EXTRACCIÓN DE CARACTERÍSTICAS A PARTIR DE
SENSORES REMOTOS EMPLEANDO TÉCNICAS GEOBIA
APLICADAS AL DESARROLLO DEL CATASTRO
MULTIPROPÓSITO EN LA ZONA RURAL DEL
MUNICIPIO AGUA DE DIOS.
JUAN DAVID LÓPEZ FLOREZ
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
PROYECTO CURRICULAR
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C
2
EXTRACCIÓN DE CARACTERÍSTICAS A PARTIR DE SENSORES
REMOTOS EMPLEANDO TÉCNICAS GEOBIA APLICADAS AL
DESARROLLO DEL CATASTRO MULTIPROPÓSITO EN LA ZONA
RURAL DEL MUNICIPIO AGUA DE DIOS.
Trabajo de grado para optar por el título de Ingeniero Catastral y Geodesta.
Modalidad de Pasantía.
Realizado por:
Juan David López Florez
Director Externo:
Geógrafa Vianey Alexandra Muños
Director Interno:
Ingeniero German Ramírez
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
PROYECTO CURRICULAR
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C
AGRADECIMIENTOS
El presente trabajo no hubiese sido posible sin el apoyo y la fuerza de Dios ya que alcanzar esta meta es un logro tanto personal como para mi familia, mis seres queridos, mis amigos y todas las personas que hicieron parte directa o indirectamente de este bello proceso formativo. De igual manera agradezco infinitamente a mis directores por el apoyo recibido así como al Instituto Geográfico Agustín Codazzi y su Centro de Investigación y Desarrollo en Información Geográfica ya que esta metodología es gracias a ellos.
4
RESUMEN
En el campo del procesamiento de imágenes a partir de sensores remotos se ha tenido importantes avances en cuanto a sus herramientas y procesos, es por ello que se hace necesario la implementación de técnicas que ayuden a desarrollar proyectos de forma semiautomática y tecnificada mediante métodos y procesos que optimicen tiempo y por ende gastos. El presente trabajo presenta una serie de métodos que describen en detalle el proceso de clasificación orientado a objetos en un entorno GEOBIA, cuyo propósito será la correcta clasificación de coberturas en la zona rural del municipio de Agua de dios, el destino será apoyar procesos enfocados al desarrollo del catastro con un enfoque multipropósito teniendo en cuenta la necesidad de tener una base catastral actualizada para llevar a cabo planes y políticas tanto sociales como públicas.
La propuesta desarrollada busca mostrar y comparar técnicas tradicionales de clasificación con metodologías basadas en objetos las cuales presentan un mejor desempeño a la hora de caracterizar paisajes geográficos ya que además de contemplar las características y costumbres habituales de una clasificación convencional involucra conceptos de forma, escala, tamaño y otros parámetros que durante el proceso pueden tener menor o mayor relevancia según el interés del proyecto, esto hace que la realización de los procesos sea dinámica ya que su correcta formulación y construcción de los objetos será la estructura base de la clasificación, de igual forma al contar con insumos de poco rango espectral se hace necesario tener la mayor optimización de características maximizando la varianza con el fin de tener una mayor discriminación de coberturas y con ello se logre tener una adecuada segmentación, para este caso se realizó una segmentación con un algoritmo cuya base es el crecimiento de regiones que conforman objetos según la necesidad del usuario.
Finalmente los resultados permiten determinar que la metodología propuesta y en general la clasificación orientada a objetos es una técnica que brinda muy buenos resultados para la detección de objetos específicos como las cercas los cuales cumplen unas características definidas en ámbitos geométricos y temáticos los cuales sirven de una manera exitosa para la definición de linderos de un predio.
6
Materiales ... 33
ArcGis v 10.2 ... 33
Erdas Imagine ... 33
PCI Geomatics ... 34
eCognitions ... 34
Segmentación. ... 34
Características de las bandas ... 47
Variación de rangos por cada objeto en los distintos canales de la imagen ... 48
CAPITULO IV ... 56
PRESENTACIÓN Y ANÁLISIS DE RESULTADOS ... 56
Discusión de resultados ... 60
CAPÍTULO V ... 62
CONCLUSIONES Y RECOMENDACIONES ... 62
LISTA DE FIGURAS
Ilustración 1: Clasificación tradicional, fuente: elaboración propia. ... 14
Ilustración 2: Pre procesamiento, fuente: elaboración propia. ... 15
Ilustración 3: Procesamiento, fuente: elaboración propia. ... 16
Ilustración 4: Tamaño de una misma imagen con diferentes tipos de formatos, fuente: (Garcia, 2008). ... 19
Ilustración 5: Localización general del área de estudio, fuente elaboración propia ... 27
Ilustración 6: Clasificación por pixeles, año 2009. Fuente, elaboración propia ... 29
Ilustración 7: Clasificación por pixeles, año 2017. Fuente, elaboración propia ... 29
Ilustración 8: Procedimiento GEOBIA, fuente (Minho Kim, 2009) ... 33
Ilustración 9: Agrupación de los métodos de segmentación según la técnica usada, fuente: (Castañeda, 2016) ... 35
Ilustración 10: Parámetros para la segmentación ... 36
Ilustración 11: Objetos a escala 50 ... 38
Ilustración 12: Objetos a escala 100 ... 38
Ilustración 13: Objetos a escala 200 ... 39
Ilustración 14: Representación de cerca viva, Fuente, Lompravial. ... 40
Ilustración 15: Proceso de creación de los objetos de muestreo a partir de la relación topológica del objeto y el punto de muestreo, Fuente (Espejo, 2016)... 41
Ilustración 16: Muestreo de clases temáticas. Preparación para la clasificación temática. .. 42
Ilustración 17: Optimización de muestras seleccionadas ... 42
Ilustración 18: Matriz de separación entre muestras seleccionadas ... 43
Ilustración 19: Matriz de separación de todas las coberturas ... 43
Ilustración 20: Separabilidad estadística de los datos de las muestras. ... 44
Ilustración 21: Espacio característico de las coberturas clasificadas ... 45
Ilustración 22: espacio característico de las coberturas herbazal y pastos ... 46
Ilustración 23: espacio característico de las coberturas herbazal y río ... 47
Ilustración 24: Estadísticas de la cobertura cerca ... 49
Ilustración 25: Estadística de la cobertura herbazal ... 50
Ilustración 26: Estadísticas de la cobertura pastos ... 52
Ilustración 27: Estadísticas de la cobertura tierras en preparación ... 53
Ilustración 28: Estadísticas de la cobertura vía ... 54
Ilustración 29: Estadísticas de la cobertura río ... 55
Ilustración 30: Clasificación inicial solo con las coberturas seleccionadas, fuente elaboración propia ... 57
Ilustración 31: Clasificación inicial con todas las coberturas, fuente elaboración propia .... 58
Ilustración 32: Clasificación a escala 50, fuente elaboración propia ... 59
Ilustración 33: Clasificación a escala 100, fuente elaboración propia ... 59
8
LISTA DE TABLAS
Tabla 1: Análisis de la variación multitemporal en las coberturas ... 30
Tabla 2: Perfil espectral cerca, fuente elaboración propia ... 49
Tabla 3: Perfil espectral herbazal, fuente elaboración propia ... 51
Tabla 4: Perfil espectral pastos, fuente elaboración propia ... 52
Tabla 5: Perfil espectral tierras en preparación, fuente elaboración propia ... 53
Tabla 6: Perfil espectral vías, fuente elaboración propia ... 54
Tabla 7: Perfil espectral ríos, fuente elaboración propia ... 55
INTRODUCCIÓN
A lo largo de los últimos años la ejecución de nuevas temáticas que tienen como propósito el desarrollo paulatino del país y sus componentes catastrales, uno de los objetivos más ambiciosos que se ha trazado el plan nacional de desarrollo “todos por un nuevo país” es la implementación de un catastro nacional con enfoque multipropósito; por lo cual, es de vital importancia tener un censo catastral actualizado y eficiente que brinde información veraz con fines específicos para el fortalecimiento de políticas públicas en pro del desarrollo urbano y rural.
