1
Análisis multitemporal de las coberturas
vegetales en la cuenca del Rio Pauto,
departamento del Casanare
Pedro Infante Betancourt
Jenny Paola Martínez Mora
Universidad Distrital Francisco José de Caldas Facultad del Medio Ambiente y Recursos Naturales
2
Análisis multitemporal de las coberturas
vegetales en la cuenca del Rio Pauto,
departamento del Casanare
Pedro Infante Betancourt
Jenny Paola Martínez Mora
Trabajo de grado presentado como requisito parcial para optar al título de:
Ingeniero Topográfico
Directora:
Ingeniera Rose Marie Aldana B.
Universidad Distrital Francisco José de Caldas Facultad del Medio Ambiente y Recursos Naturales
3
1. Capítulo: Descripción del Proyecto ... 9
2.1.1. Planteamiento del problema ... 9
2.1.2. Justificación ... 9
2.1.3. Objetivos ... 10
1.1.1 Objetivo General ... 10
1.1.2 Objetivos Específicos ... 10
2. Capítulo: Estructuración del Proyecto ... 11
2.1.4. Marco Teórico ... 11
2.1.1 Departamento del Casanare ... 11
2.1.2 Rio Pauto ... 13
2.1.5. Percepción Remota ... 15
2.1.6. Imágenes Satelitales ... 15
2.1.7. Imágenes Landsat ... 16
2.1.1. Landsat (8) ... 17
2.1.2. El color ... 19
2.1.3. Optimización espacial ... 21
2.1.4. Radiancia y Reflectancia ... 23
2.1.5. Factor índice optimo ... 24
2.1.6. Clasificación Supervisada ... 25
2.1.7. ¿Cuál es la metodología para implementar una clasificación digital supervisada? ... 26
2.1.8. Análisis estadístico y visual de las bandas ... 27
2.1.9. Clasificación no Supervisada... 28
2.1.10. Selección Y Delimitación De Las Áreas De Entrenamiento ... 28
2.1.11. Método del espacio característico (feature space) ... 29
2.1.12. Precisión de la clasificación ... 30
4
3.1.1. Flujo de trabajo... 33
3.1.2. Materiales ... 33
3.1.3. Shapefile de la zona de estudio ... 34
3.1.4. Imágenes satelitales... 34
3.1.5. Elaboración compilado... 36
3.1.6. Corrección radiométrica ... 38
3.1.7. Recorte de la imagen ... 41
3.1.8. Calculo OIF ... 42
3.1.9. Clasificación supervisada ... 46
3.1.10. Clasificación ... 50
3.1.11. Evaluación de resultados ... 52
4. Resultados análisis multitemporal ... 61
4.1.1. Recursos ... 64
5. Conclusiones ... 65
6. Bibliografía ... 67
5
Tabla de Ilustraciones
Ilustración 1: División administrativa del departamento del Casanare (fuente: Colombia
2016) ... 12
Ilustración 2: Localización Rio Pauto (fuente google Earth, tomada 28/08/16) ... 14
Ilustración 3: Colores primarios. Fuente; Profesor en línea ... 20
Ilustración 4: Colores básicos contenidos en la luz. Fuente: Profesor en línea ... 20
Ilustración 5: Colores secundarios. Fuente: Profesor en línea ... 20
Ilustración 6: Colores intermedios. Fuente: Profesor en línea ... 20
Ilustración 7: Combinación de colores. Fuente: Profesor en línea ... 21
Ilustración 8 cálculo de reflectividades Fuente: Manual curso Erdas ... 24
Ilustración 9 Esquema de clasificación supervisada fuente: IGAC ... 26
Ilustración 10 Resultados clasificación ... 31
Ilustración 11: Flujo de trabajo (fuente propia) ... 33
Ilustración 12: Cuenca rio Pauto (fuente propia) ... 34
Ilustración 13 Pagina descarga imágenes satelitales ... 35
Ilustración 14 identificador imagen descargada ... 35
Ilustración 15 cargue imagen.tiff al software fuente: propia ... 36
Ilustración 16 herramienta layer stack fuente propia... 37
Ilustración 17 directorio guardado imagen compilada Fuente: propia ... 37
Ilustración 18 imagen compilada Fuente: Propia ... 38
Ilustración 19 herramienta landsat reflectance Fuente: Propia ... 39
Ilustración 20 cuadro reflectancia Fuente Propia ... 39
Ilustración 21 Datos procesamiento de la imagen Fuente: manual Erdas ... 40
Ilustración 22 cuadro avance proceso Fuente: Propia ... 40
Ilustración 23 Cuadro de verificación de proceso ... 41
Ilustración 24 Corte imagen zona de estudio Fuente Propia ... 42
Ilustración 25: Procedimiento para la obtención de la matriz de correlación. Fuente: Propia ... 43
Ilustración 26: Procedimiento para la obtención de la matriz de correlación. Fuente: Propia ... 43
Ilustración 27: Procedimiento para la obtención de la matriz de correlación. Fuente: Propia ... 44
Ilustración 28: Tabla de cálculo de OIF ... 45
Ilustración 29: OIF obtenido ... 45
Ilustración 30 clases utilizadas para la clasificación RGB 561 Fuente: Propia ... 46
Ilustración 31 polígonos de áreas de muestreo. Fuente: Propia ... 49
Ilustración 32 Áreas de entrenamiento y clases. Fuente: Propia ... 49
Ilustración 33 clases para clasificación Fuente: propia ... 50
Ilustración 34: Herramienta clasificación supervisada. Fuente: Propia ... 51
Ilustración 35 Cuadro direccionamiento clasificación Fuente: Propia ... 51
Ilustración 36 Resultado Clasificación Fuente: Propia ... 52
Ilustración 37 trasformación de raster a shapefile Fuente Propia ... 53
Ilustración 38 Cambio de vector a shapefile ... 53
Ilustración 39 asignar colores a la Vectorización ... 54
6
Ilustración 41 Generador de números aleatorios. Fuente propia ... 56
Ilustración 42 Tabla de atributos Arcgis. Fuente propia ... 57
Ilustración 43: Coeficiente de concordancia Kappa y calidad de la clasificación. Fuente: Torrijos Cadena, German (2011). ... 61
Ilustración 44 Imágenes comparativas 1990-2015 ... 63
Índice de Tablas
Tabla 1 Características de las imágenes landsat 8 fuente (Geografia, 2016)... 18Tabla 2: Matriz de coeficiente de correlación ... 44
Tabla 3: Desviaciones estándar por banda... 44
Tabla 4 Tabla polígonos del muestreo 1990 ... 57
Tabla 5: Índice Kappa 1990 ... 58
Tabla 6: Índice Kappa 2001 ... 59
Tabla 7: Índice Kappa 2015 ... 60
Tabla 8 Resultados análisis multitemporal ... 62
7
Glosario
Bandas espectrales: información de la superficie terrestre simultáneamente en diferentes longitudes de onda, rangos espectrales, canales o bandas del espectro electromagnético, generalmente se captura información en longitudes de onda del espectro visible y el infrarrojo para aplicaciones de uso y cobertura de la tierra. La disponibilidad de información en diferentes bandas de una determinada superficie permite realizar diferentes análisis sobre las características de los fenómenos que en ella se presentan.
