el al., 1994). con lo que en estas bandas la correccin del coseno no sera aplicable porque dichas bandas quedaran demasiado corregidas. Finalmente, el mismo autor propone tambin utilizar unos valores de transmisividad estndar, en lugar de la correccin del coseno. La formula propuesta, en este caso, quedara finalmente como: Dn(Lsi.n k - L k) = --------- - - - - " E n t cos/,r ( ;
16.34]
donde rk, = 0,70 (TM I). 0,78 (TM2), 0,85 (TM3), 0.91 (TM4) y 1 para las bandas del SWIR (TM5 y 7). Estos valores de rk son muy similares a los propuestos por otros autores. Gilabert el al. (1994) sugieren, respectivamente. 0.73. 0,79, 0,85, 0,91, 0.95 y 0.97 para las mismas longitudes de onda. Pons y Sol (1994) tambin proponen unos valores promedio de transmisividad. similares a los anteriores, aunque se matizan en funcin del ngulo cenital solar. En la figura 6.31 se incluye una comparacin grfica entre las reflectividades calculadas por el mtodo de Chavez (con transmisividades promedio) y las que obtuvimos en el epgrafe anterior (rellectividad aparente). El efecto de la correccin resulta bastante obvio, sobre todo en lo que se refiere a la banda azul, en donde los valores decrecen notablemente. Adems se observa el comportamiento tpico de la vegetacin con las bandas de absorcin en el azul y rojo, que quedaban muy distorsionadas por el efecto atmosfrico en la reflectividad aparente. Tambin el agua presenta una curva de reflectividad ms similar a lo esperable, con valores bajos y descendentes hacia longitudes ms largas, si bien aqu puede haberse producido una sobre-correccin de la banda azul. En la siguiente figura (6.32) se comparan los mtodos de Chavez y Richter (ATCOR) para las mismas cubiertas que hemos visto en anteriores grficos. Como puede observarse, el efecto de la correccin es bastante comparable entre mtodos, especialmente en agua y vegetacin. No obstante, se observa que el mtodo de Chavez infracstima la transmisividad en la banda roja, como se muestra en que la vegetacin no ofrezca una banda de absorcin en relacin con el verde, y el trazado anmalo de la curva del suelo. Ambas parecen sobre-estimar el efecto atmosfrico en la banda azul. La comparacin entre ellas requerira un anlisis ms detallado, aplicado a imgenes de distintas fechas. Se aplicaron estos dos mtodos a dos imgenes Landsat-TM sobre
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 0,6

Agua ref. Ch -- Suel o ref. Ch. -- Veg. ret. Ch { Agua ref e Suelo ref s Veg. ref.
273
ETM1 ETM4
ETM2 ETM5
ETM3 ETM7
Fi(. 6.3 I. Comparacin entre

0 Bandas
las curvas de rejieclividad aparente v las corregidas atmosfricamente (mtodo Chave:).
imgenes de verano en el centro de la Pennsula, observndose que el ATCOR sobreestimaba la correccin en las bandas cortas (ofreciendo incluso valores negativos), frente a una infra-estimacin en el NR y SWIR (Riao, 2000). 6.2.3.3. Correcciones del sombreado topogrfico Otro elemento importante que conviene considerar en el clculo de reflectividades es el electo del relieve. La reflectividad es muy dependiente de los ngulos de incidencia y observacin. Hemos asumido hasta aqu que el ngulo de la radiacin incidente slo depende de la elevacin solar, lo que implica considerar un terreno llano. La asuncin, como es lgico, slo ser vlida si realmente se trata de una superficie de escasa pendiente, siendo arriesgada cuando no sea as. Los electos derivados del gradiente y direccin de la pendiente son bastante notorios, especialmente en las zonas en sombra. La creciente disponibilidad de modelos digitales de elevacin (MDE) permite
o.o
0,5 0,4 0,3 0,2 0,1 A Agua ref. Ch.
Suelo ref. Ch. Veg. ref. Ch. -A Agua ref. AT o Suelo ref. AT a Veg. ref. AT
ETM1
ETM2
ETM3
ETM4
ETM5
ETM7
Bandas
FlG. 6.32. Comparacin entre las curvas de reflectividad obtenidas por el mtodo de Chave:, v por el ATCOR.
274
TLZLEDETECC1ON AMBIENTAL
FlCi. 6.33. Efecto del relieve sobre la radiancia detectada por el .sensor.
abordar con ciertas garantas esta correccin, homogeneizando la seal de la misma cubierta independientemente de la vertiente en que se encuentre. Repasando la figura 6.28 podemos observar cmo la energa incidente est en funcin del ngulo cenital solar (6>,). La mxima energa para una determinada banda se obtiene cuando el ngulo cenital es de 0 grados (eos 0 = 1), esto es cuando el sol incide vcrticalmente. El ngulo cenital, como ya indicamos, se calcula como el complementario del ngulo de elevacin solar, que suele recogerse en la cabecera de la imagen. Ahora bien, en un terreno montaoso la pendiente modifica la geometra del flujo incidente (fig. 6.33). Por un lado, en las laderas orientadas al sol el ngulo cenital no coincide con el ngulo de incidencia, mientras en las opuestas puede ocurrir que no se reciba en absoluto energa solar directa (cuando la vertiente est en umbra). Si no se tiene en cuenta este efecto del relieve, la reflectividad medida para la misma cubierta en distintas vertientes puede ser muy variada, implicando severos problemas en el reconocimiento y clasificacin de coberturas temticas. Una manera muy sencilla de eliminar el efecto topogrfico sera realizar un simple cociente entre dos bandas de la misma imagen. Puesto que los ngulos de inciden-
ANLISIS DIGITAL 1)1; IMAGtNHS: CORRLCCIONLS Y RLAI (LS
275
eia son constantes entre bandas (el eos 0, en la frmula |6.221). cuando se reali/a un cociente entre bandas adquiridas simultneamente, este electo se elimina. Hn definitiva, esto supone que el efecto de la topografa es constante en cada banda (Colby. 1991: Shorl. 1982). o, lo que es lo mismo, que los efectos atmosfricos son independientes de la longitud de onda (/.). lisio no es correcto, ya que hemos visto que la dispersin y iransmisividad est en funcin de X (Leprieur el al.. 1988). Adems, al realizar el co-t iente se reduce la mlormacin espectral, lo que es un inconveniente para realizar la asilicacion. Finalmente, tampoco se considera el aporte de l u z difusa, que es distinto ada banda. Caso de que pueda disponerse de un MDH suficientemente preciso y bien ajustaimagen se puede estimar la variacin introducida en los NI) por el efecto topo-gralico a partir de modelar las condiciones de iluminacin en el momento de adquirirse a imagen. Para e l l o necesitamos en primer lugar calcular el ngulo de incidencia ( - ) de una vertiente, que depende de los ngulos solares y de pendiente (Civco. 1989; Colby, 1991: Conese el al., i 993): eos y, = eos 6>. eos |, + sen 0i sen U eos (</> -<pj |6.35]
donde y, corresponde al ngulo cenital del flujo incidente. 0 indica el ngulo cenital solar, 0r el gradiente de la pendiente, (pn el ngulo acimutal solar y (p, el ngulo de orientacin de la pendiente. Estos cuatro ngulos pueden obtenerse del MDH y de la lecha y hora de adquisicin de la imagen. El eos y, nos sirve para valorar el electo de iluminacin en la vertiente y es equivalente al sombreado que recogen numerosos programas SIG. Como es lgico, vara entre -1 y + 1. indicando para cada pxel del MDH las condiciones de mnima y mxima iluminacin, respectivamente. La figura 6.34 recoge un fragmento de la imagen TorrelO, en su sector ms montaoso, unto con la imagen de iluminacin (eos y,) para la misma zona y condiciones de adquisicin de la imagen. Las flechas indican en qu sectores resulta especialmente evidente el electo del sombreado sobre la imagen original. A partir de haber calculado el ngulo de incidencia pueden plantearse distintos
F-IG. 6.34. Ventana de la imagen TorrclOO sobre un sector montaoso: a) banda 4 original. h) sombreado derivado del MDE.
276
TELEDBTECCIN AMBIENTAL
mtodos para compensar la diferencia de radiacin incidente ende vertientes. Entre los propuestos cabe dislinguir los que consideran las cubiertas como lambertianas, y las que tienen en cuenta electos dircccionalcs (Itten y Meyer, 1993: Riao, 2000). Entre los primeros el ms sencillo es el propuesto por Tcillet (1982): />=/>,
feos6 )
\cosy, j
[6.36|
donde/;,,, indica la r c l l e e t i v idadde un pxel /en terreno horizontal,/;, la misma en pendiente (la correspondiente a la imagen). 0, el ngulo cenital solar de la escena y y, el ngulo de incidencia correspondiente a ese pxel. Este mtodo se ha demostrado que sobre-corrige la imagen, sobre todo en las zonas de muy baja iluminacin (Duguay y LeDrew, 1992; Holben y Justice. 198 I: Mcyer et ai, 1993), por lo que se ha propuesto posteriormente ponderar la imagen de iluminacin en funcin de las condiciones promedio de iluminacin de la imagen (Civco, 1989): (eos y eos y ) Pi, , = P , + P , ~ ~f------ ~ (eosy,,, )
[6.37|
donde el subndice ni indicara el valor promedio de la iluminacin en la imagen de inters. Este modelo reduce el efecto topogrfico, aunque no todo lo que debiera. Tanto en esta correccin como en la anterior se sigue suponiendo que el efecto topogrfico es constante para todas las bandas. Entre los mtodos no lambertianos, uno de los ms citados es el propuesto por Minnaert para evaluar la rugosidad de la superficie lunar (Minnaert, 1941 ):
(cosO, V
Ph,=P,\~-\ \eosy, j [6.38J
donde el parmetro / se introduce para modelar el comportamiento no lambertiano de los cuerpos. Si / = 1, la superficie se comporta como un reflector lambertiano ideal. El problema de este mtodo es conseguir un clculo certero de /, ya que vara en cada banda y cada superficie. Una manera sencilla de tener en cuenta, al menos, la importancia del carcter lambertiano en cada banda es realizar un ajuste semi-emprco como el propuesto en la correccin C (Teillet et al., 1982): /cos? +c, ) p h .=p.\ ------- i U
[6.39]
I eos y, +ck j
donde c\ es una constante emprica para cada banda k que se relaciona con la rugosidad promedio de esa banda, y se obtiene a partir de:
277
[6.40]
siendo />, \ m, la constante y la pendiente, respectivamente, de la recta de regresin entre la imagen de reflectividad de la banda k y la imagen de iluminacin. El problema de estas correcciones sencillas es la falta de consideracin de la irradiancia dilusa, que puede ser importante en las vertientes situadas a umbra. Se han propuesto algunas alternativas para resolver esc problema, pero resultan ms complicadas en su aplicacin prctica. Por ejemplo, Conese el al. (1993) proponen utilizar una variacin de la frmula para la radiancia incidente que considere los electos de la pendiente: [6.41 donde E\ul y E\n indican la radiancia que llega al suelo y la difusa, respectivamente, en un terreno montaoso. Si el ngulo de incidencia (y,) supera los 90" (o, si se pidiere, el eos y < 0), la vertiente est en sombra. No hay. por tanto, iluminacin directa, y la que llega al suelo es nicamente la difusa (/:*,,,), que se calcula a partir de las condiciones atmosfricas en funcin del ngulo de incidencia, de la pendiente del terreno y de un coeficiente de anisotropa {Esu k I Eo k ) , dependiente de la banda y la lecha de observacin. Para el mbito de trabajo presentado por estos autores, esta correccin topogrfica mejora bastante el clculo de reflectividades en zonas de topografa quebrada, reduciendo notablemente la variabilidad espectral de los tipos de cubierta. No obstante, los autores advierten que el algoritmo resulta poco adecuado para imgenes de invierno o topografa muy abrupta, con ngulos de incidencia muy bajos (Conese el al., 1993). lista misma conclusin se manifiesta por otros autores que han propuesto mtodos ms o menos similares para el clculo de la irradiancia difusa (Ittcn y Meyer. 1993; Richtcr, 1997). Un ejemplo del efecto de las correcciones topogrficas sobre nuestra zona de estudio se presenta en la figura 6.35, que incluye la misma zona de la figura anterior. En
*"lCi. 6.35. Efecto de la correccin del sombreado .sobre el sector de la figura anterior: a) banda 4 original; b) banda 4 corregida.
J7.S
TliLHDHTlC'CION AMBIENTAL
Fl(. 6.36. Fragmento de la imagen CahaeroslJ7 antes di v despus b) de aplicarle la correccin de iluminacin. Con flechas se indican los sectores mas afectados. (Cortesa: David Riao.)
este casi) se compara la banda 4 antes y despus de aplicarle la correccin de iluminacin, utilizando el mtodo de Civco que, para esta fecha, da buenos resultados. Las flechas indican los sectores donde el efecto de correccin resulta ms evidente. Una manera de veri ficar el efecto de la correccin es calcular la correlacin entre la imagen de iluminacin y las bandas de la imagen, antes y despus de corregir. Para nuestra zona de estudio, la correlacin disminuye tras la correccin de 0.18 a 0,13 en la banda 4 y de 0,25 a 0.14 en la 5, indicando que se ha eliminado parte del efecto topogrfico sobre la seal. Otra verificacin nos llevara a medir las diferencias de reflectividad en una serie de cubiertas situadas a distintas vertientes. Si la correccin es certera, deberan homogeneizarse los valores, eliminando sus diferencias debidas a la insolacin. Esta hiptesis se comprob por Riao (2000) en su estudio sobre cartografa de combustibles forestales en el Parque Nacional de Cabaeros. Las correcciones topogrficas redujeron la desviacin tpica de la mayor parte de las especies vegetales, con especial intensidad en las bandas TM 4 y 5. La figura 6.36 nos muestra el efecto de la correccin sobre imgenes TM de j u l i o de 1997. De nuevo, las flechas nos indican los sectores ms claramente modificados por la correccin. 6.2.3.4. Correccin del efecto bidireccional (BRDF)
El ltimo aspecto que vamos a considerar en el clculo de la reflectividad hace referencia al electo que los ngulos de observacin y de iluminacin tienen sobre la reflectividad detectada por el sensor. Como ya hemos comentado a lo largo de las pginas precedentes es frecuente asumir en los modelos para el clculo de reflectividad que una cubierta presenta un comportamiento lambertiano, lo que implica considerar que la radiancia reflejada por esa cubierta sea igual en todas as direcciones. Esta asuncin es razonable como primera aproximacin al clculo de la reflectividad.
ANLISIS DIGITAL I ) K IMGBNFS: CORRECCIONES Y RKALChS
279
pero dista bastante de ser correcta. Todos tenemos la experiencia directa de como cambia la visin de un objeto segn se s i t u el observador en relacin con la l u / incidente ( fig. 6.37). por lo que parece razonable tener en cuenta este Tactor en clculos ms detallados de la reflccti viciad. Hasta hace relativamente poco, la mayor parte de los sensores ofrecan nicamente \ ision vertical, por lo que se asuma que la seal que medan eran comparable en el tiempo (lgicamente con las variaciones atmosfricas y de iluminacin pertinentes). Sin emhargo, en el caso de otros sensores de ngulos mas amplios de barrido, como los meteouilgicos, las zonas observadas podan variar no slo por estos factores, sino tambin poi la variacin en las condiciones de iluminacin y de observacin. En otras palabras, cuando las observaciones no se realizan con los mismos ngulos (solares \ del sensor), no son perfectamente comparables, por lo que las series temporales pueden ser bastante inconsistentes. En el caso del AVHRR. uno de los sensores ms utilizados en anlisis temporal de la vegetacin, este factor tenda a paliarse mediante mtodos que eligieran, dentro de una serie de imgenes dianas, aquellos pxeles ms cercanos a Lina visin vertical, pero esto no siempre se garantiza por el problema de la cobertura de nubes. l:n consecuencia, s quieren utilizarse las senes diarias es preciso introducir algn tipo de correccin del electo direecional. Para abordar estas correcciones se u t i l i z a n las llamadas funciones de distribucin de reflecti vidad bidireccional ( BRDF, Bidirectioiuil Reflctame Distribution Factor). Se trata ste de un concepto terico, que describe los efectos direecionales de la refleetividad comparando la radiancia reflejada en una determinada direccin con la i n c i dente en otra (Sandmeier e Itten, 1999): dH0 , 1 ( 0 . d > : 0 , , , A) = - -' dE(0 ,
A)
16.421
' K i . 6.37. Variaciones en la rejleclividad de mu cubierta foresld por cid'I o de os ngulos de observacin. En la foto de la iztjda.. el sol est detrs de la cmara; en la ilclia.. delante. (Tomado de http://crsa.bu.edu/~nstrug/brdf/BRDF lixplained.htm)
280
Ti;i.BDliTECCIN AMBIENTAL
Flujo reflejado Fluio incidente
Diroccit de referencia N*
l-'l(. 6.3S. ngulos i/uc intervienen en el edculo le la BRDF.
donde dL es la radiancia reflejada con un determinado ngulo cenital (fir) y acimutal (<pr) y JE la irradiancia incidente con una detcrininada direccin: cenital (0) y acimutal (<p:) (fig. 6.38). Le hemos aadido el parmetro para indicar que la BRDF es tambin dependiente de la longitud de onda, o, lo que es lo mismo, que las diferencias debidas a las direcciones de observacin no van a afectar por igual a las distintas bandas del espectro, siendo ms severos los efectos direccionales en las longitudes ms cortas (principalmente en el azul y rojo para el caso de la vegetacin: Sandmeier e Itten, 1999). A veces puede resultar ms grfico que la funcin BRDF el denominado factor de anisotropa, que relaciona la reflcctividad de un cubierta en una direccin determinada con la que se obtendra para una direccin de referencia (normalmente, para una observacin vertical): A N l F ( 6 . , . ; 8 . . , X) = ------ ------[6.43]
Estos factores son de gran inters para conocer mejor el comportamiento direccional de una determinada cubierta. Nos permitiran estandarizar las reflectividades observadas a una base comn, siempre que conozcamos los ngulos solares y de situacin del sensor. Algunos ejemplos de estos grficos se incluyen en la fig. 6.39 para el caso concreto de una cubierta herbcea. Se observa que la misma cubierta presenta efectos direccionales muy distintos segn la longitud de onda. En las bandas de fuerte absorcin (azul y rojo), esta cubierta tiende a ofrecer un claro componente direccional, con mayores intensidades hacia ngulos prximos a la vertical y cuando se observa de espaldas al sol. Por su parte, el IRC y, en menor medida, el verde tienen un efecto direccional menos marcado. Para poder introducir estas correcciones en las imgenes necesitamos informacin sobre el carcter iso o anisotrpico de las cubiertas que observamos, en definitiva contar con sus BRDF. Esta informacin no es fcilmente accesible, ya que hasta hace relativamente poco no se contaba con sensores de observacin multiangular. La mayor parte de los estudios disponibles se basan en gonimetros de campo (Sandmeier e
Factor anisotrpico
y:-
Factor anisotrpico
'jrs
Factor
Factor
anisotrpico
Factor anisotrpico
Factor anisotrpico
282
ThlHIMTIXCION AMBlliNTAI.
Itten, 1999). si bien se estn construyendo actualmente estas funciones a partir de algunos sensores mas modernos (como el MISR o el POLDBR). Conocer el BRDF de una cubierta, no slo servir para mejorar su discriminacin, eliminando la parle de la seal que proceda de los ngulos de observacin, sino que en s mismo ser una variable ms que pernu'j introducir discriminaciones ms sutiles (por ejemplo, debidas a electos de sombra en determinadas especies forestales). De ah el inters por enriquecer la signatura espectral de una determinada cubierta aadiendo tambin lo que podramos llanuii si signatura angulai - o mejor an las variaciones angulares de las signaturas espectrales i ste enfoque se ha desarrollado hasta el momento con sensores aeroporlados iSandmeier \ Deering, 1999). A electos prcticos es d i l c i l introducir este parmetro en ios clculos de rellectividad. ya que la BRDF depende del tipo de cubierta que estemos observando, la cual ser habitualmente desconocida en una primera interpretacin. Para el caso de las imgenes AVIIRR se ha propuesto una correccin relativamente s e n c i l l a , basada en un modelo fsico de transferencia radial i va denominado WAK (Dymond el al., 2001). Este modelo permite estimar un factor de estandarizacin de la reflectividad. suponiendo una orientacin de referencia ( v i s i n vertical y -4-3" de ngulo cenital solar). En definitiva, se trata de encontrar un parmetro p que permita convertir la reflectividad observada (/;) en otra de referencia (p): p = <pp |6.44]
El factor./) se calcula de forma d i s t i n t a para el ReJRCdel AVHRR (bandas 1 y 2, respectivamente). Los autores del mtodo proponen (Shepherd y Dymond, 2000):
[6.45|
|6.46]
donde 0iy t, indican los ngulos de incidencia y reflexin para la seal a corregir; tlny (),t, los correspondientes a la visin de referencia (habitualmente 45" y 0". respectivamente), a y ao son los ngulos de fase (los que forman los rayos del sol con la posicin del sensor, esto es la diferencia de acimut entre el sol y el satlite) de la seal a corregir y de la visin de referencia (en este caso 45"). El trmino H considera las reflexiones mltiples en el interior del dosel vegetal, y puede calcularse como:
|6.47]
283
para cada uno de los ngulos considerados (incidencia, reflexin, lano de la seal delectada como de la de referencia). El resto de los parmetros: vr, a, k son dependientes de la cubierta observada y se calculan a partir de su BRDF. Si no esl disponible, w pueden estimarse a partir de la reflectividad de la hoja (p; w = 2p), ya, k de un anlisis de regresin a partir de datos procedentes de dos rbitas distintas del AVHRR sobre las misma zona ( e n definitiva, tomadas con ngulos distintos), minimizando ios residuales ( R ) de la siguiente expresin: 16.48] donde/; y ph indican las reflectividades de una determinada cubierta extradas de dos imgenes AVURR (a y h) lomadas con distinios ngulos. La figura 6.40 ofrece un ejemplo de la importancia de estos efectos direccionales en las imgenes AVHRR. Incluye una serie de valores de reflectividad para las bandas 1 y 2 extrados de un sector de pinares en la provincia de Cuenca, as como los ngulos solares en el momento de la adquisicin. Todas ellas son imgenes de la pasada diurna del NOAA-16 adquiridas entre las 13 y las 14,22 GMT. La dependencia del ngulo acimutal solar es bastante clara, observndose una tendencia cclica en la reflectividad que se relaciona estrechamente con el ciclo orbital del satlite. 6.2.4. Clculo de temperaturas
El clculo de la temperatura de superficie es un proceso rutinario en aplicaciones oceangraficas, en donde este parmetro es clave para estudiar aspectos climticos, as
0,25
0,00 01 03 05 07 10 11 12 13 18 20 21 22 23 25 26 27 29 31
FlG. 6.40. Serie temporal de valores de reflectividad extrados a partir de los canales 1 x 2 del AVHRR en julio de 2001. Se incluyen los ngulos acimutal v cenital solar para observar el efecto que tienen sobre la seal detectada por el sensor.
284
TELEDETECCION AMBIENTA!.
Fio. 6.41.
Esquema grfico sobre el clculo de la temperatura de superficie.
como en aplicaciones pesqueras. En lo que se refiere a temperaturas terrestres, la investigacin ha sido muy intensa en los ltimos aos, ya que, pese a la dificultad de la estimacin, se considera un elemento clave en los estudios de cambio climtico global. De modo esquemtico (fig. 6.41), el proceso para el clculo de temperatura se inicia con los ND detectados por el sensor. Al igual que en el espectro ptico, esos valores codifican un valor de radiancia, en este caso correspondiente al infrarrojo trmico. Aqu el objetivo no es encontrar la relacin entre el flujo incidente en el suelo y el reflejado al sensor, sino entre el flujo emitido desde el suelo (Lm) y el recibido por el sensor (LseJ. Entre ambas magnitudes vuelven a interponerse los componentes de la atmsfera, que absorben y emiten su propia energa, distorsionando la radiancia recibida por el sensor. Supuesto que eliminramos las influencias atmosfricas, bastara conocer el flujo emitido en el suelo para saber su temperatura, ya que, como vimos, la radiacin que
285
emite un objeto es una funcin de su temperatura, de acuerdo a la ley de Planck [2.4]. Ahora bien, esta ley est definida para cuerpos negros. Lin consecuencia, el segundo problema en el clculo de la temperatura radiativa. y adems el ms espinoso, es estimar la relacin entre la emitancia de una superficie determinada y la que se produce en un cuerpo negro a la misma temperatura; en definitiva, es preciso conocer la emisiviilad de la cubierta para calcular su temperatura. Tras este comentario podemos ofrecer un esquema ms cuantitativo para abordar ese clculo. Seguimos el mtodo propuesto por Coll el al. (1994), refinado por Caseles ('/ al. (1995) para obtener temperaturas de superficie [TS) a partir de imgenes WHRR. Aunque tambin puede calcularse la TS desde imgenes Landsat-TM (que i uenta con una sola banda trmica), el sensor AVHRR ha sido el ms utilizado para este tipo de estudios, ya que son ms convenientes sus horas de adquisicin.'1 El mtodo propuesto en este epgrafe est ajustado a latitudes medias, en donde los autores han encontrado errores por debajo de 1,1 K. para la determinacin de la temperatura superficial del suelo y de 0,7 K para la superficie del mar (Casclles el al., 1995). Al igual que en el caso de las rcflectividades, el primer paso en el clculo de la temperatura es convertir los ND en radiancias. Puede usarse la misma frmula antes vista |6.22], si bien en este caso los coeficientes se cambian de lnea a lnea, aunque de modo poco significativo, de acuerdo al sistema de calibracin que u t i l i z a el AVHRR para sus dos bandas trmicas. Una vez calculada la radiancia, puede estimarse la temperatura de b r il l o a partir de la inversin de la ecuacin de Planck (Kidwell, 1991):
donde T indica la temperatura de brillo en Kelvin para un determinado valor de radiancia L, v corresponde a la longitud de onda central de la banda trmica que estemos considerando (errf'). y c, y c, son constantes ( r , = 1,1910659 X 10 s mW m : sr ' cm 4 y c , = 1,438833 cm K). Para esta regin del espectro, numerosos autores han sugerido basar la correccin atmosfrica en los datos de la propia imagen. En este caso se utilizan las diferencias de temperatura medidas en dos bandas cercanas del trmico para estimar la transmisividad atmosfrica. Estos mtodos se conocen con el nombre genrico de algoritmos de ventana partida (split window), puesto que se necesita contar al menos con dos bandas en la ventana del IRT. La frmula genrica de este tipo de correcciones sera: T^ = T ] + A ( T ] - T ] ) ~ B [6.50]
siendo Ts la temperatura del suelo, y T ] y T ' las temperaturas de brillo en dos bandas contiguas del espectro. A y B son coeficientes dependientes del tipo de atmsfera. Otros autores han propuesto formulaciones similares para la observacin biangular,
6. En los ltimos aos tambin cabe destacar los anlisis de temperaturas de superficie a par ir del ATSR (Sobrino, 2000) o del MODIS (http://modis.gslc.nasa.gov/MODIS/inodisJront.htniri.
286
esto es la adquisicin de la misma banda del IRT pero con dos ngulos distintos, como ocurre con el ATSR (Sobrino. 2000). Sin embargo, son ms habituales las ecuaciones basadas en el algoritmo antes mencionado |6.50|. ya que el sensor AVHRR ha sido la principal fuente de datos para obtener temperaturas de superficie en las ltimas dcadas. Para las condiciones promedio de nuestras latitudes podemos utilizar los coeficientes propuestos por Case I les y colaboradores (Caselles el al., 1995; Coll el al., i 994) para la correccin atmosfrica: / =-T\ + | 1 . 0 + 0.58(7Vr 5 )](7" 4 -7%) [6.51]
donde T . indica la temperatura de brillo en la superficie: 7 ' 4 y 7", son respectivamente las temperaturas de b r i l lo de las bandas 4 y 5 del AVHRR. El ltimo paso para obtener la temperatura de superficie sera introducir la correccin de emisividad, que valora la eficiencia radialiva de una determinada superficie. La importancia de este factor se incorpora en la siguiente frmula:
/; = T \ + 0,51 + 40 (I - i) - 75 Af
16.52]
donde t corresponde a la emisividad promedio de un pxel en las bandas 4 y 5 del AVHRR, y Af a la diferencia de emisividad para el mismo pxel en esas dos bandas
(Af = f 4 -t\).
El problema ms complejo a resolver aqu sera la estimacin de la emisividad de la superficie terrestre, pues no es derivable directamente de los datos trmicos. La emisividad depende del tipo de cubierta que est observando el sensor, lo que frecuentemente no nos es conocido. Incluso cuando tengamos acceso a un mapa de cobertura del suelo de la zona observada, la estimacin de la emisividad puede no ser muy correcta, por un lado por la variacin estacional de las cubiertas vegetales (por ejemplo, una zona de cultivos aparecer como suelo descubierto en algunos perodos del ao), y por otro, por la propia heterogeneidad del pxel, ya que aproximadamente en 1 knr ( l a mejor resolucin espacial del AVHRR) puede haber una mezcla notable de tipos de cobertura y, por tanto, de emisividades. Lgicamente, esto no ocurre en la determinacin de la temperatura del ocano, en donde la emisividad es fcilmente calculable. Una manera sencilla de estimar la emisividad para zonas no marinas sera asumir que un pxel est formado nicamente por suelo o vegetacin, calculando una emisividad promedio en funcin de la proporcin de superficie ocupada por estas dos cubiertas. Para estimar estas proporciones, Valor y Caselles (1996) sugirieron un mtodo basado en los datos de la propia imagen, ms concretamente en las bandas del R e IRC, a partir de los cuales se pueden calcular ndices de verdor (como veremos ms adelante: 7.1.2). De acuerdo a este mtodo, la proporcin del pxel ocupado por vegetacin puede obtenerse a partir de la relacin entre su ndice de vegetacin (NDVI) y los mnimos y mximos de verdor detectados en una serie suficientemente larga de imgenes:
p _"
"
"
( l - ( NDVI/NDVI 5 ^ 1
))
Fie;. 3*. Mosaico de imgenes SPOT adquiridas el 27 de diciembre de 2001 mostrando un amplio frente de incendios activos en el suroeste de Australia. Se observa ntidamente el efecto de absorcin de los aerosoles producidos por el fuego. (ACRES. Geoscience Australia. CNES 2001).
FlCi. 5*. Imagen NOAA-A VHRR tic la Peninsula I berica adquirida por la antena URI'T instalada en el Departamento de (enfraila (Universidad de Alcal).
Fie 6*.
Imagen Meteosat del disco visible de la Tierra adquirida en octubre de 998. (Cortesa: EUMHTSAT.)
FlG. 7*.
Imagen ster del Estrecho de Gilaltar adquirida el 5 de julio de 2000. (Cortesa: NASA, http://visiblcearth.nasa.gov.)
Fie. 8*.
Imagen Modis del Cono Sur adquirida el 24 de Abril de 2000. Composicin en color red de los canales rcjlectivos. (Cortesa: NASA, http://visibleearth.nasa.gov.)
l i e i. i ) ' \
Altura medid de Id superficie ntiiriitii generada a purlir de dalos del EKS- i.
(Cortesa: Agencia Espacial liumpea.)
Fie;. 10*. Imgenes del contenido de clorofila en el dûti >ara los meses de enero {arriba) x junio (ahajo) calculadas a partir de dalos Seauifs. (Cortesa: Orbimage. j
Fie;. I I*.
Proceso de formacin de las composiciones coloreadas.
FlG. I 2*. Diversas composiciones en color sobre la imagen TorrelOO.
Fie. 13*.
Composicin en color de los tres primeros componentes principales (rojo, verde y azul, respectivamente).
FlG. 14*.
Composicin en color de los tres componentes Tasscled Cap: ; azul, humedad; en rojo, brillo; en verde, verdor.
287
donde NDVIimx y NDVImm corresponden a los valores del ndice de vegetacin observados como mxima y mnima cubierta vegetal, respectivamente, y k es un factor de normalizacin: k = (P2V-Pu)l(pls-Pn) 16-541
siendop:, y pu las reflectividades de la vegetacin en las bandas 2 y 1 del AVHRR, respectivamente, mientras p,( yph indican las reflectividades del suelo en esos mismos canales. A partir de la proporcin de cobertura verde puede calcularse la emisividad de cada pxel multiplicando esa proporcin por la emisividad media de la vegetacin (f, = 0,952 para herbceos secos, 0,983 para rboles y 0,985 para herbceos verdes y arbustos. Tambin puede aplicarse un valor promedio global de 0,985), y el resto por la emisividad media del suelo descubierto {t\ = 0,968 para suelos arenosos; 0,972 para limosos y 0,974 para arcillosos. Aqu el valor promedio sera 0,96). De esta forma, tendramos (Caselles y Sobrino. 1989):
=f,.fl + ( 1 -/>,.),. + </ [6.55]
Ae = AevPv + (\ -Pt)Aes + dA?
[6.561
donde los trminos de y dAt: evalan, respectivamente, los efectos de cavidad de f y Af, y pueden determinarse a partir de las caractersticas geomtricas de las plantas, aunque tienen una contribucin muy pequea (los valores oscilan entre 0,004 y 0.0025 para las cubiertas vegetales ms habituales: Caselles el al., 1995). Otros mtodos para estimar la emisividad se basan en las medidas de campo o laboratorio, en relaciones empricas, tcnicas de inversin y medidas especiales (Sobrino. 2000, cap. 1 1). En la figura 6.42 aparece un ejemplo de obtencin de la temperatura de superficie para el conjunto de la pennsula Ibrica (imagen IbricaOI) utilizando el mtodo propuesto previamente sobre una imagen AVHRR. Hemos incluido la temperatura de brillo original de la banda 4, la imagen de emisividad y la temperatura de! suelo, ya corregida de atmsfera y emisividad. Adems, se seala un perfil, en el sentido norte-sur, que atraviesa la mitad norte de la Pennsula, desde el Cantbrico hasta el Valle del Tajo. Se observa el efecto de la correccin atmosfrica y de emisividad sobre la temperatura final, con amplitudes que superan los 7 "C en algunos sectores. Por otro lado, la tendencia al aumento de la temperatura, de norte a sur, es bastante evidente, as como los accidentes montaosos que atraviesa el perfil, como la Cordillera Cantbrica y el Sistema Central, claramente diferenciados por el brusco decremento de la temperatura frente a los valles pre-cordilleranos (12-15 "C en la Cantbrica y unos 18-20 "C en el Sistema Central). La observacin trmica tiene gran inters para el seguimiento de fenmenos que afectan a la vegetacin, como ya vimos en el captulo 2. La temperatura de superficie est inversamente relacionada con el vigor vegetal, ya que la evapotranspiracin libera calor y, en consecuencia, reduce la temperatura de la masa vegetal frente al suelo des-
288
TELEDKTbCCION AMBIENTAL
50
100 150 200 250 300 350 400 Original Corregida
Fio. 6.42. En la parle izquierda, temperatura de brillo (arriba) y corregida (ahajo) de la imagen IbricaOl. En la derecha, emisividad (arriba), y perfil de temperaturas tomado desde el Cantbrico, hasta la Meseta sur.
cubierto. Por tanto, la evolucin temporal de la temperatura de superficie nos permite eslimar las condiciones de vigor o estrs de la planta, de cara a estudios de rendimiento agrcola (Caselles y Sobrino, 1989) o de riesgo de incendios (Vidal el ai, 1994). adems de su clara aplicacin a estudios oceangraficos o pesqueros (Barreto. 2000). 6.2.5. Deteccin de nubes La cubierta nubosa supone el principal obstculo para el anlisis de la variacin a corto plazo de una determinada superficie terrestre cuando estemos trabajando con sensores pticos o trmicos. Puesto que la presencia de nubes introduce una severa distorsin en las series temporales de imgenes, en muchas ocasiones resulta imprescindible aplicar alguna tcnica que permita discriminarlas, ya sea para aislar ese sector de otros anlisis (cuando el inters se centra en la cubierta que est debajo de la nube), ya para retener estos valores (cuando precisamente el inters es la propia nube). El problema de discriminacin de nubes es una tarea muy frecuente en teledeteccin que ha recibido la atencin de numerosos autores. Aqu lo trataremos nicamente con un enfoque prctico, de cara a proponer algunas soluciones para aislar los pxeles
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES 28 9
Una de las formas ms eficaces de discriminar las nubes se apoya en la interpretacin visual (Cracknell, 1997), ya que el interprete puede i n c l u i r una serie de criterios espectrales y espaciales que son complicados de definir en trminos digitales. Ahora bien, este mtodo tambin presenta una serie de inconvenientes (Simpson y Ciobat, 1996): se trata de una labor tediosa, ya que hay que visualizar las imgenes para detectar las nubes; no es estadsticamente reproducible para otros lugares geogrficos ni otros investigadores, y requiere de conocimiento y experiencia en fotoinlerpretacin. Forestas razones, habitualmente los criterios de deteccin de nubes se basan en la aplicacin de distintas tcnicas de anlisis digital. Entre ellas, son ms numerosas las basadas en la aplicacin de una serie de tests consecutivos, que permiten discriminar un p\el como nuboso cuando cumple una serie de condiciones, ya sean espectrales ( l o ms habitual). espaciales o una mezcla de las dos (Bastarrika. 2000). Otros criterios propuestos se basan en tcnicas de clasificacin no supervisada (por ejemplo, el mtodo ASMC de agrupamienlo y separacin iterativa, ideado por Simpson y Gobat. 1996. o en ndices espectrales, como el tasseled cap, que luego veremos: Labuto, 1991). El principal problema de los algoritmos de umbrales mltiples es establecer unos valores crticos que sean de validez universal. Dada la gran variedad de tipos de nubes, espesores y reas donde se sitan, resulla complejo establecer unos lmites bien adaptados a cualquier situacin. Posiblemente el intrprete tendr, en algunas ocasiones, que adaptar los umbrales propuestos hacia valores ms o menos conservadores, segn se pretenda reducir al mximo los errores de omisin (nubes que no se detecten) o de comisin (reas no nubladas que se etiqueten como tales). Si el objetivo es eliminar con toda seguridad las nubes, los lmites pueden ser bastante amplios, mientras si se pretende reducir los errores de comisin ser necesario restringir ms rigurosamente esos umbrales. Uno de los algoritmos de umbrales mltiples ms utilizados en la deteccin de nubes es el propuesto porSaundcrs y Kricbcl (1988). Se basa en 5 pruebas para imgenes diurnas y otras 5 para imgenes nocturnas que se aplican pxel a pxel, determinando si est despejado, parcial o totalmente nublado. Por ejemplo, para las imgenes diurnas estos cinco tests son (fig. 6.43: Bastarrika. 2000): 1. Prueba del umbral trmico: se aplica para la determinacin de nubes gruesas a partir de un umbral de temperatura de brillo en 12 fim (banda 5 del AVHRR). La temperatura de brillo de esa banda es ms adecuada para detectar nubes que la ofrecida por la banda 4 (11 um) porque las nubes tienen una mayor profundidad ptica en esas longitudes de onda. Si la temperatura es menor que un umbral absoluto, el pxel se identifica como nuboso. Este mtodo, lgicamente, usa diferentes umbrales para tierra y mar. Para determinar el umbral se identifican en la imagen las zonas ms fras libres de nubes tanto en tierra como en mar. A la temperatura de esas zonas ms fras se les resta una cantidad (normalmente mayor que 2 "C) y as puede obtenerse el umbral deseado, uno para mar y otro para tierra. El hecho de seleccionar un nico umbral puede ser correcto para terrenos llanos u ondulados, pero hay que tener mucho cuidado al establecer umbrales en una imagen muy extensa, donde exista terreno montaoso: el decrcmento de la temperatura con la altitud puede provocar la clasificacin de pxeles fros, pero libres de nubes, como nubosos. Este problema puede solventarse utilizando
Reflectividad de entrada banda 1, banda 2 y temperaturas de brillo banda 4 y banda 5
l i e ; . 6.43. Esquema del algoritmo de discriminacin de nubes. (Adaptado de Saunders y Kriebel, 1988.)
umbrales dinmicos, por ejemplo basados en compuestos multitemporales de temperaturas. 2. Prueba de coherencia y uniformidad espacial. Intenta comparar la tempera tura de brillo de un pxel en la banda 4 con la de su entorno, basndose en la desviacin estndar (SD) de una ventana de 3 X 3 pxeles. La idea de este criterio es que la varia bilidad de la temperatura de brillo sobre pxeles contaminados por nubes debera ser mayor que para pxeles libres de nubes. Los umbrales de la desviacin estndar son empricamente determinados y se mantienen constantes para todo el rea. 3. Prueba del umbral de reflectividad dinmica. Casi todas las nubes tienen alta reflectividad en el visible e IRC. mucho mayor que la correspondiente a la superficie i"<i on l:i handa 1 tiende a ser menor
2L) 1
que en la 2; por tanto, el contraste tierra-nube ser mucho ms acentuado en la banda 1. S in embargo, en el mar suele utilizarse la 2, debido a que est mucho menos afectada por los aerosoles y la dispersin Rayleigh. 4. Prueba del cociente entre las reflectividades de las bandas 2 y 1 (Q). Los va lores de este cociente para pxeles nublados son cercanos a 1 debido a que los efectos de dispersin (dispersin Mi) son parecidos para ambas bandas. Sobre tierra (zonas ion vegetacin) los valores de Q son superiores a la unidad debido a la mayor rellecti\ idad en el IRC que en el VIS. Sobre el mar. en cambio, ocurre lo contrario. As. se deerminan dos umbrales; sobre tierra, si Q < 1.6 se supone que el pxel es nuboso, inicniras que sobre mar. si Q > 0,75 el pxel tambin se supone nuboso. Este mtodo no tra baja bien en reas con reflejos solares, donde el valor (J es cercano a I y. por tanto, es similar a los valores obtenidos para las nubes. 5. Prueba de la diferencia de temperaturas de brillo (banda 4-banda 5). Final mente, el quinto criterio propuesto por Saunders y Kriebel u t i l i z a la diferencia de tem peratura de b r i l l o entre las bandas 4 y 5. La variacin de las emisividades de las nubes con la longitud de onda hace que haya diferencias de temperatura entre ambas bandas. Estas diferencias de temperatura pueden usarse, por ejemplo, para detectar cirros bas tante delgados porque las nubes tienen diferentes emisividades a diferentes longitudes de onda. Sobre nubes, las diferencias de temperatura de brillo pueden ser de hasta 6 K. Las diferencias sobre pxeles libres de nubes, sin embargo, suelen ser menores (a me nudo menor que 1 K), aunque depender de la cantidad total de vapor de agua en la at msfera y del ngulo cenital. Saunders y Kriebel proponen una serie de umbrales para estas diferencias, basados en el ngulo cenital solar. La figura 6.44 presenta un ejemplo de la aplicacin de estas pruebas sucesivas sobre una imagen AVHRR de invierno que incluye toda la pennsula Ibrica, con cierta cobertura nubosa. Resulla evidente la buena discriminacin de las nubes que f a c i l i t a el algoritmo de Saunders y Kriebel, si bien en este caso se ha modificado un poco los criterios para establecer los umbrales. Aqu, en lugar de valores absolutos, se han primado las diferencias de contexto espacial frente a imgenes sintticas de temperatura m-
FlG. 6.44. Ejemplo de aplicacin del algoritmo de Saunders v Kriebel a una imagen A VHRR de la pennsula ibrica lomada el 12 de enero de 1999. (Cortesa: Ailor Bastarrika.)
292
xima mensual, de tal manera que en cada pxel se establece el umbral por relacin a los valores de temperatura mximos que se hayan observado en ese pxel (y su vecindad) en el perodo mensual que se considere (Bastarrika, 2000). Recientemente se han propuesto otros algoritmos automticos de deteccin de nubes en el contexto del anlisis de imgenes MODIS. Este sensor, como ya vimos, proporciona una mayor facilidad para distinguir diversos tipos de nubes, gracias a su buena resolucin espectral (modarch.gstc.nasa.mw/modis/atbd/).
6.3. CORRKCCIOM-.S ( i H MTRICAS
6.3.1.
Introduccin
Las correcciones geomtricas de la imagen incluyen cualquier cambio en la posicin que ocupan los pxeles que la forman. Por contraposicin con las correcciones ra-diomtricas, aqu no se pretende modificar ios ND de los pxeles de la imagen, sino slo su posicin, sus coordenadas. Gracias a tratarse de un formato digital, esta transformacin puede basarse en funciones numricas, que permiten modificar muy flexiblemente la geometra de la imagen. La expresin general de este tipo de funciones sera: f(c')=J\(c,l);f(x,y) f(l')=f2(c,l);f(x,y) Esto es, las coordenadas columna y linca (c' y /') de la imagen corregida son funcin de las coordenadas columna y lnea de la imagen de entrada (c, 1) o de las coordenadas del mapa al que se pretende superponer la imagen (x, y). Por tanto, esta transformacin puede emplearse tanto para corregir cartogrficamente una imagen, como para superponer dos o ms imgenes entre s. En el primer caso se pretende encontrar una relacin que transfiera los ND de la imagen a su posicin cartogrfica, en la proyeccin requerida (habitualmente la Universal Transversal de Mercator. UTM). Esto permite que la imagen resultante pueda combinarse con informacin auxiliar o integrarse a un SIG (cap. 9). En el segundo caso, la transformacin geomtrica de la imagen tiene por objetivo ajustara a otra imagen que.se considera como referencia, normalmente con objeto de realizar estudios multitemporales o mosaicos para obtener una cobertura ms completa del territorio. La correccin geomtrica de imgenes puede abordarse de acuerdo a dos procedimientos. En el primero, denominado correccin orbital, se pretende modelar aquellas fuentes de error geomtrico conocidas, a partir de aplicar transformaciones inversas a las que realiza el sensor en el momento de la adquisicin. Para ello es preciso disponer, con bastante detalle, de las caractersticas orbitales de la plataforma y de las especificaciones del sensor. Gracias a ellas pueden corregirse errores sistemticos, como son los derivados de la rotacin o curvatura terrestre y de la inclinacin de la rbita. El segundo enfoque resulta ms emprico. Se trata de evaluar el error geomtrico de la imagen a partir de una serie de puntos con coordenadas conocidas, que se denominan puntos de control. En este caso, el error se estima inductivamente, ya que en las
293
funciones de transformacin se incluyen simultneamente todas las fuentes de error, asumiendo, como es lgico, que esos puntos sean suficientemente representativos de la deformacin geomtrica que tiene la imagen. Ambos mtodos tienen sus ventajas e inconvenientes. El primero es mucho ms automtico, pues los datos orbitales se reciben directamente con las imgenes y apenas se requiere intervencin humana. Resulta, adems, muy adecuado cuando el sensor no proporciona informacin fiable para localizar los puntos de control, ya sea por tratarse de imgenes marinas (sin referencias visuales), ya eon cobertura de nubes o con una resolucin tan grosera que apenas puedan identificarse rasgos cartogrficos. ste es el procedimiento habitualmente empleado para corregir imgenes de baja resolucin (tanto polares como geoestacionarios, aunque es ms sencillo en estos ltimos). Su principal inconveniente es la escasa fidelidad cuando la posicin del satlite no se conoce con mucha exactitud (caso de algunos satlites polares de observacin global) o cuando la imagen incluye errores aleatorios, como los debidos a movimientos imprevistos del sensor o al relieve local, que pueden llegar a suponer desplazamientos del orden de 5 pxcles (Ho y Asem, 1986). No obstante, con modelos ms elaborados, que pueden incluir algn punto de control terrestre, el orden de precisin se eleva hasta 1 pxcl (Emery el al.. 1989; Rosborough el al., 1994). Las plataformas ms modernas incluyen sistemas de navegacin mucho ms refinados que permiten mejorar notablemente estas correcciones orbitales (caso del SPOT-4). Por su parte, el mtodo de puntos de control resulta bastante tedioso, pues requiere una notable intervencin humana para localizar adecuadamente esos puntos, pero ofrece una alta exactitud cuando se trabaja sobre zonas e imgenes en donde es clara la identificacin de rasgos comunes a la cartografa bsica. 6.3.2. Correccin a partir de modelos orbitales
Como se ha indicado, estas correcciones resultan muy adecuadas para sensores de baja resolucin o que trabajan sobre reas marinas, en donde resulta muy complicado buscar puntos de control. El creciente inters por el empleo de imgenes de sensores de observacin global ha subrayado el papel de estas correcciones, ya que son paso obligado para su anlisis. Habitualmente, al aplicar correcciones orbitales se utiliza el trmino navegacin de la imagen (Emery et al., 1989), ya que se pretende localizar sobre una malla geogrfica cada uno de los pxeles que la forman. En el caso concreto de la correccin de imgenes A VHRR, aunque es extensible a otros sensores, la navegacin de la imagen implica un proceso matemtico complejo, que excede el carcter introductorio de esta obra. Para una referencia completa pueden consultarse otras referencias ms especficas (Bachmann y Bendix, 1992; Bordes el al., 1992; Emery et ai, 1989; Ho y Asem, 1986; Krasnopolsky y Breaker, 1994; Rosborough el al., 1994). Baste aqu indicar que su principal escollo es localizar exactamente la posicin geogrfica del satlite, de tal forma que puedan relacionarse automticamente sus coordenadas de imagen con las coordenadas cartogrficas de inters. Es preciso conocer la altitud de la rbita, que puede variar a lo largo de la traza, ya que no se emplean modelos circulares sino elpticas, su velocidad y meridiano de cruce con el Ecuador, as como la velocidad de barrido del sensor. A partir de esa informacin, los parmetros ms sencillos de corregir son los derivados de errores sistemticos en la adquisicin, como son los siguientes;
294
//<;. 6.45. Errores geomtricos causados por la rotacin terrestre, (Adaptado de Richards, 1993.)
I. Inclinacin de la imagen. Tanto el NOAA como otros satlites de rbita polar adquieren las imgenes con un pequeo ngulo respecto al norte geogrfico. Esto implica una inclinacin del eje de la imagen hacia el noreste. Adems, durante el tiempo de adquisicin de la imagen, la Tierra se desplaza hacia el este, en una distancia variable con la latitud, la velocidad angular del satlite y el tamao del rea cubierta en la imagen. Estos problemas pueden obviarse de acuerdo a las siguientes frmulas (Richards, 1993, pp. 48-54: fig. 6.45). |6.57| 16.58] [6.59] [6.60|
295
De la primera se deduce que el desplazamiento de la imagen en el eje A (AV) es igual al desplazamiento debido al movimiento de la tierra (Av ) multiplicado por el coseno del ngulo de inclinacin de la rbita ( ) . A su vez, de (6.58] calculamos ese desplazamiento de la Tierra (Av) a partir de su velocidad angular (v,.) y del tiempo de adquisicin de la imagen (7\). La velocidad angular puede calcularse a partirde la velocidad rotacional de la Tierra (a>{ = 72,72 microradianes/s), del radio terrestre (i\ ~ 6.378 km) y de la latitud de la imagen {(p). Por su parte, el tiempo de adquisicin est en funcin del rea cubierta (L) y de la velocidad angular del satlite (). En definitiva, basla saber la inclinacin de la rbita del satlite, su velocidad angular y el rea que abarcan sus imgenes para posicionarlas aproximadamente hacia el norte. Distorsin panormica. En cualquier sensor ptico las imgenes se adquieren desde un punto de observacin, por lo que los parmetros de adquisicin (sobre todo la distancia sensor-Tierra) slo son exactos en la vertical del mismo (nadir). Entre otros efectos de esta observacin panormica, uno de los ms agudos es la variacin del tamao del pxel desde el nadir a los extremos, pues aumenta la distancia entre el sensor y el punto observado. En el caso de imgenes de pequeo campo de visin (como el Landsat-TM. SPOT HRV o IRS-1C) ese efecto es poco importante, pues adquieren imgenes casi verticales. No es as para las imgenes de los sensores globales, que cuentan con un gran ngulo de barrido, lo que implica errores considerables hacia los extremos del rea observada (t'ig. 6.46).
:"l(i. 6.46. Efecto de la observacin panormica sobre a geometra de la imagen. (Adaptado de Richards. 1993.)
296
TKLHDETKCCIN AMBIENTAL
Una sencilla correccin de este efecto panormico viene dada por las frmulas siguientes: / > ' =p/ ros y en la direccin y del pxel ( l a t i t u d ) , y p'' = p/eos y 16.62] [6.61 ]
en la direccin .\ del pixel t longitud), siendo/? el tamao del pxel en el nadir y y el ngulo de barrido (formado por la lnea de observacin y la vertical al sensor: fig. 6.46). En este esquema se asume que el campo de visin instantneo (IFOV) es constante. Esta correccin permite ajustar el tamao del pxel con la distancia al nadir, a lo largo de cada lnea de barrido. 3. Efecto de la curvatura terrestre. Mientras en el caso de la fotografa area, el rea observada permite asumir la Tierra como plana, en aquellos sensores que observan una superficie muy vasta, como es el caso del AVHRR. la esfericidad terrestre no puede obviarse. Para mitigar este efecto puede abordarse la siguiente correccin (Richards. 1993: fig. 6.47):
donde/? indica el tamao del pxel corregido del electo de curvatura,/? es el ngulo de visin instantnea, h la altura del sensor, r, el radio de la Tierra, y el ngulo de barrido y (f el formado por el centro del pxel observado y el centro de la Tierra. A partir de estas ecuaciones, conociendo la posicin geogrfica del satlite, puede navegarse la imagen, generando una malla de coordenadas x, y con los ND adquiridos por el sensor ms aproximados a cada posicin. Este proceso de interpolacin es relativamente similar al que veremos para la correccin con puntos de control. El conjunto del proceso implica un volumen considerable de clculo, ya que las ecuaciones de ajuste son bastante complejas. En ocasiones, los modelos orbitales se apoyan en la localizacin de algn punto de control terrestre, para mejorar la estimacin de las condiciones de orientacin del satlite (attitude). La figura 6.48 incluye una secuencia de imgenes AVHRR adquiridas en tres das consecutivos. A la izquierda aparecen las imgenes originales, mostrando los efectos de distorsin geomtrica que estas imgenes incluyen. Los extremos aparecen severamente deformados, cambiando esa rea segn se desplaza el centro de la imagen hacia el oeste. A la derecha aparece un sector prximo a la ciudad de Valencia, tras la correccin orbital, referenciada en proyeccin UTM. Como puede observarse, pese a la gran diferencia en la geometra de las imgenes originales, la correccin consigue posicionar las imgenes de forma bastante similar entre ellas. Esta solucin ser suficiente para aplicaciones globales, en donde se pretendan analizar grandes extensiones. Sin embargo, para anlisis multitemporales ms detallados no facilita habitualmente la precisin requerida. Como veremos en el captulo de
ANLISIS DIGITAL DK IMGENES: CORRECCIONES Y REALCES
297
FlG. 6.47.
Errores provocados por la curvatura terrestre. (Adaptado de Richards, 1993.)
deteccin de cambios, un proceso previo imprescindible para determinar qu se ha modificado entre dos o ms imgenes es que se refieran exactamente a la misma zona. Pequeos desplazamientos entre los pxeles de las imgenes que se comparan estaran mostrando cambios ficticios. La importancia de este factor puede llegar a ser muy considerable (Roy, 2000; Townshend et ai, 1992), por lo que resultar imprescindible mejorar esa correccin con otros ajustes ms detallados cuando se pretendan analizar superficies que ocupen pocos pxeles (Martn, 1998). El efecto es especialmente evidente en zonas costeras (fig. 6.49). 6.3.3. Correccin a partir de puntos de control La segunda alternativa de correccin es ms inductiva. Asume que no se conoce el origen de los errores, pero que stos pueden modelarse a partir de ajustar unas
298
TELEDETKCC1ON AMBIENTAL
[ ; l<. 6.48, Efecto de lu correccin orbital de imgenes.