En la actualidad una sociedad mide su nivel de desarrollo teniendo como base el componente catastral, con este se busca tener un control eficiente de los fiscos percibidos así como una adecuada planeación tanto social como económica. Sin embargo, las dinámicas actuales de desarrollo, así como la incorporación y manejo de temáticas de índole catastral en especial de la zona rural del país se está viendo seriamente limitada por aspectos como el acceso y la veracidad de la información recopilada durante trabajo en campo.
De igual manera, la evolución de las imágenes provenientes de sensores remotos son una solución muy satisfactoria ante dicha problemática, sin embargo, estos datos cuentan con una serie de limitaciones enfocadas a la exactitud temática del producto final teniendo en cuenta variables como la escala y la resolución de la imagen, por ello una clasificación basado en pixeles puede generar cierto grado de incertidumbre en la exactitud temática del producto final.
Ante la necesidad de generar metodologías o técnicas más eficaces que las empleadas a base de pixeles se han realizado trabajos mediante el análisis basado en objetos en objetos geográficos, el cual no solo considera como parámetros requeridos la respuesta espectral del pixel sino las características pictórico morfológicas que puedan ser extraídas de la asociación de pixeles o formación de clúster representativos.
10
CAPITULO I.
GENERALIDADES
JUSTIFICACIÓN
Es un hecho innegable que las cifras de la población van en aumento por lo cual tanto el espacio urbano como el rural han tenido transformaciones y cambios importantes que buscan mejorar la calidad de vida de los habitantes, esto se ve reflejado en planes tanto de infraestructura como de apoyo financiero para fortalecer los sectores regionales. De igual forma el fenómeno de expansión es inevitable y afecta tanto la parte urbana como rural ya que si crece de manera descontrolada sin la existencia de una transición adecuada puede verse afectada la parte ambiental reduciendo de forma importante zonas de reservas forestales, ecosistemas y en general zonas establecidas en los planes de ordenamiento como de protección.
Para definir un buen manejo del territorio es necesario tener en cuenta sus componentes y a partir de ello ordenar y planificar, es ahí donde el catastro se convierte en una herramienta indispensable para generar un plan de acción que contemple diferentes propósitos tanto técnicos como operativos; este proceso se enmarca en un componente cartográfico que busca capturar de manera ágil y eficaz componentes ligados a la formación y/o actualización predial en zona rural. Por tal motivo es necesario generar una metodología basado en el análisis geográfico orientado a objetos que permita realizar una actualización cartográfica de manera muy detallada, con el propósito de tener la correcta captura y delimitación física de los predios rurales y tener un adecuado insumo en el momento de tomar decisiones en ámbitos catastrales ya sea de índole jurídico, económico o social.
Al ser el Instituto Geográfico Agustín Codazzi uno de los entes encargados para la ejecución e implementación de un catastro multipropósito en su dependencia el centro de investigación y desarrollo en información geográfica (CIAF), contribuye a partir de la conexión entre sus grupos temáticos de trabajo relacionados con la geomática por medio de insumos digitales caracterizar una zona de trabajo para realizar la interpretación de objetos enfatizando la exactitud en cercas que ayuden a la discriminación de predios en la zona rural, que para el caso del presente proyecto se localiza en el municipio de Agua de Dios, ya que este ítem hace parte del conjunto de características esenciales para capturar con el fin de conformar un catastro rural con visión multipropósito.
objetos se puede realizar de manera precisa la actualización de linderos y cumplir con el propósito actual del enfoque multipropósito adoptado por el IGAC en los predios rurales del país.
Teniendo en cuenta los costos que implica a un municipio realizar una actualización de linderos en estas zonas del país, es primordial la implementación de herramientas y algoritmos enfocados a la detección de esta información de manera remota. Actualmente, un importante volumen de información geográfica es extraído y procesado de distintas imágenes satelitales por lo que es una alternativa adecuada en la labor de identificar límites prediales. En la actualidad, el 28% del territorio nacional carece del proceso de formación catastral y el 63% del área formada se encuentra con un sistema catastral desactualizado (CONPES, 2016), por lo cual se hace necesario plantear una propuesta que busque mitigar esta problemática; el propósito que tiene el catastro es brindar información predial eficaz con fines jurídicos, económicos y fiscales que sirvan de apoyo a un buen manejo de políticas públicas tanto urbanas como rurales. El enfoque planeado busca tener un propósito más social que solo el de brindar información, para que sirva como insumo en los planes de manejo ambiental, territorial y en general una planeación adecuada del territorio.
A causa de los fenómenos ambientales y cambios en el clima se han generado diversos eventos naturales de remoción en masa que prenden las alarmas en las alcaldías locales y ponen a prueba el adecuado ordenamiento territorial y el cumplimiento de normas ambientales, por esta razón se requiere actualizar el catastro rural del municipio Agua de Dios desde una perspectiva social y geográfica; apoyado con herramientas y recursos tecnológicos que ayuden a este proceso, para este caso se hará uso de técnicas de procesamiento de imágenes que ilustren de manera digital el terreno.
12
OBJETIVOS
Objetivo General
Desarrollar una metodología que permita identificar correctamente las cercas vivas que sirven como linderos en los predios rurales haciendo uso de técnicas orientadas bajo el paradigma de objetos GEOBIA.
Objetivos Específicos
• Generar una segmentación temática que brinde información para actualizar la base predial a través de una correcta discriminación de características que ayuden a identificar los linderos de los predios.
• Realizar una comparación multitemporal para el municipio de Agua de Dios para los años 2009 a 2017 en las diferentes coberturas presentes en la zona de estudio.
METODOLOGÍA GENERAL
Con base en el insumo que se tiene (imagen) se espera generar un mapa temático de uso y cobertura presente en el área de estudio localizada entre los 4° 22´ 41´´ latitud Norte y 74° 40´ 26´´ longitud Oeste con una altitud promedio de 400 msnm, para ello es de vital importancia la óptima captura de las diferentes coberturas teniendo claro los patrones que identifiquen las mismas, para que con ello se pueda tener una correcta exactitud a la hora de llevar a cabo la clasificación y muestreo de datos con el fin de tener buenos resultados, por tanto, a partir de ellos se espera que el índice de evaluación temática Kappa1 tenga un alto porcentaje que pueda dar aceptación al producto. Con lo cual la distribución de las coberturas será más detallada y próximas a la realidad física de la zona, teniendo en cuenta que el objetivo del trabajo es proporcionar información visual y cuantitativa de las diferentes características presentes en el área de trabajo con el fin de proveer una fuente de análisis con información técnica confiable para la toma de decisiones apoyados en una metodología con entorno GEOBIA.
En primer lugar hay que delimitar la zona de estudio con los insumos suministrados, con lo cual se establece un área de trabajo para realizar el procesamiento. El producto base a realizar será una discriminación de características presentes en el área de estudio teniendo como parámetro principal la delimitación de los predios con el fin de actualizar la base catastral del municipio, para ello se buscara capturar la información en dos pasos, el primero será mediante pixeles y su respuesta espectral mediante muestras que agrupen las características de cada cobertura; por otro lado se asignaran polígonos que se denominaran objetos los cuales tienen una forma u patrón que ayudara a la herramienta a seguir estas características y poder tener una adecuada discriminación de estas coberturas. Posteriormente se pretende implementar un análisis multitemporal que ayude a determinar los cambios sufridos en la zona de estudio en los años 2009 a 2017, por ende se espera realizar y proveer un buen trabajo con buena evaluación temática el cual nos proporciona resultados de mediana o buena calidad para la discriminación de coberturas en cuanto al detalle y realidad física de la zona.
