ESTUDIO DE LOS CAMBIOS EN LA OCUPACIÓN DE SUELO EN ORIENTE MEDIO EN LAS ÚLTIMAS DÉCADAS MEDIANTE TELEDETECCIÓN

(1)

(2)

INDICE

1. ANTECEDENTES………... 3

1.1 INTRODUCCIÓN……… 3

1.2 OBJETIVO……… 4

1.3 METODOLOGIA DE TRABAJO……… 4

1.4 HERRAMIENTAS UTILIZADAS……….. 5

1.4.1 HARDWARE……….. 5

1.4.2 SOFTWARE……….. 5

1.4.3 MATERIALES……….. 5

2. DESCRIPCION DE LA ZONA DE TRABAJO……….. 6

2.1 LOCALIZACION……… 6

2.2 CARACTERISTICAS GEOMORFOLOGICAS Y CLIMÁTICAS DE LA ZONA………. 7

3. IMÁGENES LANDSAT………. 8

3.1 PROGRAMA LANDSAT………. 8

3.2 CARACTERÍSTICAS DE LOS SATÉLITES LANDSAT…. 9 3.3 CARACTERÍSTICAS DE LAS IMÁGENES OBTENIDAS. 10 4. TRATAMIENTOS DIGITAL……… 12

4.1 CONSIDERACIONES PREVIAS………. 12

4.2 APLICACIONES DE COLOR EN RGB………. 12

4.3 CORRECCION DE LAS IMÁGENES………. 14

4.3.1 CORRECCIÓN GEOMÉTRICA……….. 14

4.3.2 CORRECCIÓN RADIOMÉTRICA……….... 17

4.4 TEST DE CONTROL POSICIONAL……….. 19

5. CLASIFICACIÓN DIGITAL………. 25

5.1 CLASIFICACIÓN SUPERVISADA………. 25

5.2 SELECCIÓN DE CLASES DE ENTRENAMIENTO………. 25

5.3 RESULTADO DE LA CLASIFICACIÓN………... 27

5.4 VERIFICACIÓN DE LA CLASIFICACIÓN……….. 27

6. ANÁLISIS DE CAMBIOS………. 30

7. PRODUCCIÓN CARTOGRÁFICA……… 34

8. BIBLIOGRAFÍA Y RECURSOS WEB………. 35

9. ANEJOS A LA MEMORIA Y DOCUMENTACIÓN GRÁFICA………... 36

(3)

1. ANTECEDENTES

1.1 INTRODUCCIÓN

El Trabajo de Fin de Grado a presentar “Estudio de los cambios en la ocupación de suelo en oriente medio en las últimas décadas mediante teledetección” de la titulación del Grado de Ingeniería Geomática y Topografía de la Escuela Politécnica Superior de Jaén. Este trabajo ha sido realizado por el alumno Gonzalo Andrés Díaz, y cuyo tutor es el profesor D. Carlos Pinilla Ruiz, profesor del Departamento de Ingeniería Cartográfica, Geodésica y Fotogrametría de la Universidad de Jaén.

Con este trabajo se pretende poner en práctica y ver cómo de útil puede ser una de las aplicaciones que tiene la Teledetección, que es una de las muchas técnicas aprendidas durante mi formación en el Grado de Ingeniería Geomática y Topografía, siendo ésta una de las técnicas que más me han llamado la atención.

La teledetección es la técnica de adquisición de datos de la superficie terrestre desde sensores aerotransportados, especialmente desde plataformas espaciales. La interacción electromagnética entre el terreno y el sensor genera unos datos que pueden ser procesados posteriormente para obtener información interpretable de la Tierra.

La teledetección tiene una gran cantidad de aplicaciones como la Meteorología, Climatología, Hidrología, Oceanografía, Geología, Edafología, Agricultura, Glaciología, explotación minera y petrolífera, Infografías,… Este trabajo se centra en el estudio de la evolución de los usos de suelo mediante la comparativa de imágenes satelitales en distintas épocas.

La teledetección por su parte es una técnica que sirve muy bien como apoyo para una posterior producción cartográfica, ya que puede representar con mucha calidad una cartografía temática, ya que con el uso de ésta técnica se presentan unos resultados con un gran parecido a la realidad que representa.

Para la realización del estudio además de las distintas imágenes, harán falta una serie de equipos, tanto hardware como software que puedan realizar todos los procesos de cálculo necesarios, que serán explicados en otro apartado posterior más detalladamente.

(4)

1.2 OBJETIVO

El objetivo de este trabajo es realizar un estudio evolutivo de los usos de suelo en zonas de oriente medio, concretamente toda la zona alrededor del mar muerto, durante 4 años, el 25 de abril de 1999, el 18 de abril 2014, el 5 de abril 2015 y el 23 de abril 2016.

Los mapas utilizados para el trabajo están sacados de imágenes Landsat a escala 1:1000000, que abarcan gran parte de la zona norte de Israel, y con ciudades como Jerusalén, Tel Aviv-Yafo, Ammán o Gaza entre otras, además de parte occidental del Mar Mediterráneo y el Mar Muerto.

Es de gran interés el estudio de la evolución del suelo en esas zonas, ya que se encuentran en una amplia zona de conflicto armado y se quiere intentar ver el impacto que tiene una guerra sobre el mismo, viendo sobretodo el posible impacto que pueda tener sobre la vegetación o la hidrología. Además no hay muchos trabajos de investigación en estas zonas de conflicto que traten la evolución de los usos de suelo con el factor de una guerra presente. Así que además de realizar una serie de mapas temáticos se va a demostrar con datos el análisis de cambios en estas fechas.

1.3 METODOLOGIA DE TRABAJO

Los pasos realizados a la hora de obtener, procesar, dar unos datos y un producto final son los siguientes:

- Selección de la zona de trabajo y de las imágenes mediante la plataforma web del USGS.

- Corrección geométrica de las imágenes, seleccionando puntos de control de otra fuente de datos geográfico para poder realizar una transformación polinómica y hacer que tenga coordenadas reales la imagen.

- Corrección radiométrica de las imágenes para transformar los niveles digitales a reflectancias y luego corregirlas de los efectos atmosféricos.

- Evaluación de la cartografía del 23 de abril de 2016 (ya que es la que se toma como referencia) con un test de exactitud posicional.

- Realización de una clasificación supervisada para obtener los distintos usos de suelo de las imágenes.

- Elaboración de los distintos mapas de clases creados a partir de la clasificación previa.

- Comparativa gráfica y numérica mediante las matrices de confusión de los distintos usos de suelo obtenido.

- Producción cartográfica de las 4 imágenes clasificadas a escala 1:1000000.

(5)

1.4 HERRAMIENTAS UTILIZADAS 1.4.1 HARDWARE

Para la realización del trabajo se ha empleado un ordenador que tiene las siguientes características:

- Windows 7 Home Premium 64 bits.

- Procesador Intel ® Core ™ i3-2100 CPU @ 3.10 GHz.

- Memoria RAM de 8 GB.

1.4.2 SOFTWARE

Para la realización del trabajo se han empleado los siguientes softwares:

- ENVI 5.1: Para el tratamiento de las imágenes.

- Quantum GIS 2.8.7: Para la producción cartográfica.

- Microsoft Excel 2013: Para realizar todos los cálculos numéricos.

- Microsoft Word 2013: Para la creación de la memoria.

1.4.3 MATERIALES

Los materiales utilizados para la realización del trabajo han sido:

- Imágenes Landsat 5 (1999) y Landsat 8 (2014, 2015 y 2016).

- Visor del Google Maps.

- Google Earth.

(6)

Zona de trabajo Región al sureste del mar Mediterráneo

2. DESCRIPCION DE LA ZONA DE TRABAJO

2.1 LOCALIZACIÓN

La zona que comprende este trabajo se encuentra en la parte sur oriental del mar mediterráneo, comprendiendo la parte norte de Israel y la parte oeste de Jordania, junto con la franja de Gaza, Cisjordania y algunas ciudades como Jerusalén, Ammán o Tel Aviv-Yafo, y además está incluido el Mar Muerto.

(7)

2.2 CARACTERISTICAS GEOMORFOLOGICAS Y CLIMÁTICAS DE LA ZONA

La región de estudio tiene unas características geomorfológicas típicas de un clima muy agresivo, ya que en su mayoría la zona está compuesta de hamada, que es el desierto pedregoso típico de esa zona, con muchas mesetas rocosas y pocas zonas de arena, aunque hay algunas presencias de erg, desiertos de arena, al sur y al este de la zona. Las regiones montañosas más importantes son la región de Judea, el Parque Natural de Masada, la región montañosa de Samaria, el valle del Jordán, los picos Lutyan,… siendo la zona con mayor altitud la región de Galad, de unos 1500m, al norte de Ammán.