Cartografía temática: cartografía que busca representar sobre una cartografía planimétrica tanto variables tangibles como intangibles sobre un tema concreto y ubicarlas en su posición geográfica. La cartografía temática incorpora de manera precisa y comunicativa la mayor cantidad de información asociada al tema del mapa buscando brindar para todos los usuarios de dichos mapas una fácil lectura y comprensión.
Clasificador: operador que asigna el vector de características de una celda a una clase determinada, en función de los criterios de similitud establecidos.
Clasificación temática: los procedimientos de extracción de información temática de las imágenes provenientes de sensores remotos actualmente se llevan a cabo mediante técnicas de clasificación asistidas por computador en las que mediante diversos criterios de decisión el intérprete define las áreas que se asigna o definen como una clase o proceso es un mapa temático de clasificación de coberturas para una determinada región.
8
Introducción
Las imágenes satelitales se pueden definir como la representación visual de los datos obtenidos por un satélite en un tiempo determinado, de allí surge la posibilidad de generar un estudio de cambio de cobertura en vegetal de los últimos 20 años en la cuenca de rio Pauto localizado en el oriente de Colombia entre los departamentos de Boyacá y Casanare, este es un afluente de gran importancia para Colombia, por ello la necesidad de observar cómo ha cambiado en las últimas tres décadas, utilizando para esto nuevas tecnologías.
9
1. Capítulo: Descripción del Proyecto
2.1.1. Planteamiento del problema
El uso de las nuevas tecnologías para la elaboración de cartografía automatizada ha venido creciendo agilizando la toma de información que tenga un grado de exactitud aceptable, prestándose para generar estudios de cambio de una zona determinada en diferentes épocas. En la región del Casanare actualmente no existe un documento actualizado de representación del cambio en coberturas vegetales de la zona periférica a la cuenca del rio Pauto, motivo por el cual se dificulta la toma de decisiones por parte de instituciones del departamento que tengan que ver con el área de gestión y planificación, para el desarrollo de los diferentes proyectos de la región que tenga que ver con el medio ambiente, gestión de riesgo, crecimiento demográfico, estudios de uso de suelo o características hidrográficas de la zona, entre otros.
2.1.2. Justificación
La elaboración de un mapa temático permitirá obtener información técnicamente elaborada, documentada y actualizada, a fin de realizar estudios de índole medio ambiental o topográficos apoyados en esta herramienta.
Se entiende que la existencia de un documento de estos es escasa y la oportunidad de actualizar esta información se presenta como una necesidad; dicho anteriormente, el estudio esencial de este documento es el análisis multitemporal y la determinación de la geometría del rio, así como los cambios de cobertura vegetal en la cuenca ya sea por acción antrópica o por cuestiones naturales de este, en los últimos 20 años. La utilización de este material para el departamento radica en la similitud que tiene un mapa temático con un plano y hace más fácil la interpretación de la información presente en este.
10
necesidad de no solo hacerla accesible al público en general sino totalmente entendible para personas que no cuenten con el conocimiento suficiente pero las cuales encuentran el interés en obtener información sobre el área de estudio.
Por otra parte el levantamiento de información en campo como la realización de los mapas topográficos convencionales es muy laboriosa, exigiendo un gran empleo de recursos, sumado a esto la actualización de sus variables requiere mucho trabajo.
Adicionalmente la información que contiene una imagen satelital es más completa a la que queda reflejada en el mapa topográfico obtenido por métodos convencionales.
2.1.3. Objetivos
1.1.1 Objetivo General
Elaborar un estudio multitemporal de la cobertura vegetal en la cuenca del rio Pauto, localizado en el oriente de Colombia entre los departamentos de Boyacá y Casanare.
1.1.2 Objetivos Específicos
Elaborar una clasificación supervisada de la vegetación de la cuenca del río Pauto para ser utilizada por entidades especialistas en estudios de éstas.
Determinar con el análisis de las imágenes LAND SAT 8 el tipo de cobertura predominante en la zona de estudio.
11
2. Capítulo: Estructuración del Proyecto
2.1.4. Marco Teórico
2.1.1 Departamento del Casanare
2.1.1.1 Ubicación, Extensión y Límites de – Casanare
El Departamento del Casanare está situado en el oriente del país la región de la
Orinoquía, localizado entre los 04º17’25’’ y 06º20’45’ de latitud norte y
los69º50’22’’ y 73º04’33’’ de longitud oeste. Cuenta con una superficie de 44.640
km2 lo que representa el 3.91 % del territorio nacional. Limita por el Norte con el
río Casanare, que lo separa del departamento de Arauca; por el Este con el río
Meta que lo separa del departamento de Vichada; por el Sur con los ríos Upía y
Meta, el último de los cuales los separa del departamento del Meta, y por el Oeste
con los departamentos de Boyacá y Cundinamarca. (colombia, 2016)
2.1.1.2 División Administrativa
El departamento del Casanare está dividido en 19 municipios, 11 corregimientos,
106 inspecciones de policía, así como, numerosos caseríos y sitios poblados. Los
municipios están agrupados en 10 círculos notariales, con un total de 11 notarías,
un círculo principal de registro con sede en Yopal y 2oficinas seccionales
de registro con sede en Orocue y Paz de Ariporo; pertenece al distrito judicial de
Santa Rosa de Viterbo, con 4 cabeceras de circuito judicial en Yopal, Monterrey,
Orocue y Paz de Ariporo. El departamento conforma la circunscripción electoral
12
Ilustración 1: División administrativa del departamento del Casanare (fuente: Colombia 2016)
2.1.1.3 Fisiografía Departamento de Casanare
El territorio del departamento del Casanare está constituido por tres conjuntos
fisiográficos denominados vertiente oriental de la cordillera Oriental, piedemonte y
llanura aluvial. La parte montañosa en el occidente comprende áreas desde el
límite con el piedemonte hasta los 4.000 m sobre el nivel del mar; se caracteriza
por sus cumbres montañosas, con pajonales y frailejones y vertientes abruptas
fuertemente disectadas, cubiertas por bosque húmedo tropical. Entre las
formaciones orográficas más destacadas se encuentran las cuchillas Las Lajas,
Polo Bajito y El Retiro, el cerro Vanegas y la serranía Farallones, entre otros.