Para este propósito se definieron cinco etapas fundamentales las cuales buscan definir la estructura funcional que se deberá implementar con el fin de obtener los resultados deseados.
• Clasificación previa • Pre procesamiento • Procesamiento • Evaluación temática
14
• Discusión y resultados
Clasificación previa – pixeles
En la primera fase del desarrollo, se pretende realizar un bosquejo de las distintas coberturas presentes en la zona de estudio así como la preparación del insumo base (imágenes), a partir de ellas se busca realizar un conjunto de procedimientos que permitan dar inicio al procesamiento. En esta fase se aplicaran herramientas para el manejo de contrastes y suavizado de la imagen.
Ilustración 1: Clasificación tradicional, fuente: elaboración propia.
Pre procesamiento
En esta segunda fase del proyecto se busca tener un adecuado manejo de las muestras en cuanto a sus estadísticas y relaciones, ya sean de tipo forma, tamaño o característica espectral entre los objetos definidos, así como herramientas que ayuden a la discriminación de la vegetación y en general de las coberturas como transformaciones e índices.
Ilustración 2: Pre procesamiento, fuente: elaboración propia.
Procesamiento
16
Ilustración 3: Procesamiento, fuente: elaboración propia.
Evaluación de exactitud temática
En esta etapa se analiza el resultado de la clasificación en primera instancia por lo que es indispensable la parte estadística que dará una evaluación a priori de los resultados arrojados por el programa así se determina que se debe editar o mejorar. Esta revisión de la clasificación no tiene porqué realizarse para todos los objetos clasificados, si no que puede limitarse a separar los objetos clasificados erróneamente entre dos clases similares.
MARCO TEÓRICO CONCEPTUAL
Fundamento de los sensores remotos
En el campo de la percepción remota unos de sus principales pilares para poder llevarla a cabo son los sensores los cuales son el instrumento de captura susceptibles a la detección de una señal electromagnética (radiación reflejada o emitida) que les llega de la tierra y atmosfera, esta se convierte en una magnitud física que puede ser tratada y grabada con el fin más conveniente al igual que el formato de entrega ya sea análogo (fotografía) o digital (imagen) (Sobrino, 2000).
Fotografías aéreas
Son imágenes tomadas mediante una plataforma aérea la cual a través de un plan de vuelo captura con un ángulo predeterminado los componentes que se encuentren presentes en el terreno, los sensores usados en estas imágenes son cámaras debidamente calibradas y ajustadas para tal fin con una alta resolución espacial.
La fotografía aérea tiene como principio el sistema de percepción fotográfica que utiliza la propiedad que tienen los cuerpos de la litosfera para absorber, dispersar o refractar la luz proveniente del sol. Esta característica se traduce en el hecho que la energía reflejada por las distintas coberturas presentes en el terreno pasen a través del lente de la cámara, y respecto a su reflectancia está altere con mayor o menor grado de intensidad la película sensible al espectro electromagnético instalada en su interior; este fenómeno da origen a una gama de tonalidades del gris con la cual se forma en el negativo las imágenes de los objetos, a mayor capacidad de los objetos para reflejar la luz más clara aparecerá su imagen en las fotografías y a menor reflexividad, más oscura (IGAC, 2001).
Clasificación de las fotografías aéreas.
18
Sensores pasivos
Este tipo de sensores son aquellos que reciben la señal de acuerdo a las características reflectantes del terreno en otras palabras detectan radiancia en la superficie observada, lo que indica que el sensor se diferencia con uno activo en cuanto a la captura de información de este, ya que a partir de un impulso emitido por él mismo captura los objetos presentes en ese instante lo que puede inferir que este sensor tiene su propia fuente de energía.
Firma espectral
Es el modo peculiar con el que una determinada cubierta refleja o emite energía a distintas longitudes de onda y resulta la base para discriminar dicha cubierta de otras a partir de observación remota (Chuvieco, 1996).
Escala
Al momento de realizar o ejecutar trabajos que impliquen información espacial es necesario tener una relación entre una imagen y la realidad, lo cual nos indica de manera gráfica la cantidad de información adquirida, si se involucra este término en las fotografías aéreas o en general a las imágenes puede decirse que es la capacidad que posee un sensor para discriminar información capturada de manera detallada, esta se ciñe a las características propias de fabricación y calibración de este.
Ground Sample Distance
Hace referencia al tamaño de píxel proyectado sobre el terreno, cuanto mayor es el valor del GSD, mayor discriminación de objetos se tendrá lo cual puede relacionarse a la resolución espacial de la imagen. El GSD está relacionado con la altura de vuelo: cuanto mayor sea la altitud de vuelo, más grande es el valor del GSD.
Formatos en las imágenes
imágenes entro otras características). Existen en el mercado formatos de almacenamiento genéricos que son transversales a cualquier programa, sin embargo estos varían en cuanto a su peso, un ejemplo claro radica en el formato que usualmente se guarda una fotografía (.bmp o .tiff) el cual guarda la calidad de la misma pero pesa mucho más que un formato jpg (.jpeg):
Ilustración 4: Tamaño de una misma imagen con diferentes tipos de formatos, fuente: (Garcia, 2008).
A continuación se muestra algunos formatos usados para guardar imágenes con sus respectivas características o beneficios que se brinda al usarlos:
TIFF:
El formato TIF (Tag Image File Format) se utiliza para imágenes de mapa de bits y es admitido prácticamente por todas las aplicaciones de autoedición y tratamiento de imágenes. Este formato fue desarrollado por Aldus Corporation. Lo reconocen casi todos los programas. Además, es compatible con PC y Mac. Es un formato que admite una compresión muy baja, por lo que la pérdida en la calidad de imagen es prácticamente nula. Se conoce como formato de compresión sin pérdida, una desventaja es que los archivos .tiff son de gran tamaño. Su uso es de los más extendidos en la industria gráfica por la calidad de imagen y de impresión que presenta (Ordoñez, 2005).
BMP:
El formato bmp (Bit Map) es el formato de las imágenes de mapa de bits de Windows. Su uso fue muy extendido, pero los archivos son muy grandes dado la escasa compresión que alcanzan, pero el formato de Mapa de Bits tiene una importante característica a su favor, es que casi todos los usuarios tienen una PC con ambiente gráfico Windows y pueden leerlo desde un accesorio llamado “Paint” (Ordoñez, 2005).
GIF:
20
puede tener un máximo de 256 colores. Una de sus mayores ventajas es que podemos elegir uno o varios colores de la paleta para que sean transparentes y podamos ver los elementos que se encuentren por debajo de estos. También es uno de los pocos formatos de imagen con el que podemos mostrar animaciones porque hace que distintos frames se ejecuten secuencialmente. Además, es un formato de compresión diseñado para disminuir el tiempo de transferencia de datos por las líneas telefónicas (Ordoñez, 2005).
JPG:
Este formato toma su nombre de Joint Photographic Experts Group, asociación que lo desarrollo. Se utiliza usualmente para almacenar fotografías y otras imágenes de tono continuo. Gracias a que utiliza un sistema de compresión que de forma eficiente reduce el tamaño de los archivos. En contraste con GIF, JPEG guarda toda la información referente al color con millones de colores (RGB) sin obtener archivos excesivamente grandes. Además, los navegadores actuales reconocen y muestran con fidelidad este formato (Ordoñez, 2005).