(Imgenes adquiridas por el AVHRR en j u l i o de 1991.)
Fl(. 6.49. Mejora en los ajustes orbitales mediante correcciones con puntos de control: a) ajuste orbital; b) aadiendo puntos de control. (Cortesa: M. Pilar Malln.)
2U9
ecuaciones empricas a un conjunto de puntos, de los que se conoce tanto l a s coordenadas de la imagen a corregir como las del mapa o imagen de referencia. En ambos casos, la correccin se realiza en tres lases (fig. 6.50): 1) localizacin de puntos comunes a la imagen y al mapa (o a otra imagen de referencia), 2) clculo de las funciones de transformacin entre las coordenadas de la imagen objetivo ) las de referencia, y 3) trasferencia de los ND originales a la nueva posicin, definida por la transformacin previa.
Col = ao+ a, X + a,, Y Un = i>()+ b , X + b , , Y
(2)
(3)
Fl(i. 6.50.
Fases de la correccin con puntos Je control: I) seleccin; 2) ecuaciones de ajuste, 3) generacin de la imagen corregida.
300
6.3.3.1. Establecimiento de puntos de control Para calcular cualquier funcin entre dos o ms variables es necesario contar previamente con una serie de observaciones comunes a todas ellas. De la misma Corma, las funciones que permiten transformar coordenadas entre la imagen y el mapa precisan localizar una serie de puntos comunes a ambos, que se conocen como puntos de control. A partir de las coordenadas imagen y mapa de esos puntos se calculan las funciones tic ajuste, de forma similar a como se obtienen en otras regresiones multivariables. En consecuencia, la calidad del ajuste depender del rigor con que se localicen esos puntos, y de como definan realmente los errores geomtricos de la imagen. Una inexacta locali/acion de esos puntos, tanto en la imagen como en el mapa, o una distribucin muy sectori/ada, implicar una estimacin inadecuada y. por tanto, una correccin geomtrica errnea. En definitiva, el establecimiento de puntos de control resulta la fase ms crucial del proceso de correccin y la que demanda mayor dedicacin humana. Para que el ajuste entre imagen y mapa sea correcto se requiere atender a tres aspectos en la seleccin de los puntos de control: nmero, localizacin, y distribucin. El nmero idneo de puntos de control depende de la complejidad geomtrica de la imagen. Si se trata de zonas planas, adquiridas por un sensor de estrecho campo de visin, la transformacin imagen-mapa puede basarse en ecuaciones lineales simples. Por el contrario, si se trata de un terreno rugoso o el sensor vara notablemente las condiciones de observacin ser preciso aplicar funciones de transformacin ms complejas, con polinomios de segundo o tercer grado. Lgicamente, cuanto mayor sea el grado de la ecuacin de ajuste se precisar tambin un mayor nmero de puntos de control. Matemticamente slo son necesarios 3 puntos para una funcin de ajuste de I." grado. 6 para una de 2." grado y 10 para una de 3." grado. Ahora bien, conviene superar con creces ese listn mnimo para garantizar una buena conformidad entre imagen y mapa. Bernstein (1978) aconsejaba seleccionar entre 14 y 20 puntos para corregir una imagen MSS, mientras el National Remote Sensing Center ingls utilizaba de 100 a 120 puntos para hacer lo propio con una imagen TM (Davison, 1984). Para una zona pequea (512 X 512 pxeles, por ejemplo), 10 o 12 puntos y una transformacin de primer grado sern normalmente suficientes. En caso de que el contraste topogrfico sea importante convendr seleccionar un mayor nmero de puntos, y acudir a polinomios de transformacin ms complejos. En cuanto a la localizacin. se recomienda que sean puntos claramente identificables en la imagen y en el mapa, preferiblemente rasgos humanos del paisaje no sujetos a dinamismo temporal: cruces de carreteras, caminos, vas de ferrocarril, etc. Siempre que sea posible, no conviene sealar puntos en la lnea de costa, pues el efecto de la marea puede modificar la localizacin exacta de un accidente geogrfico. La misma idea puede aplicarse a los cursos de agua o embalses, que sufren alteraciones estacionales, en ocasiones de gran importancia. Algn elemento destacado de la vegetacin podra utilizarse como punto de control, siempre que se disponga de la cartografa temtica apropiada y no se hayan producido cambios entre la fecha de la imagen y la del mapa. En caso de que se pretenda el registro de dos imgenes, la bsqueda de puntos comunes resulta ms sencilla, yaque hay rasgos visualizablesen una imagen que no se recogen en la cartografa bsica, como es el caso de manchas caractersticas de vegeta-
ANLISIS DGITA!. DE IMGENES: CORRECCIONES Y REAI .CHS
30 I
cin o ciertas parcelas agrcolas. La mayor parte de los programas de interpretacin digital permiten visualizar las dos imgenes a corregir simultneamente, lo que facilita mucho la seleccin de los puntos de control. Respecto a su distribucin, conviene que estos puntos se siten uniformemente sobre lodo el territorio abarcado en la imagen. Esto evitar errores debidos a una ponderacin excesiva de algn sector del rea de estudio, en donde el ajuste ser bueno a expensas de otros sectores de la imagen. Esto es especialmente importante cuando la zona presente contrastes topogrficos y se utilicen ecuaciones de segundo o tercer grado. Aunque el efecto de desplazamiento del relieve es menor que en el caso de la fotografa area (debido a la altura de la rbita), tambin en las imgenes de satlite existe un electo de desplazamiento que puede causar serios problemas en su ajuste cartogrfico. Para intentar paliarlos, cuando no se disponga de un buen modelo digital de elevaciones puede ser recomendable tomar puntos de control sobre reas de distinta altitud, siempre que stas resulten bien identificables en la imagen ( I t t e n y Meyer. 1993: Novak. 1992). Nuestra propia experiencia indica que la seleccin de puntos de control es una tarea bastante laboriosa. En caso de un registro entre dos imgenes, el proceso se simplifica, puesto que es ms sencillo identificar puntos comunes entre dos imgenes que entre imagen y mapa. En el primer caso pueden utilizarse cruces de caminos y rasgos destacados de la vegetacin, de difcil o imposible localizacin en un mapa. Adems, en el caso de corregir distintas imgenes de la misma zona para un anlisis multitcmporal puede automatizarse el proceso de bsqueda de puntos comunes, a partir de sealar en una sola, de modo muy preciso, esos puntos, situando en las otras unas ventanas de bsqueda, en torno a cada punto de control (Diez de Arribas y Nicols, 2001: Ort e/e//., 1979). La figura 6.5 1 recoge la localizacin de los puntos de control seleccionados para la imagen Madrid92. Se trata sta de una zona especialmente idnea para esta labor, por cuanto existen mltiples rasgos humanos, claramente identificables sobre la imagen y el mapa. Para simplificar el comentario hemos sealado once puntos de control. La tabla 6.6 incluye las coordenadas columna y lnea de la imagen, y A' e K del mapa para esos puntos. La cartografa base se corresponde a una hoja 1:25.000 del Instituto Geogrfico Nacional, realizada en proyeccin U.T.M. 6.3.3.2. Clculo de las funciones de transformacin
Como se coment ms arriba, la correccin digital de la geometra de una imagen se realiza estableciendo unas funciones, que pongan en relacin las coordenadas de la imagen con las del mapa. De esta forma, a partir de las coordenadas X, Kdel mapa puede estimarse que columna y lnea de la imagen corresponde a esa localizacin. Esquemticamente esta transformacin puede expresarse como (Mather. 1998): = 2 7 - =.,,. 2* = ., a ^ X ' Y "
B B
16.64]
donde s indica la coordenada estimada de la imagen corregida, que se obtiene a partir de las coordenadas del mapa X e Y. El subndice m indica el grado del polinomio de ajuste. El caso ms simple sera el de una ecuacin lineal, en donde:
CAPTULO 7 ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA

Profesor: que te ilusione hacer comprender a tus alumnos, en poco tiempo, lo que a ti te ha costado horas de estudio llegar a ver claro. JOSEMARA ESCRIV, Surco
1. Generacin de variables continuas Despus de comentar los diversos tratamientos que conducen a disponer los datos de forma ms idnea para extraer de ellos informacin temtica de inters dedicamos precisamente este captulo a comentar las diversas tcnicas que permiten extraer esa informacin de las imgenes. Hemos dividido la exposicin en cuatro apartados segn el objetivo principal del anlisis sea la obtencin de variables continuas (1), la categorizacin de la imagen en clases temticas (2), el anlisis de cambios (3) o la medicin de la estructura espacial del territorio (4). Este captulo se complementa con los dos siguientes, dedicados, respectivamente, a verificar los resultados (cap. 8) y a conectarlos con otras fuentes de informacin en el marco de los SIG (cap. 9).
1.1. TCNICAS DE MODELADO EN TELEDETECCIN
1.1.1. Teledeteccin cualitativa y cuantitativa Es obvio que el inters de la teledeteccin viene dado por su capacidad de proporcionarlos informacin temtica, que cubra vacos en nuestro conocimiento del territorio o, al menos, actualice lo que ya se haba inventariado previamente. En muchas ocasiones se restringe el contenido informativo de la teledeteccin a la cartografa temtica propiamente dicha. En otras palabras, las imgenes de satlite seran, bajo este punto de vista, slo una herramienta para clasificar el territorio en categoras homogneas, por ejemplo de cobertura del suelo, vegetacin o cultivos. Con
316
ser de gran inters este enfoque nos parece reduccionista. Conviene no perder de vista que una imagen de satlite es un conjunto sistemtico de medidas cuantitativas sobre el territorio, con un nivel de resolucin espacial inalcanzable en mustreos de terreno. Si esas mediciones se relacionaran satisfactoriamente con ciertos parmetros ambientales de inters, a partir de una imagen podra obtenerse la distribucin espaciotemporal de dichos parmetros. Por ejemplo, en la mayor parte de los pases la observacin meteorolgica se realiza a partir de una serie de puntos bastante dispersos en el territorio (donde se sitan los observatorios). A partir de las mediciones que la teledeteccin realiza de la temperatura del suelo disponemos de una representacin mucho ms exacta de cmo las temperaturas se distribuyen en el espacio, ya que una imagen incluye medidas sistemticas sobre el territorio (cada kilmetro, aproximadamente, en el caso del sensor AVHRR). La nica manera de obtener una cartografa exhaustiva del territorio a partir de sensores convencionales sera mediante tcnicas de interpolacin espacial (Mitas y Mitasova, 1999), que sern tanto mas certeras cuanto mayor densidad de observatorios dispongamos y el territorio sea ms homogneo. Por ejemplo, la figura 7.1 nos permite comparar una mapa de evapotranspiracin (ET) del cultivo de referencia obtenido mediante interpolacin espacial de 26 estaciones meteorolgicas en Andaluca, con el que se obtuvo mediante regresin lineal con variables derivadas de imgenes AVHRR (Snchez y Chuvieco, 2000). Resulta obvio el carcter mas realista de esta segunda estimacin y su mejor adaptacin a los rasgos del relieve regional. Bajo esa ptica, podemos considerar la teledeteccin como una de las herramientas ms potentes para generar informacin biofsica sobre el conjunto del territorio, a intervalos regulares y en condiciones comparables (sensor, altitud, hora de adquisicin, etc.). Potencialmente las variables que pueden deducirse a partir de la teledeteccin son muy numerosas, siendo su rasgo comn que estn, de un modo u otro, relacionadas con las propiedades pticas de los objetos, con su distancia al sensor o con su posicin. Podemos aqu establecer una primera distincin entre unas variables que son medibles de modo directo y otras que se derivan a partir de aqullas. Las primeras son una funcin de los datos adquiridos por el sensor, por lo que pueden extraerse directamente de ellos si conocemos los parmetros de adquisicin. Las ms importantes son: la Reflectividad en el espectro solar (VIS, IRC, SWIR), la Temperatura en el trmico, el
FIG. 7.1.
Mapas de ET estimada a partir de interpolacin espacial (&) y regresin lineal (h) con variables derivadas de imgenes AVHRR (Snchez y Chuvieco, 2001).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA
317
Coeficiente de retro-dispersin (micro-ondas), la Altitud, a partir de la visin estereoscpica en el ptico, la medicin de distancias con lidar y la interferometra radar, y la Topografa de la superficie marina, a partir del altmetro de micro-ondas. En cuanto a las variables indirectas, se trata de factores que se pueden derivar de las anteriormente citadas, gracias a que suponen una modificacin de la seal recibida por el sensor. Por ejemplo, el contenido de clorofila no es una variable directamente medida por el sensor, pero modifica la reflectividad que ste recibe, por lo que puede estimarse indirectamente observando en qu bandas su efecto es ms evidente y aislando ese componente de otros factores que tambin puede influir en tales bandas. Otros ejemplos de estas variables que pueden estimarse indirectamente a partir de la teledeteccin son el ndice de rea foliar, la radiacin absorbida por la planta, la humedad del suelo o de las hojas, la turbidez del agua, el contenido de CO2 en la atmsfera, la ET o la productividad vegetal neta, entre otros que podran citarse. Para obtener estas variables, tan crticas para un conocimiento ms certero de nuestro medio ambiente, es preciso relacionarlas con la informacin contenida en las imgenes, estableciendo un modelo suficientemente fiable. 1.1.2. Tipo de modelos en teledeteccin En teledeteccin, como en cualquier otra disciplina cientfica, podemos establecer una clasificacin de los modelos disponibles en dos grandes categoras, segn partan del diseo experimental para extraer principios tericos a partir de l (modelos inductivos o empricos), o propongan estimaciones a partir de analizar las relaciones tericas entre los componentes de un determinado problema (modelos deductivos o tericos). Las principales caractersticas de unos y otros, en el caso concreto de la teledeteccin, pueden resumirse como sigue (Danson et al, 1995; Lillesand y Kiefer,2000; Strahler etal, 1986; Verstraete, 1994): 1. Los modelos inductivos o empricos intentan establecer una relacin num rica entre el parmetro a estimar y los valores del sensor, a partir de unas observacio nes in situ, tomadas en el momento de adquirir la imagen. En otras palabras, se obtie nen funciones de ajuste local que ponen en relacin los datos de la imagen con el par metro de inters. La tcnica de ajuste ms habitual es la regresin, en sus diversas va riantes (Aherne al., 1991; Alonso et al, 1996; Curran y Kupiec, 1995; Retal, 1992), aunque tambin hay algunos ejemplos de ajustes mediante redes neuronales (Baret, 1995; Clark y Caas, 1995; Fourty y Baret, 1997). Las principales ventajas de los modelos empricos son su sencillez (no requieren planteamientos a priori complejos) y la posibilidad de estimar su exactitud, ya que se contrastan con unas observaciones de la misma variable que se estima. Su principal inconveniente atae a su escasa capacidad de generalizacin, ya que slo podran aplicarse con las mismas o similares condiciones a la situacin en que se generaron (condiciones ambientales del lugar, sensor, rango de la variable que se estima, condiciones de observacin o atmosfricas, etc.). 2. En cuanto a los modelos tericos o deductivos, pretenden establecer relacio nes de validez general, lo ms independiente posible de unas determinadas condicio nes de observacin. Parten de demostrar la relacin fsica entre el parmetro a estimar
318
(por ejemplo, contenido de clorofila, LAI o ET) y la informacin espectral contenida en la imagen. Una vez comprobada esa relacin, con algunos ejemplos empricos, se invierte el modelo, de tal forma que pueda estimarse esa variable a partir de las imgenes (Asrare al, 1989;Dymonde?a/.,2001;FourtyyBaret, 1997; Jacquemoud, 1993; Zarco-Tejada et al., 1999). 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., isotropa en las hojas, terreno plano, reflectividad lambertiana, etc.). Incluso aunque esta relacin entre variable de inters e informacin espectral sea consistente, no resulta sencillo obtener esas variables espectrales, ya que es preciso eliminar de la imagen cualquier efecto extrao a la seal procedente de la cubierta. Esto implica modelar los efectos atmosfricos, la geometra de observacin, el aporte del sustrato y las condiciones de mezcla con otras cubiertas, por citar slo los ms significativos. No obstante, y pese a las dificultades que presenta, el modelado deductivo resulta un camino mucho ms firme que el inductivo para estimar variables biofsicas a partir de la teledeteccin, ya que facilita un mejor entendimiento de las variables que estn influyendo en el proceso, adems de requerir menos informacin colateral (trabajo de campo), simultnea a la adquisicin, que slo estar disponible cuando se haya planificado previamente un experimento con ese objetivo. 3. Algunos autores plantean una alternativa intermedia, que denominan modelos semi-empricos, en donde se asume un previo modelado de la variable a estimar, aunque el ajuste se realice por ecuaciones empricas. Tambin se asigna esta denominacin cuando los ajustes locales se basan sobre variables derivadas, como es el caso de los ndices de vegetacin (1.2), que ya cuenten con una relacin terica demostrada con las variables que pretenden estimarse (Danson et al, 1995). Como ilustracin de estas ideas vamos a revisar dos ejemplos de los distintos tipos de modelado que pueden realizarse en teledeteccin, emprico y terico, utilizando como caso de estudio la estimacin de la misma variable: el contenido de agua en la vegetacin. 1.1.3. La estimacin emprica del contenido de agua en las plantas Los modelos empricos tienen una larga tradicin en la investigacin cientfica. Como es lgico, aunque se trata de ajustes locales, adaptados a las condiciones concretas que se miden, deben tambin tener una base fsica, ya que es necesario que las relaciones que se propongan estn apoyadas en un fundamento slido. Como decamos antes, este tipo de modelado tiene las ventajas de ofrecer una evaluacin numrica de la precisin alcanzada en el modelo, ya que se pone en relacin con datos medidos experimentalmente, adems de ser relativamente sencillos de calibrar. Entre sus inconvenientes figura, por un lado, la complejidad de realizar las mediciones (especialmente cuando hablamos del trabajo de campo), y, por otro, el escaso carcter generalizador de los resultados. No obstante, cuando el modelo emprico est bien fundamentado, la calibracin en diversos lugares permite finalmente plantear funciones mas generalistas, que pueden llegar a considerarse de validez global. Por ejemplo, el ndice de peligro de incendios utilizado por el Servicio Forestal Canadiense (Fire Weather Index: Van Wagner, 1974) tiene un desarrollo fundamentalmente emprico y est calibrado
319
para las condiciones canadienses. Sin embargo, y hasta cierto punto sorprendentemente, funciona muy bien en otros entornos ambientales muy distintos al canadiense, por lo que se est empleando operativamente en lugares tan diversos como Indonesia y la cuenca mediterrnea europea. Presentamos como ejemplo de cmo plantear este tipo de modelos empricos la estimacin del contenido de agua en las plantas. Nuestro departamento ha dedicado un considerable esfuerzo en los ltimos cinco aos a esta tarea, intentando entender mejor las relaciones entre la reflectividad y temperatura estimadas por teledeteccin y la dinmica del contenido de agua en las principales formaciones vegetales del mundo mediterrneo (pastizales y matorral), de cara a mejorar los sistemas actuales de prevencin del peligro de incendio. Con este objetivo en mente hemos tomado muestras sistemticas en el terreno para la primavera y el verano del perodo comprendido entre 1996 y 2001. Las muestras se han tomado siguiendo un estricto protocolo (Desbois et al, 1997'a), de tal manera que las series fueran comparables en el tiempo. La primera dificultad que se plante en el estudio fue la eleccin del rea de muestreo, ya que se requera contar con una zona relativamente plana y con suficiente homogeneidad para realizar estimaciones consistentes a partir de imgenes de baja resolucin espacial (concretamente AVHRR y Vegetation). Esto implicaba contar con grandes extensiones (entre 4 y 9 km2) de cubierta relativamente uniforme, lo cual resultaba bastante complicado en un espacio tan heterogneo como el mediterrneo. Por otra parte, esas superficies deberan cubrirse principalmente con pastizal y matorral, sin mezcla de terrenos cultivados, que modifican drsticamente la seal entre la primavera y el verano (despus de la recoleccin). Afortunadamente, contamos con el apoyo de las autoridades del Parque Nacional de Cabaeros, que reuna las condiciones idneas para este estudio, tanto desde el punto de vista topogrfico como de cubiertas vegetales. Otro problema que se planteaba, y que puede ser comn a otros estudios empricos es la adecuada seleccin en terreno de las parcelas, de tal forma que sean suficientemente representativas del rea observada por el sensor, por un lado, y sean manejables, por otro. Recoger informacin exhaustiva y repetitiva de una parcela de 9 km2, por ejemplo, resulta inabordable en terreno, por lo que es necesario aplicar algn criterio de muestreo que permita obtener medidas suficientemente significativas. En nes- tro caso se acotaron 3 parcelas para pastizal, a una distancia entre ellas de unos 5 km, y otras 2 para matorral, separadas unos 4 km. Las diferencias encontradas en la variacin temporal del contenido de agua entre parcelas de la misma especie vegetal son prcticamente despreciables, lo que indica que los datos tomados en campo recogen adecuadamente las tendencias de las distintas especies que estamos analizando en el rea de estudio. El muestreo se realiz a intervalos regulares (cada 8 das) coincidiendo los das con la adquisicin del Landsat, y la hora de recoleccin con el paso del satlite NOAA. Como es lgico, en cualquier modelado emprico es importante que los datos de campo se tomen simultneamente a la adquisicin de las imgenes, siendo el requisito tanto ms estricto cuanto mayor dinamismo tenga la variable. En nuestro caso, el contenido de agua en las plantas presenta una cierta inercia temporal (Brown et al., 1989; Weber y Ustin, 1991), por lo que resultaba aceptable realizar simultneamente el muestreo para correlacionar con datos Landsat-TM, SPOT-Vegetation y NOAA-AVHRR, pese a que las imgenes se toman con 3-4 horas de diferencia.
320
TELBDETECCION AMBIENTAL
Fie 7.2. Diseno experimental para las medidas con espectro-radimetro. La muestra se pesaba y meda a intervalos regulares de secado.
Junto a los datos de campo, un modelo emprico precisa una buena fundamentacin terica y un sustento en observaciones espectrales controladas. En nuestro caso, la bibliografa sobre relaciones entre contenido de agua y reflectividad es muy amplia,1 resumindose en el inters de las bandas del SWIR para una estimacin directa, y las del IRC e IRT para una estimacin indirecta, no vlida en todas las especies (Bowman, 1989; Crter, 1991; Cohn, 1991; Gao, 1996; Jackson et al, 1986; Leblon, 2001; Moran et al., 1994). Los resultados con sensores de micro-ondas no son todava muy concluyentes (Leblon, 2001; Moghaddam y Saatchi, 1999; Paloscia y Pampoloni, 1984). Para confirmar las experiencias de otros autores o matizarlas para las especies mediterrneas bien adaptadas a la sequa estival nos pareci oportuno realizar algunos anlisis sobre las variaciones de reflectividad en espectros continuos para distintos niveles de contenido de humedad y diversas especies. Se realizaron diversas campaas de medicin con un espectro-radimetro GER 2600, capaz de observar un espectro continuo de 512 bandas en el rango de 0,4 a 2,5 jum. Se tomaron medidas de diversas especies de matorral y pastizales, utilizando bandejas de hojas con una geometra constante a lo largo de todo el experimento (fig. 7.2), para evitar efectos incontrolados de otjps parmetros, como cambios en la morfologa de las hojas, que suelen acompaar a la prdida de humedad en algunas especies (Jackson y Ezra, 1985). Los anlisis de las curvas espectrales para distintos contenidos de hu1. Los trabajos de Riaflo etal. (2000), Leblon (2001) y Cecalo et al. (2001) incluyen una amplia revisin bibliogrfica sobre este tema.
321
medad de la misma especie permitieron observar cules eran las bandas ms sensibles a esta variable, confirmando el gran inters de la regin del S WIR para estos estudios (fig. 7.3: Vaughan, 2001). Sobre esta base se plante el anlisis emprico que consisti en realizar ajustes de regresin entre los datos de campo y las variables derivadas de teledeteccin. Como hemos dicho, se emplearon datos del TM, Vegetation y AVHRR (Chuvieco et al, 2001). El primero tiene la ventaja de ofrecer canales pticos y trmicos, con dos bandas en el SWIR, buena resolucin espacial y consistencia radiomtrica, pero el inconveniente de su alto coste y baja resolucin temporal. El segundo ofrece buena resolucin temporal, coste intermedio y una banda en el SWIR, aunque no en el trmico. El tercero es de libre adquisicin (nuestro propio departamento tiene instalado un sistema de recepcin), y cuenta con buena resolucin temporal y espectral, con la salvedad de no tener una banda en el SWIR hasta el lanzamiento del NOAA-15 (en 1998); adems, es poco consistente en las series temporales, por el problema de los variados ngulos de observacin que vimos anteriormente (cap. 6, apdo. 6.2.3.4). Un ejemplo de las correlaciones empricas obtenidas, para el caso de las imgenes AVHRR en el ao 1999, se incluyen en la tabla 7.1 (Cocero et al, 2000). Esos datos permiten confirmar las hiptesis planteadas en cuanto a la relacin entre las variables de satlite y la dinmica del contenido de humedad (CH). A continuacin planteamos un modelo de regresin utilizando las variables ms significativas. Como ejemplo de estos ajustes presentamos uno generado para el perodo estival (junio a septiembre) con datos AVHRR. Se emplearon 2 aos consecutivos de datos para el ajuste (1996 y 1997), y otros dos para la validacin (1998 y 1999). La ecuacin planteada inclua especies de matorral y pastizal (Chuvieco et al., 2002a): SCH = -21,032 + 11,504 NDVI/TS + 0,8297 GR
1,2 1,6 Longitud de onda
17.1]-
FlG. 7.3.
Curvas de
-0,2
(!.'
2,0
correlacin entre contenido de humedad del romero y su reflectividad para distintas longitudes de onda. (Vaughan, 2001.)
322
TABLA 7.1. Correlacin de Pearson entre el CH y los derivados de las imgenes del satlite NOAA-AVHRR para la primavera y el verano de 1999 (Cocero et al., 2000)
TS
NDVI
TS-TA
SAVI
GEM
SM
NDVI/TS
Pasto (1) Pasto (2) Pasto (3) Pasto (promedio) Brezo (4) Jara N. (4) Jara V. (4) Romero (4) Labirnago (4) Brezo Jara N. (5) Jara V. (5) Romero Labirnago (5) Matorral (promedio) Quejigo (6)
-0,65 -0,70 -0,67 -0,66 -0,77 -0,87 -0,81 -0,93 -0,85 -0,85 -0,78 -0,75 -0,93 -0,86 -0,88 -0,84
0,76 0,78 0,78 0,75 0,50 0,55 0,80 0,66 0,50