En cuanto a hidrografía aparece la parte más sur oriental del Mar Mediterráneo, el Mar Muerto, una sección del río Jordán y algunas que otras lagunas menores o balsas de riego.

En cuanto a vegetación, una parte está compuesta por vegetación subtropical como palmeras, higueras, cactus, sauces, álamos y eucaliptos, y el resto se compone por vegetación herbácea, siendo la mayoría de ésta prácticamente seca.

Y en cuanto al clima, éste es bastante dispar según la zona, en las zonas de costa tienen el típico clima mediterráneo del resto de la costa mediterránea europea, pero el resto de la zona tiene un clima subtropical desértico con poca lluvia y una temperatura suave en invierno y un caluroso, sin lluvia y seco en verano. Las variaciones de temperatura son muy grandes, ya que tiene unos días normalmente cálidos y unas noches muy frías. Acentuándose el frío en los meses de invierno y el calor en los meses de verano, de acuerdo con la siguiente tabla que muestra las temperaturas medias en grados centígrados (ºC) de la zona de Israel y de sus alrededores.

(8)

3. IMÁGENES LANDSAT

3.1 PROGRAMA LANDSAT

Las imágenes Landsat son obtenidas mediante satélites de alta resolución y multiespectrales y están gestionadas por el Servicio Geológico de los Estados Unidos (USGS), agencia que trabaja junto a la NASA. De entre las imágenes utilizadas en el trabajo, habrá una referida al programa Landsat 5 TM y otras tres al Landsat 8 OLI- TIRS.

A mediados de la década de 1960 y tras los múltiples éxitos de la exploración espacial de los Estados Unidos, la Nasa, el Departamento del Interior y el Departamento de Agricultura combinaron recursos para desarrollar el primer satélite de observación espacial civil de la Tierra. Lograron desarrollar el ERTS-1, que pasó a llamarse poco después Landsat 1, el primer satélite lanzado el 23 de julio de 1972. Después se lanzaron Landsat 2 en 1975, Landsat 3 en 1978, Landsat 5 en 1982. El satélite Landsat 5 fue lanzado en 1984 y marcó una clara diferencia con respecto a los anteriores ya que presentaba un sensor multiespectral TM que podía combinar 7 bandas en lugar de 4 como tenían los anteriores. El lanzamiento del Landsat 6 en Octubre de 1993 fue fallido ya que no pudo alcanzar la órbita cuando fue lanzada. El Landsat 7 se lanzó con éxito en Abril de 1999, aunque este satélite mostró al poco tiempo un problema en el sensor ETM+ que mostraba un bandeado en zigzag o efecto gaps en las imágenes, por lo que se tuvo que esperar hasta febrero de 2013 para que se lanzara el nuevo Landsat 8, que mejoró en mucho todas las capacidades del Landsat 5, ya que este tenía dos sensores (OLI y TIRS) y 11 bandas. El siguiente objetivo que tiene marcado el USGS es el de lanzar su próximo Landsat 9 en el año 2020.

Evolución de las misiones Landsat

(9)

3.2 CARACTERÍSTICAS DE LOS SATÉLITES LANDSAT

Los satélites Landsat siguen la misma órbita circular heliosincrónica alrededor de la tierra, utilizan el sistema de referencia mundial-2 (WRS-2), a una altura de 705 km, con una inclinación de 98.2º respecto del Ecuador y con un ancho de banda de 185 km, le dan la vuelta a la tierra en 98.9 min y cubren el globo en 16 días.

El programa Landsat 5 TM se lanzó en Marzo de 1984 y operó hasta Enero de 2013. Tiene las siguientes características:

- Sensor multiespectral TM (Thematic Mapper) con 7 bandas:

o Banda 1 azul (0.45 – 0.52 µm).

o Banda 2 verde (0.52 – 0.60 µm).

o Banda 3 rojo (0.63 – 0.69 µm).

o Banda 4 infrarrojo cercano (0.76 – 0.90 µm).

o Banda 6 térmica (10.40 – 12.50 µm).

o Banda 7 infrarrojo medio (2.08 – 2.35 µm).

Las bandas 1, 2, 3, 4, 5 y 7 tienen una resolución de pixel de 30 m y la banda 6 tiene una resolución de pixel de 120 m.

- Tiene un tamaño de escena de 170 km x 185 km.

- Tiene un diseño de vida para mínimo 3 años.

El programa Landsat 8 OLI-TIRS se lanzó en Febrero de 2013 y sigue operando actualmente. Tiene las siguientes características:

- Tiene dos sensores multiespectrales, uno operacional (OLI) con 9 bandas y otro infrarrojo término (TIRS) con dos bandas:

Sensor OLI

o Banda 1 aerosol costero (0.43 – 0.45 µm).

o Banda 2 azul (0.45 – 0.51 µm).

o Banda 3 verde (0.53 – 0.59 µm).

o Banda 4 rojo (0.64 – 0.67 µm).

o Banda 6 infrarrojo de onda corta 1 (1.57 – .65 µm).

o Banda 7 infrarrojo de onda corta 2 (2.11 – 2.29 µm).

o Banda 8 pancromático (0.50 – 0.68 µm).

o Banda 9 Cirrus (1.36 – 1.38 µm).

Sensor TIRS

o Banda 10 infrarrojo térmico 1 (10.60 – 11.19 µm).

o Banda 11 infrarrojo térmico 2 (11.50 – 12.51 µm).

Las bandas 1, 2, 3, 4, 5, 6, 7 y 9 tienen una resolución de pixel de 30 m, la banda 8 tiene una resolución de pixel de 15 m y las bandas 10 y 11 tienen una resolución de pixel de 100 m.

- Tiene un tamaño de escena de 170 km x 185 km.

- Tiene un diseño de vida para mínimo 5 años.

(10)

3.2 CARACTERÍSTICAS DE LAS IMÁGENES OBTENIDAS

Se eligieron imágenes Landsat de esta zona ya que tienen una muy fácil disponibilidad y tienen la calidad necesaria para la realización de este trabajo. Se han elegido todas las imágenes en el mes de abril ya para que mantengan una resolución temporal similar, de unos 20 días, y no estén en ninguna condición climática extrema como puede ser en los meses de invierno o en los de verano. También se han elegido las imágenes que no tuvieran a penas ningún factor externo condicionante que pudiera falsear los resultados, como pueden hacer por ejemplo las nubes.

La zona de estudio está dentro de la escena Landsat PATH 174 y ROW 38, según el sistema de referencia WRS-2.

Huella de la zona de trabajo

Las distintas imágenes se podrían identificar con los siguientes parámetros básicos:

25 abril de 1999

Características imagen Landsat 25 abril de 1999

Identificador de escena LT51740381999115AAA03 Plataforma espacial Landsat 5

Sensor TM

Fecha de adquisición 25 abril de 1999 Hora de adquisición 07:49:49.2720880 Sistema de referencia WGS84

Zona UTM 36

(11)

18 abril de 2014

Identificador de escena LC81740382014108LGN00 Plataforma espacial Landsat 8

Sensor OLI-TIRS

Zona UTM 36

05 abril de 2015

Sensor OLI-TIRS

Zona UTM 36

23 abril de 2016

Sensor TOLI-TIRS

Zona UTM 36

Todas las características de las imágenes se muestran en los archivos de metadatos que vienen adjuntos como anejo a la memoria.

(12)

4. TRATAMIENTO DIGITAL

4.1 CONSIDERACIONES PREVIAS

Una vez descargadas las imágenes y visualizarlas con el software ENVI 5.1, se necesita ver si solo con las imágenes brutas se puede hacer los distintos tratamientos digitales o si se necesita hacer algún tratamiento de realce o mejora de las imágenes.

Viendo una de las imágenes brutas (la del 23 de abril de 2016), se puede observar que si necesita algún tipo de mejora para poder al menos identificar puntos de control e identificar campos de entrenamiento para la clasificación supervisada. En este caso sólo se va a realizar una serie de composiciones de color como realce de las imágenes.

Imagen en color natural de la zona de estudio de 1999

4.2 APLICACIONES DE COLOR EN RGB

Al visualizar una imagen Landsat, ésta aparece por defecto en distintas gamas de grises, por lo que para poder distinguir gran parte de los elementos geográficos que aparecen en ella se necesita mucho tiempo o incluso puede llegar a resultar imposible, por lo que al venir las imágenes Landsat compuestas por varias bandas se puede utilizar

(13)

diferentes composiciones en colores RGB de las mismas para poder interpretar lo que más nos interese, ya que según qué tipo de combinación de bandas se utilice, se podrán identificar mejor unos elementos que otros.