PNG:
PNG son las siglas del grupo que lo desarrollo Portable Networks Graphics pensando en un formato ideal para su distribución en Internet. PNG posee ventajas respecto a los otros formatos más comunes en este medio: JPG y GIF. Ya que fue desarrollado especialmente para su distribución en red posee gran parte de las ventajas de un GIF y de un JPG. Por ejemplo, permite altos niveles de comprensión, además, permite utilizar la técnica de la indexación para crear colores transparentes, semitransparencias o transparencias degradadas. Finalmente, no está limitado a una paleta de 256 colores, sino que puede utilizar millones de colores. Su única limitación es que no podemos crear ficheros animados (Ordoñez, 2005).
Clasificación supervisada
En el campo de la percepción remota la clasificación es el producto por excelencia ya que en su mayoría los estudios están enfocados a la detección de cambios en la cubierta terrestre, su objetivo básicamente es medir cuantitativamente entre determinados parámetros físicos y los niveles digitales capturados por el sensor. Este método involucra el criterio del usuario ya que este a partir de muestras entrena al ordenador en el reconocimiento de patrones que serán reconocidos como coberturas, en otras palabras el ordenador asignará a partir de un pequeño muestreo de ND puros (clusters)2 calcula las estadísticas elementales por cobertura a partir de los pixeles contenidos en estos clusters. Por ello es clave la adecuada selección de las áreas
de entrenamiento para que el ordenador clasifique de forma óptima la imagen (Chuvieco, 1996).
Clasificación basada en objetos
Dentro de un entorno basado en objetos ha sido bastante necesario una segmentación de la imagen con un enfoque de búsqueda de objetos haciendo uso de las teorías de sistemas complejos y la teoría de jerarquía de sistemas. Este enfoque que se denomina GEOBIA pretende realizar una clasificación con parámetros de relación espacial que agrupe patrones y formas detallados a una escala.
Según (Lizarazo Elsner, 2008) el análisis de imágenes basado en objetos está apoyado en los datos captados por sensores y produce resultados aptos para los SIG. Por tanto, puede considerarse como el puente entre el dominio ráster de las imágenes y el dominio predominantemente vectorial de los SIG, los clasificadores por objetos están diseñados para abordar la clasificación de paisajes heterogéneos y han mostrado su efectividad incrementando la precisión de las clasificaciones.
ESTADO DEL ARTE
Teniendo en cuenta la serie de criterios previamente mencionados es prudente hacer uso de herramientas que permitan generar una metodología adecuada para la creación de los productos esperados. El procesamiento orientado a objetos es una de las ramas del análisis espacial a partir de imágenes de sensores remotos por lo cual está en constante innovación, por este motivo se realiza la identificación de procesos, técnicas y metodologías empleadas en investigaciones similares con el objetivo de articular una propuesta vista desde múltiples reglas de decisión.
22
disponible en imágenes de sensores remotos y la información extraída y usada para apoyar la toma de decisiones (Ursula Benz, 2003), por lo cual haciendo uso de un enfoque basado en segmentos que describan un objeto y se le otorgue un peso o jerarquía puede darse un modelo robusto que ejemplifique mejor el resultado, teniendo en cuenta que las texturas y formas no tienen correlación lo que ayuda a una mejor discriminación de características en la imagen.
A lo largo de los últimos años ha aumentado el interés y la necesidad de disponer de una información de usos y coberturas del territorio fiable y actualizado, siendo numerosos los proyectos de carácter local, nacional e internacional cuyo objetivo es la creación y actualización de bases de datos de usos y ocupación del suelo. Los procedimientos metodológicos para llevar a cabo estas tareas requieren un alto grado de intervención humana, ya que están basados casi íntegramente en la fotointerpretación de imágenes o su comparación con otras imágenes u otra base de datos (Recio, 2009).
La clasificación digital de imágenes es el proceso por el que se asigna un píxel de una imagen multiespectral a una de las categorías de la leyenda, generalmente sobre la base de similitudes entre los valores numéricos que las definen (Chuvieco, 1996), de igual manera el análisis de las imágenes proporciona un producto temático que extrae las principales características o coberturas del terreno, definiéndolas en unas clases que corresponden subjetivamente al interprete teniendo en cuenta combinaciones de bandas y filtros que ayuden de algún manera a tener buena separabilidad entre coberturas; este proceso tiene factores importantes a tener en cuenta ya que la veracidad de la información capturada hará que el producto sea confiable o no, por ende el método de clasificación juega un papel importante ya que a partir de este la maquina relacionara los pixeles u agrupaciones de objetos que representen una similar respuesta a partir de las muestras o segmentos proporcionados con el fin de obtener una buena evaluación de los objetos capturados.
En la actualidad básicamente existen dos métodos principales de clasificación de imágenes los cuales tienen parámetros introducidos por el usuario y otros que dejan el trabajo iterativo al ordenar respecto a unas ordenes previamente establecidas, los cuales se conocen como métodos de clasificación supervisada y no supervisada; En los métodos supervisados, el usuario selecciona conjuntos de píxeles representativos de las distintas clases informacionales definidas en la leyenda. Mientras que en los métodos no supervisados, los algoritmos determinan las categorías resultantes de la clasificación mediante el análisis de los niveles digitales de todos los píxeles en la imagen a clasificar (Recio, 2009), sin embargo su evaluación también difiere ya que el usuario en el caso supervisado establece un uso o una clase respecto a un comportamiento espectral de los pixeles mientras que a partir de los algoritmos que procesa el ordenador este agrupa los pixeles en grupos homogéneos y es necesario interpretar esos resultados para asignarles una clase.
procedimiento es muy práctico para crear de forma automática un mapa de uso del suelo o de cobertura vegetal. Las clasificaciones no supervisadas son aquellas en las que el algoritmo clasificador no necesita de más información que la escena a clasificar y algunos parámetros que limiten el número de clases. Estos mecanismos de clasificación basan su efecto en la búsqueda de clases con suficiente separabilidad espectral como para conseguir diferenciar unos elementos de otros (Jaén, 2006).
La clasificación supervisada busca establecer un entrenamiento que determine áreas ya conocidas las cuales están sustentadas a subjetividad del intérprete, por lo tanto, a raíz de esto se generará un conjunto de zonas tanto como lo permita la imagen. Se denominan clases informacionales y buscan que las áreas de entrenamiento sean lo más homogéneas posibles (Universidad de Murcia, 2006). La clasificación multiespectral se basa en la premisa que los pixeles se pueden agrupar de acuerdo a las características espectrales que posean (LeDrew, 2005).
Los métodos clasificatorios también se rigen por otros criterios, existen clasificadores paramétricos o no paramétricos, clasificadores duros o blandos y clasificadores por píxel, sub-píxel o por parcela u objeto (Dengsheng Lu, 2007).
Teniendo en cuenta que la idea principal en la teledetección y en general el análisis de las imágenes es el aprovechamiento temático de estas por lo cual existen relaciones que ayudan al intérprete a extraer las características presentes, un ejemplo de esto es la premisa o analogía que menciona (Chuvieco, 1996) donde dice que la textura de la imagen procede de la relación entre el tamaño de los objetos y la resolución de la misma, además de estar influenciada por el ángulo de observación y la iluminación. Estos elementos son especialmente importantes en superficies rugosas ya que en coberturas vegetales muy densas la textura varía según la época de captura.
En los últimos años el análisis de imágenes a partir de objetos ha mostrado unas ventajas que sobresalen respecto a otras metodologías clasificatorias que basan su eficacia a la respuesta espectral de los pixeles y su concurrencia con las clases en que se agrupen, por ende (Castañeda, 2016) afirma cuatro prerrogativas de carácter principal:
− Las unidades de procesamiento son objetos geomorfométricos que están más relacionados al mundo real que los puntos geomorfométricos que fueron analizados tradicionalmente.