El área de piedemonte, conformada por abanicos, terrazas disectadas y colinas,
13
sabanas y praderas. La llanura aluvial, que se extiende desde el fin de piedemonte
hasta límites con los departamentos de Vichada y Meta, está conformada a su vez
por sabanas inundables, bosques de galería en los grandes ríos Pauto, Cusiana,
Casanare, y llanura eólica en el centro y sur cubierta por gramíneas y bosque en
las márgenes de los caños y ríos.
2.1.1.4 Hidrografía Departamento de Casanare
La red hidrográfica del departamento del Casanare está integrada por los grandes
ríos, quebradas, caños y lagunas, que desaguan en dirección del Orinoco por
intermedio del río Meta, el cual recibe las aguas de la totalidad del departamento y
tiene como principal afluente el río Casanare que, a su vez, recoge las aguas del
río Ariporo y otras corrientes menores. Además de los afluentes mencionados se
destacan los ríos Upía, Túa, Cusiana, Cravo Sur, Guanápalo, Pauto, Guachiría y
Agua Clara. (colombia, 2016)
2.1.2 Rio Pauto
El rio Pauto nace en la zona de páramo compartida por los municipios de Chita y
Socotá, específicamente en el páramo de Romeral o alto de los Romeros a 3.700
msnm en Socotá, Boyacá. El rio Pauto es uno de los principales afluentes del rio
Meta y este a su vez es importante afluente del rio Orinoco, tercer sistema
ribereño más importante del mundo.
El rio Pauto desarrolla su cauce por el flanco este de la cordillera oriental hasta
llegar al piedemonte llanero a la planicie a 300 msnm.
14
Cuenca alta:
3.700 – 2.000 msnm, 18% de la cuenca, en Boyacá.
Cuenca media:
2.000 – 350 msnm 27% de la cuenca.
Cuenca baja:
350 – 150 msnm, 55% de la cuenca.
Ilustración 2: Localización Rio Pauto (fuente google Earth, tomada 28/08/16)
Su recorrido lo inicia en el municipio de Chita durante el cual recibe las aguas de
las quebradas La Mugrosa, Tirepalo, Las Cabras, La Venturosa, Buenos Aires, La
Laja, Seca, San Pedro, El Buitre, El Refugio, a Mariposa, El Cerrón o Amparo, La
Cascajera y Minas y el río Encomendero. Los cauces se encuentran en un alto de
conservación, donde predominan los procesos naturales sobre los antrópicos en
15
2.1.5. Percepción Remota
Se define como la ciencia y arte de obtener información de un objeto analizando
los datos adquiridos mediante algún dispositivo que no está en contacto físico con
dicho objeto. Los objetos terrestres iluminados por la radiación solar, reflejan ésta
luego de introducir en ella modificaciones inducidas por la misma estructura y
composición de dichos objetos. La radiación reflejada es capturada por los
sensores del satélite, siendo parcialmente procesada a bordo de éste y
retransmitida a estaciones receptoras terrestres para su posterior procesamiento y
análisis.
La Percepción Remota es una gran herramienta de gran utilidad para realizar la
planificación general, es posible detectar fenómenos naturales, diversos tipos de
peligros naturales, los fenómenos naturales como los geológicos, hidrológicos y
atmosféricos hasta cierto punto pueden ser estudiados.
Entre las múltiples aplicaciones de la percepción remota se puede encontrar:
- Meteorología
- Agricultura y bosques
- Cartografía y planeamiento urbano
- Geología, hidrología
- Oceanografía
- Medio ambiente
2.1.6. Imágenes Satelitales
Son una representación visual de los datos reflejados por la superficie de la tierra
que captura un sensor montado en un satélite artificial. Los datos son enviados a
16
satélites de observación de la tierra obtienen datos en el menos tiempo posible
para dar seguimiento a la evolución de un fenómeno.
Cada vez se obtienen imágenes de mayor resolución, con mayor cantidad de
bandas en el aspecto electromagnético y mayor disponibilidad para los usuarios, lo
que amplía su potencial de aprovechamiento.
2.1.7. Imágenes Landsat
La constelación de satélites LANDSAT (LAND=tierra y SAT=satélite), que
inicialmente se llamaron ERTS (Earth Resources Technology Satellites), fue la
primera misión de los Estados Unidos para el monitoreo de los recursos terrestres.
La forman 8 satélites de los cuales sólo se encuentran activos el 5 y el 8. Su
mantenimiento y operación está a cargo de la Administración Nacional de la
Aeronáutica y del Espacio (NASA) en tanto que la producción y comercialización
de las imágenes depende del Servicio Geológico de los Estados Unidos (USGS).
Los satélites LANDSAT llevan a bordo diferentes instrumentos. Su evolución
buscó siempre captar más información de la superficie terrestre, con mayor
precisión y detalle, de ahí las mejoras radiométricas, geométricas y espaciales que
se incorporaron a los sensores pasivos; el primero, conocido como Multispectral
Scanner Sensor (MSS), seguido de Thematic Mapper (TM) que tiene mayor
sensibilidad radiométrica que su antecesor y por último, Enhanced Thematic
Mapper Plus (ETM+) que entre sus mejoras técnicas destaca una banda espectral
(pancromática) con resolución de 15 metros. (Geografia, 2016)
Las imágenes LANDSAT están compuestas por 7 u 8 bandas espectrales, que al
combinarse producen una gama de imágenes de color que incrementan
17
canal pancromático y/o uno térmico; asimismo las resoluciones espaciales varían
de 15, 30, 60 y 120m. (Geografia, 2016)
2.1.1. Landsat (8)
Landsat 8 es un satélite de observación terrestre estadounidense lanzado el 11 de
febrero de 2013. Es el octavo y más reciente satélite del proyecto Landsat operado
por la NASA y el Servicio Geológico de los Estados Unidos (USGS) desde 1972. 1
El satélite Landsat 8 transporta dos instrumentos OLI y TIRS, que corresponden a
las siglas en inglés para Operational Land Imager (OLI) y Thermal Infrared Sensor
(TIRS). El sensor OLI provee acceso a nueve bandas espectrales que cubren el
información es corregida en tierra y suministrada en escenas de aproximadamente
190 km de ancho y 180 km de alto
Una escena de nivel 1 está compuesta por 13 archivos: 11 archivos en GeoTIFF
correspondientes a cada una de las 11 bandas registradas, un archivo con
metadatos (MTL) y uno más con una evaluación de la calidad de la escena (QA).