Las distintas combinaciones de color que han sido utilizadas se han hecho pensando sobre todo para identificar elementos geográficos que puedan utilizarse para realizar la corrección geométrica y para identificar la vegetación y el tipo de suelo de la zona.

Como se encuentran dos tipos de escenas, Landsat 5 TM y Landsat 8 OLI-TIRS, las composiciones son diferentes, para utilizar las mismas composiciones en ambas, sólo hay que sumar 1 a cada banda de la TM para obtener la misma combinación en OLI-TIRS, exceptuando la banda 7 que se mantiene igual en ambas escenas.

Combinación en color natural o verdadero

Combinación para Landsat 5 TM: 3, 2, 1 Combinación para Landsat 8 OLI-TIRS: 4, 3, 2

Constituye una representación muy cercana a la percepción que tiene el ojo humano de la realidad. Es una combinación que permite discriminar todos los elementos básicos que puede tener una cartografía, ya que el agua profunda se muestra azul oscuro, el agua poco profunda en un azul más claro, la vegetación frondosa se muestra verde, la vegetación seca se muestra en tonalidades entre verde y marrón, los edificios se muestran en tonalidades grisáceas, las zonas montañosas y los suelos rocosos aparecen con tonalidades marrones y el suelo desnudo o los desiertos se muestran amarillentos o incluso tirando a blanco.

Combinación en color infrarrojo

Es la combinación denominada como falso color utilizada sobre todo para hacer un estudio rápido sobre la vegetación de la zona, pudiendo entre la vegetación saludable en tonos de rojo más oscuros y la vegetación seca o menos densa con colores rojo más

(14)

claros. También se muestra el agua profunda con un color azul oscuro y el agua poco profunda con un color azul más claro. Los edificios aparecen en un color gris azulado.

Las zonas rocosas aparecen en tonos de marrón oscuro, el suelo desnudo aparece en un tono marrón claro y los desiertos aparecen en tonos amarillentos.

Combinación de análisis de vegetación

Esta combinación de color se utiliza para realizar un exhaustivo análisis de vegetación, se utiliza sobre todo para evaluar el estrés de la vegetación, pero además sirve para identificar el tipo de vegetación, al igual que se hace con la composición de color infrarrojo, pero en este caso, la vegetación viva o frondosa tiene unos colores verdes muy claros, la vegetación menos densa aparece con un color verde oscuro y la vegetación seca aparece con unos colores verdes con tonalidades amarillentas y/o marrones. Los edificios aparecen en tonos grises. El agua profunda tiene un color azul oscuro, el agua poco profunda tiene un color azul claro. Los suelos rocosos tienen tonalidades marrones, el suelo desnudo tiene unas tonalidades marrones amarillentas y las zonas desérticas aparecen con tonalidades muy amarillentas casi blanquecinas.

4.3 CORRECCIONES DE LAS IMÁGENES

Toda imagen adquirida mediante fotogrametría o teledetección necesitan ser tratadas para eliminar ciertos problemas geométricos y radiométricos. Estos problemas se tienen que eliminar para hacer que la imagen tenga las condiciones ideales en las que se supone que debería tener sin deformaciones causadas por el sensor o causadas por factores externos.

4.3.1 CORRECCIÓN GEOMÉTRICA

La corrección geométrica consiste en reconstruir la geometría de la imagen, transformando la imagen bruta a otra con una proyección cartográfica determinada con su sistema de coordenadas propio, este proceso se conoce como Georreferenciación.

Los errores que provocan estas deformaciones en la imagen se deben a los siguientes factores:

- Errores de oscilación de la plataforma del satélite: provocados por el desplazamiento del propio satélite, siendo los errores típicos de

(15)

aleteo, cabeceo, ladeo y las variaciones en la velocidad y altura del satélite.

- Errores de bandeado: provocados por el desplazamiento del satélite mientras barre una zona que está capturando.

- Errores provocados por la rotación de terrestre: provocado por el desplazamiento este-oeste de la Tierra, haciendo que los puntos al final de la adquisición de las bandas tengan un gran desplazamiento hacia el este.

- Errores provocados por la distorsión de la curvatura terrestre: provoca distorsiones en la imagen debido a la gran altura a la que vuelan los satélites.

Para estos errores en gran medida, basta con realizar una transformación que incluya rotaciones, translaciones y cambios de escala.

Lo normal en estos casos es realizar una ortorrectificación, ya que es una transformación que elimina completamente todos estos errores junto con los producidos por el relieve de la zona o desplazamiento debido al terreno, pero como al no tener acceso a un modelo digital de elevaciones de la zona, bastará con una georreferenciación, que corrige todos los errores menos el de desplazamiento debido al terreno, que será mayor cuanto más se aleje la zona de trabajo del punto nadiral de la misma, aunque no será muy grande puesto que la mayor parte de la zona de trabajo está compuesta por mesetas y zonas con muy poca pendiente.

Georreferenciación

La georreferenciación es la corrección geométrica de la imagen para cambiar la posición de las celdas originales a otra imagen referenciada a una proyección cartográfica con un sistema de referencia asociada.

Para realizar la georreferenciación hay que identificar una serie de puntos de control en la imagen y en otro producto cartográfico, que en este caso se ha utilizado el visor del Google Maps, para poder pasar del sistema imagen a un sistema cartográfico. Como Google Maps utiliza el sistema WGS-84 en latitud y longitud, la imagen se transformará también a este sistema de referencia. Se ha utilizado el software ENVI 5.1 para calcular los parámetros de transformación por mínimos cuadrados de cada punto homólogo.

Para poder determinar el número mínimo de puntos de control hay que tener en cuenta dos factores, el tamaño de la zona de trabajo y como de compleja es la misma. También hay que tener en cuenta la distribución de los puntos de control, que deberán repartirse por toda la zona de trabajo, y su localización, que tendrán que ser en elementos fácilmente reconocibles, como cruces de caminos o esquinas de edificios, para que tenga la menor deformación posible la imagen tras la transformación.

(16)

Distribución de puntos en la imagen

La transformación entre sistemas sigue el modelo matemático de las transformaciones polinómicas, utilizando las coordenadas (x,y) para los puntos de control y las coordenadas (u,v) para el sistema imagen. Siguiendo la aproximación:

donde n es el grado del polinomio

Los polinomios de grado 2 siguen el siguiente modelo:

X’ = p(0,0) + p(0,1) y + p(0,2) y²+ p(1,0) x + p(1,1) x y + p(1,2) x y² + p(2,0) x² + p(2,1) x²y + p(2,2) x²y² Y’ = q(0,0) + q(0,1) y + q(0,2) y²+ q(1,0) x + q(1,1) x y + q(1,2) x y² + q(2,0) x² + q(2,1) x²y + q(2,2) x²y²

Con este modelo de ecuaciones, se necesitarían como mínimo 9 puntos para realizar la transformación, en este trabajo se han utilizado 20, por lo que se tendrá una gran redundancia en la solución de los errores medios cuadráticos.

Para validar que los puntos de control no tengan ningún error, debido a que pueden haberse equivocado al copiar las coordenadas o que el punto en cuestión no estuviera definido correctamente, se toma un umbral mínimo de error medio cuadrático, tomando como máximo 2/3 del valor del pixel, por lo que ningún error medio cuadrático deberá superar los 20 m.

(17)

Los errores medios cuadráticos obtenidos para cada imagen son:

- 25 abril 1999: 1.01749 m - 18 abril 2014: 0.81615 m - 05 abril 2015: 0.97701 m - 23 abril 2016: 0.99482 m

Como se puede observar, los valores de los EMC son relativamente bajos, por lo que se puede asegurar que la imagen georreferenciada no tiene apenas errores geométricos.

Todos los cálculos correspondientes a la georreferenciación se muestran en el anejo correspondiente.

4.3.2 CORRECCIÓN RADIOMÉTRICA

La corrección radiométrica consiste en transformar los valores de los niveles digitales a los que debería tener si tuviera las condiciones ideales sin estar afectado por efectos externos. Se pueden distinguir tres tipos de errores que afectan a la radiometría de la imagen:

a) Restauración de las líneas o píxeles perdidos: debido a un mal funcionamiento del sensor que pueda hacer que las líneas o píxeles aparezcan en lugares que no deberían o la desaparición de los mismos.

b) Corrección de bandeado de la imagen: como lo que hace el sensor es ir barriendo por zonas o bandas, puede ocurrir que el sensor esté mal calibrado y no haga bien el barrido. Este problema se agravó en el sensor ETM+ del Landsat 7, que presentaban las imágenes unas bandas negras entre cada pasada, impidiendo dar un buen uso a las tomas.

c) Corrección atmosférica: son todos los efectos provocados por las nubes, los aerosoles, el vapor del agua o incluso la temperatura que puedan provocar cambios en los valores de radiancia de los píxeles capturados.

