Professional Documents
Culture Documents
Director (a):
Doctora Sc. Yolanda Rubiano Sanabria
Lnea de Investigacin:
Geoinformacin para el uso sustentable de los recursos naturales
"Verba volant,
scripta manent"
Agradecimientos
Al Ministerio de Agricultura y Desarrollo Rural por la financiacin de la tesis en el marco del
proyecto Lnea base de indicadores de calidad del suelo para determinar el efecto de las
variaciones climticas en los sistemas agrcolas del piedemonte llanero. Ejecutado
conjuntamente por la Universidad Nacional, Corpoica y Fundallanura.
Resumen
En la investigacin se presenta una metodologa que emplea los principios de la Clasificacin
Orientada a Objetos, con el propsito de determinar, cuantificar y visualizar, las coberturas y
usos de la tierra para mapear el cambio ocurrido en un lapso de 17 aos, en el piedemonte
depositacional del municipio de Villavicencio en el departamento del Meta. La metodologa
se aplic para las imgenes del sensor Landsat, para los aos 1986 y 2003. El programa a
utilizar fue ENVI versin 4.6, con el mdulo de ENVI ZOOM. Con la clasificacin utilizada
fue posible delimitar las reas de tres coberturas: bosques (9.304, 5 ha 1986 y 2.083,8 ha
2003), bosques de galera (3.581,5 ha 1986 y 2.597 ha 2003) y palma africana (110, 39 -
1986 y 218,88 2003), con el cambio de uso (bosques: -77.6% y bosques de galera en -27,5
%), a partir de una imagen satelital con resolucin espacial media. Los resultados de la
validacin de la clasificacin en la imagen del ao 2003, indicaron que fueron aceptables
(Coeficiente Kappa = 0.365). De acuerdo a los resultados de la investigacin, la clasificacin
orientada a objetos, puede ser una alternativa eficiente y precisa a implementar para clasificar
imgenes de sensores, cuando se requiere delimitar una cobertura especfica.
Abstract
The research presents a methodology that employs the principles of "Object-Oriented Classification," with
the purpose of identify, quantify and visualize the covers and land uses for mapping the change in a period of
17 years, in the piedmont with depositacional environments of the municipality of Villavicencio in the
department of Meta. The methodology was applied to Landsat images from 1986 and 2003. The software
used was ENVI version 4.6, with the module ENVI ZOOM. With the classification was possible to
delimit three cover: forests (9304, 5 ha - 1986 and 2083.8 ha - 2003), gallery forests (3581.5 ha - 1986
and 2597 ha - 2003) and palm (110,4 - 1.986 and 218.9 ha 2.003) with the change of use (forests: -
77.6% and gallery forests in -27.5%), from a satellite image with medium spatial resolution. The results of
the validation of image classification from 2003, indicated that was acceptable (Kappa coefficient = 0.365).
According to the results of research, object-oriented classification can be an efficient and accurate
implementation of sensors to classify images, when required to delineate a specific coverage.
Keywords: Object-oriented classification, cover land, changes of use, ENVI Zoom, forests, gallery
forests.
.
Contenido IX
Contenido
Pg.
Abstract................................................................................................................................... VIII
Introduccin ............................................................................................................................... 15
1. Marco Terico..................................................................................................................... 19
1.1 Los sensores remotos en los mapas de cobertura de la tierra ........................... 19
1.1.1 La escala en los sistemas de informacin geogrfica .................................... 20
1.2 Cobertura y uso de la tierra ............................................................................... 22
1.2.1 Aspectos generales ....................................................................................... 22
1.2.2 Determinacin de las coberturas de la tierra .................................................. 23
1.3 Mtodos de clasificacin de imgenes .............................................................. 24
1.3.1 Clasificacin basada en el pxel ..................................................................... 24
1.3.2 Clasificacin basada en el subpxel ............................................................... 27
1.3.3 Clasificadores contextuales ........................................................................... 27
1.3.4 Clasificadores basados por campo ................................................................ 27
1.4 Clasificacin Orientada a Objetos ..................................................................... 28
1.4.1 Fraccionamiento o segmentacin .................................................................. 31
1.4.2 Combinacin de fragmentos .......................................................................... 31
1.4.3 Filtracin de segmentos ................................................................................. 32
1.4.4 Seleccin de atributos.................................................................................... 32
1.5 Validacin de la clasificacin de imgenes ........................................................ 34
1.5.1 Matriz de confusin........................................................................................ 35
1.5.2 Coeficiente de Validacin Kappa ................................................................... 36
2. Objetivos ............................................................................................................................. 37
2.1 Objetivo General ............................................................................................... 37
2.2 Objetivos Especficos ........................................................................................ 37
3. Generalidades del rea de estudio ...................................................................................... 39
3.1 Localizacin Geogrfica .................................................................................... 39
3.2 Generalidades de la zona de estudio ................................................................ 39
3.3 Clima ................................................................................................................. 40
3.4 Vegetacin ........................................................................................................ 41
X
3.5 Suelos................................................................................................................42
4. Metodologa ........................................................................................................................45
4.1 Imgenes satelitales y fotografas areas ..........................................................47
4.2 Clasificacin de Imgenes .................................................................................48
4.3 Reglas de clasificacin en ENVI ZOOM .............................................................49
4.4 Validacin de la clasificacin .............................................................................49
4.5 Mapa de cambio de uso de la tierra ...................................................................50
5. Resultados y discusiones..................................................................................................... 51
5.1 Metodologa de clasificacin de imgenes de sensores remotos, para determinar
la cobertura y uso del suelo y los cambios ...................................................................51
5.1.1 Segmentacin de la imagen ...........................................................................53
5.1.2 Seleccin de las coberturas............................................................................58
5.1.3 Seleccin de la muestra .................................................................................64
5.1.4 Asignacin de reglas para la clasificacin de objetos .....................................70
5.2 Validacin de la Clasificacin .............................................................................72
5.3 Cambio de uso de las coberturas del suelo........................................................74
6. Conclusiones .......................................................................................................................79
Bibliografa ................................................................................................................................. 81
Lista de figuras
Pg.
Figura 1-1: Rangos del espectro electromagntico utilizadas para la discriminacin de objetos en
percepcin remota .................................................................................................................... 20
Figura 1-2: Diagrama general para la clasificacin de imgenes orientada objetos ............................ 30
Figura 3-1: Localizacin geogrfica del rea de estudio (coordenadas planas: Datum Magna-Sirgas,
origen Este; coordenadas geogrficas: WGS84) .................................................................. 39
Figura 3-2: Unidades de suelos del piedemonte depositacional (IGAC, 2005) ................................... 43
Figura 4-1: Metodologa general para el desarrollo de la investigacin ................................................ 45
Figura 4-2: Distribucin de reas de escenas de imgenes del sensor Landsat (izquierdo);
localizacin de ortofotomosaico en la zona de estudio (derecha)..................................... 47
Figura 4-3: Distribucin de fotografas areas para el ortofotomosaico de la zona de estudio ........ 48
Figura 4-4: Procedimiento global para la deteccin de cambios en las coberturas de la tierra ......... 50
Figura 5-1: Metodologa para la determinacin de coberturas y uso de la tierra y su cambio
aplicando la clasificacin orientada a objetos. ...................................................................... 52
Figura 5-2: Procedimiento metodolgico para seleccin de variables de la clasificacin orientada a
objetos (COO)........................................................................................................................... 53
Figura 5-3: Captura de pantalla de ENVI ZOOM para visualizar la zona de inspeccin
seleccionada ............................................................................................................................... 54
Figura 5-4: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 20 ......... 55
Figura 5-5: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 40
(izquierda), y rango de 60 (derecha) ....................................................................................... 55
Figura 5-6: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 40 ............. 56
Figura 5-7: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 50 ............. 57
Figura 5-8: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 80 ............. 57
Figura 5-9: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento 95 ................. 58
Figura 5-10: Delimitacin de cobertura y uso de la zona de estudio (parte superior) y escenas
detalladas del piedemonte depositacional.(parate inferior) ................................................ 59
Figura 5-11: Estadsticas a nivel general de la interpretacin a partir del ortofotomosaico ................ 59
Figura 5-12: Estadsticas de las coberturas de Territorios Artificializados ........................................ 60
Figura 5-13: Estadsticas de las coberturas de Territorios Agrcolas .................................................. 61
Figura 5-14: Estadsticas de las coberturas de los Bosques y reas Naturales .................................. 62
Figura 5-15: Ejemplo de Coberturas delimitadas con aspectos socioeconmicos ............................... 63
Figura 5-16: Estadsticas generalizadas, incluyendo las coberturas seleccionadas palma, bosque y
bosque de galera para la clasificacin orientada a objetos. ................................................ 63
Figura 5-17: Polgonos utilizados para seleccionar los valores de las variables espectrales y espaciales
de la clasificacin orientada a objetos. ................................................................................... 65
XII
Figura 5-18: Ejemplos de redondez (lnea verde) y elongacin (lnea amarilla) para bosques de
galera .......................................................................................................................................... 66
Figura 5-19: Ejemplo de forma rectangular (color verde), y elongacin para la Palma....................... 67
Figura 5-20: Captura de pantalla de la definicin de reglas del mdulo de ENVI ZOOM ............... 67
Figura 5-21: Procedimiento para determinar las variables a tener en cuenta para generar las reglas
que clasifican el objeto. ............................................................................................................ 68
Figura 5-22: Variables y valores que definieron la clasificacin de los objetos ..................................... 71
Figura 5-23: Ejemplo de comparacin de las exactitud de las clasificaciones obtenidas del
ortofotomosaico (lnea amarilla y la del sensor Landsat (lnea roja) ................................ 73
Figura 5-24: Captura de pantalla de ENVI, clasificacin orientada a objetos para la escena de la
fecha 2 de la imagen satelital del sensor Landsat................................................................. 75
Figura 5-25: Imagen del Anexo 8, cambio de uso de la tierra (mapa binario) ...................................... 76
Contenido XIII
Lista de tablas
Pg.