− Los objetos pueden ser creados en una estructura de multiescala lo que permite tener un concepto de orden subordinado a la complejidad del paisaje y la escala de estudio. − El conocimiento sobre las formas del relieve en relación a morfométria y topología
se pude incorporar en la clasificación.
− Los diferentes tipos de datos y formatos en capas diferentes.
Del mismo modo (Recio, 2009) menciona a criterio personal las fortalezas de este método: − La división de una imagen en objetos es un proceso similar a la forma que las personas
24
− La utilización de objetos como elementos mínimos en la clasificación permite reducir enormemente el coste computacional de la clasificación, al mismo tiempo que permite usar técnicas más complejas.
− Los objetos tienen propiedades (forma, textura, relaciones con otros objetos) de las que los píxeles carecen.
− Los objetos pueden integrarse más rápidamente en un SIG vectorial que los resultados de una clasificación por píxel.
Autores como (Castilla, 2006) y (Recio, 2009) relacionan esta técnica con los sistemas de información geográfico ya que al conformar clusters con patrones o morfología similar que asemeja vecinos cercanos con similar respuesta pictórico morfológica lo que lleva a una mayor descripción de la zona para su correcta clasificación. En esta disciplina se considera que la información necesaria para interpretar una imagen no está representada en los píxeles considerados individualmente, sino en objetos o polígonos de la imagen con un significado implícito y en sus relaciones mutuas. La característica más valiosa de la clasificación de imágenes orientada a objetos es la posibilidad de obtener un gran número de características descriptivas de los objetos y de las relaciones existentes entre los mismos.
Al ser un estudio en la parte rural y de acuerdo a la zona que se aprecia en la imagen se evidencia un mayor volumen de biomasa vegetal lo que autores como (Minho Kim, 2009) hablan sobre cómo medir la textura de los bosques a partir de imágenes con alta resolución Ikonos así como los parámetros a tener en cuenta para que se pueda obtener una buena segmentación. Para reafirmar estos conceptos aparece (Gang Chen, 2012) con su postulado acerca de los paradigmas de clasificación GEOBIA dando de nuevo un concepto de técnica eficiente para el análisis de imágenes además de nuevamente asociando este entorno a estimar el alto de un dosel si hablamos de vegetación boscosa por lo cual si el trabajo se centra en la extracción de cercas que en su mayoría para la zona de trabajo son vivas ósea tiene dentro de su composición especies vegetales esta técnica ira muy bien de la mano de una buena segmentación y análisis del usuario.
Capitulo II
Análisis multitemporal
En el ámbito del análisis de imágenes existen bastantes métodos que permiten extraer la mayor cantidad de información de una zona de estudio, en este caso al contar con imágenes de la misma zona en diferentes temporalidades permite realizar una serie de tiempo con el fin de medir los cambios sufridos en las diferentes coberturas presentes en el área de estudio. Estos cambios tienen diferentes impactos a nivel ambiental y social ya que generalmente se reflejan en perdida de especies vegetales y aumento de tejido urbano, estos efectos pueden no marcarse en temporalidades muy próximas pero si tenemos un análisis en temporalidades grandes se permite observar cambios importantes como se ha reflejado en estudios de deshielo en los nevados o deforestación del tejido boscoso en diferentes zonas del país, siendo problemáticas bastante fuertes para el ecosistema y en general medio ambiente.
26
Cuando se evalúan los cambios surgidos a través de clasificaciones tradicionales (por pixeles) existe la posibilidad de presentarse errores o problemas en el método implementado, es decir falta de análisis en sus diferentes coberturas, con ello se trata de explicar que a pesar que se cuente con una recubrimiento igual en la zona con diferentes épocas existen limitantes que puedan producir cambios en las fotografías o imágenes ya sea por la varianza espectral de las diferentes coberturas o por la época de toma, o simplemente por errores de usuario al momento de clasificar (exceso o defecto), teniendo en cuenta que el principio básico o esencial de este análisis multitemporal es la superposición de dos o más cartografías con un área en común los cuales son elaborados de manera independiente por lo que se debe contar con un pequeño porcentaje de incertidumbre que afecte de manera directa los resultados obtenidos por lo antes mencionado.
Área de estudio
Ilustración 5: Localización general del área de estudio, fuente elaboración propia
Clasificación de imágenes
28
La clasificación multiespectral se basa en la premisa que los pixeles se pueden agrupar de acuerdo a las características espectrales que posean (LeDrew, 2005). Para la asignación de pixeles hay métodos paramétricos y no paramétricos los cuales pueden así mismo tener sustento estadístico o no, entre ellos están el método de mínima distancia y paralelepípedo los cuales pueden generar perdida de información o mezcla de la misma dependiendo la precisión de la muestra; para ello se seleccionaron unos pixeles de entrenamiento (puros) los cuales se validaron estadísticamente con el fin de tener una desviación estándar baja para que al momento de aplicar el algoritmo este clasifique de la mejor manera los pixeles con respuestas espectrales iguales o similares al de entrenamiento, esta técnica que también se denomina segmentación, autores como (Frank Giraldo, 2011) lo denominan como crecimiento de regiones y es básicamente basado en criterios de similitud de puntos; para cada región que se desea segmentar, el crecimiento se inicia a partir de uno o más puntos iniciales, conocidos como germen o semilla. A partir de estos, la región progresivamente va creciendo, al agregar aquellos vecinos sucesivos que satisfacen el criterio de aceptación prefijado.
Ilustración 6: Clasificación por pixeles, año 2009. Fuente, elaboración propia
30
Tabla 1: Análisis de la variación multitemporal en las coberturas
Análisis estadístico del recorte en común
Está claro que a través del tiempo las coberturas que componen la capa terrestre sufren distintos cambios por diferentes factores por ende la finalidad de una interpretación multitemporal es visualizar y cuantificar los cambios existentes entre un periodo de tiempo, de esta forma observar si existe un patrón en estos cambios o son sujetos a la aleatoriedad. Sin embargo, el análisis multitemporal es una herramienta bastante poderosa para poder extraer estadísticas y datos sobre la dinámica en las coberturas vegetales ya que con esto se puede determinar causas y efectos de deforestación además de cambios en la producción de los suelos causados quizás por la aridez del mismo. De igual forma también se logra determinar qué tipo de agentes intervienen en este proceso ya que algunas veces la explotación exagerada de recursos como la madera hace que se pierdan al año cientos de hectáreas de bosque lo que conlleva a problemas drásticos en el medio ambiente y hábitat de fauna nativa.
de sequía o ya se haya presentado la recolección de los mismo por lo cual se encuentran áreas de suelos en preparación en la imagen del año 2017.
Otro aspecto importante de resaltar es el aumento de la población en esta zona, ya que esto influye directamente con cambios entre coberturas vegetales lo cual también supone un cambio de destinación agrícola por ganadera ya que también se ve el cambio de la clase pastos con un aumento de casi cuatro veces su extensión a lo que era en el 2009; de la misma manera también existe un aumento de la cobertura suelo lo que puede suponer que la vegetación sufre una degradación quizá provocado por el ganado u otros agentes que se deben analizar ya en terreno. Por último, se evidencia un cambio en el nivel del rio y en general los cuerpos de agua quizá debido a la época del año.
Finalmente la realización de un análisis multitemporal parte de una superposición de mapas con un área en común lo cual para el presente estudio se realiza partiendo de una incertidumbre en el área que comparten ya que la imagen 2009 es de mayor extensión que la 2017 y no comparten en su totalidad toda el área, así como la resolución y la fecha de captura pueda afectar también el análisis de los datos ya que también el estado de la vegetación está sujeta a la época del año, un claro ejemplo está en la temporada invernal donde la vegetación concentra un alto grado de humedad y su respuesta espectral difiere a otra que se encuentre en época de verano donde su nivel de coloración estará más brillante para el sensor
CAPITULO III
METODOLOGÍA BASADA EN OBJETOS
En la interpretación de imágenes ha sido de uso común la interpretación basada en pixeles, desde los inicios del estudio de las imágenes derivadas de procesos tecnológicos son almacenadas de manera digital como cuadriculas organizadas de valores que pueden ser desplegadas en monitores de computadores; desde este momento se adoptó el termino pixel derivado del inglés picture element que se define como la unidad más pequeña en la que se compone una imagen y que se discrimina por su color y brillo (Castañeda, 2016).