0,69
-0,56 -0,59 -0,55 -0,55 -0,59 -0,82 -0,70 -0,79 -0,71 -0,73 -0,70 -0,71 -0,77 -0,71 -0,76 -0,63
0,83 0,89 0,82 0,82 0,74 0,72 0,84 0,74 0,60 0,69 0,52 0,43 0,55 0,51 0,71 0,50
0,81 0,89 0,83 0,81 0,72 0,71 0,79 0,70 0,57 0,59 0,44 0,31 0,46 0,43 0,65 0,37
0,76 0,82 0,82 0,77 0,56 0,70 0,89 0,78 0,71 0,77 0,64 0,79 0,71 0,60 0,77 0,65
0,74 0,78 0,78 0,75 0,69 0,85 0,93 0,93 0,82 0,83 0,77 0,75 0,92 0,80 0,88 0,88
0,53 0,28 0,62 0,46 0,66 0,69
* Las correlaciones significativas a! nivel 0,01 aparecen en cursiva. Entre parntesis se indicad nmero de la parcela en el terreno. El significado de los acrnimos figura en el anexo 3.
donde SCH es el contenido de humedad estimado para pasto y matorral, NDVI un ndice de vegetacin que comentaremos en el prximo apartado, TS la temperatura de Superficie, y GR un ndice de verdor, que expresa la relacin entre el NDVI de un momento determinado y los lmites mximos y mnimos que se han observado en la misma zona. El ajuste encontrado ofreci un coeficiente de correlacin de Pearson de 0,683 (significacin < 0,001). La ecuacin fue validada con los otros dos aos de muestras en terreno (1998 y 1999), obtenindose una buena estimacin (r = 0,804). La figura 7.4 permite observar el grado de ajuste entre las tendencias observadas (CH) y estimadas (SCH) para el pastizal y matorral en los dos aos de validacin. Adems de en este rea de estudio, el modelo se ha verificado en otros lugares mediterrneos (el sur de Francia y Andaluca), obtenindose tambin ajustes razonables (Chuvieco et ai, 2002a). 1.1.4. Modelado terico: estimacin del contenido de agua a partir de la simulacin de la seal La alternativa a los ajustes empricos se basa en la aplicacin de modelos fsicos o matemticos, que permitan estimar los parmetros de inters a partir de los datos adquiridos mediante teledeteccin. Se basan en el anlisis de los factores fsicos que intervienen en los procesos de reflexin, absorcin y dispersin de la radiacin incidente, planteando mtodos para estimar la reflectividad global observada por el sensor a partir de una serie de parmetros de entrada (propiedades pticas de las hojas, arquitectura del dosel, ngulos de observacin, etc.). Suponiendo que esa estimacin de la reflectividad sea correcta, el reto posterior sera invertir los modelos propuestos, de tal
323
jun1
jul1
jul4
ag3
sep2
jun1
jul1
jul4
ag3
sep2
Perodos
FlG. 7.4.
Ajuste entre valores observados y predecaos para la estimacin del contenido de humedad (CH). (Chuvieco et al, 2002.)
manera que pudieran estimarse esos parmetros a partir de la reflectividad medida por el sensor. En el ejemplo que venimos comentando, se tratara de estimar, en primer lugar, el efecto del contenido de agua de la planta sobre la reflectividad del dosel vegetal, mezclando su contribucin con la de otros factores (como puede ser la clorofila o la cantidad de materia seca). En un segundo paso se tratara de invertir el modelo, aislando de la reflectividad disponible en la imagen el componente de contenido de agua. La operatividad de este mtodo frente a los ajustes empricos depender de tres factores: contar con un buen modelo, con un buen mtodo de inversin y con reflectividades calibradas (Jacquemoud et al., 2000). Por un buen modelo nos referimos a que sea preciso, a que no requiera parmetros de entrada de muy difcil obtencin, y a que sea lo suficientemente sencillo como para que la inversin del modelo pueda realizarse en un tiempo razonable (Jacquemoud et ai, 2000). Entre los modelos que se han planteado en las ltimas dos dcadas podemos hacer una primera distincin entre los que se centran en el nivel de la hoja {leaf ptica! properties models) y los que estiman la reflectividad del conjunto del dosel vegetal (canopy reflectance models). Entre los primeros, uno de los que ha tenido mayor aceptacin en la literatura ha sido el denominado PROSPECT (Jacquemoud, 1990), que describe la reflectividad de una hoja a partir de considerarla como un pila de A/lminas compuestas de elementos absorbentes y dispersores. Permite simular la reflectividad y transmisividad de la hoja considerando una serie de variables de entrada, relacionadas con su estructura y propiedades fsico-qumicas. Concretamente, en su ltima versin (simplificada por Baret y Fourty, 1997), se requiere nicamente introducir la concentracin de clorofila a + b (g era"2), el espesor equivalente de agua (EWT, Equivalent Water Thickness, en g cnT2), el contenido de materia seca (g enr2), y el parmetro estructural N, que se refiere a la estructura interna de la hoja. Este parmetro es el ms difcil de medir. Los mismos autores del modelo proponen estimarlo a partir del rea especfica de la hoja SLA (Specific Leaf rea), calculada como el rea por unidad de peso seco de la hoja, utilizando una relacin emprica, como la siguiente (Jacquemoud, 1990):
327
Software developi fcl Td- tk ty Mil Bamstoy, Dpotmnt c Geogrsplr', Ifiversity af Wsles Swsnsei Versin 1,30 Septeniber 199$. Bnail: m.bamskyi@Ewsnie4.ac.uk
Fie 7.6. Grfico con curvas espectrales para distintas proporciones de vegetacin y suelo realizado con el programa mixture realizado por el mismo autor de la figura anterior (http://stress.swan.ac.Uk/@mbarnsle/research/sail.htm)
1.2. COCIENTES E NDICES DE VEGETACIN Como su nombre indica, un cociente o ratio implica efectuar una divisin, pxel a pxel, entre los ND almacenados en dos o ms bandas de la misma imagen. Se utilizan ampliamente en dos situaciones: 1) para mejorar la discriminacin entre dos cubiertas con comportamiento reflectivo muy distinto en esas dos bandas, por ejemplo para realzar suelos y vegetacin en el visible e infrarrojo'cercano, y 2) para reducir el efecto del relieve (pendiente y orientacin) en la caracterizacin espectral de distintas cubiertas. Como hemos visto, este objetivo no se satisface plenamente, pues los cocientes slo eliminan parcialmente el efecto del relieve, al no considerar que los efectos atmosfricos son tambin dependientes de la longitud de onda. En consecuencia, para esta finalidad resulta ms recomendable aplicar correcciones del sombreado topogrfico, centrando el inters de estos ndices en mejorar la discriminacin de las cubiertas vegetales y estimar algunas de sus variables biofsicas. El empleo de los cocientes para discriminar masas vegetales se deriva del peculiar comportamiento radiomtrico de la vegetacin. Como ya vimos en el captulo 2, la signatura espectral caracterstica de la vegetacin sana muestra un claro contraste en-
328
tre las bandas del VIS y especialmente la banda roja (0,6 a 0,7 fim) y el IRC (0,7 a 1,1 /um). Mientras en el VIS los pigmentos de la hoja absorben la mayor parte de la energa que reciben, estas sustancias apenas afectan al IRC. Por esta razn se produce un notable contraste espectral entre la baja reflectividad de la banda R del espectro y la del IRC, lo que permite separar, con relativa claridad, la vegetacin sana de otras cubiertas (fig. 7.7). Cuando la vegetacin sufre algn tipo de estrs (por ejemplo, por plagas o sequas intensas), su reflectividad ser inferior en el IRC, aumentando paralelamente en el rojo (al tener menor absorcin cloroflica), con lo que el contraste entre ambas bandas ser mucho menor. En definitiva, podemos sealar que cuanto mayor sea la diferencia entre las reflectividades de la banda IRC y R, mayor vigor vegetal presentar la cubierta observada. Bajos contrastes indican una vegetacin enferma, senescente o con poca densidad, hasta llegar a los suelos descubiertos o el agua, que presentan una reflectividad muy similar entre el IRC y el R, o incluso inferior en esta ltima (caso del agua o algunas nubes). En este principio se apoyan la mayor parte de los denominados ndices de vegetacin (IV). Los ms empleados son el cociente simple entre esas bandas (C), y el denominado ndice de vegetacin de diferencia normalizada (ND VI, Normalized Difference Vegetation Index):
C,=
PA
[7.3]
Pi.R
NDVI, =
Pi,
IRC
Pi.R
P,,IRC + P i . R
[7.4]
Reflectividad (%)
0,4
0,5
0,6
0,7
0,8
0,9
IRC
FIG. 7.7.
Contraste espectral de la vegetacin sana entre las bandas R e IRC del espectro.
329
dondep; 1RC yp, R indican las reflectividades del pxel / en la banda del infrarrojo cercano y del rojo, respectivamente. Esos ndices se obtienen a partir de las reflectividades de las bandas 7 y 5, para el caso del sensor MSS; las bandas 4 y 3 para el TM y ETM+; la 3 y 2, para el HRV, y la 2 y 1 para el AVHRR. Si bien la definicin de estos ndices se realiza a partir de reflectividades (lo que implica abordar las correcciones atmosfricas y topogrficas vistas previamente), algunos autores no tienen inconveniente en emplear directamente los ND de la imagen, siempre que no se pretenda conceder un valor fsico a los resultados. En ese caso, el cociente o ndice de vegetacin presentar una valoracin relativa, aunque sigue mantenindose el principio anterior: cuanto mayor sea el resultado, mayor vigor vegetal presenta la zona observada. Aplicando un modelo terico, Guyot y Gu (1994) concluyen que los valores del NDVI para imgenes Landsat y SPOT calculados a partir de ND subestiman entre 0,05 y 0,20 el valor calculado con reflectividades, siendo este error mayor con valores de NDVI inferiores a 0,5 y para las imgenes SPOT. En consecuencia, proponen una correccin que haga equivalente el clculo con ND o reflectividades:
'p NDIRC + 0,801 NDR para imgenes Landsat-TM, y NDIRC - 0,663 ND,, NDVIHRV o = ------- S2 ---------. HRVp NDIRC +Q663ND^
[7.6]
para imgenes SPOT-HRV. Un aspecto de gran inters del NDVI, frente al cociente simple, es que vara entre unos mrgenes conocidos, entre 1 y +1, lo que facilita notablemente su interpretacin. Por ejemplo, podemos sealar como umbral crtico para cubiertas vegetales unvalor de NDVI en torno a 0,1 y para la vegetacin densa entre 0,5 y 0,7 (Holben, 1986). Tanto el NDVI como el cociente simple se han empleado profusamente para estimar diversos parmetros de la cubierta vegetal, lo que les confiere un papel protagonista de cara a la evaluacin ambiental, especialmente con un enfoque global. Entre los parmetros que se han relacionado satisfactoriamente con el NDVI estn los siguientes: 1. Contenido de clorofila en la hoja, es la variable ms directamente relaciona da con este ndice, ya que la absorcin de la banda R est ntidamente influida por este parmetro. En consecuencia, el NDVI presenta correlaciones altas y linealmente posi tivas con la cantidad de clorofila en la hoja (Curran, 1989; Wesman, 1994; Zarco-Tejadaea/.,2001). 2. Contenido de agua en la hoja, a travs de correlaciones negativas y lineales, segn algunos autores (Hardy y Burgan, 1999; Westman y Price, 1988), aunque para
330
otros, en realidad esta estimacin slo se hace de modo indirecto, a travs del efecto del estrs hdrico sobre el LAI y el contenido de clorofila (Ceccato et al, 2001; Chuvieco etal, \999b; Hunt y Rock, 1989). 3. Flujo neto de CO2, tanto a nivel local (Hall et al, \99\b), como global (Tuckeretal, 1986). 4. Radiacin fotosintticamente activa absorbida por la planta, APAR, con una relacin directa y casi lineal (Asrar et ai, 1989), especialmente cuando las hojas son horizontales y el suelo es suficientemente oscuro (Sellers, 1989). 5. Productividad neta de la vegetacin, relacionada con la APAR a travs de un factor de eficiencia para cada planta (Steven y Jaggard, 1995). De modo indirecto, puede estimarse a partir del NDVI la biomasa verde y seca, aunque aqu los grados de ajuste varan mucho con los estudios, desde los muy buenos (Holben, 1980; Kennedy, 1989) hasta los bastante discretos (Tucker, 1979). 6. ndice de rea foliar, LAI, que presenta una asociacin positiva con el NDVI, especialmente cuando la vegetacin no cubre totalmente el suelo, ya que a ciertos va lores de LAI (por encima de 4, habitualmente), el NDVI se satura (Baret, 1995; Se llers, 1989). En consecuencia, ms bien hemos de considerar que se trata de una relacin asinttica (Sellers, 1987). Relacionado con este ndice se ha comprobado una alta correlacin entre NDVI y porcentaje de cubierta verde (Kennedy et ai, 1994; Kerretal, 1992). 7. Cantidad de lluvia recibida por el dosel vegetal, lo que est directamente re lacionado con su vigor vegetal, aunque habitualmente se presente un cierto desfase en tre la precipitacin y la respuesta de la cubierta vegetal (Millington et al., 1994; Potter y Brooks, 2000; Taylor et ai, 1985) 8. Dinmica fenolgica, a partir de seguir la evolucin estacional de los par metros antes sealados (Sampson, 1993; Potter y Brooks, 2000). 9. Evapotranspiracin potencial, inversamente relacionada con los ndices de vegetacin a travs del vigor de la hoja y el estrs hdrico (Cihlar et ai, 1991; Snchez y Chuvieco, 2000). Obviamente, si los ndices de vegetacin se relacionan bien con estas variables es porque ellas mismas estn relacionadas entre s (Verstraete y Pinty, 1996), a travs de los mecanismos vitales de las plantas. El problema que se plantea en la interpretacin cuantitativa de estos ndices es la validez global de las funciones encontradas, ya que la mayor parte de los estudios citados previamente se basan en ajustes empricos. El reto de los prximos aos ser plantear relaciones ms generalizables, basadas tal vez en modelos fsicos, que permitan extraer, a partir de estos ndices, las variables de inters de modo ms preciso y consistente. Mientras se avanza en esa direccin, el NDVI gracias a su facilidad de clculo y fcil interpretacin se estn empleando de modo rutinario en el seguimiento y evaluacin de la dinmica global de la vegetacin terrestre. Desde hace ms de una dcada el programa internacionaf para el estudio de la geosfera y la biosfera (IGBP), junto a otros recursos nacionales, promueve la realizacin de mosaicos mundiales y diarios de NDVI a partir de imgenes NOAA. Estos datos se utilizan para seguir el efecto del cambio estacional en el vigor de las cubiertas vegetales, el efecto de procesos globales continuos, como puede ser el calentamiento terrestre, o de fenmenos espordicos,
331
como pueden ser los provocados por El Nio (Curran y Foody, 1994a; Gutman, 1994). Las series multitemporales de IV se estn empleado satisfactoriamente en el anlisis de la desertizacin (Becker y Choudhury, 1988; Chen et al, 1998; Tucker et al, 1994), la deforestacin tropical (Malingreau etal, 1989; Nelson, 1994), la prevencin de incendios forestales (Burgan et al, 1998;Chuviecoea/., 1999>;Illeraea/., 1996; Paltridge y Barber, 1988), la cartografa de reas quemadas (Fernndez et al, 1997; Fraser etal, 2000; Martn y Chuvieco, 1998; Pereira etal, 1999) y la cartografa global de la cobertura del suelo (Loveland et al., 1991; Millington et al, 1994; Tateishi y Kajiwara, 1991; Tucker et al, 1985). Varios autores han puesto de relieve el efecto de factores externos en el valor del NDVI, por lo que se han propuesto numerosas alternativas que intentan paliar algunos de estos problemas. De esta forma, la lista de IV disponibles es muy amplia (Bannari et al, 1995), si bien la mayor parte presentan valores de correlacin muy altos (Perry y Lautenschlager, 1984). No obstante, por su posible inters en distintas aplicaciones ambientales, revisaremos algunos de estos ndices. Entre los factores que modifican notablemente el comportamiento del NDVI figura la proporcin de vegetacin/suelo observada por el sensor. Los mismos valores de NDVI pueden corresponder a cubiertas vigorosas pero poco densas, o a cubiertas densas con poca vitalidad. Para incluir explcitamente el factor suelo, clave cuando se trabaja en zonas ridas, Huete y colaboradores propusieron incluir en la frmula del NDVI un parmetro (L), que ajuste el ndice a una reflectividad promedio de fondo (Huete, 1988; Huete et al, 1992). De esta forma se calcula el ndice de vegetacin ajustado al suelo (SAVI): SAVI, ,
PiJ>SRC PiJlR
(1 + L)
[7.7]
Pij.mc +P.J.R +L
donde L indica una constante para ajustar la lnea vegetacin-suelo al origen (los autores indican un posible valor en torno a 0,5: Huete et al., 1994). En estudios experimentales sobre campos de hierba y algodn se comprob que este ndice reduca sustan: cialmente las variaciones inducidas por el suelo en comparacin con el NDVI y otros ndices, en la mayora de las condiciones de la vegetacin (Huete, 1987). Otro factor de importancia en el clculo del NDVI es el efecto de absorcin atmosfrica, que tiende en principio a reducir el valor del ndice (Cachorro et al., 2000; Myneni y Asrar, 1994). Estos efectos se acentan para los pxeles extremos en caso de observacin oblicua, como ocurre en las imgenes del AVHRR o de otros sensores de mbito global. Con imgenes AVHRR, este problema tiende a solventarse mediante tcnicas de composicin multitemporal, que intentan elegir en una serie de imgenes diarias el valor del pxel ms cercano a una adquisicin ideal (con atmsfera transparente y cerca del nadir), al coste de perder la resolucin diaria (normalmente los compuest&s se forman para perodos de entre 7 y 15 das). Esto garantiza que el NDVI seleccionado est menos influido por ruidos externos a la cubierta observada. Entre las tcnicas de composicin ms comunes se encuentra el mximo valor compuesto (Holben, 1986), que elige el valor mayor de NDVI de la serie diaria que se considere, si bien se han propuesto otras tcnicas para intentar salvaguardar mejor la resolucin
332
temporal de las imgenes (Cihlar et ai, 1994; Moody y Strahler, 1994; Viovy et al, 1992). Como es lgico, esta solucin para los problemas atmosfricos de los IV no resulta razonable para las imgenes de mayor resolucin espacial (y menor temporal), ya que supondran una inversin muy alta y perderamos demasiada informacin temporal. Una alternativa sera ajustar el NDV1 a las condiciones atmosfricas, teniendo en cuenta la diferente dispersin de los canales azul y rojo del espectro. De esta forma se define el denominado ndice de vegetacin atmosfricamente resistente (ARVI: Kaufman y Tanr, 1992): ARVI, = ^^f[7.8]
P IRC "" P RA
dondep\RC indica la reflectividad aparente en el infrarrojo cercano y p RA un factor que considera la diferencia de reflectividad entre el azul y el rojo, y se define como:
p"RA =p"R -y(pA -pK)
[7.9]
donde pA y p*R indican las reflectividades aparentes en el azul y rojo, respectivamente, y y es un parmetro de calibracin, que depende del tipo de atmsfera, aunque para la mayor parte de los casos es igual a 1. Otro ndice propuesto para reducir simultneamente el efecto atmosfrico y de cambios en el color del suelo es el denominado GEM (Global Environment Monitoring Index), definido para imgenes AVHRR como (Pinty y Verstraete, 1992): p.. -0,125 GEM = J7 x (1-0,25 X M )- ----------donde
=
[7.10]
2x(pm,pK)+\,5XpUiC + Q,5KXpR
PlRC +PR +0'5
No obstante el inters de estos ndices, siempre resulta ms recomendable utilizar una previa correccin atmosfrica de las bandas R e IRC. De esta manera los efectos atmosfricos sobre el ndice pueden minimizarse considerablemente. La figura 7.8 presenta el NDVI calculado para la imagen TorrelOO. Se observan con nitidez las cubiertas de vegetacin ms vigorosa, como los pastizales prximos a Colmenar y Soto del Real. Losbmbalses ofrecen los valores ms bajos de NDVI (A en la figura), as como las zonas urbanas de densa edificacin (vase el casco urbano de Soto, B, o de Colmenar, C). Por su parte, las reas de urbanizacin ajardinada presentan unos valores de NDVI ms altos (D), sobre un entramado regular ms oscuro
(viales).
333
Fie. 7.8.
Fragmento de la imagen TorrelOO mostrando el NDVIpara lminas de agua (A), zonas urbanas (B, C) y reas residenciales (D).
Todos los ndices hasta aqu comentados se dirigen a realzar las cubiertas vegetales frente a otras superficies, a travs del contraste que presenta la reflectividad de las plantas entre el IRC y el R. Ahora bien, en caso de que nos interese analizar otras variables en la vegetacin, u otro tipo de cubiertas no vegetales, estas bandas pueden no ser las ms idneas. En esos casos convendr acudir a un anlisis de las variaciones espectrales que introduce la variable de inters para proponer ndices alternativos a los que hemos visto hasta el momento. Por ejemplo, si lo que se pretende es realzar la discriminacin de las reas forestales quemadas frente a otras cubiertas no afectadas por el fuego, los IV presentados no resultan una buena alternativa, ya que no estn diseados para los rangos espectrales correspondientes a la vegetacin quemada. En consecuencia, ofrecen rasgos de discriminabilidad peores que otros ndices diseados especficamente para esta finalidad (Chuvieco y Martn, 1999; Martn, 1998; Percira, 1999; Trigg y Flasse, 2001). De igual manera, cuando se pretenda analizar el contenido de agua en la vegetacin, como ya hemos visto previamente, el espacio espectral ms idneo no est formado por las bandas IRC-R, sino ms bien por las S WIR-IRC, ya que la absorcin del agua se produce en el SW1R y no en el visible. Por tanto, al aumentar el contenido de agua en el suelo o la vegetacin disminuye paralelamente la reflectividad en el SWIR. Por su parte, el IRC informa sobre el grado de deterioro de la hoja a partir de su correlacin negativa con el apelmazamiento que pueden producir distintas fuentes de
334
estrs (como por ejemplo, el hdrico). Sobre esta base se han definido los denominados ndices de contenido de agua, estrs hdrico o sequa (segn los autores) que remarcan el contraste entre IRC y SWIR. Entre los propuestos cabe citar el NDII (Normalized Difference Infrared Index), definido como (Hunt y Rock, 1989): NDII=PlRC~PswiR
P IRC ' P SWIR
[7.12]
donde plRC y psmR son las reflectividades del IRC y SWIR, respectivamente. Se ha comprobado en varios estudios que este tipo de ndices son ms adecuados que el NDVI para estimar contenido de agua en vegetacin (Aldakheel y Danson, 1997; Ceccato et al., 2001; Chuvieco et al., 2002b; Cibula et al., 1992; Cohn, 1991; Gao, 1996; Riao et al., 2000; Ustin et al, 1998). Tambin se ha comprobado que estos ndices IRC-SWIR resultan ms eficaces para cartografiar reas quemadas que los basados en el IRC-R, puesto que la seal quemada es ms ntida en el SWIR y hay menos alteraciones de otros factores externos, como la atmsfera (Pereira, 1999; Pereira et al, 1997). Finalmente se han propuesto otros cocientes de bandas para enfatizar cubiertas no vegetales, especialmente en trabajos de exploracin minera. Este tipo de estudios slo parecen viables en reas de vegetacin escasa, con objeto de obviar el efecto pantalla de la cubierta vegetal. En un trabajo realizado a partir de imgenes TM sobre el desierto del Mohave (California), se mostr el inters de los siguientes cocientes: TM5/TM7, para detectar rocas alteradas hidro-trmicamente, con alto contenido de arcillas, micas y rocas sulfatadas; TM5/TM4, para aislar las cubiertas vegetales del roquedo desnudo, y TM3/TM1, para aquellos materiales con importante presencia de limonita (Kruse et al, 1993a; Podwysocki et ai, 1985). 1.3. COMPONENTES PRINCIPALES El Anlisis de Componentes Principales (ACP) es una tcnica bastante empleada en ciencias sociales y naturales. Su objetivo es resumir la informacin contenida en un grupo amplio de variables en un nuevo conjunto, ms pequeo, sin perder una parte significativa de esa informacin. El origen de esta tcnica parece arrancar del campo de la sicometra: al analizar una serie de tests de inteligencia, se intua la presencia de una serie de factores, subyacentes a las variables medidas, que podran explicar gran parte de la variacin comn en determinados grupos de variables. Por ejemplo, se comprob que las puntuaciones obtenidas por los alumnos de fsica y matemticas tendan a estar bastante relacionadas, as como las obtenidas por otros en historia y literatura. Esto haca pensar en la existencia de otras variables rhs complejas, como la habilidad para el clculo o la capacidad de abstraccin, que permitiran resumir la informacin contenida en las variables originales. Esas nuevas variables, los componentes o factores principales, podran derivarse a partir de las variables originales, estudiando sus relaciones comunes tal y como se miden en la matriz de varianza-covarianza. Los factores o componentes prin-
335
cipales vendran, por tanto, a ser como variables-resumen de las medidas inicialmente: un menor nmero de dimensiones, preservando lo ms sustancioso de la informacin original. Esta capacidad de sntesis ha sido la base de la aplicacin del ACP en teledeteccin. La adquisicin de imgenes sobre bandas adyacentes del espectro, implica con frecuencia detectar una informacin redundante, puesto que los tipos de cubierta tienden a presentar un comportamiento similar en longitudes de onda prximas. Por ello, las medidas realizadas en una banda pueden presentar una importante correlacin con las deducidas de otra, haciendo una o varias de ellas prcticamente irrelevantes. En este contexto, el ACP permite sintetizar las bandas originales, creando unas nuevas bandas los componentes principales de la imagen, que recojan la parte ms relevante de la informacin original. Esta sntesis resulta muy conveniente cuando se pretende abordar un anlisis multitemporal (Joly et al., 1983; Maselli et al., 1995), o cuando se intentan seleccionar las tres bandas ms adecuadas para una composicin en color (Chavez y Kwarteng, 1989; Green etal., 1988). Tambin se han utilizado bastante en la exploracin geolgica (Hervs, 1987). La seleccin de bandas no correlacionadas, o con mayor contenido de informacin, resulta especialmente crtica en el entorno del anlisis hiperespectral (1.6), ya que al tener disponibles una gran cantidad de bandas, resulta complejo extraer la estructura dominante de la imagen (Palacios-Orueta y Ustin, 1996; Palacios-Orueta et al., 1999; Ustin y Trabucco, 2000). Por otra parte, y desde el punto de vista meramente estadstico, el ACP facilita una primera interpretacin sobre los ejes de variabilidad de la imagen, lo que permite identificar aquellos rasgos que se recogen en la mayor parte de las bandas y aquellos otros que son especficos a algn grupo de ellas (Palacios-Orueta y Ustin, 1996). En definitiva, proporciona una mejor distribucin de los datos, frente a esos ejes de variabilidad, lo que puede facilitar una identificacin ms atinada de las distintas cubiertas. Como es bien sabido, el sentido y la fuerza de la correlacin lineal entre dos variables puede representarse grficamente mediante un eje bivariado. En nuestro contexto, la nube de puntos indica la localizacin de los ND en las dos bandas consideradas. La elipse que limita estos puntos, expresa grficamente la fuerza de la correlacin entre las dos bandas, tanto mayor cuanto ms se aproxime a una recta, o dicho de otro modo cuanto mayor sea el contraste entre los dos ejes de esa elipse. En la figura 7.9 aparece una correlacin positiva elevada con dos ejes de variacin: el primero en el sentido de la correlacin (A), y el segundo en el sentido de los residuales (B). Conviene considerar que este segundo componente es ortogonal al primero, lo que indica, en trminos estadsticos, que los componentes principales no estn correlacionados; esto es, que la informacin que contienen es especfica. Grficamente se intuye que una rotacin de los ejes X, Y hacia las direcciones A, B, mejorar la disposicin original de los datos, y probablemente tambin la separacin entre los grupos de ND homogneos en la imagen. Esa rotacin se obtiene, simplemente, aplicando una funcin del tipo: CPi=aliND + a]2NDk [7.13]
336
FlG. 7.9.
Proceso para la obtencin de los componentes principales de una imagen.
donde CP indica el valor correspondiente al primer componente principal, obtenido a partir de los ND originales de las bandas i y k, tras aplicarles unos determinados coeficientes ,, y an. Desde el punto de vista geomtrico, y como puede observarse en la figura 7.9, este nuevo eje slo supone una rotacin de los originales. En ocasiones puede ser de gran inters acompaar la rotacin con una traslacin de los ejes, situando el origen de coordenadas en los valores mnimos de las dos bandas implicadas en el proceso. Basta, para ello, aadir dos constantes a0l y a02 a la ecuacin arriba sealada. En trminos ms generales, los componentes principales de una imagen se obtienen de acuerdo a: [7.14] donde CP indica el ND correspondiente al componente principal j, a el coeficiente aplicado al ND de la banda i para generar el componente j y /?. una constante que suele introducirse en cada componente para evitar valores negativos. Otra posibilidad es escalar los valores resultantes, por ejemplo a 0-255, evitando la constante. Como hemos indicado, hay tantos componentes (p) como bandas, pero la forma de extraer esos componentes implica que slo los primeros tienen una informacin significativa. La obtencin de los CP de una imagen implica una transformacin matemtica compleja, que no parece oportuno detallar aqu.3 En trminos sencillos, el proceso puede resumirse en los siguientes pasos. A partir de la matriz de varianza-covarianza de las bandas que componen la imagen original se extraen los autovalores (,) que ex3. En el contexto del tratamiento digital de imgenes puede consultarse Short (1982, pp. 174 y ss.), Gonzlez y Wintz (1977). Thomas et al. (1987a) y Richards (1993).
337
presan la longitud de cada uno de los nuevos componentes, y, en ltima instancia, la proporcin de informacin original que retienen. Este dato resulta de gran inters para decidir qu componentes principales son ms interesantes; habitualmente los que mayor informacin original retengan. Tal y como se obtienen los CP, el autovalor va disminuyendo progresivamente, del primero a los ltimos, pues se pretende maximizar sucesivamente la varianza extrada en el anlisis. La varianza original explicada por cada componente se calcula como la proporcin de su autovalor frente a la suma de todos los autovalores:
vm [1A5]
siendo p el nmero total de componentes. Junto a la longitud de cada eje, nos resulta tambin de gran inters conocer su direccin. En definitiva, para poder interpretar el sentido de las nuevas variables se requiere conocer su relacin con las originales. De igual forma, para calcular las ecuaciones que servirn para obtener las nuevas imgenes se precisa contar con los coeficientes de la transformacin. Ambos aspectos pueden abordarse a partir de los autovectores. El autovector indica la ponderacin que debe aplicarse a cada una de las bandas originales para obtener el nuevo CP (a en la frmula |7.14]). Dicho brevemente, equivale a los coeficientes de regresin en una transformacin lineal estndar, siendo las bandas de la imagen las variables independientes y los CP las dependientes. A partir de los autovectores se calcula la matriz de correlacin entre CP y bandas de la imagen, lo que nos permite conocer el sentido espectral de estos componentes. Basta aplicar:
[7,6]
V;
donde r, (indica el coeficiente de correlacin entre el componente y y la banda i; a el autovector de ese componente en la misma banda; ., el autovalor del componente j, y ,la desviacin tpica de la banda i. El ltimo paso es obtener una imagen de los componentes principales, a partir de [7.14]. Obtenida la imagen de los CP, pueden stos representarse en blanco y negro o color, obtenindose una nueva visualizacin de la zona de estudio. Para ello convendr escalar los resultados en el rango ms comn en un equipo de visualizacin (0 a 255). Una forma sencilla de abordar este proceso sera realizar una pequea muestra de los valores resultantes, con objeto de estimar los valores mximos y mnimos, aplicando luego alguno de los procedimientos para expandir el contraste que se han mencionado anteriormente. Para ilustrar el inters del ACP en la interpretacin digital de imgenes se aplic esta tcnica sobre las seis bandas no trmicas de la imagen TorrelOO. A partir de una muestra sistemtica de 1 de cada 8 pxeles se obtuvo la matriz de varianza-covarianza para esas bandas (tabla 7.2). Sobre esa matriz se calcularon los autovalores de la ima-
338 TABLA 7.2. Bl
TELEDETECCIN AMBIENTAL Matriz de varianza-covarianza de la imagen TorrelOO B2 B3 B4 B5 B7
Bl B2 B3 B4 B5 B7
102,83 107,91 156,30 71,71 148,94 141,22 123,68 176,07 114,86 183,70 161,53 271,58 127,63 275,91 251,25
583,76 340,63 157,26
516,96 369,24
314,29
gen, realizando una previa estandarizacin, con objeto de paliar el efecto de la distinta variabilidad entre bandas. Los autovalores (^) extrados fueron: 1.365,72, 410,24, 115,60, 9,64, 9,05 y 2,83. De acuerdo a [7.15], la varianza original asociada con cada uno de estos componentes result ser 71,39 % para el primer componente; 21,44 % para el segundo; 6,04 % para el tercero; 0,50 % para el cuarto; 0,47 % para el quinto, y 0,15 % para el sexto. De acuerdo a estos porcentajes se seleccionaron nicamente los tres primeros componentes, que retenan un total del 98,87 % de la varianza original de la imagen. El sentido espectral de estos componentes se obtuvo a partir de la matriz de autovectores, en donde se evidencia la asociacin entre cada componente y las bandas originales. Como puede analizarse en la tabla 7.3, el primer componente ofrece un promedio ponderado de todas las bandas. Recoge, en consecuencia, una valoracin de las caractersticas espectrales comunes a todas ellas, lo que puede asimilarse con el brillo general de la imagen, similar al aspecto que podra presentar una banda pancromtica. Esta interpretacin es bastante generalizable para el primer componente de la mayor parte de las imgenes tomadas en el espectro solar, ya que el factor ms comn a la variacin espectral en estas longitudes de onda es la reflectividad promedio. El segundo componente muestra una importante asociacin positiva con la banda 4, apenas perceptible con la 5 y moderadamente negativa con el resto. En definitiva, est evidenciando el contraste espectral entre el IRC y el resto de las bandas consideradas (VIS y SWIR), lo que muestra una valoracin del vigor vegetal de la imagen. Finalmente, el tercer componente ofrece un claro contraste entre el VIS-IRC y el SWIR, con correlaciones positivas para las primeras bandas y negativas para las segundas. Esto parece indicar una valoracin del contenido de agua, por lo que le denominaremos como componente humedad. Las imgenes de los CP resultantes parecen demostrar esta interpretacin preliminar. El primero presenta una fisonoma muy similar a la de una imagen pancromtica, con valores promedio de las distintas cubiertas: bajos valores en el agua y la vegeTABLA 7.3. Bl CP\ CP2 CP3 0,213 -0,213 0,381 Matriz de auto-vectores de la imagen TorrelOO B 0,258 0,171 0,400 B3 0,374 -0,354 0,464 B4 0,462 0,834 0,238 B5 0,589 -0,041 -0,585 B7 0,434 -0,321 -0,284
339
tacin, medios en los espacios edificados, y altos en los suelos descubiertos (fig. 7.10a). El segundo componente evidencia los sectores con una actividad cloroflica ms intensa, como son los pastizales y cultivos de secano (recurdese que la imagen est tomada muy cerca de la primavera), ofreciendo tonos medios para los pinares del vrtice SWy las diversas urbanizaciones, y tonos oscuros para los suelos descubiertos, agua y vas de comunicacin (fig. 7.10>). Por ltimo, el tercer componente remarca con claridad las lminas de agua, vas de comunicacin y espacios edificados, que ocupan el intervalo ms alto de la imagen. Ofrecen tonos medios los pinares y las reas de caducifolias todava sin hojas, seguramente por el efecto de sombras en el suelo. Por el contrario, la vegetacin manifiesta tonos gris-medio a oscuro, en funcin de su vigor, mostrando los matorrales tonos intermedios y los cultivos de secano ms oscuros (fig. 7.10c). Tambin puede generarse una composicin en color con los tres primeros componentes principales, de cara a facilitar una interpretacin ms sinttica de la informacin que incluyen. Para el caso de TorrelOO (fig. 13*) hemos asignado el can de color rojo al primer componente, el verde al segundo, y el azul al tercero. Las reas de mayor vigor vegetal aparecen en verde o cian (alto verdor, bajo brillo y media humedad), mientras los suelos descubiertos o reas urbanas aparecen en magenta (alto brillo y humedad), y las lminas de agua en azul. La capacidad de sntesis propia del ACP la hacen una tcnica muy apropiada como filtro previo para el anlisis multitemporal, cuando se van a utilizar varias imgenes en una sola clasificacin. En ese caso, el ACP sirve para retener la informacin ms significativa de cada perodo. Posteriormente, los CP de cada fecha se combinan, con objeto de facilitar una mejor discriminacin de cubiertas con perfiles estacionales marcados. Este tipo de planteamientos se siguieron en un trabajo de gran inters sobre l'Anse de l'Aguillon, en donde se seleccion el primer CP de cuatro imgenes MSS de la misma zona, adquiridas en distintas estaciones, abordando posteriormente la clasificacin sobre las cuatro fechas (Joly et al., 1983). En forma similar emplean esta tcnica otros autores (Maselli et al., 1995; Siljestrom y Moreno, 1995). Ms original resulta su aplicacin para estudiar series temporales de imgenes en estudios sobre cambio global de la vegetacin (Eastman y Fulk, 1993), lo que permite obtener, adems de las tendencias generales de las cubiertas, informacin residual de gran inters para detectar anomalas. Posteriormente analizaremos con ms detalle el empleo del ACP como tcnica para la deteccin de cambios entre dos imgenes de distinta fecha (ver 3.4.4). Un problema inherente al ACP es la dificultad de establecer una interpretacin a priori de los componentes, ya que la transformacin es puramente estadstica y, por tanto, muy dependiente de las caractersticas numricas de la imagen. Algunos autores sugieren que el primer componente siempre indica el brillo general y el segundo el verdor (Ingebritsen y Lyon, 1985). No obstante, esta afirmacin asume que en la imagen existe una cantidad suficiente de cobertura vegetal. De otra forma, el componente de vegetacin puede ser el tercero o cuarto. En definitiva, no pueden aplicarse reglas generales para la interpretacin de los CP.
FlG. 7.10. Componentes principales de la imagen TorrelOO: a) CP1; b) CP2; c) CP3.
341
1.4. TRANSFORMACIN TASSELED CAP (TTC) Al igual que el ACP, esta transformacin se dirige a obtener unas nuevas bandas, por combinacin lineal de las originales, con objeto de realzar algunos rasgos de inters en la escena. La diferencia frente al ACP estriba en que la TTC ofrece unos componentes de significado fsico preciso, esto es, independientes del tipo de imagen que se est analizando. La TTC fue ideada por Kauth y Thomas en el marco del proyecto LACIE (Large rea Crop Inventory Experiment), desarrollado por la NASA y el Departamento de Agricultura estadounidense (USDA) en los aos setenta, con objeto de mejorar la prediccin de cosechas. Dentro de este proyecto se pretendi modelar los componentes fundamentales de variacin en una imagen MSS, describiendo sus caractersticas fsicas desde el punto de vista del seguimiento de cultivos (Kauth y Thomas, 1976). A partir de una serie de imgenes de zonas agrcolas se trat de sintetizar los ejes de variacin espectral de los cultivos en una figura tri-dimensional, de aspecto parecido a un gorro con borlas (tasseled cap). Considerando las bandas roja e infrarroja, la base de ese gorro se define por la lnea de suelos, en donde se sitan los distintos tipos de suelo, de acuerdo a su brillo y color (fig. 7.11). Segn el cultivo va ganando en vigor, tiende a separarse de la lnea del suelo, aproximndose al eje de la banda infrarroja, y convergiendo en un punto cuando se produce la mxima madurez. A partir de ah el cultivo tiende a marchitarse, retornando hacia la lnea de suelos. La TTC tiende a poner ms en evidencia el comportamiento espectral de la vegetacin y el suelo, a partir de crear nuevos ejes mejor ajustados a ese espacio fsico. En ese nuevo sistema de coordenadas se pretende que sea ms ntida la separacin entre ambas cubiertas. Para el caso de las imgenes MSS, sobre las que se desarroll esta transformacin, los nuevos ejes se obtuvieron a partir de:
Infrarrojo cercano
Lnea de
Emergencia
Rojo FlG. 7 . 1 1 .
Evolucin temporal de la vegetacin en las bandas IRC y R, segn el fundamento de la transformacin Tasseled Cap.
342
uj=R'ixi + c
[7.17]
donde u indicaba el vector correspondiente a la imagen transformada; x, el vector de entrada; R', el vector de coeficientes de transformacin, y c una constante para evitar valores negativos. Los autores sugeran un valor c = 32. Sobre el conjunto de imgenes de su muestra, los autores del trabajo distinguan tres componentes: uno denominado brillo (brightness), suma ponderada de las cuatro bandas originales; otro, denominado verdor (greenness), relacionado con la actividad vegetativa; un tercero conocido como marchitez (yellowness), que pretenda relacionarse con la reduccin en el vigor vegetal, y un cuarto sin significado aparente (nonsuch). En un primer momento, esta transformacin no tuvo mucho eco en la literatura cientfica, frente a otros ndices y transformaciones. En los aos ochenta, sin embargo, se emple con mayor profusin. Crist y Cicone realizaron diversos trabajos a partir de la TTC, mostrando su aplicabilidad a otros sensores, principalmente al TM y AVHRR (Cicone y Metzler, 1984; Crist y Cicone, 1984a y b). Para el caso del sensor TM, la tabla 7.4 recoge los coeficientes propuestos por Crist y Cicone (1984) para derivar los tres principales ejes de la TTC. En trabajos comparativos sobre la aplicacin de la TTC a imgenes MSS y TM se ha puesto de manifiesto la presencia en el caso de este ltimo sensor de un nuevo componente, denominado Humedad (Wetness), estrechamente relacionado con la informacin que el TM proporciona del SWIR y que resulta original frente al sensor MSS. En consecuencia, una imagen TM presenta tres ejes principales de variacin: 1. Brillo (Brightness), que refleja los cambios en la reflectividad total de la es cena. Como puede apreciarse en la tabla 7.4, se trata de una suma ponderada de todos los canales, excluido el trmico. 2. Verdor (Greenness), que indica el contraste entre las bandas visibles y el IRC. Destaca la intervencin de la banda 4, la ponderacin negativa de las visibles y la anulacin mutua de las dos en el infrarrojo-medio. 3. Humedad (Wetness), que se relaciona con el contenido de agua en la vegeta cin y en el suelo, y se marca por el contraste entre el SWIR, en donde se manifiesta con mayor claridad la absorcin del agua, y el resto de las bandas. Otros autores han propuesto denominar a este componente Maturity, puesto que se ha encontrado una clara relacin entre l y la madurez de la cubierta vegetal. Por ejemplo, en un inventa rio forestal desarrollado en Oregn se obtuvieron muy buenas correlaciones entre este componente y algunas variables forestales medidas en el terreno, siendo un magnfico
TABLA 7.4. Coeficientes propuestos para la obtencin de la TTC a partir de una imagen Landsat-TM ([Crist, 1984 #212]) Bl Brillo Verdor Humedad 0,3037 -0,2848 0,1509 B2 0,2793 -0,2435 0,1973 B3 0,4743 -0,5436 0,3279 B4 0,5585 0,7243 0,3279 B5 0,5082 0,0840 -0,7112 B7 0,1863 -0,1800 -0,4572
343
Plano de los suelos
FlG. 7.12. Planos de variacin en la TTC.
indicador de la edad y densidad de la cobertura forestal. Adems se observ que era el componente menos afectado por la topografa (Cohn y Spies, 1992). La combinacin de estos ejes permite distinguir varios planos de variacin (fig. 7.12), de gran inters para el estudio detallado de suelos y vegetacin. En este sentido, suelen distinguirse tres planos: el de vegetacin, formado por el eje de brillo y de verdor, el de suelos, formado por el brillo y la humedad, y el de transicin, formado por la humedad y el verdor (Crist y Cicone, 1984b).
344
Una de las ventajas de esta transformacin frente al ACP radica en su interpretabilidad fsica. En efecto, los componentes deducidos a partir de laTTC tienen un significado preciso, independiente de las condiciones de la escena, puesto que se apoyan sobre las caractersticas del sensor y no sobre la radiometra de la imagen. Por tanto, los coeficientes propuestos pueden aplicarse a distintas imgenes del mismo sensor, con las salvedades propias de considerar que fueron extrados a partir de los rasgos agrcolas del Mid-West americano. La TTC cuenta ya con un importante rango de aplicaciones (Cicone y Metzler, 1984; Crist y Cicone, 19846; Garca et al, 1986; Perry y Lautenschlager, 1984). De modo espordico se ha utilizado para la correccin atmosfrica (Labuto, 1991) y para homogeneizar radiomtricamente una serie multitemporal de imgenes (Hall et al., 1991a). Hemos aplicado los coeficientes propuestos por Crist y Cicone a la imagen TorrelOO para derivar los componentes de la TTC (fig. 7.13). El primero de los componentes deducidos, conocido como Brillo, aparece como una imagen pancromtica, por cuanto se trata de una combinacin ponderada de las diferentes bandas. En este sentido, presenta rasgos muy similares al primer componente del ACP. El componente de Verdor refleja con gran claridad los dominios vegetales presentes en la imagen. Destaca el contraste entre los espacios edificados y suelos desnudos frente a las cubiertas vegetales, principalmente en los cultivos y el pastizal, aunque tambin resultan evidentes las urbanizaciones ajardinadas. Los tonos ms oscuros aparecen en suelos descubiertos, reas edificadas y vas de comunicacin (nacional de Burgos, carretera de Colmenar, Manzanares-Soto). Por ltimo, el componente de Humedad manifiesta con claridad los cursos y lminas de agua, as como algunos sectores de vegetacin con sombra y ncleos residenciales. Los tonos ms oscuros se presentan en los suelos descubiertos. La composicin en color de estos tres componentes (fig. 14*) ofrece una tonalidad relativamente similar a la que observamos para los componentes principales de la imagen. Se muestran tambin las reas de vegetacin en colores verdes, para los pastizales, y cian para los pinares (por su mayor contenido de sombra-humedad); las lminas de agua siguen apareciendo en azul, y los suelos descubiertos en rojo intenso (alto brillo, bajo verdor y humedad), salvo las reas urbanas que ofrecen una tonalidad ms magenta por la mayor proporcin de sombras. 1.5. TRANSFORMACIN IHS En el captulo anterior vimos los fundamentos de la formacin del color en un sistema de ADI, indicando que estas composiciones se basan en la mezcla de tres caones de color elementales: rojo, verde y azul (RVA). Una forma alternativa de representar el color hace referencia, no a sus componentes sino a sus propiedades. Se trata de la transformacin Intensidad, Tono, Saturacin (IHS, Intensity, Hue, Saturation), de reciente empleo en teledeteccin, pero que ya ha mostrado su inters para mejorar la discriminacin de algunos rasgos de marcado carcter cromtico (Koutsias et al, 2000; Terhalle y Bodechtel, 1986) y para combinar imgenes adquiridas por distintos sensores, como luego veremos.
Fie 7.13.
Componentes TTC de la imagen TorrelOO: a) Brillo; b) Verdor; c) Humedad.
346
Blanco
FIG. 7.14.
Representacin grfica del color a partir de las coordenadas RGB e IHS.
El tono procede de la longitud de onda en donde se produce la mxima reflectividad del objeto: equivale al color que aprecian nuestros ojos. La saturacin refiere a la pureza de dicho color, su grado de mezcla con los otros colores primarios. Por ltimo, la intensidad puede identificarse con el brillo, en funcin del porcentaje de reflectividad recibido. Es posible transformar las coordenadas de la imagen de los colores primarios (RVA) a las propiedades del color (IHS). En el primer caso, cada pxel puede representarse en un diagrama tridimensional (cada eje define uno de los colores primarios). En el segundo, por un hexgono, en donde la cara hexagonal sera el tono, el eje vertical la saturacin, y la distancia al eje vertical la intensidad (fig 7.14). La transformacin entre coordenadas RVA y IHS puede abordarse gracias a distintos algoritmos de conversin (Pellemans et al., 1993). En primer lugar es necesario partir de una combinacin de bandas determinada, que se convertir a las coordenadas IHS. Denominaremos NDr, ND,, y NDa a los ND asignados al rojo, verde y azul, respectivamente. A partir de ellos se calcula la Intensidad (/) como la media de los tres:
/ =
NDv + NDa
[7.18]
El tono se calcula como:
347
y la saturacin como:
Como ya comentamos, la transformacin IHS ha sido bastante utilizada con fines geolgicos. Por ejemplo, Terhalle y Bodechtel (1986) ilustran el uso de esta transformacin para la cartografa de rasgos morfolgicos en zonas ridas. Tambin se ha empleado con xito en la determinacin de reas quemadas, gracias al muy bajo contraste cromtico que presenta la vegetacin quemada frente a otras cubiertas terrestres (Koutsias et al, 2000: fig. 7.15). Sin embargo, donde mas aplicacin ha tenido esta
Intensidad
%. . * *
Tono Quemado 20.000 18.000
16.000 14.000 10.000 8.000 6.000 4.000 2.000 0

12.000
Otras categoras
LL
# i" ."*" *'
50 100 150 200 Componente de Tono
250
Saturacin
FIG. 7.15.
Empleo de la transformacin IHS para discriminar reas quemadas. (Adaptado de Koutsias et al., 2000.)
348
tcnica es la referida a la fusin de imgenes de distintos sensores. Para facilitar una exposicin ms ordenada dejaremos este comentario para el epgrafe dedicado a este tipo de tcnicas (7.1.7). Un ejemplo de transformacin IHS puede analizarse en la figura 7.16 correspondiente a nuestra imagen de ejemplo. La composicin original corresponde a un falso color mejorado (ETM+ 4/5/3, RVA), a partir del cual se han generado los tres componentes fsicos: Tono, Saturacin e Intensidad. La imagen de Intensidad ofrece un aspecto similar al componente de brillo de la TTC, al mostrar las tendencias promedio en las tres bandas ms importantes del sensor ETM + . El Tono ofrece los valores ms altos para la superficie urbana y el agua, lo que indica que el color dominante de la imagen original corresponde a las superficies ms reflectivas en las bandas 3 y 5. La correspondiente a Saturacin muestra tambin valores altos para el agua, mientras la ciudad y suelos desnudos aparecen en grises oscuros o negros. La vegetacin ofrece valores altos en este componente, como consecuencia de su clara cromaticidad. 1.6. TCNICAS DE ANLISIS HIPERESPECTRAL Como ya vimos en el captulo 3, la resolucin espectral de los sensores espaciales haba estado severamente restringida hasta hace muy pocos aos, cuando se han comenzado a lanzar al espacio los primeros sensores hiperespectrales. Hasta entonces, las tcnicas de tratamiento de este tipo de datos estaban restringidas a las imgenes adquiridas por sensores aeroportados, y ms en concreto por el AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), sin duda el sensor hiperespectral que ha supuesto un mayor avance en esta disciplina. El lanzamiento del MODIS en 1999, y del Hyperion, en 2000, han abierto las puertas al empleo de estas tcnicas a partir de teledeteccin espacial. Las perspectivas son muy halageas en este sentido, ya que estn previstas otras plataformas espaciales que facilitarn en breve imgenes hiperespectrales (MERIS a bordo del Envisat, Warfighter a bordo del Orbview-4, o el australiano ARIES, adems de la continuacin de los proyectos ya activos de la NASA). Lo que caracteriza a este tipo de sensores, como su propio nombre indica, es su muy alta resolucin espectral, que les permite adquirir un espectro bastante continuo de cualquier pxel observado en terreno (fig. 7.17). Adems del notable incremento de los datos a procesar que esto implica (unas 40 veces ms datos por pxel que con un sensor convencional: Richards y Xia, 1999), esa detallada definicin de cada pxel nos permite introducir tratamientos bastante especficos a partir de estas imgenes, que no seran abordables si contramos slo con unas pocas bandas. Por esta razn, nos ha parecido conveniente dedicarle un epgrafe propio dentro de esta obra, si bien algunas de las tcnicas presentadas, como veremos en su comentario, podran tambin emplearse en sensores ms convencionales. 1.6.1. Anlisis de espectros Como hemos comentado, la primera caracterstica que define una imagen hiperespectral es la gran cantidad de bandas que contiene (habitualmente en el orden de va-
Fio. 7.16.
Componentes IHS de la imagen TorrelOO: a) Intensidad; b) Tono; c) Saturacin.
350
TELEDETECCIN AMBIENTAL i Suelo Vegetacin vigorosa
Vegetacin emergente
FlG. 7.17.
Concepto de imgenes hiperespectrales.
rias decenas a centenas). Esto le permite definir, en la mayor parte de los casos, espectros continuos para cada pxel de la imagen,4 de forma similar a las curvas que podemos obtener con un espectro-radimetro de laboratorio, con la diferencia de que en este caso slo medimos un punto, mientras la imagen nos proporciona una representacin bidimensional de los espectros. En consecuencia, la forma ms elemental de analizar una imagen hiperespectral sera comparar los espectros que de ella se derivan con los que podemos obtener a partir de equipos de laboratorio, o de las bibliotecas espectrales disponibles al pblico (cap. 2, apdo. 5.5). Lgicamente, esto supone convertir previamente los ND originales en valores de reflectividad, para lo que es preciso aplicar la calibracin y las correcciones atmosfricas y topogrficas oportunas. A partir de ah puede identificarse la cubierta de un pxel comparando su espectro con otros de referencia, aplicando alguna tcnica que permita ver a cul es ms similar. Entre los mtodos disponibles vamos a comentar dos comunes: la codificacin binaria y la absorcin diferencial. La codificacin binaria es una sencilla tcnica que calcula, para cada banda espectral, si la reflectividad observada es mayor o menor a la reflectividad media de ese espectro, asignndole un valor 0 si es inferior y 1 si es superior. Si dos espectros son similares tendern a presentar la misma cadencia de ceros y unos a lo largo de las distintas bandas que forman esos espectros. Por tanto, al comparar la codificacin binaria de un espectro desconocido con otro de referencia que corresponda a la misma cubierta obtendramos un elevado porcentaje de parejas 0-0 o 1-1 (Mazer et al, 1988). Para cuantificar la similitud entre espectros podemos calcular un sencillo ndice que denominamos ndice de acuerdo espectral (IAE):
4. Decimos en la mayor parte y no en todos, pues puede haber sensores hiperespectrales, por tener muchas bandas, que no tomen espectros continuos, ya que esas bandas no son contiguas. ste es el caso del MODIS.
351
2 t-i(CB/t-CB.. kf
[7.21]
donde CB, indica la codificacin binaria (0/1) del espectro / (el que queremos identificar) para la banda k, m el nmero de bandas, y CBj k la codificacin del espectro de referencia para la misma banda. Cuanto ms cercano a 0 el IAE, los espectros sern ms similares y cuanto ms prximos a 1, ms distintos. En la figura 7.18 pueden observarse unos espectros extrados de una imagen hiperespectral tomada por el sensor Hymap en la zona agrcola de Barrax (Albacete) en junio de 1999. Este sensor cuenta con 128 bandas comprendidas entre 0,4 y 2,5 fim. En la figura 7.18 se han representado tres espectros extrados de la imagen: uno corresponde a vegetacin vigorosa (cultivos de alfalfa en este caso), otro a suelo agrcola descubierto, y un tercero que nos interesa clasificar. A simple vista se observa que tiene mayores afinidades con el espectro de vegetacin, pero conviene cuantificar esa similitud, adems de servirnos de ejemplo para ilustrar el concepto de codificacin binaria. A la derecha de los espectros, en la misma figura, se inserta la codificacin correspondiente a los espectros de vegetacin, suelo y pxel objetivo (el que queremos asignar). Se confirma que el patrn espectral es mucho mas similar al espectro de vegetacin que al de suelo. El valor del IAE para el espectro de vegetacin es 0,039 y para el suelo es 0,5625, confirmndose la mejor asignacin a la clase vegetacin. En la misma lnea de la codificacin binaria se encuentra la tcnica denominada continuum removal (Kruse et al., 1993), que podramos traducir como anlisis de absorcin diferencial frente a la tendencia. Se trata de sealar en cada espectro una serie de valores culminantes, que marquen los valores mximos de reflectividad en distintos segmentos del espectro (mximos locales). Estos mximos sirven para sealar las tendencias del continuo. Estos valores se utilizan para normalizar los espectros extrados de la imagen y/o de una biblioteca espectral de referencia dividiendo estos valores por los de la tendencia, lo que permite eliminar el efecto del albedo, reduciendo la principal fuente de variacin de una imagen y centrndonos en lo que especfico de cada banda (la absorcin diferencial). Comparando las bandas de absorcin con las que ofrezca otro espectro de referencia podr asignarse un determinado pxel hiperespectral a una categora de inters. Esta tcnica se ha desarrollado con bastante xito en imgenes AVIRIS para la exploracin minera (Kruse et al, 1993a). Adems de la longitud de onda promedio de esas bandas de absorcin tambin es interesante analizar cul es la intensidad de la absorcin, que vendra dada por la profundidad o, lo que es lo mismo, la magnitud de la diferencia frente a la tendencia, as como su anchura y asimetra. Estos rasgos facilitan el anlisis de un espectro desconocido, delimitando rasgos de gran inters para determinar sus propiedades biofsicas (un reciente ejemplo, en el mbito de la estimacin del contenido de agua en cultivos puede consultarse en Tian y Tong, 2001). La figura 7.19 incluye un ejemplo de este tipo de grficos, para el caso especfico del espectro de vegetacin que hemos visto previamente. En este caso se observan una serie de bandas de clara absorcin centradas principalmente en torno a 0,46, 0,65, 1,4 y l,9,um.
353
Ajuste de la
0,40
0,80
1,20
1,60
2,00
2,40
0 0,40
0,80
1,20
1,60
2,00
2,40 fim
Fio.
7.19.
Ejemplo de anlisis de la absorcin por diferencias frente a la tendencia (espectro de vegetacin).
1.6.2. Clasificacin angular Supone otra tcnica alternativa para el anlisis de espectros, por lo que propiamente cabra incluirlo en el anterior epgrafe. Ahora bien, puesto que para otros autores supone una alternativa a las tcnicas estadsticas de clasificacin que luego comeataremos, tambin cabe considerarla como un apartado especfico. El clasificador angular (Spectral Angle Mapper, SAM) calcula la similitud entre dos espectros a partir de su desviacin angular, asumiendo que forman dos vectores en un espacio m-dimensional (siendo m el nmero de bandas disponibles). En sntesis, se trata de un mtodo para comparar espectros desconocidos con otros de referencia, ya sean tomados de la propia imagen, ya de bibliotecas espectrales. Puesto que esta tcnica calcula la direccin relativa entre espectros, tiene la ventaja de ser bastante independiente de las condiciones de iluminacin, ya que stas hacen referencia a la longitud del vector pero no a su posicin, y por tanto los ngulos no cambian aunque cambie el albedo. El algoritmo determina la similitud entre dos espectros calculando el ngulo espectral que los separa (d): 6 arcos
2*-!.- NDu
ND
[7.22]
354
siendo ND, k el valor del pxel i (el espectro objetivo) en una determinada banda k de la imagen, ND, k el del espectro de referencia^' en la misma banda, y m el nmero de bandas. El criterio puede utilizarse para comparar pares de espectros determinados, por ejemplo, muestras de suelos con distintos contenidos de materia orgnica, o para asignar un pxel desconocido a una clase de referencia en una clasificacin temtica. En este caso, el pxel i se asignar a la clase de referencia y con un valor 8 ms pequeo. Lgicamente, tambin pueden compararse los cosenos entre vectores, eliminando en la frmula anterior la necesidad de calcular el arcoseno. Lo habitual para imgenes hiperespectrales es trabajar con valores de reflectividad, pero hemos indicado en su lugar ND ya que stos pueden estar escalados de la forma que estime oportuno el intrprete, siempre que, como es lgico, tengan la misma mtrica los de referencia y los que se pretenden clasificar. La figura 7.20 presenta un esquema del clasificador angular, para un caso sencillo de tres bandas. Aunque se ha desarrollado en el marco del anlisis hiperespectral, esta tcnica tambin puede aplicarse a un menor nmero de bandas, siendo una alternativa a los clasificadores convencionales, que luego comentaremos. 1.6.3. Reduccin de la dimensionalidad de la imagen Contar con un amplio nmero de bandas, no cabe duda, tiene un gran inters, pero tambin lleva consigo una serie de dificultades, tanto en lo que se refiere al almacenamiento y proceso de la informacin, como a posibles problemas estadsticos que surgen cuando las variables analizadas tienen una alta correlacin entre s (Mather, 1998). Para paliar estos dos problemas (almacenamiento y redundancia) se recomienda con frecuencia utilizar alguna tcnica de compactacin de datos, que permita retener la mayor parte de la informacin original en un menor nmero de bandas. Con esta
Banda 1 FIG.
7.20.
Esquema del clasificador angular.
355
finalidad se utilizan varias tcnicas, que pretenden retener la informacin ms significativa contenida en la imagen hiperespectral. Una de las ms conocidas est basada en el anlisis de componentes principales (ACP), que comentamos anteriormente. Se denomina Fraccin de Mnimo Ruido (MNF, Mnimum Noise Fractiori), y consiste en aplicar dos ACP consecutivos: el primero, basado sobre una estimacin de la matriz de covarianza del ruido, permite eliminar redundancias y re-escalar el ruido de los datos; el segundo es un ACP convencional de los datos ya depurados. El ruido se estima a partir de los componentes ms marginales de los autovalores, centrando el anlisis en aquellos que retienen la mayor parte de la informacin original (Green et al., 1988). Otra tcnica de reduccin del ruido en imgenes hiperespectrales es la denominada anlisis en primer y segundo plano (FBA, Foreground/Background Analysis), en donde los espectros se dividen en dos grupos (primer y segundo plano). En el primer plano se coloca la informacin que nos interesa realzar y se proyecta en el eje de unos, mientras la informacin de menor inters se proyecta sobre ceros. De esta forma se recogen las principales fuentes de variacin en las caractersticas que pretenden medirse. Se proyectan estos dos grupos de tal manera que se maximicen las diferencias entre ellos, minimizando la diferencia en el interior de los grupos. Esto se hace definiendo un vector de pesos para cada banda que tienda a equiparar a 1 los espectros del primer plano y a 0 los del segundo. La tcnica se utiliz con xito para estimar algunas variables biofsicas de las hojas a partir de espectros de laboratorio para distintas especies vegetales (Pinzn et al., 1998). 1.6.4. Anlisis lineal de mezclas espectrales El anlisis lineal de mezclas espectrales (ALME)5 parte de asumir que la seal captada para un determinado pxel puede ser una mezcla de las reflectividades procedentes de varias cubiertas, en funcin de la superficie que ocupan en ese pxel, y pretende obtener precisamente esas proporciones. Por tanto, como fruto de esta tcnica obtendremos tantas imgenes de salida como categoras pretendan estudiarse. En cada una de ellas, el ND de un determinado pxel indicar el porcentaje de superficie que ocupa esa categora (fig. 7.21). Tradicionalmente la clasificacin de imgenes de satlite ha tenido por misin asignar cada pxel a una, y slo una, de las categoras previamente definidas en la leyenda de trabajo. Con ser de gran inters este planteamiento, como veremos en el prximo apartado, resulta un enfoque algo limitado para ciertas aplicaciones. La necesidad de categorizar cada pxel de la imagen con un cdigo exclusivo implica asumir que ese pxel es homogneo o, dicho de otra forma, que toda su superficie est cubierta por la categora a la que se ha asignado. En definitiva, esa clasificacin de la imagen no considera que la radiancia proveniente de un pxel, en la mayor parte de las ocasiones, es una mezcla de distintas cubiertas, y que al clasificarlo simplemente optamos por asignarlo a la cubierta dominante. A efectos de la representacin cartogrfica convencional, ste es el objetivo habitual, ya que los mapas temticos asumen que cada uni5. En ingls se utilizan los trminos Spectral Mixture Analysis (SMA) o Linear Mixture Analysis (LMA).
356
Componentes puros
Clase 1
Clase 2
FIG. 7.21.
El ALME pretende extraer las proporciones presentes en cada pxel de unas determinadas categoras o componentes puros.
dad es homognea: una misma parcela no puede asignarse a dos o ms categoras. Cuando en realidad existe esa mezcla, que va ms all de la mnima unidad cartografiable a una determinada escala, las opciones ms empleadas son, o bien simplificar la realidad, prescindiendo de las categoras menos representativas, o bien generar categoras mixtas, en donde la realidad se etiqueta considerando esa difcil separacin en componentes. Las denominaciones mosaico de cultivos o matorral arbolado son ejemplos de este segundo enfoque. Una alternativa a ambos planteamientos es emplear tcnicas que permitan extraer informacin sobre el grado de mezcla presente en cada pxel. En otras palabras, se tratara de obtener imgenes que nos indiquen la proporcin de cada categora de inters en un pxel, asumiendo que la respuesta recibida por el sensor es, de alguna forma, una combinacin de signaturas espectrales puras. La obtencin de estos componentes sub-pxel no es una tarea reciente en teledeteccin, pues ya se ofrecen soluciones de gran inters en los aos setenta (Marsh et al., 1980). Sin embargo, a partir de los aos noventa se extendi su empleo, especialmente a partir del uso masivo de imgenes de baja resolucin espacial, como las proporcionadas por el AVHRR, en donde es especialmente crtico obtener informacin sobre la mezcla en el interior de un pxel. El ALME parte de algunos supuestos que conviene considerar antes de analizar el gran potencial de esta tcnica, pues tambin nos ayudarn a valorar sus limitaciones. En primer lugar se asume que la radiacin recibida por el sensor desde cada tipo de cubierta se restringe al mbito de la parcela ocupada por ese pxel; en otras palabras, que no est influyendo en la radiacin reflejada la seal procedente de una cubierta vecina (Settle y Drake, 1993). En caso de pxeles que contengan ms de un tipo de cubierta, la
357
segunda asuncin considera que su radiancia global es proporcional a la superficie ocupada por cada cubierta. Esto equivale a que no exista una cubierta que tienda a, por decirlo as, ensombrecer al resto, provocando una ponderacin superior a su propia superficie en la radiacin finalmente reflejada al sensor. La linealidad de la mezcla es asumible slo en las bandas del espectro ptico, no en el trmico. Por ltimo, y ms importante an, se asume en el ALME que existen signaturas espectrales puras, vlidas para toda la zona analizada (Quarmby et ai, 1992). Si estas tres suposiciones son admisibles podemos asumir que la reflectividad de un determinado pxel con mezcla es una combinacin lineal de la reflectividad caracterstica de unas cubiertas o componentes bsicos (que denominaremos componentes puros o miembros terminales: endmembers), en proporcin equivalente a la superficie que ocupan. En definitiva, se cumple la frmula siguiente (Shimabukuro y Smith, 1991):
dondep, k indica la reflectividad observada en el pxel i,j en la banda k; FLh m es la proporcin del componente m en ese pxel i, j para cada uno de los p componentes puros; pm k corresponde a la reflectividad caracterstica de ese componente m en la banda k, y e es un trmino del error asociado a la estimacin de las proporciones en cada pxel i, j. Esta frmula est sujeta a dos restricciones. Por un lado, la proporcin de cada componente puro (Fm) debe estar entre 0 y 1: 0<FUm<\ esto es, no puede haber proporciones negativas, y 2wpFam=l [7.25] [7.24]
la suma de las proporciones para todas los componentes es igual a la superficie total del pxel. La ecuacin [7.23] tambin puede expresarse en trminos de ND, en lugar de reflectividad, siempre que no se modifique la linealidad frente a la informacin inicialmente detectada por el sensor. El inters de presentar la frmula en magnitudes fsicas se relaciona con la primera fase, y ms importante, del ALME: definir con precisin los componentes puros de los que van a obtenerse las imgenes desmezcladas. Estos componentes son los tipos caractersticos de cubierta que explican la seal reflejada hacia el sensor. Se asume que el resto de situaciones que se presenten en la imagen son mezcla de ellas. Por ejemplo, los componentes puros podran ser la vegetacin sana, el suelo y las sombras, para un estudio de deforestacin (Adams et al., 1^95; Holben y Shimabukuro, 1993); las plantaciones forestales vigorosas, las recientemente cortadas y las que ofrecen un proceso de regeneracin, en el caso de un estudio forestal (Hlavka y Spanner, 1995); la vegetacin sana, la quemada y las sombras, para una cartografa de incendios forestales (Caetano et al, 1994), o los tipos de cultivo para un inventario de cosechas (Quarmby et al., 1992). Los ms habituales han sido los de vegetacin vigorosa, suelo y sombra, si bien otros autores re-
358
comiendan aadir a estos tres bsicos un cuarto correspondiente a vegetacin seca (o no fotosinttica: Riao et al., 200Ib; Roberts et al, 1993). Una limitacin importante del ALME es que el nmero de componentes puros de una imagen no debe superar al nmero de bandas ms uno utilizado para el clculo de las fracciones. Esto se explica por los requerimientos del mtodo matemtico para solucionar el problema, que luego veremos. Para obtener las reflectividades caractersticas de los miembros puros de la imagen pueden abordarse varios procedimientos que podemos dividir en dos grupos, segn se utilicen los datos de la propia imagen o informacin externa. En el primer caso, podemos seleccionar los pxeles representativos de cada componente puro (pm k en la frmula anterior) a partir de varios criterios: 1. El ms sencillo, sin duda, es seleccionarlo a partir del conocimiento del rea de estudio (se entiende que de las condiciones del rea en el momento de la adquisicin de la imagen). Esto implica que la seleccin se realice con gran cuidado, ya que si introdu cimos como valores caractersticos de un componente puro valores extrados de un pxel con mezcla, los resultados del ALME sern poco atinados. En caso de trabajar con im genes de baja resolucin espacial (como el AVHRR), localizar reas homogneas resul ta muy complicado. Como precisamente sobre estas imgenes resulta de notable inters la aplicacin de esta tcnica ya que facilita informacin sub-pxel que enriquece mu cho las posibilidades temticas de este sensor se ha propuesto en varios estudios ex traer los componentes puros a partir de imgenes de alta resolucin, como SPOT o TM, previamente registradas y calibradas con las AVHRR. A partir de ellas se generan los valores caractersticos de cada componente puro, mediante tcnicas de regresin o de gradando artificialmente las imgenes de alta resolucin hasta obtener el tamao del p xel AVHRR (Caetanoetz/., 1994;FoodyyCox, 1994;Hlavkay Spanner, 1995;Holben y Shimabukuro, 1993; Kerdiles y Grondona, 1995; Quarmby etal, 1992). 2. Otros autores recomiendan extraer los datos de la imagen con un procedimien to ms objetivo, que permita asegurar la calidad de las estadsticas aun con un escaso co nocimiento del territorio. Entre las tcnicas propuestas, tal vez la ms extendida es la de nominada Pixel Purity Index (PPI: Boardman et al., 1995). El mtodo parte de represen tar la nube de puntos de una determinada imagen en un espacio n-dimensional, que se va reproyectando aleatoriamente. En cada iteracin se anotan los pxeles extremos de esa nube, sealndose los ms puros como aquellos que alcancen con mayor frecuencia la condicin de extremos. Un ejemplo de este algoritmo puede analizarse en la figura 7.22, simplificando la representacin para 2 bandas. Se van rotando aleatoriamente los ejes, y se anotan los pxeles extremos en cada rotacin, sealando luego los ms puntuados como los vrtices del espacio que se va a desmezclar. Finalmente, la alternativa para extraer los componentes puros sera utilizar espectros de laboratorio o los almacenados en las bibliotecas espectrales disponibles, prctica muy comn en la exploracin minera (Kruse etal., 1993a). Esta opcin permite controlar mejor la pureza de los valores de entrada, evitando efectos anmalos a la cubierta, como seran las condiciones topogrficas o del sustrato, ya que los espectros se toman en condiciones muy controladas. Sin embargo, esta alternativa tiene otros inconvenientes, como asumir que las imgenes estn adecuadamente calibradas y corregidas del efecto
359
Pxeles extremos
IRC
FlG. 7.22.
Fundamento del algoritmo PPI para buscar componentes puros de la imagen.
atmosfrico y topogrfico, lo que, como ya hemos visto, no resulta trivial. Por esta razn, en buena parte de los estudios publicados, la delimitacin de las radiancias caractersticas se realiza sobre la propia imagen, sealando en ella reas puras, y suficientemente representativas, de las cubiertas que se vayan a desmezclar. Una vez obtenidas las reflectividades o ND caractersticos de cada componente puro pueden generarse las imgenes de las proporciones (F m) solucionando para cada pxel la ecuacin [7.23]. Normalmente, las proporciones se obtienen de tal forma que se minimice el error residual de cada pxel (e k). Por ello, puede re-escribirse esa frmula en funcin del error: [7.26] de tal forma que los valores a estimar (F , J permitan minimizar el error (o ms concretamente, el cuadrado de los errores). ste es el criterio denominado de ajuste por mnimos cuadrados, que tiene dos modalidades de solucin: el ajuste con restriccin y el ajuste ponderado (Shimabukuro y Smith, 1991). Precisamente, una de las ventajas del ALME frente a otras tcnicas de interpretacin es que nos ofrece una imagen de los errores del modelo en cada pxel, o dicho de otra forma, nos permite conocer el grado de ajuste de nuestro modelo a la realidad de las cubiertas presentes en cada pxel de la imagen. Lgicamente, si el error es alto para una determinada zona de la imagen se deduce que hay componentes puros de importancia que no se han considerado en el proceso. Supongamos un ejemplo muy sencillo, como es el que aparece en la figura 7.23. Se parte de los ND de dos bandas (Bl y B2) y se pretende deducir las proporciones, para cada pxel, de dos miembros puros (c, y c2), definidos por unos ND puros en las dos ban-
360
TELEDETECCIN AMBIENTAL Imgenes originales