Tabla 1-1: Resolucin de algunos sensores remotos (WULDER et al., 2008) ............................. 22
Tabla 1-2: Algunos mtodos de clasificacin supervisada de imgenes en la dcada 2000-2010. .... 25
Tabla 1-3: Algunos mtodos de clasificacin no supervisada de imgenes en la dcada 2000-2010. 25
Tabla 1-4: Atributos espaciales que definen un objeto para el programa ENVI ......................... 33
Tabla 1-5: Tipos de exactitud para la validacin de clasificacin de imgenes ............................ 35
Tabla 1-6: Categora de concordancias de validacin para el coeficiente Kappa (CERDA &
VILLARROEL , 2008) ..................................................................................... 36
Tabla 3-1: Especies gramneas, arbustivas y arbreas reportados para la zona de estudio ............. 41
Tabla 3-2: Descripcin de las unidades de suelos del piedemonte depositacional (IGAC, 2005) ... 43
Tabla 4-1: Informacin recopilada del rea de estudio ........................................................... 46
Tabla 4-2: Parmetros de imgenes del sensor Landsat, tomados del Servicio de Geologa de
Estados Unidos ............................................................................................... 48
Tabla 5-1: Variables y valores que definieron la clasificacin de los objetos ............................... 71
Tabla 5-2: Matriz de confusin de las clasificaciones de las imgenes ....................................... 72
Tabla 5-3: Exactitud de usuario y de productor segn la matriz de confusin ............................ 72
Tabla 5-4: Matriz de confusin de las clasificaciones de las imgenes ....................................... 74
Tabla 5-5: Porcentaje de cambio de las coberturas en estudio ................................................. 75
Introduccin
La deteccin de los cambios que ocurren a travs del tiempo en la superficie terrestre
(coberturas, suelos, clima, uso de la tierra, entre otras), ha sido uno de los procesos espaciales
que ms le ha interesado al hombre cuantificar. En trminos generales, es definida por
SINGH (1989), como: el proceso que identifica las diferencias en el estado de un objeto o
fenmeno por medio de la observacin a diferentes escalas temporales, siendo un factor
indispensable para la supervisin y manejo de los recursos naturales. (SANTANA et al., 2010;
GAMANYA et al., 2009), ya que permite cuantificar su distribucin espacial.
Se han desarrollado mltiples aplicaciones que buscan detectar los cambios de uso en
coberturas del suelo (SANTANA et al., 2010), apoyadas en la clasificacin de productos
provenientes de sensores remotos, que regularmente, utilizan la agrupacin de pxeles1, a
partir de parmetros estadsticos y que ignoran las relaciones y caractersticas espaciales que
puede contener dicho grupo. Esto conlleva a la subutilizacin de la informacin de las
imgenes de satlite, al no considerar el anlisis de vecindad, la escala, la funcionalidad y las
caractersticas propias que definen un objeto en el espacio (BLASCHKE, 2004).
1 Pxel, del ingls pixel, es la superficie homognea ms pequea de las que se compone una imagen, definido por
brillo y color. Diccionario de la Real Academia Espaola, Vigsima segunda edicin.
16
La clasificacin orientada a objetos, conocida como OBIA Object Based Imagen Analysis o
GEOBIA Geospatial Object Based Image Analysis (BLASCHKE, 2010), es un mejorado y
reciente sistema de clasificacin de imgenes satelitales que se fundamenta en el uso de
parmetros o variables de entrada, como informacin adicional al valor espectral que
representa un objeto (SANTOS, 2007). Los elementos que se estudian dentro de la
clasificacin, no son analizados exclusivamente por su componente espectral, tambin toman
en consideracin los factores geomtricos de forma que definen un objeto, de tal modo, que
se aumentan los criterios de bsqueda y clasificacin de una cobertura terrestre en particular,
con opciones adicionales que discriminan las variables de seleccin que la representan
(SANTOS, 2007; LEWINSKI & ZAREMSKI, 2004).
Instituciones dedicadas a cartografiar los recursos naturales suelo, clima, vegetacin y uso,
entre otros, han adelantado iniciativas para determinar: uso actual y conflictos de uso del
territorio nacional, IGAC-CORPOICA (2002) mediante la interpretacin de imgenes de
satlite. Ms recientemente, cobertura y uso actual escala 1:100.000 con la metodologa
CORINE Land Cover, homologada para Colombia, realizada a partir de la interpretacin
visual de imgenes satelitales del sensor Landsat (IDEAM, 2010).
Introduccin 17
En el estudio de la cobertura vegetal y el uso de la tierra, los sensores remotos juegan un papel
importante en trminos de la adquisicin de datos, por la capacidad que ofrecen para entregar
informacin multitemporal, determinada por la frecuencia de toma de datos, que posibilita la
cuantificacin y el seguimiento de los cambios que ocurren en las coberturas objeto de estudio
(ETTER et al., 2006; CASTILLA, 2003; ALMEIDA-FILHO & SHIMABUKURO, 2002). Y,
en el anlisis de la informacin a travs del anlisis de la respuestas espectral de los objetos
(Figura 1-1), siendo posible discriminar elementos que, en el pasado, no podan ser detectados
por el ojo humano (NOVO, 2002).
20
del objeto con la jerarquizacin de las escalas, denominando pequeas, a aquellas en las cuales
los objetos son representados de manera general o exploratoria y grandes a aquellas en donde
los objetos son representados en alto detalle.
La resolucin espacial y temporal, se distinguen en tres rangos: alta, media y baja resolucin,
independiente del tipo de sensor (WULDER et al., 2008), Tabla 1-1.
22
Extensin espacial
Rango de sensor Sensor mxima por toma del Resolucin espacial (m)*
sensor (km2)
NOAA 17
2940 1100
Baja Resolucin (AVHRR)
2250 1000
(>100 m) SPOT 4 (VGT)
2330 500
Terra (MODIS)
En los ltimos aos, la metodologa ms usada para clasificar las coberturas y usos del suelo,
es la europea denominada CORINE (Coordination of information of the Environment) Land Cover,
que surgi a partir de un proyecto iniciado en 1985 para los pases de la unin Europea, con el
fin de capturar datos de tipo numrico y espacial, generando una base de datos de Europa, a
escala 1:100.000, basados en las imgenes del satlite LANDSAT (EZQUERRA et al., 1998).
Independiente del mtodo utilizado para identificar las coberturas y usos de la tierra con los
productos de sensores remotos, en Colombia se lleva a cabo en tres fases: 1) seleccin de la
fuente de visualizacin (imagen, escala), 2) estructuracin de leyenda preliminar de cobertura y
uso y 3) captura digital de la cobertura (IGAC, 2010), con el propsito de generar el mapa de
coberturas y usos de la tierra de Colombia.
En los ltimos aos se han utilizado distintas tecnologas computacionales para la clasificacin
de imgenes como las redes neurales, los sistemas expertos y la lgica difusa. Segn WENG
(2009), categoriza los sistemas de clasificacin de imgenes en cinco clasificadores basados: en
pixel, en subpixel, contextuales, por campo y los orientados a objetos.