En las imágenes tomadas, ninguna presenta problemas de píxeles perdidos o de bandeado en las imágenes, por lo que la única corrección radiométrica que habrá que hacer es la corrección atmosférica. Para ello el ENVI tiene un módulo de corrección atmosférica llamado FLAASH que será el que se utilice.

Antes de realizar la corrección, a las imágenes se les tiene que transformar sus valores de ND a valores de radiancia, y posteriormente a valores de reflectancia. Esto hay que hacerlo debido a que la corrección atmosférica solo trabaja con valores de reflectancia, por que se tratan de magnitudes físicas medibles.

Para transformar los niveles digitales a radiancia, el ENVI 5.1 utiliza el método de escalamiento de la radiancia espectral, basado en la siguiente ecuación:

(18)

𝐿𝜆 = (𝐿𝑀𝐴𝑋𝜆 − 𝐿𝑀𝐼𝑁𝜆

𝑄𝑚𝑎𝑥 − 𝑄𝑚𝑖𝑛 ) (𝑄 − 𝑄𝑚𝑖𝑛) + 𝐿𝑀𝐼𝑁𝜆 donde:

𝐿𝜆 = radiancia espectral de la banda.

𝐿𝑀𝐴𝑋𝜆 = radiancia espectral en la banda 𝜆 correspondiente al ND máximo.

𝐿𝑀𝐼𝑁𝜆 = radiancia espectral en la banda 𝜆 correspondiente al ND mínimo.

𝑄 = es el ND que se desea transformar.

𝑄𝑚𝑎𝑥 = es el ND máximo calibrado.

𝑄𝑚𝑖𝑛 = es el ND mínimo calibrado.

Este método sirve para todas las imágenes del Landsat 8 de manera automatizada, pero no lo hace así para la imagen Landsat 5, por lo que hay que introducir todos los parámetros de cada banda a mano, utilizando la herramienta de matemática de bandas que tiene el propio ENVI. En la siguiente imagen se muestra las expresiones que hay que introducir para convertir los ND del Landsat 5 TM a valores de radiancia, cuyos coeficientes se han obtenido a través de la propia página web del Landsat.

Una vez que se han obtenido los valores de radiancia de las imágenes, se tiene que cambiar el formato que viene por defecto, que es el de banda secuencial (BSQ) por otro que pueda leer el módulo de reflectancia FLAASH, que es el de banda interlineada (BIL), que es un archivo binario que puede interpretar el sistema.

Como las radiancias vienen medidas en 𝑊/(𝑚²∗ µ𝑚 ∗ 𝑠𝑟) y el módulo FLAASH necesita µ𝑊/(𝑐𝑚²∗ 𝑛𝑚 ∗ 𝑠𝑟) se utiliza un factor de escala de 0.1. El módulo FLAASH además necesita una serie de parámetros como son:

(19)

- Los valores de latitud y longitud del centro de a escena: en los metadatos aparece esta información.

- La fecha y la hora de la toma de la imagen: en los metadatos aparece esta información.

- El tipo de sensor: Landsat 5 TM o Landsat 8 OLI-TIRS dependiendo de la imagen.

- La altitud del sensor: en los metadatos aparece esta información.

- El tamaño del pixel: 30 metros.

- La elevación del terreno: usando Google Earth para hallar una altitud media de la zona de trabajo, utilizando 1.5 km de altitud media.

- Un modelo atmosférico: se ha utilizado un modelo sub-tropical.

- Un modelo de aerosol: no se ha utilizado ningún modelo de aerosol.

El fichero de salida del módulo FLAASH es una imagen en valores de reflectancia corregidos de distorsiones atmosféricas, que se puede utilizar ahora para realizar la clasificación supervisada.

Todos los resultados de las imágenes antes de la corrección radiométrica y después de la misma se muestran en el anejo correspondiente a las mismas.

4.4 TEST DE CONTROL POSICIONAL

Para evaluar la calidad posicional de las imágenes y poder cuantificar comparando las imágenes con otra fuente de datos geográfico, en este caso con Google Maps, se va a proceder a utilizar el test NSSDA, analizando únicamente la componente horizontal, ya que no hay valores de cota.

El test NSSDA se fundamenta en el cálculo del error medio cuadrático (EMC) de la muestra. Con la obtención del EMC horizontal se puede calcular el error de la imagen con un nivel de confianza del 95%.

Conviene verificar que se cumplen las condiciones de aleatoriedad y normalidad de manera previa a la aplicación del NSSDA.

Primero se necesita utilizar una serie de puntos de control aleatorios que se utilizarán para el muestreo y posterior evaluación de la calidad posicional.

- Aleatoriedad de los datos: se ha de comprobar si los puntos de control son independientes. Como los puntos de control han sido creados con una herramienta generadora de puntos aleatorios en Quantum GIS repartidos por toda la imagen, se ha dividido la imagen en 4 cuadrículas que contienen cada una 8 puntos de control aleatorios (se han eliminado dos de ellos que aparecían en la zona del mar mediterráneo).

- Normalidad de datos: se ha utilizado el test de Kolmogorov-Smirnov, que comprueba si los datos están normalizados mediante el uso de una función de distribución normal.

(20)

Los puntos de control obtenidos son:

Punto Google Maps Landsat

X Y X (Lat) Y (Long)

1 707894,723 3585435,104 707895,000 3585435,000 2 732315,215 3578204,423 732315,000 3578205,000 3 697036,451 3562815,065 697035,000 3562815,000 4 690705,433 3549227,114 690705,000 3549225,000 5 708343,006 3538065,645 708345,000 3538065,000 6 739095,789 3524475,400 739095,000 3524475,000 7 690223,471 3526304,885 690225,000 3526305,000 8 665804,457 3515442,802 665805,000 3515445,000 9 649873,314 3499396,478 649875,000 3499395,000 10 644925,784 3487245,776 644925,000 3487245,000 11 661214,894 3480915,457 661215,000 3480915,000 12 656683,632 3472755,648 656685,000 3472755,000 13 686026,456 3460904,444 686025,000 3460905,000 14 705944,653 3455475,123 705945,000 3455475,000 15 683325,795 3445515,018 683325,000 3445515,000 16 709964,431 3436453,080 709965,000 3436455,000 17 727365,345 3424215,698 727365,000 3424215,000 18 734895,033 3424664,804 734895,000 3424665,000 19 752505,007 3414045,680 752505,000 3414045,000 20 776862,451 3408585,100 776865,000 3408585,000 21 775995,412 3458386,462 775995,000 3458385,000 22 788325,415 3457602,416 788325,000 3457605,000 23 763032,014 3518655,410 763035,000 3518655,000 24 787695,384 3527445,644 787695,000 3527445,000 25 779175,451 3537825,113 779175,000 3537825,000 26 769515,032 3546733,417 769515,000 3546735,000 27 795793,795 3550452,146 795795,000 3550455,000 28 774075,149 3582283,225 774075,000 3582285,000 29 803684,761 3584055,641 803685,000 3584055,000 30 824565,639 3575625,333 824565,000 3575625,000

Los puntos aleatorios han sido creados con un software de SIG (Quantum GIS), creando una capa puntual con 30 puntos distribuidos por toda la zona del BDG, y han sido asociados al elemento más cercano (cruce de caminos ya que es el elemento más fácil de identificar).

(21)

Puntos de control para evaluar la calidad posicional

Como los datos son aleatorios, se tiene que comprobar la normalidad de los mismos, por lo que se aplica el test de normalidad de Kolmogorov-Smirnov. Los cálculos necesarios para hacer el test son:

1) Obtener las coordenadas de los puntos en Imagen Landsat y en Imagen del Google Maps (referencia), siendo 30 puntos en este caso.

2) Calcular los errores en X e Y de las coordendas.

3) Calcular las frecuencias acumuladas en X e Y o frecuencia relativa de los errores calculados.

4) Calcular los errores tipificados.

5) Realizar una distribución normal estándar sobre los errores tipificados.

(22)

Se puede comprobar por las gráficas el test de normalidad se ha superado, cuya hipótesis nula es que los valores de la imagen Landsat se corresponden a una distribución normal.