Componentes puros 70
43 47 51
51 55 63
55 59 80 46 49 52 52 55 61
IRC
50
IRC
58 64
75
0,2 0,3 0,4
0,4 0,5 0,7
0,5 0,6 0,8

Proporciones
Clase 1
Clase 2
Imgenes
FIG. 7.23.
Ejemplo de aplicacin del ALME.
das (35 y 40, respectivamente, para la clase 1, y 75 y 70 para la clase 2). Con esos datos deberan generarse dos imgenes de proporciones, una correspondiente a c, y otra a c2. Para ello, suponiendo en el ejemplo que no existe error (esto es que las estimaciones son perfectas en cada pxel) es preciso solucionar un sencillo sistema de ecuaciones con dos incgnitas. Por ejemplo, para el primer pxel (superior, izquierda) tendramos: 43 = 30 F, + 75F2 46 = 40 F, +70F2 esto es, el ND observado para ese pxel en las dos bandas (43, 46) se asume que est formado por una combinacin lineal de las categoras puras c, y c2, definidas por sus ND caractersticos en esas dos bandas. Para conocer la proporcin de cada clase presente en ese pxel basta despejar en cada una de las ecuaciones F2 para obtener F: (43-35 F,) / 75 = (46 - 40 F,) / 70 de donde se deduce que F, = 6,8 y, en consecuencia, que F2 = 0,2. De igual forma se procede con el resto de los pxeles de esta imagen, obtenindose la matriz de proporciones resultante (figura 7.23). En este caso, asumiendo que no hay error residual en la estimacin de las proporciones, bastara en realidad con una sola ecuacin, ya que, si se cumplen las restricciones de no-negatividad y exhaustividad que require el ALME,
361
entonces F2 puede despejarse a partir de F, (F2 = 1 - F). En suma, podramos obtener el valor de F, a partir de una sola banda: 43 = 35F, + 75(1-F,) Como es necesario contar con tantas ecuaciones como incgnitas, podemos seleccionar hasta un mximo de tantos componentes puros como bandas haya disponibles. Sin embargo, si aadimos el requisito de exhaustividad (la suma de las proporciones es igual 1), estamos incluyendo una ecuacin adicional en el problema; de ah que pueda incluirse hasta un mximo de m + 1 componentes, siendo m el nmero de bandas. Esto siempre que supongamos nulo el error, de otra forma, se incluye una incgnita ms, y habra que limitar el nmero de componentes al de bandas. El mtodo para solucionar esos sistemas de ecuaciones es ms complejo, lgicamente, al incluido en nuestro ejemplo. En consecuencia, es preciso abordar criterios ms refinados para solucionar el sistema de ecuaciones planteado anteriormente. Entre los diversos procedimientos que se han propuesto para ello, el estimador ms sencillo es el ajuste por mnimos cuadrados sin restricciones. En notacin matricial, este estimador se expresa como (Gong et al., 1994; Settle y Drake, 1993): f = (MTMy1MTX [7.27]
donde/indica el vector con las proporciones calculadas para cada pxel, M indica la matriz con los valores de los componentes puros en las bandas de anlisis y X el vector con los valores del pxel en cuestin para esas mismas bandas. El superndice T indica la transpuesta de la matriz y -1 la inversa. Este algoritmo es relativamente rpido, pero no satisface las restricciones antes mencionadas. Para solucionar esto basta con poner a cero los valores negativos de/y escalar el resto para que sumen 1. Otros criterios de solucin que incluyen directamente estas restricciones pueden consultarse en Settle y Drake (1993) y Shimabukuro y Smith (1991). Mather (1998) apunta la importancia de que las bandas de entrada no estn altamente correlacionadas; de lo contrario habr serios problemas para invertir la matriz de entrada. Finalmente, tambin se han propuesto soluciones menos supervisadas, en donde los valores de los componentes puros no se conocen, lo que implica aumentar el nmero de incgnitas y acudir a soluciones no lineales, que se resuelven iterativamente analizando en cada paso la variacin del error (Tompkins et al, 1997). El ALME resulta de gran inters para extraer informacin compleja de las imgenes hiperespectrales, pero no se restringe a este tipo de datos, sino que se ha empleado en contextos muy variados. Es muy apropiada para expresar el carcter continuo de los datos ambientales, que no tienen una clara solucin de continuidad en el espacio. Adems implica una interesante alternativa para extraer informacin de los sensores de baja resolucin espacial, AVHRR, MODIS o Vegetation, ya que facilita estimaciones sobre las mezqlas, tan abundantes en estos pxeles de gran tamao, manteniendo una alta frecuencia de adquisicin y bajo coste. El campo ms claro de aplicacin es el agrcola: superficie cultivada y rendimiento, en donde el ALME ha mostrado ya excelentes resultados (Kerdiles y Grondona, 1995; Quarmby et al, 1992). Asimismo, resulta un aliado clave en los estudios de deforestacin (Adams et al, 1995; Holben y Shimabukuro, 1993; Shimabukuro et al, 1994) para estudiar regeneracin de especies vegetales (Hlavka y
362
Spanner, 1995), densidad de cabida cubierta (Gong et al, 1994), cartografa de la vegetacin (Roberts et al, 1998), y en el seguimiento y discriminacin de reas quemadas (Caetano et al, 1996; Martn y Chuvieco, 1998; Riao et al, 200Ib). Adems, se ha utilizado profusamente en cartografa de suelos y formaciones minerales (Adams et al, 1986; Palacios-Orueta y Ustin, 1998; Smith et al, 1990a; Smith et al, \990b). Como ejemplo de esta transformacin hemos calculado los componentes ALME de las categoras agua, vegetacin y suelo descubierto para la imagen TorrelOO. Para ello hemos utilizado un programa incluido en el paquete XPACE de PCI, que incorpora un algoritmo de mnimos cuadrados con restricciones de no negatividad y exhaustividad. Los componentes calculados se incluyen en la figura 7.24, que recoge tambin el trmino de error (RMS). El comentario de estas imgenes de proporciones resulta bastante anlogo al que hemos realizado de los componentes principales y tasseled cap, ya que estn reflejando las tres dimensiones bsicas de informacin incluidas en una imagen ETM. En este caso, cada componente tiene un sentido fsico: la proporcin de agua, vegetacin o suelo que presenta, en un continuo desde la mxima cantidad (100 %) que aparece en las zonas espectralmente ms similares al componente puro, hasta las que ofrecen una proporcin prcticamente despreciable. El componente de agua presenta los valores ms altos en los embalses del rea de estudio, as como en algunos sectores de vegetacin perennifolia, que muestran una afinidad intermedia entre el agua y la vegetacin herbcea vigorosa (donde se defini el componente vegetacin). Precisamente estas zonas de pastizal son las ms claramente recogidas en el componente vegetacin, as como los cultivos herb-
FlG. 7.24. Componentes ALME de la imagen TorrelOO: a) agua; b) vegetacin; c) suelo; d) RMS.
363
ceos de secano, mostrando valores medios las especies esclerfilas, principalmente el matorral y pinar. El suelo por su parte muestra valores ms altos para las parcelas con poca o nula vegetacin, as como los bordes de los embalses, cuyos mrgenes estaban secos en esta poca del ao. Este componente es ms abundante en el valle del Jarama, en el sector oriental de la imagen, donde es ms frecuente la ocupacin agrcola del territorio. Finalmente, el componente de error muestra un patrn bastante aceptable, con tendencia a valores bajos en toda la imagen, excepcin hecha del rea de pinar, en el vrtice NW, que ofrece valores ms elevados. Esto implica claramente que falt este tipo de componente (podramos haberlo denominado vegetacin perennifolia, por ejemplo) en la definicin de los componentes puros ALME, lo que hubiera facilitado una delimitacin ms clara de este sustrato espectral. La figura 7.25 recoge otro ejemplo de aplicacin de esta tcnica, en este caso a la delimitacin de los espacios verdes en una zona urbana. El objetivo ltimo de este trabajo era extraer una serie de variables de la imagen para plantear modelos de calidad de vida urbana, tomando como ejemplo la ciudad de Maracaibo en Venezuela (Molina, 1998). El ALME se emple en este contexto para extraer las proporciones de reas ajardinadas dentro de la ciudad, ya que se consider que sera una variable de inters para diferenciar sectores de calidad ambiental dentro de la ciudad. La ventaja del ALME en esta aplicacin es permitirnos obtener una imagen ms precisa de la distribucin de jardines de pequeas dimensiones. En una clasificacin convencional, nicamente se clasificaran como reas verdes los jardines de cierto tamao (varias veces superior al tamao del pxel), quedando infravaloradas las masas vegetales que se presentan en las urbanizaciones de mayor calidad residencial, que no suelen ocupar grandes extensiones, o al menos no de forma homognea, ya que estarn imbricadas con superficies construidas. Para este anlisis planteamos un componente ALME relacionado con los materiales de construccin, otro con la vegetacin fotosinttica (stos seran los jardines), un tercero con la vegetacin seca (la que no recibe un aporte de riego en verano, y por tanto se relaciona ms con la vegetacin residual urbana), y finalmente el margen de error. La distribucin del componente vegetacin (fig. 1.25b) permiti obtener una imagen mucho ms realista de la distribucin de los espacios verdes. Otra aplicacin de inters de esta tcnica ha sido la discriminacin de reas quemadas utilizando principalmente sensores de baja resolucin espacial, como el AVHRR (Caetano et ai, 1996, Martn, 1998). El problema que se plantea con el AVHRR es que slo cuenta con 2 canales en el espectro ptico, por lo que slo pueden deducirse 3 componentes (o con mas rigor dos), lo que dificulta la discriminacin del rea quemada con otras cubiertas de similares caractersticas espectrales como el agua y las sombras. En la figura 7.26 se comparan una imagen original AVHRR y el componente quemado de una transformacin ALME (Martn y Chuvieco, 1998). Como puede observarse a simple vista, la caracterizacin de los grandes incendios es bastante atinada, acogiendo el componente ALME valores bastante altos para estas reas quemadas. Êl ltimo ejemplo que recogemos en este epgrafe est extrado de una investigacin sobre empleo de imgenes de satlite en el anlisis de procesos de desertificacin (Collado, 1998). Hemos seleccionado la comparacin temporal entre los componentes ALME correspondientes a lminas de arena para dos fechas separadas 10 aos en un sector de la provincia de San Luis (Argentina) especialmente afectado por este fen-
364
FIG. 7.25. Componentes ALME para el sector urbano de Maracaibo (Venezuela): a) materiales de construccin; b) vegetacin fotosinttica; c) vegetacin seca; ) RMS.
meno. Puede observarse en la figura 7.27 cmo el ALME ha permitido discriminar con bastante detalle el rea cubierta por arena, y nos permite seguir la evolucin de este fenmeno una vez que las dos imgenes estn registradas entre s. Una simple resta en los ND de las dos imgenes nos ofrece un anlisis de tendencia muy interesante, ya que la direccin de avance de los frentes dunares est en clara relacin con los patrones de vientos dominantes en la regin.
365
FIG. 7.26. Componentes ALME de reas quemadas. Imagen AVHRR correspondiente al litoral mediterrneo peninsular. A la derecha la imagen original con los permetros de las reas quemadas superpuestos; a la izquierda, componente quemado ALME. (Martn, 1998.)
FIG. 7.27.
Componentes ALME de lminas de arena: a.) 1982; b) 1992; c) resta de ambas. (Collado, 1998.)
1.7.
^CNICAS DE FUSIN DE DATOS
1.7.1.
Enfoques en la fusin de imgenes Resulta patente el inters de abordar estudios de teledeteccin a distintas escalas y con distintos niveles de detalle para entender mejor los procesos que afectan al conjunto del planeta. Gracias a los distintos grados de resolucin actualmente disponibles podemos abordar mediante imgenes de satlite un rango muy amplio de escalas: desde la local en condiciones muy controladas, pero de escasa representatividad espa-
366
cial hasta el global, potencialmente menos fiable pero con mayor capacidad de generalizacin (Ehleringer y Field, 1993; Quattrochi y Goodchild, 1997). Como es lgico, no existe ningn sensor que pueda facilitar ambos niveles de detalle simultneamente, acercndose ms a una escala local o global segn las caractersticas de su diseo. El inters de poder abordar estudios a distintas escalas hace que las tcnicas de integracin de datos provenientes de distintos sensores se consideren cada vez con mayor atencin, dando lugar a toda una nueva lnea de trabajo en teledeteccin que recibe el nombre genrico de fusin de datos, que incluye asimismo la integracin entre las imgenes de satlite y otras variables espaciales (Gong, 1994; Wald, 1999). El objetivo ltimo de estas tcnicas es aprovechar las ventajas particulares de los datos que se ponen en relacin, paliando sus defectos; por ejemplo, podran combinarse imgenes de distintas resoluciones espaciales, temporales o que abarquen distintas bandas del espectro (radar-ptico). ste sera el caso de generar una imagen sinttica a partir de una pancromtica de alta resolucin espacial con una multiespectral con pxel ms grosero: obtendramos la calidad espacial de la primera con el contraste cromtico de la segunda. De igual forma, podramos integrar imgenes de satlite con mapas de temperaturas, MDE, o series de vegetacin, en una clasificacin integrada, de cara a mejorar la discriminacin de un determinado rasgo de inters. En pocas palabras, lo que se pretende es mejorar la calidad de los datos, ya sea en lo que se refiere a su aspecto visual, ya a la discriminacin digital de ciertas categoras, ya a mejorar la fiabilidad de la estimacin de una determinada variable, o ya a demostrar la solidez de un determinado mtodo de anlisis. La fusin de datos puede plantearse a distintos niveles. El ms intenso llevara a generar imgenes sintticas, combinando informacin procedente dos o ms sensores para producir una sola imagen resultado; el segundo implicara tratar informacin de varias fuentes en paralelo, de cara a mejorar la discriminacin de un cierto rasgo de inters; similar a l tambin podramos plantear la integracin de los resultados obtenidos de varias fuentes independientes; finalmente, puede proponerse integrar varias versiones de los datos (imgenes sintticas y originales, resultados de la interpretacin) al nivel de la toma de decisiones (Gong, 1994). 1.7.2. Obtencin de imgenes hbridas De los objetivos arriba comentados, sin duda el ms habitual en las tcnicas de fusin de datos ha sido el que tiende a realzar el aspecto visual de una determinada imagen con informacin proporcionada por otra de mejor resolucin espacial. Al final del proceso tendramos una imagen sinttica (multirresolucin), que alberga el detalle cromtico de unas bandas sobre la calidad espacial de otra. La llegada de los sensores de muy alta resolucin espacial (Ikonos, Quickbird, IRS-1C, Kompsat) ha renovado el inters de esta aplicacin, ya que permite mejorar considerablemente la definicin de una determinada imagen, de cara a su posterior anlisis visual o integracin con otros datos espaciales en el entorno de un SIG. Sin embargo, las primeras ideas para obtener este tipo de productos se remontan a los aos ochenta, cuando se propusieron las primeras tcnicas para fundir imgenes Landsat-MSS y RBV (Short, 1982), o incluso Landsat y fotografas areas digitalizadas (Iverson et al., 1989). Con el lanzamiento del SPOT en 1986 se comenzaron a producir imgenes sint-
367
IHS-RGB
FIG. 7.28.
Esquema para la fusin de imgenes.
ticas entre sus canales pancromtico (10 m) y multiespectral (20 m) (Carper et al, 1990), o incluso entre el SPOT pancromtico y el multiespectral Landsat-TM (30 m). Actualmente, el mercado de los productos hbridos se centra sobre todo en combinar las imgenes de sensores de muy alta resolucin (como el Ikonos pancromtico, con 1 m), con los productos multiespectrales de ese mismo sensor (4 m), de cara a la cartografa catastral de detalle. No obstante, para aplicaciones de escalas medias, la fusin del canal pancromtico del sensor ETM+ (15 m) con los multiespectrales (30 m) tambin puede resultar de gran inters. La creciente disponibilidad de sensores hiperespectrales tambin permite ampliar este objetivo hacia fusiones de distinta naturaleza segn el objetiv ltimo de la interpretacin (Robinson et al, 2000). Se han propuesto varias tcnicas para obtener imgenes hbridas de dos resoluciones espaciales distintas (Tapiador y Casanova, 2001). La ms empleada, hasta el momento, ha sido la transformacin IHS, que vimos anteriormente, por lo que nos centraremos aqu principalmente en ella. Este proceso de fusin se ilustra en la figura 7.28. Esta fusin parte de realizar una composicin en color correspondiente a la imagen multiespectral de peor resolucin que se pretende realzar con otra pancromtica. Como es lgico, esta ltima debera incluir condiciones de observacin similares a la primera, siendo lo ms recomendable que se tomen simultneamente, como ocurre con el sensor ETM+ o la cmara del Ikonos. El primer paso en la fusin de dos imgenes es asegurar que tengan el mismo tamao de pxel y se refieran a la misma posicin en el espacio. Esto implica una previa georreferenciacin de esas dos imgenes, o al menos un ajuste relativo entre ellas. En ese paso, el pxel de la imagen multiespectral debe ampliarse hasta el tamao del pxel de la pancromtica (reduplicando el valor de sus ND), lo que garantizar que puedan superponerse adecuadamente. A continuacin se aplica una transformacin de coordenadas RVA a IHS, tal y como vimos previamente (1.5). Puesto que el tono y la saturacin refieren al contenido espectral de la imagen, mientras la intensidad se relaciona con las variaciones espaciales del albedo, que estn ms en relacin con las caractersticas espaciales de la ima-
368
FlG. 7.29.
Imagen de intensidad de una composicin ETM 4/5/3 (dcha.) y del canal pancromtico (izqda.) de la imagen Alcal99.
gen, este componente tender a presentar una buena correlacin con la imagen pancromtica (fig. 7.29). En consecuencia, podemos sustituir una por otra, de tal forma que se incorpore el detalle espacial de la pancromtica sin afectar a la tonalidad de la composicin en color original. Por ltimo, se aplica la transformacin inversa, de componentes IHS a RVA, obtenindose un producto visual muy mejorado (fig. 15*). Este proceso resulta adecuado en muchas aplicaciones, pero puede ofrecer pobres resultados si el rango espectral de la pancromtica no se ajusta bien al correspondiente a las tres bandas que se mezclan en la composicin RVA. De hecho, se comprob hace unos aos que el componente Intensidad de una composicin SPOT no estaba bien correlacionado con el pancromtico (Chavez etal, 1991; Pellemans etal, 1993). En consecuencia, se ha propuesto otras tcnicas alternativas para la obtencin de imgenes hbridas, como seran las siguientes: 1. Una integracin ponderada entre el canal pancromtico y el canal infrarrojo cercano: _
P
2Pan + ND ,RC
[7.28]
el resultado se sustituye por el componente Intensidad (Chavez et al, 1991). 2. Una suma ponderada del pancromtico con los canales multiespectrales, aplicando previamente un filtro de paso alto para realzar el componente espacial de la imagen pancromtica (Chavez et al., 1991). 3. Una sustitucin selectiva del pancromtico por las bandas espectrales verde y roja, tras aplicarle unas correcciones radiomtricas para reducir las diferencias de calibracin entre bandas (Pellemans et al., 1993). 4. Una regresin multibanda para las bandas que tienen poca correlacin con la pancromtica. Esta regresin incluye la banda pancromtica y las otras multiespectra les que intervienen en la composicin en color (Munechika et al., 1993).
369
Ms recientemente se han propuesto mtodos provenientes del mundo de la cartografa, que subrayan la diferente importancia de las variables visuales en la representacin de imgenes. ste es el caso de un mtodo propuesto por el Centro Canadiense de Teledeteccin que permite integrar imgenes radar, modelos digitales de elevacin e imgenes pticas, utilizando una variante del mtodo IHS para reforzar la visualizacin de rasgos tridimensionales (Toutin et al, 1998). Tambin son recientes las aplicaciones de la transformacin de onditas (Wavelets) en el dominio de las frecuencias, para obtener imgenes hbridas con dos resoluciones distintas (Garguet-Duport, 1997; Yocky, 1996), y el empleo de tcnicas estadsticas para maximizar la informacin extrable de las imgenes utilizando el concepto de entropa (Tapiador y Casanova, 2001). 1.7.3. Interpretacin sinttica con datos de distintas fuentes Una forma concreta de combinar informacin, que se ha venido aplicando casi desde el inicio de la teledeteccin digital, es la clasificacin conjunta de datos de distintas fuentes, incluyendo no slo imgenes de varios sensores, sino tambin otras variables geogrficas, como pueden ser mapas de precipitacin, temperatura o suelos. El desarrollo de los SIG a lo largo de los aos ochenta y noventa ha reforzado esta tendencia, que luego tendremos ocasin de comentar con ms detalle (cap. 9). Dejaremos para este epgrafe aquellos aspectos de la relacin entre ADI y SIG que conciernen ms a la integracin propiamente dicha. Utilizar datos procedentes de distintas fuentes es una alternativa interesante para mejorar la discriminacin de ciertas cubiertas de inters, que pueden ser difcilmente discriminables si nos basamos exclusivamente en los datos de la imagen. Por ejemplo, para diferenciar olivar y viedo puede ser necesario acudir a mapas de suelos para estimar la seal mixta que proporcionan, ya que esta mezcla resulta clave en la seal detectada por el sensor. En un inventario forestal, la situacin topogrfica (proporcionada por un MDE) o la textura (extrada de una imagen radar) puede ser crucial para distinguir distintas especies, difcilmente diferenciables de otra forma. Naturalmente, esta integracin plantea tambin distintos problemas, ya que se pretende analizar en conjunto datos que provienen de diversos orgenes y, por tanto, pueden ofrecer distintos niveles de detalle y escalas de medida. Como veremos en el siguiente epgrafe, la mayor parte de los mtodos de clasificacin digital se basan en tcnicas estadsticas que no pueden aplicarse a variables categricas, donde los individuos se diferencian slo por pertenecer a categoras distintas sin relacin numrica entre ellas (como ocurre, por ejemplo, mapas de suelos o de vegetacin). En consecuencia, si quieren emplearse estas variables en la clasificacin digital es necesario emplear otro tipo de tcnicas, como pueden ser los clasificadores basados en criterios de decisin o en redes neuronales que luego comentaremos (2.3.4). El anlisis de errores tambin se modifica notablemente cuando se plantean trabajos integrando varias fuentes, ya que cada una contar con sus propios problemas e incertidumbres (Gong, 1994). No obstante, el recurso a contar con informacin de diversas fuentes ha sido frecuente en el ADI. Esta integracin puede realizarse con varios objetivos (Hutchinson, 1982):
370
1. Para estratificar la imagen, previamente a la clasificacin, de acuerdo a ras gos fisiogrficos homogneos. Esto permite reducir la varianza espectral de las distin tas categoras que pretenden discriminarse (Nez et al., 1983). 2. Para introducir nuevas variables en la clasificacin, combinando las bandas originales, con MDE o cartografa convencional digitizada (Benediktsson et al., 1990; Pons y Sol-Sugraes, 1994; Riao etal, 2001a; Salas y Chuvieco, 1995). 3. Para re-clasificar algunas categoras en caso de que no hayan sido discrimi nadas correctamente a partir de informacin espectral (Hutchinson, 1982; Richards y Xia, 1999; Skidmore, 1989). Entre los trabajos pioneros en esta integracin de datos se encuentra el mtodo para la realizacin de inventarios forestales que desarrollaron varios profesores de la Universidad de California, Santa Barbara (Franklin et al, 1986). Este mtodo, aplicado a varios bosques de California, combinaba el tratamiento digital de imgenes Landsat con MDE e informacin de campo. A partir de las imgenes se elaboraron algunos ndices de textura, incorporados a la clasificacin junto a las bandas originales. Asimismo, se emple un MDE para obtener la altitud, pendiente y orientacin, lo que permiti refinar notablemente la discriminacin, tanto de especies, como de densidades y alturas. Trabajos similares se han desarrollado por otros autores en el inventario forestal (Miller y Williams, 1978; Wu, 1980), y en la cartografa de modelos combustibles (Castro y Chuvieco, 1998; Riao et al., 2001a; Salas y Chuvieco, 1995: fig. 7.30). Estos enfoques integrados permiten abordar clasificaciones mucho ms ricas, ya que se combinan criterios espectrales (propiedades pticas de las especies), espaciales (estructura, situacin) y temporales (dinmica atmosfrica, variedad fenolgica, productividad), ofreciendo una evaluacin ms completa del territorio en estudio. En los ltimos aos se han propuesto nuevas tcnicas para integrar imgenes con informacin procedente de varias fuentes. Entre ellas, puede destacarse la teora de la evidencia, propuesta hace algunos aos por Shafer y Dempster como una extensin de la doctrina bayesiana de la inferencia estadstica. Esta tcnica permite trabajar tanto con variables cualitativas como cuantitativas (Richards y Xia, 1999, cap. 12), asignando una serie de pesos, en las distintas variables, a las categoras que intervienen en la clasificacin a partir de un cierto conocimiento de su certeza (Gong, 1996; Wang y Civco, 1994). Por ejemplo, pueden establecerse relaciones de distinta intensidad, segn estemos ms o menos seguros de su fiabilidad. Esos pesos se transforman en lo que se conocen como funciones de plausibilidad (plausibility) y de creencia (belief function: Srinivasan y Richards, 1990; Wilkinson y Mgier, 1990), que definen, respectivamente, la posibilidad de que una observacin pertenezca a una cierta clase y la seguridad que tengamos de que lo sea. Por ejemplo, podemos afirmar que un pxel con un determinado valor de NDVI cuenta con una probabilidad de ser vegetacin de 0,4 considerando los valores especficos de la vegetacin (funcin de creencia), b tambin que tiene un rango de probabilidades de ser vegetacin de 0,8 (funcin de plausibilidad) si se estima que la probabilidad de no ser vegetacin es de 0,2. Estas estimaciones pueden generarse a partir de las probabilidades obtenidas en clasificadores estadsticos convencionales, o de otras fuentes ms cualitativas, como el propio consejo de expertos. Richards y Ji (1999) indican
Textura Correcciones geomtricas y .............................
Landsat-TM FlG.
7.30. Esquema de integracin de variables para obtener mapas de modelos de
combustible. (Riao et al, 2001.)
372
varios criterios para catalogar esas inferencias en distintas clases: definitivamente verdadera, muy probable que sea verdadera, posible que lo sea, posible que no lo sea y contradictoria. Siguiendo unas reglas de combinacin, propuestas por Dempster, pueden combinarse las funciones de evidencia de distintas variables, facilitando una integracin mucho ms matizada entre fuentes que pueden tener un carcter muy variado. La comparacin entre estos enfoques y otros estadsticos ms clsicos ha permitido verificar las posibilidades de esta tcnica, especialmente cuando se presentan clases mixtas (Lee et al., 1987). 1.7.4. Integracin de resultados En este ltimo apartado consideramos los procesos de integracin que se refieren a los resultados del anlisis, cuando se pretenda poner en relacin dos documentos obtenidos a partir de la interpretacin de imgenes de distintos sensores. Por ejemplo, podramos comparar mapas de cobertura del suelo generados en dos perodos distintos a partir de datos MSS (aos setenta) y TM (aos noventa), o mapas de deforestacin derivados a dos escalas distintas a partir de imgenes AVHRR y TM de la misma fecha. El primero sera un ejemplo de anlisis multitemporal, que luego tendremos ocasin de comentar con ms detalle, y el segundo de anlisis espacial multisensor, similar al muestreo estadstico en varias fases. Aqu nos centraremos en este segundo enfoque, ya que puede resultar de inters para poner en relacin modelos de interpretacin que se generan a distintas escalas. Algunos ejemplos de este planteamiento podran ser utilizar una imagen de alta resolucin espacial para extraer los componentes puros del ALME en una imagen de baja resolucin, o para simular la seal de una determinada cubierta que obtendra un sensor de peor resolucin, o para comparar los inventarios de superficies deforestadas a distintos niveles de detalle. En varios trabajos sobre estimaciones de deforestacin en la Amazonia (Shimabukuro et al., 1994; Skole y Tucker, 1993) se ha puesto en evidencia el inters de este tipo de trabajos, ya que permiten extrapolar estimaciones realizadas a partir de un cierto nivel de detalle (por ejemplo, desde imgenes TM o HRV para sectores con buen control de campo), al conjunto de un amplio territorio que se pretende inventariar (utilizando imgenes AVHRR o Vegetation). Una forma sencilla de fusin de datos a este nivel que venimos comentando sera la integracin entre resultados binarios, por ejemplo entre reas clasificadas como quemadas/no quemadas a dos resoluciones distintas. La integracin de un producto de sntesis entre las dos podra realizarse de varias maneras (fig. 7.31 y tabla 7.5). Por un lado, podramos optar por retener nicamente lo que se haya identificado como quemado en las dos imgenes. ste sera un enfoque conservador, que minimizara los errores de comisin (detectar como incendio lo que no lo es), aun a costa de perder posibles incendios bien clasificados en una de las dos imgenes. El planteamiento opuesto sera retener lo que haya sido identificado por cualquiera de los dos: esto reducira el nmero de incendios no detectados, pero aumentara el riesgo de falsas alarmas. En ambos casos, cuando coincidan las superficies catalogadas por ambos sensores, habr que decidir de cul de las dos extraemos el permetro quemado. Parece lgico hacerlo de la imagen de alta resolucin, aunque tambin podra haber razones para elegir la otra imagen.
373
FlG. 7.31. Esquema de integracin entre resultados obtenidos a partir de dos sensores de alta aj y baja b) resolucin; c) coincidencias entre los dos; d) unin entre ambas, pero prevalece la alta resolucin; ej unin entre ambas, pero prevalece la baja resolucin.
Otros posibles cruces primaran una de las dos imgenes, considerando que, por cualquier razn, nos merece ms crdito que la otra. As, podramos decidir que prevaleciera la de mayor resolucin, en cuyo caso se retendran nicamente las reas catalogadas en esta imagen, si bien se retendran tambin los pxeles de la de menor resolucin cuando se puedan considerar pertenecientes a incendios detectados en la de alta resolucin. Esto puede tener sentido si asumimos que la de alta puede haber detectado slo la parte ms intensamente quemada, pero no los bordes del incendio, que podran haberse detectado mejor en la de baja resolucin. Asimismo, podramos plantear que prevaleciera la de baja resolucin; esto es, se retendran nicamente los incendios detectados en ella, si bien en aquellos que tambin se hayan discriminado en la de alta resolucin se retendran los pxeles de la de alta (si siempre eligiramos los de baja, sen-' enlmente no haramos fusin). Esto es un ejemplo de las posibilidades de integracin entre imgenes de distintos
TABLA 7.5.
Resolucin Alt a Baja Ambos prevalecen
Esquema para la integracin entre dos imgenes binarias de distinto sensor: alta resolucin (A), baja resolucin (B)
Criterio de fusin Ninguno prevalece Alta prevalece Baja prevalece 1(B) 0 10
1 1 0 0
1 0 1 0
1 (A + B)* 1 10
1(A) 0 00
KA)
1 00
* Se indica entre parntesis la fuente del pxel resultante de la fusin.
374
sensores, que puede dar idea de las perspectivas futuras que plantea un anlisis integrado de la informacin. 2. Categorizacin de imgenes: clasificacin digital 2.1. INTRODUCCIN Todava para la mayor parte de los usuarios de la teledeteccin la clasificacin supone la fase culminante del ADI. Hacia ella se orientan buena parte de los realces y correcciones previamente analizados, as como algunas transformaciones. Como fruto de la clasificacin digital se obtiene una cartografa e inventario de las categoras objeto de estudio. La imagen multibanda se convierte en otra imagen, del mismo tamao y caractersticas de las originales, con la importante diferencia de que el ND que define cada pxel no tiene relacin con la radiancia detectada por el sensor, sino que se trata de una etiqueta que identifica la categora asignada a ese pxel. A partir de una imagen como sta puede fcilmente generarse cartografa temtica, as como un inventario estadstico del nmero de pxeles y por tanto de la superficie asignados a cada categora (fg. 7.32). De acuerdo a Cihlar et al. (1998) un mtodo de clasificacin debera contar con las siguientes caractersticas: 1) exacto; 2) reproducible por otros, dadas las mismas variables de entrada; 3) robusto (no sensible a pequeos cambios en las condiciones de entrada, aunque permita explotar enteramente la informacin de esas variables); 4) exhaustivo, que cubra todo el territorio de estudio, y 5) objetivo, que no est marcado por las decisiones del intrprete. A nuestro juicio, este ltimo punto es matizable, ya que el conocimiento del intrprete puede resolver algunos problemas en la discriminacin de cubiertas, si bien estamos de acuerdo en que obtener una buenos resultados en la clasificacin no debe depender nicamente de que el intrprete sea ms o menos experto en el rea de estudio o en el manejo de los programas.
Imagen original
FIG. 7.32.
Fundamentos de la clasificacin digital.
375
La clasificacin de la imagen se beneficia notablemente de algunos procesos de correccin y realce previamente estudiados. Sin embargo, conviene considerar que puede abordarse una clasificacin exclusivamente a partir de los ND de la imagen, ya que las categoras temticas suelen definirse de modo relativo a las condiciones especficas de la escena a clasificar. En otras palabras, en principio la clasificacin digital no busca una definicin absoluta de cada cubierta, que pudiera ser aplicable a cualquier imagen, sino ms bien una caracterizacin relativa, vlida para una determinada imagen y un territorio concreto (Robinove, 1981). Si adoptamos este planteamiento, no resulta preciso conocer detalladamente las condiciones de adquisicin: basta identificar en la imagen las clases a discriminar, sin pretender que esa identificacin sea extrapolable a otras situaciones. En resumen, en ese contexto no se tratara de establecer un modelo entre medidas digitales y parmetros fsicos, sino entre medidas digitales, para un sensor, una zona y una fecha determinados, y tipos de cubierta. En este sentido, la clasificacin supone un enfoque ms cualitativo, si bien, por tratarse de un proceso numrico, incorpora un aparato estadstico ciertamente importante. Lgicamente, esto supone el nivel de interpretacin ms elemental, aunque todo lo dicho en este captulo tambin es aplicable al trabajo con valores calibrados de radiancia, reflectividad o temperatura. De hecho, las tendencias ms modernas en clasificacin pretenden establecer leyes de validez general, aptas para una interpretacin automtica de la imagen, y eso necesariamente requerira trabajar con variables fsicas. Como ya hemos indicado, la clasificacin digital implica categorizar una imagen multibanda. En trminos estadsticos, esto supone reducir la escala de medida, de una variable continua (los ND originalmente detectados por el sensor) a una escala categrica (tipos de vegetacin) u ordinal (densidades de vegetacin). La apariencia externa puede resultar muy similar entre la imagen original y la clasificada, ya que presentan el mismo tamao y pueden visualizarse en niveles de gris. Sin embargo, es importante considerar que no pueden aplicarse ciertas operaciones estadsticas a una imagen clasificada, ya que, pese a ser digital, no est medida en una escala cuantitativa, sino generalmente cualitativa. Un sencillo ejemplo bastar para explicar este razonamiento. El objetivo de los filtros espaciales (ver 6.5.4) es asimilar o reforzar los contrastes en" los ND de pxeles vecinos. Esto implica que el ND de un determinado pxel se obtiene mediante algn tipo de operacin aritmtica con los ND de los pxeles inmediatos, lo que implica una escala de medida continua. En una clasificacin de tipos de cultivo, por ejemplo, no puede realizarse ninguna operacin de este tipo, ya que la categora 1 (p. ej., cebada) y la 2 (p. ej., trigo) no tienen relacin numrica entre s (1 no es mayor o menor que 2), y, en consecuencia, no tiene ningn sentido, entre otras cosas, promediarlas. Por tanto, en imgenes clasificadas las operaciones espaciales entre pxeles vecinos deben basarse en parmetros estadsticos apropiados para variables nominales (la moda o el ndice de variacin cualitativa). ELND de un pxel clasificado, en definitiva, es el identificador de la clase en donde se haya incluido. Estas clases pueden describir distintos tipos de cubierta (variable nominal o categrica), o bien intervalos de una misma categora de inters (variable ordinal). Una clasificacin de especies vegetales estara dentro del primer grupo, mientras un intento de sealar niveles de afectacin en un incendio forestal o de humedad en el suelo, en el segundo.
376
Los primeros ensayos de clasificacin digital de imgenes de satlite se basaron exclusivamente en los ND de la imagen (ya fueran originales o tras convertirlos a magnitudes fsicas). Como ya sabemos, estos ND son una traduccin digital de un flujo energtico recibido por el sensor para una determinada banda del espectro. En consecuencia, una clasificacin basada exclusivamente sobre ND puede denominarse propiamente clasificacin espectral. Con ser muy rica esta informacin, no siempre es capaz de separar cubiertas, pues puede haber distintas categoras temticas con un comportamiento espectral similar. En ese caso se recomienda acudir a las otras dos dimensiones de informacin que contiene una imagen: la espacial y la temporal. En el primer caso se tratara de incorporar a la clasificacin la estructura o el contexto espacial en el que aparece cada pxel. En el segundo se aportaran datos sobre su evolucin estacional, lo cual es especialmente crtico para la discriminacin de cubiertas vegetales. Finalmente, puede ocurrir que ninguna de estas tres dimensiones sea suficiente para separar ciertas cubiertas, y sea preciso acudir a informacin auxiliar (topografa, suelos, etc.). A lo largo de este apartado veremos algunos procedimientos para abordar estos enfoques alternativos, si bien nos centraremos principalmente en la interpretacin de los datos espectrales. Simplificando las cosas, la clasificacin digital de imgenes sigue cauces anlogos a los que se emplean en foto-interpretacin. En esta tcnica, en primer lugar el intrprete identifica el patrn visual asociado a cada cubierta, de acuerdo a una serie de criterios: tono, textura, forma, contexto, disposicin, etc., tal y como aparecen en unos fotogramas tipo. Posteriormente, delimita sobre el resto de las fotografas las zonas que se corresponden con ese modelo previamente definido. En otras palabras, asigna a cada categora unas determinadas superficies, en funcin de la semejanza de stas con el patrn-tipo identificado previamente. Por ltimo, verifica sobre el terreno la interpretacin realizada. ste es tambin el esquema de la clasificacin digital. Basta traducir los criterios analgicos por digitales, por cuanto se realiza sobre los ND presentes en la imagen. De esta forma, pueden distinguirse las siguientes fases: 1) definicin digital de las categoras (fase de entrenamiento), 2) agrupacin de los pxeles de la imagen en una de esas categoras (fase de asignacin), y 3) comprobacin y verificacin de resultados. Trataremos aqu de las dos primeras, reservando la tercera para un captulo independiente, puesto que las tcnicas de verificacin son aplicables tanto a la interpretacin digital como a la visual.
2.2. FASE DE ENTRENAMIENTO
2.2.1. Conceptos bsicos Para que una fotografa, area pueda ser interpretada en detalle es preciso que exista una experiencia previa, que nos permita identificar cada una de las categoras de inters por una serie de rasgos, como son tono, textura, situacin o tamao. Es posible distinguir entre matorral y arbolado, gracias a que ste tiene una textura ms rugosa; mientras la separacin entre agua y suelos descubiertos se realiza sobre la diferencia de tonalidad. De la misma forma, la clasificacin digital se inicia caracterizando los
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA I
377
patrones que definen en la imagen las distintas categoras objetivo. Por cuanto se trata de una clasificacin basada en los valores numricos de los pxeles, esta caracterizacin tambin debe ser numrica; esto es, se trata de obtener el ND, o mejor an el rango de ND, que identifica a cada categora, para todas las bandas que intervienen en la clasificacin. Como ya hemos visto a lo largo de esta obra, diversos factores introducen una cierta dispersin en torno al comportamiento espectral medio de cada cubierta. Esto implica que las distintas categoras no se definen por un slo ND, sino por un conjunto de ND, ms o menos prximos entre s. En trminos de su clasificacin digital, esto supone que existe una cierta dispersin en torno al ND medio de cada categora, ms o menos significativa segn las clases que se consideren y la propia complejidad del paisaje donde stas se asienten. Por ello, la fase de entrenamiento resulta ciertamente compleja: se trata de definir con rigor cada una de las categoras que pretendan discriminarse, teniendo en cuenta su propia variabilidad en la zona de estudio. Este objetivo se logra seleccionando una muestra de pxeles de la imagen, que representen adecuadamente a las categoras de inters. A partir de esos pxeles pueden calcularse los ND medios y la variabilidad numrica de cada categora, en todas las bandas que intervienen en la clasificacin. Al igual que en cualquier otro muestreo, el objetivo de esta fase es obtener los resultados ms precisos con el mnimo coste. En otras palabras, identificar debidamente las distintas categoras, reduciendo a lo imprescindible los trabajos de campo. Al igual que en otras aplicaciones del muestreo, las estimaciones posteriores se basan sobre la muestra seleccionada, por lo que una incorrecta seleccin de sta conducir inexorablemente a pobres resultados en la clasificacin posterior. Varios autores han comprobado que los resultados de la clasificacin estn mucho ms influidos por la definicin previa de las categoras, que por el criterio con el que stas son posteriormente discriminadas (Gong y Howarth, 1990; Hixson. et ai, 1980; Story y Campbell, 1986). En definitiva, la fase de entrenamiento constituye la columna vertebral de la clasificacin numrica. Tradicionalmente se han dividido los mtodos de clasificacin en dos grupos: supervisado y no supervisado, de acuerdo a la forma en que son obtenidas las estadsticas de entrenamiento. El mtodo supervisado parte de un conocimiento previo" del terreno, a partir del cual se seleccionan las muestras para cada una de las categoras. Por su parte, el mtodo no supervisado procede a una bsqueda automtica de grupos de valores homogneos dentro de la imagen. Queda al usuario, en este caso, la labor de encontrar correspondencias entre esos grupos y sus categoras de inters. Volviendo al paralelismo con la fotointerpretacin, podramos afirmar que en sta el mtodo supervisado es el ms habitual, por cuanto se identifican sobre unos fotogramas-tipo las caractersticas de cada clase, para luego delimitar, en el resto, las zonas que se ajustan a esas caractersticas. El mtodo no supervisado supondra, en primer lugar, identificar sobre la fotografa area zonas homogneas en cuanto a tonos, textura, disposicin, etc., para luego asignarlas a una de las clases temticas establecidas en la leyenda. Para iluminar el sentido de ambos mtodos, puede ser conveniente introducir una pequea reflexin sobre el tipo de categoras que pueden intervenir en una clasificacin temtica. Suelen distinguirse, a este respecto, dos tipos de clases: informacionales y espectrales (Chuvieco, 1986; Labrandera, 1978). Las primeras son las que consti-
378
Agua -------
Agua -----
Caducifolias Perennifolias Agricultura regado Agricultura secano Urbano a) c) Agua Caducifolias Perennifolias Agricultura regado Agricultura secano Urbano -----------
Caducifolias Perennifolias Agricultura regado Agricultura secano Urbano b) d)
Agricultura regado Agricultura secano Urbano -----------
Agua Caducifolias Perennifolias
Clases informacionales
j Clases espectrales
FlG. 7.33.
Relaciones entre clases informacionales y espectrales.
tuyen la leyenda de trabajo que pretende deducir el intrprete (tipos de ocupacin del suelo, por ejemplo). Las segundas corresponden a los grupos de valores espectrales homogneos dentro de la imagen, en funcin de ofrecer una reflectividad similar, para las bandas consideradas y en la fecha concreta de la imagen. Las categoras informacionales se establecen por el usuario, mientras las espectrales se deducen de los ND presentes en la imagen. Idealmente habra de producirse una correspondencia biunvoca entre las dos (fig. 7.33a); esto es, que a cada clase de cobertura le corresponda un nico grupo espectral, y que cada grupo espectral corresponda a una sola clase temtica. Desgraciadamente, este caso es muy poco frecuente, producindose, normalmente, alguna de las siguientes situaciones: 1. Que una categora de cubierta est expresada en varias clases espectrales (fig. 7.33b). Por ejemplo, el pinar segn su emplazamiento podra aparecer en dos gru pos: uno correspondiente a solana y otro a umbra; o el agua en distintos tipos, de acuerdo a su profundidad o turbidez. Para evitar los problemas que puede implicar esa dispersin espectral en los resultados posteriores convendra refinar el muestreo, bien incluyendo en las clases esa heterogeneidad, bien creando sub-clases, que luego sern fundidas tras la clasificacin en un solo grupo. Esto evita contar con clases muy heterogneas espectralmente, fcilmente sujetas por tanto a confusin con otras simi lares. 2. Otra cosa sera que dos o ms categoras informacionales compartan una sola
379
clase espectral (fig. 7.33c). Esto implicara, en pocas palabras, que algunas categoras de la leyenda no sean discriminables, a partir de la imagen con que se cuenta, sin grave peligro de confusin. En este caso se pueden plantear varias opciones para solucionar el problema. La ms sencilla sera optar por una clave ms general, evitando descender a un nivel de desagregacin no abordable a partir de esos datos. Por ejemplo, podra optarse por una clase denominada coniferas, en lugar de distinguir distintos tipos de pinar, o urbana, frente a distintas densidades de edificacin. Ahora bien, esa solucin en algunos casos no es aceptable, bien porque la confusin se d entre categoras que no son asimilables temticamente (por ejemplo, superposicin entre ncleos rurales y rastrojeras, en imgenes de verano), bien porque las categoras objetivo sean un requisito imprescindible del trabajo (p. ej., un inventario forestal no puede aceptarse si no se discriminan un cierto nmero de especies). En estos casos, habra que intentar otras soluciones, como incluir en la clasificacin una imagen perteneciente a otra fecha del ao, en donde la separacin entre categoras problemticas sea posible (contraste primavera-verano, para cubiertas vegetales), o acudir a criterios no espectrales, como pueden ser los derivados de la textura o situacin espacial, o aadir alguna variable auxiliar (relieve, suelos, etc.). 3. Por ltimo, puede tambin ocurrir que varias clases informacionales compartan clases espectrales (fig. 7.33J). En este caso convendra replantear la estrategia de trabajo, o acudir a las soluciones parciales comentadas en prrafos anteriores. A la luz de este comentario, parece claro que el mtodo supervisado pretende definir clases informacionales, mientras el no supervisado tiende a identificar las clases espectrales presentes en la imagen. De los prrafos anteriores tambin puede deducirse que ninguno de los dos mtodos proporciona una solucin inmediata a todos los problemas que entraa una clasificacin digital. Por un lado, el mtodo supervisado puede tacharse de subjetivo y artificial, pues puede forzarse al algoritmo a discriminar categoras que no tengan una claro significado espectral. Por otro, el mtodo no supervisado proporciona en ocasiones resultados de difcil interpretacin, poco conectados con las necesidades del usuario final del producto. Asimismo, resulta poco claroque este mtodo sea realmente capaz de identificar las agrupaciones naturales de la imagen. De ah la diversidad de algoritmos y de parmetros de control revisados en la literatura, como ms tarde tendremos ocasin de analizar. En resumen, la eleccin entre uno y otro mtodo depender de los datos y medios disponibles y de las propias preferencias personales (Townshend y Justice, 1981). 2.2.2. Mtodo supervisado El mtodo supervisado parte de un cierto conocimiento de la zona de estudio, adquiridQ,por experiencia previa o por trabajos de campo. Esta mayor familiaridad con el rea de inters permite al intrprete delimitar sobre la imagen unas reas suficientemente representativas de cada una de las categoras que componen la leyenda. Estas reas se denominan, en la bibliografa anglosajona, training fields (reas de entrenamiento). El trmino indica que tales reas sirven para entrenar al programa de clasificacin en el reconocimiento de las distintas categoras. En otras palabras, a partir de
380
FlG. 7.34.
Seleccin de pxeles de entrenamiento por semillado (a) y utilizando polgonos regulares (b).
ellas se caracterizan cada una de las clases, para asignar ms tarde el resto de los pxeles de la imagen a una de esas categoras en funcin de la similitud de sus ND con los extrados como referencia. La mayor parte de los equipos de ADI permiten localizar interactivamente las reas de entrenamiento. Con ayuda del digitizador o ratn electrnico, el usuario introduce sobre la pantalla los vrtices que definen cada una de estas reas, asignndolas a una de las categoras definidas previamente en la leyenda. Tambin pueden seleccionarse los pxeles que formarn parte de un rea de entrenamiento a partir de un mtodo semi-automtico, conocido como semillado (fig. 7.34). En lugar de digitizar un polgono completo, basta que el intrprete localice un pxel central, a partir del que se agregan los pxeles vecinos, en funcin de su proximidad espectral y espacial al introducido como semilla, hasta formar un polgono completo. La ventaja sobre el criterio anterior se basa en la garanta de que los pxeles seleccionados de esta forma tendrn caractersticas espectrales similares al pxel semilla, evitndose as aadir ruido involuntario a la definicin de las clases espectrales. Los parmetros para asignar los pxeles vecinos al de origen dependen de cmo crezca la varianza global de la muestra, sealando el intrprete algn valor lmite, segn el conocimiento que tenga de la heterogeneidad de la categora que est delimitando. Para una localizacin ms precisa de estas reas de entrenamiento pueden ser de gran ayuda los trabajos de campo y otros documentos auxiliares como la fotografa area o la cartografa convencional, teniendo en la mente que debe tratarse de ejemplos suficientemente representativos y homogneos de la clase que pretende definirse.
382
trales presentes en la imagen que no se hayan identificado con ninguna clase de entrenamiento. Un ltimo aspecto a considerar en la seleccin de las reas de entrenamiento se refiere a los requisitos estadsticos que garantizan el grado de representatividad de las distintas categoras. Como antes se coment, este proceso implica una forma peculiar de muestreo espacial. Por ello conviene tener en cuenta algunos criterios habituales en este tipo de tcnicas para elegir el tamao y la distribucin ms idnea de la muestra, as como para realizar estimaciones a partir de ella. En cuanto al tamao, se requiere seleccionar un mnimo de m + 1 pxeles por categora, siendo m el nmero de bandas que integran el anlisis (Schowengerdt, 1997). Conviene, no obstante, superar con creces este lmite mnimo. Diversos autores recomiendan seleccionar un nmero de pxeles comprendido entre 10 m y 100 m por categora (Jensen, 1996; Mather, 1998, sugiere 30 m). Este nmero parece fcilmente accesible con los sensores que habitualmente han servido de entrada en la clasificacin, pero puede ser ms complicado si se parte de equipos hiperespectrales, en donde el nmero de bandas de entrada sea muy numeroso. Esto sugiere, de nuevo, el inters por seleccionar adecuadamente las bandas ms convenientes para la clasificacin. Por otro lado, ese nmero mnimo de pxeles se relaciona estrechamente con el grado de asociacin espacial entre los ND de la imagen. El muestreo convencional considera que las muestras seleccionadas son aleatorias e independientes. Como antes indicamos, esta asuncin no es vlida en nuestro caso, por cuanto una parcela de entrenamiento alberga a pxeles vecinos, afectados por el fenmeno de la auto-correlacin espacial. En pocas palabras, esta asociacin, comprobada en diversos trabajos sobre imgenes de satlite (Congalton, 1988a), supone que la informacin original extrada de un nmero de pxeles contiguos es menor que si fue obtenida a partir de otros dispersos. En suma, resulta ms conveniente elegir varios campos de pequeo tamao que uno solo de mayores dimensiones, ya que tender a infravalorarse la variabilidad de esa categora. Tambin se puede optar por seleccionar pxeles aleatoriamente, dentro de campos de mayor tamao, en lugar de admitirlos todos (Campbell, 1996; Mather, 1998). Otros autores recomiendan seleccionar pxeles aislados de cada categora, en nmero suficiente para estimar adecuadamente la variabilidad espectral de dicha clase (Gong y Howarth, 1990&). Este criterio puede ser recomendable cuando existe suficiente control del terreno. En zonas de difcil acceso resulta poco operativo. Respecto a la distribucin, conviene tener en cuenta las propias caractersticas de la imagen, intentando abarcar las variaciones espaciales que se presentan en cada categora: su orientacin, pendiente, densidad, vigor, contenido de humedad, tipo de suelo, etc. En este sentido, varios autores han subrayado que la variabilidad de una cubierta es directamente proporcional a la resolucin del sensor (Cushnie, 1987). Dicho de otro modo, cuanto mayor sea el detalle espacial registrado en la imagen, mayor ser tambin su sensibilidad para detectar las variaciones internas de una categora, ocultas de otra forma bajo un pxel de mayor tamao. Por cuanto a mayor heterogeneidad, mayor mezcla con clases similaresy, en ltima instancia, mayor riesgo de confusiones en la asignacin posterior, un incremento en la resolucin espacial puede complicar la clasificacin digital. Este hecho, que parece contradecir el sentido comn (mayor resolucin espacial, mayor fiabilidad), fue puesto de manifiesto ya hace algunos aos por diversos autores, que lo denominaron scene noise, ruido de la escena (Markham
383
y Townshend, 1981). El efecto se ha comprobado con ms nitidez en los tipos de cubierta ms heterogneos, como es el caso de las reas urbanas, en donde un pxel de mayor tamao facilita adquirir una seal promedio de distintos componentes, mientras cuanto ms se reduzca el pxel, los efectos de frontera son ms intensos (Toll, 1984). Por el contrario, en categoras agrcolas y forestales, ese efecto es menos ntido, siendo ms convenientes las imgenes de alta resolucin (Hopkins et ai, 1988; Irons y Kennard, 1986). La delimitacin de las reas de entrenamiento sobre la imagen TorrelOO se realiz en nuestro caso a partir del trabajo de campo. Para facilitar el carcter didctico de la exposicin, solamente hemos seleccionado 7 categoras: reas urbanas, pastizales, pinar-encinar (los caducifolios no tienen todava hojas en esta fecha), matorral, lminas de agua, suelos descubiertos y cultivos de secano (los de regado no estn presentes en esta poca del ao). La figura 7.36 recoge la localizacin de los campos de entrenamiento seleccionados; como podr observarse se trata de pequeas superficies, intentando recoger adecuadamente la diversidad de rasgos espectrales en el rea de estudio. 2.2.3. Mtodo no supervisado Este mtodo se dirige a definir las clases espectrales presentes en la imagen. No implica ningn conocimiento del rea de estudio, por lo que la intervencin humana se centra ms en la interpretacin que en la consecucin de los resultados. En esta estrategia se asume que los ND de la imagen forman una serie de agrupaciones o conglomerados (clusters), ms o menos ntidos segn los casos. Estos grupos
FlG. 7.36. Localizacin de los campos de entrenamiento sobre la imagen TorrelOO.
384
equivaldran a pixeles con un comportamiento espectral homogneo y, por tanto, deberan definir clases temticas de inters. Desgraciadamente, como se vio ms arriba, estas categoras espectrales no siempre pueden equipararse a las clases informacionales que el usuario pretende deducir, por lo que resta a ste interpretar el significado temtico de esas categoras espectrales. El mtodo para definir los agrupamientos espectrales es muy similar al empleado en otras tcnicas de clasificacin automtica de datos (Hand, 1981; Johnston, 1978). Se basa en la seleccin de tres parmetros: 1) variables que intervienen en el anlisis; 2) criterio para medir la similitud o distancia entre casos, y 3) criterio para agrupar los casos similares. En nuestro contexto, las variables son las bandas espectrales seleccionadas para la clasificacin, ya sean stas originales o fruto de alguna transformacin. Los casos son los pixeles que componen la imagen, cada uno de ellos definido por tantos ND como bandas intervienen en el anlisis. En este espacio multivariado se trata de encontrar los grupos de pixeles con ND similares, para luego equipararlos con alguna de las clases informacionales de nuestra leyenda. El mtodo para encontrar esos grupos homogneos puede ilustrarse con el caso ms simple, en el que estuviramos trabajando con dos bandas (IRC y R, por ejemplo). En un grfico bivariado apareceran tantos puntos como pixeles, localizados de acuerdo a sus ND en cada banda (fig. 7.37). El grfico evidencia la existencia de agrupaciones de pixeles, con ND similares en las dos bandas, que podran identificar clases temticas de inters. Por ejemplo, los puntos situados en el vrtice inferior izquierdo corresponderan a pixeles con ND bajos en las dos bandas (c), los situados en el superior derecho seran pixeles con altos valores en ambas bandas (b), mientras los correspon-
FlG. 7.37. Esquema de la clasificacin no supervisada.
385
dientes al extremo superior izquierdo implican ND bajos en la banda R y altos en el IRC (a). En estas regiones del espectro podramos identificar estos grupos como pertenecientes a agua, suelos desnudos o vegetacin, respectivamente, aunque en esta fase slo nos interesa conocer que se trata de grupos homogneos y distintos entre s. La delimitacin de cada grupo espectral se inicia sealando dos criterios: uno que mida la similitud entre pxeles, y otro que marque las condiciones del proceso de agrupamiento. En cuanto al primer aspecto, se han propuesto diversos criterios para medir la distancia entre pxeles. El ms utilizado se basa en la distancia euclidiana: [7.29] donde da b, indica la distancia entre dos pxeles cualquiera ay b; NDa, y NDfc los niveles digitales de esos pxeles en la banda i, y m el nmero de bandas. Tambin pueden utilizarse otros criterios para medir la distancia entre pxeles, como sera el caso de la distancia media o la de Mahalanobis (Rebollo y Orti, 1980), si bien la distancia euclidiana resulta la ms habitual en este tipo de aplicaciones. En cuanto al algoritmo de agrupamiento, las opciones tambin son muy numerosas. Uno de los ms extendidos es el denominado ISODATA (Duda y Hart, 1973), gracias a contar con un mecanismo iterativo bastante slido. En esencia, este algoritmo procede a partir de las siguientes fases: 1. Se sealan una serie de centros de clase, de acuerdo al nmero y forma indi cados por el usuario. 2. Se asignan todos los pxeles de la imagen al centro de clase ms prximo, uti lizando el criterio de distancia antes comentado. 3. Se calculan de nuevo los centros de clase, teniendo en cuenta los valores de todos los pxeles que se le hayan incorporado en la fase anterior. 4. Se reordenan los centros de clase en funcin de los parmetros de control in dicados por el usuario (distancia mnima entre grupos, tamao mnimo de un grupo, varianza mxima de un grupo y nmero de grupos). 5. Se vuelven a asignar todos los pxeles de la imagen al centro ms cercano, el cual debido al desplazamiento registrado en (3) no tiene por qu coincidir con la asignacin realizada en (2). 6. Si el nmero de pxeles que han cambiado de categora es inferior al sealado por el usuario se termina el proceso; en caso contrario, se retorna a la fase (3). En cada iteracin el algoritmo se pregunta: se ha alcanzado el nmero mximo de grupos para interrumpir el agrupamiento?, algn grupo tiene un nmero de pxeles inferior al mnimo sealado, en cuyo caso se suprime?, algn grupo est a una distancia inferior a la mnima sealada entre grupos para realizar una fusin?, algn grupo cuenta con una varianza superior a la mxima sealada para que sea dividido? Desde el punto de vista estadstico, este algoritmo parece bastante adecuado para delimitar los grupos de valores homogneos dentro de la imagen (Rebollo y Ort, 1980; Mather, 1998), si bien pueden darse en ocasiones bucles indefinidos, cuando los
386
parmetros de control no estn bien definidos y el algoritmo entra en una cadena de separaciones y fusiones interminable. Otro problema, ms habitual para el usuario, atae a la eleccin de los parmetros de control ms convenientes para la imagen que se interpreta, puesto que habitualmente no conocemos, de partida, el nmero de grupos espectrales presentes en la imagen, ni el valor idneo de dispersin interna o de distancia entre grupos. De esta forma, el anlisis no supervisado se convierte en un proceso exploratorio, en donde el intrprete establece unos valores arbitrarios que se van modificando a la vista de los resultados. Finalmente, el mtodo no supervisado tambin presente como inconveniente el notable volumen de clculo que precisa. Habitualmente, un buen agrupamiento se consigue tras un nmero alto de iteraciones, por lo que este criterio resulta muy lento para clasificar imgenes muy extensas. Parece ms razonable, en consecuencia, extraer una muestra sistemtica de pxeles (1 de cada 4,8 o 16, por ejemplo) para calcular sobre ellos los centros de clase, que luego se clasifiquen con alguno de los criterios de asignacin que veremos en el siguiente epgrafe. En este caso, no se clasifica la imagen completa, pero s pueden identificarse los grupos presentes en ella, objetivo ltimo del mtodo no supervisado. Con este enfoque, si bien algunos autores consideran el mtodo no supervisado como una forma especfica de clasificacin esto es, como una estrategia completa, que abarca tanto la fase de entrenamiento como la asignacin de los pxeles de la imagen a las categoras de la leyenda, a nuestro juicio supone ms bien una forma alternativa de obtener las estadsticas de entrenamiento. En otras palabras, el anlisis no supervisado se orienta no tanto a la clasificacin de la imagen, como a definir precisamente los grupos o categoras que intervendrn en la clasificacin propiamente dicha. En este sentido, el mtodo no supervisado podra considerarse como exploratorio (Mather, 1998), dirigido a deducir las clases espectrales presentes en la imagen. Eso es especialmente importante cuando se adoptan criterios de clasificacin que asumen una distribucin normal de los datos. El anlisis no supervisado podra indicarnos si efectivamente esas clases informacionales tienen un sentido espectral claro o, por el contrario, algunas de ellas presentan una distribucin bimodal o multimodal (o, lo que es lo mismo, se presentan en varias categoras espectrales). Como en el caso del mtodo supervisado, es necesario analizar los pxeles incluidos en cada grupo para obtener sus medidas estadsticas elementales: media, desviacin tpica, mnimo, mximo, etc., que servirn para abordar la fase posterior de clasificacin. En el caso de la imagen TorrelOO, el anlisis no supervisado se realiz sobre las 6 bandas no trmicas del sensor, extrayendo una muestra de 1 de cada 8 lneas y columnas. Se sealaron como parmetros de control los siguientes: 30 iteraciones, entre 12 y 20 grupos, 5 como umbral de tamao mnimo de cada grupo, 2 desviaciones tpicas como dispersin mxima en un grupo para dividirlo, y 1 como distancia mnima entre grupos para que fueran unidos'.>Con este esquema se generaron 17 clases temticas, que fueron comparadas con las estadsticas generadas del proceso supervisado para proceder a la fase de asignacin.
387
2.2.4. Mtodos mixtos Como ya apuntamos, tanto el mtodo supervisado como el no supervisado cuentan con ventajas e inconvenientes (Cihlar etal, 1998; Hoffer y Swain, 1980; Justice y Townshend, 1981). El primero resulta muchas veces subjetivo, pues el usuario establece a priori unas categoras sin valorar las caractersticas espectrales de la imagen. El segundo no garantiza que las clases deducidas tengan significado para el usuario del producto, adems de ser de difcil verificacin. Con objeto de paliar los inconvenientes de ambos mtodos se han propuesto diversas alternativas que los combinan de alguna forma. Estos mtodos mixtos pueden agruparse en dos bloques: 1. Por un lado, se sitan aquellos trabajos que emplean el anlisis supervisado para guiar al no supervisado. En este caso, el conocimiento del intrprete se utiliza para orientar la bsqueda de esos grupos espectrales homogneos. Por ejemplo, puede aplicarse el mtodo no supervisado a reas de la imagen con una cobertura conocida, lo que facilitara la definicin espectral de dicha cubierta (Hoffer y Fleming, 1978; Justice y Townshend, 1981). Otra forma de orientar el anlisis no supervisado consiste en introducir los ND medios de las categoras de inters obtenidas a partir de las reas de entrenamiento como centros iniciales de grupo. Gracias a ello, el proceso iterativo de bsqueda se reduce notablemente, a la vez que se predispone la formacin de grupos con un significado temtico. 2. Por otro lado, el anlisis supervisado y el no supervisado pueden combinarse gracias a aplicarlos separadamente sobre la misma imagen, para luego sintetizar las medidas extradas por ambos. Se asume que las categoras deducidas por los dos mto dos pueden complementarse mutuamente, ganando en significado espectral e informacional las clases resultantes. Algunos autores, por ejemplo, emplean el anlisis no supervisado para estratificar la imagen, quedando el supervisado para las reas no cla sificadas previamente (Bruneau y Gautier, 1981; Nez etal., 1983). Tambin pueden combinarse categoras deducidas por los dos mtodos, empleando un algoritmo de agrupacin jerrquico. Esto permite crear un nuevo conjunto de categoras en donde se' combina la informacin obtenida por ambos mtodos (Chuvieco y Congalton, 1988). En breves palabras, se trata de clasificar conjuntamente las categoras deducidas por el anlisis supervisado y no supervisado sobre la misma imagen. Esta clasificacin con junta permite obtener tres tipos de grupos: unos formados por categoras supervisadas y no supervisadas; otros, slo por categoras supervisadas, y un tercero, slo por cate goras no supervisadas. El primer grupo identifica aquellas clases seleccionadas por el intrprete que cuentan con un significado espectral claro. El segundo corresponde a clases informacionales con escaso significado espectral. stas, al menos a priori, re sultarn de difcil asignacin, ya que no se identifican con agrupaciones naturales de la imagen. Por ltimo, el tercer grupo se refiere a clases espectrales no'asimilables a la le yenda propuesta por el usuario. A partir del anlisis de estos dos ltimos grupos, el in trprete puede refinar el esquema de clasificacin propuesto inicialmente. Otro mtodo hbrido propuesto en los ltimos aos parte de generar una compresin espectro-espacial de las bandas de entrada utilizando la distribucin de frecuen-
388
cias en cada banda y tcnicas de contexto, de cara a generar centros de grupo automticamente. Estos centros sirven de semilla para el primer agrupamiento, que se realiza desde cada pxel de la imagen al centro ms cercano. Los grupos resultantes se combinan utilizando criterios de mnima distancia espacial (adyacencia) y espectral (ngulo del vector que une los centros y diferencia cuadrtica entre sus ND). Una vez obtenidos los grupos deseados, que en su ltima fase se combinan de acuerdo a la supervisin que realiza el intrprete, ste etiqueta el resultado final (Cihlar et al., 1998). 2.2.5. Anlisis de las estadsticas de entrenamiento Independientemente del mtodo empleado en definir la fase de entrenamiento, antes de abordar el proceso de clasificacin propiamente dicho conviene reflexionar sobre la separabilidad real de las categoras seleccionadas. En otras palabras, es preciso evaluar la viabilidad de que esas categoras puedan clasificarse sin grave riesgo de error. Si se comprueba que dos o ms son muy similares, sera muy probable que haya confusin entre ellas, por lo que resultara aconsejable: 1) confirmar que las estadsticas de entrenamiento han sido correctamente deducidas; 2) adoptar una leyenda ms general, con nuevas categoras que supongan una mezcla de las que ofrecen mayor riesgo de confusin; 3) recabar informacin auxiliar o imgenes de otras fechas. Existen varios mtodos tanto grficos como numricos para evaluar las estadsticas de entrenamiento. Entre los grficos, el ms elemental es un diagrama de signaturas, donde figuran, en abscisas, las bandas que intervienen en el anlisis, mientras en ordenadas los ND medios de cada categora. Conviene no confundir este grfico con las curvas espectrales presentadas en el captulo 2. Por un lado, aqu no se incluyen valores de reflectividad, sino ND, salvo que se haya hecho una previa conversin de ND originales a reflectividad, como vimos en el anterior captulo. Por otro, la seal recogida por el sensor corresponde a la anchura completa de la banda, y no slo a su centro. Con estas salvedades, este grfico resulta muy til para proporcionar una primera valoracin de las tendencias espectrales de cada categora. Identifica, adems, aquellas bandas en las que manifiesta un comportamiento peculiar respecto a clases vecinas. Las lneas paralelas y prximas indican un probable solape entre categoras, mientras las intersecciones entre lneas manifiestan las bandas donde es ms probable separar a las categoras que representan. En el caso de la imagen de Torrelaguna, la tabla 7.6 recoge las medidas estadsticas elementales de las reas de entrenamiento previamente seleccionadas. En este caso
TABLA 7.6.
Urbano Banda ETM X DT
Media (x) y desviacin tpica (DT) de las categoras seleccionadas (ND = reflectividad 100)
Pastizal X DT Matorral X DT Pinar-encinar X DT Suelo X DT Cultivo X DT Agua X DT
1 2 3 4 5 7
10,45 11,12 15,65 19,33 21,88 17,04
2,20 1,93 2,66 2,54 2,59 2,70
5,57 7,51 9,44 28,80 26,50 15,54
0,77 0,68 1,12 3,85 1,26 1,54
5,31 6,29 9,52 16,80 22,62 15,18
1,95 1,35 2,32 3,94 4,02 6,67 4,73 2,49 3,32 17,53 9,39 5,42
0,61 13,16 0,79 0,83 3,86 1,75 0,94 15,74 22,76 25,71 34,34 26,76
5,03 4,49 5,66 7,64 4.77 8,71 8,15 5,39 5,84 30,84 14,87 7,75
0,83 2,82 0,41 1,08 1,28 3.28 2,11 1,15 3,21 3,29 1.60 2,95 2,65 0,2 0,3 0,1 0,1 0,2 7
389
TABLA 7.7.
Banda ETM Urbano
Coeficiente de variacin de las categoras seleccionadas