Los clasificadores basados por pixel, son los ms tradicionales debido a su facilidad de
procesamiento, se destacan el Supervisado y No supervisado (WENG, 2009; LANG et
al., 2008; SANTOS, 2007; BOCK et al., 2005; LEWINSKY & ZERIMSKI, 2004). Utilizan
algoritmos que se basan en los valores espectrales de reflectancia y emitancia (GUNTLI,
2006), compendiados en grupos de pxeles que representan una clase de la clasificacin.
Clasificacin Supervisada
De acuerdo con (LANG et al., 2008; ARANGO et al., 2005, SHIBA et al., 2005) la precisin de
la clasificacin supervisada, tiene algn nivel de subjetividad que est dada por el
entrenamiento de los datos, por tanto afecta el resultado final de la clasificacin, el cual es
responsable el investigador.
Clasificacin no supervisada
Esta metodologa asume que la informacin espectral de cada pixel es la combinacin lineal o
no lineal de un grupo de materiales puros (vegetacin, suelo, etc.) (WENG, 2009), es decir un
pxel est definido por un conjunto de valores espectrales que representan ms de un objeto,
existiendo la relacin mucho a muchos, caso diferente a la clasificacin basada en pixel, el cual
es uno a muchos.
Autores como SILVAN (2010), WENG (2009) y LU & WENG (2007), mencionan y
describen las caractersticas de diferentes clasificadores subpixel, tales como: ngulo espectral,
esperanza maximizacin, C-medias difuso, demezclado espectral no lineal entre varios.
sta metodologa ha sido usada por diferentes algoritmos y clasificadores para mejorar la
precisin de la clasificacin, como la clasificacin orientada a objetos, que es uno de los
parmetros importantes para el proceso de la segmentacin. (LU & WENG, 2009)
Se enfoca en encontrar un objeto (relacin muchos a uno pxeles a objeto y no por pxel
como se realiza en la clasificacin per-pixel) utilizando las formas geomtricas, la
informacin espectral y el anlisis de vecindad definidos para un objeto en particular. El
objeto es referido a la cobertura que se desea extraer de una clasificacin.
La clasificacin ha sido utilizada durante las ltimas dos dcadas, para determinar patrones
especficos de una imagen, definiendo el objeto como, el conjunto de pxeles que enmarcan
un solo contexto, tales como: edificaciones, zonas urbanas, puentes, caminos, coberturas,
cultivos, bosques, minas, entre otras, ayudando de forma global, a la diferenciacin entre los
objetos que contiene una imagen. (GAMANYA et al., 2009; HESE & SCHUMULLINS,
2009; TANSEY et al., 2009; ANTONARAKIS et al., 2008; CONCHEDDA et al., 2008;
Capitulo 1. Marco Terico 29
JACQUIN et al., 2008; MALLINIS et al., 2008; SHATTRI et al., 2008; XIE et al., 2008;
CLEVE et al., 2007; LANG et al., 2008; LALIBERTE et al., 2007; LU & WENG, 2007,
SANTOS, 2007; DESCLE et al., 2006; BOCK et al., 2005; VAN et al., 2007; LALIBERTE et
al., 2004; YANG et al., 2003; HAY et al., 1996).
(SANTOS, 2007) afirma que los avances tecnolgicos de la geomtica conllevan aumentos en
la complejidad de anlisis de la informacin espacial y hacen que los procesos de
sistematizacin y manejo de imgenes de sensores remotos con los SIG sean cada da ms
sofisticados y costosos. Las investigaciones de clasificacin orientada a objetos, utilizan los
programas, Ecognition, IDRISI y ENVI, con mdulos adicionales que proveen algoritmos para
tal fin. (WENG, 2009). Es importante mencionar que en el 97% de los artculos revisados, el
programa ms utilizado es el Econigtion, que ha desarrollado un paquete de algoritmos
completo y verstil que lo ponen a la vanguardia en el anlisis del clasificador para tal fin.
Usando el programa ENVI, mdulo ENVI ZOOM, la primera fase se subdivide en cuatro
pasos (WENG ,2009; SILVAN, 2007): Fraccionamiento; combinacin de fragmentos; filtro
de segmentos y seleccin de atributos (Figura 1-2), descritos en el acpite siguiente.
30
IMAGEN SATELITAL
(Multiescala)
Fraccionamiento
No
Si
Combinacin de
Encontrar Objetos
Fragmentos No
Si
Filtro de
Segmentos No
Si
Seleccin de
Atributos No
Clasificacin de Objetos
Clasificacin
basada en los
No
objetos
Si
Generacin de
Objetos No
Si
Reportes y
CLASIFICACIN Estadsticas
ORIENTADA A
OBJETOS
Datos Procesamiento
Condicional Resultados
La segunda parte, consiste en definir el conjunto de reglas para el objeto a clasificar (similar
a la clasificacin supervisada) estableciendo variables de la clasificacin, como: los atributos
espectrales, los atributos geomtricos y de vecindad que contiene un objeto en particular,
representados a travs de la informacin de una imagen.
Capitulo 1. Marco Terico 31
Para el programa, este paso tiene como criterio agrupar en fragmentos, con un rango de
seleccin de 0 a 100, entre ms cercano a cero sea la seleccin, la fragmentacin de la imagen
ser ms fina, con un mayor nmero de agrupaciones; por tanto es necesario tener cuidado en
la seleccin del valor, pues un fraccionamiento muy detallado, har que la relacin existente
entre los pxeles con sus caractersticas principales se pierda, generando un numero N, de
objetos de la imagen.
ENVI ZOOM utiliza el algoritmo Full Lambda-Schedule (Full -Schedule) creado por
ROBINSON et al., (2002), el cual conecta dos regiones, con caractersticas espaciales y
espectrales similares, de acuerdo a la ecuacin (2.1)
32
Donde Oi y Oj, son agrupaciones o regiones de la imagen, ui y uj, son los promedios de los
valores de la regin correspondiente, //ui - uj// es la distancia euclidiana entre los valores
espectrales de la regin i y j. y ((Oi,Oj)).
El algoritmo selecciona todas las regiones de pares de vecindades que tienen un tij pequeo,
agrupndolos en una nueva regin, as mismo realiza esta operacin tantas veces sea necesario
dependiendo del rango seleccionado.
Es opcional para la extraccin de los objetos, se utiliza cuando se desea diferenciar objetos en
particular (ejemplo: nubes, lagos, carreteras), que tienen un alto contraste referente a toda la
imagen, teniendo en cuenta los umbrales del nivel digital, en una banda en particular.
Los atributos espaciales son las variables que miden y se relacionan con la forma, la geometra,
el tamao y la relacin que puede existir entre ellas, concernidas directamente con el objeto a
estudiar (SANTOS, 2007), donde ENVI ZOOM las define en catorce atributos (Tabla 1-4).
Los atributos espectrales son las variables definidas en estadsticas bsicas (mximo, mnimo,
promedio y desviacin estndar) computadas a los valores del nivel digital de la banda de una
imagen, para el objeto a identificar.
Capitulo 1. Marco Terico 33
Tabla 1-4: Atributos espaciales que definen un objeto para el programa ENVI
Atributos Espaciales
Espaciales Descripcin Frmulas
rea Un extensin determinada -
La longitud del permetro del objeto incluyendo los
Longitud -
agujeros.
Medida de forma que indica la compacidad del objeto,
Compacidad siendo el circulo la forma ms compacta, con valor de
1
-
Eje mayor Longitud del eje mayor del objeto
-
Eje menor Longitud del eje menor del objeto
Cuenta en nmero de agujeros, presentes en un -
Numero de agujeros
objeto
Es la relacin del rea del objeto con su contorno
Relacin con agujeros exterior, as el valor para un objeto si agujeros ser de
1
34
Los atributos texturales corresponden a las variables que cuantifican estadsticas bsicas, que
determina la textura: rango, media, varianza, y entropa de una matriz de pxeles, que
representan el objeto, usadas para limitar una operacin a un subconjunto de pxeles de la
imagen.
El ejemplo ms comn, es aquel que permite diferenciar un rea de bosques con un rea de
pastos, debido a que el primero contiene un alto valor de textura, comparado con el segundo,
pero pueden tener un valor similar en la relacin de las bandas del infrarrojo. (AGERA et al.,
2008; KAYITAKIRE et al., 2006).
Donde Bi y Bj, corresponde a cualquier banda de una imagen, es un valor cercano a cero,
para evitar la tendencia al infinito de una fraccin. Esta relacin se puede realizar para
cualquier par de bandas, de esta manera se convierte en un ndice diferencial de vegetacin
normalizado (NVDI), si selecciona la banda del rojo e infrarrojo cercano.
Una vez definidos los atributos para encontrar un objeto determinado, se pasa a la segunda
fase, la extraccin 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
decisin.
