ABREVIATURAS
INTRODUCCIÓN
- PLANTEAMIENTO DEL PROBLEMA
- Percepción Remota y Sensores Remotos
Los sensores remotos y por ende las PR han evolucionado rápidamente con el tiempo debido a los avances tecnológicos aplicados en la obtención de información; y por la innovación en su aplicación y procesamiento. Es el dispositivo montado sobre una plataforma móvil el que se encarga de registrar la información obtenida de la cobertura del suelo. Se trata de estaciones terrestres para transmitir y almacenar información del sensor.
Por emisión-reflexión: la imagen capta el reflejo de la energía emitida por el propio sensor hacia la cobertura terrestre.
ETM+
- Descripción de la problemática por las afectaciones a la calidad de las imágenes satelitales, provenientes de sensores remotos pasivos
- OBJETIVOS
En este sentido, la teledetección debe contar con herramientas adecuadas para investigar temas de interés, sin limitarse únicamente a capturar información. Incrementando el coste de obtención de información al intentar complementar la información faltante con otro sensor. Dado que tanto las nubes como la niebla son fenómenos meteorológicos, su aparición en las imágenes de satélite procedentes de sensores pasivos es inevitable, lo que dificulta la adquisición de información sobre la superficie terrestre.
Los efectos de desactivar SLC son más pronunciados en los bordes de la escena y disminuyen gradualmente hacia el centro de la escena.
ANTECEDENTES
- USO DEL PROCESAMIENTO DIGITAL DE IMÁGENES
- USO DE LA GEOESTADÍSTICA
- PRINCIPIOS DEL ANÁLISIS ESPACIAL
También se someten a una corrección de brillo, mediante una transformación en las estadísticas como la media y la desviación estándar de la imagen auxiliar (Song et al., 2002). La utilidad de las propuestas basadas en PDI que se han presentado en esta sección se debe a la disponibilidad de los insumos necesarios. El estudio del espacio no podía estar exento de aplicar los conocimientos de la estadística, y así surgió el concepto de geoestadística, que nació alrededor de los años 60 en la minería, con el objetivo de predecir valores de variables aleatorias en localidades no probadas.
En el caso de PR, las técnicas geoestadísticas comenzaron a aplicarse en la década de 1980.
PLANTEAMIENTO METODOLÓGICO Y TEÓRICO
- MODELOS
- Variable Determinística
- Variable Aleatoria
- TEORÍA DE VARIABLES REGIONALIZABLES
- METODOLOGÍA
- Descripción del Preprocesamiento
- Análisis y Exploración de la Información
- Métodos geoestadísticos de interpolación
Este tipo de variable se encuentra en imágenes de satélite, dado que cada realización de la función aleatoria ( ) genera valores en radiancia ( ) que son función de la posición espacial, siendo considerada una variable de regionalización (Lloyd, 2007: 131). Fenómeno transitorio: Son cambios que se producen en el campo geométrico de la variable en cuestión y provocan discontinuidades características del paisaje. Donde es la observación de la variable en la ubicación y es el número de muestras.
Mediana: Es el valor de la muestra que se encuentra en el medio del espacio muestral cuando se ordena de menor a mayor. Como resultado, la frecuencia se muestra en el eje de ordenadas y el valor de la variable en el eje de abscisas. Donde ̅ es el valor transformado cuyo logaritmo puede ser natural (ln) o de base 10 ( ) de la variable.
La pertenencia a una de estas clasificaciones es función de la similitud entre el punto focal y sus valores adyacentes. Mientras que la figura de la derecha muestra la misma escena en alta resolución espacial. Para medir la correlación espacial existen diferentes funciones, que se aplican dependiendo del rasgo que se quiera identificar en el espacio.
El análisis mencionado también puede ser conocido como varianza, cuando se trata de la misma variable ( ) medida en dos localidades diferentes ( y ) (Jupp et al. De acuerdo a las características de la media para el estimador KU, la ecuación que la determina es como A continuación (Goovaerts. Se obtiene la regresión lineal de la variable primaria (variable dependiente) con relación a la variable secundaria (variable independiente).