32
de pruebas, implementaciones y desarrollos para la ejecución completa de la metodología propuesta (Espejo, 2016).
El análisis de imágenes basado en objetos demuestra gran eficacia a la hora de proporcionar información para la interpretación de datos geográficos al suministrar herramientas que emulan la percepción humana en cuanto a su espacio, con ello se puede decir que al entrenar la maquina con objetos significativos ella podrá asociarlos al igual que nosotros con las formas reales, Sin embargo, persisten los desafíos en la evolución de este nuevo paradigma a medida que los métodos sofisticados intentan cumplir con el objetivo de la geointeligencia automatizada (es decir, el contenido geoespacial dentro del contexto) a partir de fuentes geoespaciales (Gang Chen, 2012).
Esta técnica se enfoca en encontrar un objeto (relación muchos a uno – píxeles a objeto y no por píxel como se realiza en la clasificación ―per-pixelǁ) utilizando las formas geométricas, la información espectral y el análisis de vecindad definidos para un objeto en particular. El objeto es referido a la cobertura que se desea extraer de una clasificación (Vasquez, 2011). Este tipo de clasificación también difiere de la técnica tradicional en cuanto a la relación de captura ya que no se ciñe solo al nivel digital que posee el pixel sino que también introduce otras características que ayudan a mejorar la captura de la clase, es decir al entrenar la maquina con un muestreo regular de la cobertura también implícitamente está comprende el patrón o forma que tiene esta clase y la asociara con los demás conjuntos de pixeles que cumplan esta característica, en el proceso de la determinación de los objetos, la escala determina la presencia o ausencia de las clases, de tal manera que el tamaño del mismo afectaría el tamaño de la clasificación (Vasquez, 2011) con esto el autor afirma que a mayor escala menor número de objetos lo cual desencadena el propósito del proyecto ya que al determinar el objeto este podrá tener los mismos criterios de selección o no de acuerdo a la escala empleada por el usuario. Esto en base a la definición de un objeto el cual se crea a partir de un conjunto de pixeles que reúnen las características ingresadas por el usuario en cuanto a forma, compactación, escala y tono.
Ilustración 8: Procedimiento GEOBIA, fuente (Minho Kim, 2009)
Materiales
Para llevar a cabo la ejecución del proyecto es necesario contar además de los insumos el software adecuado para su procesamiento y desarrollo, así mismo de acuerdo al tamaño de las imágenes que está ligado a la resolución, esta ocupa un espacio determinado tanto en disco como en memoria lo que hace prolongados o rápidos los procesos en la computadora; para este caso se obtuvieron un par de fotografías en distintas temporalidades que cuentan con un alto grado de resolución por lo cual es necesario dividir las imágenes para optimizar los procesos a realizar en el software.
ArcGis v 10.2
Este tipo de software permite el uso y gestión de datos geoespaciales para su análisis y procesamiento enfocado a los sistemas de información geográfica y la cartografía en general por ende se realizaron comparaciones entre las distintas coberturas encontradas en terreno con el fin de analizar mediante herramientas estadísticas y algebraicas los cambios sufridos así como su posterior representación cartográfica.
Erdas Imagine
34
forma a través de sus módulos y características presentes se logra realizar composiciones, mejoramientos, transformaciones y aplicaciones de índices que optimicen sustancialmente el producto a analizar con el fin de obtener un buen resultado con mayor grado de extracción de la información obtenida en las fuentes analizadas. Para este caso esta herramienta ayudo a realizar el primer bosquejo de coberturas presentes en la zona, así como su distribución y separabilidad espectral.
PCI Geomatics
En cuanto a esta herramienta de información se destaca su útil funcionamiento en las imágenes y sus diferentes módulos, su interfaz es interactiva y amigable con los procesos y su asistencia, además de ello facilita el proceso en las ejecuciones y procesos por consiguiente fue el software base para realizar la clasificación tradicional con una capacidad de edición bastante robusta al permitir entender lenguaje detallado que ejecute procesos siguiendo reglas básicas de sintaxis y semántica propio de un algoritmo de programación.
eCognitions
Este instrumento informático es la base del proyecto desarrollado ya que el software permite ejecutar y analizar instrucciones enfocadas en procesos que involucren creación de objetos a partir de muestras de entrenamiento y parámetros definidos por el usuario, por ende a partir de la interpretación del objeto “cercas” se determinaron las medidas a utilizar para la extracción de la manera más precisa la detección y clasificación de las aerofotografías. Así mismo el análisis de los elementos fotográficos es muy ágil por lo que el procesamiento no se torna engorroso sino dinámico con el usuario.
Segmentación.
La segmentación de imágenes permite dividir una fotografía para aislar segmentos, regiones u objetos individuales, que son homogéneos con respecto a algún rasgo; de tal forma que se puedan extraer características o identificar y clasificar los objetos presentes en la imagen. Estos datos pueden ser útiles para cuantificar regiones, tomar medidas sobre los objetos, discriminar automáticamente los elementos presentes, definir bordes y formas, diferenciar tonalidades, etc. Con base en ello, se han desarrollado aplicaciones, por ejemplo en imágenes de cultivos en agricultura (Frank Giraldo, 2011).
Similitud: Cada uno de los pixeles de un elemento tiene valores parecidos con respecto a alguna propiedad determinada.
Discontinuidad: Los objetos y más concretamente las regiones que los diferencian destacan del entorno y tienen por tanto bordes bien definidos.
Conectividad: Los pixeles pertenecientes al mismo objeto o región tienen que ser contiguos, es decir, tienden a agruparse constituyendo regiones homogéneas.
Ilustración 9: Agrupación de los métodos de segmentación según la técnica usada, fuente: (Castañeda, 2016)
A diferencia de la clasificación convencional por pixel en la segmentación por objeto se busca eliminar el ruido atribuyéndoles más características a las regiones encerradas, para la ejecución de la misma es necesario la utilización de algoritmos que realizan subdivisiones de la imagen al nivel del pixel, los cuales también presentan objetos en la imagen entre los cuales encontramos algoritmos como tablero de ajedrez y la segmentación por arboles cuadrángulos además de otros de mayor complejidad como multiresolución y contraste de filtros (Jorge Herrera, 2017), en comparación con la teledetección con baja resolución las imágenes de alta resolución son capaces de obtener mejores características para su captura de información, aunque así mismo se presentan nuevos retos no contemplados anteriormente como la variabilidad espectral ocasionada por sombras (Gang Chen, 2012).
36
atributos seleccionados ya que estos mejoran la captura del objeto debido a sus características intrínsecas. Del mismo modo estos atributos se diferencias en cuatro grupos (espaciales, espectrales, texturales y diferenciales), los espaciales están ligados a la forma, tamaño y geometría propia del objeto. Los espectrales básicamente se componen de características matemáticas o estadísticas relacionadas con la desviación estándar y sus pares.