La matriz de confusin (C) o contingencia, permite comparar dos clasificaciones: una definida
por el usuario como base y la otra, la que se desea evaluar. Se construye una comparacin
matricial de clases realizadas de la clasificacin, ubicada generalmente en diferentes sectores o
en la totalidad del mapa, confrontando las clases de cada clasificacin (LI et al., 2009,
SANTOS, 2007)
Con la matriz de confusin se generan tres tipos de exactitud: exactitud global, exactitud del
usuario, exactitud del productor (LI et al., 2009), definiendo cada uno en la Tabla 1-5.
Exactitud Explicacin
Indica la exactitud del conjunto de las clases del mtodo a
evaluar.
Global (EG)
, Xii: diagonal mayor de C, N: nmero total de
puntos de muestreo, r: nmero de filas de la matriz
Es la acertamiento de una clase en particular, respecto a toda la
De Usuario clasificacin
(EU) , Xii: diagonal de dicha fila, Xi+: totales
marginales de la fila i
Es el acertamiento de una clase en particular, respecto a la
De Productor clasificacin a evaluar
(EP) , Xii: diagonal de dicha columna, X+i: totales
marginales de la columna i
Las medidas de exactitud mencionadas, solo se basan en resultados parciales de la matriz, por
lo tanto no aprovechan todos los datos en su totalidad, a su vez se toman resultados
aleatorios, que pueden llevar a interpretaciones sesgadas del mtodo. Para corregir los tipos
de exactitud, se utiliza el Coeficiente Kappa. (LI et al., 2009; SANTOS, 2007; DOU et al.,
2007)
36
(2.3)
Tabla 1-6: Categora de concordancias de validacin para el coeficiente Kappa (CERDA &
VILLARROEL , 2008)
Rango Concordancia
0 Nula
0.01 - 0.02 Leve
0.21 - 0.40 Aceptable
0.41 - 0.60 Moderada
0.61 - 0.80 Considerable
0.81 - 1.00 Casi perfecta
2. Objetivos
Figura 3-1: Localizacin geogrfica del rea de estudio (coordenadas planas: Datum
Magna-Sirgas, origen Este; coordenadas geogrficas: WGS84)
donde se concentra la mayor cantidad de poblacin del departamento del Meta. (IGAC,
2005).
3.3 Clima
3.4 Vegetacin
El IGAC (2005) estableci las siguientes formaciones vegetales para el departamento: pramo,
bosque andino, bosque subandino, bosque basal y sabana, siendo la ltima la que ocupa ms
extensin en el rea de estudio. Para sta ltima, IGAC-CORPOICA (1973) reportaba una
gran variedad de especies las cuales se mencionan en la Tabla 3-1.
Tabla 3-1: Especies gramneas, arbustivas y arbreas reportados para la zona de estudio
3.5 Suelos
Los contenidos pedolgicos guardan concordancia con la posicin del relieve que ocupan en
el piedemonte: terrazas, abanicos, lomas y colinas, siendo las terrazas altas y medias son los
tipos de relieve que ocupan una mayor extensin en el rea de estudio.
La topografa es plana con pendiente dominante entre 0 y 3%. Los suelos generalmente son
bien drenados y algunos sectores con drenaje imperfecto. La mayora de los suelos presentan
un horizonte superficial A de color pardo oscuro con un de espesor que oscila entre 20 y 29
cm. Son suelos altamente meteorizados y con profundidad efectiva variable de profunda a
muy profunda. En algunas reas los suelos no superan el metro; y en ellos se encuentran capas
de piedra y cascajo (base de terraza).
Los suelos tienen bien horizontes A-B-C definidos. El pH varia de extremadamente acida a
muy fuertemente acida, disminuyendo con la profundidad.
Los suelos presentan limitaciones relacionadas con el bajo nivel de fertilidad, encharcamientos
en algunos sectores. En las ltimas cuatro dcadas, la vegetacin natural ha sido reemplazada
en un alto porcentaje por cultivos transitorios, pastos mejorados y cultivos perennes como la
palma de aceite, el suelo que ocupa la mayor extensin fue clasificado por IGAC (2005) como
Capitulo 3. Generalidades del rea de estudio 43
Typic Hapludox. Tambin es posible que en los taludes y en los caos que drenan las terrazas se
encuentren suelos de menor evolucin Oxic Dystrudept e incluso algunos Typic Udifluvent.
Tabla 3-2: Descripcin de las unidades de suelos del piedemonte depositacional (IGAC, 2005)
El esquema de la Figura 4-1, ilustra los procesos metodolgicos realizados para alcanzar los
objetivos trazados en la investigacin.
Recopilacin de la
Definicin de rea y
Informacin y
escala de trabajo
herramientas a utilizar
Anlisis de imgenes
satelitales
Procesamiento de
modelo
No
Validacin
Si
Anlisis y Resultados
Informacin Entidad
Mapa de "Unidades del Paisaje" Instituto Geogrfico Agustn Codazzi
Estudio General de Suelos del Depto. del Meta Instituto Geogrfico Agustn Codazzi
Fotografas areas Instituto Geogrfico Agustn Codazzi
Imgenes Satelitales Servicio Geolgico de E.E. U.U.
Modelo digital de Elevacin (SRTM) Instituto Geogrfico Agustn Codazzi
Capitulo 4. Metodologa 47
Se utiliz una escena de Landsat (Figura 4-2 y Tabla 4-2), de dos fechas diferentes, en un
rango de 17 aos.
Las imgenes adquiridas poseen un tratamiento realizado por el Servicio Geolgico de los
Estados Unidos (USGS), con una correccin estndar de terreno, nivel 1T, quiere decir, con
precisin radiomtrica y geomtrica sistemtica, empleando los modelos digitales de elevacin
SRTM, NED, CDAD, DTED, y GTOPO 30, para precisin y correccin topogrfica.
Figura 4-2: Distribucin de reas de escenas de imgenes del sensor Landsat (izquierdo);
localizacin de ortofotomosaico en la zona de estudio (derecha).
48
Tabla 4-2: Parmetros de imgenes del sensor Landsat, tomados del Servicio de Geologa
de Estados Unidos
C-2714
f-180
E40780
C-2714 C-2714 C-2714 C-2714 C-2714 C-2714 C-2713 C-2713
Ao 04
f-191 f-178 f-133 f-120 f-075 f-249 f-023 f-036
Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04
f-234 f-193 f-176 f-135 f-118 f-077 f-251 f-021 f-038
Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04
f-232 f-195 f-174 f-137 f-116 f-079 f-253 f-019 f-040
Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04 Ao 04
f-081 f-255 f-017 f-042
adaptada para Colombia (IDEAM, 2010; MELO & CAMACHO, 2005), se determinaron
unidades mnimas de mapeo para escala mencionada. Para la validacin temtica de la
interpretacin, se realiz la comprobacin con visitas de campo, se georreferenciaron y
corroboraron las coberturas delimitadas para los aos 2003 y 2004, teniendo la previsin de
verificar que cambios haban ocurrido en este ao, mediante la informacin colectada con los
tcnicos y habitantes de la regin.
A partir de sta informacin, se realiz una agrupacin de las clases de coberturas y usos, que
presentaban caractersticas dominantes de observacin ortogonal, ejemplo: bosques, caminos,
pastos, entre otros, tal como lo describen (GAMANYA et al., 2009; HESE &
SCHUMULLINS, 2009; TANSEY et al., 2009; ANTONARAKIS et al., 2008;
CONCHEDDA et al., 2008; JACQUIN et al., 2008; LANG et al., 2008; MALLINIS et al.,
2008; SHATTRI et al., 2008; XIE et al., 2008; CLEVE et al., 2007; LALIBERTE al., 2007;
LALIBERTE et al., 2004; WALTER, 2004), con el objetivo de disminuir la subjetividad.
Para el desarrollo de la clasificacin orientada a objetos se siguieron los pasos del diagrama de
flujo de la Figura 1-2, tomando como punto de partida la imagen del sensor Landsat.
IMAGEN A IMAGEN B
Si Objeto A es igual al
Objeto B
Si No
Asigna 0 Asigna 1
No hay Cambio Hay Cambio
Mapa Binario de
Cambio de uso
Preparacin Procesamiento
Resultados
Condicional
Se asign un valor entero para cada tipo de objeto en las dos capas resultantes de la
clasificacin orientada a objetos. A continuacin se realiz un proceso de adicin algebraica
entre capas, para obtener un mapa binario, en el cual a las que permanecieron constantes
(iguales en las dos fechas) se les asign el valor 0 y a las que presentaron cambios se les asign
el valor 1 e las se les asign el valor de 1, de tal forma que los cambios ocurridos entre fechas
podan ser visualizados y cuantificados.