Pastizal Matorral Pinar-Encinar Suelo Cultivo Agua
1 2 3 4 5 7
21,02 17,37 16,98 13,14 11,81 15,85
13,83 9,07 11,86 13,37 AJ 9,88
36,70 36,86 41,37 23,92 29,50 31,13
45,05 31,83 25,86 22,01 18,64 17,26
38,24 35,97 33,58 18,55 25,37 30,47
18,44 19,98 21,88 10,63 14,17 14,84
14,67 8,99 11,51 11,54 6,11 10,14
trabajaremos con las imgenes ya corregidas a reflectividad (utilizando el mtodo de Chvez: cap. 6, apdo. 6.2.3.2), por lo que los valores s son comparables a los que obtendramos a partir de bibliotecas espectrales o espectro-radimetros. En esta tabla, el valor medio nos informa de la tendencia espectral de esa cubierta, mientras la desviacin tpica refiere al grado de homogeneidad que aparece en torno a ese valor central. Hemos incluido tambin el coeficiente de variacin (definido como la importancia de la desviacin tpica en relacin a la media de cada categora), puesto que nos permite entender mejor la variabilidad relativa de las distintas cubiertas (tabla 7.7). Siendo consciente de la gran heterogeneidad de las categoras urbanas, procuramos seleccionar nicamente reas de cobertura construida homognea, con objeto de evitar una sobre-dimensin de esta categora. Gracias a eso, los valores de desviacin tpica de las reas urbanas son bastante bajos. Entre las categoras de vegetacin destacan los altos valores de la mezcla pinar-encinar, lo que nos indica que se trata de una categora mixta que puede presentar problemas para su posterior discriminacin. Los suelos tambin ofrecen ND bastante heterogneos, en este caso por la diversidad decondiciones litolgicas en el rea de estudio. El agua, como parece lgico, ofrece los valores ms homogneos, pese a haber seleccionado muestras en varios embalses. A partir de estos parmetros puede construirse el grfico de signaturas (fig. 7.38), tal y como se describi ms arriba. Se aprecia ya una primera valoracin de los rasgos
Urbano - Pastizal Matorral Pinar-encinar Suelo Cultivo - Agua
FIG. 7.38.
Grfico de signaturas espectrales para las categoras seleccionadas.
390
espectrales de cada tipo de cobertura. El agua ofrece el comportamiento ms peculiar, con valores inferiores segn se avanza hacia el SWIR. Los cultivos tambin ofrecen una clara diversidad, al ser grande su contraste entre las bandas 4 y 3-5. Similar patrn ofrecen los pinares-encinares, aunque los valores de reflectividad son ms bajos. Los suelos descubiertos presentan el ND ms alto en todas las bandas, salvo la IRC, siendo ms prominente en la 5, mientras las superficies urbanas presentan un comportamiento similar, aunque con menor reflectividad en todas las bandas. Los pastizales ofrecen un comportamiento similar a los cultivos en esta poca del ao, si bien con valores ms altos en las bandas cortas. Desgraciadamente, la realidad es ms compleja de lo que ofrece este grfico, puesto que aqu slo se refleja la tendencia media, sin considerar la variacin propia de cada categora, principal responsable de las confusiones con otras clases vecinas. Una idea ms clara de estos problemas puede obtenerse a partir de un grfico de solape espectral. Se trata de un diagrama de barras que recoge, en cada banda y para cada categora, el rango digital cubierto por la media una o dos desviaciones tpicas. En el caso de la figura 7.39 hemos recogido los solapes entre tres bandas bastante contrastadas (1, 4 y 5). Observamos cmo ciertas cubiertas muestran rangos similares en algunas bandas (p. ej., el agua y las cubiertas vegetales en la banda 1), pero se separan ntidamente en otras (en la 4, especialmente), mientras otras manifiestan una mayor similitud en todas ellas (urbano-matorral). El suelo descubierto tiende a presentar los valores mas altos, lo que permite separarlo bien en la mayor parte de las bandas, aunque hay pequeas confusiones en todas ellas, debido a su alta variabilidad. Otra forma de representar los solapes entre categoras consiste en realizar un histograma de frecuencias de los ND que la componen. Por cuanto aqu slo se cuenta con una muestra (los pxeles de las reas de entrenamiento) y no con el total de esos ND, una alternativa para representar esta distribucin de frecuencias parte de asumir que los ND en el seno de cada categora se distribuyen normalmente. Esto permite estimar su distribucin, a partir de conocer su media y desviacin tpica. De esta forma se construye la figura 7.40, que ofrece otra visin de los problemas de superposicin entre clases, dibujando la elipse de la distribucin normal para todas las clases que estamos considerando. La extensin de la elipse se ha fijado a 2 desviaciones tpicas de la media. Este grfico permite observar con mayor nitidez los posibles solapes entre categoras, y el gran efecto que tiene trabajar con categoras muy dispersas, ya que tendern a invadir el rango espectral de otras. Eso es lo que ocurre con el suelo (la elipse mayor) que prcticamente ocupa todo el espacio de variacin de la clase urbano, y, en menor medida, el correspondiente al matorral. En el extremo opuesto estara el agua, que no muestra confusin con ninguna categora. Junto a los procedimientos grficos existen algunos criterios cuantitativos que permiten evaluar numricamente la posibilidad de discriminar las distintas categoras. El ms sencillo consiste en calcular la distancia normalizada entre dos categoras (dnAB) (Swain y Davis, 1978):
[7.30]
391
20
FlG. 7.39.
Diagrama de solape espectral entre cubiertas.
calculada como la diferencia absoluta entre las medias de dos categoras (A y B), en proporcin a la suma de sus desviaciones tpicas. Este clculo se aplica a cada par de bandas que intervienen en la clasificacin, promedindose su valor para obtener una matriz de separabilidad. Un poco ms compleja, y tambin ms verstil es la divergencia estadstica (Swain y Davis, 1978; Thomasea/., 1987a). Parte de asumir que los ND en una cate-
392
Suelo
Matorral
Pinar-encinar
Banda 3
FIG. 7.40.
Elipses de dispersin espectral de las categoras seleccionadas para las bandas 3 y 4.
gora se distribuyen normalmente, considerando la separabilidad como medida del solape entre categoras vecinas. Por cuanto se trata de calcular ese valor para un espacio multivariado (tantas variables como bandas intervienen en el proceso), se considera el vector de medias y la matriz de varianza-covarianza entre pares de categoras. La frmula de clculo se sintetiza de la forma siguiente: [7.31] donde DivAB indica la medida de la divergencia entre las categoras A y B;Tr se refiere a la traza o suma de los elementos de la diagonal de la matriz indicada [ ]; VA y VB son las matrices de varianza-covarianza de las categoras A y B; MA y MB son los vectores de medias correspondientes a las mismas categoras y bandas, y T indica la matriz traspuesta de la indicada entre parntesis. Cuanto mayor sea el valor de la divergencia, mayor tambin la separabilidad entre clases, basada, lgicamente, sobre las bandas que se han considerado en su clculo.
B B
393
El problema fundamental de esta medida es que no se satura. Si se pretende relacionar la divergencia con la exactitud de la posterior clasificacin, esto implica que la exactitud aumentara constantemente al aumentar el nmero de bandas utilizadas para clasificar, lo cual no es muy realista. Por esta razn se recomienda acotar este valor en unos mrgenes conocidos, definindose la divergencia transformada como (Kumar y Silva, 1977):
DTAB = c(l- exp(-D/vAi/8))
[7.32]
donde c indica el valor mximo de la divergencia, sealndose habitualmente un valor de 2.000, aunque algunos autores recomiendan utilizar un valor de 100 (Mather, 1998), para que los resultados puedan interpretarse como porcentajes. La divergencia tambin se ha empleado como medida para seleccionar el conjunto de bandas que proporciona la mejor separacin entre clases. En este sentido se calcula un valor promedio de divergencia, de acuerdo a Richards y Xia (1999): d= 2M.m 2/-i.- Mw,Xw.)L>v,,,. [7.33]
donde p{w) y p(w) indican las probabilidades a priori de las clases i y y, m el nmero de clases, y Divi:J es el valor de la divergencia entre esas clases. La divergencia promedio se calcula para cualquier combinacin de m bandas, siendo la combinacin ideal la que maximiza el valor global de separacin entre clases (Jensen, 1996, pp. 220-224). Adems de la divergencia, se han propuesto otras medidas de separabilidad, como la distancia de Bhattacharyya o de Mahalanobis (Thomas et al, 1987>).
La tabla 7.8 incluye el clculo de la divergencia transformada (en este caso, escalada de 0 a 2) para las clases seleccionadas en nuestro ejemplo. Esta tabla nos permite confirmar las valoraciones previamente efectuadas sobre posibles confusiones entre clases. La clase ms ntida es el agua, fcilmente separable del resto de las cubiertas, por su peculiar comportamiento espectral. Los suelos descubiertos ofrecen una notable confusin con la clase urbana, como ya comentamos en los grficos de dispersin. Tambin se observan problemas entre las clases matorral-urbano y pinar-encinar corr cultivos. Como antes indicamos, la divergencia tambin puede utilizarse para indicar la combinacin idnea de bandas para la clasificacin. En nuestro caso se calcul para todas las combinaciones de una, dos, tres y cuatro bandas, utilizando como bandas
TABLA 7.8. Divergencia transformada entre las categoras de la imagen TorrelOO Urbano 2.000 1.998 2.000 2.000 1.942 2.000 Pastizal 1.999 2.000 2.000 2.000 2.000 Matorral 2.000 2.000 1.999 2.000 Pinar-encinar Agua Suelo
Pastizal Matorral Pinar-encinar Agua Suelo Cultivo
2.000 2.000 1.993
2.000 2.000
2.000
394
de entrada las corregidas de reflectividad por el mtodo de Chvez, como estamos haciendo en este epgrafe. La primera banda seleccionada por este mtodo es la ETM-5 (SWIR), que ofrece la mayor divergencia promedio a las categoras que hemos seleccionado. Las dos bandas ms discriminantes seran la 5 y la 3 (R, SWIR); mientras se seleccionan la 2,4 y 5 (R, IRC y SWIR) para el caso de tres bandas. ste sera el espacio ideal de separacin considerando las caractersticas espectrales del sensor ETM+ . Como principal conclusin de este epgrafe, parece deducirse que el anlisis de las estadsticas de entrenamiento resulta muy conveniente para reflexionar sobre la conveniencia de la leyenda empleada, del tipo de informacin disponible, o del mtodo emprendido para conseguir los resultados deseados. Salvado este anlisis, puede iniciarse la fase de clasificacin propiamente dicha, en la que no deben producirse resultados muy distintos a los deducidos a partir de este previo estudio. 2.3. FASE DE ASIGNACIN En esta fase se trata de adscribir cada uno de los pxeles de la imagen a una de las clases previamente seleccionadas. Esta asignacin se realiza en funcin de los ND de cada pxel, para cada una de las bandas que intervienen en el proceso. Fruto de esta fase ser una nueva imagen, cuyos ND expresen la categora temtica a la que se ha adscrito cada uno de los pxeles de la imagen original. En este captulo se tratan los criterios ms empleados para realizar este proceso, en el contexto de las aplicaciones de la teledeteccin. Desde un punto de vista estadstico, todos ellos definen un rea de dominio, en torno al centro de cada categora a discriminar, mediante un conjunto de funciones discriminantes. Estas ecuaciones pueden considerarse, por tanto, como las fronteras que definen cada categora. El pxel ser asignado a una clase i, si sus ND se encuentran dentro del rea de dominio sealado para dicha clase. Los criterios ms comunes para establecer estas fronteras estadsticas entre clases son: 1) mnima distancia, por el cual el pxel se asigna a la clase ms cercana; 2) paraleleppedos, que permite sealar al usuario unos umbrales de dispersin asociados a cada clase, y 3) mxima probabilidad, en donde el pxel se asigna a aquella clase con la que posee mayor probabilidad de pertenencia. Frecuentemente se suelen agrupar en mtodos no paramtricos, los dos primeros, y paramtricos, el ltimo, en razn de si asumen o no que los ND en cada categora se distribuyen normalmente. A continuacin se describen, con ms detalle, cada uno de estos criterios. 2.3.1. Clasificador de mnima distancia El criterio ms sencillo para asignar un pxel a una de las categoras consiste en incluirlo en la ms cercana; esto es, en aquella que minimice la distancia entre ese pxel y el centroide de clase. Lgicamente, no se trata de una distancia geogrfica, sino espectral, consecuencia de comparar los ND de cada pxel con los del centro de las distintas categoras, para todas las bandas que intervienen en el anlisis (fig. 7.41).
395
IRC
FIG. 7.41.
Algoritmo de mnima distancia.
Pueden considerarse varias formas de medir esa distancia espectral entre pxeles y clases. La ms empleada, en este sentido, es la distancia euclidiana:
[7.34]
donde dx A es la medida de la distancia entre el pxel x y la categora A; NDX, el valor correspondiente al pxel a clasificar en la banda i, y NDA , el valor medio de esa categora en la misma banda. Tras calcular esta medida para todas las categoras, puede obtenerse el valor dx A ms pequeo, asignando el pxel x a esa categora. Como se trata de realizar comparaciones entre distancias, la frmula anterior puede simplificarse eliminando la raz cuadrada, ya que si un pxel es ms cercano a una categora por la distancia lineal (hipotenusa de sus valores espectrales), tambin lo ser por la suma de sus catetos. Este algoritmo es bastante sencillo y rpido de ejecutar, y puede ofrecer buenos resultados cuando no se observe un gran solape entre categoras. Puesto que siempre existe una clase ms cercana, no deja lugar a pxeles sin clasificar, incluso aunque stos se alejen notablemente del centro de clase. Esto puede provocar errores de comisin importantes, sobre todo cuando no se incluya en la leyenda alguna categora claramente presente en la imagen. La distancia que calcula este algoritmo es lineal; adems, no considera la dispersin de cada categora o la correlacin que exista entre las bandas. Tiende, por tanto, a delimitar grupos circulares de radio proporcional a la situacin de cada categora. Algunos autores han propuesto modificaciones en el clculo de la distancia, de tal forma que se considere la varianza de las clases (Lo et al., 1986; Schowengerdt, 1983). De una u otra forma, el mtodo de mnima distancia se ha empleado con frecuencia en
396
aplicaciones temticas, especialmente cuando el rea de estudio no presentaba una gran complejidad. Una excepcin interesante a esta idea general es su aplicacin exitosa a la cartografa de paisajes gallegos (Lpez Vizoso, 1987). 2.3.2. Clasificador de paraleleppedos En este mtodo, el usuario fija un rea de dominio para cada categora, teniendo en cuenta sus valores de centralidad y dispersin. Posteriormente, un pxel es asignado a dicha clase si sus ND estn dentro de ese rea de dominio, en todas las bandas consideradas (fig. 7.42). Esquemticamente, el pxel x ser asignado a la clase A si sus ND en las distintas bandas (NDX k) estn incluidos en el rea de dominio de esa clase: NDAl.-/?Ai<NDJ,i 2
[7.35]
para todo i, variando de 1 hasta el nmero de bandas. RA , indica el rango de dispersin sealado para la categora A en cada banda i. En suma, un pxel es asignado a una determinada clase si sus ND se encuentran a menos de una determinada distancia del centro de esa clase. Esa distancia se fija por el intrprete, aunque suele identificarse con la desviacin tpica, o con un mltiplo suyo. Tambin pueden emplearse otros criterios como la desviacin media, desviacin intercuartlica o rango de la categora. En cualquier caso, conviene considerar que cuanto mayor sea ese umbral, mayor tambin el nmero de pxeles incluidos en esa clase, pero tambin ms grande el riesgo de confusiones con categoras vecinas. De igual forma, un valor pequeo garantiza mayor fiabilidad en las asignaciones, pero supone un mayor nmero de pxeles sin clasificar.
FIG. 7.42.
Clasificador de paraleleppedos.
ANLISIS DE IMGENES: EXTRACCIN TJBTOPORM ACIN TEMTICA
Este criterio de asignacin tiende a delinear unos polgonos multidimensionales de lados paralelos, de ah su nombre, en torno al centro de cada categora. Es un algoritmo bastante rpido de ejecutar, puesto que slo requiere operaciones lgicas sencillas (del tipo IF... THEN...). Por esta rapidez, se ha utilizado con frecuencia como primer acercamiento a la variabilidad de las distintas categoras (Miller y Williams, 1978). Asimismo, se ha utilizado para lograr una primera estratificacin de la imagen, aislando las categoras ms singulares, para aplicar posteriormente otro criterio de asignacin sobre los pxeles ms problemticos (Nez et al., 1983). Los principales problemas de este mtodo parten de su misma concepcin. El diseo de reas de dominio puede implicar, por un lado, que haya pxeles en zonas comunes a dos o ms categoras, y, por otro, que algunos pxeles queden sin clasificar (fig. 7.42). Respecto al primer problema, el solape entre paraleleppedos supone que un pxel pueda asignarse a dos categoras. Si el programa no cuenta con otro criterio, lo incluir en la primera que cumpla los requisitos marcados en [7.35]. En consecuencia, algo tan intrascendente como el orden en el que se produce la asignacin tiene una importante repercusin sobre los resultados. Algunos autores han propuesto modificar el criterio de asignacin para estas reas en conflicto, bien introduciendo la regla de mnima distancia (Cosentino et al, 1981; Mather, 1998), bien ajustando interactivamente las fronteras entre clases (Lillesand y Kiefer, 2000), bien creando clases mixtas. Respecto a los pxeles sin clasificar, la solucin pasa por ampliar paulatinamente el rango de dispersin, estableciendo un equilibrio entre los pxeles no clasificados y los solapes entre clases vecinas. Tambin conviene, en estos casos, repasar la definicin espectral de las categoras, puesto que la presencia de pxeles sin asignacin es indicio de clases espectrales mal definidas o no incluidas en la leyenda de trabajo. 2.3.3. Clasificador de mxima probabilidad Este mtodo considera que los ND en el seno de cada clase se ajustan a una distribucin normal. Esto nos permite describir esa categora por una funcin de probabilidad, a partir de su vector de medias y matriz de varianza-covarianza. En pocas palabras, esa funcin asemeja la distribucin real de los ND en esa categora, por lo que nos sirve para calcular la probabilidad de que un pxel (con un determinado ND) sea miembro de ella. El clculo se realiza para todas las categoras que intervienen en la clasificacin, asignando el pxel a aquella que maximice la funcin de probabilidad. El clasificador de mxima probabilidad es el ms complejo y el que demanda mayor volumen de clculo. Sin embargo, es el ms empleado en teledeteccin, por su robustez y por ajustarse con ms rigor a la disposicin original de los datos. Para comprender mejor su funcionamiento basta poner un sencillo ejemplo ideado por Swain y Davis (1978). Supongamos que se cuenta con dos pares de dados, uno normal (caras numeradas de 1 a 6) y otro con un par de puntos adicionales en cada cara (numerados de 3 a 8). Conociendo el valor de una tirada, el problema sera estimar de cul de los dos pares de dados procede. Un criterio razonable de asignacin sera calcular la probabilidad de que esa tirada se haya realizado con los dados normales o con los modificados, asignando la tirada desconocida al par de dados ms probable. Por ejemplo, si obtenemos un tirada de 7, la probabilidad de haber tirado con los dados
398
10
11
12
13
14
15
16
Puntuacin
Normal Aumentado 9 10 11 14 15 16 Puntuacin 12 13
b)
0,36 0,32 0,28 0,24
f 0,20
9
f 0,16
0,12
0,08 0,04 0
FIG. 7.43.
Fundamentos del algoritmo de mxima probabilidad.
normales es 6/36 (6 casos favorables, frente a los 36 posibles).6 Para los dados aumentados, la probabilidad es menor, 2/36,7 por lo que la tirada se asigna al par de dados normal. El mismo criterio podra seguirse para decidir la asignacin de cualquier otra puntuacin. Basta construir las funciones de probabilidad asociadas con cada par de dados. Para el par normal tendramos una distribucin centrada en el valor 7 (mxima probabilidad), con un mnimo de 2 y un mximo de 12. Para el par modificado, el valor ms probable se encontrara en 11, situndose la curva entre 6 y 16 (fig. 7.43a). A partir de esta grfica se observa que la probabilidad de haber usado los dados normales es mayor que la de haber usado los aumentados si obtenemos una tirada inferior a 8, es
6. Podra haberse obtenido un 7 por las siguientes combinaciones de los dos dados: 1 y 6,6 y 1,2 y 5, 5 y 2, 3 y 4, y 4 y 3. 7. Slo puede obtenerse un 7, en este caso, por combinacin de 3 y 4 o 4 y 3.
399
menor si la tirada super 10 y es idntica si la tirada fue 9. En definitiva, la frontera para asignar la tirada a un par de dados u otro se establece en la interseccin entre sus respectivas funciones de probabilidad. Esto no significa, obviamente, que no pueda producirse una tirada mayor a 9 con el par de dados normal, ni inferior a 9 con el aumentado. En otras palabras, la regla no es completamente certera, pero s bastante razonable. Slo es plenamente fiable para valores superiores a 12 o inferiores a 6, puesto que ah no existe solape entre categoras. En suma, si existe conflicto natural entre clases, no es posible separarlas con total fiabilidad. Los errores sern tanto mayores cuanto mayor sea el solape entre las funciones de probabilidad. Extendiendo el ejemplo propuesto por Swain y Davis, supongamos que al par de dados normal le modificamos alguna cara, para que las puntuaciones vayan de dos a cinco, en lugar del 1 y el 6, repitiendo las puntuaciones 3 y 4. Esto no implicara modificar el valor central de la distribucin, que seguira siendo 7. Sin embargo, s cambia la anchura de la curva, las puntuaciones estn ms cercanas a la media, hay mayor homogeneidad. Eso conlleva que las asignaciones que se hagan a partir de la distribucin de probabilidad sern ms seguras. El punto de corte sigue estando en 9, pero a partir de ese valor la probabilidad de encontrar puntuaciones superiores con el par de dados normal se reduce drsticamente (fig. 7.43). Esto implica que a mayor homogeneidad, o si se prefiere menor varianza, la discriminacin de categoras resulta ms certera. El ejemplo puede aplicarse fcilmente al contexto de la clasificacin digital. El par de dados a estimar puede sustituirse por las distintas categoras que quieren discriminarse, y las tiradas por los ND de los pxeles a clasificar. En el caso de los dados, podemos calcular a priori la probabilidad de pertenencia asociada con cada tirada, pues conocemos la distribucin de todas las posibles tiradas. Para el caso de la clasificacin de categoras temticas es preciso estimar esa distribucin de probabilidad para cada categora, a partir de las medidas realizadas sobre las reas de entrenamiento. Con este fin se considera que los ND en el seno de cada clase se distribuyen normalmente, por lo que basta conocer la media y la desviacin tpica de cada categora para calcular la probabilidad asociada con un determinado ND. En el caso de trabajar con una sola banda podramos calcular esa probabilidad de acuerdo a:
Esto es, la probabilidad de que un pxel x, definido por un determinado ND^, pertenezca a la clase A, puede calcularse a partir de la media (ND) y la varianza (o^) de esa clase. Una vez determinada la probabilidad de pertenencia al resto de las categoras que intervienen en la clasificacin, ese pxel ser asignado a la clase A, slo si: p(x/A)>p(x/B) [7.37]
para todo A & B, variando B desde 1 hasta c, siendo c el nmero de categoras. Con el propsito de agilizar el clculo, habitualmente se transforma la frmula anterior en una funcin lineal, mediante el empleo de logaritmos (Schowengerdt, 1983):
400
= -0,5ln(2jt)-0,5lno-{NDx-NDA)2/2o}
[7.38]
La expresin puede simplificarse an ms si eliminamos el primer trmino (0,5 ln (2JT)), por cuanto nos interesa slo un clculo de la probabilidad relativo a las distintas clases, y ese valor es una constante para todas ellas. Por la misma razn, no resulta necesario reconvertir a antilogaritmos el valor calculado, ya que si el logaritmo de la probabilidad es mayor en una categora que en otra, tambin lo ser su antilogaritmo. Por ltimo, el segundo trmino (0,5 ln al) puede calcularse inicialmente para cada categora, quedando as reducido el clculo, para cada pxel, a la ltima expresin. Volviendo al ejemplo anterior, podra tambin ocurrir que contramos con dos pares de dados normales y slo con uno aumentado. En este caso, no slo tendremos que considerar el valor de la tirada para identificarla como perteneciente a uno u otro tipo de dados, sino tambin la probabilidad apriori de que aparezca una tirada de cada par de dados, en funcin de su nmero. En muchas aplicaciones de la teledeteccin tambin se produce este fenmeno. Algunas de las categoras cuentan con mayor extensin superficial, y, por tanto, presentan mayor probabilidad de albergar pxeles desconocidos. Al considerar la probabilidad a priori de cada categora p(A) se introduce un nuevo factor en el criterio de decisin arriba enunciado [7.37]. De esta forma, un pxel pertenece a la clase A si: p(x/A)p(A)>p(x/B)p(B) [7.39]
para todo A ^ B, dondep(x/A) indica la probabilidad de que un pxel x con un ND determinado pertenezca a la clase A, y p (A) la probabilidad a priori de que un pxel cualquiera se incluya en esa clase. La figura 7.44 expresa grficamente el efecto de introducir esta opcin. El punto de corte entre las distribuciones de probabilidad se desplaza hacia un lado u otro del original, en funcin del valor de la probabilidad a priori. Recurdese que la interseccin entre curvas marca la frontera en el rea asignada a cada categora, por lo que este factor puede modificar significativamente los resultados. Con ser de gran inters, el empleo de este parmetro resulta bastante complejo, especialmente para establecer un criterio riguroso que permita estimar los valores de probabilidad apriori para cada clase. Un posible criterio sera conceder a cada categora una probabilidad equivalente a la superficie que ocupa en la zona de estudio. Esto requiere, naturalmente, contar con un inventario previo, que raras veces est disponible. Indirectamente, sin embargo, puede calcularse la importancia superficial de cada clase mediante trabajos de campo, datos auxiliares o empleando los resultados de una clasificacin previa. Por ltimo, tambin puede optarse por obviar este criterio, simplemente otorgando la misma probabilidad a priori a todas las categoras. El inters de ponderar la probabilidad de cada clase se ha puesto en evidencia por distintos autores (Strahler, 1980). En aquellas ocasiones en las que se cuenta con un criterio slido para estimar esas probabilidades se ha comprobado que mejoran la asignacin significativamente (Mergerson, 1981; Valerio y Ledesma, 1981). Hasta el momento hemos analizado el criterio de mxima probabilidad para el caso de una sola banda. Lo habitual ser, no obstante, que se empleen varias bandas
401
(Kx/A) > p{xlB)
FIG. 7.44.
Efecto de considerar la probabilidad a priori. En lnea discontinua las nuevas funciones de probabilidad y la interseccin entre las dos categoras.
para la clasificacin, por lo que resulta preciso extender a varias dimensiones lo hasta aqu comentado. Para el caso de dos bandas, los lmites de las categoras tienen una forma elipsoidal (fig. 7.45). Cada una de estas elipses define un determinado nivel de probabilidad asociado a una categora. Cuanto mayores sean las zonas de solape entre ellas, tanto mayor el riesgo de confusin mutua. Con ms de dos dimensiones no es posible representar grficamente este criterio de clasificacin. Basta extender la frmula de la probabilidad normal arriba apuntada:
I -0.5
exp{-0,5 {MX-MA)TVA] (MX-MA)}
[7.40]
donde m indica el nmero de bandas, \VA I la determinante de la matriz de varian-zacovarianza para la clase A; Mx el vector de ND asociado con el pxel x; MA, el vector de ND medios de la categora A, y los superndices 7 y -1, la traspuesta y la inversa de las matrices a las que afectan, respectivamente. Esta frmula tambin puede simplificarse mediante el uso de logaritmos (Schowengerdt, 1983): \np(xlA) = (-0,5 ln VA)-(0,5 (MX-MA)TVAl (MX-MA) [7.41]
una vez suprimidos los trminos constantes de la frmula anterior. Pese a estas simplificaciones, este mtodo de asignacin exige un gran volumen
402
FlG. 7.45.
Extensin a dos bandas del algoritmo de mxima probabilidad.
de operaciones. Con el fin de reducir el tiempo invertido en el proceso, algunos autores han propuesto mtodos alternativos para el clculo de la probabilidad. Las tablas de probabilidad, similares a las CLUT vistas anteriormente (cap. 6.5), parecen ser la solucin ms ventajosa a este respecto (Mather, 1998, pp. 304-307). Gracias a la mayor potencia de clculo que facilitan los ordenadores ahora disponibles, este tipo de clasificacin ya no implica una inversin de tiempo considerable. Una vez que se culmine la asignacin de los pxeles de la imagen es posible establecer unos umbrales de probabilidad para cada categora, de tal forma que se rechacen aquellos pxeles con una probabilidad de pertenencia muy baja (fig. 7.46). Este proceso, posterior a la clasificacin propiamente dicha, pretende evitar aquellos pxeles con un grado de asociacin muy bajo, reduciendo as los errores de comisin debidos a una mala definicin espectral de algunas categoras. Esto llevar consigo la aparicin de pxeles no clasificados. Si su nmero es considerable, convendr retornar a la fase de entrenamiento, con objeto de deducir nuevas categoras o perfeccionar la definicin de las ya existentes. En la figura 7.47 se incluye un ejemplo de la aplicacin de este criterio, en este caso a la imagen Barrax99. Se ha utilizado un criterio bastante exigente de probabilidad a posteriori, que elimina la asignacin a los pxeles con menos del 95 % de probabilidad de pertenencia. A consecuencia, la mayor parte de la imagen aparece como no clasificada, pero las zonas s asignadas identifican las ms similares a las caractersticas de las reas que se utilizaron para el entrenamiento. El criterio de mxima probabilidad asume que las categoras presentan una distribucin normal, requisito que ha sido comprobado en numerosos estudios. No obstan-
403
FIG. 7.46.
Efecto de considerar la probabilidad a posteriori.
te, aun en el caso de que las bandas de entrada no cumplan este criterio, algunos autores han mostrado que los resultados siguen siendo bastante consistentes (Swain y Davis, 1978). Para la imagen TorrelOO, la aplicacin del criterio de mxima probabilidad permiti generar una clasificacin bastante atinada (fig. 16*). Las principales confusiones se observaron entre las categoras urbanas y los suelos descubiertos, si bien las primeras se discriminan razonablemente bien, tanto en los cascos de los municipios, como en sus reas residenciales. Los matorrales y encinares tienen una clara yuxtaposicin, mientras la categora pinar-encinar en realidad slo se refiere a los pinares de
Alfalfa Trigo Legumbres Suelo

Agua IZH Rechazado
FIG. 7.47.
Clasificacin de cultivos en la imagen Barrax99: original y despus de rechazar los pxeles < 95 % de probabilidad.
404
P. sylvestris situados en las zonas de mayor relieve. Los cultivos se cien exclusivamente al valle del Jarama, en el borde oriental de la imagen, mientras los pastizales ocupan la mayor parte de los fondos de valle en los municipios de Soto del Real, Miraflores y Guadalix. Por su parte, los matorrales-encinares se localizan en las laderas del cerro de San Pedro, en el centro de la imagen y en el piso inferior de la sierra, al norte y oeste de la zona de estudio. En este ltimo sector se confunden en ocasiones con caducifolios que an no han echado la hoja. Comparando estos resultados con los generados de la clasificacin no supervisada, a partir del algoritmo ISODATA (con 18 clases finales, de un mximo de 20 previamente fijado) se pudo observar que se separaban mejor algunas clases informacionales, como las correspondientes a pinar y encinar, bastante solapadas en la clasificacin de mxima probabilidad, mientras el matorral se ci mejor a las reas que realmente ocupaba. La categora urbana, por el contrario, apareci un poco ms difuminada en la clasificacin no supervisada, confundida con suelos en el caso de los ncleos ms densos. No todas las reas residenciales-ajardinadas aparecan, pero s una buena parte de ellas. Tambin se realiz una buena discriminacin de los suelos descubiertos y del agua. 2.3.4. Clasificadores en rbol Si bien el clasificador de mxima probabilidad es el ms ampliamente utilizado en clasificacin digital de imgenes, sus limitaciones en cuanto al clculo y la exigencia de contar con distribuciones normales hacen que se hayan buscado criterios alternativos, menos sensibles a esos requisitos. Uno de los mtodos ms sencillos, pero tambin ms eficientes de clasificacin alternativa es el denominado clasificador en rbol (decisin tree classifier). La idea de fondo consiste en discriminar secuencialmente cada una de las categoras, basndose, bien en valores espectrales de la imagen, bien en variables texturales, temporales o en informacin auxiliar (suelos, MDE, etc.). Para cada clase se establecen unas reglas dicotmicas de interpretacin, que permiten concentrar la discriminacin de cada clase a partir de las variables en que mejor se discrimina, en lugar de utilizar todas indistintamente. Por ejemplo, puede reconocerse las lminas de agua por un ND inferior a un cierto umbral en la banda IRC, o la vegetacin por una combinacin de cierto umbral en el visible e infrarrojo cercano. En su origen, estos criterios estaban basados exclusivamente sobre los datos espectrales de la imagen, pero en los ltimos aos se ha promovido el empleo de este tipo de criterios de decisin considerando igualmente variables auxiliares, como mapas de suelos o modelos digitales de elevacin (Friedl y Brodley, 1997; Hansen et ai, 1996). Bajo ese punto de vista, el clasificador en rbol puede considerarse como un sencillo ejemplo de sistema experto (Skidmore, 1989), tan extendido en los ltimos aos en el marco de las denominadas tcnicas de inteligencia artificial. En pocas palabras, un sistema experto est formado por un conjunto de reglas que permiten al algoritmo tomar una serie de decisiones en funcin de los valores que observa en la imagen y/o en informacin auxiliar de la misma zona. Esas reglas se introducen al algoritmo en forma de operadores lgicos condicionales, del tipo IF... THEN..., que intentan simular la toma de decisiones que realiza un intrprete (Richards, 1993, cap. 12). Por ejem-
405
po, podramos distinguir la vegetacin forestal de la herbcea a parte de asociar criterios de tono y textura, utilizando una regla del tipo siguiente: IF NDIRC / NDR > 2 AND Textura = Rugosa THEN Bosque IF NDIRC / NDR > 2 AND Textura = Lisa THEN Prados El primer trmino lo podra tomar de una imagen ptica y la textura de una imagen radar de la misma zona. De forma similar se pueden introducir variables no obtenidas por teledeteccin, como cartografa temtica, lmites administrativos o modelos digitales de elevacin. El establecimiento de los criterios de decisin se realiza por un experto en el reconocimiento de cada categora de inters, que conozca sus condiciones ambientales para la zona en la que se trabaja. Por ejemplo, para el reconocimiento de una especie forestal seran relevantes el calendario fenolgico, la situacin topogrfica, el tipo de litologa asociado, o la rugosidad. Con este enfoque, Skidmore (1989) realiz un inventario de eucaliptos en Australia, a partir de imgenes de satlite e informacin auxiliar. Este autor observ una mejora significativa en la clasificacin, mediante el empleo de una tabla de probabilidades asociada a la ocurrencia del eucalipto en distintas variables auxiliares. Tambin podran incorporarse criterios temporales o espaciales, como sera la probabilidad de que un cierto cultivo suceda a otro o est prximo a otro (Middelkoop y Janssen, 1991). Los clasificadores en rbol se han utilizado en los ltimos aos con cierto xito, tanto en la cartografa de especies forestales (Saura y San Miguel, 2001), como para asignar tipos de vegetacin y cobertura del suelo, con especial relieve en aplicaciones de mbito global (Friedl y Brodley, 1997; Friedl et al, 1999). Naturalmente, los sistemas expertos tambin pueden aplicarse a otras operaciones de anlisis de la imagen, como son los realces o las correcciones radiomtricas y geomtricas (Schowengerdt y Wang, 1989). Un sencillo ejemplo de clasificacin en rbol sera el incluido en la figura 7.48. El criterio de decisin se basa en unas hipotticas estadsticas de entrenamiento para una serie de clases de cobertura del suelo (tabla 7.9). En este caso, el anlisis se realiza sobre cuatro bandas espectrales: V, R, IRC y SWIR, a las que se ha aadido informacin altitudinal extrada de un MDE. A partir de estos valores puede disearse un grfico de dispersin espectral, considerando el rango como la media 2 desviaciones tpicas. Con ayuda de este grfico podemos disear un rbol de decisiones que nos permita separar las cinco categoras. El primer paso consiste en separar los pxeles pertenecientes a la categora ms fcilmente discriminable, el agua. Para ello se emplea el IRC, utilizando un umbral mximo de reflectividad del 10 %. Por tanto, los pxeles con una p< 10 en esa banda sern etiquetados como clase agua y extrados de la imagen para evitar que intervengan en pasos sucesivos. Posteriormente se emplea la banda V para discriminar las clases regado y caducifolios del resto, indicando como valor lmite lap del 30 %. Con las categoras urbano y cereal es preciso realizar el ajuste en dos bandas, puesto que existe un cierto solape en todas ellas. Sin embargo, la separacin es mayor en la banda del SWIR, sealando sobre ella un umbral del 40 % dep para la discriminacin, completndolo con otro umbral del 30 % en la banda R. Finalmente, entre las clases caducifolios y regado, bas-
406
TABLA 7.9.
Medidas estadsticas para distintas cubiertas (reflectividad 100)