Los texturales corresponden a las variables que cuantifican estadísticas básicas que determinan la textura propia del elemento seleccionado es decir media, varianza rango y entropía que conforman la matriz del conjunto de pixeles que forman el objeto, si se ejemplifica esté puede ser el herbazal y el bosque ambos poseen características similares pero la textura del tejido boscoso abarca un área mayor por lo cual el objeto será de magnitud extensa y el herbazal o arbusto será de menor tamaño. Por último el atributo relacional como su nombre lo indica relaciona las bandas que componen la imagen con el fin de aprovechar al máximo la información contenida en la fotografía; una vez definidos los atributos para encontrar un objeto determinado, se pasa a la segunda fase, la extracción del o los objetos a estudiar, donde el sistema computa y ejecuta de acuerdo al conjunto de variables, que se convierten en limites o restricciones, denominados reglas de decisión (Vasquez, 2011). Es importante elegir correctamente el algoritmo a utilizar en la segmentación ya que a partir de este y los parámetros definidos se creará el objeto para este caso debido a la alta resolución de la imagen suministrada se tomaron tres niveles de escala con el fin de ver la variabilidad de los objetos en la captura de cercas ya que este es la base de la metodología.
37
En el anterior cuadro podemos observar cada uno de los parámetros que contiene el proceso de segmentación, donde se ilustran características en cuanto a escala, compactación y forma que hacen referencia al manejo de las propiedades que se van a utilizar en el proceso, en el caso de la escala al tamaño de los objetos representados, como se dijo anteriormente en tres categorías de chequeo (50, 100 y 200) con el fin de encontrar una escala acorde para discriminar de la mejor manera posible el objeto cerca cuya característica es alargada y delgada con una continuidad regular; la forma que tiene el objeto toma parámetro 0.1 y su razón de ser radica en la relación de criterios de color y forma ya que la alteración de esta variable cuando presenta una cuantía numérica de 1, disminuye el porcentaje de valores espectrales de las capas de imagen que contribuyen al criterio de homogeneidad.
Esto se pondera con el porcentaje de la semejanza de forma. Si se otorga un cambio del peso por el criterio de la forma a un valor numérico de 1, esto dará lugar a los objetos más optimizados para homogeneidad espacial. Sin embargo, el criterio de la forma no puede tener un valor numérico mayor de 0,9, debido a que sin la información espectral de la imagen, los objetos resultantes no estarían relacionados con la información espectral, además de la información espectral, la homogeneidad objeto se está optimizando con respecto a la forma del objeto definido por el parámetro de la compacidad o compactación (William Barragán Zaque, 2015).
El valor de la compactación (0.5) dictamina la optimización final de los objetos resultantes así como la densidad de estos ligada por supuesto a la escala y su contraste espectral definido en las muestras de entrenamiento, estos valores serán la clave de la conformación del objeto siguiendo un algoritmo de segmentación por multiresolución3.
En cuanto al dominio de la segmentación se utiliza el nivel de pixel para que la maquina asocie los valores en cuanto a respuesta espectral de los mismos, así mismo el proceso maneja una ponderación o pesos que se le pueden asignar tanto a las bandas como a los parámetros con el fin de darle mayor preponderancia a los aspectos que el usuario quiera resaltar por lo tanto es prudente que se sobrescriba si ya existe un nivel creado para este caso en las herramientas de nivel se inicia un nuevo nivel, posterior a ello se define los pesos que tendrá cada canal con el fin de resaltar las características de la cobertura en los distintos rangos del espectro visible. Después de asignar los parámetros el software los computa y genera los objetos con el fin de identificar las muestras de la siguiente manera:
38
Ilustración 11: Objetos a escala 50
Ilustración 13: Objetos a escala 200
Las imágenes anteriores ilustran la creación de objetos a partir de unos parámetros los cuales generan una agrupación de pixeles que denominaremos objeto geográfico. Para el caso de estudio de la presente investigación que tiene como propósito centrarse en la correcta identificación y extracción de cobertura vegetal arbustiva, para el interés de este estudio hablamos de las cercas vivas las cuales hacen parte del paisaje natural como elemento generador de biomasa vegetal y se identifican como surco o línea de plantas empleadas para sostener alambres, cumplen la función de delimitar los linderos de los predios rurales o urbanos siendo su principal función restringir el acceso tanto de animales y personas a un determinado sector, cuya diferencia radica en la intervención humana para su formación dentro de un ámbito rural; lo que indica un excelente insumo para la correcta identificación predial, transcendental fenómeno de estudio en la metodología GEOBIA. La definición de un objeto que represente una cerca presenta las siguientes características:
• Muestra forma alargada y no muy ancha.
• Las cercas vivas se establecen por medio de la plantación de estacas grandes (generalmente de 2.5 m de largo y entre 8 y 20 cm de diámetro), que enraízan fácilmente y sobre las cuales se atan varios hilos (generalmente 3) de alambre de púas (Mendieta, 2014).
40
• Estos sistemas proporcionan un hábitat favorable para animales silvestres que pueden ser plagas de los cultivos, aunque también pueden favorecer a animales útiles como las aves que participan en el control de plagas (Mendieta, 2014).
• En las cercas vivas se utilizan numerosas especies de flora que de acuerdo con las condiciones climáticas y culturales pueden generar un mejor uso dentro del terreno. • Generalmente su vida útil es prolongada lo cual tiene una importante relación costo
beneficio (Mendieta, 2014).
• Su estructura es regular y continua la cual se ejemplifica de la siguiente manera para un tipo de vegetación Swinglia:
Ilustración 14: Representación de cerca viva, Fuente, Lompravial.
Siguiendo el orden metodológico anteriormente descrito a partir de la imagen más reciente de la zona de estudio se logra obtener para una escala de 50 un total de 229000 objetos, para una escala de 100 un total de 55841 objetos y para una escala de 200 un total de 14063, esto indica que a mayor escala mayor número de objetos y por ende mayor tiempo de procesamiento, esto también influye en la agrupación de características que compone el objeto según la caracterización o parámetros descritos en el algoritmo de proceso de edición por lo cual puede tener una relación directamente proporcional el número de objetos con el nivel de detalle que se necesite capturar.
la relación del objeto con la forma y su entorno ya que puede notarse la presencia de herbazal denso y pastos limpios en la zona donde se encuentran la cobertura.
De igual manera siguiendo la ruta de trabajo al emplear un correcto proceso de muestreo en las coberturas presentes de la zona y detallar de la mejor manera las cercas se logrará obtener un producto de alta precisión que referencie muy bien las cercas y la discrimine de las otras coberturas, la asignación del objeto segmentado como un objeto de muestra de entrenamiento para los algoritmos de aprendizaje de maquina a emplearse consiste en una relación topológica de contenencia (Espejo, 2016) por lo cual se identifica de la siguiente manera:
Ilustración 15: Proceso de creación de los objetos de muestreo a partir de la relación topológica del objeto y el punto de muestreo, Fuente (Espejo, 2016).
42
Ilustración 16: Muestreo de clases temáticas. Preparación para la clasificación temática.
Para mejorar la muestra el programa tiene una función de optimización de las clases creadas, para este caso se necesita tener mayor efectividad en la captura de cercas por lo cual se optimizan los arbustales y la vegetación con el fin de lograr una buena discriminación entre esas dos coberturas.
Ilustración 18: Matriz de separación entre muestras seleccionadas
Ilustración 19: Matriz de separación de todas las coberturas
44
Ilustración 20: Separabilidad estadística de los datos de las muestras.
Es importante en la rama del análisis de imágenes poder obtener una excelente discriminación de las coberturas u objetos a clasificar por lo cual una eficaz optimización del espacio característico permite resaltar rasgos propios de las coberturas, por ende a partir de los valores estadísticos de los objetos y muestras obtenidas permite extender con mayor grado la separabilidad entre las clases ya que al ser una fotografía aérea no cuenta con las características de bandas que permitan realizar de manera eficiente una discriminación con rangos de variación propicios para un estudio a gran escala; al contar solo con las bandas del espectro visible las cuales no tienen longitudes de onda grandes la discriminación y la variación entre coberturas no es la mejor, esto teniendo en cuenta que la fotografía tiene una alta resolución no afirma tener un mayor rango de clasificación entre las coberturas ya que el rango espectral varia de forma muy pequeña, lo que dificulta al programa la ejecución y captura de las coberturas a partir de las muestras de entrenamiento seleccionadas por el usuario ya que se mezclan ciertas coberturas con respuestas muy similares.
desviación estándar para cada banda, indicando la mayor posibilidad de discriminación de las coberturas estudiadas (Martinez, 2017).