5. Resultados y discusiones
Autores como CHONCHEDDA et al. (2008), MALLINIS et al. (2008), SHATTRI et al.
(2008), LALIBERTE et al (2007) y WALTER (2004), describen metodologas para la
clasificacin orientada a objetos, realizando diferentes procesos y selecciones de variables y
valores, similares a los de la presente investigacin.
Para realizar la clasificacin orientada a objetos con las imgenes satelitales, se sigui el
procedimiento de la Figura 5-1, detallado en esta seccin en la Figura 5-2, teniendo en cuenta
los requerimientos de manejo del programa ENVI, mdulo ENVI ZOOM, que envuelven
segmentacin, seleccin, filtrado y anlisis, asignacin de reglas y clasificacin.
52
Segmentacin de la imagen
Seleccin de objetos
muestra
Clasificacin
Preparacin Procesamiento
Resultados
Para encontrar los objetos deseados se inici con el proceso de la segmentacin, que consta
de un fraccionamiento y de una combinacin de los segmentos acorde con (LI et al., 2009;
SANTOS, 2007).
Para obtener los niveles de la segmentacin se consideraron los tamaos de fragmentos por
medio de una inspeccin visual, seleccionando una zona de la imagen, correspondiente a
cobertura de bosque y de palma africana plenamente identificadas y ubicadas en el centro de
investigacin de CORPOICA La Libertad (Figura 5-3), se realizaron varias pruebas
cambiando el rango de la fragmentacin, hasta obtener el que ms se ajustaba a la delimitacin
de las coberturas de la muestra (Figura: 5-4, 5-5 y 5-6). sta tcnica, fue similar a la utilizada
por MALLINIS et al. (2008), debido a la compleja disgregacin o agregacin que presentan
los fragmentos y que permite delimitar ms fcilmente las reas de inters.
54
Figura 5-3: Captura de pantalla de ENVI ZOOM para visualizar la zona de inspeccin
seleccionada
Bosque
Palma
African
a
La Figura 5-4, muestra el resultado de la segmentacin aplicada con un rango de 20, que
mostr la alta cantidad de agregaciones que se generaran si se seleccionara este valor. Como
indicador visual es difcil diferenciar las dos coberturas involucradas en el anlisis (palma
africana y bosque), por tal razn este valor no se considera el ms indicado para ste
fraccionamiento.
Se encontr que para estas dos coberturas en la zona de estudio el valor de 40 seleccionado
para la fragmentacin, es el que ms se acerca y el que permite discriminar y separar con
mejor precisin las coberturas de bosque nativo y palma africana.
Capitulo 5. Resultados y discusiones 55
Figura 5-4: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de
20
Fraccionamiento
Figura 5-5: Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de
40 (izquierda), y rango de 60 (derecha)
56
De manera similar al proceso antes descrito, se efectu una inspeccin visual de la zona en
estudio y se encontr que el valor ptimo de combinacin de segmentos fue 80 (Figura 5-8),
ya que cuando se utilizaron rangos menores, las agrupaciones fueron insuficientes y cuando se
usaron rangos superiores los resultados fueron generalizados y no mostraban clases
importantes en la clasificacin. Esto obedece a que el algoritmo toma como base de
agrupacin los niveles espectrales de la imagen, y en tanto mayor sea la seleccin, las
agrupaciones sern mayores, descartando solo los pxeles que tienen una alta diferencia con
respecto a sus vecinos.
Se adopt para la escala de estudio la clasificacin CORINE Land Cover y se gener mediante
la interpretacin del ortofomosaico, la capa de cobertura y uso de la tierra del piedemonte
depositacional del municipio de Villavicencio del ao 2004, con la cual se buscaba satisfacer
dos propsitos: uno, identificar las coberturas para la clasificacin y dos, tener una base de
comparacin para validar la misma. Los resultados de la clasificacin se consolidaron en la
Figura 5-10, en el mapa del Anexo B y se resumen en la Figura 5-11, que las cinco categoras,
de la cobertura y uso discriminadas para el piedemonte depositacional.
Superficies de
Agua
0.47%
Territorios
Agrcolas
79.40%
60
9.0%
4.3%
3.7%
2.8%
1.7%
1.3%
1.1%
0.6%
0.5%
0.4%
0.3%
0.2%
0.2%
0.2%
0.1%
Capitulo 5. Resultados y discusiones 61
90.3%
4.4%
1.8%
0.8%
0.9%
0.7%
0.5%
0.3%
0.2%
0.1%
Las clases de reas Hmedas con el 0.12% (44.08 ha) y Superficies de Agua con el 0.47%
(175,70 ha), no se consideran extensiones representativas de la interpretacin, por no tener
representacin cartogrfica para la escala de trabajo utilizada (1:50.000).
50.16%
45.38%
3.70%
0.04%
0.01%
0.70%
Es posible que esta sea una de las razones, por la cual no se encuentra revisin bibliogrfica al
respecto, en donde se desarrolle un mtodo o algoritmo de clasificacin orientada a objetos,
para las categoras de CORINE Land Cover y ms an para el caso especfico de Colombia.
Otro aspecto a tener en cuenta en la seleccin de coberturas, fue la resolucin espacial de las
imgenes utilizadas (ortofotomosaico 0.68 m y la imagen 30m) ya que no era posible
comparar consistentemente las coberturas para una misma referencia espacial. La metodologa
de clasificacin orientada a objetos requiere que los objetos a interpretar en cada fecha se
Capitulo 5. Resultados y discusiones 63
puedan discriminar en las imgenes de las dos fechas, por lo expuesto y para coincidir con los
autores consultados, se resolvi seleccionar y determinar tres coberturas: bosques, bosques
de galera y palma de aceite (Figura 5-16), permitiendo manejar un solo contexto, sin
afectar la confiabilidad de la interpretacin generada a partir de las fotografas areas.
Pastos
Palma
Cultivos 0.67% 72.94%
Transitorios
0.21%
Cultivos
2.07%
Cultivo de Arroz
3.52% Bosque
6.86%
Cuerpos de
Agua
0.61%
Bosque de Galera
6.62% Va
0.46% Territorios
Artificializados
6.06%
64
Para ejecutar este proceso, se obtuvo una capa vectorial con sus valores provenientes de la
segmentacin (Anexo C), que genera el mdulo de ENVI ZOOM, conformada por polgonos
con informacin de las variables del numeral 1.4.4.
Se tom una muestra de 45 polgonos con las coberturas a determinar (Figura 5-17, Anexo
D), con el propsito de seleccionar los valores de las variables espectrales y espaciales, ya que
estos se relacionan directamente con el objeto y deben representar el conjunto de datos totales
para la clasificacin, con una variacin baja para la muestra obtenida (SANTOS, 2007), sta
tcnica empleada, se asemeja al entrenamiento realizado en una clasificacin supervisada, con
la diferencia que en ste, no se seleccionan pxeles sino polgonos de la segmentacin de la
imagen.
Se encontr las estadsticas para las 46 variables en total (Anexo D,) de los tres objetos
(bosques, bosques de galera, y palma africana), determinando posteriormente las variables a
tener en cuenta en la clasificacin orientada a objetos.
Uno de los principales interrogantes de ste tipo de clasificacin, fue conocer cules eran
variables y valores que representan el objeto, para solucionar esta indecisin, se realiz un
proceso de seleccin en dos partes: variables espaciales y variables espectrales. Estas no son
explicitas en la mayora de los artculos que han utilizado la clasificacin orientadas a objetos,
se presentan los resultados arrojados por el programa, pero no se menciona con claridad cual
fue el procedimiento que se implement para la seleccin y determinacin de los objetos
Capitulo 5. Resultados y discusiones 65
(GAMANYA et al., 2009; APLINS & SMITH, 2008; BONTEMPS et al., 2008;
CONCHEDA et al., 2008; MALLINIS et al., 2008; BOCK et al., 2005). En este estudio se
desarroll un protocolo para determinar las variables y sus valores de tal forma que otros
usuarios puedan efectuar procesos similares para sus clasificaciones en otras reas.
Figura 5-17: Polgonos utilizados para seleccionar los valores de las variables espectrales y
espaciales de la clasificacin orientada a objetos.
Variables Espaciales
La cobertura de bosque de galera se determin con las variables de Elongacin mayor a 1.1
y Redondez entre 0.05 a 0.41 (Figura 5-18). Para la primera se seleccion este valor que
representa las formas alargadas del objeto al relacionar el eje mayor con su eje menor, siendo
el factor que mejor define la forma de este objeto (COSTA et al., 2009). Valores prximos a
uno semejan formas cuadradas.
66
Para la Redondez se defini este rango de valores, que representa convenientemente la forma
natural alargada de los bosques de galera y para no utilizar formas circulares o redondas que
se consiguen con rangos cercanos a 1.