18
2.1.1.2. Orbita
El satélite completa su órbita de 705 km de altura cada 99 minutos, y revisita un
mismo punto sobre a superficie de la tierra cada 16 días con un desfase de 8 días
con respecto al satélite Landsat 7, del mismo proyecto. Bajo estas condiciones el
satélite adquiere cerca de 650 imágenes diariamente (USGS, 2016)
19
2.1.2. El color
La luz blanca presente en todas partes, está formada por trozos de luz de seis colores (básicos rojo, naranja, amarillo, verde, azul y violeta), cuando esta luz “choca” con algún cuerpo, éste absorbe alguno de dichos “trozos” y refleja otros. Los colores reflejados son los que se perciben con el sentido de la vista. Esto lleva a concluir que el verdadero color está en la luz, o bien que la luz es el color. (línea, 2016)
2.1.2.1. Teoría del Color
El color no es una propiedad intrínseca de los objetos, depende netamente de la
naturaleza de los mismos. La percepción del color es posible gracias a la longitud
de onda, lo que se conoce como refracción.
2.1.2.2. Colores Primarios
Son los aquellos que por mezcla producen los demás colores, no pueden ser
producidos mezclando otros colores. Si se mezclan dos colores primarios se
obtiene uno secundario; al mezclar un secundario con uno primario se produce
20
Ilustración 3: Colores primarios. Fuente; Profesor en línea
Combinación de colores
Ilustración 4: Colores básicos contenidos en la luz. Fuente: Profesor en línea
21
Ilustración 7: Combinación de colores. Fuente: Profesor en línea
2.1.3. Optimización espacial
Los procedimientos para la optimización espacial modifican el valor de un píxel
basándose en los valores de los píxeles que son vecinos inmediatos. Los filtros se
usan comúnmente para:
Corregir y restaurar imágenes afectadas por el mal funcionamiento del
sistema.
Mejorar las imágenes para su interpretación visual.
Extraer rasgos particulares. (GUIDE, ILWIS USER'S GUIDE, 2016)
2.1.3.1. Filtros de frecuencia espacial
Pueden resaltar o suprimir los datos de la imagen que presentan frecuencias
espaciales específicas, la cual hace referencia a la forma en que ocurre la
variación de los valores de los niveles digitales ND a través de una imagen. Los filtros de frecuencia baja o “low pass filters” son diseñados para resaltar rasgos
22
imagen, los filtros de frecuencia alta o “high pass filters” hacen justamente lo
contrario.
Se distinguen dos clases de filtros “high pass” filtros de gradientes o direccionales
y filtros laplacianos o no-direccionales. (GUIDE, ILWIS USER'S GUIDE, 2016) Filtros de gradiente: Se emplean para mejoramientos específicos de
tendencias lineales, se diseñan de tal manera que resaltan objetos lineales
orientados en cierta dirección.
Filtros laplacianos: Resaltan rasgos lineales sin importar la dirección que tengan en la imagen; estos filtros no consideran el gradiente mismo, sino
23
2.1.4. Radiancia y Reflectancia
Idealmente, cualquier superficie capturada en dos diferentes imágenes de satélite
(con el mismo sensor) deberían aparecer con los mismos valores de intensidad.
En la práctica, esto nunca es así debido a las inevitables diferentes condiciones
atmosféricas y de iluminación, por lo que se hace necesaria la corrección
radiométrica de las imágenes. Se han estudiado dos alternativas: lacorrección
radiométrica absoluta utilizando un modelo analítico, y la corrección mediante una
transformación de niveles basada en el histograma (corrección radiométrica
relativa). La primera se descartó porque el modelo requerido es extremadamente
complejo, con multitud de parámetros (algunos de ellos desconocidos) relativos a
la órbita del satélite, las condiciones atmosféricas locales, variaciones estacionales
y geométricas, nubosidad. (chuvieco, 2000)
Los datos que vienen almacenados en una imagen Landsat (o cualquier otra
imagen obtenida mediante un sensor óptico), son valores o niveles digitales (ND).
Dichos niveles digitales no representan de manera directa ninguna variable
biofísica y, por tanto, no es conveniente que usted obtenga ningún índice espectral
usando dichos valores "crudos". La razón para no hacerlo es muy simple: los
llamados "índices espectrales" fueron desarrollados para trabajar con valores de
reflectancia espectral de la superficie terrestre. Los niveles digitales no
proporcionan dicha información. Por lo tanto, hay que convertir dichos valores ND
en valores de reflectancia.
Si, adicionalmente, se remueven los efectos atmosféricos, es posible convertir la
reflectancia en el sensor en reflectancia en la superficie. En tal caso, se habrá
24
Ilustración 8 cálculo de reflectividades Fuente: Manual curso Erdas
2.1.5. Factor índice optimo
Es un valor estadístico que puede ser usado para seleccionar la combinación a
color óptima de tres bandas de una imagen satelital. El cálculo de OIF se realiza
sobre todas las posibles combinaciones de la imagen, y se basa en la selección de
las bandas que conserven la mayor información espectral (mayores covarianzas
entre bandas) y la menor duplicidad de información (menores correlaciones entre
bandas), matemáticamente se expresa por la siguiente ecuación:
25
El mayor valor de OIF corresponde a la combinación de bandas con menor
correlación entre ellas y con mayor desviación estándar para cada banda
indicando la mayor posibilidad de discriminación de las coberturas estudiadas.
2.1.6. Clasificación Supervisada
Este tipo de clasificación cuenta con un conocimiento a priori, es decir para la
tarea de clasificar un objeto dentro de una categoría o clase contamos con
modelos ya clasificados (objetos agrupados que tienen características comunes).
Podemos diferenciar dos fases dentro de este tipo de clasificación:
La primera fase tenemos un conjunto de entrenamiento o de aprendizaje (para el
diseño del clasificador) y otro llamado de test o de validación (para clasificación),
estos nos servirán para construir un modelo o regla general para la clasificación.
En la segunda fase es el proceso en sí de clasificar los objetos o muestras de las
que se desconoce la clase a las que pertenecen. (ATGCU, 2016)
Ejemplos de clasificación supervisada son: el diagnóstico de enfermedades,
predicción de quiebra o bancarrota en empresas, reconocimiento de caracteres
escritos a mano, en la minería de datos, etc. Entre las técnicas dentro del grupo de
clasificación supervisada se encuentran los algoritmos de clasificación por
vecindad.
La clasificación supervisada requiere de cierto conocimiento previo del terreno y
de los tipos de coberturas presentes en el área de estudio, para lo que se realiza,
en el mejor de los casos, una combinación de trabajo de campo, de análisis de
fotografías aéreas, mapas e informes técnicos, así como referencias profesionales
y locales.