Al hablar de un OIF en las bandas del RGB color natural se espera la menor concentración de información debido a que las bandas espectrales están altamente correlacionadas entre sí, por tal motivo la separación espectral entre dichas bandas es mínima lo que dificulta las operaciones de interpretación y procesamiento temático de las mismas, haciendo que su elección sea una de las menos utilizadas en el ámbito mencionado. Para el caso de las imágenes insumo es necesario ante la falta de la información espectral, sin embargo los resultados serían mucho más exactos si se contara con la inclusión de una banda en la longitud de onda del infrarrojo.
Así mismo es importante tener en cuenta las características de las bandas inmersas en la imagen ya que a partir de sus propiedades de captura se puede recibir menor o mayor nivel de información con lo cual a partir de esto las combinaciones realizadas en el software de procesamiento permitirá al interprete contar con mayor número de herramientas para el análisis y posterior clasificación.
Ilustración 21: Espacio característico de las coberturas clasificadas
46
visible la transición entre las distintas tonalidades así como las coberturas pueden presentar mezclas entre ellas debido a su naturaleza, así mismo ocurre también casos donde se generen errores por comisión además de correlación entre estas, con lo cual se logra observar en la ilustración 20 una correlación bastante grande que puede ser por varias razones, algunas de ellas radican en la naturaleza de la imagen y la falta de bandas para poder lograr una separabilidad exitosa usando espectros infrarrojos, trasformaciones o índices que faciliten al interprete y al software resaltar y analizar las coberturas presentes en la imagen. De igual manera se presentan a continuación las posibles coberturas que puedan llegar a presentar semejanzas espectrales y por ende una correlación alta entre sus canales.
Ilustración 22: espacio característico de las coberturas herbazal y pastos
acción antrópica. Un arbusto es una planta perenne, con una altura entre 0.5 y 5 m y sin una copa definida (IDEAM, 2008) por lo tanto un pasto arbolado puede también estar constituido por herbazales de poca altura o malezas lo cual al estar con una resolución tan alta no alcanza a discriminarse y se crean una correlación que entre ellas.
Ilustración 23: espacio característico de las coberturas herbazal y río
Esta correlación está ligada básicamente con la sombra que general la vegetación que presuntamente es mayor a dos metros, esto ya que el agua es un tipo de cobertura absortiva lo cual indica que las áreas obscuras de la imagen serán asociadas a ella por los valores de reflectancia tan bajos.
Características de las bandas
48 Banda 1:
Su frecuencia está en el rango de 0.45 a 0.52 micrones y corresponde al azul, útil para detección de cuerpos de agua, mapeo de costas, contraste entre suelo y vegetación de características foliadas con alto grado de retención de agua (Luis Pantaleone, 2017).
Banda 2:
Su frecuencia varia en el rango de 0.52 a 0.60 micrones y corresponde al verde, útil para evaluar la “salud” de la vegetación, a través de sus valores de reflectancia (o radiancia) verde. También es útil para diferenciar tipos de rocas (Luis Pantaleone, 2017).
Banda 3:
Su frecuencia está en el rango de 0.63 a 0.68 micrones, banda de absorción de clorofila apta para la clasificación de la cubierta vegetal. También sirve en la diferenciación de las distintas rocas y las diferentes pendientes presentes en la vegetación (USGS, 2017).
A partir de las características mencionadas se puede inferir tanto teóricamente como visualmente que los canales con mayor absorción y recopilación de información son los “layer” dos y tres correspondientes a los espectros del verde y rojo, debido a su comportamiento o representación espectral, el rango visual del color natural en composición 321 logra identificar los siguientes objetos que componen la clasificación con su respectivo valor estadístico el cual será importante para la exactitud y veracidad de la clasificación.
Variación de rangos por cada objeto en los distintos canales de la imagen
Cerca:
Ilustración 24: Estadísticas de la cobertura cerca
Cobertura Comportamiento espacial Firma espectral
Cerca
Tabla 2: Perfil espectral cerca, fuente elaboración propia
Los valores de la media en cuanto a la cobertura de cerca oscila entre 80 y 90 entre las bandas uno, dos y tres por cual son valores con un comportamiento espectral bastante compacto o regular, pero cuando se analiza un comportamiento espacial en un cuarto de kilometro distancia que es bastante corta para el área que cubre la imagen cambian las condiciones ya que su rango de variabilidad aumenta como se aprecia en la tabla 2, así como la firma espectral4 que representa un punto aleatorio de esta cobertura. Esto se debe al tipo de
50
vegetación que compone la cerca, así como la edad del arbusto, el estado en cuanto a su nivel de brillo o verdor entre otros tópicos externos.
En el visible, la reflectancia de las hojas no supera el 15 % y la transmitancia es mínima. Esto es debido a que los pigmentos fotosintéticos (clorofilas, xantofila, antocianinas y carotenos) tienen fuertes bandas de absorción en este intervalo espectral. Entre ellos, las clorofilas a y b, que son las más absorbentes con un 65 % del total, presentan dos bandas de absorción centradas en el azul y en el rojo, por lo que producen un máximo relativo en la signatura espectral en torno a los 0,55 mm, responsable del color verde de las hojas (Baret, 1994). De igual forma tanto por la forma como por el nivel de absorción el agua y las sombras producidas por las cercas arboladas tienden a confundirse un poco lo cual debe corregirse manualmente con el fin de entregar un buen índice temático de la cobertura.
Como se detalla en la ilustración 24 los objetos presentan una característica alargada y no muy ancha por ende se escogieron para la muestra dichos objetos que cumplieran estas características, sin embargo los objetos que componían las vías son muy similares por la forma y característica propia de una vía pero su respuesta espectral difiere a la de una cerca por lo tanto en la selección de los objetos que pertenecen a esta clase además de contar con la forma del objeto se tiene en cuenta los valores espectrales los cuales diferencian las coberturas de acuerdo al nivel de reflectancia de cada una.
Herbazal:
Cobertura Comportamiento espacial Firma espectral
Herbazal
Tabla 3: Perfil espectral herbazal, fuente elaboración propia
Al ser una cobertura con diversos comportamientos como lo describe la leyenda corine land cover las áreas con vegetación arbustiva presenta diversas características según su ubicación y tamaño de la misma, para este caso sus valores medios en el espectro visible está en el rango de 61 a 72 valores muy cercanos a la cobertura que se denominó cerca, por lo cual su relación y similitud de valores característicos pueden mezclarse y tener una correlación alta, su mayor respuesta espectral está en la banda dos como se puede observar en la tabla II; de igual manera existen numerosos factores que, si bien no modifican sustancialmente la reflectancia espectral del material vegetal arbustivo, sí condicionan en cierta medida sus peculiaridades.
Uno de ellos es la orientación relativa de la superficie vegetal con respecto a la luz incidente, la cual depende de tres variables: elevación solar, pendiente de la ladera y orientación geográfica de la misma; la reflectancia medida también depende de la posición relativa del sensor con respecto a la dirección de iluminación. Considerando el sensor en el mismo plano que el de incidencia y en el lado de los rayos reflejados, la reflectancia en el visible aumenta conforme aumenta el ángulo cenital de la posición del sensor hasta alcanzar el máximo en una posición próxima a los 45º, a partir de cuyo momento disminuye (Baret, 1994).