Para los bosques, se determin con el complemento de los valores de las variables de bosques
de galera, es decir elongacin < 1.1 y redondez > 0.41, puesto que ya no se requera una
configuracin de formas alargadas.
Figura 5-18: Ejemplos de redondez (lnea verde) y elongacin (lnea amarilla) para bosques
de galera
La palma africana se defini con las variables de: rea, forma rectangular, elongacin y
convexidad (Figura 5-19). Se seleccionaron polgonos mayores a 5 hectreas, debido a que en
rea de estudio no hay cultivos de palma de menor extensin, y tambin para descartar
clasificaciones que no representen este objeto, apoyados en el nivel de referencia y
conocimiento de la zona.
De manera similar, para la elongacin y la forma rectangular se determinaron las zonas que se
asimilaran a la forma de rectngulo (sin ser pronunciados), ya que la mayora de los cultivos de
palma presentan este atributo espacial, que permiti la asignacin en el rango de valores entre
0,95 a 1,1 y > 0,44 respectivamente.
Capitulo 5. Resultados y discusiones 67
Figura 5-19: Ejemplo de forma rectangular (color verde), y elongacin para la Palma
Figura 5-20: Captura de pantalla de la definicin de reglas del mdulo de ENVI ZOOM
68
Variables espectrales
Tal como se mencion en el marco terico, la clasificacin orientada a objetos tiene en cuenta
los atributos espectrales (estadsticos descriptivos de los segmentos por banda espectral y
relacionales, NVDI) con los cuales es posible complementar las variables espaciales
especificadas en la metodologa.
Figura 5-21: Procedimiento para determinar las variables a tener en cuenta para generar las
reglas que clasifican el objeto.
Estadsticas
Descriptivas del Objeto
(Mnimo, Mximo, Rango, Media,
Varianza y C. de Variacin)
C. De Variacin
Si (Matriz A) No
5%
No se tiene
en cuenta
Matriz B
Prueba de Tukey
de matriz A
Hay Unin de
Si No
Subconjuntos
No se tiene Se acepta la
en cuenta variable
Resultados
5.1) con las variables (N) y los objetos (O) con los coeficientes de variacin de Pearson (CV),
con el propsito de observar y cuantificar la dispersin de los datos respecto al valor central
de cada objeto.
(5.1)
Para la segunda seleccin, una vez dado como afirmativo el condicional anterior, se
observaron los valores centrales por medio de una matriz B (Ecuacin 5.2), con el fin de
observar la media de las variables de la primera seleccin (Anexo F).
(5.2)
Para determinar si haba una diferencia significativa entre medias de la variable con respecto a
cada objeto, se le aplico la prueba de Tukey a los datos de la matriz B, con el programa S.P.S.S
versin 18 (Anexo 7).
70
A continuacin se aplic un segundo filtro, se seleccionaron con esta prueba aquellas variables
que no asuman unin de conjuntos (ejemplo: a, b, c y no ab, cd, bc), debido a que
estadsticamente estos valores son similares en dos tipos de subconjuntos de la prueba.
Para la cobertura de bosques se encontr que los valores para determinar su clasificacin
fueron aquellos valores de relacin de bandas > 0.40, ya que por debajo de este valor se
obtenan reas que no pertenecan a esta clase. Los bosques de galera y la palma africana
presentaron una relacin de bandas con valores > a 0.45, ste valor se seleccion mayor al de
bosques, debido a que discriminaba mejor este tipo de cobertura, diferenciando la mayora de
los bosques.
Rango de valores
.Variables de la clasificacin
Bosque de galera Bosque Palma Africana
Elongacin > 1,1 0,94 1,10
Forma Rectangular > 0,44
>0.04 y <
Espaciales Redondez
0.45
rea > 5 ha
Eje menor <858 >400
Espectrales Relacin de Bandas > 0.40 > 0.40 >4,5
OFM / COO* Bosque Bosque de Galera Palma (Sin clasificar) Total general
Bosque 2001.75 281.59 100.42 154.44 2538.2
Bosque de Galera 71.86 2253.12 123.76 2448.75
Palma 10.17 63.16 118.46 54.49 246.27
(sin clasificar) 125.26 2409.54 17.94 2552.73
Total general 2.209.038 5.007.407 236.813 332.693 7.785.950
OFM: Ortofotomosaico; COO: Clases de la clasificacin orientada a objetos *Valores en hectreas
Es importante resaltar que para este estudio, se encontr que la clasificacin orientada a
objetos tiene una mayor exactitud para diferenciar las coberturas bosques y bosques de
galera, y en general, se pueden afirmar que estos resultados son aceptables para la escala
trabajada, ya que estn por encima del 78%, siendo 100% el lmite superior de exactitud
definido.
Para la cobertura de palma los resultados se consideran satisfactorios a pesar que las
exactitudes no superaron el 50%.
La exactitud global fue del 56,17% que en trminos generales puede ser considerada
aceptable, ya que los resultados son la comparacin de una clasificacin de un
ortofotomosaico con una de imagen satelital de media resolucin espacial (Figura 5 -23) (LI et
al., 2009)
Figura 5-23: Ejemplo de comparacin de las exactitud de las clasificaciones obtenidas del
ortofotomosaico (lnea amarilla y la del sensor Landsat (lnea roja)
74
Se aplic otra tcnica para validar la precisin (coeficiente Kappa), con la totalidad de la
informacin obtenida del cruce vectorial de las dos capas comparadas, se encontr que el
valor del coeficiente fue de 0.365, el cual es considerado como precisin aceptable segn
CERDA & VILLARROEL (2008), ratificando los valores encontrados de los tipos de
exactitud y la explicacin mencionada en el prrafo anterior.
LI et al. (2009) y SANTOS (2007), reportan valores superiores al encontrado, lo que puede
atribuirse al tipo de software (Econigtion) e imgenes (de alta resolucin) empleadas para
extraer objetos de una imagen, adems las comparaciones realizadas por estos autores se
obtuvieron a partir de mtodos computacionales con la misma resolucin espacial y no como
los que aqu se presentan.
Para poder realizar el cambio en el uso, es necesario tener dos imgenes, para ello se realiz la
clasificacin orientada a objetos para delimitar las coberturas en investigacin (Figura 5-24)
con la imagen de la escena Landsat de 1986.
Teniendo en cuenta los procesos detallados descritos en los tems anteriores, se utiliz la
metodologa propuesta (Figura 5-1), del cual se encontr las variables y valores para la
clasificacin de los objetos de la Tabla 5-4, seleccionados a partir de la segmentacin con los
valores encontrados en el tem 5.1.1 y se tuvo en cuenta los mismos sectores de muestra de la
imagen de 2003.
Rango de valores
.Variables de la clasificacin
Bosque de galera Bosque Palma Africana
Elongacin > 1,4 0,94 1,10
Forma Rectangular > 0,44
Espaciales Redondez >0.04 y < 0.45
rea > 5 ha
Eje menor <858 >400
Espectrales Relacin de Bandas > 0.50 > 0.50 >5,5
Capitulo 5. Resultados y discusiones 75
Los valores de la Tabla 5-4, son similares a los encontrados en la imagen del 2003 (Tabla 5-2),
los mayores cambios se vieron en el atributo de relacin de bandas espectrales que fueron
mayores, estos resultados de la clasificacin orientada a objetos pueden ser posibles por ser
una imagen de la misma zona y el mismo sensor.
Figura 5-24: Captura de pantalla de ENVI, clasificacin orientada a objetos para la escena
de la fecha 2 de la imagen satelital del sensor Landsat
Al aplicar la clasificacin orientada a objetos de las imgenes satelitales de las dos fechas, se
desarroll una capa binaria teniendo en cuenta el diagrama de procesos de la Figura 5-25, para
visualizar y cuantificar el cambio de uso. Como resultado se gener una tercera capa donde se
muestran los cambios ocurridos en el lapso de tiempo analizado de 17 aos (Figura 5 -25 y
Tabla 5-5).
Figura 5-25: Imagen del Anexo 8, cambio de uso de la tierra (mapa binario)
La cuantificacin de cambio de uso en la investigacin pudo ser afectadas por dos factores:
resolucin espacial de las imgenes y la clasificacin orientada a objetos
El primero, los resultados de las diferentes clasificaciones de las imgenes varan no solamente
por existir un cambio en el uso, sino adems, por los efectos de borde de la delimitacin en las
coberturas, al tener cada una de ellas, la resolucin espacial distinta. Esto correspondi a que
la imagen de la escena de 2003: Landsat 7 ETM+, contiene una imagen pancromtica de
mayor resolucin espacial que la escena de 1986: Landsat 5, permitiendo realizar una fusin
Capitulo 5. Resultados y discusiones 77
multiescala, opcin que contiene ENVI ZOOM antes de realizar la clasificacin orientada a
objetos, con la funcin Pan Sharpening. Esta ajuste multiescala permiti mejorar la calidad
visual de la imagen (GARZELLI & NENCINI, 2007), mostrando una mejor definicin de la
forma de los objetos, y mejorar los resultados de la segmentacin (MALLINIS et al, 2011).