Con base de este conocimiento se definen y se delimitan sobre la imagen las
áreas de entrenamiento o áreas piloto. Las características espectrales de tales áreas son utilizadas a fin de “entrenar” un algoritmo de clasificación, el cual calcula
26
proceder a evaluar cada ND de la imagen, compararlo y asignarlo a una respectiva
clase.
Ilustración 9 Esquema de clasificación supervisada fuente: IGAC
Así entonces, la clasificación supervisada intenta definir las clases temáticas que
no tengan claro significado espectral, razón por la que es considerada un método
artificial.
2.1.7. ¿Cuál es la metodología para implementar una clasificación
digital supervisada?
El proceso se puede resumir en las siguientes etapas: análisis visual y estadístico
de la imagen y de sus bandas, elaboración de la leyenda del mapa, selección y
delimitación de áreas pilotos, generación y evaluación tanto de sus estadísticas
como de sus reajustes, elección y aplicación del algoritmo de clasificación,
reajustes y nueva clasificación, y finalmente, la evaluación de los resultados y su
27
2.1.8. Análisis estadístico y visual de las bandas
La etapa inicial consiste en realizar una valoración cualitativa y cuantitativa de la
calidad de la imagen de modo multibanda (varias bandas), de su contraste y del
comportamiento espectral de distintas cuberturas dentro las bandas espectrales;
allí se evalúa la separabilidad espectral de las bandas en relación con las
coberturas. Al final, se obtiene la primera apreciación sobre el número de posibles
clases temáticas a discriminar, las bandas a utilizar, y los posibles procesos
adicionales para derivar nuevas imágenes que podrían ser útiles en la fase de
clasificación.
Algunas de las ayudas métricas o datos gráficos útiles para el análisis de las
bandas son las estadísticas multibanda, la correlación, la varianza y la covarianza,
así como los gráficos de dispersión entre bandas, etc.
Igualmente, se seleccionan y se recortan las ventanas de trabajo ya que es más
eficiente realizar el procesamiento preliminar sobre las ventanas experimentales
representativas y al final los procesos óptimos se extrapolan sobre la totalidad de
la escena.
En general, el análisis se orienta a definir las cuáles bandas de una imagen
multiespectral se utilizarán en el proceso de clasificación. La idea se basa en
elegir las bandas en las que se presente mayor contraste espectral entre las
coberturas objeto del estudio. Intuitivamente, pareciera que cuando se utiliza un
mayor número de bandas en un clasificador, el resultado de la clasificación es
mejor.
En general, hay un número óptimo relativamente pequeño de bandas que se
utilizan, pues al aumentarse el número de bandas, aumenta el tiempo
computacional requerido dada la gran cantidad de cálculos involucrados y también
porque el contenido de la información puede estar contaminado por información
insignificante en otras bandas. Este problema es particularmente crítico cuando se
28
En algunos casos se ha encontrado que la exactitud del clasificador comienza a
decaer cuando se utilizan más de cuatro o cinco bandas espectrales, de ahí que
sea beneficioso considerar un subconjunto de las bandas más representativas.
2.1.9. Clasificación no Supervisada
A diferencia de la supervisada no contamos con conocimiento a priori, por lo que
tendremos un área de entrenamiento disponible para la tarea de clasificación. A la
clasificación no supervisada se la suele llamar también clustering.
En este tipo de clasificación contamos con “objetos” o muestras que tiene un
conjunto de características, de las que no sabemos a qué clase o categoría pertenece, entonces la finalidad es el descubrimiento de grupos de “objetos” cuyas
características afines nos permitan separar las diferentes clases (ATGCU, 2016)
2.1.10.
Selección
Y
Delimitación
De
Las
Áreas
De
Entrenamiento
Es la fase más importante del proceso. Requiere previo conocimiento de las
características del área, así como de las categorías que se pretende discriminar.
Con base en las experiencias locales y profesionales, el trabajo de campo, uso de
fotografías aéreas y otra información secundaria, se definen y se delimitan las
áreas de entrenamiento o áreas piloto representativas de cada una de las
categorías de interés
Esta actividad se basa en los criterios pictórico-morfológicos de la imagen, tales
como: tono o color, textura, tamaño, forma, sitio, etc. La selección errónea de
muestras conducirá a resultados erróneos. A partir de estas muestras el algoritmo
clasificador calcula los ND que definen cada una de las clases y asigna el resto de
29
La delimitación se realiza mediante un cursor sobre la pantalla del computador. Se
recomienda seleccionar varias muestras por categoría fin de reflejar
adecuadamente la variabilidad de la zona de estudio. Es importante contar con los
datos de campo próximos a la fecha de adquisición de la imagen para garantizar la
consistencia entre la realidad y la imagen. Se recomienda evitar la delimitación de
muestras en los sitios de transición entre las dos clases, ya que éstas presentarán
confusión espectral.
tenerse en cuenta las características propias de la imagen intentando abarcar las
variaciones que se presentan para cada clase, su orientación, pendiente,
densidad, vigor, contenido de humedad y tipo del suelo.
Otra alternativa es señalar los píxeles puros y a partir de estos crear regiones de
manera automática, lo que garantiza las aéreas de entrenamiento suficientemente
homogéneas, evitando incluir píxeles fronterizas a dos clases. Este método se
recomienda para áreas urbanas y cuerpos de agua.
2.1.11.
Método del espacio característico (feature space)
En los casos en que un píxel caiga en la zona de superposición de dos o más AOI,
se debe definir cómo se puede clasificar el píxel. Clasificar el pixel por el orden de
las firmas espectrales; si una de las firmas es primero y la otra firma es cuarta, el
píxel se le asigna a la clase de la primera firma, esta orden se puede configurar en
el Editor de firmas.
Clasificar el pixel por la regla de decisión paramétrica definida. El píxel se prueba
30
paramétrica, a continuación, el píxel se deja como no clasificado. Si sólo una de
las firmas es paramétrica, entonces el píxel se asigna automáticamente a la clase
de esa firma. Deja el píxel sin clasificar.
Regiones fuera de la AOI: Si el píxel no cae en uno de los AOI para las firmas
espaciales, se debe definir cómo se puede clasificar el píxel.
Clasificar el pixel por la regla de decisión paramétrica definida. El píxel se prueba
en contra de todas las firmas paramétricas. Si ninguna de las firmas es
paramétrica, entonces el pixel se deja como no clasificado.
2.1.12.
Precisión de la clasificación
Las clasificaciones, sean del tipo que sean, no son 100% precisas.
La precisión de una clasificación nos indica la confiabilidad que debemos tener en sus resultados.