Verde Rojo IRC D. T. D. T. SWIR
X* Agua Cereal Regado Caducifolios Urbano 13 35 14 16 42
D. T.
xmed
12 28 19 21 36
xmed
2 3 42 14 18 34
D. T.
3 5 5 4 7
2 8 4 6 5
8 50 60 54 48
2 8 2 3 7
12 10 12 10
tante mezcladas espectralmente, utilizamos un criterio basado en la altitud: asumiendo que en la zona slo se dan cultivos en regado por debajo de 800 metros, utilizamos el modelo digital de elevaciones para establecer esta distincin. Los problemas de clasificacin reales son ms complejos, pero tambin pueden enriquecerse notablemente las reglas de decisin. Una vez ajustadas adecuadamente, resulta un criterio muy rpido de clasificacin, y permite introducir informacin auxi-
Agua
< 3 0%
SWIR RO JO > 30 % < 40 % Urbano (muy probable) > 40 % Cereal (probable)
<800 m
>800 m
< 30%
Urbano (probable)
Cereal (muy probable) Regado
Caducifolios
FIG. 7.48.
Ejemplo de clasificacin en rbol.
407
liar que resulta ajena a los clasificadores estadsticos convencionales (Friedl y Brodley, 1997). Un ejemplo ms realista de clasificacin en rbol es el algoritmo de deteccin de nubes propuesto por Saunders y Kriebel (1988), que tuvimos ocasin de analizar en el anterior captulo, o los diversos algoritmos propuestos para deteccin de incendios activos (Martn et al., 1999). 2.3.5. Clasificadores basados en el contexto espacial A lo largo de esta obra hemos visto en diversas secciones que los rasgos espectrales de una determinada cubierta pueden presentar notables afinidades con otras, aunque posea componentes distintos. La aparente paradoja se relaciona con varios factores: 1. Resolucin espectral del sensor, bien por contar con pocas bandas espectra les, bien por ser stas excesivamente anchas para detectar variaciones en rangos muy especficos de variacin espectral. 2. Resolucin espacial, que da lugar a la aparicin de seales mixtas entre dos o ms cubiertas. 3. Resolucin temporal, que conlleva la confusin de ciertas cubiertas en mo mentos especficos de su desarrollo fenolgico. En consecuencia, para discriminar dos cubiertas puede ser necesario acudir a criterios no estrictamente espectrales, como seran los derivados de la variacin espacial de cada pxel, en una cierta rea de vecindad, o su situacin respecto al resto de los pxeles que forman la imagen. Hasta aqu hemos analizado criterios de clasificacin basados exclusivamente en los ND de cada pxel; en ocasiones ser preciso incorporar otros criterios de identificacin, como son la textura o el contexto, afines a las relacio: nes espaciales entre los pxeles de la imagen, de modo similar a los utilizados en anlisis visual (cap. 5). La distincin entre los criterios de textura y contexto hace referencia al rea que se considera en la medicin de las relaciones espaciales (Gurney y Townshend, 1983). El primer concepto se relaciona con la variacin espacial dentro de grupos contiguos de pxeles. El segundo ira encaminado a medir las relaciones espaciales de cada pxel con el resto de la escena. Por simplificar las cosas incluiremos ambos en el mismo epgrafe, ya que los dos estn encaminados a aportar criterios espaciales a la clasificacin de imgenes. Hasta el momento, los mtodos para introducir el contexto espacial en la interpretacin digital pueden agruparse en funcin de la fase de la clasificacin en la que intervienen. As, podemos distinguir entre aquellos que generan bandas texturales previas a la clasificacin, los que emplean el contexto durante la clasificacin y los que lo consideran despus de la asignacin, con objeto de refinar los resultados. Ms adelante tendremos ocasin de comentar algunas tcnicas para obtener informacin textural de la imagen (4.2). Por el momento, baste decir que se trata de mtodos que generan una nueva imagen en la que el ND mide el grado de contraste espacial con los pxeles vecinos (habitualmente con los 8 circundantes). Estas medidas de textura se han desarrollado especialmente en el campo de las aplicaciones urbanas, ya que la clasi-
408
ficacin de estas zonas resulta muy problemtica por la gran variedad espectral de las superficies que las componen. Entre los criterios ms interesantes est el propuesto por Gong y Howarth (1990a). Estos autores pretendan discriminar reas urbanas y rurales en la frontera rur-urbana de una ciudad canadiense. Para ello incorporaron a la clasificacin una imagen de densidad de bordes, obtenida a partir del siguiente proceso: 1) aplicar un filtro laplaciano a la banda 1 de una imagen SPOT-XS, 2) segmentar el resultado para dejar nicamente las fronteras entre cubiertas, 3) hallar la densidad de bordes a travs de una ventana mvil (nmero de pixeles fronterizos dividido por nmero de pixeles en la ventana; en este caso de 25 X 25 pixeles), y 4) incorporar esa banda textural a la clasificacin multibanda. Esa incorporacin mejor significativamente los resultados al reducir la confusin entre clases rurales y urbanas de similares caractersticas espectrales (p. ej., cultivos y jardines). Tambin resulta de gran inters el clasificador de contexto propuesto por Moller-Jensen (1990), que parte de delimitar polgonos en una zona urbana mediante la localizacin automtica de segmentos lineales (calles anchas o ros). Los segmentos se clasifican de acuerdo a sus ND medios, as como a medidas de textura, contigidad y distancia al centro de la ciudad. El anlisis del contexto previo a la clasificacin puede abordarse tambin en la fase de entrenamiento. Un enfoque original, en este sentido, fue el denominado clasificador ECHO (Extraction and Classification of Homogeneous Objects), propuesto en la primera etapa de la interpretacin digital de imgenes (Ketting y Landgrebe, 1975), pero que se ha enfatizado mucho en los ltimos aos, ante el inters por la generacin de clasificaciones ms robustas especialmente. Este criterio propona clasificar una imagen, no a partir de pixeles, sino de reas compuestas por pixeles de similares caractersticas. En resumen, se trataba previamente de extraer objetos homogneos, para luego ser asignados a las categoras de inters para el usuario. La delimitacin de esas reas homogneas se basaba en criterios de similitud espectral y contigidad. Tras localizar un pequeo grupo de pixeles con ND similares, el algoritmo iba incorporando progresivamente pixeles vecinos, siempre que estuvieran dentro de un criterio de homogeneidad sealado por el usuario (por ejemplo, a menos de una determinada distancia espectral). Cuando los pixeles vecinos no eran suficientemente homogneos se identificaba una frontera o un rea pequea de distinta ocupacin (isla). Estas zonas se clasificaban posteriormente de acuerdo a los criterios tradicionales, antes comentados. El proceso de crecimiento de las reas continuaba hasta que se encontraban pixeles muy contrastados, con lo que el proceso se detena. En este punto, la imagen apareca segmentada en reas homogneas, aunque stas an no se hubieran asignado a ninguna categora temtica. La asignacin se realizaba posteriormente calculando las estadsticas elementales de los pixeles incluidos en cada rea, y aplicando sobre ellas uno de los criterios de asignacin antes comentados. En ese punto, no eran asignados pixeles individuales, sino las reas completas, por lo que la posibilidad de discontinuidad espacial de los resultados tenda a reducirse considerablemente (Campbell, 1996; Hoffer y Swain, 1980). El planteamiento pionero del clasificador ECHO se ha subrayado bastante en los ltimos aos, estudindose las ventajas e inconvenientes que presenta la clasificacin sobre pixeles (per pixel classifiers) o sobre polgonos (perfield classifiers: Aplin et al., 1999). Como ya hemos indicado, los clasificadores ms tradicionales realizan la asignacin de cada pxel por separado, en funcin de los ND que presenta en las distin-
409
FIG. 7.49.
Segmentacin espectro-espacial de la imagen TorrelOO.
tas bandas. Los clasificadores contextales prefieren categorizar aglomerados espaciales de pxeles, que previamente se han obtenido aplicando algn algoritmo de contexto espacial. Esto implica, en pocas palabras, cambiar la unidad de anlisis, del pxel a polgono, mediante una segmentacin espectro-espacial de la imagen, que tiende a definir objetos espectralmente similares y contiguos. El proceso es especialmente idneo para imgenes de alta resolucin espacial, que de otro modo ofreceran un notable ruido para la clasificacin temtica (Schiewe et al, 2001). Se han propuesto diversos criterios para realizar esa segmentacin previa de la imagen, siendo los ms habituales los que parten de reducir la resolucin radiomtrica de la imagen, aplicando posteriormente algn criterio de agregacin espacial basado en la adyacencia (Lobo, 1997). La figura 7.49 incluye un ejemplo de segmentacin de la imagen TorrelOO. Es fruto de aplicar el algoritmo de segmentacin propuesto por Gong y Howarth (1992), el cual, a partir de una imagen multibanda genera una imagen de un solo canal, con un nmero reducido de categoras, utilizando criterios de compactacin similares a los que vimos para la clasificacin no supervisada. Este algoritmo se utiliza para alimentar un clasificador de contexto, desarrollado por los mismos autores, que parte de los grupos espectro-espaciales generados en esta fase. El segundo grupo de clasificadores de contexto refiere a aquellos que incorporan este criterio en el propio algoritmo de asignacin. Se trata, en trminos sencillos, de realizar la asignacin de un determinado pxel de la imagen no slo a partir de sus ND, sino tambin de los correspondientes a los pxeles vecinos. Una manera concreta de aplicar este criterio sera incorporar alguna variante de la vecindad espacial a alguno de los criterios de clasificacin que vimos anteriormente. Por ejemplo, en el caso del algoritmo de mxima probabilidad puede considerarse la probabilidad de asignacin de los pxeles vecinos (Richards, 1993):
[7.42]
donde indica la probabilidad de que el pxel x pertenezca a la categora c, para todas las categoras m y q(x I c) una funcin de vecindad, definida por el usuario, que habitualmente est relacionada con la distancia. ste o similares criterios se han empleado
410
con buenos resultados en distintas clasificaciones temticas (Danjoy y Sadowski, 1978; Gonzlez y Lpez, 1991). Finalmente, podemos sealar aquellos criterios que introducen el contexto para refinar los resultados de la clasificacin. Resulta bastante frecuente que los resultados de una clasificacin digital adolezcan de una excesiva fragmentacin. Manchas de una cierta categora se encuentran salpicadas por pxeles asignados a otras categoras, perdindose su unidad geogrfica y dificultando la interpretacin y posterior representacin cartogrfica de los resultados. Este fenmeno se denomina coloquialmente en la bibliografa anglosajona efecto de sal y pimienta (salt andpepper) y se debe, por un lado, a que la mayor parte de los criterios de asignacin no tienen en cuenta la pertenencia de pxeles vecinos y, por otro, a la propia complejidad del paisaje, directamente relacionada con la aparicin de pxeles mixtos fronterizos a dos o ms categoras, que son los principales responsables de la discontinuidad visible en el mapa. Para solventar este problema suele aplicarse una tcnica de suavizacin de resultados, similar en la concepcin, aunque no en la ejecucin, a los filtros de paso bajo. Como ya hemos visto, sobre la imagen clasificada no puede aplicarse un filtro aritmtico, ya que sus ND no guardan una relacin cuantitativa entre s, sino que slo son etiquetas que definen las distintas categoras. Cualquier promedio de pxeles vecinos introducira cambios imprevisibles en la clasificacin, ya que no se trata de una imagen de tono continuo, sino de una imagen categorizada, en donde no tiene sentido establecer anlisis de gradientes. Por esta razn se aplican sobre la imagen otros esquemas de filtraje, basados sobre medidas categricas en lugar de sobre promedios (Thomas, 1980). El objetivo ltimo es reasignar aquellos pxeles aislados o poco significativos, facilitando una distribucin espacial ms ntida de las distintas categoras. Para ello se procede a comparar la clase asignada a cada pxel con la que ofrecen los vecinos. Si esa clase es la misma de la mayor parte de los pxeles del entorno se mantiene la asignacin original; caso contrario, se modifica. Normalmente esta comparacin se realiza a partir de una ventana mvil de 3 X 3 pxeles, si bien la tcnica es independiente de su tamao. En la terminologa habitual se distinguen, a este respecto, dos tipos de filtros (fig. 7.50): 1. Filtro modal. El pxel situado en el centro de la matriz se asigna a la categora ms frecuente entre los pxeles vecinos, siempre que, lgicamente, no pertenezca ya a ella. 2. Filtro de mayora. El pxel central se asigna a la categora que cuente con la mitad ms uno de los pxeles vecinos. En caso de que ninguna categora rebase ese va lor, el pxel central mantiene su asignacin primitiva. La eleccin entre uno u otro mtodo depende del tipo de paisaje analizado y del algoritmo que se haya empleado en la clasificacin. Lgicamente, el primero ofrece una mayor generalizacin que el segundo, por lo que puede ser conveniente su empleo en caso de paisajes muy complejos y cuando la escala de trabajo sea regional o global. Se ha comprobado por diversos autores que la aplicacin de esta tcnica proporciona un aumento significativo de la exactitud conseguida en la clasificacin (Booth y Oldfield, 1989; Castro y Chuvieco, 1995). Este efecto es debido, principalmente, a la eliminacin de asignaciones anmalas debidas a pxeles de borde. Uno de los proble-
411
Matriz original 2 2 2 2 4 7 4 2 2 2 4 9 7 4 2 2 2 8 7 4 4 2 2 5 13 7 7 5 ^ 2 2 9 13 9 7 9 2 2 8 7 7 4 9 2 2 8 13 4 4 9
Matriz filtrada (mayara) 2 2 2 2 4 7 4 2 2 2 2 9 4 4 2 2 2 8 7 4 4 2 2 2 13 7 7 5 2 2 9 13 7 7 9 2 2 8 7 7 9 9 2 2
e
13 4 4 9
Matriz filtrada (moda) 2 2 2 2 4 4 4 2 2 2 2 4 4 4 2 2 2 2 7 7 4 2 2 2 13 7 7 5 2 2 2 7 7 7 9 2 2 2 7 7 4 9 2 2 8 8 4 4 9
FlG. 7.50.
Reduccin del ruido de la escena mediante filtros categricos.
mas que presenta este mtodo, sin embargo, es la difcil decisin sobre el tamao de la ventana y el criterio de filtrado, ya que pueden provocar el efecto deseado en unas zonas de la imagen, pero ser excesivo o insuficiente en otras. Para solventar este problema se ha propuesto realizar la reasignacin a partir de unos umbrales de tamao variable, que filtren o no cada categora a partir de un umbral de superficie crtico fijado para cada clase. Por debajo de ese valor se considera que la fragmentacin de la imagen implica ruido en la clasificacin y el polgono es asignado a otra categora (Barr y Barnsley, 2000). En el ejemplo propuesto por Barr y Barnsley, este esquema funcion mucho mejor que los filtrados de mayora convencionales para un ejemplo de cartografa urbana realizado a partir de imgenes areas de alta resolucin. Otros criterios de re-clasificacin pueden basarse en las propiedades espaciales de los pxeles, como su distancia, conectividad o inclusin. Un sencillo ejemplo del inters de estas relaciones es la discriminacin entre cultivos herbceos de regado y par-
412
ques urbanos. Ambas cubiertas presentan un comportamiento espectral similar, ya que de hecho ambas se riegan en verano y estn compuestas por vegetacin herbcea. Por tanto, para separarlas es preciso acudir al contexto espacial: un parque estar emplazado en el interior de un rea urbana, por lo que puede considerarse como tal si los pxe-les situados a un cierto radio han sido asignados a la categora urbana, asignndose a cultivos de regado en caso contrario. Pueden proponerse otros anlisis basados en el contexto para realzar la clasificacin temtica. Por ejemplo, aplicando ciertos indicadores de idoneidad en funcin de la categora contigua a cada pxel. Habitualmente, estos anlisis se basan en matrices de aptitud, que ponderan el inters de que una categora se presente junto a otra para un determinado objetivo. Un campo interesante de aplicacin es la cartografa de hbitats idneos para ciertos animales (Congalton et al, \993b). La mezcla entre ciertas cubiertas vegetales complementa su dieta, haciendo esos lugares ms atractivos para establecerse. 2.3.6. Redes neuronales
Entre las nuevas tcnicas de clasificacin de imgenes, una de las que cuenta con ms potencialidad es el empleo de redes neuronales artificiales (RNA). En esencia, las RNA se utilizan para predecir un cierto comportamiento complejo, habitualmente a partir de una muestra de entradas y salidas observadas. Con los datos de esa muestra, la red aprende a reconocer el resultado a partir de los valores de entrada, clasificando el resto de las observaciones de acuerdo a esas reglas. Intentan, no siempre con mucho xito, simular el comportamiento del cerebro humano (de ah su nombre), mediante la interconexin mltiple entre unidades de activacin (llamadas neuronas). Aunque la descripcin completa de esta tcnica rebasa el enfoque de este libro, nos parece conveniente dedicar unos prrafos a explicar los conceptos generales de las RNA, as como su empleo en el contexto de la clasificacin de imgenes. Una RNA est formada por un conjunto de elementos simples (neuronas, unidades de proceso), distribuidas en capas (fig. 7.51). Las unidades que forman una capa estn conectadas con la capa o capas inmediatas a travs de unas funciones de activacin (sigmoidales, habitualmente). Esas funciones se definen a partir de una serie de pesos (w j), que se calculan de modo iterativo en el proceso de aprendizaje de la red. El objetivo de este aprendizaje es estimar unos resultados conocidos a partir de unos datos de entrada (muestra de control), para posteriormente calcular resultados desconocidos a partir del resto de datos de entrada. El aprendizaje se realiza a partir de todas las unidades que forman la red, variando el conjunto de los pesos en iteraciones sucesivas. Cada unidad de la red proporciona un valor de salida a partir de los valores de entrada, del modo siguiente (Richards, 1993): o=f(wx + 6) [7.42]
donde o indica el resultado, 6 es un umbral (en muchas ocasiones se deja a cero), w un vector con los pesos que unen las distintas unidades de la red, y x el vector de entradas. Ese valor de salida puede ser a su vez la entrada de unidades situadas en la capa siguiente o en la anterior, dependiendo del tipo de red.

Capa de entrada
413
Capa de salida Capa oculta
FIG. 7.51.
Esquema de una red neuronal.
El nmero de unidades y de capas depende de las condiciones del problema en estudio, siendo ms complicado el proceso de aprendizaje cuanto mayor dimensin tiene la red. En clasificacin de imgenes es frecuente que las RNA estn formadas por tres capas, denominadas de entrada, oculta y de salida. El objetivo de la capa oculta es lograr funciones que permitan generar funciones de discriminacin ms flexibles. El nmero de las unidades de entrada est en relacin con los valores que sirvan para entrenar a la red, habitualmente una por cada banda empleada en la clasificacin, si bien esnecesario utilizar una cadena de unidades por banda para poder codificar el rango completo de ND (0 a 255) (Benediktsson et al., 1990). El nmero de unidades de salida coincide con el de clases que pretendan clasificarse, mientras el nmero en la capa oculta puede variar, aunque se recomienda sea al menos igual al de la capa de entrada (Richards, 1993). El punto ms lgido de las RNA es el denominado aprendizaje de la red, esto es la adecuada configuracin de las conexiones y pesos entre las unidades de la red para lograr un resultado ptimo. Entre los diversos criterios de aprendizaje, el ms conocido es el denominado de retro-propagacin. Tiene por objetivo encontrar un conjunto de pesos que asegure que cada vector de entrada producido por la red sea el mismo, o muy similar, al de salida conocido. Su formulacin puede sintetizarse de la siguiente forma (para un anlisis ms detallado, vase Rumelhart etal, 1986 y Richards, 1993, pp. 207-224): 1. Asignar unos pesos arbitrarios a la red para obtener unos resultados a partir de los valores de entrada (en nuestro caso, los ND de las reas de entrenamiento en las
414
distintas bandas). Esos resultados se contrastan con la categora a la que pertenece cada pxel de entrenamiento (introducida por el usuario). Esto permite obtener una tasa de error inicial. La medida habitual del error es la desviacin cuadrtica entre el resultado esperado (tk) y el producido por la red (ok):
[7.43]
para todo resultado esperado m (en nuestro caso para las c categoras) en todas las unidades de entrada k (en nuestro caso las bandas, n, a introducir en la clasificacin). 2. A partir de ah se van modificando iterativamente los pesos en las distintas capas, desde la de salida hasta la de entrada, con el objetivo de reducir el error global (se propaga el error hacia atrs, de ah el nombre del ajuste), hasta que ste sea muy pequeo o nulo (en ese caso, todas las muestras introducidas en el aprendizaje estaran bien clasificadas), o bien se hayan cumplido el nmero de iteraciones indicadas por el intrprete. El nmero de iteraciones para lograr el objetivo marcado por el usuario (el nivel de convergencia de la red) puede ser muy elevado, dependiendo de la complejidad del problema (en clasificacin de la cubierta del suelo se han propuesto hasta 250.000 iteraciones: Civco, 1993). Para ilustrar el proceso de aprendizaje puede ser de inters estudiar un sencillo ejemplo de clasificacin propuesto por Richards (1993, pp. 219-223). En ese caso se trata de un conjunto de seis elementos que forman dos categoras (c, y c2) que tratan de discriminarse por funciones lineales (fig. 7.52). Los valores de estos seis elementos son: c , = (-4,3) M,-3) (-1,0) Claramente se observa en la fig. 7.52b que estas dos clases no son separables por ecuaciones lineales sin cometer algn error en la asignacin. Para clasificarlas se establece una RNA con tres capas: dos unidades de entrada, dos ocultas y una de salida, lo que implica seis conexiones y, por tanto, calcular seis pesos y el valor del error (0). Siguiendo los criterios antes indicados se inicia el entrenamiento de la red con unos pesos arbitrarios, que dan lugar a un margen relativamente grande de error (0,461: tabla 7.10). Como puede observarse, los pesos se modifican en cada iteracin (aqu se ha resumido la tabla de resultados), as como el error residual, que va disminuyendo hasta un valor que consideramos adecuado. En ese momento, los pesos sirven para calcular las conexiones entre las unidades de la red: De la capa de entrada a la capa oculta: o, = 2,901 x,- 2,976 x2 o2 = 2,902 x, - 2,977 x.
415
FIG. 7.52.
Ejemplo de aplicacin de una red neuronal. (Richards, 1993.)
y de la capa oculta a la de resultados:
La asignacin de una unidad de la muestra a una de las dos clases se hace en fun-. cin de los resultados que ofrezca o3. Como se trata slo de dos categoras, la entrada se asigna a la clase 1 si el resultado o est ms cerca de 0, y a la 2 si est ms cerca de 1. Si igualamos a cero las dos primeras ecuaciones resultan entre ambas un marco idneo para separar las dos categoras de nuestro ejemplo (fig. 7.52c). Ahora bien, esas rectas pueden considerarse como un paso intermedio (estn en la capa oculta)" para obtener la ecuacin final, en la cual se discriminan las dos categoras perfectamente con una funcin lineal. Simplificando las cosas, esas ecuaciones intermedias pueden concebirse como un medio de transformar el espacio de medida original para
TABLA 7. 10.
Iteracin
Valores de los coeficientes de ponderacin y del error en la red del ejemplo para distinto nmero de iteraciones (Richards, 1993) W, W2 0,100 0,051 0,007 -0,072 -2,215 -2,834 -2,976
W} W4
W, 1,000 0,951 1,240 1,464 3,302 4,529 4,785
wk
0,500 0,520 0,909 1,034 3,259 4,527 4,784
Error
0 1 5 10 50 150 250
0,050 0,375 0,606 0,642 2,224 2,810 2,901
0,300 0,418 0,570 0,641 2,213 2,810 2,902
0,150 0,121 0,117 0,196 2,216 2,835 2,977
0,461 0.424 0,391 0,378 0,040 0,007 0,005
416
lograr una separacin idnea entre los miembros de cada clase. Habitualmente no se utilizan ecuaciones lineales para obtener los valores de salida de una neurona, sino funciones ms complejas, como sigmoides (el valor de salida est comprendido entre 0 y 1), o hiperblica-tangente (valor de salida de -1 a +1) (Civco, 1993). Una vez realizado el aprendizaje, pueden introducirse nuevos casos de asignacin desconocida, para que la RNA los clasifique en funcin de las ponderaciones previamente calibradas. En este ejemplo se aaden algunos casos en las proximidades de los inicialmente planteados; en todos ellos la asignacin es correcta (fig. 1.52d). El proceso de clasificacin se realiza simplemente asignando valores a las variables de entrada JC, y x2. Como ya hemos indicado, el valor de salida o3 se redondea al entero ms cercano para asignar el caso a la primera o segunda categora. En el contexto de la clasificacin de imgenes se ha comprobado la potencialidad de las RNA como alternativa a los clasificadores estadsticos tradicionales, especialmente cuando no pueden asumirse distribuciones normales de las categoras (Bendiktsson et al., 1990), ya que las RNA son independientes del tipo de distribucin. En varias ocasiones se ha contrastado su utilidad frente a estos clasificadores, logrndose resultados comparables o an mejores. En general, la discriminacin de las muestras de entrenamiento resulta ms adecuada que con los clasificadores convencionales (Benediktsson et al., 1990; Foody, 1995), pero la asignacin propiamente de la imagen muestra una gran dependencia de la calidad del entrenamiento. Las RNA pueden incluir bandas auxiliares no espectrales, que pueden ser incluso nominales, como mapas de suelos o de propiedad de la tierra. En algunos trabajos se ha comprobado la gran robustez de esta tcnica (poco sensible a valores extremos) y su habilidad para incluir elementos texturales, ofreciendo as una clasificacin con menos ruido que la basada en los mtodos pxel a pxel convencionales (Bischof et al, 1992; Civco, 1993; Hepner et al, 1990). Tambin se ha sugerido su aplicacin a la estimacin de parmetros fsicos, como el ndice de rea foliar y el contenido de clorofila (Fourty y Baret, 1997), as como tcnica alternativa de ajuste para modelos de evaluacin de riesgo (Carvacho, 1998; Vega-Garca et al, 1996). Entre los problemas de las RNA cabe citar la falta de criterios generales para disear la estructura de la red (nmero de capas, unidades en cada capa), reducindose su empleo a una cuestin de prueba y error; su lento y tedioso entrenamiento (que desaconseja su empleo cuando el nmero de clases o de bandas es muy grande: Clark y Caas, 1995); la posibilidad de que se encuentre mnimos locales y de que se produzca un sobre-entrenamiento de la red. Esto ocurre cuando se ajustan muy bien los datos de entrada, pero la red es poco generalizable a otros datos (Mather, 1998). Para evitar esto suele dividirse la muestra de aprendizaje en dos grupos, uno para calcular los pesos y otro para verificar el ajuste. Tambin pueden plantearse las redes para la clasificacin no supervisada, ya que existe algunos criterios de aprendizaje que no requieren una previa definicin de las clases deseadas. En la fig. 17* se incluye un ejemplo de clasificacin con redes para la imagen TorrelOO. Se emplearon tres programas para obtener la clasificacin. En el primero se crean las condiciones generales del anlisis: nmero de unidades de entrada (6 en nuestro caso, una por banda), nmero de capas ocultas (1 en nuestro caso), nmero de clases de entrenamiento y valor temtico de cada clase. En nuestro caso se trata de las 7 categoras de cobertura previamente descritas. El siguiente programa se dedica a en-
417
trenar a la red a reconocer las categoras que quieren discriminarse. Existen algunos parmetros de control que modifican el proceso de aprendizaje, como el ndice de momento, el ndice de aprendizaje, el error mximo normalizado, el individual y el nmero mximo de iteraciones. Para nuestro caso se aceptaron los valores recomendados por el programa: 0,9 para el momento; 0,1 para el aprendizaje; 0,01 para el mximo error; 0,001 para el mximo error individual, y 1.000 iteraciones. Despus de completar el nmero de iteraciones, el error mximo se situ en 0,0354. Aunque no garantizaba el indicado previamente, nos pareci suficiente para este ejemplo didctico. Tras entrenar a la red, el paso siguiente es asignar los pxeles de la imagen a cada categora temtica, conociendo los pesos obtenidos previamente. La clasificacin por RNA fue ms rpida que la realizada con el algoritmo de mxima probabilidad, descontando lgicamente el lento proceso de aprendizaje. Comparndola con las clasificaciones antes comentadas se observa una mejor discriminacin del pinar, que aparece mejor representado en las zonas serranas del NW de la imagen, mientras el suelo descubierto, principalmente roquedo en esos sectores, se asigna en algunos sectores al matorral, por lo que ste incrementa su extensin. En el resto de la imagen, el suelo descubierto se clasifica bien, as como los pastizales y cultivos de secano, excesivamente representados en la clasificacin de mxima probabilidad. La combinacin matorral-encinar sigue sobre-dimensionada, especialmente en el centro y norte de la imagen (fig. 17*). 2.3.7. Clasificacin borrosa (fuzzy classification) Previamente hemos sealado el inters de las tcnicas que permiten obtener informacin sobre la mezcla en el interior de un pxel. Considerar un pxel como un compuesto de varios elementos resulta cada vez ms comn, si se considera el espacio como un continuo, sin barreras muy precisas, al menos en lo que se refiere a la mayorparte de las variables ambientales (Mather, 1999). En el campo de la clasificacin, este enfoque lleva consigo modificar los planteamientos convencionales, en donde cada pxel se asigna a una sola categora. De ah que ltimamente se denomine a estos clasificadores como rgidos (hardclassifiers). Estos clasificadores pueden conducirnos a errores notables, cuando existan pxeles mixtos. Por ejemplo, en el criterio de mxima probabilidad, un pxel se asigna a la clase ms probable independientemente de que la probabilidad de pertenencia a esa categora sea muy superior a pertenecer al resto (digamos que 0,9 sobre 0,1) o que slo la supere por un estrecho margen (0,55 frente a 0,45). En el primer caso, el error de clasificar ese pxel es bastante bajo, mientras en el segundo la asignacin es muy arriesgada. Las nuevas tcnicas de clasificacin borrosa (fuzzy) permiten aliviar este problema. En pocas palabras, se considera una pertenencia borrosa a una categora cuando se admite un grado de pertenencia. En este enfoque, cada pxel se etiqueta en varias categoras, con un valor ms o menos alto en funcin de su similitud espectral (fig. 7.53). Convencionalmente, la funcin de pertenencia corresponde a una distribucin binaria (0 no pertenece, 1 pertenece), pero puede concebirse un funcin de pertenencia comprendida entre 0 y 1, lo que permitira una asignacin simultnea a varias categoras, con diferentes grados de pertenencia (Wang, 1990):
[7.44]
418
Clase 1
Clase n
70 % Clase 1 15% Clase 2 10% Clase 5% Clase 4
FlG. 7.53.
La clasificacin borrosa permite asignaciones mltiples en el mismo pxel.
donde UUj indicara el grado de pertenencia del pxel x a la clase i, y puede ser un nmero real comprendido entre 0 y 1. En aplicaciones de teledeteccin, los mtodos ms habituales para obtener esos valores de pertenencia son la variante borrosa de mxima probabilidad (Maselli et al, 1995; Wang, 1990) y una variedad de anlisis no supervisado, denominado c-medias borrosas (Fisher y Pathirana, 1990; Foody, 1992). Por simplificar la exposicin nos vamos a centrar en el primer criterio, ya que es muy similar al de mxima probabilidad antes analizado. En el trabajo de Fisher y Pathirana (1990) se incluye la formulacin completa del criterio c-medias borrosas. En un enfoque de lgica borrosa, para calcular el grado de pertenencia de un pxel a las distintas categoras de la leyenda, asumiendo una distribucin de probabilidad normal en las categoras, podemos emplear las siguientes definiciones del vector de medias y la matriz de varianza-covarianza (Wang, 1990):
[7.45]
[7.46] donde UA indica el grado de pertenencia a la clase A, M el vector de ND formado por los n pxeles utilizados en la muestra, y VA la matriz de varianza-covarianza para esa clase. El asterisco en el vector MA y la matriz VA indica que se trata de medias y varianzacovarianza para un espacio borroso (fuzzy). A partir de esos dos valores puede calcularse la probabilidad de pertenencia a ese espacio, variando ligeramente las frmulas de la probabilidad bayesiana:
419
p (x/A) = {7jtyma I V I *>exp {-0,5 (M-M)T V? (Mx-M)}
[7.47]
El resultado de este clculo permite conocer la probabilidad de incluirse en cada categora A. Esa probabilidad se considera el grado de pertenencia de ese pxel a dicha categora. Por tanto, se obtienen tantas imgenes clasificadas como categoras se consideren. El ND de cada una de esas imgenes indica el grado de pertenencia a las distintas categoras. Las reas para estimar las estadsticas de entrenamiento pueden ser homogneas como en la clasificacin convencional o, ah la novedad, heterogneas, con componentes mixtos, siempre que se conozca su grado de mezcla. Las aplicaciones de esta lgica borrosa son de especial inters cuando se pretenda analizar coberturas con alto grado de mezcla, como es el caso de las categoras urbanas o cuando se aborden inventarios de vegetacin. En varios trabajos se ha obtenido una buena correlacin entre el grado de cobertura de distintas clases, observado en fotografa area de alta resolucin, y los grados de pertenencia ofrecidos por la clasificacin borrosa, tanto para clases urbanas (Fisher y Pathirana, 1990), como para densidades de vegetacin (Foody, 1992). Un interesante campo de aplicacin es el inventario forestal, donde este tipo de clasificacin puede facilitar datos de gran inters para la estimacin global de densidades y superficies. En un trabajo piloto realizado en Italia, los ajustes entre las observaciones de terreno y los componentes fuzzy son mucho ms altos que para las bandas originales (reducidas mediante componentes principales), especialmente en la estimacin del rea basal (Maselli et al, 1995). Aunque en el origen esta tcnica procede de una concepcin bastante distinta al anlisis lineal de mezclas espectrales (ALME) previamente analizado, los resultados que ofrecen tienen bastante en comn. Ambas tcnicas pretenden derivar informacin sub-pxel, expresando el grado de pertenencia (fuzzy) o la proporcin (ALME) de una determinada categora. Son pocos los trabajos que han comparado las ventajas e inconvenientes de ambas tcnicas, en cuanto a eficacia para resolver las mezclas, tiempo de clculo y limitaciones. Cuando se han abordado simultneamente, los resultados parecen ofrecer una gran coincidencia entre los dos mtodos (Foody y Cox, 1994). Este concepto de asignacin borrosa puede extenderse a la integracin de variables de" distintas fuentes o a la comparacin multitemporal, permitiendo la posibilidad de sealar distintas intensidades de cambio (Foody, 2001). En la figura 7.54 aparece un ejemplo de clasificacin utilizando un algoritmo no supervisado de k-medias borrosas incluido en el programa XPACE. Se introdujo un valor intermedio, entre los recomendados por el programa, para los parmetros de control del agrupamiento (normalizacin de las medias borrosas y distancia entre las mismas). Se seal un mximo de 3 grupos, 20 iteraciones y un 0,01 para el porcentaje de pxeles que podan cambiar de grupo entre iteracin. Puesto que se trata de un proceso bastante lento, se seleccionaron para el anlisis nicamente las bandas ETM+ 2, 3,4 y 5. La figura recoge los grados de pertenencia de los pxeles de la imagen a dos de las categoras identificadas por el programa, que corresponden a vegetacin con distintos grados de densidad y actividad cloroflica. La figura 7.55 muestra otro ejemplo, tal vez ms obvio, de este enfoque borroso en la clasificacin. Recoge una asignacin mltiple realizada a partir de una clasificacin de mxima verosimilitud de la imagen Barrax99. En este caso se grabaron los
420
FIG. 7.54. Resultados de una clasificacin borrosa sobre la imagen TorrelOO para dos categoras: arriba, vegetacin perennifolia; abajo, suelos con escasa vegetacin.
421
Al/Leg/Tr Alf/Tr/Leg Tr/Alf/Leg Leg/Alf/Su Leg/AltfTr Leg/Su/Alf Su/Leg/Alf
FIG. 7.55. Clasificacin borrosa de la imagen Barrax99 (Alf: Alfalfa; Leg: Legumbres; Tr: Trigo; Su: Suelo).
clculos de probabilidad para cada pxel, de tal manera que pueden reconstruirse sus asignaciones potenciales al resto de categoras de inters. Por ejemplo se distinguenlos pxeles que se asignaron a la categora alfalfa en funcin de a qu categora lo hicieron en segunda y tercera opcin (legumbres, trigo y suelo son las alternativas). De esta forma podemos distinguir entre los pxeles que aun clasificndose como alfalfa tienen una mayor tendencia a ser trigo, legumbres o suelo, en distinto orden, y por tanto qu tipo de estado vital tenan en el momento de adquirirse los datos. Por ejemplo, si un pxel es categorizado como alfalfa y suelo se tratar de una zona con menor cobertura vegetal que otra clasificada como alfalfa y trigo. 2.4. OBTENCIN Y PRESENTACIN DE RESULTADOS Independientemente del mtodo empleado en la clasificacin digital, los resultados se almacenan en una nueva imagen, similar a las originales, en cuanto a estructura y tamao, pero con la importante diferencia de que el ND de cada pxel no corresponde a un valor de reflectividad, sino a la categora a la que se asign. En definitiva, obtenemos una nueva matriz numrica, similar a la original, aunque de dos dimensiones, pues se ha condensado la informacin espectral (varias bandas) en una sola clase temtica. Esa nueva imagen puede ser el producto final del trabajo, o servir como estadio intermedio de un proyecto ms amplio, en donde la teledeteccin se combine con otro tipo de variables espaciales.
422
Esa nueva imagen puede dar lugar a dos tipos de productos: cartogrficos y estadsticos. En el primer caso se trata de convertir la imagen clasificada en un mapa; en el segundo, de realizar un inventario a partir de los ND que componen esa imagen. 2.4.1. Productos cartogrficos La imagen clasificada puede convertirse en un mapa temtico, similar a los convencionales, empleando algunas tcnicas ya comentadas en anteriores captulos. En primer lugar conviene simplificar los resultados de la clasificacin aplicando algn filtro modal, de tal forma que se generalicen los polgonos que forman la clasificacin. Esto facilita tambin su conexin con un SIG como luego veremos. Seguidamente se requiere dotar a esa imagen de una validez cartogrfica, de tal forma que se ajuste a un sistema de coordenadas determinado. Por cuanto el resultado de la clasificacin es tambin una imagen digital, pueden aplicarse sobre ella los mtodos de correccin geomtrica antes comentados (cap. 6, apdo. 6.3). Basta identificar puntos comunes entre la imagen y el mapa de referencia, aplicar algn polinomio de transformacin, y proceder al trasvase de los ND a su nueva posicin. Conviene recordar que, en este caso, ese trasvase debe realizarse con el criterio del vecino ms prximo, puesto que cualquier otro que implique promediar las categoras invalidar los resultados de la clasificacin. Obvia decir que los puntos de control pueden localizarse sobre las bandas originales, ya que tienen la misma geometra de las clasificadas, y aplicar luego sobre stas el modelo de correccin. Localizar puntos sobre una imagen clasificada sera muy problemtico, ya que se pierden la mayor parte de los rasgos lineales de la imagen original. Una vez posicionada correctamente, la imagen clasificada requiere contar con una serie de elementos grficos, que faciliten su lectura. Uno importante es generar una tabla de color apropiada al significado temtico de cada una de las categoras. En este sentido, conviene respetar las convenciones establecidas en la asignacin temtica de colores: por ejemplo, rojo para las zonas urbanas, verde para las forestales, ocre para las agrcolas, etc. (Anderson et al, 1976; Coleman, 1968), en lugar de atribuir colores arbitrarios a las categoras. Como ya se coment, la manipulacin numrica del color ofrece al intrprete una amplia paleta de colores: de 0 a 255 niveles, por cada uno de los tres caones de color. De esta forma, para disear un color apropiado a cada categora basta indicar tres valores numricos, entre 0 y 255, que expresen el nivel de R, V, A, asignado a dicha clase. En clasificaciones temticas, quince o veinte colores, bien discriminables entre s, sern suficientes para visualizar el resultado. Un mayor nmero de categoras complicara notablemente la interpretacin y, en consecuencia, la legibilidad del documento final. Basta aadir al mapa un conjunto grfico apropiado para que se culmine el proceso de edicin. Elementos de inters, en este sentido son: una leyenda de color, que identifique las categoras presentes en el mapa y el color que se les asigna; una escala grfica, para identificar adecuadamente la proporcin del rea representada, y una serie de rtulos identificativos de la zona y/o del proceso realizado. Caso de que se disponga de informacin vectorial complementaria, como carreteras o ros, puede ser conveniente superponerlos a la imagen como lneas de referencia. La figura 7.56 reco-
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA Titulo

Mapa de coberturas del suelo del rea deTorrelaguna
423
H
Agua
Norte
Orientacin Leyenda de color
Urbano H Pinar-encinar Pastizal Matorral Suelo Cultivos Metros

^ 5.000,00 Escala grfica
Vectores de referencia
Retcula UTM
FIG. 7.56.
Elementos cartogrficos incorporados a la clasificacin de la imagen TorrelOO.
ge un ejemplo de algunos elementos cartogrficos que pueden asociarse a una imagen clasificada. Una vez que el resultado es satisfactorio, el ltimo paso se dirige hacia la reproduccin de la imagen clasificada en un soporte permanente, ya sea papel o pelcula, utilizando cualquiera de los perifricos disponibles. Para productos cartogrficos de amplia cobertura, la impresin puede realizarse en lnea, si uno dispone de un perifrico de gran formato, o bien salvar la composicin cartogrfica como archivo e imprimirlo posteriormente en un centro que disponga de ese equipo. Actualmente hay formatos grficos bastante estndar (.TIF, .EPS) que permiten acceder fcilmente a perifricos de gran calidad que no tienen por qu estar relacionados con aplicaciones especficas de teledeteccin. Muchas empresas de artes grficas, por ejemplo, disponen de estos equipos {plotters de inyeccin de tinta de diverso tamao y resolucin). En consecuencia, puede ser ms conveniente acudir a ellos cuando, espordicamente, sea precisa una salida grfica de mayor tamao, en lugar de realizar la fuerte inversin que implican. Lgicamente, eso depender de la intensidad de uso que se vaya a realizar de estos aparatos. 2.4.2. Productos estadsticos El inventario superficial de los resultados es una de las principales ventajas de la clasificacin digital. Una simple tabulacin de frecuencias permite obtener el inventario del rea clasificada; esto es, el nmero de pxeles incluidos en cada una de las categoras. Puesto que es conocida la dimensin superficial de cada pxel, resulta inmediato obtener la extensin ocupada por cada categora. Por el contrario, para alcanzar el mismo objetivo el anlisis visual requiere planimetrar cada una de las zo-
424
as delimitadas por el intrprete, lo que resulta una labor lenta, fatigosa y, frecuentemente, inexacta. El tratamiento digital permite calcular superficies sobre toda la imagen, o sobre polgonos determinados. Si esos polgonos coinciden con unidades administrativas (municipios, comarcas), puede obtenerse un inventario de gran inters para las estadsticas oficiales. Por ejemplo, una clasificacin agronmica de la imagen puede facilitar estadsticas de cultivo a veces inaccesibles por medios convencionales. Varios trabajos han ensayado el uso alternativo de esta metodologa frente a las fuentes de informacin tradicionales, como el catastro o las hojas de cultivos (GDTA-CEE, 1982). A modo de ejemplo, la tabla 7.11 recoge el inventario de los tipos de ocupacin de la imagen de nuestro ejemplo, tal y como aparecen clasificados mediante mxima probabilidad y RNA. Vemos las notables diferencias entre ellas, especialmente para las categoras ms dominantes: matorral, pastizal y cultivos, que no son tan evidentes en el anlisis visual de los resultados. 3. Tcnicas de anlisis multitemporal 3.1. EL FACTOR TIEMPO EN LOS ESTUDIOS DE TELEDETECCIN ESPACIAL Una de las aportaciones ms destacadas de la teledeteccin espacial al estudio del medio ambiente es su capacidad para seguir procesos dinmicos. Al tratarse de informacin adquirida por un sensor situado en una rbita estable y repetitiva, las imgenes de satlite constituyen una fuente valiossima para estudiar los cambios que se producen en la superficie terrestre, ya sean debidos al ciclo estacional de las cubiertas, y a catstrofes naturales o a alteraciones de origen humano. En el seguimiento de la dinmica de un determinado fenmeno conviene distinguir dos aspectos relacionados con el cambio (Rodin, 1998): por un lado, la rapidez :on que el fenmeno se produce, y por otro la pervivencia del cambio que implica fig. 7.57). El primer aspecto hace referencia a la escala temporal en la que se maniesta un fenmeno o, dicho de otra forma, a su duracin en el tiempo. En este sentiTABLA 7.11. Inventario de la ocupacin del suelo en la imagen Torre 100 de acuerdo a dos criterios de clasificacin
Clasificacin por RNA Pixeles Hectreas
Clasificacin de mxima probabilidad Psceles Hectreas
% 13,27 21,45 33,03 1,10 28,42 1,55 100,00
% 8,08 27,22 45,71 2,01 1,46 11,70 3,82 100,00
rbano astizal [atorral nar-encinar jelo

altivo i*ua TOTAL
110.553 178.735 275.265 9.839 9.133 236.848 12.907 833.280
6.909,56 11.170,94 17.204,06 614,94 570,81 14.803,00 806,69 52.080,00
67.365 226.811 380.854 16.766 12.150 97.519 31.815 833.280
4.210,31 14.175,69 23.803,38 1.047,88 759,38 6.094,94 1.988,44 52.080,00
1,18
425
Ciclones tropicales Desertificacin Crecimiento Urbano Inundaciones Cambios agrcolas Erupciones volcnicas
P ervivencia FlG.
7.57.
Escalas temporales de cambio para algunos fenmenos ambientales.
do, el rango de los fenmenos ambientales que se estudian en teledeteccin puede ir desde unas pocas horas (ciclones tropicales, terremotos, erupciones volcnicas) hasta varios aos (desertificacin, crecimiento urbano). El segundo aspecto se relaciona con la permanencia de los efectos de esa perturbacin, que tambin puede variar en un ciclo de pocos das hasta varios aos. El efecto de una inundacin puede ser breve, si sta fue superficial, o bastante permanente, si ha supuesto la modificacin de algunos rasgos geomorfolgicos (deslizamientos, por ejemplo). En definitiva, la pervivencia de los efectos y la duracin del fenmeno no tienen por qu estar relacionados, o, dicho de otro modo, un fenmeno de corta duracin puede tener una larga continuidad y viceversa. La frecuencia ms idnea para observar un determinado fenmeno depender de ambas variables: duracin y pervivencia. Algunos procesos requieren una observacin prcticamente continua, como puede ser la cartografa de nubes, mientras para otros bastar un inventario anual (cultivos) o quinquenal (cobertura del suelo). La tabla 7.12 presenta algunas cadencias de observacin recomendables, segn los fenmenos que se pretenda observar (Jensen et al., 1983). Como ya hemos visto, la frecuencia de observacin depende de las caractersticas orbitales y anchura del rea observada por el sensor, si bien en trminos prcticos ese perodo se alarga si consideramos la cobertura nubosa o carencias del sistema sensor (falta de antenas receptoras, fallos en la adquisicin o transmisin). Los sistemas actuales de teledeteccin proporcionan una amplia variedad de cadencias de observacin, desde pocos minutos para los satlites meteorolgicos de rbita geo-estacionaria y amplia cobertura, hasta varias semanas para los de recursos naturales, con rbitas ms bajas y cobertura territorial mucho ms limitada. Si en los primeros aos de la teledeteccin, la resolucin espacial del sensor se consideraba el elemento ms crtico para valorar su potencialidad, la cobertura temporal cada vez se califica como un crite-
426 TABLA 7.12.
TELEDETECCIN AMBIENTAL Cadencia de actualizacin para estudios multitemporales Perodo de observacin recomendable 15-30 minutos 2-24 horas 1-7 das 2-3 meses 1-3 aos 3-5 aos 5-7 aos 10-20 aos
Fenmeno Dinmica atmosfrica Seguimiento de desastres Evaluacin de desastres Prediccin de cosechas Anlisis de la deforestacin Actualizacin de mapas de cobertura Dinmica urbana Actualizacin de mapas topogrficos
rio ms protagonista, al subrayarse la necesidad de contar con informacin suficientemente actualizada. Por ejemplo, para evaluar las condiciones vegetales a corto plazo, de cara a predecir el rendimiento de un cultivo o el peligro de incendios por poner dos ejemplos de gran inters territorial, de nada servira una alta precisin espacial sin el adecuado ciclo de cobertura. Un fino detalle espacial no es suficiente para estimar operativamente el riesgo de incendio si slo contamos con una imagen cada 16 das. Ser preferible, en este contexto, emplear imgenes menos detalladas, siempre que proporcionen informacin ms frecuente. Para que puedan abordarse estudios multitemporales con teledeteccin es preciso que el sistema sensor proporcione una cobertura peridica, en las mismas bandas espectrales, y con condiciones de observacin similares (altura, hora, ngulo de adquisicin). Estos requisitos los cumplen la mayor parte de los satlites de recursos naturales, excepcin hecha de los sensores instalados sobre el Space Shuttle que no ofrecen una cadencia y homogeneidad adecuadas, si bien permiten comparaciones visualescualitativas de gran inters. ste es tambin el caso de los sensores aerotransportados, singularmente de la fotografa area, que se ha utilizado profusamente para analizar la dinmica de la cobertura del suelo (Martnez Vega, 1989). Como ya vimos en el captulo 5, la dimensin temporal puede considerarse en teledeteccin con un doble objetivo: multiestacional y multianual (Chuvieco, 1998). En el primer caso, la dimensin temporal sirve para refinar la discriminacin de algunas categoras, que pueden no ser separables espectralmente, pero s atendiendo a su variedad fenolgica. Con este objetivo se seleccionan imgenes adquiridas en distintas estaciones, de acuerdo al calendario fenolgico de esas cubiertas. Habitualmente se combinan las bandas de todas las imgenes en un solo archivo, de tal manera que se enriquezca la clasificacin espectral incorporando un componente temporal (Lo et al, 1986). Tambin hay ejemplos de comparacin entre clasificaciones realizadas para distintas estaciones, comparando las categoras que en cada una se pueden separar (Schriever y Congalton, 1995). Los resultados suelen mejorar notablemente la clasificacin monotemporal (Girard, 1981; Mergerson, 1981), siempre que exista un buen ajuste geomtrico entre fechas. El segundo enfoque, que hemos denominado anlisis multianual, tiene por objetivo detectar los cambios producidos entre dos o ms fechas, para lo que suele partirse de imgenes adquiridas en distintos aos, que se comparan visual o digitalmente (Gopal y Woodcock, 1996; Lucas et al, 1993; Sader y Winne, 1992). En este caso, por
427
contraposicin al enfoque multiestacional, se procura que las imgenes sean de la misma poca del ao, con objeto de aislar ms fcilmente lo que las imgenes manifiestan de cambios en el terreno. Con este objetivo, el anlisis multianual requiere una homogeneizacin radiomtrica y geomtrica de las imgenes para minimizar la influencia de la atmsfera, las condiciones del sensor, o la geometra de iluminacin. 3.2. REQUISITOS PREVIOS PARA EL ANLISIS MULTITEMPORAL La comparacin multitemporal entre imgenes se realiza, en la mayor parte de los casos, comparando pxel a pxel los ND de las distintas fechas. En consecuencia, es necesario eliminar previamente, en la medida de lo posible, cualquier cambio en los ND de la escena que no sea debido a cambios reales en la cubierta. Esto implica asegurar que estemos situados en la misma zona para ambas fechas, y que la variable que estamos comparando se refiera a la misma escala de medida. En definitiva, la comparacin temporal requiere una previa correccin geomtrica y radiomtrica de las imgenes que estamos cotejando. 3.2.1. Ajuste geomtrico Para la comparacin multitemporal es preciso que las imgenes se ajusten con gran nivel de detalle, ya que de otro modo estaramos detectando como transformaciones lo que sera slo fruto de una falta de ajuste entre imgenes. El efecto puede llegar a ser muy grave, especialmente cuando se trata de detectar categoras con una gran variabilidad espacial, como es el caso de las urbanas (Gordon, 1980), dependiendo tambin de la resolucin espacial del sensor (Nelson y Grebowsky, 1982; Roy, 2000). Para sensores de baja resolucin espacial se ha comprobado que hasta un 50 % del cambio observado entre dos imgenes puede deberse a errores de superposicin cuando el ajuste entre imgenes tiene un error superior a 1 pxel (Townshend etal, 1992). Varios autores han demostrado que se requiren precisiones de ajuste superiores a 0,2 pxeles para asegurar un error inferior al 10 % en la comparacin multitemporal (Dai-y Khorram, 1998; Townshend etal., 1992). Para ilustrar este tema hemos realizado un sencillo ejercicio, simulando el cambio en una clasificacin de coberturas despus de aplicarle un desplazamiento intencional. La clasificacin corresponde a una imagen Landsat-TM sobre una zona forestal de la provincia de Valencia. Para simplificar las cosas incluye nicamente cuatro categoras. La clasificacin original se desplaz un pxel hacia el oeste y el sur, generndose posteriormente una tabulacin cruzada con la clasificacin inicial. Como es lgico, en este caso todo el cambio observado en ese cruce resulta debido exclusivamente al desplazamiento geomtrico que hemos introducido. Como podemos observar en la figura 7.58 y tabla 7.13a, ese porcentaje de cambio ficticio es bastante notable, alcanzando el 34 % del total del rea de la imagen. Menos severa resultara la comparacin entre clasificaciones que tuvieran algn tipo de generalizacin previa, ya que se eliminaran pequeos grupos aislados que introducen mayor ruido cuando existe ese desplazamiento. Por esta razn hemos realizado la misma comparacin entre la clasificacin original y la desplazada, des-
428
FlG. 7.58.
En la parte superior, clasificacin de cobertura del suelo utilizada como ejemplo. En la inferior, la misma clasificacin con un desplazamiento sistemtico.
pues de aplicarles a ambas un filtro modal de 5 X 5 pxeles. En este caso, los desplazamientos son mucho menos severos, alcanzando el 19 % de la imagen (tabla 7.13>). Si bien los desplazamientos reales entre imgenes no sern tan sistemticos como los aqu indicados, el ejercicio nos sirve para entender la importancia de conseguir un ajuste muy preciso entre imgenes, de cara a garantizar la eficacia de la comparacin multi temporal. La idea de generalizar las imgenes antes de compararlas resulta evidentemente una precaucin a tener en cuenta. Algunos autores han propuesto incluso comparar imgenes previamente segmentadas, de tal forma que se comparen parcelas de una cobertura homognea en lugar de pxeles individuales (Bruzzone y Fernndez-Prieto, 2000). Como ya indicamos en el anterior captulo, la mayor parte de las imgenes basan el ajuste geomtrico en la localizacin de una serie de puntos de control imagen-mapa.
429
TABLA 7.13a.
Efecto del desajuste geomtrico para la comparacin multitemporal. Datos originales