El segundo, hace referencia al mtodo usado para clasificar las imgenes, debido a que los
resultados de los valores en las variables que afectaron cada clasificacin son propios de cada
imagen, el cual probablemente puede inducir a que cada clasificacin maneje una
incertidumbre diferente.
78
6. Conclusiones
Con los principios de la clasificacin orientada a objetos y con los procedimientos propuestos
fue posible delimitar las reas de tres coberturas, a partir de una imagen satelital con
resolucin espacial media, mejorando los tiempos de clasificacin con respecto de
interpretaciones visuales desde la pantalla del computador. Adicionalmente este tipo de
clasificador, permiti ratificar que, la clasificacin de una imagen realizada desde el contexto
relacional de pixel informacin espectral, no es nica ni suficiente para diferenciar una
cobertura vegetal, de tal forma que se pudo mostrar la relacin de segmento atributos
espaciales y espectrales.
A pesar que los resultados de la validacin con respecto de la exactitud fueron menores al
50%, se encontr que la clasificacin es aceptable y que esta puede ser una alternativa a
implementar para clasificar imgenes empleando el programa ENVI.
AGERA, F.; AGUILAR, F.J.; AGUILAR, A.M. 2008. Using texture analysis to improve
per-pxel classification of very high resolution images for mapping plastic greenhouses.
Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.635-646.
APLIN, P. & SMITH, G.M. 2008. Advances in object-based image classification. The
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science
v.37, part B7.
ARVIDSON, T.; GASCHB, J.; GOWARD, N.S. 2001. Landsat 7s long-term acquisition
plan an innovative approach to building a global imagery archive. Remote sensing of
environment, v.78, n.1-2, p.13-26.
BEHRENS, T.; ZHU, A.; SCHMIDT, K.; SCHOLTEN, T. 2010. Multi-scale digital terrain
analysis and feature selection for digital soil mapping. Geoderma, v.5, n.3-4, p.175-185.
82
BLASCHKE, T. 2010. Object based image analysis for remote sensing. Journal of
Photogrammetry and Remote Sensing, v.65, n.1, p.2-16.
BLASCHKE, T. & HAY, G.J. 2001. Object oriented image analysis and scale-space: Theory
and methods for modeling and evaluating multiscale landscape structure. International
Archives of Photogrammetry and Remote Sensing, v.34, n.4, p.22-29.
BOCCO, G.; MENDOZA, M.; MASERA, R.O. 2001. La dinmica del cambio del uso del
suelo en Michoacn. Una propuesta metodolgicoa para el estudio de los procesos de
deforestacin. Investigaciones Geogrficas, Boletn del Instituto de Geografa, UNAM, n.44,
p.18-38.
BOCK, M.; XOFIS, P.; MITCHLEY, J.; ROSSNER, G.; WISSEN, M. 2005. Object-oriented
methods for habitat mapping at multiple scales - Case studies from Northern
Germany and Wye Downs, UK. Journal for Nature Conservation, v.13, n.2-3, p.75-89.
CASTILLA, G. 2003. Object-oriented analysis of remote sensing images for land cover
mapping: conceptual foundations and a segmentation method to derive a baseline
partition for classification. Tesis Doctoral. Universidad Politcnica de Madrid,
Espaa, P.228
CLEVE, C.; KELLY, M.; KEARNS, F.R.; MORITZ, M. 2007. Classification of the
wildland-urban interface: A comparison of pxel- and object-based classifications using
high-resolution aerial photography. Computers, Environment and Urban Systems, v.32, n.4,
p.317-326.
COHEN, W.B.; & GOWARD, S.N. 2004. Landsat 's role in ecological applications of
remote sensing. Bioscience, V.54, N.6, P.535-545.
COSTA, B.M.; BAUER, L.J.; BATTISTA, T.A.; MUELLER, P.W.; MONACO, M.E. 2009.
Moderate-Depth Benthic habitats of St. John, U.S. Virgin Islands. NOAA Technical
Memorandum NOS NCCOS 105, Silver Spring, p.57.
DE JONG, S.M.; HORNSTRA, T.; MAAS, H. 2001. An integrated spatial and spectral
approach to the classification of Mediterranean land cover types: the SSC method.
International Journal of Applied Earth Observation and Geoinformation, v.32, n.2, p.176-183.
DOU, W.; REN, Y.; WU, Q.; RUAN, S.; CHEN, Y.; BLOYET, D.; CONSTANS, J. 2007.
Fuzzy kappa for the agreement measure of fuzzy classifications. Neurocomputing, v.70,
n.4-6, p.726-734.
DUPUY, R.J.M.; GONZLEZ, I.J.A.; IRIARTE V.S.; CALVO, I.LM.; ESPADAS, M.C.;
TUN, D.F.; DORANTES, E.A. 2007. Cambios de cobertura y uso del suelo (1979-
2000) en dos comunidades rurales en el noroeste de Quintana Roo. Investigaciones
Geogrficas, n.62, p.104-124.
84
ETTER, A. Introduccin a la ecologa del Paisaje. 1991. Instituto Geogrfico Agustn Codazzi.
ETTER, A.; MCALPINE, C.; WILSON, K.; PHINN, S.; POSSINGHAM, H. 2006.
Regional patterns of agricultural land use and deforestation in Colombia. Agriculture,
Ecosystems and Environment, v.114, n.2-4, p.114-369.
EZQUERRA A.C.; CUESTA, E. M.; LOPEZ, J.U.M. 1998. Proyecto LACOAST. Cambios
en la cobertura del suelo en las costas europeas. Observatorio medioambiental,
Universidad Computense, Madrid. v.1, p.201-219.
GODOY, C.S.; MARTNEZ, T.J.F.; DAZ DE LEN, S.J.L. 2006. A unified methodology
to evaluate supervised and non supervised classification algorithms. Computacin y
Sistemas, v.9, n.4, p.370-379.
GONZLEZ, A.F.& LPEZ, S.S. 1991. Using contextual information to improve land use
classification of satellite images in central Spain. International Journal of Remote Sensing,
v.12, n.11, p.2227-2235.
GONZLEZ, S.; 2005. La Geografa escalar del capitalismo actual. Revista Electrnica de
Geografa y Ciencias Sociales, Universidad de Barcelona, v.9, n.189, p.91-111.
GOODCHILD, M.F. 2001. Metrics of scale in remote sensing and GIS. International Journal
of Applied Earth Observation and Geoinformation, v.3, n.2, p.114-120.
Bibliografa 85
GUNTLI, D. 2006. Classification of land cover and land use - an object-oriented approach
in Western Tajikistan. Tesis, University of Zurich, Suiza, p.157.
HAY, G.J.; CASTILLA, G.; WULDER, M.A.; RUIZ, R.J. 2005. An automated object-based
approach for the multiscale image segmentation of forest scenes. International Journal of
Applied Earth Observation and Geoinformation, v.7, n.4, p.339-359.
HESE, S. & SCHMULLIUS, C. 2009. High spatial resolution image object classification for
terrestrial oil spill contamination mapping in West Siberia. International Journal of
Applied Earth Observation and Geoinformation, v.11, n.2, p.130-141.
IGAC - CORPOICA. 2002. Uso adecuado y conflictos de uso de las tierras en Colombia.
Subdireccin de Agrologa, IGAC. Subdireccin de Investigacin en Sistemas de Produccin,
CORPOICA. Bogot, D. C. v.4, p.1-99.
IGAC. 2005. Estudio general de suelos y zonificacin de tierras del departamento del Meta.
Instituto Geogrfico Agustn Codazzi. Archivo Digital.
IGAC. 2010. Coberturas y usos de la tierra del departamento del Quindo. Instituto Geogrfico
Agustn Codazzi, p.1-256.
86
KNORN, J.; RABE, A.; RADELOFF, V.C.; KUEMMERLE, T.; KOZAK, J.; HORSTERT,
P. 2009. Land cover mapping of large areas using chain classification of neighboring
Landsat satellite images, Remote sensing of environment, v.113, n.5, p.957-964
KUEMMERLE, T.; DAMM, A.; HOSTERT, P. 2008. A method to detect and correct
single-band missing pxels in Landsat TM and ETM+. Computers and Geosciences, v.34,
n.5, p.445-455.