31
Ilustración 10 Resultados clasificación
2.1.2.1 Tipos de error
Error de omisión: píxel correspondiendo a una clase de cobertura pero que
no fue clasificado de esa manera.
su complemento es la precisión del productor
Error de comisión: píxel clasificado como una clase de cobertura a la que no pertenece.
su complemento es la precisión del usuario
2.1.2.2 Análisis de datos
El análisis de los datos de confiabilidad se hace generalmente a través de una
matriz de confusión, que permite confrontar la información de los sitios de
verificación con aquella de la base cartográfica que se pretende evaluar. En la
matriz de confusión, las filas representan generalmente las clases de referencia y
las columnas las clases del mapa, la diagonal de la matriz expresa el número de
sitios de verificación para los cuales hay concordancia entre el mapa y los datos
32
proporción de puntos correctamente asignados (diagonal) expresa la confiabilidad
del mapa. Se distinguen dos tipos de error según si la lectura de la matriz se hace
con base en las líneas o en las columnas, el error de comisión representa la
proporción de sitios de verificación cartografía da en una cierta clase, pero que en
realidad pertenece a otra categoría. El error de omisión se refiere a la proporción
de sitios de verificación correspondiente a una categoría que fue cartografiada en
33
3.
Metodología
3.1.1. Flujo de trabajo
Ilustración 11: Flujo de trabajo (fuente propia)
3.1.2. Materiales
Los materiales utilizados para el desarrollo del trabajo fueron: shapefile de la zona
34
3.1.3. Shapefile de la zona de estudio
Se cuenta con un archivo shapefile donde se encuentra la localización geográfica
del área de estudio las cuales comprende las veredas periféricas al rio Pauto.
Ilustración 12: Cuenca rio Pauto (fuente propia)
3.1.4. Imágenes satelitales
Hoy día existe una gran cantidad de servidores desde los que descargar imágenes
de diferentes sensores, muchos de los programas espaciales más veteranos
permiten obtener datos de forma gratuita y, en muchos casos, con un alto nivel de
35
Para el desarrollo de la actividad se procede a descargar las imágenes satelitales
de la página del USGS que contengan el área de estudio, para el caso de las
imágenes tienen como identificador path: 006 row: 056 de los años 1990 y 2001 se
obtuvieron imágenes Landsat 5 y para las imágenes del año 2015 las imágenes
obtenidas corresponden a Landsat 8.
Ilustración 13 Pagina descarga imágenes satelitales
36
Como se observa en la ilustración para el desarrollo de la actividad se necesita
que el nivel de nubes no supere el 30% de la imagen ya que al momento de
interpretar la imagen y hacerle las correcciones correspondientes no presente
errores ni ruido en la imagen.
3.1.5. Elaboración compilado
Con las imágenes de cada una de las bandas se realiza el compilado de la imagen
con ayuda del software ERDAS.
Se carga en el software cada una de las bandas obtenidas en formato .tiff y se
procede a hacer el compilado de las bandas correspondientes a cada imagen
con la herramienta layer stak, para así generar el compilado de imagen en con
todas las bandas del sensor.
37
Ilustración 16 herramienta layer stack fuente propia
38
Ilustración 18 imagen compilada Fuente: Propia
3.1.6. Corrección radiométrica
Después de obtener el compilado de la imagen se procede a realizar el ejercicio
de corrección radiométrica con el objetivo de transformar los niveles digitales
originales de la imagen en valores de reflectividad aparente.
Para la elaboración de las corrección radiométrica es necesario pasar de nivel
39
Ilustración 19 herramienta landsat reflectance Fuente: Propia
Se selecciona el archivo de entrada el cual Es la imagen obtenida a partir de la compilación de bandas, y se selecciona el directorio de salida de la imagen.
40
Cambiando a la pestaña Conversion accedemos a la ventana en la que tendremos
que introducir todos los parámetros necesarios para transformar los ND en valores
de reflectividad aparente (es necesario seleccionar la opción LMAX/LMIN). La
mayor parte de estos datos se encuentran en el archivo TXT en la carpeta de
descarga de la imagen. Se configura la información requerida la cual se deduce
a partir de los metadatos de la imagen.
Ilustración 21 Datos procesamiento de la imagen Fuente: manual Erdas
Ilustración 22 cuadro avance proceso Fuente: Propia
Para verificar que el proceso de cambio de ND a reflectancia fue exitoso es
41
verificar que los niveles digitales han cambiado para hacer más dinámica y versátil
la clasificación de la imagen.
Ilustración 23 Cuadro de verificación de proceso
3.1.7. Recorte de la imagen
Teniendo el archivo shapefile se procede a cargarlo en el software ERDAS para
así sobre el compilado realizar el recorte de la zona de interés. Ya que la imagen
para éste caso en particular es muy grande, solo se necesita la parte que
comprende las veredas adyacentes a la cuenca de rio pauto (zona entregada por
la empresa interesada en el estudio).
42
Ilustración 24 Corte imagen zona de estudio Fuente Propia
3.1.8. Calculo OIF
Para realizar el cálculo del OIF, es necesario obtener todas las posibles
combinaciones de color para cada imagen (210 combinaciones) y así realizar el
cálculo del correspondiente. Con ayuda del software ERDAS se obtiene la matriz
de correlación como se observa en las ilustraciones 25, 26 y 27, de igual forma es
necesario obtener la desviación estándar de cada una de las bandas para así
43
Ilustración 25: Procedimiento para la obtención de la matriz de correlación. Fuente: Propia
44
Ilustración 27: Procedimiento para la obtención de la matriz de correlación. Fuente: Propia
MATRIZ DE COEFICIENTE DE CORRELACION
BANDAS 1 2 3 4 5 6 7
1 1 0,981314474 0,944620218 0,892373617 0,865903533 0,872448089 0,84477378
2 0,981314474 1 0,970578174 0,903675983 0,890123766 0,874088515 0,87290139
3 0,944620218 0,970578174 1 0,864193677 0,917013471 0,853171629 0,92169451
4 0,892373617 0,903675983 0,864193677 1 0,850924316 0,860426314 0,7727528
5 0,865903533 0,890123766 0,917013471 0,850924316 1 0,884928945 0,96030109
6 0,872448089 0,874088515 0,853171629 0,860426314 0,884928945 1 0,82190515
7 0,844773777 0,872901392 0,921694508 0,772752798 0,96030109 0,821905155 1
Tabla 2: Matriz de coeficiente de correlación
BANDA D. ESTANDAR
45
Ilustración 28: Tabla de cálculo de OIF
Ilustración 29: OIF obtenido
Como se puede observar en las ilustraciones 29 y 30, al realizar el cálculo para
cada una de las combinaciones el factor de índice óptimo adecuado se encuentra
en la combinación de las bandas 156, teniendo en cuenta que éste se repite para
las 6 posibles combinaciones de estas tres bandas, encontrado esto se determina
cual es la combinación óptima para las imágenes, este procedimiento se realiza
mediante una decisión visual, criterio del clasificador en el cual se determinó que
la mejor combinación es la RGB516, clasificación en la que fue posible analizar
cada una de las coberturas con mayor facilidad, donde la identificación de éstas se
46
3.1.9. Clasificación supervisada
Para la clasificación supervisada se determinaron las coberturas que tenían mayor porcentaje de “área ocupada” en la imagen trabajada, teniendo presente que la
imagen trabajada fue un recorte de la descargada originalmente a principios de
semestre, porque esta tenía en la gran mayoría de área capturada ruido generado
por una avería en el sensor y estos vacíos de información hacían que la
clasificación se tornara muy complicada; en ese orden de ideas, las 6 coberturas
principales que se seleccionaron para hacer la clasificación son : bosque denso,
vegetación secundaria, hidrografía, bancos de arena, suelos desnudos, zonas
Urbanas, adicional se clasifican unas sub clase como aguas estancadas, vías
que comparten un nivel digital similar al de otras clases presentes en el muestreo.