Que el valor de los predictores sea conocido para todas las ubicaciones de la variable primaria ( ); y para todas las ubicaciones nuevas ( ) donde se realizarán las predicciones.
RESULTADOS
- DESCRIPCIÓN DE LA ZONA DE PRUEBAS
- Geomorfología y Meteorología
- Conservación del Corredor Biológico Mesoamericano-México
- Insumos para ejecución de pruebas
- PREPROCESAMIENTO
- Corrección Atmosférica y Geométrica
- Normalización Radiométrica
- Extracción de nubes y sus sombras
- Selección de sitios de prueba para su restauración
- INTERPOLACIONES POR MÉTODOS GEOESTADÍSTICOS UNIVARIADOS
- Estadística Exploratoria y Análisis Exploratorio de Datos
- Análisis Exploratorio de Datos Espaciales
- Kriging
- Simulación Condicional
- INTERPOLACIÓN POR MÉTODOS GEOESTADÍSTICOS BIVARIADOS
- Estadística Exploratoria y Análisis Exploratorio de Datos
- Análisis Exploratorio de Datos Espaciales
- Cokriging
- Regresión Kriging
- VALIDACIÓN
- APLICACIÓN PRÁCTICA
- Introducción
- Descripción de la zona de estudio
- Insumos y Preproceso
- Interpolación
Para agilizar la comparación de los cuatro métodos geoestadísticos ya presentados, decidimos no trabajar con la imagen completa, sino con cortes de la escena. Que las nubes de la imagen SPOT no coinciden en ubicación con las nubes de la imagen Landsat (para fines de validación). La Figura 4.21 muestra un ejemplo de creación de grupos de asociación espacial en dos bandas.
En este caso dicha variable corresponde al ND de la imagen SPOT sin nubes, cuyos cultivos se muestran a continuación. En esta ocasión, para complementar la exploración de datos, se aplicaron las herramientas ES y EDA a la imagen SPOT sin nubes. Las tablas de información y gráficos mostraron que las bandas se comportan casi igual en la imagen de SPOT 5 que en la escena nubosa.
Donde la variable independiente adquirió el valor de la información secundaria (imagen sin nubes); mientras que la variable dependiente adquirió los valores de (imagen con nubes). Los resultados de la restauración con cinta se pueden ver en el Apéndice L de este documento. Como se explica en la descripción de insumos, se cuenta con una imagen Landsat 7 ETM+ de la zona de estudio.
La imagen de la izquierda es la imagen a restaurar, mientras que la imagen de la derecha es la imagen auxiliar. Para obtener la imagen restaurada, los píxeles que presentaban nubes o sombras fueron sustituidos por las distintas interpolaciones que se realizaron. Caso práctico La imagen de la izquierda muestra parte de la zona de estudio sin restauración.
La clasificación de la imagen restaurada se realizó mediante el método Isodata en el software PCI Geomática.
DISCUSIÓN Y CONCLUSIONES
- ALCANCES Y LIMITACIONES
- RECOMENDACIONES
En cuanto a la exploración de datos, las aplicaciones aquí mostradas utilizaron herramientas como el programa GeoDa, que permitió una fácil aplicación de ESDA, con el objetivo de conocer las características espaciales de la imagen en cuestión. Sin embargo, a pesar de la utilidad de estas exploraciones, cabe señalar que el análisis requiere interpretaciones claras y concisas que coincidan con los objetivos marcados por el usuario. Por lo tanto, no existen disposiciones fijas para varios de los parámetros requeridos en esta parte, como el número de vecinos, el orden, el tipo de conexión, etc. Esta parte de la metodología es quizás la más complicada y laboriosa, porque implica una gran parte del juicio personal.