LALIBERTE, A.S.; RANGO, A.; HAVSTAD K.M.; PARIS, J.F.; BECK, R.; MCNEELY, R.;
GONZALEZ, A.L. 2004. Object-oriented image analysis for mapping shrub
encroachment from 1937 to 2003 in southern New Mexico. Remote Sensing of
Environment, v.93, n.1-2, p.198-210.
LANG, R., SHAO, G.; PIJANOWSKI, B.C.; FARNSWORTH, R.L. 2008. Optimizing
unsupervised classifications of remotely sensed imagery with a data - assisted labeling
approach. Computers and Geosciences, v.34, n.12, p.1877-1885.
LI, M.; WU., Y.; ZHANG, Q. 2009. SAR image segmentation based on mixture context and
wavelet hidden - class - label Markov random field. Computers and Mathematics with
Applications. V.57, n.6, p.961-969.
LU, D. & WENG, Q. 2007. A survey of image classification methods and techniques for
improving classification performance. International Journal of Remote Sensing, v.28,
n.5,p.823-870.
LUCAS, R.; ROWLANDS, A.; BROWN, A.; KEYWORTH, S.; BUNTING, P. 2007. Rule-
based classification of multi-temporal satellite imagery for habitat and agricultural land
cover mapping. Journal of Photogrammetry and Remote Sensing, v.62, n.3, p.165-185.
MARCELINO, E.V.; FORMAGGIO, A.R.; MAEDA, E.E. 2009. Landslide inventory using
image fusion techniques in Brazil. International Journal of Applied Earth Observation and
Geoinformation. v.11, n.3, p.181-191.
NINGAL, T.; HARTEMINK, A.E.; BREGT, A.K. 2008. Land use change and population
growth in the Morobe Province of Papua New Guinea between 1975 and 2000 Journal
of Environmental Management, v.87, n.1, p.117124.
88
PANDIT, Y.P.; BADHE, Y.P.; SHARMA, B.K.; TAMBE, S.S.; KULKARNI, B.D. 2011.
Classification of Indian power coals using K-means clustering and Self Organizing
Map neural network. Fuel, v.90, N.1, p.339-347.
PANT, T.; DHARMENDRA, S.; TANUJA, S. 2010. Advanced fractal approach for
unsupervised classification of SAR images. Advances in Space Research, v.45, n.11,
p.1338-1349.
PEREA, A.J.; MERONO, J.E.; AGUILERA, M.J. 2009. Clasificacin orientada a objetos en
fotografas areas digitales para la discriminacin de usos del suelo. INCI, v.34, n.9,
p.612-616.
ROBINSON, D.J.; REDDING, N.J.; CRISP, D.J. 2002. Implementation of a fast algorithm
for segmenting SAR imagery. Scientific and technical report, Australia. Defense Science
and Technology Organization, p.1-48.
ROJAS, E.G. & ORTIZ, I.O. 2009. Identificacin del cilindro nudoso en imgenes TC de
trozas podadas de Pinus Radiata utilizando el Clasificador de Mxima Verosimilitud.
Maderas, Ciencia y Tecnologa, v.11, n.2, p.117-127.
SAMSUDIN, N.A. & BRADLYE, A.P. 2010. Nearest neighbour group-based classification.
Pattern Recognition, v.43, n.10, p.3458-3467.
Bibliografa 89
SHATTRI, M.; WONG, T.H.; LOH K.F. 2008. Object oriented digital image classification.
International Journal for Geo-Informatics, v.4, n.3, p.676.
SHIBA, M.H.; SANTOS, L.R.; QUINTANILHA, J.A.; KIM, H.Y. 2005. Classificao de
imagens de sensoriamento remoto pela aprendizagem por rvore de deciso: uma
avaliao de desempenho. Anais do XII Simpsio Brasileiro de Sensoriamento Remoto,
Goinia, p.4319-4326.
SILVN, C.J.L. 2010. Clasificacin subpixel desde una perspectiva ontolgica. CentroGeo,
Mxico, D.F, v.1, n.1, p.1-24.
SINGH, A. 1989. Review Article Digital change detection techniques using remotely-sensed
data. International Journal of Remote Sensing, v.10, n.6, p.989-1003.
SOUTH, S.; QI, J.; LUSCH, D.P. 2004. Optimal classification methods for mapping
agricultural tillage practices. Remote Sensing of Environment, v.91, n.1, p.90-97.
SZILGYI, L.; MEDVES, L.; SZILGYI, S.M. 2010. A modified Markov clustering
approach to unsupervised classification of protein sequences. Neurocomputing, v.73,
n.13-15, p.2332-2345.
TANSEY, K.; CHAMBERS, I.; ANSTEE, A.; DENNISS, A.; LAMB, A. 2009. Object-
oriented classification of very high resolution airborne imagery for the extraction of
hedgerows and field margin cover in agricultural areas. Applied Geography, v.29, n.2,
p.145-157.
90
VALERIO, A.DM.; DA SILVA, G.B.S.; KAMPEL, M.; STECH, J.L. 2008. Avaliao da
classificao no supervisionada do uso do solo e tipos de gua no reservatrio de
manso, mt. Revista do Geografia-Ensino e Pesquisa, v.12, p.4081-4095.
VALOUS, N.A.; MENDOZA, F.; SUN D.; ALLEN, P. 2010. Supervised neural network
classification of pre-sliced cooked pork ham images using quaternionic singular values.
Meat Science, v.84, n.3, p.422-430.
VAN COILLIE, F.M.B.; VERBEKE, L.P.C.; DE WULF, R.R. 2007. Feature selection by
genetic algorithms in object-based classification of IKONOS imagery for forest
mapping in Flanders, Belgium. Remote Sensing of Enviroment, v.110, n.4, p.476-487.
WALTER, V. 2004. Object-based classification of remote sensing data for change detection.
Journal of Photogrammetry and Remote Sensing, v.58, n.3-4, p.225-238.
WENG, Q. 2009. Remote Sensing and GIS Integration: Theories, Methods, and
Applications. McGraw-Hill, p.8-15.
WULDER, M.A.; WHITE, J.C.; GOWARD, S.N.; MASEK, J.G.; IRONS, J.R.; HEROLD,
M.; COHEN, W.B.; LOVELAND, T.R.; WOODCOCK, C.E. 2008. Landsat
continuity: Issues and opportunities for land cover monitoring. Remote Sensing of
Environment, v.112, n.3, p.955-969.
XIE, Z.; ROBERTS, C.; JOHNSON, B. 2008. Object-based target search using remotely
sensed data: a case study in detecting invasive exotic Australian Pine in south Florida.
Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.647-660.
YANG, C.C.; PRASHER, S.O.; ENRIGHT, P.; MADRAMOOTOO, C.; BURGESS, M.;
GOEL, K.P.; CALLUM, I. 2003. Application of decision tree technology for image
classification using remote sensing data. Agricultural Sytems, v.76, n.3, p.1101-1117.
Lista de Anexos
No Escala No Escala
Vuelo Ao Sobre Vuelo Ao Sobre
Foto 1: Foto 1:
C_2714 232 42000 2004 S_39269 C_2714 79 39880 2004 S_39258
C_2714 234 42000 2004 S_39269 C_2714 81 39880 2004 S_39258
C_2714 191 42000 2004 S_39263 C_2714 249 41338 2004 S_39265
C_2714 193 40780 2004 S_39263 C_2714 251 41338 2004 S_39265
C_2714 195 40780 2004 S_39263 C_2714 253 41338 2004 S_39265
C_2714 180 40780 2004 S_39262 C_2714 255 41338 2004 S_39265
C_2714 178 40780 2004 S_39262 C_2713 17 42060 2004 S_39244
C_2714 176 40780 2004 S_39262 C_2713 19 42060 2004 S_39244
C_2714 174 40780 2004 S_39262 C_2713 21 42060 2004 S_39244
C_2714 133 40550 2004 S_39261 C_2713 23 42060 2004 S_39244
C_2714 135 40550 2004 S_39261 C_2713 36 41860 2004 S_39245
C_2714 137 40550 2004 S_39261 C_2713 38 41860 2004 S_39245
C_2714 116 40900 2004 S_39260 C_2713 40 41860 2004 S_39245
C_2714 118 40900 2004 S_39260 C_2713 42 41860 2004 S_39245
C_2714 120 40900 2004 S_39260 C_2713 75 41600 2004 S_39246
C_2714 75 39880 2004 S_39258 C_2713 77 41600 2004 S_39246
C_2714 77 39880 2004 S_39258 C_2713 79 41600 2004 S_39246
92