Imagen desplazada 1 2 3 4
Total 389 31.116 76.341 44.215 152.061
1234 TOTAL Imagen original
94 251 43 3 391
247 20.653 9.512 755 31.167
42 9.315 51.449 15.560 76.336
6 897 15.337 27.897 44.137
TABLA 7.13b.
Datos filtrados (filtro modal de 5 x 5 pixeles) *

Imagen desplazada ; 2 3 4 Total
1234 TOTAL Imagen original
98 132 39 0 269
100 23.556 5.196 259 29.111
30 4.954 66.982 8.962 80.928
41 387 8.681 32.361 41.470
269 29.029 80.898 41.582 151.778
* La no coincidencia en los totales con la tabla anterior se debe a que no se consideran en ambos casos los pixeles con clase 0, fruto del desplazamiento.
Para el anlisis multitemporal, los puntos se toman entre imgenes, eligiendo una como referencia. En este caso, el proceso de seleccionar puntos comunes resulta ms sencillo, ya que son muchos ms los rasgos comunes entre dos imgenes, que entre una imagen y un mapa. Para dos imgenes pueden emplearse formas caractersticas de la vegetacin, del trazado parcelario o la hidrografa, visibles entre imgenes pero que habitualmente no son localizables en el mapa, adems de caminos o carreteras. Elegir unos u otros elementos de referencia depender, lgicamente, de la resolucin espacial de la imagen. Tambin para el anlisis multitemporal resulta de inters el proceso de seleccin semi-automtica de puntos de control. A partir de ventanas mviles en torno a cada punto localizado en la imagen de referencia, el punto en la homologa se obtiene por correlacin entre los ND de las dos imgenes (Diez de Arribas y Nicols, 2001; Ortetal., 1979). 3.2.2. Homogeneizacin radiomtrica Otro importante problema en la deteccin de cambios es el producido por las variaciones que introducen las condiciones de observacin, situaciones atmosfricas o la calibracin del sensor. Estos efectos modifican la signatura espectral de un pxel, aunque se mantenga constante la cubierta. En consecuencia, es preciso homogeneizar los
430
ND de las imgenes que intervienen en el anlisis. Para ello puede optarse por un doble enfoque: 1. Calibrar los ND de modo absoluto, convirtindolos a medidas de reflectividad o temperatura del suelo. 2. Equiparar los ND entre imgenes. En el primer caso es preciso acudir a los modelos de conversin a parmetros fsicos vistos previamente, incorporando los parmetros de correccin atmosfrica y de iluminacin ms propios para cada fecha. En el segundo enfoque basta una correccin relativa entre fechas, ya que slo se trata de facilitar las comparaciones entre ellas. Con esta ptica, los mtodos de correccin propuestos se basan en situar una serie de pxeles de radiancia constante entre fechas, preferiblemente que recojan reas de baja reflectividad (sombras, aguas claras y profundas) y alta reflectividad (suelos descubiertos, estacionamientos, pistas de aterrizaje). A partir de los ND de esos pxeles pueden estimarse unos coeficientes de sesgo y ganancia, para cada banda, que permitan corresponder los ND entre fechas distintas. El mtodo se ensay con buenos resultados en un estudio multitemporal sobre la Albufera de Valencia (Caselles y Lpez, 1989), comparndolo con modelos atmosfricos estndar (Tanre et al, 1986). La viabilidad de estas correcciones para homogeneizar las condiciones atmosfricas entre imgenes tambin se ha demostrado en el marco de la estimacin de cosechas (Hill y Sturm, 1991) y en el inventario forestal (Coppin y Bauer, 1994), facilitando ajustes con una correlacin superior a 0,98 (Coppin y Bauer, 1994; Hall et al, 1991a). Puesto que la variacin temporal entre pxeles puede alterar esos coeficientes de regresin, otros autores han propuesto utilizar los ND ms oscuros y ms claros entre fechas, obtenidos a partir de los componentes de brillo y verdor de la transformacin tasseled cap (7.1.3):
ND^skmt + gt
[7.48]
esto es el ND corregido en la banda k se estimara a partir de unos coeficientes de sesgo y ganancia para esa banda, que se obtienen a partir de:
6, - NDO,,, t NDd, r k) I (NDrt , k - NDM ,k)
[7.50]
donde ND0S r 4 y NDcl r k indican el ND medio de los pxeles ms oscuros y ms claros, respectivamente, de la imagen de referencia, y NDOS e, y NDcl c k lo mismo en la imagen a corregir. El mtodo se comprob muy slido para homogeneizar el efecto atmosfrico entre imgenes para un estudio multitemporal. Caso de que la imagen de referencia se hubiera corregido atmosfricamente, el mtodo tambin sirve para eliminar el aporte atmosfrico en las imgenes de otras fechas, obteniendo coeficientes de correlacin muy adecuados con correcciones atmosfricas de precisin (Hall etaL, 1991a). Otros
431
autores proponen, en ausencia de superficies invariantes entre fechas, utilizar aquellos que cuenten con NDVI ms bajos y ms altos (Hill y Sturm, 1991). Recientemente se ha propuesto un mtodo de correccin multitemporal que ha intentado estandarizar los procedimientos de ajuste entre imgenes (Heo y Fitzhugh, 2000). En primer lugar se establecen unos criterios bastante estrictos para seleccionar las superficies como invariantes entre fechas. Debe tratarse de reas con la misma elevacin, para que el espesor atmosfrico sea similar; con similar topografa, preferentemente plana, para que los ngulos de iluminacin entre fechas sean similares; con poca vegetacin, para minimizar los efectos de los cambios fenolgicos; que mantengan el patrn espacial, y que recojan un amplio rango de ND para que la regresin sea consistente. Los autores proponen eliminar puntos con residuales muy altos, pues puede tratarse de reas de cambio o afectadas por algn tipo de ruido, y contemplan la posibilidad de utilizar distintos puntos en cada banda para considerar el distinto sesgo que puedan incluir. Sugieren utilizar pxeles concretos en lugar de promedios de ventanas de 3 X 3 pxeles.
3.3. TCNICAS PARA EL ANLISIS ESTACIONAL
Cuando el fin ltimo del anlisis temporal es determinar perfiles estaciones en las cubiertas vegetales de inters, habitualmente la interpretacin se realiza sobre las distintas fechas de modo simultneo. Por ejemplo, si se pretende mejorar la clasificacin de un determinado cultivo se acude a imgenes de momentos clave dentro de su ciclo fenolgico, que permitan separarlo con nitidez de otros cultivos espectralmente similares (Prados, 1995). La clasificacin, en este sentido, se realiza con todas las fechas simultneamente, ya que se pretende caracterizar una categora a partir de curvas espectro-temporales. Una muestra sencilla de este enfoque sera la discriminacin entre cultivos de secano, de regado y suelos en barbecho (fig. 7.59). En una imagen de verano, ser senci-
FIG. 7.59.
Fragmento de dos imgenes TM del valle del Henares (Guadalajara) tomadas en agosto (izqda.) y mayo (dcha.).
381
Acabada la delimitacin de una parcela de entrenamiento, pueden seleccionarse otras para la misma categora, o bien culminar con ella la definicin de esa clase. En general, resulta conveniente seleccionar varias reas por categora, a fin de reflejar adecuadamente su variabilidad en la zona de estudio. Independientemente del mtodo elegido para seleccionar las reas de entrenamiento, conviene que exista un control de campo suficiente, en fecha prxima a la adquisicin de la imagen, y mejor an si es simultnea, para garantizar la consistencia entre lo medido en el terreno y por el sensor. En estos trabajos ser muy interesante realizar algunas medidas radiomtricas, aprovechando la creciente disponibilidad de radimetros porttiles (fig. 7.35), lo que permite interpretar con ms rigor la seal recibida por el sensor o seleccionar las bandas ms adecuadas para el tratamiento (Barret y Curts, 19996; Milton et al, 1995). Finalizada la seleccin de las reas de entrenamiento, se calculan las estadsticas elementales de cada categora: media, rango, desviacin tpica, matriz de varian-zacovarianza, etc., a partir de los ND de todos los pxeles incluidos en las reas de entrenamiento de esa clase. Lgicamente, este clculo se aplica a todas las bandas que intervendrn en la clasificacin. En definitiva, se asume que las reas de entrenamiento son fieles representantes de las distintas categoras, y que, por tanto, las medidas extradas a partir de sus ND definen convenientemente a esas clases. De aqu que sea crucial su correcta seleccin, ya que de otro modo se estara forzando al algoritmo a clasificar reas heterogneas. En consecuencia, la clasificacin estara viciada de partida, al pretender discriminar categoras con escaso significado espectral. Conviene especialmente evitar reas de entrenamiento que puedan ser heterogneas, o clases espec-
FlG. 7.35.
El empleo de un radimetro de campo permite verificar el comportamiento espectral de una cubierta.
432
lio separar los cultivos regados (A), pero no tanto las parcelas con cultivos de secano (B) y las que descansan (C), lo que s es factible en la primavera, aunque en esa fecha no resulte tan clara la separacin entre secano y regado. En consecuencia, ser conveniente utilizar las dos fechas de modo integrado. Como el incremento en el nmero de fechas implica aumentar el volumen de clculo, ha sido bastante frecuente aplicar previamente alguna tcnica de compactacin, como el anlisis de componentes principales o los ndices de vegetacin. De esa forma pueden procesarse slo las bandas con mayor contenido informativo, evitando redundancias innecesarias (Joly et ai, 1983; Maselli et al., 1996). Un aspecto especfico del anlisis estacional es el seguimiento de las condiciones ambientales en un ciclo corto de tiempo. En este mbito entrara el anlisis de fenmenos atmosfricos o de las condiciones vitales de la vegetacin, por ejemplo de cara a estimar demandas de riego, predicciones de rendimientos o situaciones de peligro de incendios. Por ejemplo, la figura 18* muestra dos imgenes de primavera y verano sobre el sector central del P. N. Cabaeros, mostrndose el contraste estacional que experimentan las especies herbceas dominantes en el valle. Este anlisis estacional puede abordarse con pocas imgenes (p. ej., una por estacin), o con una serie ms numerosa, intentando recoger las variaciones temporales de ciclo inmediato. ste es el caso de emplear imgenes AVHRR, que se adquieren diariamente, y permiten reconstruir con ms detalle las tendencias del crecimiento o senescencia de las comunidades vegetales (Millington et al., 1994). La figura 7.60 muestra un serie de imgenes del NDVI de Andaluca para la primavera y el verano de 1994, que permiten analizar la evolucin estacional de esta variable, as como las variaciones espaciales de esa evolucin.
21 - 31 marzo 21 - 30 abril 21-31 mayo
21-30
10-19 agosto
20 - 29 agosto
30 agosto - 8 septiembre
-iyi-
150
300 km
FIG. 7.60.
Variacin estacional del NDVI para la regin de Andaluca en la primavera y el verano de 1994. (Alonso et al., 1996.)
433
Cuando se trabaja con este enfoque de alta resolucin temporal lo ms frecuente es procesar imgenes de satlites meteorolgicos, ya que proporcionan la mejor resolucin temporal, a un coste aceptable para conseguir series largas de datos. Lgicamente, su baja resolucin limita el anlisis a escalas regionales o globales, si bien la gran informacin temporal puede compensar la carencia de detalle espacial para reconocer ciertos tipos de cubiertas vegetales. Gracias a ello, pueden plantearse clasificaciones con cierto nivel de detalle temtico, a partir de las series multitemporales (Loveland et al, 1991; Tucker et al, 1985). La integracin de estas imgenes con informacin meteorolgica puede enriquecer notablemente nuestro conocimiento sobre la actividad fisiolgica de las plantas, de cara a mejorar los modelos existentes de productividad vegetal (Chladil y Nunez, 1995; Nemani et al, 1993), o plantear estimaciones de su estado hdrico (como ya vimos en 7.1.1.3). Frecuentemente, en el anlisis de estas series suelen emplearse ndices relativos, que permiten medir las condiciones de un momento frente a una tendencia tipo, ya sea el mximo anual o un promedio de una serie larga. Uno de los ms sencillos es el verdor (greenness), definido como (Kogan, 1990):
NDVI -NDVI VERDOR = ---------------------2 ^ - 1 0 0 ' NDVImax - NDVImin
[7.51]
donde NDVI, indica el valor del ndice de vegetacin para el perodo i, y NDVImax y NDVImin los valores mximos y mnimos de los ndices en cada pxel para la serie de imgenes analizada. El verdor, en principio, est ms relacionado que el NDVI absoluto con los cambios debidos a las condiciones atmosfricas, ya que se enfatiza el cambio temporal en el vigor y densidad vegetal frente al cambio espacial que tambin est incluido en el valor absoluto del NDVI. Esa variacin temporal se considera precisamente en funcin de los umbrales de variacin propios de cada pxel. Este ndice se ha comprobado de gran inters en la estimacin del peligro de incendios (Burgan et al, 1998) o condiciones de sequa (Peters et al, 1991). Tambin se ha propuesto calcular el decremento temporal de los ndices de vegetacin, de cara a medir el efecto acumulado de las variaciones estacionales en el vigor vegetal. Una manera sencilla de obtener este ndice es calcular la pendiente de la lnea que define la evolucin temporal del ndice (Hiera et al, 1996):
donde PT indica la pendiente del perodo i, y t el perodo de tiempo considerado. Este ndice parece bastante relacionado con las variaciones del vigor vegetal desde la primavera hasta el verano, identificando situaciones de deterioro en la vegetacin (Lpez et al, 1991). De forma similar, tambin puede estimarse la desviacin de una serie de imgenes respecto al valor medio de ese perodo, en una serie previa de varios aos:
434
NDVI( ) Ai. = ------- ^ - 1 0 0 ' NDVI(r)
[7.53]
donde NDVI(0 indicara el valor del ndice correspondiente a un determinado perodo i y NDVI() el valor medio para ese perodo, para un conjunto de aos suficientemente representativo. Esto permitira ver si las tendencias de un momento determinado son las esperables o se registran valores anmalos (ya sean superiores o inferiores a la tendencia promedio). Otra tcnica utilizada para series temporales de imgenes es el ACP. En este caso, los primeros componentes de una serie normalmente indican una situacin promedio, la tendencia estable, mientras los componentes secundarios informan sobre aspectos del cambio que se observe en el perodo. A partir de componentes principales estandarizados se abord un interesante anlisis de las tendencias de la vegetacin en frica, sobre una serie temporal de 36 imgenes que cubran todo el continente. Se observ que los primeros componentes recogan la tendencia promedio, mientras los restantes marcaban algunos rasgos de inters en la fenologa de la vegetacin, detectando eventos anmalos de sequa, e incluso algunos errores en la adquisicin de las imgenes, difcilmente detectables sobre los valores originales (Eastman y Fulk, 1993). 3.4. TCNICAS PARA LA DETECCIN DE CAMBIOS Los estudios de deteccin de cambios pueden aplicarse a una gran variedad de disciplinas (Mouat et al., 1993). Tienen por objeto analizar qu rasgos presentes en un determinado territorio se han modificado entre dos o ms fechas. Como en otras fases de la interpretacin de imgenes, la localizacin de esos cambios suele implicar un compromiso entre los errores de omisin y de comisin, esto es desechar un cambio que realmente existe, o detectar un cambio que no ha ocurrido, respectivamente. En el primer caso tendramos un carencia de informacin y en el segundo una falsa alarma. La importancia de uno u otro tipo de errores marcar, en buena medida, la tcnica ms conveniente a utilizar en cada caso. En algunos estudios, el objetivo preferente ser evitar las falsas alarmas (aplicar tratamientos sobre un cultivo que no est afectado por una plaga, por ejemplo), pero lo ms habitual ser poner ms bien el nfasis en reducir las omisiones (por ejemplo, resulta preferible asistir a una zona que no ha sido realmente afectada por una inundacin, que arriesgarse a que no se atiendan algunas efectivamente daadas). Otro aspecto de inters en el anlisis de cambios hace referencia al tipo de transformaciones que pretenden delimitarse en una imagen, segn se transformen los rasgos espectrales o espaciales de una imagen (Robin, 1998). Los primeros son los que se detectan ms habitualmente en teledeteccin y hacen referencia a modificaciones en la seal reflejada o emitida por una determinada parcela, ya sea como consecuencia de cambios en la cubierta, ya debido a alteraciones en su densidad o estado fenolgico. Por ejemplo, un nuevo cultivo en la misma explotacin implica mantener la estructura espacial pero alterando la respuesta espectral. Por su parte, los cambios espaciales implican transformaciones de la forma o el tamao de las parcelas, aunque pueda mante-
435
nerse su cobertura previa (por ejemplo, igual cultivo sobre una parcela ms grande o pequea). Estos ltimos estn menos desarrollados en teledeteccin, pero se estn comenzando a analizar gracias a las tcnicas de segmentacin multitemporal (Bruzzone y Fernndez-Prieto, 2000; Smits y Annoni, 1999). Intentando resumir la amplia relacin de estudios que utilizan tcnicas de anlisis multitemporal (Chuvieco, 1998; Eastman et ai, 1994; Jensen, 1981; Mouat et al, 1993; Singh, 1986), podemos establecer dos grupos, segn utilicen imgenes continuas o categorizadas. En el primer caso se emplean tcnicas cuantitativas: diferencias, regresin, componentes principales, etc., mientras en el segundo se comparan imgenes previamente clasificadas, mediante tablas de contingencia. A continuacin vamos a repasar las tcnicas ms empleadas, presentando algunos ejemplos prcticos de su utilizacin. 3.4.1. Composiciones de color multitemporales En esta tcnica se trata de detectar las reas de cambio mediante el anlisis visual de imgenes en color provenientes de varias fechas. Ya hemos visto en esta obra que cualquier sistema de ADI permite obtener mezclas en color de tres bandas de una imagen, aplicando a cada una de ellas uno de los caones de color disponibles (R,V,A). Si la imagen resultante aparece en tonos de color es debido a que las tres bandas que se combinan presentan comportamientos espectrales diferentes. Dicho de otra manera, si vemos un pxel en color es porque cuenta con un ND distinto en las tres bandas que estamos utilizando (o al menos en dos de ellas), ya que de otra manera se vera en tonos de gris. Si en lugar de combinar tres bandas distintas del espectro mezclamos tres fechas de la misma banda estaramos viendo en tonos de color aquellos pxeles que tuvieran distintos ND en alguna de ellas, mientras apareceran en tonos de gris los que no hubieran cambiado entre fechas. La interpretacin del color resultante depender, lgicamente, de qu bandas combinemos y en qu orden temporal. Para una composicin de dos fechas resulta frecuente que se aplique el can rojo a la primera fecha y el verde a la segunda, dejando el azul vaco o repitiendo la segunda fecha (fig. 19*), as se simplificara la interpretacin del color resultante. Con este criterio apareceran en tonos grises las reas estables, en rojos las zonas que hayan reducido su ND entre las dos fechas y en cian (V + A) las que lo hayan ganado. El sentido de la transformacin que muestren esos colores depender de qu bandas estemos comparando entre fechas. En caso de que estemos combinando el NDVI de los dos perodos (manteniendo el criterio de rojo a la primera fecha y verde + azul a la segunda), los tonos rojos revelaran decrementos de NDVI (en definitiva, prdidas de cobertura vegetal debidas a talas, cosechas, incendios, etc.), mientras los cian indicaran aumentos de NDVI (ganancias de vegetacin, por ejemplo, a causa de la puesta en cultivo de suelos previamente descubiertos o por desecacin de una lmina de agua). Lgicamente, tambin pueden usarse los ND originales o los valores de reflectividad de alguna de las bandas de la imagen. En ese caso, la interpretacin diferir de la indicada para el NDVI. La tabla 7.14 recoge un ejemplo de posible interpretacin cruzada entre composiciones multitemporales en color de dos bandas distintas (la IRC y SWIR). Como puede analizarse, los incrementos o decrementos en una banda tendrn significados dis-
436 TABLA 7.14.
TELEDETECCIN AMBIENTAL Modelo de interpretacin para dos composiciones multitemporales en el IRC y el SWIR
IRC Color en pantalla Banda espectral Tonos rojos Tonos verdes Tonos amarillos
SWIR Color en pantalla Tonos amarillos
Tonos rojos Tonos verdes
Suelo a agua Vegetacin a suelo Vegetacin senescente
Suelo a vegetacin Agua a suelo Vegetacin emergente
Suelo seco a hmedo Suelo hmedo a seco Sin cambios
(Los tonos corresponden a lo que se observara en una composicin multitemporal de cada banda, asumiendo que el color rojo se aplica a la primera fecha y el verde a la segunda.)
tintos segn las tendencias observadas en otra/otras. Por lo dems, el mtodo resulta bastante sencillo y tiene la ventaja de incorporar el conocimiento y los criterios de anlisis del intrprete, lo que resulta muy ventajoso en categoras urbanas (Martin, 1989; Sadery Winne, 1992). Un ejemplo de estas composiciones en color multitemporal aparecen en la figura 19*, mostrando las tendencias del crecimiento urbano de Madrid entre 1984 y 2000. Los tonos cian indican superficies en construccin, ya sea por nuevas infraestructuras (M-45, trazado del AVE, aeropuerto) o expansiones residenciales (bastante evidentes al norte del ncleo urbano, as como algunos sectores del Este. 3.4.2. Diferencia entre imgenes Una simple resta entre las imgenes de dos fechas, previamente homogeneizadas radiomtrica y geomtricamente, permite discriminar aquellas zonas que han experimentado cambios entre esas fechas. Las zonas estables presentarn un valor cercano a cero, mientras las que hayan experimentado cambios ofrecern valores significativamente distintos a cero (positivos o negativos). Si el equipo de ADI no permite visualizar valores negativos conviene aadir al clculo una constante para evitar stos. En resumen: = N,2-ND,, + C [7.54]
donde NDr indica el ND correspondiente a la imagen de cambios, ND,, y ND,2 los correspondientes a las imgenes del primer y segundo perodo, respectivamente, y C es una constante para evitar valores negativos. Como fruto de este clculo se obtiene una imagen de cambios, que presentar valores bajos o negativos (tonos oscuros) para las zonas que hayan reducido su ND, mientras los ms altos (tonos claros) correspondern a aquellas que hayan ganado y los intermedios indicarn zonas estables. El clculo puede realizarse sobre los ND de alguna de las bandas originales (en ocasiones se ha utilizado la banda roja: Piln etal, 1988), aunque es ms frecuente aplicar esta operacin sobre ndices de vegetacin. En este caso, el valor de la diferencia nos permite sealar las zonas que han perdido o ganado vigor vegetal, o simplemente la que han cambiado su cobertura por efecto de la rotuacin, talas o incendios (Coppin y Bauer, 1994; Martn y Chuvieco, 1995). El histograma de esa imagen de cambios suele revelar un perfil gausiano, con las mximas
437
FlG. 7.61.
Histograma terico de una imagen de cambios.
frecuencias para las zonas estables (en el centro del histograma) y las dinmicas ocupando las colas de la distribucin (fig. 7.61). Las figuras 7.62 y 7.63 incluyen dos ejemplos del empleo de esta tcnica para detectar cambios en la vegetacin. En ambos casos se incluye el NDVI como variable de entrada. El primer ejemplo, tomado de un estudio de deforestacin en los Llanos Occidentales venezolanos (Vargas, 2000), revela las zonas que han perdido cubierta forestal entre 1993 y 1997, perodo de especial intensidad de este fenmeno. Por su parte, la figura 7.63 muestra la diferencia entre imgenes de NDVI adquiridas antes y despus de un incendio en el interior de Valencia (prxima a Buol). Se observa en tonos oscuros las zonas donde el decremento de NDVI ha sido ms intenso, que coincide bastante bien con las zonas quemadas, mientras los grises medios corresponden a zonas que no han alterado su cubierta vegetal entre ambas fechas. 3.4.3. Cocientes multitemporales La diferencia entre imgenes resulta una tcnica sencilla para observar cambios entre fechas, si bien tiene el problema de reflejar nicamente las diferencias absolutas, pero no ofrece la significacin del cambio frente a los valores originales. Por ejemplo, una reduccin de 20 ND entre fechas puede significar una alteracin significativa si el ND original era 40, mientras resultar menos importante si el ND de la primera fecha era de 200. Para subsanar ese problema puede ser ms conveniente en ocasiones emplear cocientes multitemporales, que ofrecen una valoracin relativa del cambio: NDC=(ND;2/ND,,)XC [7.55]
438
-1,42 -1,18 -0,93 -0,69 -0,44 -0,20 0,05 0,29 0,54 0,78
Diferencia (1997-1993) Histograma de la imagen de diferencias
FlG. 7.62.
Diferencias entre NDV1 de 1997 y 1993 para detectar procesos de deforestacin.
con el mismo significado de la frmula anterior, o tambin los ndices multitemporales normalizados: ND,,,f = ((ND,2-ND,,)/(ND,2 + ND,,)) + 1) X 127 [7.56]
en este caso se aade al ndice 1 y se multiplica el resultado por 127 para escalar el resultado entre 0 y 254. Los cocientes multitemporales se han empleado en inventarios agrcolas (Lo etal, 1986; Mussakowski, 1985) y forestales (Howarth y Wickware, 1981; Singh, 1986). En aplicaciones ambientales es frecuente que estos cocientes se calculen a partir de los ndices de vegetacin, lo que permite simplificar la variacin vegetal en una sola banda. En este contexto se han empleado con gran xito los cocientes en estudios de deforestacin
439
(Grover et al, 1995; Singh, 1986; Vargas, 2000), e incendios forestales (Kasischke et al, 1993; Martn y Chuvieco, 1995). El principal problema de los cocientes multitemporales es su carcter no simtrico. En otras palabras, el resultado es dependiente de qu fecha elijamos para el numerador. Una reduccin a la mitad del ND (p. ej., de 100 a 50) ofrece un valor de 2 o de 0,5 segn el orden en que introduzcamos las fechas. En definitiva, implica una transformacin no lineal de las relaciones temporales. Para solucionar este problema, algunos autores recomiendan realizar una conversin logartmica del resultado (Eastman et al, 1994). La figura 7.63& nos ofrece una imagen del cociente normalizado de los NDVI correspondientes al incendio de Buol, junto a la imagen de diferencias simples. En este caso, la delimitacin del rea quemada es bastante clara y similar en ambas tcnicas, observndose tanto el permetro propiamente dicho, como sectores dentro de la mancha quemada donde el incendio fue menos severo o haba menor presencia vegetal. 3.4.4. Componentes principales Como antes sealamos, en el caso de aplicaciones multitemporales el ACP se utiliza de un modo un tanto particular, ya que no se pretende retener la informacin comn entre fechas, sino precisamente la que cambia. Para aplicar esta tcnica en la deteccin de cambios se genera un archivo multitemporal con las bandas correspondientes a las dos fechas, sobre el que se aplica el ACP. En este caso, los primeros componentes resultantes del anlisis no son los ms interesantes, ya que recogern la dimensin de estabilidad en la imagen. Por su parte, los componentes secundarios ofrecen la informacin no comn: el cambio, que es precisamente lo que ms interesa en este contexto. El ACP se ha utilizado frecuentemente en deteccin de cambios. Para 2 imgenes MSS (4 bandas cada una) se ha comprobado que los componentes 3,4 y 5 recogen ha-
FlG. 7.63. Imgenes de NDVI antes (a) y despus del fuego (b) en el rea de Buol. Diferencias (c) y cocientes (d) entre ambas imgenes, que evidencian el rea quemada.
440
TABLA 7.15.
Autovectores de los componentes principales para las imgenes de Torrelaguna (TM = 1984; ETM = 2000)
bitualmente el cambio entre fechas (Byrne et al, 1980). Algunos autores interpretan que los dos primeros componentes de ese conjunto de 8 ofrecen informacin sobre el brillo y el verdor estables en la imagen, mientras el 3. indica cambio en el brillo y el 4. cambio en el verdor (Fung y LeDrew, 1987; Fung y LeDrew, 1988; Ingebritsen y Lyon, 1985). Tambin en ocasiones se han comparado los componentes principales deducidos para cada fecha, por separado, aplicando una diferencia o cociente entre ellos (Coppin y Bauer, 1994; Singh, 1986). En la tabla 7.15 aparecen los autovalores y autovectores correspondientes a la comparacin multitemporal de dos imgenes adquiridas en el rea de Torrelaguna, que venimos utilizando en este captulo. Aqu se han mezclado las bandas 1, 2,4, 5 y 7 de dos pequeas ventanas extradas de dos imgenes tomadas con 16 aos de diferencia (verano de 1984 y primavera de 2000), por los sensores TM y ETM+, respectivamente.8 Los cuatro primeros CP suman ms del 95 % de la varianza, por lo que se puede afirmar que recogen lo ms sustancial de ambas fechas. La interpretacin de los componentes se realiza de forma similar a como comentamos en el epgrafe 1.4, si bien en este caso, adems del contraste espectral que marquen los coeficientes tambin hay que observar el temporal. El primer CP corresponde claramente al sustrato comn entre todas las bandas y las dos fechas, ya que todos los coeficientes son positivos, lo que podemos simplificar denominndolo brillo estable. El segundo corresponde con nitidez al cambio entre fechas, ya que los coeficientes son negativos en la primera imagen y positivos en la segunda. Ya que no se hace una distincin entre bandas, dentro de cada fecha, podemos denominar a este componente como cambios en el brillo, o mejor an, considerando el signo de los coeficientes, incremento de brillo. El tercero muestra para las dos fechas el contraste entre el IRC y las dems bandas, por lo que podemos calificarlo como verdor estable. Ntese que los coeficientes son algo ms altos en el IRC de la segunda fecha por tratarse de una imagen de primavera y, por tanto, contar con mayor vigor vegetal que en la primera. Finalmente, el cuarto componente resulta ms complicado de interpretar, pues si bien se refiere a cambio entre fechas (los coeficientes tienen signos distintos en el IRC y en una de las bandas del SWIR), no es ntido a qu tipo de contraste especial est refirindose, tal vez a la transicin de vegetacin seca a vigorosa. La figura 7.64 proporciona una valoracin grfica del sentido de estos componentes. Aparece en la parte superior la banda 4 de las dos fechas, para que se nos facilite la observacin visual de los cambios. A continuacin se sitan los 4 primeros CP del
8. La banda 3 de la imagen TM de 1984 estaba daada, por lo que no se ha podido utilizar en este anlisis. No obstante, su variacin espectral se cubre bastante bien con las bandas 2 y 1.
441
FlG. 7.64. Imgenes originales de Torrelaguna: a) Banda 4, 1984; b) Banda 4, 2000. Cuatro primeros CP multitemporales (c, d, e, f) de ambas imgenes. En el segundo componente se observan algunos cambios en el brillo de la imagen.
archivo multi temporal. Se confirma que el primero recoge la informacin estable a las dos fechas, con la excepcin del sector del embalse del Velln que aparece parcialmente desecado en la segunda fecha y no se aprecia en la imagen de estabilidad, posiblemente por el fuerte peso de la absorcin del agua en la primera. En el segundo, que habamos denominado incremento de brillo, esa zona se observa con gran nitidez, ya que es precisamente la que presenta los valores ms altos (mayor incremento de brillo entre las dos fechas, al pasar de agua a vegetacin). Asimismo, hemos destacado con crculos dos recientes urbanizaciones en construccin (o recientemente construidas), que ofrecen valores ms altos de brillo por pasar de vegetacin a suelo construido. El tercer componente muestra los sectores de vegetacin ms vigorosa entre fechas, que corresponden generalmente a pastizales. Finalmente, el cuarto nos informa de cambios que se han producido en el vigor vegetal, de reas de vegetacin seca a vigorosa. Esta dimensin nos permite caracterizar con claridad algunas zonas residenciales ya consolidadas, que han pasado de vegetacin arbrea-arbustiva a especies ornamentales, con mayor vigor, no obstante la interpretacin de este componente, como hemos visto, resulta un tanto confusa.
442
TELEDETECCION AMBIENTAL t2 = a + b x f1
Cambio = f2 - /2
FlG. 7.65. Esquema de la regresin multitemporal.
3.4.5. Regresin Como es bien sabido, las tcnicas de regresin se emplean para estimar valores de una variable de inters a partir de otra que est fuertemente asociada con ella. Esa asociacin se mide a partir de unas observaciones comunes a ambas variables, a partir de las cuales se ajusta una funcin que las relaciona numricamente. En el marco de la correccin geomtrica de imgenes p, ya tuvimos ocasin de comentar esta tcnica, por lo que aqu slo nos detendremos en su aplicacin al anlisis de cambios. En este contexto, las tcnicas de regresin se utilizan para estimar cules sean los ND de la imagen de la segunda fecha caso de que no hubiera habido cambios entre ellas. En definitiva, se considera que la segunda fecha es una funcin de la primera, y que toda desviacin de la funcin estimada estara representando el cambio. Siguiendo la notacin convencional, los ND de la segunda fecha se estiman a partir de la primera, utilizando: ND,, =a + b-ND, [7.57]
donde D,2 estara indicando el valor estimado de la segunda fecha (2), calculado a partir de los coeficientes de regresin (a, b) sobre los ND de la primera fecha (ti). Estos valores estimados sern muy similares a los reales de la segunda fecha, siempre que no se haya producido cambio, sirviendo adems para homogeneizar la radiometra entre las dos fechas. En caso de que hayan ocurrido cambios entre imgenes, los ND reales de la segunda fecha presentarn valores alejados de los estimados por la regresin, o lo que es lo mismo contarn con altos residuales: ND - ND,2 - ND,2 [7.58]
Los coeficientes de regresin pueden calcularse para todos los ND de la imagen o a partir de un muestreo. En el primer caso, puede violentarse algn requisito de la regresin, ya que los ND presentan una clara autocorrelacin espacial (Congalton, 1988a; Eastman et al., 1994), adems de complicar los clculos. La regresin multitemporal se ha utilizado para determinar cambios en reas urbanas (Molina y Chuvieco, 1997), y forestales (Martn y Chuvieco, 1995; Vargas y Chuvieco, 1991), con buenos resultados. Un ejemplo de la aplicacin de este tipo de tcnicas aparece en la figura 7.66 que
Original 2000
Estimada 2000
Residuales
FlG. 7.66. Regresin multitemporal sobre las imgenes de Madrid.
444
muestra una comparacin entre la banda ETM+3 de una imagen de Madrid adquirida en marzo de 2000 y la estimada a partir de la TM-3 de agosto de 1992, as como la imagen de residuales. Se observan con claridad los desarrollos urbanos que han ocurrido en esta ciudad a lo largo de la ltima dcada, principalmente la ampliacin del aeropuerto de Barajas (al NE), la urbanizacin de los sectores comprendidos entre la M-30 y la M-40 al norte de la ciudad y la construccin de la M-45 y la lnea de alta velocidad Madrid-Barcelona, ambos al este de la ciudad. En el caso de la imagen de Torrelaguna, la regresin entre la banda 2 de las dos fechas facilit un coeficiente de determinacin (r2) de 63,38 % con la siguiente regresin: ND/2= 13,436 + 0,584 ND(1 Esta funcin se ha aplicado para obtener la imagen estimada de la segunda fecha (en este caso de 2000), que se ha restado de la imagen original para obtener los residuales. Esta imagen de residuales nos informa de los principales cambios producidos, tanto en su intensidad (valor), como su sentido (signo). Se observan nuevas reas residenciales, al Este, Norte y Centro de la imagen, as como la prdida de buena parte del rea embalsada en el Velln. La figura 7.67 recoge la aplicacin de la misma tcnica a la misma ventana de
FlG. 7.67. Regresin multitemporal de la imagen de Torrelaguna: a) banda TM2 1992; b) banda ETM2 2000; c) imagen de residuales. Se sealan con crculos los cambios ms evidentes.
445
la imagen TorrelOO que hemos analizado a travs del ACP. De nuevo se observa en la imagen de residuales los cambios ms destacados entre fechas: alteraciones del nivel del agua, crecimiento urbano de Guadalix y apertura de nuevas urbanizaciones. 3.4.6. Vectores multitemporales Es una tcnica que intenta incorporar no slo la importancia, sino tambin la direccin del cambio entre imgenes. Si representamos en un eje bivariado dos bandas originales (por ejemplo, la rojo e infrarrojo cercano), cada pxel viene definido por un punto (localizacin de sus ND en las dos bandas). Si ese pxel cambia su cobertura entre dos fechas, tambin modificar su emplazamiento espectral. La magnitud del cambio vendr dado por la longitud del vector que separa ambos puntos. Por su parte, el sentido del cambio se define por eJ ngulo que forma con el eje de referencia (fg. 7.68). Caso de que el pxel haya reducido el vigor vegetal, tender a disminuir su ND en el infrarrojo cercano y aumentarlo en el rojo. En consecuencia, el vector presentar una direccin descendente y hacia la derecha del grfico (en trminos geogrficos tendra direccin SE). Por el contrario, si aumentara su cobertura vegetal el vector presentara una direccin NW. Con este sencillo ejemplo, podemos introducir el inters de este tipo de anlisis para la deteccin de cambios, ya que nos ofrece una imagen de su magnitud y sentido. La intensidad del cambio se identifica con la longitud del eje, que puede obtenerse a
Rojo
FlG. 7.68. Ejemplo de vectores de cambio entre dos fechas de referencia.
446
partir de calcular la distancia entre la localizacin espectral de cada pxel en las dos fechas (fig. 7.69):
dtJ,t = A/(ND,,^LT^+ (ND,,,, - ND,,,2 Y
[7.59]
donde d c indica la intensidad del cambio espectral en las bandas i,j entre los dos perodos considerados (t y t2). Por su parte, la direccin del cambio puede calcularse a partir del ngulo que forma el vector de cambio con la vertical (a): a = arct [7.60]
En la figura 7.69 aparecen los dos componentes de intensidad y direccin del cambio para la imagen del incendio de Buol. La imagen de intensidad muestra los tonos ms claros para las reas afectadas por el fuego, ya que son stas las que han experimentado un cambio ms intenso entre las dos fechas. Adems se muestran en el vrtice NE de la imagen unas pequeas zonas afectadas por nubes en la segunda fecha, por lo que tambin ofrecen un cambio bastante intenso y, en consecuencia, tonos claros. La imagen inferior muestra la direccin del cambio. Como puede observarse, las dos clases que ms intensamente han cambiado (de vegetacin sana a quemada, y de vegetacin a nubes) muestran ahora tonos muy distintos, en funcin del sentido del cambio. En el primer caso, los tonos son oscuros, indicando que los ND de la segunda fecha son inferiores a los de la primera.
Direccin
Intensidad
FlG. 7.69. Vectores multitemporales para la deteccin de incendios (Buol).
447
3.4.7. El problema de delimitar los umbrales Todos los mtodos hasta aqu analizados facilitan imgenes continuas del cambio. En otras palabras, el resultado de los clculos es una imagen en donde el ND indica el grado de cambio, desde la mayor prdida a la mayor ganancia, en una escala gradual. Habitualmente, el intrprete pretende ms bien generar una imagen categorizada, en donde se separen las clases de cambio y no cambio. En consecuencia, es preciso segmentar la imagen resultante de las tcnicas anteriores, de tal forma que se delimiten las zonas dinmicas de las que han permanecido estables. El lmite entre ambas resulta complicado de trazar, ya que no contamos con criterios objetivos y de aplicacin general. En teora, el histograma de la imagen de cambios debera permitir esta segmentacin, ofreciendo un perfil bimodal correspondiente a los pxeles estables y dinmicos. Sin embargo, en la prctica, los histogramas no definen con tanta claridad ese umbral, ya que los cambios en la naturaleza no se producen de modo abrupto sino gradual, como ocurre con la imagen de cambios de Torrelaguna (fg. 7.70). En consecuencia, es preciso arbitrar algn criterio slido que permita segmentar esa imagen de cambios en dos (p. ej., cambios / no cambios), tres (p. ej.: incremento / estable / decremento), o ms categoras (p. ej., alto incremento / moderado incremento / estable / moderado decremento / alto decremento). Se han propuesto distintas opciones para establecer esos umbrales, ninguna de ellas plenamente satisfactoria y objetiva. Con frecuencia se han utilizado criterios estadsticos, basados en la media y algn mltiplo de la desviacin tpica, o la propia distribucin del histograma (Hervs y Rosin, 2001). Lgicamente, el problema en ese caso sera fijar qu mltiplo es ms apropiado, ya que no se conoce qu porcentaje de cambio incluyen las imgenes y por tanto no sabemos las unidades tipificadas que le corresponden. Algunos autores han ensayado la aplicacin sucesiva de distintos mltiplos de la desviacin tpica para delimitar cambios urbanos entre dos imgenes. En cada iteracin, las zonas de cambio y no cambio se separaban a partir del lmite fijado por n desviaciones tpicas ( la media), variando n desde 0,1 hasta 2. Las reas categorizadas como de cambio se verificaban con parcelas delimitadas en el terreno, calculndose la fiabilidad para cada iteracin hasta encontrar el valor ptimo (Fung,
60.000 50.000 40.000 30.000 20.000 10.000 -
40 50 60 70 80 90 100 110 120 130 140150 160 170 180 190 200 210 FIG.
7.70.
Histograma de la imagen de diferencias multitemporales de Torrelaguna.
448
] 992; Fung y LeDrew, 1988). Los lmites idneos variaban con cada tcnica de deteccin utilizada, si bien se encontraban en torno a una desviacin tpica de la media. Ese lmite puede considerarse estadsticamente razonable, pero no sabemos si el resultado es extrapolable a otra zona o a otro tipo de aplicacin. Ms recientemente se ha propuesto ajustar los umbrales de cambio considerando la funcin seal/ruido de un determinado sensor. Ese ruido puede provenir del incorrecto ajuste entre fechas, o de la propia radiometra del sensor. Se propone estimarlo a partir de una biblioteca de imgenes histricas de cambio, que permitan delimitar los umbrales de evidencia ms apropiados para ese tipo de imgenes. Para un estudio de cambios urbanos con imgenes SPOT-P, los autores utilizan una biblioteca con 711 pares de cambios, extrados de imgenes del mismo sensor para distintas zonas y fechas (Smits y Annoni, 2000). Un segundo criterio parte de sealar umbrales de cambio a partir de valores crticos de incremento o decremento de una determinada variable fsica. Por ejemplo, puede dictaminarse que una disminucin de temperatura superior a 10 C entre dos imgenes tomadas en das consecutivos indicara la presencia de nubes en la segunda imagen, o que un decremento mayor de un cierto umbral de NDVI manifiesta un cambio abrupto en la vegetacin que slo puede deberse a un trnsito de vegetacin a suelo. Este ha sido de hecho un criterio habitual para delimitar reas quemadas a partir de imgenes TM y AVHRR (Martn y Chuvieco, 1995). El valor especfico de esos umbrales puede derivarse a partir de medidas de laboratorio tomadas con espectroradimetro. Tambin puede optarse por sealar umbrales de cambio adaptados al entorno, aplicando tcnicas de contexto espacial. Por ejemplo, pueden determinarse como cambios aquellos pxeles que superen un cierto umbral de desviaciones tpicas sobre el cambio observado en una ventana que les circunde. Esto es lo que se denomina desviacin frente a la tendencia (departure from background), y es una tcnica bastante utilizada para deteccin de incendios activos (Flasse y Ceccato, 1996) y delimitacin de reas quemadas (Fernndez et al., 1997). Finalmente, se pueden seleccionar los umbrales de cambio a partir de una clasificacin de las imgenes de cambio obtenidas con distintas tcnicas, con objeto de establecer grupos homogneos de pxeles estables y dinmicos. Pueden realizarse clasificaciones supervisadas, a partir de reas que se conozcan como estables o dinmicas, o no supervisadas, dejando al programa que seleccione los grupos naturales presentes en esas imgenes. El criterio ha dado buenos resultados en aplicaciones forestales (Coppin y Bauer, 1994) clasificando imgenes de cambio generadas a partir de la transformacin tasseled cap, ndices de vegetacin y anlisis de componentes principales, y urbanas (Wang, 1993), en este caso sobre las bandas originales de las dos fechas. Sea uno u otro el criterio que se utilice, conviene recordar que la mayor o menor rigidez de los umbrales implicar incrementar o disminuir los errores de omisin, o inversamente los de comisin, por lo que el usuario tendr que decidir en primer lugar qu tipo de error resulta ms tolerable. Volviendo al ejemplo de la delimitacin de reas quemadas, los umbrales muy exigentes reduciran las reas no quemadas que se discriminen como tales, a la vez que aumentaran los pxeles realmente quemados que no se detectaran con ese algoritmo (fig. 7.71). En este caso concreto, pensamos que resulta ms ade-
449
d)
FIG. 7.71. ndice de rea quemada para la imagen de Buol, antes (a) y despus del incendio (b). Aplicacin de umbrales laxos (c) y estrictos (d) para discriminar rea quemada.
cuado optar por la segunda opcin, de cara a reducir los errores de comisin, y aplicar posteriormente un algoritmo de contexto para delimitar con mayor nitidez las reas realmente quemadas. Otro aspecto interesante en la delimitacin de umbrales es el carcter fragmentario que puede tener la imagen resultante, ya que los lmites se establecen por cortes en el histograma de cambios y no por criterios espaciales. Para solventar este problema puede resultar conveniente aplicar algn filtro modal a las imgenes resultantes (fig. 7.72) o eliminar aquellos grupos de pxeles que sean ms pequeos de un determinado tamao (Fernndez-Gustz, 2001). 3.4.8. Anlisis multitemporal de imgenes clasificadas La deteccin de cambios puede tambin abordarse empleando las tcnicas de clasificacin antes comentadas. En este caso, no se presenta el problema de delimitar umbrales, ya que clasificar lleva consigo discretizar la escala continua de las imgenes originales, por tanto comparaciones multitemporales se realizan entre categoras. La deteccin de cambios a partir de tcnicas de clasificacin puede abordarse empleando dos grupos de tcnicas: 1) por un lado, comparar imgenes previamente clasificadas, y 2) por otro, clasificar conjuntamente las imgenes de las dos fechas. En el primer caso se aborda una clasificacin para cada imagen por separado, cuidando de emplear la misma leyenda temtica en las dos fechas, con objeto de que
450
Fie 7.72.
El empleo de filtros modales restringe las reas de cambio detectadas entre imgenes. (Fernndez, 2001.)
puedan compararse posteriormente. A continuacin se genera una tabla multitemporal de cambios, en donde se presentan las transiciones que se producen entre las dos fechas (tabla 7.16). En la diagonal de esta tabla aparecen los pxeles estables (que cuentan con la misma categora en las dos fechas), mientras los cambios se detectan en el resto de las celdillas. El gran inters de esta tabla es ofrecernos las transiciones que se han producido. En otras palabras, no slo observamos las zonas estables y dinmicas, sino tambin cul era la cobertura original y cul la actual, lo que nos indica las tendencias del cambio en la zona de estudio. En un estudio de deforestacin, esto nos permitira conocer qu tipo de especies forestales estn siendo ms afectadas; en una evaluacin de incendios, qu especies se han quemado, o en un estudio urbano, qu es-
451
TABLA 7.16.
Cambios urbanos en la ciudad de Madrid a travs del anlisis de dos imgenes Landsat-TM y ETM (en hectreas)
1992 MatorralVegetacin pastizal Secano* Suelos reas urbanas Agua Total
Vegetacin o Matorral-pastizal Secano Suelo reas urbanas Agua TOTAL