Otra tarea es la de calcular los errores en X y en Y de la muestra y error horizontal. Se procede al cálculo de los errores en coordenadas de ambos conjuntos de datos, restando a las coordenadas de la fuente de mayor exactitud (Google Maps), las coordenadas de la imagen Landsat. También se calculará el error horizontal como componente de estos dos errores en x e y. Estos errores servirán para la aplicación de los diferentes estándares.

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0,0000

0,2000 0,4000 0,6000 0,8000 1,0000 1,2000

Normalidad Coordenada X

Frecuencia acumulada X Probabilidad acumulada X

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 0,0000

0,2000 0,4000 0,6000 0,8000 1,0000 1,2000

Normalidad Coordenada Y

Frecuencia acumulada Y Probabilidad acumulada Ey

(23)

Punto Errores

Ex ey eH Parámetro x y

1 -0,277 0,104 0,2959 Media -0,2203 -0,0816

2 0,215 -0,577 0,6158 Mediana 0,0325 0,1180

3 1,451 0,065 1,4525 Desviación típica 1,0969 1,2062 4 0,433 2,114 2,1579 valor mínimo del error -2,9860 -2,8540 5 -1,994 0,645 2,0957 valor máximo del error 1,4560 2,1140 6 0,789 0,4 0,8846

7 -1,529 -0,115 1,5333 8 -0,543 -2,198 2,2641 9 -1,686 1,478 2,2421 10 0,784 0,776 1,1031 11 -0,106 0,457 0,4691 12 -1,368 0,648 1,5137 13 1,456 -0,556 1,5585 14 -0,347 0,123 0,3682 15 0,795 0,018 0,7952 16 -0,569 -1,92 2,0025 17 0,345 0,698 0,7786 18 0,033 -0,196 0,1988 19 0,007 0,68 0,6800 20 -2,549 0,1 2,5510 21 0,412 1,462 1,5189 22 0,415 -2,584 2,6171 23 -2,986 0,41 3,0140 24 0,384 0,644 0,7498 25 0,451 0,113 0,4649 26 0,032 -1,583 1,5833 27 -1,205 -2,854 3,0980 28 0,149 -1,775 1,7812 29 -0,239 0,641 0,6841 30 0,639 0,333 0,7206

No se detectan discrepancias entre los estadísticos calculados para las componentes X e Y. Con respecto a los errores a los errores aleatorios, ambas componentes tienen valores parecidos y son bastante bajos, ya que tienen unas desviaciones típicas bajas. No hay presencia de puntos anómalos.

(24)

Test NSSDA

Para la aplicación del test NSSA se parte del error de cada punto en cada componente, calculado con anterioridad.

A partir de estos errores, se calculará el error medio cuadrático de cada componente, respondiendo a la siguiente fórmula:

A partir de este error medio cuadrático se obtiene el valor NSSDAH horizontal a partir de las siguientes fórmulas:

Si EMCx = EMCy

Si EMCx ≠ EMCy y 0.6 < (EMCmin/EMCmax) < 1.0

EMCx [m] EMCy [m]

1,10076 1,18877

En nuestro caso ambos errores son diferentes, por lo que habrá de comprobarse la segunda condición, obteniéndose el siguiente valor:

NSSDAH [m]

2,80125

De esta forma se concluye indicando que con el test NSSDA se verifica una exactitud horizontal de 2.80125 metros al 95% de nivel de confianza, un valor muy bajo teniendo en cuenta que el valor máximo de error debe estar en torno a 2/3 del valor del pixel (30 m), siendo dicho valor de 20 m como error máximo.

(25)

5. CLASIFICACIÓN DIGITAL

5.1 CLASIFICACIÓN SUPERVISADA

Con la clasificación digital se pretende obtener a partir de la imagen base corregida radiométrica y geométricamente una nueva imagen donde cada píxel representa un tipo de suelo en función del valor de reflectancia obtenido de la corrección radiométrica.

Para realizar la clasificación se puede hacer mediante dos formas: con una clasificación supervisada o con una clasificación no supervisada. Para este caso se ha utilizado la clasificación supervisada, que permite poder elegir manualmente las clases, con un conocimiento previo sobre la zona, delimitando pequeñas parcelas o campos de entrenamiento que permitirán al ENVI clasificar el resto de la imagen mediante una serie de funciones estadísticas.

5.2 SELECCIÓN DE CLASES DE ENTRENAMIENTO

Antes de realizar ninguna selección de los campos de entrenamiento habría que mirar detalladamente la zona de trabajo y buscar información complementaria que ayude a la selección de las clases. Dicha información ha sido buscada por distintas páginas web como la oficina de Turismo de Israel o la del propio servicio geológico de Israel, donde se pueden ver que la gran parte del territorio y sus alrededores está compuesto por unos usos de suelo similares, y en lo que a la zona de trabajo se observan los siguientes elementos:

- La mayor parte de la vegetación es subtropical o herbácea, que en su mayor parte está en seca o semi seca.

- En lo que a hidrografía se refiere, está el Mar Muerto, el Mar Mediterráneo, algún afluente del río Jordán (casi seco), balsas de riego y un humedal junto al mar muerto bastante característico.

- La gran parte de la zona de trabajo está compuesto por ergs (desiertos arenosos), hammadas (desiertos rocosos) y otras zonas rocosas.

- Finalmente nos encontramos con varias ciudades, como Jerusalén, Tel Aviv-Yafo, Gaza, Ammán y otros asentamientos menores, además de las respectivas vías de comunicación. Estos elementos no entrarán a considerarse en la clasificación, solo se representarán en los mapas finales ya que no se pueden observar cambios significativos con la resolución de las imágenes.

Con estos datos se han elegido 8 clases:

1) Agua profunda: Agua con gran profundidad, donde no se puede ver el fondo marino.

2) Agua poco profunda: toda el agua que se encuentra en las orillas del mar Muerto o en la orillas del Mar Mediterráneo, tiene poca profundidad y se pueden en algunas zonas hasta el fondo marino.

3) Vegetación densa: Toda la vegetación arbórea subtropical ya citada anteriormente.

(26)

4) Vegetación poco densa: vegetación herbácea, sobre todo en estado seco.

5) Montaña: son zonas de terreno arcilloso y están asociadas a los sistemas montañosos con mayor altitud de la zona, como por ejemplo la montaña Jabal Ramm.

6) Desierto: son desiertos de arenisca (erg), aparece al este y al sur de la zona de trabajo, siendo el más característico el desierto del Néguev, que aparece un poco de él en la zona sur de las imágenes.

7) Suelo Desnudo: son suelos rocosos de origen volcánico (hammadas) y se caracterizan estar en zonas de meseta o con poca pendiente.

Estas clases tienen una firma o signatura espectral característica, y se han obtenido mediante el ENVI usando para ello pixeles que representan a dichas clases y representándolos mediante la herramienta de obtención del Perfil-Z (espectro), cuyo resultado pasado a valores de reflectancias (%) sería:

Las clases que mayor probabilidad de obtener confusiones a la hora de realizar la clasificación puede se agrupan en los distintos grupos: los de agua profunda, agua poco profunda y humedal por un lado y suelos montañosos, suelos desnudos y desierto por otro, donde con ya se verá más adelante si esto sucede así y en qué medida.

Para la identificación de los campos de entrenamiento se han usado distintas composiciones de color en RGB, ya explicadas en el apartado 4.2. Con todo esto los píxeles utilizados para cada clase en cada fecha están reflejados en la siguiente tabla:

Año

Clase 1999 2014 2015 2016

Agua profunda 136 165 102 128

Agua poco profunda 151 89 122 190 Vegetación densa 142 175 163 112 Vegetación poco densa 108 142 186 165

Desierto 98 81 125 142

Montaña 143 88 178 101

Suelo desnudo 165 113 150 147

Humedal 94 132 146 168

Firmas espectrales

(27)

Con estas regiones de interés (ROI) como denomina ENVI, se podrá hacer ahora la clasificación.

5.3 RESULTADO DE LA CLASIFICACIÓN

El cálculo de la clasificación supervisada da como resultado una imagen con una sola banda donde el nivel digital del pixel de cualquier banda corresponde a una de las categorías clasificadas.

Para realizar la clasificación supervisada, el ENVI nos da múltiples maneras de realizarla, utilizando para este caso en concreto el método de máxima probabilidad, aplicando a todas las clases un umbral de probabilidad máxima entre 0 y 1 para todas las clases. Se ha usado un valor de 0.75 para todas las clases, ya que pueden variar un poco los valores de los píxeles de cada clase.