47
Zonas urbanas: están constituida por los
asentamientos humanos se observa en la imagen un
color azul claro. Combinación RGB 516
Bancos Arena: están constituidos por la arena
acumulada en los cambios de dirección del rio en la
imagen se observa de color azul claro. Combinación
RGB 516
Suelo Desnudo: este es el que se caracteriza por ser
una zona que no tiene capa vegetal también puede
incluir vías terciarias en la imagen se observa con un
color similar al blanco combinación RGB 516
Bosque Denso: este se caracteriza por tener
vegetación densa principalmente arboles de altura
media en la imagen se observa de un color café.
48
Cabe aclarar que en la clasificación supervisada es necesario hacer un
reconocimiento en campo con el fin de verificar los resultados obtenidos, ésta
supervisión no entra en los alcances de la pasantía ya que solo se realiza el
trabajo de oficina, se trabaja definiendo las áreas de entrenamiento y las
coberturas según la experiencia de los directores externos de la pasantía; por esta
razón es una clasificación supervisada ya que el usuario define los parámetros de
clasificación pero sin supervisar ya que no se realiza reconocimiento en campo, se
trabaja con el material disponible (imágenes satelitales, shapefile, google Earth).
Posteriormente se realizó un muestreo bastante amplio que se detalla a
continuación;
Se delimitan los poligonos pertenecientes a cada cobertura y se guardan en un
archivo extencio AOI para poder hacer el proceso de clasificacion de la zona de
interes.
Vegetación Secundaria: vegetación de poca altura
que puede estar compuesta de pastos o arbustos en
la imagen se observa de un tono café claro.
Combinación RGB 516
Hidrografía: está compuesta por cuerpos de agua en
la imagen se observa de un tono azul oscuro. .
Combinación RGB 516
49
Ilustración 31 polígonos de áreas de muestreo. Fuente: Propia
Ilustración 32 Áreas de entrenamiento y clases. Fuente: Propia
Se toman aproximadamente 25 muestras (se les hace un merge) para definir las
clases definitivas para la clasificación supervisada garantizando que cada
polígono contenga mínimo 9 pixeles y cada clase que cuente con mínimo 200
pixeles, cabe aclarar que para cada imagen se debe hacer un muestreo
independiente ya que la variabilidad del terreno y la acción antrópica cambia tanto
50
Después de tener todo el muestreo debidamente agrupado en 5 clases
específicas, se procedió a la realización de las clasificaciones con los métodos y
reglas paramétricas que el software ERDAS Imagine 2015 tienen disponibles, y los
resultados fueron:
Ilustración 33 clases para clasificación Fuente: propia
El alcance del trabajo permite seleccionar clases como hidrografía, bosque denso,
bancos de arena vegetación secundaria, suelo desnudo definitivo para el proceso
de clasificación ya que son un indicador óptimo para observar el cambio en la
cuenca del rio.
3.1.10.
Clasificación
Para hacer la clasificación, la ruta utilizada es: raster clasification, supervised
clasification, allí se direcciona la ubicación donde se va a guardar la clasificación,
se carga el archivo AOI y el signature con el que se trabajó en las áreas de
muestreo. Se escoge la opción FEATURE SPACE para que este sea el criterio de
clasificación este es útil para una amplia clasificación de coberturas; además con
esta clasificación las características pueden ser visualmente más identificables,
que puede ayudar a discriminar entre clases que son espectralmente similar y
51
Ilustración 34: Herramienta clasificación supervisada. Fuente: Propia
52
Ilustración 36 Resultado Clasificación Fuente: Propia
Como se observa en la ilustración 35 la clasificación realizada con el software
ERDAS va discriminado los diferentes tipos de coberturas asignándoles un color
por a los pixeles por clase de acuerdo al muestreo realizado previamente. Este
proceso se repite para las imágenes correspondientes a los años 1990, 2001 y
2015.
3.1.11.
Evaluación de resultados
Este es un procedimiento el cual permite realizar una evaluación minuciosa y
aleatoria del trabajo realizado ERDAS, con apoyo de los softwares Arcgis y Excel.
El procedimiento es realmente sencillo, es un trabajo arduo y dispendioso ya que
exige realizar la verificación de ciertos pixeles uno a uno obteniendo así
información necesaria para crear la matriz de confusión y poder hallar el índice
Kappa.
Se exporta la imagen .img a un shapefile, en el directorio manage data/ raster to
53
Ilustración 37 trasformación de raster a shapefile Fuente Propia
Como se observa en la imagen 37, se ve el cambio de imagen tipo raster a
shapefile.
54
Al ser posible realizar esta evaluación de resultados en el software ArcGis se hace
de una manera más dinámica, teniendo la posibilidad de asignar los colores que
se desean para cada capa y así facilitar la identificación de zonas.
55
Ilustración 40 Tabla Atributos Arcgis
Es importante resaltar que no es necesario realizar la evaluación de todos los
polígonos obtenidos en la imagen, para esto es necesario hallar el cuadro de
áreas y calcular los polígonos a muestrear para realizar la verificación de las
coberturas, de los cuales se escogerán aleatoriamente los necesarios para realizar
la matriz de confusión. Mediante una página de internet se calculan las
identificaciones aleatorias de los polígonos con los cuales se va a realizar la
verificación de las (para el inicio del conteo se le asigna una numeración a los
polígonos creados por ArcGis y el número de veces o cantidad de números
aleatorios requeridos), para con ese dato poderlo buscar en la tabla de atributos
56
La diagonal de esta matriz expresa el número de puntos de verificación en donde
se produce acuerdo entre las dos fuentes (mapa y realidad), mientras los
marginales suponen errores de asignación. La relación entre el número de puntos
correctamente asignados y el total expresa la fiabilidad global del mapa.