Se observó que en algunos casos los resultados fueron muy similares a los del método aquí propuesto, que clasifica los píxeles conocidos según dichas características, mientras que en otros la calidad de la interpolación mejoró significativamente. El uso de este procedimiento puede resultar muy útil cuando no existe ninguna fotografía cercana a la fecha en la que se tomó la primera fotografía. Esta situación surgió en la aplicación práctica ya mostrada, donde la clasificación de las nubes por la correlación de vecindad era complicada, ya que las vecindades de los agujeros pertenecen a varias clases de asociación espacial.
De acuerdo a los resultados obtenidos tanto en las pruebas como en el trabajo práctico, es posible sugerir el uso del método propuesto para restaurar imágenes Landsat con tiras; Porque a pesar de la gran pérdida de información en el caso mencionado, la forma en que se encuentran los datos faltantes mantiene distancias que pueden considerarse más cortas en comparación con el caso de nubosidad aquí presentado, donde algunas de las lagunas medían cientos de metros. Esto demuestra que, además de una restauración visual de alta calidad, también fue posible evaluar con precisión la estructura espacial y espectral de las imágenes, ya que incluso sin cuantificación, la precisión mencionada de la validación de las pruebas realizadas da certeza a esta aplicación. RK mostró buenos resultados para casos como la banda 3, que tuvo problemas de correlación incluso en casos univariados.
En términos de análisis y exploración de información, el uso de herramientas ESDA ha sido ampliamente utilizado desde hace varios años; Sin embargo, la inclusión de la asociación espacial como parte fundamental para realizar un modelo óptimo que represente la estructura espacial contenida en las imágenes de satélite es un elemento muy valioso que no ha sido suficientemente explorado. Además, puede ser apropiado para una aplicación pero no para otra, por lo que las propiedades de los modelos deben juzgarse en función de la utilidad de los resultados.
BIBLIOGRAFÍA
Actas del VII Simposio de mitad de período de la Comisión ISPRS sobre "Percepción remota: de píxeles a procesos" (págs. CD-ROM no pagado). Importancia del capital ecológico de la región del Corredor Biológico Mesoamérica-México: evaluación de la biodiversidad, ciclo hidrológico y dinámica de la cobertura forestal. Obtenido de Comisión Nacional de Áreas Naturales Protegidas: http://www.conanp.gob.mx/sig/imgmapoteca/map_ramsar/RAMSAR_catazaja_2008.jpg.
Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Recuperado el 06 de Marzo de 2012, de Crop Science Society of America: https://www.crops.org/publications/sssaj/articles/66/4/1134. Obtenido de Humedales de Chiapas: http://www.semahn.chiapas.gob.mx/portal/index.php/humedales/lagunar_catazaja.
Recuperado el 4 de noviembre de 2011, de Instituto Nacional de Ecología: http://cuencas.ine.gob.mx/. Consultado el 22 de septiembre de 2011 en Centre de Géostatistique: http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00638.pdf. Sistema de información geográfica y geoestadística en el diseño y validación de programas de manejo de virus a nivel regional.
Multivariate Alteration Detection (MAD) and MAF post-processing in multispectral, bitemporal image data: new approaches for change detection studies. Classification and change detection using Landsat TM data: when and how to correct atmospheric effects.
ANEXO A NORMALIZACIÓN RADIOMÉTRICA Y ENMASCARAMIENTO
ANEXO B EXPLORACIÓN DE DATOS
El eje de abscisas corresponde al ND, mientras que el eje de ordenadas representa su frecuencia.
ANEXO C AUTOCORRELOGRAMAS
ANEXO D AJUSTE DE SEMIVARIOGRAMAS (MÉTODOS UNIVARIADOS) RECORTE A
El color verde corresponde a la proyección de los ND en el plano XZ, mientras que el color naranja muestra la proyección en el plano YZ. El eje de abscisas es el vector h en metros, el eje de ordenadas es la semivarianza. El eje de abscisas es el vector h en metros, el eje de ordenadas es la semivarianza.