Los resultados de las clasificaciones de 1999, 2014, 2015 y 2016 están recogidos en los planos correspondientes junto con algunos elementos no presentes en la clasificación como las ciudades y las vías de comunicación, además del resto de información marginal necesaria.

5.4 VERIFICACIÓN DE LA CLASIFICACIÓN

Para verificar que la clasificación supervisada se va a evaluar un control de calidad ya que la imagen resultante de la clasificación puede tener una serie de errores, que pueden ser la geomorfología de la zona, el número de clases establecido, los problemas obtenidos durante la toma de la imagen o las condiciones climáticas de la zona durante la toma.

Para realizar la verificación de la clasificación se va a realizar una comparación de la imagen clasificada con otra imagen de la misma zona pero que sea tomada como una verdad terreno, utilizando para este caso Google Earth, mediante una matriz de confusión.

Para realizar la matriz de confusión hay que tener en cuenta ciertas condiciones:

- Las clases establecidas han de ser independientes.

- Los métodos de muestreo usados no pueden ser de autocorrelación.

- Se deben usar métodos de estratificación para evitar clases desconocidas.

- La comprobación de la bondad de la clasificación supervisada se comprueba usando puntos de control y no parcelas de entrenamiento.

Se han realizado cuatro clasificaciones, pero hay un problema a la hora de evaluar todas las clasificaciones, y esto es debido a que en Google Earth solo se tiene acceso a datos recientes, así que no se podrá comparar las clasificaciones de las imágenes de 1999, 2014 y 2015, sólo se comprobará la del año 2016, además se utilizará el resultado de la verificación de esta fecha para las demás clasificaciones.

(28)

Para el tamaño de la muestra se ha de escoger un número de puntos necesario que sean generados de forma aleatoria, y dependerá de un nivel de confianza determinado y del grado de información que posea sobra la población.

La verificación de la bondad de la clasificación trata de establecer el acierto o error en la asignación de una determinada celdilla. El suceso de las celdillas que aparecen como bien clasificadas o erróneamente clasificada se distribuye como una variable aleatoria discreta binomial:

donde n es el tamaño muestral y p la probabilidad de acierto de la clasificación.

Esta distribución binomial también sigue una función de distribución tal que:

siendo

El tamaño de la muestra para la imagen clasificada se ajusta según la siguiente fórmula:

siendo:

- n: el tamaño muestral.

- p y q: probabilidad de que ocurran los sucesos de una celda bien clasificada o erróneamente clasificada.

- ε: error admitido en la asignación de celdas. Que para este caso se ha establecido uno del 5% (0.05).

- : es el percentil de la distribución normal N(0,1) correspondiente a la mitad del nivel de confianza establecido.

Considerando que p = q = 0.5, se puede establecer un límite superior para n:

Donde se involucran una serie de condiciones:

 Como el error admitido es del 5%, el nivel de confianza será del 95%.

 Al tener un nivel de confianza del 95%, entonces tendríamos un percentil de:

0.95 = 1 – α α = 0.05 → α² = 0.025

= 1.94 (obtenido de la tabla de distribución normal)

(29)

n = 776 (tamaño de la muestra).

Ahora que ya se tiene el tamaño necesario para la muestra se tiene que realizar la distribución de dichos punto sobre la imagen, y para ello se ha utilizado una cuadrícula de 9x9 y en cada una se han utilizado 9 puntos aleatorios, utilizando el mismo proceso que para los puntos de control del test de exactitud posicional salvo que en mayor cantidad.

El resultado de la evaluación de esta verificación de la clasificación se recoge en una matriz de confusión, que es una matriz que recoge todos los conflictos entre las distintas categorías. Se distribuyen en filas los elementos de la clasificación y en columnas los elementos considerados como verdad terreno. Se recogen en la matriz todos los valores de los píxeles de las muestras. En la diagonal principal aparecen los elementos que se han mantenido invariantes y fuera de ella se muestran las confusiones entre las distintas clases. Se han descartado los elementos que aparecían en elementos que no se habían considerado clasificados (como edificios, vías de comunicación,…).

Por último, en la matriz aparecen otros dos tipos de elementos que son los que están provocados por errores de asignación, y son:

 Errores de omisión: producidos cuando la celda perteneciente a una clase no se le asigna a dicha clase.

 Errores de comisión: producidos cuando la celda se le asigna a una clase que en realidad no es a la que debería pertenecer.

Estos errores al compararlos con el número total de elementos constituyen nuevos elementos:

 Riesgo del productor: probabilidad de productor de cometer errores por la omisión de algunas celdas pertenecientes a su clase correspondiente.

 Riesgo del usuario: probabilidad del usuario al cometer errores de comisión ya que asume que ciertas celdas pertenecen a una clase que en realidad no debería de pertenecer.

Otros parámetros que hay que considerar en la matriz de confusión son:

 Porcentaje de acuerdo: indica como de bien hecha esta la clasificación. Se calcula fácilmente este porcentaje dividiendo el número de elementos correctamente clasificados entre los elementos totales.

 Coeficiente Kappa de ajuste: es un valor que da idea del porcentaje de acuerdo obtenido en la clasificación una vez se ha eliminado la parte que se debería al azar, es decir, es la probabilidad de ajuste a posteriori de pertenencia a una clase.

Como conclusiones se tienen unos valores de Porcentaje de acuerdo de 91,65 % y del coeficiente kappa de ajuste (K) de 89 % y en general hay un mayor número de confusiones entre las clases de desierto (erg) y suelo desnudo (hammada) como ya se preveía, ya que son categorías con signaturas espectrales parecidas; además se han obtenido unas precisiones tanto del productor como del usuario bastante altas para todas las categorías, por lo que habría que decir que la clasificación es bastante buena.

Tanto la matriz de confusión como los distintos parámetros obtenidos a partir de la misma aparecen en el anejo correspondiente de la verificación a la clasificación.

(30)

6. ANÁLISIS DE CAMBIOS

Después de realizar la clasificación se proceden a comparar los diferentes usos de suelo de la imagen de 2016 con los otras tres más antiguas para poder ver cómo han cambiado las distintas clases a lo largo de los años.

Se va a visualizar la información de los cambios mediante comparativas gráficas y numérica. La primera se encuentra dicha información en los distintos planos gráficos 1 al 8, referente cada plano a cada categoría clasificad y se muestran sólo los elementos que se mantienen y los que han cambiado, pero sólo se mostraran las comparativas entre los años 2016 y 1999 por dos motivos, uno que si no tendría el trabajo un exceso de planos y otra es que la comparativa entre los años 2014-2016 y 2015-2016 no tienen cambios muy grandes ya que son fechas muy próximas. Y la segunda que son las distintas comparativas numéricas que vienen mostradas en las siguientes gráficas, donde se ve el porcentaje de cambio de cada clase entre cada una de las dos fechas.

Comparativa del análisis de cambios entre 2016 y 1999 CLASIFICACION 2016

CLASIFICACION 1999

Clases (ha)

Agua profunda Agua poco profunda Vegetación frondosa Vegetación poco densa Desierto Montaña Suelo desnudo Humedal Total

Agua

profunda 412380,6 945,63 12,53 1737,83 406,18 57,38 12751,11 17,15 428308,41 Agua poco

profunda 15102,48 1538,25 5,57 1269,95 17,66 3,99 2513,44 42,41 20493,75 Vegetación

frondosa 1299,65 72,35 9495,52 534917,3 158,94 82,33 3065,17 0 549091,26 Vegetación

poco densa 217,55 66,52 319,67 61960,31 1059,6 2579,14 13854,57 0 80057,36 Desierto 43,58 5,04 5,57 1203,11 125898,6 6,49 38008,12 0 165170,48 Montaña 0 0 12,53 27404,24 88,3 2257,36 12628,5 0 42390,93

Suelo

desnudo 4401,65 11,13 68,21 39903,24 48971,35 3,18 530152 180,7 623691,43

Humedal 261,48 11,4 0 0 0 0 61,3 161,46 495,64

Total 433706,99 2650,32 9919,6 668396 176600,6 4989,87 613034,2 401,72 1909699,26 Cambios 21326,39 1112,07 424,08 606435,7 50702,03 2732,51 82882,21 240,26

(31)

Como se puede observar, entre estas dos épocas ha habido cambios bastante grandes entre las dos fechas, y se puede hacer un comentario clase por clase según cómo han cambiado en cada fecha:

- Agua profunda: Esta clase se ha mantenido prácticamente invariante, ya que no ha habido apenas zonas que se hayan desecado, lo único que parece confundirse más es una parte del río Jordán que probablemente se ha confundido al clasificarlo en la imagen de 1999. Se ha mantenido invariante un 95,08%

- Agua poco profunda: Prácticamente las zonas de agua poco profunda bajado a casi la mitad de cómo estaba en 1991, esto sucede en su gran mayoría en el Mar Muerto, ya que en 2013 se inició un proyecto de bombeo de agua desde el Mar Rojo para evitar la desecación del Mar Muerto que ha afectado muy positivamente al aumento del nivel de algunas de sus zonas. Se ha mantenido invariante un 58,04%

- Vegetación frondosa: Como en 2016 la superficie de cubierta vegetal subtropical es tan baja, apenas hay cambios entre esta época y 1999. Se ha mantenido invariante un 95,72%

- Vegetación poco densa: En este caso ha habido un gran aumento de cubierta vegetal herbácea, esto es debido a que la zona se encuentra en zonas de conflicto bélico que han provocado una gran pérdida de cubierta vegetal subtropical, formada ahora en su mayoría por vegetación herbácea, o por suelo desnudo. Se ha mantenido invariante un 9,27%

- Desierto: Gran parte la zona de erg se ha mantenido sin cambios, las zonas que se han confundido por suelo desnudo (hammadas) puede que sean por una mala clasificación de la zona, ya que son clases con signaturas espectrales muy parecidas. Se ha mantenido invariante un 71,29%

- Montaña: Esta clase ha cambiado prácticamente la mitad con respecto al año 1991, y es que gran parte de la zona montañosa el terreno arcilloso de la montaña y debido a los climas tan extremos, la zona al desertificarse se asemeja en gran medida la signatura espectral a las hammadas. Se ha mantenido invariante un 45,23%

- Suelo desnudo: Esta clase también está prácticamente invariante, confundiéndose en mayor parte con algunas zonas de erg, pero en su mayoría siguen igual. Se ha mantenido invariante un 86,48%

- Humedal: Esta clase hace referencia a los humedales junto al Mar Muerto, que por debido a los años se han ido secando hasta perderse más de la mitad con respecto al año 1991. Se ha mantenido invariante un 40,19%

(32)

CLASIFICACION 2014

Clases (ha)

Agua

poco densa 46,65 5,28 960,56 504883,80 875,06 15,75 10480,62 0 517267,7145 Desierto 0 0 2,75 612,66 95921,66 2,66 100063,80 0 196603,5307 Montaña 0 12,22 0 1058,22 72,92 2154,39 9721,84 0 13019,58567

Suelo

desnudo 4524,74 0,56 22,00 4734,16 48653,59 27,07 330732,19 0 388694,3038 Humedal 3825,04 14,44 0 0 0 0 47,42 314,18 4201,081416 Total 466467,93 2776,59 6875,91 556959,51 145844,10 2218,5 474236,01 322,47 1855701,02 Cambios 20851,12 123,28 999,76 52075,71 49922,44 64,11 143503,82 8,29

Entre los años 2014 y 2016 apenas ha habido cambios entre las clases, las únicas que vale la pena mencionar son las de desierto y suelo desnudo, ya que probablemente como se ha indicado antes, al ser clases con signaturas espectrales similares.

(33)

CLASIFICACION 2015

Clases (ha)

Agua

poco densa 991,83 60,30 546,61 526954,10 1326,77 99,22 791,74 0 530770,559 Desierto 0 0,86 37,44 691,62 154763,76 13,19 141720,96 0 297227,817 Montaña 0 0 53,78 0,00 1775,53 5733,96 2045,32 0 9608,58418

Suelo

desnudo 631,17 12,00 27,91 9509,73 34632,59 349,78 510868,43 0 556031,595 Humedal 3696,83 0,86 0 2535,93 0 0 1781,41 736,93 8751,95979 Total 450833,22 2857,59 6807,06 576347,04 195113,16 6279,66 659781 740,34 1898759,07 Cambios 16500,50 184,60 726,99 49392,94 40349,40 545,70 148912,57 3,41

Entre los años 2015 y 2016 apenas hay cambios apreciables en las categorías clasificadas, ya que habiendo solo un año de diferencia el cambio en los usos de suelo debe ser cuanto menos pequeño.

Como se ha indicado anteriormente, se va a realizar una producción cartográfica sobre el análisis de cambios entre las fechas 1999 y 2016 que son las que mayor tasa de cambios tienen en sus clases.

Cabe destacar el hecho de que hay bastantes zonas no clasificadas en las últimas fechas, y esto es debido en su mayoría a que no se han elegido para la clasificación las zonas pobladas, que son las ciudades y los campos de refugiados. Los campos de refugiados han aumentado su número en gran medida en estos últimos 5 años sobre todo debido a las guerras que están ocurriendo en practicante todo oriente medio. Para la producción cartográfica posterior sólo se han elegido representar las ciudades más pobladas de la zona.

(34)

7. PRODUCCIÓN CARTOGRÁFICA

La presentación final del proyecto consta de varios planos a escala:

a) Las cartografías que representan las clases que han recibido cambios durante la fase del “Análisis de cambios” dónde se presentará un plano por clase junto con las clases que hayan tenido alguna confusión.

b) Las cuatro clasificaciones referentes a cada época que representarán todas las clases registradas durante la clasificación supervisada junto con las vías de comunicación y las ciudades presentes en la zona de trabajo.

Las diferentes clases a representar se harán con los siguientes colores en RGB, que se muestran en la siguiente tabla:

Clase RGB Color

Agua profunda 0,0,255 Azul Agua poco profunda 0,255,255 Turquesa

Vegetación densa 0,255,0 Verde Vegetación poco densa 46,139,87 Verde mar

Desierto 255,255,0 Amarillo Montaña 160,82,45 Siena Suelo desnudo 216,191,216 Cardo

Humedal 127,255,0 Charteuse

Para realizar la producción cartográfica se ha utilizado el Quantum GIS, ya que con este software de SIG cada clase está registrada en capas diferentes, y permite añadir posible información marginal al plano, como puede ser el cajetín, la escala, el norte geográfico, la leyenda,…

Para los planos de cada imagen clasificada se ha superpuesto otra imagen de la misma zona, obtenida también de Google Maps, para poder digitalizar las vías de comunicación y las ciudades, que se representarán en un color rojo para ambos elementos.

El formato para los planos es diferente para según qué tipo de plano se esté representando:

- Un formato A-2 para los planos que representan las clasificaciones en las 4 fechas.

- Un formato A-3 para los planos que representan los análisis de cambios.

Para realizar el cajetín, se ha utilizado el normalizado que pone a disposición la página de la universidad de Jaén para la entrega de los trabajos de fin de grado.

Todos los planos se han representado en el sistema de referencia EPSG:32636, WGS84/UTM zona 36N, que es el que viene en las imágenes Landsat por defecto.

Los planos vienen adjuntos en los documentos gráficos 1 al 12.

(35)

8. BIBLIOGRAFÍA Y RECURSOS WEB

- Apuntes de la asignatura “Teledetección Aplicada” del grado de Geomática y Topografía de la Universidad de Jaén.

- Apuntes de la asignatura “Fotogrametría y Teledetección II” del grado de Geomática y Topografía de la Universidad de Jaén.

- Apuntes de la asignatura “Producción Cartográfica” del grado de Geomática y Topografía de la Universidad de Jaén.

-Michael P. Finn, Matthew D. Reed, and Kristina H. Yamamoto (2012), A Straight Forward Guide for Processing Radiance and Reflectance for EO-1 ALI, Landsat 5 TM, Landsat 7 ETM+, and ASTER. Unpublished Report from USGS/Center of Excellence for Geospatial Information Science, 8 p. 2012, Rolla (Missouri).

 http://cegis.usgs.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide

%20for%20Processing%20Radiance%20and%20Reflectance_V_24Jul12.p df

- United States Geological Survey (USGS) (13-07-2016).

 http://www.usgs.gov/

- Aspectos técnicos de las imágenes Landsat – INEGI (30-09-2016)

 http://www.inegi.org.mx/geo/contenidos/imgpercepcion/imgsatelite/doc/aspe ctos_tecnicos_imagenes_landsat.pdf

- HARRIS geospatial solutions (17-09-2016)

 http://www.harrisgeospatial.com/

- Servicio Geológico de Israel (08-09-2016)

 http://www.gsi.gov.il/eng/

- Datos sobre la geomorfología y clima de Israel y alrededores. (08-09-2016)

 http://www.madregot.com/Israel-1.htm.

- Video tutoriales sobre procesos de ENVI Niveles Digitales a radiancia (02-10-2016)

 https://www.youtube.com/watch?v=AMgXHfIDY8s Radiancia a reflectancia (02-10-2016)

 https://www.youtube.com/watch?v=j4Le6reJS7M

Corrección radiométrica de imágenes Landsat 8 OLI-TIRS (03-10-2016)

 https://www.youtube.com/watch?v=QFH03aDcXk0

(36)

9. ANEJOS A LA MEMORIA Y DOCUMENTACIÓN GRÁFICA

METADATOS DE LAS IMÁGENES (MTL) - Imagen del 25 de abril de 1999

GROUP = L1_METADATA_FILE GROUP = METADATA_FILE_INFO

ORIGIN = "Image courtesy of the U.S. Geological Survey"

REQUEST_ID = "0101404049575_00281"

LANDSAT_SCENE_ID = "LT51740381999115AAA03"

FILE_DATE = 2014-04-09T10:05:03Z STATION_ID = "AAA"

PROCESSING_SOFTWARE_VERSION = "LPGS_12.4.0"

DATA_CATEGORY = "NOMINAL"

END_GROUP = METADATA_FILE_INFO GROUP = PRODUCT_METADATA

DATA_TYPE = "L1T"

DATA_TYPE_L0RP = "TMR_L0RP"

ELEVATION_SOURCE = "GLS2000"

OUTPUT_FORMAT = "GEOTIFF"

EPHEMERIS_TYPE = "DEFINITIVE"

SPACECRAFT_ID = "LANDSAT_5"

SENSOR_ID = "TM"

SENSOR_MODE = "SAM"

WRS_PATH = 174 WRS_ROW = 038

DATE_ACQUIRED = 1999-04-25

SCENE_CENTER_TIME = 07:49:49.2720880Z CORNER_UL_LAT_PRODUCT = 32.72160 CORNER_UL_LON_PRODUCT = 34.14074 CORNER_UR_LAT_PRODUCT = 32.67464 CORNER_UR_LON_PRODUCT = 36.61578 CORNER_LL_LAT_PRODUCT = 30.81921 CORNER_LL_LON_PRODUCT = 34.11763 CORNER_LR_LAT_PRODUCT = 30.77558 CORNER_LR_LON_PRODUCT = 36.54269

CORNER_UL_PROJECTION_X_PRODUCT = 606900.000 CORNER_UL_PROJECTION_Y_PRODUCT = 3621000.000 CORNER_UR_PROJECTION_X_PRODUCT = 839100.000 CORNER_UR_PROJECTION_Y_PRODUCT = 3621000.000 CORNER_LL_PROJECTION_X_PRODUCT = 606900.000 CORNER_LL_PROJECTION_Y_PRODUCT = 3410100.000 CORNER_LR_PROJECTION_X_PRODUCT = 839100.000 CORNER_LR_PROJECTION_Y_PRODUCT = 3410100.000 REFLECTIVE_LINES = 7031

REFLECTIVE_SAMPLES = 7741 THERMAL_LINES = 7031 THERMAL_SAMPLES = 7741

FILE_NAME_BAND_1 = "LT51740381999115AAA03_B1.TIF"

(37)

GROUND_CONTROL_POINT_FILE_NAME =

"LT51740381999115AAA03_GCP.txt"

REPORT_VERIFY_FILE_NAME = "LT51740381999115AAA03_VER.txt"

BROWSE_VERIFY_FILE_NAME = "LT51740381999115AAA03_VER.jpg"

METADATA_FILE_NAME = "LT51740381999115AAA03_MTL.txt"

CPF_NAME = "L5CPF19990401_19990630.09"

END_GROUP = PRODUCT_METADATA GROUP = IMAGE_ATTRIBUTES CLOUD_COVER = 0.00 IMAGE_QUALITY = 9

SUN_AZIMUTH = 121.22641606 SUN_ELEVATION = 59.19284800

GROUND_CONTROL_POINTS_MODEL = 214 GEOMETRIC_RMSE_MODEL = 3.890 GEOMETRIC_RMSE_MODEL_Y = 2.840 GEOMETRIC_RMSE_MODEL_X = 2.658 GROUND_CONTROL_POINTS_VERIFY = 2812 GEOMETRIC_RMSE_VERIFY = 0.125

GEOMETRIC_RMSE_VERIFY_QUAD_UL = 0.114 GEOMETRIC_RMSE_VERIFY_QUAD_UR = 0.130 GEOMETRIC_RMSE_VERIFY_QUAD_LL = 0.121 GEOMETRIC_RMSE_VERIFY_QUAD_LR = 0.129 END_GROUP = IMAGE_ATTRIBUTES

GROUP = MIN_MAX_RADIANCE

RADIANCE_MAXIMUM_BAND_1 = 193.000 RADIANCE_MINIMUM_BAND_1 = -1.520 RADIANCE_MAXIMUM_BAND_2 = 365.000 RADIANCE_MINIMUM_BAND_2 = -2.840 RADIANCE_MAXIMUM_BAND_3 = 264.000 RADIANCE_MINIMUM_BAND_3 = -1.170 RADIANCE_MAXIMUM_BAND_4 = 221.000 RADIANCE_MINIMUM_BAND_4 = -1.510 RADIANCE_MAXIMUM_BAND_5 = 30.200 RADIANCE_MINIMUM_BAND_5 = -0.370 RADIANCE_MAXIMUM_BAND_6 = 15.303 RADIANCE_MINIMUM_BAND_6 = 1.238 RADIANCE_MAXIMUM_BAND_7 = 16.500 RADIANCE_MINIMUM_BAND_7 = -0.150 END_GROUP = MIN_MAX_RADIANCE

GROUP = MIN_MAX_PIXEL_VALUE QUANTIZE_CAL_MAX_BAND_1 = 255 QUANTIZE_CAL_MIN_BAND_1 = 1 QUANTIZE_CAL_MAX_BAND_2 = 255 QUANTIZE_CAL_MIN_BAND_2 = 1 QUANTIZE_CAL_MAX_BAND_3 = 255 QUANTIZE_CAL_MIN_BAND_3 = 1 QUANTIZE_CAL_MAX_BAND_4 = 255 QUANTIZE_CAL_MIN_BAND_4 = 1 QUANTIZE_CAL_MAX_BAND_5 = 255 QUANTIZE_CAL_MIN_BAND_5 = 1 QUANTIZE_CAL_MAX_BAND_6 = 255

(38)

QUANTIZE_CAL_MIN_BAND_6 = 1 QUANTIZE_CAL_MAX_BAND_7 = 255 QUANTIZE_CAL_MIN_BAND_7 = 1 END_GROUP = MIN_MAX_PIXEL_VALUE GROUP = PRODUCT_PARAMETERS

CORRECTION_GAIN_BAND_1 = "CPF"

CORRECTION_GAIN_BAND_6 = "INTERNAL_CALIBRATION"

CORRECTION_BIAS_BAND_1 = "CPF"

END_GROUP = PRODUCT_PARAMETERS GROUP = RADIOMETRIC_RESCALING RADIANCE_MULT_BAND_1 = 0.766 RADIANCE_MULT_BAND_2 = 1.448 RADIANCE_MULT_BAND_3 = 1.044 RADIANCE_MULT_BAND_4 = 0.876 RADIANCE_MULT_BAND_5 = 0.120 RADIANCE_MULT_BAND_6 = 0.055 RADIANCE_MULT_BAND_7 = 0.066 RADIANCE_ADD_BAND_1 = -2.28583 RADIANCE_ADD_BAND_2 = -4.28819 RADIANCE_ADD_BAND_3 = -2.21398 RADIANCE_ADD_BAND_4 = -2.38602 RADIANCE_ADD_BAND_5 = -0.49035 RADIANCE_ADD_BAND_6 = 1.18243 RADIANCE_ADD_BAND_7 = -0.21555 END_GROUP = RADIOMETRIC_RESCALING GROUP = PROJECTION_PARAMETERS MAP_PROJECTION = "UTM"

DATUM = "WGS84"

ELLIPSOID = "WGS84"

UTM_ZONE = 36

GRID_CELL_SIZE_REFLECTIVE = 30.00 GRID_CELL_SIZE_THERMAL = 30.00 ORIENTATION = "NORTH_UP"

RESAMPLING_OPTION = "CUBIC_CONVOLUTION"

MAP_PROJECTION_L0RA = "NA"

END_GROUP = PROJECTION_PARAMETERS END_GROUP = L1_METADATA_FILE

END

- Imagen del 18 de abril de 2014 GROUP = L1_METADATA_FILE GROUP = METADATA_FILE_INFO

ORIGIN = "Image courtesy of the U.S. Geological Survey"