Error de omisión (E.O): Son los residuales en filas dado en porcentaje, que indica
tipos de cubierta real que no se incluyeron en el mapa.
Error de Comisión (E.C): Son los residuales en columnas dado en porcentaje, que
indica tipos de cubierta que no se ajustan a la realidad.
57
Ilustración 42 Tabla de atributos Arcgis. Fuente propia
58
59
60
61
4.
Resultados análisis multitemporal
Realizando toda la verificación se generaron las matrices las cuales le asignan un
rango de calidad a la clasificación realizada de acuerdo al coeficiente estadístico
kappa y unos intervalos de clasificación establecidos para tal fin:
Ilustración 43: Coeficiente de concordancia Kappa y calidad de la clasificación. Fuente: Torrijos Cadena, German (2011).
Con lo cual se obtiene la clasificación para cada una de las imágenes:
Clasificación año 1990: Excelente.
Clasificación año 2001: Muy buena.
62
Con base en la evaluación realizada a los cambios que sufrieron las coberturas vegetales de la periferia de la cuenca
del rio pauto en los últimos 25 años se observa en la siguiente tabla.
Tabla 8 Resultados análisis multitemporal
PORCENTAJE DE CAMBIO DE COBERTURAS VEGETALES
AGUA ESTANCADA 19731739.58 1.58 14199676.39 1.14 59760358.55 4.78
BANCOS DE ARENA 8933319.53 0.71 7201482.72 0.58 10657603.95 0.85
BOSQUE DENSO 262265577.95 20.97 310529922.00 24.83 320058463.06 25.59
HIDROGRAFIA 22820201.99 1.82 48534631.83 3.88 22607345.13 1.81
SUELO DESNUDO 57233110.89 4.58 47300127.05 3.78 180604745.60 14.44
VEGETACION 2 711614756.40 56.91 665933228.65 53.25 497327332.03 39.77
SUELO SIN VEGETACION -
VIAS 148963354.10 11.91 136333607.04 10.90 147554666.17 11.80
ZONA URBANA 20186479.24 1.61 21988030.80 1.76 11906100.00 0.95
100 100 100
AREA TOTAL m2 1250476614.48
La distribución espacial de las muestras se debe hacer sobre toda la imagen para que al momento de que el software
aplique el algoritmo de clasificación definido por el usuario, se genere la clasificación supervisada de acuerdo a las
63
ilustracion 45 el cambio que ha sufrido la zona periferica al rio pauto en los ultimos 25 años, cambios que se ven en la
disminucion de vegetacion secundaria y aumento en el suelo desnudo talves por explotacion minera en la zona.
Ilustración 44 Imágenes comparativas 1990-2015
64
4.1.1. Recursos
4.1.1.1. Recuso humano
Paola Martínez Mora Pedro Infante Betancourt
4.1.1.2. Recursos Tecnológicos
Computadores personales
Software ERDAS
Software Arcgis
4.1.1.3. Recursos Económicos
65
5.
Conclusiones
1. Con base en los resultados de la evaluación de la confiabilidad, es
necesario considerar las diferentes medidas, que permiten mejorar la
información contenida en un mapa temático y los productos que se deriven
del mismo. En el proceso de evaluación de la confiabilidad, las categorías
que más se confunden pueden ser objeto de un esfuerzo adicional, con
base en un exhaustivo trabajo de campo, por ejemplo, que permita mejorar
la calidad de su representatividad en la cartografía.
2. Con base en la tabla 8 se evidencia cambios importantes en las coberturas
más representativas pertenecientes a la cuenca del rio pauto, como se
BOSQUE DENSO 262265577.95 20.97 310529922.00 24.83 320058463.06 25.59
HIDROGRAFIA 22820201.99 1.82 48534631.83 3.88 22607345.13 1.81
SUELO DESNUDO 57233110.89 4.58 47300127.05 3.78 180604745.60 14.44
VEGETACION 2 711614756.40 56.91 665933228.65 53.25 497327332.03 39.77
Tabla 9: Análisis de resultados. Fuente: propia
Bosque denso aumento en un 4.5 %
Hidrografía se mantiene en un promedio de 1.81 % Suelo desnudo aumento en un 10%
Vegetación secundaria disminuyo en un 17.13 %
Cifras en las cuales se puede observar el gran impacto generado por el hombre
tras su paso por la tierra, cifras que pueden resultar alarmantes por el alto grado
cambios presentados en tan corto tiempo. Análisis que resultan de gran
importancia para distintos trabajos como del tipo ambiental, animalista, hídrico,
66
3. Según el análisis realizado la cobertura predomínate en el área de estudio
es la vegetación secundaria, mostrando un decremento importante en los
últimos 20 años, ya que en el año 1990 tenía un porcentaje de 56.9% con
respecto al año 2015 donde ya cuenta con un porcentaje de 39.77%, siendo
evidente una disminución del 17,13%; siendo el mayor porcentaje del área
de estudio.
4. Los índices estadísticos son una herramienta muy útil a la hora de calcular
la fiabilidad o confiablidad del producto cartográfico final general, brinda al
usuario tranquilidad sobre el trabajo realizado, dando una certeza muy
aproximada sobre la representación gráfica del área de estudio.
5. El método de clasificación supervisado de imágenes de satélite ofrece una
respuesta de acuerdo a los muestreos realizados, es decir, si se hace un
muestreo de clases amplio los resultados de la clasificación van a ser
buenos, de lo contrario este procedimiento quedara con muchos errores
que obligaran al clasificador a hacer un muestreo de acuerdo a las
67
ATGCU. (13 de 09 de 2016). ADVANCED TECH COMPUTING GROUP. Obtenido de
https://advancedtech.wordpress.com/2008/04/14/clasificacion-supervisada-y-no-supervisada/
colombia, T. (12 de 08 de 2016). Obtenido de www.todacolombia.com:
http://www.todacolombia.com/departamentos-de-colombia/casanare.html
68
7. Infografía
http://www.horizonteverde.org.co/attachments/article/21/CUENCA.pdf
http://www.trinidad-casanare.gov.co/apc-aa-files/35353764353830363164336630353233/Cap_tulo_4_Hidrolog_a.pdf
http://www.teledet.com.uy/quees.htm
http://www.oas.org/dsd/publications/unit/oea65s/ch09.htm
http://es.slideshare.net/shamirass/principios-de-percepcion-remota