*
10.775,38 793,31 468,63 134,63 1.209,56 60,50 13.442,00
4.681,44 5.188,75 2.566,81 1.182,69 1.778,81 9,00 15.407,50
666,31 5.924,94 2.507,44 3.992,75 2.034,63 9,50 15.135,56
77,81 346,38 130,50 816,06 603,13 5,31 1.979,19
1.669,19 1.605,44 456,88 950,94 7.475,31 19,81 12.177,56
14,13 5,50 1,25 1,00 3,13 151,44 176,44
17.884,25 13.864,31 6.131,50 7.078,06 13.104,56 255,56 58.318,25
La imagen de 2000 se tom en primavera, de ah algunos cambios en esta categora entre las dos fechas: Fernandez (2001).
pacios estn experimentado un mayor proceso de urbanizacin (Adeniyi, 1985; CoppinyBauer, 1994;Howarthy Boasson, 1983; Jakubauskas e a/., 1990; Molina y Chuvieco, 1997). En este sentido, puede aplicarse algn estadstico para medir el grado de cambio entre las dos fechas, a partir de calcular su grado de asociacin. Por ejemplo, el ndice Kappa que permite calcular el grado de acuerdo entre filas y columnas de una matriz cuadrada, como luego veremos en el contexto de la verificacin de imgenes (cap. 8) permite medir el grado de cambio entre las dos fechas: cuanto ms alto sea el valor, indicara una mayor estabilidad. En un anlisis posterior podra analizarse el origen de estos cambios, acudiendo a informacin auxiliar almacenada en un SIG. Por ejemplo, abandonos de tierras podran explicarse por factores relacionados con la productividad del suelo, con la topografa o con la accesibilidad (Bosque et al., 1991). El principal problema de esta tabla es su gran dependencia de la fiabilidad de las clasificaciones individuales. En otras palabras, si las clases no se han discriminado correctamente en cualquiera de las dos fechas, los cruces entre categoras resultarn errneos, ofreciendo una informacin imprecisa del cambio. En cualquier caso, la fiabilidad de la tabla multitemporal siempre es inferior a las fiabilidades de cada clasificacin.9 El empleo de tcnicas de clasificacin borrosa puede paliar algunos de estos errores, ya que ciertas transiciones imposibles (p. ej., de urbano a rural) pueden solventarse observando el grado de pertenencia de cada pxel a esas categoras en las dos fechas (Wang, 1993). Este enfoque borroso en el anlisis temporal resulta especialmente beneficioso cuando pretendemos analizar la dinmica de un fenmeno que presenta una distribucin gradual en el espacio, como podra ser la densidad y estado de la vegetacin (Foody, 2001). Otro aspecto a considerar en la comparacin entre clasificaciones afecta a la cartografa de resultados. Puesto que podemos encontrar cruces mltiples entr las categoras de las dos fechas, el nmero de clases a cartografiar puede ser bastante elevado. Por ejemplo, con una sencilla clasificacin de 8 categoras por fecha tendramos 64 clases
9. Concretamente es su producto. Si las clasificaciones individuales cuentan con una exactitud de 0,85 y 0,90, la fiabilidad de la multitemporal ser de 0,85 x 0,90 = 0,76.
452
FlG. 7.73. Ejemplo de cartografa dinmica sobre una ventana de Torrelaguna (1984-2000): a.) procedencia del suelo; b) procedencia del pastizal. En ambos casos el 1 indica agua; el 2 matorral; el 3 pastizal y el 4 suelo descubierto. En blanco, se sealan las zonas estables.
resultantes posibles. Aunque puede haber algunas de ellas que estn vacas (ya que hay cruces temporales prcticamente imposibles), la representacin grfica de esas concurrencias resulta bastante complicada. Una alternativa para representarlos sera recoger varios mapas del mismo cruce, por ejemplo uno por categora de la segunda fecha, indicando con tramas o colores su origen en la primera fecha. Esto es lo que se presenta en la figura 7.73, que recoge la dinmica de dos categoras entre 1984 y 2000 en una ventana de la zona de Torrelaguna. Los tonos blancos indican zonas estables y los de gris sealan cul es la cobertura de la primera fecha. En consecuencia, pueden observarse tanto las reas estables, como las transiciones que se han producido entre las dos imgenes. El otro enfoque de la clasificacin multitemporal considera la asignacin conjunta de las dos fechas. En este caso, la clasificacin resultante estar formada por categoras multitemporales, definidas por su estabilidad o por su cambio entre las dos imgenes que se consideren. Nombres apropiados a estas clases podran ser, por ejemplo, transicin de zonas rurales a urbanas, cambios de agricultura de secano a regado, o urbano estable. Esas clases pueden deducirse de una clasificacin supervisada, en donde el intrprete seale como reas de entrenamiento aquellos sectores que hayan experimentado las transformaciones ms interesantes. Esa leyenda de trabajo, por tanto, tiene que ser dinmica, incluyendo categoras de estabilidad y de cambio (por ejemplo, reas que eran rurales en la primera fecha y pasaron a urbanas en la segunda, o zonas de cultivo estable). Tambin puede optarse por la clasificacin no supervisada, donde el algoritmo de agrupacin identificar los grupos de estabilidad y cambio ms importantes de la imagen, quedando luego al intrprete la tarea de asignar esos grupos a categoras multitemporales significativas. En este caso, la fiabilidad de la comparacin temporal no depende de la obtenida en cada imagen, sino que se mide sobre la clasificacin resultante, ya que las dos fechas se agrupan conjuntamente. Algunos trabajos recientes sealan el inters de realizar estas comparaciones temporales no supervisadas incluyendo explcitamente el componente textural, de cara a obtener productos ms robustos espacialmente (Bruzzone y Fernndez-Prieto, 2000).
453
4. Determinacin de la estructura espacial del territorio: la imagen como mosaico paisajstico 4.1. TELEDETECCIN Y ECOLOGA DEL PAISAJE Frente a la ptica tradicional de la ecologa de campo, preocupada por los anlisis a escala de detalle, ha crecido en los ltimos aos el inters por extender estas observaciones a un marco ms amplio, de tal forma que se incluya explcitamente la variacin espacial en el anlisis y gestin integral de ecosistemas. En este enfoque, la teledeteccin y los SIG pueden jugar un papel muy destacado, ya que son tcnicas que permiten gestionar informacin georreferenciada, facilitando el anlisis espacial de los datos, as como la obtencin de variables crticas para un entendimiento ms completo del medio ambiente (Hoffer, 1994; Wilkie y Finn, 1996). Hemos visto en anteriores captulos que el anlisis de imgenes de satlite proporciona la distribucin espacial de algunas variables que son claves para entender el funcionamiento de un ecosistema, como son la temperatura de superficie, la radiacin interceptada por la vegetacin, el contenido de clorofila o de agua en las hojas, o el ndice de rea foliar. En este captulo vamos a centrarnos en los mtodos para obtener informacin sobre las relaciones espaciales entre los elementos que forman la imagen. Una imagen de satlite puede considerarse como una representacin digital del mosaico que forma un determinado paisaje. Por tanto, a partir de estas imgenes pueden medirse las relaciones espaciales entre los elementos de ese mosaico, denominados, en ecologa del paisaje, manchas o teselas (patches). Al tratarse de una imagen digital pueden aplicarse sobre las bandas originales, sobre alguna transformacin de ellas o sobre una imagen ya clasificada, medidas que permitan evaluar cmo se configuran las distintas cubiertas en un territorio concreto. El patrn espacial con el que se presentan las diversas coberturas terrestres tiene gran inters para entender ciertos procesos ecolgicos, como la dispersin de organismos, el uso de los recursos por parte de la fauna local (Congalton et al, 1993a), la comunicacin gentica o la extensin espacial de ciertas alteraciones, como son las causadas por fuegos o plagas (Hargrove et al, 2000; Muchoki, 1988; Sample, 1994), adems de estar directamente relacionada con la biodiversidad (Roy y Tomar, 2000). Por ejemplo, la fragmentacin espacial del paisaje, que est relacionada con la conectividad/aislamiento que presentan las distintas manchas, puede dificultar la migracin de especies, lo que implica un deterioro, o incluso una desaparicin de las mismas, al degradarse su composicin gentica (Griffiths et al., 1993. De igual modo, la proximidad a carreteras o reas agrcolas est relacionada con situaciones de desequilibrio, pues implica una alteracin del nmero y/o tipo de especies que aparecen en esos bordes. Obviamente, esto no es aplicable por igual a cualquier especie, por lo que es preciso reforzar la investigacin sobre las relaciones entre estructura espacial y funcionamiento de los ecosistemas. En consecuencia, la gestin integrada de los mismos implica contar con informacin no slo sobre el tipo de cubiertas presentes en el territorio, sino tambin sobre su disposicin espacial. La reciente tendencia a asegurar un medio ambiente sostenible implica considerar varios aspectos, como son minimizar la fragmentacin del habitat, mantener la biodiversidad, identificar y gestionar efectos
454
acumulativos, y analizar, predecir y vigilar impactos a varias escalas espaciales y temporales (Green, 1994; Haines-Yaung etal, 1993; Quattrochi y Goodchild, 1997; Wilkie y Finn, 1996; Saura 2002). El empleo de imgenes de satlite en ecologa del paisaje tiene una historia reciente, pero ya cuenta con interesantes ejemplos (Gulinck et ai, 1991; Walsh et al., 1998). En este campo la teledeteccin ofrece una visin sinptica del paisaje, constituye un conjunto homogneo de medidas y facilita el seguimiento multitemporal de fenmenos que afectan a la composicin del territorio (Delbaere y Gulinck, 1995). De acuerdo a Walsh et al. (1998), la teledeteccin ofrece en este mbito de trabajo las siguientes ventajas: 1. Permite verificar la composicin del paisaje para unidades espaciales de infor macin (pxeles), unidades biofsicas (p. ej., cuencas) y para su agregacin espacial. 2. Ofrece una representacin espacial de la estructura del paisaje. 3. Facilita una anlisis de la autocorrelacin espacial de diversas variables pai sajsticas, como la cobertura del territorio, la humedad del suelo, la geologa superfi cial, a distintas escalas espaciales. 4. Permite calcular ndices del patrn espacial de diversas variables paisajsti cas de cara a mejorar la planificacin espacial del territorio. El anlisis de la estructura espacial que contiene una imagen de satlite ha sido hasta hace unos aos un tema mas o menos marginal, tal vez como consecuencia de la escasa resolucin espacial que proporcionaban las imgenes. Temas como el reconocimiento automtico de ciertas formas slo se estn aplicando desde la disponibilidad de imgenes de muy alta resolucin espacial. No obstante, los aspectos de variacin espacial en las imgenes se han venido analizando desde los aos ochenta, sobre todo orientados a entender mejor las relaciones entre resolucin espacial y escala (Woodcock y Strahler, 1987;Woodcock>cz/., 1988a; Woodcockej/., 1988?). No obstante, son ms numerosos los trabajos que utilizan la variacin espacial para mejorar la discriminacin de algunas cubiertas, como ya indicamos en nuestro comentario de los clasificadores de contexto (2.3.5). Respecto a los estudios de estructura espacial del territorio, los ejemplos no son muy abundantes. Tambin aqu podramos hacer una divisin entre aquellos trabajos que se basan sobre las imgenes medidas en escala continua, ya sean originales, ya aplicando alguna transformacin aritmtica (ndices de vegetacin o componentes principales, por ejemplo), y aquellos que se basan sobre imgenes clasificadas, esto es, medidas en escala nominal. Sobre estos dos grupos dividiremos la exposicin.
4.2. TCNICAS PARA MEDIR LA ESTRUCTURA ESPACIAL DE UNA IMAGEN
4.2.1. Medidas de la variacin espacial en imgenes de intervalo Hace referencia este trmino a imgenes en las que los ND estn medidos en una escala numrica continua, por lo que pueden aplicarse sobre ellas tcnicas estadsticas apropiadas a variables de intervalo. El objetivo de estas tcnicas es medir la textura o
455
FlG. 7.74.
Ejemplo de dos imgenes con el mismo patrn espacial pero distinto contraste tonal.
contraste espacial entre los pxeles que componen la imagen. Si en trminos de interpretacin visual, la textura hace referencia a la diversidad espacial de los tonos de gris en una imagen, los ndices numricos de textura se dirigen a medir ese contraste en la vecindad de los ND de la imagen. Algunos de estos ndices operan sobre toda la imagen y proporcionan una sola medida del contraste, mientras otros calculan la textura local, normalmente comparando el ND de un pxel con el de los que le circundan. Los primeros son tiles para comparar la complejidad espacial de distintas zonas, o para analizar la evolucin en el tiempo de un determinado sector. En cuanto a los segundos, permiten generar imgenes de textura espacial, sirviendo tambin como variable auxiliar para la clasificacin de categoras temticas. Entre los ndices aplicables al conjunto de la imagen podemos comentar los siguientes: 1. Desviacin tpica (DT) a lo largo de perfiles. La DT del conjunto de la imagen no resulta apropiada para medir el contraste espacial de la imagen, ya que no mide realmente el contraste espacial sino ms bien el tonal (anchura del histograma). Dos imgenes pueden tener el mismo patrn espacial pero DT muy distintas, por con tar con una cubierta que presente un marcado contraste espectral con el resto (fig. 7.74). Por esta razn, es preferible emplear la DT calculada para los ND de los pxeles que atraviesen uno o varios transectos de la imagen. En este caso, con algunas de las li mitaciones antes apuntadas, la DT resulta ms apropiada para ver el contraste espacial, pues informa sobre la variedad entre pxeles que estn prximos. Imgenes que hayan perdido diversidad espacial, como consecuencia de cambios en la cobertura del suelo, tendern a presentar un perfil ms plano, con menor aparicin de crestas y valles mar cados (fig. 7.75). 2. Dimensin fractal. La geometra fractal asume que la dimensin de un objeto no es entera, sino real. En la geometra clsica, una lnea posee una dimensin de 1, una superficie de 2 y un volumen de 3. En trminos fractales, una lnea posee una dimensin comprendida entre 1 y 2, con valores tanto ms altos cuanto ms com plejo sea su trazado. En el contexto del anlisis de imgenes, la dimensin fractal
456
puede facilitar una valoracin numrica del grado de complejidad espacial de una determinada escena. Al tratarse de una superficie, una imagen tendr una dimensin fractal entre 2 y 3, aproximndose ms a 3 cuanto mayor heterogeneidad espacial presente. Aunque esta medida se ha empleado en diversos estudios de ecologa del paisaje, su clculo no es muy evidente sobre una imagen de intervalo. En una aplicacin pionera de la geometra fractal al anlisis de imgenes Landsat, Lam (1990) midi la dimensin fractal de imgenes TM correspondientes a distintos paisajes. De acuerdo a lo esperable, el valor ms alto calculado correspondi a una imagen de un rea urbana, frente a otras con mayor predominio de espacios rurales. Las bandas ms heterogneas espacialmente resultaron la 1, 2 y 3, y la ms homognea la 6 (trmica), por contar con menor resolucin espacial y radiomtrica que las visibles. En todos los ejemplos se encontr que la dimensin fractal de una imagen no clasificada es bastante alta, superando el valor 2,6 (salvo la trmica, con un valor de 2,2), lo que indica que las imgenes de satlite son espacialmente mucho ms complejas que otras variables geogrficas, como los modelos digitales de elevacin (Lam, 1990). Estudios recientes han aprovechado estas medidas fractales para caracterizar la variacin espacial de las alturas de los rboles, de cara al inventario forestal (Drake y Weishampel, 2000), y a analizar los patrones de regeneracin post-incendio a partir de imgenes de NDVI (Ricotta et al, 1998). 3. Auto-correlacin espacial (AE). Las tcnicas de AE pretenden medir la asociacin entre variables debida a la distancia (Cliff y Ord, 1973). Resulta lgico pensar que los rasgos de la cubierta terrestre se parecen ms entre s cuanto ms cerca estn, ya que en el paisaje son poco comunes los cambios bruscos. La medida de esta asociacin espacial puede obtenerse a partir del ndice (/), ideado por Moran (1948), que mide la correlacin que existe entre cada pxel y sus vecinos: [7.61]
FIG. 7.75.
Cambio en el perfil de los valores de NDVI de una zona como consecuencia de un incendio. (Chuvieco, 1999a.)
457
donde n indica el nmero de pxeles considerados, A el nmero de posibles uniones entre esos pxeles, z la desviacin del pxel i frente a la media de la imagen (ND, - NDJ, y ij las desviaciones frente a la media de todos los pxeles adyacentes al pxel i. Al igual que el coeficiente de correlacin de Pearson, el ndice de Moran oscila entre -1 y + 1, aumentando cuanto mayor sea la uniformidad espacial del paisaje. Puede calcularse para cualquier direccin (de modo similar al movimiento del rey sobre un tablero de ajedrez), o para algunas direcciones (caso del alfil o de la torre). Este ndice se ha utilizado como medida de la uniformidad del paisaje, as como para estudiar los efectos que provocan distintos fenmenos exgenos (Congalton, 1988a; Henebry, 1993; Pickup y Foran, 1987). 4. Semi-variograma. Basado sobre el mismo concepto de autocorrelacin espacial, puede obtenerse un grfico que muestre cmo se modifica la varianza espacial (esto es, la dispersin de un conjunto de valores vecinos) con la distancia, lo que permite tener una idea bastante precisa de la variacin espacial de una imagen. El semivariograma se obtiene a partir de la siguiente funcin (Chica, 1988):
donde y (h) indica la varianza espacial para una distancia h, NP (h) el nmero de pxeles incluidos en ese radio h, y ND (x,) el ND correspondiente al pxel x. El semivariograma se puede calcular en una direccin determinada o, lo que es ms habitual en teledeteccin, en un radio, considerando todas las direcciones. La representacin grfica de y (h) nos muestra cmo aumenta la varianza en funcin de la distancia (fig. 7.76). Inicialmente la curva tiende a un trazado ascendente, ya que al considerar pxeles cada vez ms alejados la varianza aumenta. Sin embargo llega un momento en que se estabiliza, de tal forma que al incrementarse el radio de clculo no aumenta la varianza significativamente. Esa distancia crtica se denomina alcance (range), y el valor al que se estabiliza la varianza, meseta (sill). Alcance y meseta son de gran inters para entender la estructura espacial de una imagen. Cuanto mayor contraste espacial presente, tanto el rango como la meseta tendern a ser mayores. La proporcin en la que vara una y otra depende de la disposicin del mosaico paisajstico de la imagen. En un trabajo de gran inters sobre discriminacin de morfologa forestal se calcul el semi-variograma para varias imgenes obtenidas por videografa (con resolucin de 1 m) sobre diversas plantaciones de coniferas. Los autores del estudio observaron que el alcance estaba directamente relacionado con la anchura de la copa siendo mayor para las parcelas con rboles aejos, muy desarrollados, mientras la meseta haca referencia a la estratificacin del dosel vegetal (Cohn et al, 1990). Conviene considerar que estas observaciones dependen directamente de la resolucin de la imagen y, ms en concreto, de la relacin entre el tamao de los objetos que se estudian (en este caso, la anchura de las copas) y el tamao del pxel. De hecho, estos autores comprobaron cmo las imgenes de vdeo reducan notablemente su capacidad para discriminar rasgos espaciales al degradarse a 10 m la resolucin del canal pancromtico del SPOT, mientras no permitan deducir una relacin significativa entre se-mivariogramas y caractersticas del dosel forestal al degradarse a la resolucin del
458
Y(h)
--------- v
Alcance (range) FlG. 7.76.
Representacin grfica
de un semi-variograma.
Landsat-TM (Cohn et al., 1990). En este sentido, el semi-variograma se ha comprobado que resulta de gran inters para describir las relaciones entre el tamao de los objetos y la resolucin espacial del sensor, encontrndose que el mximo de varianza local se produce entre Vi y 3 del tamao medio de los objetos (Woodcock y Strahler, 1987). En estudios tericos y empricos tambin se ha observado que la altura del semi-variograma se relaciona con la densidad de la cubierta y el alcance con el tamao de los objetos (Woodcock et al., 1988a y b). En consecuencia, el semi-variograma tambin ayuda a seleccionar la resolucin ptima para abordar un determinado estudio, facilita el diseo de redes de medida in situ y de campaas de muestreo, al proporcionarnos una imagen de la distancia mxima a la cual los ND de la imagen se parecen excesivamente entre s (Caselles, 1987). Se ha aplicado con xito para analizar la estructura espacial de la vegetacin, de cara a diferenciar el impacto territorial de una determinada perturbacin (Viedma et al, 1999). Asimismo, como luego veremos (cap. 8), puede aplicarse al estudio de la estructura espacial de los errores, ya sean debidos a la clasificacin temtica (Congalton, 1988a), ya al registro geomtrico (Dai y Khorram, 1998). Adems de estos ndices que facilitan una evaluacin global de la textura de la imagen, tambin podemos comentar otros mtodos que permiten generar imgenes de textura, analizando la heterogeneidad espacial en las inmediaciones de cada pxel. Normalmente, estas tcnicas se basan en ventanas mviles, ms o menos grandes dependiendo de la distancia de la vecindad que consideremos. A partir de ellas se calcula la textura en torno al pxel central que se evale en cada momento, de modo similar a las operaciones de filtraje previamente vistas (cap. 6, apdo. 5.4). Conviene insistir en que estas nuevas bandas de textura pueden utilizarse como entrada en la clasificacin digital, facilitando la discriminacin de algunas cubiertas que pueden ofrecer valores espectrales similares, pero espaciales muy diferenciados. Este enfoque puede resultar especialmente interesante para discriminar rasgos urbanos, que cuentan con mayor heterogeneidad espacial que cualquier otra cubierta (Molina y Chuvieco, 1996; Smits y Annoni, 1999), pero tambin se ha mostrado de gran inters en la cartografa de la ve-
459
getacin, especialmente cuando resulta de inters extraer informacin sobre sus caractersticas estructurales (Riao et al, 2001a; Salas y Chuvieco, 1995; Yool et al., 1985). Entre las tcnicas ms utilizadas para generar imgenes de textura podemos citar las siguientes: 5. Desviacin tpica local. Se calcula como la dispersin de los ND de una ventana de pxeles en relacin con su promedio. Esta medida resulta muy sencilla y se ha comprobado eficaz en el inventario forestal, como indicador de la densidad y ho mogeneidad de especies, logrndose significativas mejoras frente a clasificaciones slo espectrales (Strahler, 1984; Strahler etal., 1978). Como puede observarse en la fi gura 1.11b, en una ventana de la imagen TorrelOO prxima al embalse del Velln, esta medida de textura facilita valores ms altos para las zonas ms contrastadas espacialmente, pudiendo delimitar con cierta claridad los ncleos urbanos y reas residencia les de las superficies vegetales. 6. Diferencias absolutas entre los ND mximos y mnimos de la ventana consi derada: [7.63] siendo i cualquiera de los pxeles adyacentes al central de la ventana. Este sencilla medida se ha empleado para estimar la textura en zonas de praderas afectadas por distin-
FlG. 7.77. Diversas medidas de textura sobre la imagen de Torrelaguna: a) Banda 2 original; b) Desviacin tpica local; c) Contraste sobre la matriz de concurrencia, direccin vertical; ) dem, direccin promedio.
460
tos procesos ambientales (Briggs y Nellis, 1991). Gracias tambin a estas medidas de textura ha sido posible discriminar entre frutales de regado y caducifolias, empleando las bandas TM3 y TM4 (Gordon y Philipson, 1986). 7. Entropa. Se define como la relacin entre la frecuencia de un determinado ND (Fm) y la frecuencia mxima esperable en la ventana de pxeles considerada: [7.64] donde p el rango de ND en la imagen (256 para una imagen de 8 bits) y n el nmero de pxeles en la ventana. Esta medida se ha utilizado en la clasificacin de reas urbanas (Gong etal, 1992). 8. Medidas sobre la matriz de concurrencias. Se trata de una matriz cuadrada, en la que se incluye la frecuencia relativa {Fuj I n) de cada combinacin espacial entre un determinado ND, y otro ND (esto es, cuantas veces en la imagen el ND es contiguo al ND,.). Para reducir el tamao de la matriz, y simplificar los clculos suele reducirse el rango original de la imagen (256 distintos ND), compactndolo en un menor nmero (habitualmente 16). Pueden calcularse las distintas medidas para una determinada direccin (ngulo entre el pxel central de la ventana y los vecinos) o promediarse las conexiones posibles para 0,45, 90 y 135 (fig. 7.78). La matriz de concurrencia fue propuesta por Haralick et al. (1973), y se ha utilizado ampliamente para valorar las propiedades espaciales en tareas de clasificacin. Sobre esa matriz de coincidencias pueden calcularse varias medidas de textura. Algunas de las ms utilizadas en teledeteccin son las siguientes (Gong et al, 1992; Moller-Jensen, 1990; Musick y Grover, 1991; Smits y Annoni, 1999):
Valor del pxel \ 4 5 6 8 9 6 5 7 8 8 8 8 7 4 9 5 7 7 8 5 4 6 9 6 6 0 1 1 1 0 1
5
6 1 2 2 0 1 2
7 1 2 0 2 3 0
8 0 1 1 3 4 1
9 1 0 2 0 1 0
1 0 2 2 1 0
Imagen original
Matriz de concurrencia
FIG. 7.78. Ejemplo de una matriz de coincidencias sobre una imagen simulada de 5 X 5 pxeles con 5 ND distintos. Izqda.: imagen original; dcha.: matriz resultante. (PCI, 1994.)
donde /?,_, indica la posicin i, j de la matriz de concurrencia (esto es la frecuencia de los cruces entre el ND i y el y), F y C indica la posicin en filas y columnas, respectivamente, de esa matriz de concurrencias (en definitiva, cules son los ND que se estn comparando), M seala el valor medio en filas y n el nmero de columnas y lneas de la matriz (esto es, con cuntos ND distintos se ha realizado el clculo). En definitiva, pj mide la probabilidad de que un ND con un valor i sea contiguo a otro con un valory. Hemos incluido dos ejemplos del clculo de textura sobre la imagen TorrelOO. Se trata del contraste [7.66], calculado a partir de la banda 2, utilizando la direccin vertical (fig. 7.77c) y el promedio de las cuatro direcciones (fig. 1 .lid). Por comparacin con la textura obtenida mediante desviaciones tpicas mviles (1.11b) se observa que ambas resaltan bastante bien los contrastes espaciales, siendo tal vez ms preciso el obtenido a partir de la matriz de concurrencias para subrayar los bordes, mientras la desviacin tpica destaca el conjunto de la zona heterognea. La medida direccional resulta de inters para remarcar los contrastes en ciertas lneas de variacin de la imagen.
462
9. Dimensin textura!. Las medidas de la matriz de coincidencias son de gran inters, pero presentan algunos problemas, como estar influidas por el contraste tonal de la imagen (y no slo por el espacial), y resultar algo subjetiva la decisin sobre la distancia mxima para considerar dos pxeles como contiguos (Wang y He, 1990). Para solventar estos problemas, otros autores proponen una medida alternativa basada en las desviaciones locales encontradas en una ventana mvil de 3 X 3 pxeles, el central y los ocho circundantes. El valor de la unidad de textura se calcula a partir de la siguiente frmula:
[7.72]
donde NUT indica nmero de unidad de textura y E es la medida de textura para cada pxel de la ventana. E vale 0 cuando el ND de ese pxel es inferior al ND del pxel central de la ventana, 1 cuando es igual y 2 cuando es superior (fg. 7.79). Los NUT pueden ordenarse de varias formas, dependiendo de qu pxel de la ventana inicie el clculo y en qu sentido se cuente (a favor o en contra de las agujas del reloj). En cualquier caso, el NUT puede variar entre 0 y 6560 (38). A partir de ese valor puede calcularse el denominado espectro de textura; se trata de un histograma que indica la frecuencia de pxeles de la imagen en cada NUT, y permite observar los rasgos globales de su contraste espacial. A partir de l se han sugerido calcular algunos ndices, como el de simetra entre los valores ms bajos y ms altos del espectro, o el grado de direccin que presentan las texturas (Wang y He, 1990). Se ha comprobado que estas medidas permiten distinguir algunas cubiertas con escaso contraste espectral, como tipos de minerales o de especies forestales. En este segundo caso se observ una notable correlacin entre los valores de textura derivados a partir de una imagen pancromtica SPOT, y algunos parmetros medidos en terreno como el dimetro de copa, altura del rbol, rea basal, edad y dimetro a la altura del pecho (Cohn et al, 1995). Tambin se han empleado para reconocer formas de terreno producidas por deslizamientos de ladera (Hervs y Rosin, 2001). 4.2.2. Medidas de la variacin espacial en imgenes clasificadas En este caso partimos de archivos en los que el ND de cada pxel es una etiqueta que identifica la categora a la que se ha asignado. En consecuencia, aunque se trata de una imagen digital, no pueden aplicarse sobre ella operaciones aritmticas, ya que el ND no indica una relacin cuantitativa, sino categrica. En el campo de ecologa del paisaje se han propuesto numerosos ndices para medir la estructura espacial de un determinado territorio (Frohn, 1998; O'Neill et ai, 1988; Riitters et al., 1995; Saura, 2002). Algunos de ellos se aplican sobre toda la ima4 5 6
8
6 5 7
8 8
8 8 7
4 9
5 7 7 8 5
4 6 9 6 6 0 1 2 2 2 2 Valor de E 2 2
Unidad de textura para el pixel (2,2)
463
gen, como los sealados para imgenes cuantitativas; otros se calculan para ventanas mviles, normalmente de 3 X 3 pxeles, que se van desplazando sobre la imagen. Entre los primeros cabe destacar los siguientes: 1. Densidad de manchas, calculada como el nmero de teselas por unidad de superficie. Como antes indicamos una mancha o tesela (patch) se define por un conjunto de pxeles contiguos con la misma categora. Mediante tcnicas de agrega cin espacial (dumping), puede convertirse una imagen clasificada en una imagen de teselas, etiquetando con el mismo nmero aquellos pxeles que pertenezcan a la misma categora temtica y sean contiguos. En definitiva, se trata de generar una nueva imagen en donde se identifiquen las manchas de la misma categora, o dicho de otra forma, se obtenga una numeracin del mosaico espacial presente en la escena (fig. 7.80). Esta tcnica es bastante comn en el entorno de los SIG, en donde se apli ca a mapas temticos con pocas categoras, pero resulta menos frecuente en el ADI. Habitualmente se calcula para imgenes clasificadas, pero tambin podra hacerse sobre alguna imagen continua, por ejemplo ndices de vegetacin o temperatura, previamente segmentada en un nmero determinado de intervalos (Chuvieco, 1999a). El cociente entre el nmero de manchas y la superficie de la imagen nos ofrece una primera valoracin sobre la complejidad paisajstica de la zona (Dillworth et al., 1994; Ricotta y Retzlaff, 2000). Un rea con una densidad alta de man chas indicar un espacio muy fragmentado. 2. Tamao. Adems del nmero, tambin parece interesante considerar el rea media de las manchas, lo que puede fcilmente calcularse a partir de un simple histograma de la imagen de manchas (nmero de pxeles en cada parcela). Cuanto ma yor sea el rea media, en principio contaramos con un espacio ms homogneo.
1 1 2 2 2 4 4 1 1 5 5 5 6 6 1 1 1 1 1 4 4 1 1 1 1 1 6 6 1 2 2 2 2 2 4 1 3 3 3 3 3 6 3 4 4 4 2 2 2 2 4 4 4 3 3 3 3 3 3 2 2 2 1 2 2 2 3 3 3 7 3 3 3 1 1 1 1 2 2 2 7 7 7 7
FlG. 7.80.
Una imagen clasificada (parte superior) puede convertirse en una imagen de manchas (inferior) aplicando tcnicas de agregacin espacial.
464
3. Forma: compacidad. Se ha puesto de manifiesto por varios autores el inters de analizar la forma de las manchas presentes en la zona, ya que con la misma superficie un polgono ms alargado presenta mayores opciones a la transmisin de especies y menores obstculos a la influencia mutua entre las manchas que divide. Los ndices de forma ms habituales tratan de medir la compacidad de los polgonos, como una relacin entre su rea y permetro. ste es el caso del ndice F (Gulinck et al., 1991):
[7.73]
donde A indica el rea y P el permetro. Otros ndices de compacidad se basan en la relacin entre la forma de una mancha determinada y la de una figura geomtrica estndar. As se define el denominado cociente C, que relaciona la relacin rea-permetro de un polgono con los de un crculo, la figura geomtrica ms compacta:
[7.74]
donde Ap indica el rea del polgono y Ac el correspondiente a un crculo que tuviera el mismo permetro de ese polgono. Al aumentar C el polgono sera ms compacto, menos alargado. Para calcular valores promedio de forma para una determinada zona, algunos autores han propuesto ponderar esos ndices de compacidad por el tamao medio de las teselas, de tal forma que el valor resultante sea menos sensible al cambio de escala o de resolucin (Saura y Martnez Milln, 2001). 4. Forma: dimensin fracial. Como ya hemos indicado, esta medida intenta cuantificar la complejidad de las formas de lneas, superficies o volmenes. En caso de tratarse de imgenes clasificadas, su clculo es ms sencillo que con las originales, pues se basa en la relacin entre el permetro y el rea de los polgonos que forman el mosaico paisajstico. Una forma sencilla de calcular la dimensin fractal (D), de cada polgono, es la siguiente expresin (Ripple et al., 1991): ,P~A D ' 2 [7.75]
donde A indica el rea y P el permetro. El valor medio del conjunto de la imagen se obtendra simplemente promediando D para todos los polgonos que la formen. Otros autores proponen calcular la dimensin para el conjunto de un mapa o imagen clasificada, con objeto de comparar la complejidad geomtrica de las manchas que forman el mosaico paisajstico (O'Neill et al, 1988). Bajo esta ptica, la dimensin fractal (D) utilizando una regresin los logaritmos del rea (A) y el permetro (P) de los polgonos presentes en el mapa: A la constante de la ecuacin ocasiones, constante de proporcionalidad. (a) se denomina, en
465
Algunos autores han observado que la dimensin fractal est directamente asociada con la complejidad paisajstica. En un amplio sector del este de EE. UU. se comprob que D ofreca una valoracin numrica de los distintos patrones de uso del suelo; cuando D era pequeo, indicaba que las formas resultaban bastante geomtricas, lo que apuntaba a una utilizacin humana del territorio, frente a otros sectores con mayor presencia de espacios naturales, en donde D ofreca un valor mucho ms alto (O'Neill etal, 1988; Ricotta et al., 1998). Asimismo, se ha comprobado que la dimensin fractal aumenta al disminuirse la resolucin espacial del sensor, especialmente si la imagen presenta escasa heterogeneidad inicial (Benson y MacKenzie, 1995). 5. Forma: cuadratura. Algunos autores han comprobado que la constante de proporcionalidad (a en la frmula [7.76]) vara a distintas escalas (Frohn, 1998). Por esta razn se ha propuesto una alternativa que se denomina cuadratura (SqP: Squared-pixel), calculndose como: SqP=l-(4Am/P)
[7.77]
Este ndice vara de 0, cuando el polgono es un cuadrado, a 1 cuando la forma es muy compleja. De acuerdo a Frohn (1998), este ndice es ms constante a distintas escalas y resoluciones espaciales que la dimensin fractal. 6. Dispersin. Hace referencia a la fragmentacin de la imagen, y se calcula como la distancia promedio entre los centroides de las distintas manchas (fig. 7.81). La fragmentacin del paisaje es un aspecto de gran importancia en la resistencia al movimiento de especies (Ripple et al., 1991). Hasta aqu las medidas aplicables al conjunto de las manchas que forman el mosaico de cobertura. Junto a ellas se pueden calcular otros ndices para ventanas locales (normalmente de 3 X 3 pxeles) que se van desplazando consecutivamente en la imagen, midiendo la variabilidad local en las categoras, de forma similar a como vimos con las imgenes de intervalo. En este mbito, los ndices ms conocidos son los siguientes:
FIG. 7.81.
Clculo de la dispersin promedio entre manchas.
466
7. Diversidad. Indica la variedad de categoras que pueden encontrarse en una ventana de la imagen (Turner, 1989): D = -1,k=hmpkln(pk) [7.78]
donde pk corresponde a la proporcin de la categora k en la ventana considerada y m al nmero de categoras presentes en esa ventana. Cuanto mayor sea la diversidad media, mayor variedad espacial estar presente en la distribucin de las cubiertas, o, dicho de otra forma, la zona ofrecer un mosaico ms variado (fig. 7.82). La diversidad est directamente relacionada con la escala de las imgenes, siendo menor al bajar la resolucin (Turner et al, 1994). 8. Dominancia. Representa la desviacin del valor calculado respecto a la mxima diversidad (O'Neill et al, 1988): [7.79] con la misma significacin de la frmula anterior. Cuanto ms alto es el valor del ndice, mayor predominio tiene una categora sobre las otras en esa ventana. 9. Fragmentacin. Estos ndices intentan medir el grado de ruptura espacial que ofrece el territorio. Uno de los ms utilizados, con esta finalidad, es el ndice de Contagio (Con), que mide la adyacencia entre categoras frente al mximo posible (Li y Reynolds, 1993; O'Neill et al, 1988): [7.80] donde pik indica la proporcin de pxeles en esa ventana en donde la categora i es limtrofe a la categora k, y m es el nmero de clases. Frohn (1998 propone dividir toda esta frmula por 2 ln(m), lo que permite escalar el resultado entre 0 y 1. Cuando ms prximo a 1 indicar una mayor agregacin, mientras valores cercanos a 0 supondrn manchas ms pequeas y dispersas. El mismo autor propone un indicador ms sencillo de fragmentacin, que denomina mancha por unidad (Patch per Unit, PPU), definido como:
[7.81]
1 0 1 0 1 1 1 1 1 0 1 0 1 1 1 1 1 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 Div = 0,3183 Dom = 0,0283 1 1 1 0 0 0 1 0 1 0 0 1 1 1 0 1 0 0 0 1 1 0 1 0 1 Div = 0,4900 Dom = 0,0299 1 0 0 1 0 1 0
Div = 0,6365 Dom = 0,0566
Div = 0,6870 Dom = 0,0062
FIG. 7.82.
Valores de diversidad y dominancia para imgenes simuladas.
467
donde q indicara el nmero de manchas, n el nmero de pxels y TP el tamao del pxel. Para este autor, esa medida es ms resistente que la compacidad a las variaciones debidas a cambios en la resolucin espacial, nmero de clases, y tamao de la imagen, mostrando su eficacia en rea afectada por procesos de deforestacin (Frohn, 1998). 10. Matriz de comparacin binaria (MCB). Tambin se dirige a medir la contigidad de las categoras presentes en una ventana. Se define como (Murphy, 1985):
[7.82]
donde/ indica la frecuencia de aparicin de la categora / y m el nmero de categoras. El ndice MCB aumenta cuanto mayor es la complejidad espacial, pues considera tanto el nmero de categoras como su frecuencia. Sin embargo, no tiene en cuenta si las categoras son contiguas o no, por lo que el autor propone complementarlo con algn indicador del nmero de cambios de categora que se producen en la ventana considerada. 4.2.3. Dinmica de la estructura espacial del paisaje Las medidas anteriormente revisadas pueden utilizarse tanto para comparar diversos paisajes, como para estudiar la evolucin de una zona determinada. En este caso, se tratara de estudiar cmo se transforma la configuracin espacial del territorio como resultado de ciertos cambios, debidos a la actividad humana (efecto de ciertas polticas sobre el uso del suelo), o de algn evento espordico (inundaciones, erupciones volcnicas o incendios). Con este enfoque multitemporal se han abordado numerosos trabajos en ecologa del paisaje (Ne'eman et ai, 1999; O'Neill et al, 1988; Reinhardt y Ringleb, 1990; Turner et al., 1994). La explicacin de esos cambios se basa en factores de ndole socio-econmico, o en las propias variables geogrficas (suelo, topografa, litologa, etc.: Pastor y Broshart, 1990). Un marco para la aplicacin de estas medidas a imgenes de satlite es el segurmiento del efecto del fuego sobre la estructura espacial del paisaje (Chuvieco, 1999a), tomando como ejemplo el incendio de Buol, antes comentado. Para evaluar este efecto paisajstico a distintos niveles de resolucin se compararon imgenes Landsat-TM y NOAA-AVHRR, adquiridas casi simultneamente antes y despus del fuego. La figura 20* recoge un sector de estas imgenes sobre la zona afectadaôr el incendio. Junto al evidente efecto de la resolucin espacial se muestra una tendencia comn entre ambas imgenes, mostrndose con claridad el patrn del rea quemada. Para homogeneizar las medidas antes comentadas y evitar el efecto subjetivo de una clasificacin se aplicaron directamente sobre los ndices de vegetacin (NDVI), calculados para ambos sensores, a partir de los valores de reflectividad. Sobre las imgenes de los NDVI se calcul la media de unos perfiles y el ndice de autocorrelacin de Moran. Tras segmentar los NDVI a 12, 10, 8, 5 y 3 intervalos,10 calculamos sobre
10. Fue necesario segmentar la imagen TM del NDVI porque, con el rango original de categoras (250), el nmero de manchas que se obtenan exceda la memoria dinmica del programa.
468
TELEDETECCIN AMBIENTAL TABLA 7.17. Variacin de la estructura del paisaje a consecuencia del fuego (medidas aplicadas a las imgenes de los NDVI: Chuvieco, 1999) TM-Antes delfuego TM-Despus delfuego 0,919 10,14 15,68 AVHRR-Antes delfuego 0,714 2,73 7,59 AVHRR-Despus delfuego 0,90 3,77 6,56
I de Moran Desviacin tpica del perfil Media textual
0,871 11,66 18,05
ellos el nmero de manchas, su compacidad, la diversidad promedio y la dimensin fractal. Los clculos se realizaron de la misma forma para las imgenes TM y AVHRR. Las tablas 7.17 y 7.18 recogen los resultados de esta comparacin. Como puede observarse, prcticamente en todas las medidas calculadas, la imagen posterior al fuego presenta una mayor homogeneidad espacial, tanto en las imgenes TM como en las AVHRR. La nica excepcin es la desviacin tpica del perfil, que aumenta tras el incendio en la imagen AVHRR. Este dato no tiene una gran relevancia, ya que puede ser originado por ruido, puesto que esa lnea slo tiene 15 pxeles AVHRR, lo que resulta poco significativo. El ndice de Moran indica una mayor homogeneidad para la imagen posterior al fuego. El valor de la autocorrelacin espacial aumenta tanto en la TM como en la AVHRR, de forma ms brusca en esta ltima (un 125 % frente a un 105 % de la imagen TM). Por el contrario, disminuye la textura media, obtenida a partir de la matriz de coincidencias antes comentada, lo que tambin indica una mayor homogeneidad despus del fuego. La figura 7.83 incluye el semi-variograma de las imgenes TM anterior y posterior al fuego. Este grfico se construy a partir de una muestra aleatoria de 1.000 pxeles, considerando un promedio de todas las direcciones. En el trazado general, se observa cmo la imagen posterior al incendio ofrece una mayor varianza, especialmente para las distancias superiores a 500 metros. Esto indica que hay mayor contraste tonal en la segunda imagen, como consecuencia de la presencia de un gran sector quemado. Podra deducirse, por tanto, que la imagen post-incendio es ms heterognea espacialmente, contradiciendo las conclusiones que proporcionan otro tipo de ndices. Sin embargo, esta mayor heterogeneidad no es tan clara para las distancias ms cortas, por debajo de 210 m (7 pxeles), en las que la imagen de juTABLA 7.18. Variacin de la estructura del paisaje a consecuencia delfuego (medidas aplicadas a 8 intervalos de NDVI: Chuvieco, 1999) TM-Antes TM-Despus rea media Compacidad media Desviacin tpica de la compacidad Diversidad media Dimensin fractal delfuego 47,48 0,289 0,458 0,766 2,250 delfuego 84,01 0,171 0,210 0,491 2,272 AVHRR-Antes delfuego 1.060,00 0,57 0,19 1,06 2,26 AVHRR-Despus delfuego 1.986,00 0,58 0,15 0,81 2,29

120 30
469
330
630
930
1.230 Antes
1.530
1.830
2.130
2.430
2.730
Distancia (m)
Despus
30
90
150
210 Antes
270
330
390
450
510 Distancia (m)
- - Despus
FlG. 7.83.
Semi-variogramas para las imgenes TM anterior y posterior al incendio.
lio equipara o supera la varianza espacial de la de agosto. Podramos concluir, en este caso, que la aparicin de una mancha quemada incrementa la textura espacial para el conjunto del mosaico, pero no para las relaciones de vecindad, que aparecen como ms similares a consecuencia del fuego, confirmando los anlisis de los otros ndices. Respecto al nmero de manchas, en todas las segmentaciones de la escala original del NDVI que hemos realizado se observa una disminucin para las imgenes posteriores al fuego (fig. 7.84). Para los datos TM, la cada ms brusca entre las dos fechas se registra con una segmentacin en 12 niveles de NDVI. En esas imgenes se observa una reduccin del 58 % en el nmero de manchas en la imagen posterior al fuego. Para la imagen AVHRR, la reduccin del nmero de manchas tambin es consistente, tanto para los 250 valores originales del NDVI, como para las distintas segmen-
1.000 -i
12
10 3
-O- Antes -^- Despus 1 255 12 100
10
10 Intervalos de NVDI (NOAA-AVHRR)
1.000
FIG. 7.84.
Disminucin del nmero de manchas tras el incendio.
taciones (de 12 a 3 grupos). El mximo decremento ocurre con 10 rangos de NDVI, en donde se pierde el 42 % del nmero de manchas previo al incendio. Para el caso concreto de segmentar las imgenes en 8 niveles de NDVI calculamos algunas medidas de compacidad y diversidad (tabla 7.18). La superficie media de las manchas, por ejemplo, indica la formacin de un mosaico ms homogneo en la imagen TM post-incendio, que casi duplica la superficie media por mancha previa al fuego. En otras palabras, los polgonos de vegetacin quemada tienden a ser mayores que los previos, lo que implica que el fuego homogeneiza el territorio, al menos a corto plazo. La imagen AVHRR ofrece la misma tendencia que la TM, con un notable aumento de la superficie media para la imagen posterior al fuego. En cuanto a la compacidad, para el caso concreto de los 8 rangos de NDVI, se observa una disminucin del valor medio a consecuencia del incendio, de modo ms claro en la imagen TM que, gracias a su mayor resolucin, ofrece mejores posibilidades para el anlisis de formas. Las manchas, en consecuencia, tienden a ser ms alargadas, probablemente por el efecto del relieve en la dispersin del fuego. La desviacin tpica de la compacidad tambin es menor despus del fuego, indicando una mayor homogeneidad en la forma de los grupos. La geometra fractal se incrementa tras el fuego, tanto para la imagen TM como para la AVHRR, indicando que los polgonos son ms irregulares a consecuencia del incendio, lo que es coherente con la disminucin de la compacidad. Finalmente, la diversidad media de las manchas es tambin mucho menor tras el incendio, confirmando una vez ms el efecto homogeneizador del fuego. Este efecto se observa tanto en alta como en baja resolucin espacial, aunque en sta resulta menos evidente. Similares anlisis podemos realizar sobre otro tipo de aplicaciones. Por ejemplo, pueden aplicarse medidas de cambio en la forma y tamao para evaluar la evolucin de las dunas en un estudio de desertificacin (Collado, 1998: fig. 7.85), o analizar el cambio en la estructura espacial del territorio que producen los fenmenos de deforestacin (Frohn, 1998). En este contexto puede resultar de gran inters comparar los pa-
471
FlG. 7.85.
Cambios en los valores de compacidad de tos cuerpos dunares entre 1962 y 1992. rea de San Luis (Argentina): Collado, 1998.
trenes reales, para distintos marcos espaciales, niveles de resolucin o grados de abundancia, con simulaciones de estructura espacial del paisaje, realizadas utilizando mtodos estocsticos, lo que facilita ver la sensibilidad de las distintas medidas comentadas a los cambios en esos factores de control (Saura, 2002).

Chuvieco - Fundamentos de Teledeteccion PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Chuvieco - Fundamentos de Teledeteccion PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CAPTULO 4 BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Nivel de exactitud Nmero de imgenes

Escala Mtodo de interpretacin Nivel de desagregacin

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Modelos Variable continua

Deteccin de cambios Intensidad y sentido

Tipos de anlisis que pueden abordarse en una imagen de satlite.

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION Tamao del pxel

Tamao de la MUC (4 mm2)

Relaciones entre resolucin y tamao de la MUC. (Adaptado de Robin, 1998.)

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Negativo Convertidor digital-analgico

Soportes ms habituales de los productos fotogrficos.

3.3.3. Soporte de las imgenes

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION

Ventajas e inconvenientes del anlisis visual frente al digital en la interpretacin de imgenes.

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN 17 3

Revisin bibliogrfica Reconocimiento

Fases que incluye un proyecto de clasificacin de imgenes.

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

CAPTULO 5 INTERPRETACIN VISUAL DE IMGENES

1. Familiarizacin con imgenes analgicas

Imagen Landsat de la costa portuguesa en el formato original de NASA. (Cortesa: R. Nez.)

INTERPRETACIN VISUAL DE IMGENES

ROCESSED BY TELESPftZIO FOR ESR-

Imagen Landsat en el formato original de la ESA.

82 fiUG 1984 LflNDSflT 5 TM <"-\

118 124 129 135 253 253"

Imagen Landsat-TM en el formato posterior de la ESA.

INTERPRETACIN VISUAL DE IMGENES

Criterio espacial complejo

Sombras - Contexto - Asociacin

Fenologa: Condiciones estacionales

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

Blanco Magenta \/ Cian

Procesos de formacin del color: a) aditivo, b) sustractivo.

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

Fragmento de la imagen Alcal87 sobre los mrgenes del ro Henares.

INTERPRETACIN VISUAL DE IMGENES

Esquema para el clculo de altura de edificios a partir de las sombras.

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

Dimensiones temporales en la interpretacin de imgenes.

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

Imgenes TM y MSS sobre la ciudad de Madrid.

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

INTERPRETACIN VISUAL DE IMGENES

Croquis de situacin de la ciudad de Madrid, con rasgos incluidos en la figura anterior.

4. Algunos ejemplos de anlisis visual

INTERPRETACIN VISUAL DE IMGENES

Croquis de lincamientos realizado a partir de la interpretacin visual de lafig. 5.24.

INTERPRETACIN VISUAL DE IMGENES

CAPTULO 6 ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES