Andresfeliperodriguezvasquez 2011 PDF

Metodologa para detectar cambios en el
uso de la tierra utilizando los principios de

la clasificacin orientada a objetos, estudio
de caso piedemonte de Villavicencio, Meta
Andrs Felipe Rodrguez Vsquez
Universidad Nacional de Colombia

Facultad de Ingeniera Agronmica
Bogot D.C., Colombia
2011
II
Metodologa para detectar cambios en el

uso de la tierra utilizando los principios de
la clasificacin orientada a objetos, estudio
de caso piedemonte de Villavicencio, Meta
Andrs Felipe Rodrguez Vsquez

Ingeniero Agrcola
Tesis presentada como requisito parcial para optar al ttulo de:

Magister en Geomtica
Director (a):
Doctora Sc. Yolanda Rubiano Sanabria
Lnea de Investigacin:
Geoinformacin para el uso sustentable de los recursos naturales
Universidad Nacional de Colombia

Facultad de Ingeniera Agronmica
Bogot D.C., Colombia
2011
Ab imo pectore, dedico esta tesis a mis
PADRES, TAS Y HERMANOS, por
haberme apoyado en el transcurso de la
pertenencia y en el esfuerzo que incurri
cada rengln del presente escrito.
"Verba volant,
scripta manent"
Las palabras se las lleva el viento,

lo escrito permanece.
V
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.
A los cientficos y personal tcnico y de campo del centro de investigacin CORPOICA

La Libertad, por su incondicional apoyo.
A las personas nombradas a continuacin que colaboraron directa e indirectamente con el

desarrollo de la presente investigacin:
Dra. Yolanda Rubiano,

Ing. Jess Camacho,
Ing. Cesar Corts,
Ing. Jorge Romero,
Ing. Jaime Bernal,
Ing. Juan Alejandro Garzn,
Ing. Claudia Ospina
Ing. Carlos Zarate
VI
VII
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.
Palabras clave: clasificacin orientada a objetos, coberturas, cambio de uso, ENVI

ZOOM, bosques, bosques de galera.
VIII
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.
Resumen ................................................................................................................................... VII
Abstract................................................................................................................................... VIII
Lista de figuras .......................................................................................................................... XI
Lista de tablas......................................................................................................................... XIII
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 Anexos ........................................................................................................................... 91

Contenido XI
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 5-9: 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).
GAMANYA et al., (2009), reportan el desarrollo y aplicacin de diversos algoritmos para la

clasificacin de coberturas con sensores remotos, valindose de los valores espectrales que
representa un pxel y agrupados en dos tipos de clasificacin Supervisada y No Supervisada
(SANTOS, 2007).
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).
Los mtodos convencionales de clasificacin, requieren de la experticia y conocimiento

tcnico en procesamiento digital de imgenes. La clasificacin orientada objetos, necesita
adems, reconocer sus atributos geomtricos (BLASCHKE, 2010; SANTOS, 2007) y para
lograrlo, se hace necesario contar con programas y metodologas que faciliten la aplicacin de
esta tcnica y que estn al alcance de los usuarios de manera ms amigable y econmica.
En Colombia, existe un inters creciente de cuantificar los cambios en la cobertura superficial,

que ocurren por cuenta de la presin ejercida por actividades antrpicas y que regularmente se
expresan en procesos de deforestacin acelerada (ETTER et al., 2006). Estos cambios,
pueden ser utilizados como indicadores, particularmente, como indicador de presin cambio
en el uso de la tierra (SUMMER et al., 2009; MAIRURA et al., 2007) y asociados a uno de los
fenmenos considerado como responsable de las emisiones de gases efecto invernadero en el
contexto de cambio climtico (POORTINGA et al., 2011).
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 Municipio de Villavicencio, los trabajos enfocados a determinar variaciones temporales

en el uso de la tierra, son escasos y estn concentrados a determinar las variaciones
urbansticas. Para la zona rural, particularmente para el rea del piedemonte depositacional no
se reportan estudios de dinmica de cambios en el uso de la tierra. Tampoco, se encuentran
reportes del uso de la metodologa de clasificacin de imgenes orientada a objetos para algn
lugar del pas utilizando el programa ENVI.
En razn a lo expuesto, el objetivo general de esta investigacin fue desarrollar una

metodologa de clasificacin de imgenes de sensores remotos, para determinar la cobertura y
uso del suelo y los cambios temporales ocurridos en la misma, en el piedemonte
depositacional del municipio de Villavicencio.
18
1. Marco Terico
1.1 Los sensores remotos en los mapas de cobertura de

la tierra
El origen de la percepcin remota es muy discutido a nivel mundial, pero se condiciona a

nivel general con el surgimiento de los sensores fotogrficos; NOVO (2002) lo define
textualmente como: la tecnologa que permite la adquisicin de informacin de objetos, sin
tener un contacto fsico con ellos.
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
Figura 1-1: Rangos del espectro electromagntico utilizadas para la discriminacin de

objetos en percepcin remota
La diversidad de los sensores remotos en cuanto a la resolucin espacial y temporal es uno de

los cuestionamientos que priman en el momento de generar un anlisis espacial, es por esta
razn que las imgenes de satlite del sensor Landsat han sido las ms utilizadas para mapear
las coberturas del suelo, siendo un recurso ideal para investigaciones de observacin y
monitoreo de la tierra, enfocado a los recursos naturales, esto debido a la alta frecuencia en la
toma de datos a nivel mundial y por su periodo de permanencia en el espacio, durante las
ltimas cuatro dcadas, sin descartar como complemento la utilizacin de las fotografas
areas, a causa de la alta resolucin espacial (KNORN et al., 2009, VICENTE-SERRANO et
al., 2008, WULDER et al., 2008; KUEMMERLE et al., 2008; COHEN & GOWARD, 2004,
ARDVISON et al., 2001).
1.1.1 La escala en los sistemas de informacin geogrfica

La definicin de la escala dependen del contexto y la disciplina en el cual se est
investigando (GOODCHILD, 2001). En este trabajo se adopt el trmino de escala
cartogrfica que establece una relacin directa entre el tamao de un objeto caracterizado en
un sistema coordenado, respecto su tamao en el terreno real (CASTILLA, 2003;
GOODCHILD, 2001). GONZLEZ, (2005) discrimina la manera de representar el tamao
Capitulo 1. Marco Terico 21
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.
Debido a los avances tecnolgicos y a la introduccin de los Sistemas de Informacin

Geogrficas SIG, para el manejo de la informacin espacial, es necesario definir la escala,
como punto de partida para el anlisis en una investigacin. Es comn, referirse a las escalas
numricas enteras en los mapas anlogos, fotografas e impresiones, para facilitar la
conversin de medidas respecto al terreno real; en tanto que los sistemas indican la escala
digital y las conversiones son automticamente suministradas por l. Los SIG, involucran un
trmino reciente denominado: multi-escala, que hace referencia a la interaccin de
diferentes escalas, en un entorno digital y sistematizado (BEHNRENS et al., 2010;
BLASCHKE & HAY, 2001).
En el contexto de la imgenes de sensores remotos, la multi-escala soporta dos conceptos:

resolucin espacial y extensin espacial, utilizados para los SIG y telemtica (GOODCHILD,
2001).
La resolucin espacial, se refiere al tamao mximo de un objeto capturado por un sensor,

almacenado en un pxel. WENG (2009), lo define textualmente como: la resolucin espacial
es una medida de la mnima distancia entre dos objetos, que pueden ser diferenciados, uno del
otro, en una imagen en funcin de la altitud del sensor, tamao del detector, tamao focal y la
configuracin del sistema.
En sntesis la resolucin espacial define el nivel de detalle espacial de un objeto respecto a la

superficie de la tierra (WENG, 2009). A mayor nmero de pxeles en un rea determinada,
mayor es el detalle de los objetos a distinguir. Este concepto es nico para cada sensor
remoto, y de ello depende en gran parte el tamao de la informacin obtenida y el costo de
adquisicin de la imagen satelital. La extensin espacial, representa la cantidad de informacin
del proyecto a trabajar, en una unidad de medida de rea determinada (WENG, 2009), el cual
tambin depende de cada sensor remoto.
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
Tabla 1-1: Resolucin de algunos sensores remotos (WULDER et al., 2008)
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)
Landsat -5 (TM) 185 30

Landsat -7 (ETM+) 185 30 (MS/SWIR);
15 (pan)
SPOT 2 (HRV) 60 20 (MS); 10 (pan)
SPOT 4 (HRVIR) 60 20
Media Resolucin SPOT 5 (HRG) 60 10 (MS); 20 (SWIR)
(10 -100 m) IRS (ResourceSat-1) 141 23,5
Terra (ASTER) 60 15
CBERS-1 and -2 120 20
EO-1 (Hyperion) 37 30
Orbview-S 8 4 (MS); 1 (pan)

Alta Resolucin
QuickBird-2 16.5 2.44 (MS); 0.6 (pan)
(<10 m)
IKONOS 13.8 4 (MS); 1 (pan)
* MS = Multiespectral SWIR = Infrarrojo cercano pan = Pancromtico
1.2 Cobertura y uso de la tierra
1.2.1 Aspectos generales

Los sistemas ecolgicos, estn constituidos por una parte visible, estructura y composicin,
llamado fenosistema; y por otra parte no visible, denominada criptosistema. La
identificacin, delimitacin y caracterizacin general de los diferentes tipos de ecosistemas se
realiza a travs de los aspectos constituyentes del fenosistema, que hace referencia a la
morfologa de la superficie terrestre, geoforma y su recubrimiento, cobertura terrestre (agua,
suelo desnudo, hielo, cobertura vegetal), siendo ste ltimo, en el que se enfoca la
investigacin.
La cobertura terrestre se reconoce mediante dos trminos: cobertura y uso de la tierra. El

primero, hace referencia a los aspectos presentes de la superficie de la tierra, independiente de
su origen (natural o antrpico) involucra la fisonoma y composicin de la cobertura vegetal,

que son modelados espacialmente de forma continua (gradientes) o discreta (mosaico),
representados a partir de mapas temticos donde ilustran la variacin de la superficie de
acuerdo a un nivel de abstraccin (CASTILLA, 2003). El segundo trmino, se aplica a los
tipos de ocupacin o utilizacin que de una cobertura hace el hombre, de forma temporal o
permanente. (ETTER, 1991).
1.2.2 Determinacin de las coberturas de la tierra
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).
En Colombia, esta metodologa fue adaptada en el ao 2006, para la cuenca Magdalena

Cauca, convenio Instituto de Hidrologa, Meteorologa y Estudios Ambientales (IDEAM),
Corporacin Autnoma Regional del Ro Grande de la Magdalena (CORMAGDALENA) y el
Instituto Geogrfico Agustn Codazzi (IGAC). Se estructur la clasificacin de las coberturas
y usos de la tierra, escala 1:100.000, con imgenes satelitales del sensor Landsat.
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.
La determinacin y cuantificacin de la cobertura y uso de la tierra, incluye los cambios que

ocurren en sta en el espacio y el tiempo y adicionalmente, las interacciones con la sociedad,
fundamentales para predecir el dinamismo que existe entre los componentes de un paisaje
(DUPUY et al., 2007)
24
1.3 Mtodos de clasificacin de imgenes

Una imagen obtenida por un sensor remoto, se puede definir como una matriz rectangular,
compuesta por un nmero determinado de pxeles, que representan un rea especfica en el
espacio, que a su vez representa un valor de energa electromagntica emitida por una
superficie particular.
La clasificacin de imgenes satelitales ha sido utilizada para diferentes propsitos, con un

nico objetivo: agrupar o zonificar los pxeles de una imagen, para delimitar una clase temtica
de inters a priori (GAMANYA et al., 2009; BOCK et al., 2005; LEWINSKI & ZAREMSKI,
2004; LALIBERTE et al., 2004).
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.
1.3.1 Clasificacin basada en el pxel
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.
En la ltima dcada, diferentes autores han investigado y desarrollado metodologas o

algoritmos concernientes a la clasificacin de imgenes, fundamentados en la informacin
espectral contenida en una imagen (Tabla 1-2 y Tabla 1-3), tratando de concertar alternativas,
que minimizan el error de la clasificacin, confrontado con la realidad.
Tabla 1-2: Algunos mtodos de clasificacin supervisada de imgenes en la dcada 2000-

2010.
M. clasificacin supervisada Autor que lo cita

Redes neuronales VALOUS et al., 2010
Vecino ms cercano SAMSUDIN & BRADLEY, 2010
Clasifcador Malhanobis SOUTH et al., 2003
Mxima vecindad SOUTH et al., 2003
Mxima distancia SOUTH et al , 2003
ngulo del coseno SOUTH et al., 2003
Clasificador espectral y espacial DE JONG et al., 2001
Tabla 1-3: Algunos mtodos de clasificacin no supervisada de imgenes en la dcada

2000-2010.
M. clasificacin no supervisada Autor que lo cita

Self-Organizing Map neural network PANDIT et al, 2011
Clster media de K PANDIT et al, 2011
Self-Organizing Map training PANDIT et al, 2011
Basada en Fractales PANT et al., 2010
Clster modificado de Markov SZILGYI et al., 2010
Wavelets OTAZU et al., 2001
Clasificacin Supervisada
La clasificacin supervisada se fundamenta en el previo conocimiento de las clases y de

estadsticos que se relacionan a cada clase espectral de la imagen. (ROJAS & ORTIZ, 2009).
Para LANG, et al. (2008) consta de dos (2) fases: entrenamiento y asignacin. En la fase 1, el
investigador, realiza un reconocimiento general de las reas a estudiar, determinando patrones
de formas y colores relacionadas a una clase, entrenando el conjunto de pxeles a cada clase
encontrada, desarrolla una descripcin numrica de las caractersticas espectrales de las bandas
que discriminan los grupos de pxeles que pertenecen a una misma clase mediante la
generacin de sus firmas espectrales (ARANGO et al., 2005). En la fase 2, se asigna una lista
de clases o nombres a cada patrn observado, generando mediante algoritmos una
clasificacin general de la imagen.
26
Los programas que realizan la clasificacin, generalmente utilizan el algoritmo de mxima

verosimilitud, procedimiento estadstico aplicado a imgenes, que consiste en determinar para
cada clase entrenada, un vector medio y una matriz de co-varianza, asumiendo que el nivel
digital relacionado a cada clase se ajusta a una distribucin normal, de esta manera para cada
pxel, se determina la probabilidad de asignacin a cada clase previamente determinada.
(MARCELINO et al., 2009; ROJAS & ORTIZ, 2009; VALEIRO et al., 2008; SHIBA et al.,
2005; CHUVIECO, 2000; S et al., 1996).
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
La clasificacin no supervisada, agrupa pxeles de manera automtica a una clase que no ha

sido entrenada previamente, tiene en cuenta parmetros estadsticos, que buscan minimizar las
desviaciones de las clases y maximizar la distancia al centro de cada grupo de pxeles
encontrados. (MACEDO-CRUZ et al., 2010; LANG et al., 2008). El mtodo es utilizado para
aquellas reas donde no se conoce detalles de la zona de estudio, generando un nmero
arbitrario de clases consideradas por el investigador.
El algoritmo ms utilizado para la clasificacin es el ISODATA, proveniente de Iterative

Self-Organizinig Data Analysis Technique (VALEIRO et al., 2008; FIGUEIREDO & DE
CARVALHO, 2007; GUNTLI, 2006; GODOY et al., 2006; SHIBA et al., 2005), consiste en
determinar la distancia espectral mnima para formar agrupaciones de pxeles que representan
las clases.
El mtodo empieza con una agrupacin promedio al azar de un conjunto de firmas

espectrales, al repetirse el proceso de agrupacin, el nuevo promedio es utilizado para la
siguiente iteracin, esto se hace consecutivamente, hasta que se realiza el mximo de
iteraciones o se alcanza el mximo porcentaje de asignacin de pxeles no combinados entre
dos iteraciones.
1.3.2 Clasificacin basada en el subpxel
La clasificacin basada en el subpixel, fue citada a comienzos de 1970, e impulsada

comercialmente para la interpretacin de las imgenes satelitales de alta resolucin espacial
como IKONOS y QUICKBIRD (SILVAN, 2010).
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.
1.3.3 Clasificadores contextuales
Es una tcnica de clasificacin de imgenes, que considerada conjuntamente las caractersticas

espectrales y espaciales de la imagen, (GONZLEZ & LPEZ, 1991), ste clasificador tiene
en cuenta la informacin de la vecindad, mejorando, suavizando y homogenizando los
resultados de cualquier tipo de clasificacin, siendo til para la clasificacin de imgenes de
alta resolucin (LU & WENG, 2009; GONZLEZ & LPEZ, 1991).
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)
1.3.4 Clasificadores basados por campo

Los clasificadores basados por campo de la traduccin en ingles de Per-field-based classifiers,
utiliza la combinacin de datos de tipo matricial (raster) con los vectoriales, a travs de los
sistemas de informacin geogrficas, reduciendo los ruidos causados en otras clasificaciones
debido a la diversidad de los paisajes en las coberturas de la tierra. (LU & WENG, 2009)
28
El mtodo consiste en subdividir una imagen en parcelas, utilizando la informacin vectorial,

cada una de ellas, ser la mnima unidad de la clasificacin, de esta forma evita las variaciones
de la informacin espectral de cada clase (WENG, 2009; LU & WENG, 2009), esta
clasificacin es muy similar a la orientada por objetos metodolgicamente, ya que se basa en
los lmites de la informacin vectorial de la parcelacin y la otra en la informacin propia de
cada objeto para la segmentacin, tema es tratado ms a fondo a continuacin.
1.4 Clasificacin Orientada a Objetos
La clasificacin orienta a objetos es una metodologa reciente que est en proceso de

evolucin, (PEREA et al., 2009), siendo un mtodo alternativo para la determinacin de
coberturas, a travs de la clasificacin de imgenes.
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.
ste tipo de clasificadores, no se basa exclusivamente en la informacin espectral que

contiene un pxel, adicionalmente tiene en cuenta, las relaciones de formas y continuidades
espaciales que se presenta para un objeto particular, aumentando los criterios y variables de la
clasificacin. En el proceso de la determinacin de los objetos, la escala determina la
presencia o ausencia de las clases, de tal manera que el tamao del mismo afectara el tamao
de la clasificacin. (PEREA et al., 2009; TANSEY et al., 2009; SHATTRI et al., 2008; YANG
et al., 2003; SANTOS, 2007; GUNTLI, 2006; LEWINSKY Y ZAREMNSKI, 2004;
WALTER, 2004).
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;
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.
En Colombia a la fecha, no se encontraron reportes publicados sobre la utilizacin de ste

clasificador con del programa ENVI. COSTA et al., (2009) y WENG (2009), mencionan una
clasificacin similar, pero ellos utilizan herramientas adicionales al ENVI, como RuleGen, en
el cual utilizan algoritmos estadsticos para determinar y optimizar las variables y componentes
principales que afectan la clasificacin.
BLASCHKE (2010) considera sta clasificacin semiautomtica, y la divide en dos fases:

Encontrar objetos y clasificar los objetos, teniendo como punto de partida una imagen
(Figura 3-2).
La primera, constituye la identificacin de los objetos presentes en la imagen, sin tener

definido uno en particular, realiza una distincin detallada de agrupaciones de pxeles
adyacentes, similar a una clasificacin no supervisada, donde el investigador define el tamao
de la agregacin.
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
Figura 1-2: Diagrama general para la clasificacin de imgenes orientada objetos
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.
1.4.1 Fraccionamiento o segmentacin

Radica en seccionar la imagen, en agrupaciones de pxeles adyacentes, con caractersticas
pictomorfolgicas, equivalentes al proceso realizado por el ojo humano (SANTOS, 2007),
ENVI dispone para ello, del algoritmo Edge-Based, que tiene en cuenta los bordes o
lmites, pxel por pxel, agrupando aquellos con caractersticas de color, brillo, tonalidades y
textura, de acuerdo a su vecino ms cercano. (BLASCHKE, 2010; LI et al., 2009; LUCAS et
al., 2007; SANTOS, 2007; HAY et al., 2005). Este proceso tiene la ventaja frente a otros
mtodos, que involucra la multi - escala, con la fusin de dos imgenes de diferente resolucin
espacial, de tal forma que suprime la diferencia de los bordes en diferentes grados de
segmentacin. (LU & WENG, 2007)
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.
La fragmentacin o segmentacin, es el paso ms significativo en el proceso de la

clasificacin, de l depende el resultado final de la identificacin del objeto con la realidad
(COSTA et al., 2009; LI et al., 2009; SANTOS, 2007; BLASCHKE & HAY, 2001).
1.4.2 Combinacin de fragmentos
Es un proceso opcional y adicional para dar referencia a la escala, consiste en combinar

aquellas agrupaciones que fueron fraccionados debido a la subestimacin del rango
seleccionado del numeral 1.4.1., con un rango de combinacin de 0 a 100, entre ms alto es el
rango de la escala, las fracciones nuevas sern ms grandes que las del paso anterior.
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.
1.4.3 Filtracin de segmentos
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.
1.4.4 Seleccin de atributos
Es el proceso en el cual el programa va a tener en cuenta las caractersticas intrnsecas de los

objetos para la clasificacin.
Los atributos se diferencian en 4 grupos: espaciales., espectrales, texturales, y diferenciales.
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.
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
Mide la convexidad del objeto, 1 si es totalmente

Convexidad
convexo, 0 si es totalmente cncavo
Mide la solidez de un objeto, teniendo en cuenta la

Solidez
convexidad, 1 si es totalmente convexo
Medida de forma que compara el rea del objeto en

Redondez
relacin con el eje mayor, valor de 1 si es un crculo
Medida de forma que compara el rea del objeto en

Factor de forma
relacin al permetro valor de 1 si es un crculo
Medida de forma que relaciona el eje mayor con el eje

Elongacin menor del objeto, valor de 1 si es cuadrado y >1 si es
rectngulo
Medida de forma que califica la forma de un

Forma Rectangular rectngulo, valor de 1 si es rectngulo y <1 si se
asemeja
El ngulo subtendido por el eje principal del polgono -

Direccin Principal
y el eje x en grados. Valor de 0 a 180 grados.
-
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).
El atributo relacional, realiza la relacin de bandas como atributo para la clasificacin de un

objeto, teniendo en cuenta la siguiente relacin (Ecuacin 2.2):
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.
1.5 Validacin de la clasificacin de imgenes
Para la validacin de mtodos de clasificacin, SANTOS (2007) y LI et al., (2009) sugieren

realizar el anlisis de la exactitud o aciertos de las clasificaciones, comparndola con otra que
el investigador declare como absoluta, proceso realizado utilizando una Matriz de
Confusin y el Coeficiente Kappa.
1.5.1 Matriz de confusin
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.
Tabla 1-5: Tipos de exactitud para la validacin de clasificacin de imgenes
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
1.5.2 Coeficiente de Validacin Kappa

Este coeficiente, propuesto por Jacob Cohen en 1960 (DOU et al., 2007), es un estadstico que
mide la concordancia de dos metodologas. Es utilizado para ver la similitud de dos
clasificaciones de imgenes, (LI et al., 2009; DOU et al., 2007), realizado por medio de la
ecuacin (2.3):
(2.3)
En donde r es el nmero de filas en la matriz; xij,, nmero de pxeles de la fila i, colomuna j, es

decir la diagonal mayor; xi, fila i; xj, columna j y N el total de pxeles de la matriz. El valor de
coeficiente puede variar de 0 a 1, entre ms cercano este a 1, quiere decir que la concordancia
de los dos mtodos es muy alta. De acuerdo al valor, ste ndice se puede categorizar en seis
clases (Tabla 1-6) segn CERDA & VILLARROEL (2008), de acuerdo a esta clasificacin se
puede rechazar o aceptar la nueva clasificacin a evaluar.
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
2.1 Objetivo General
Desarrollar una metodologa de clasificacin de imgenes de sensores remotos, para

determinar la cobertura y uso del suelo y los cambios, en el piedemonte depositacional del
municipio de Villavicencio.
2.2 Objetivos Especficos
Desarrollar una metodologa para clasificar la cobertura y uso de la tierra basado en

imgenes de sensores remotos a partir de los principios de la clasificacin orientada a
objetos, para el piedemonte depositacional del municipio de Villavicencio.
Validar la clasificacin de las imgenes realizadas con la metodologa propuesta, para el

piedemonte depositacional del municipio de Villavicencio.
Establecer y visualizar el cambio, en un lapso de 17 aos, para la cobertura y uso de la

tierra, del piedemonte depositacional del municipio de Villavicencio.
38
3. Generalidades del rea de estudio
3.1 Localizacin Geogrfica

La zona de estudio esta situada en el piedemonte depositacional del municipio de
Villavicencio, departamento del Meta, y abarca una extensin aproximada de 37.021 ha. Se
encuentra ubicada entre las coordenadas geogrficas WGS84: 734231 Oeste, 4847
Norte y 731343 Oeste, 41 51 Norte. (Figura 3-1).
Figura 3-1: Localizacin geogrfica del rea de estudio (coordenadas planas: Datum
Magna-Sirgas, origen Este; coordenadas geogrficas: WGS84)
3.2 Generalidades de la zona de estudio
El rea de estudio est ubicada en el piedemonte llanero, en el tipo de relieve denominado

Piedemonte Depositacional extrado del mapa de Unidades de Paisaje (IGAC, 2004), en
40
donde se concentra la mayor cantidad de poblacin del departamento del Meta. (IGAC,
2005).
La geoforma dominante en la zona de estudio, corresponde al denominado piedemonte

depositacional, que se encuentra en la base de la cordillera oriental (200 a 700 msnm.),
resultante de la denudacin de materiales de arcillas y conglomerados, que generan superficies
planas e inclinadas con pendientes de 1 a 12%, y conforman una serie de tipos de relieve:
abanicos, terrazas, lomas y colinas (IGAC, 2005).
La actividad pecuaria es la actividad econmica ms frecuente, 68% del rea departamental,

con prcticas de ganadera extensiva (IGAC, 2005).
EL 75% de las tierras estn dedicadas a la explotacin agropecuaria, donde 6% es agrcola,

ocupa parte del piedemonte, valles aluviales y planicies, dada por la mejor oferta de suelo,
clima e infraestructura de la regin. Principalmente se encuentran cultivos de pastos
introducidos, cultivos transitorios de arroz, frjol y maz (IGAC, 2005) y permanentes como
palma africana, caucho y especies forestales de proteccin y produccin.
3.3 Clima
El departamento del Meta, y en general la Orinoqua, se encuentra dentro de la Zona de

Influencia de la Circulacin Atmosfrica Tropical, conformada por una franja de baja presin,
llamada Zona de Convergencia Intertropical que afecta el rgimen de lluvias, y define un
rgimen pluviomtrico monomodal, con periodo seco en los meses de diciembre a marzo y
lluvioso de abril a noviembre, con precipitaciones locales que varan entre 2000 a 2600 mm al
ao.
La temperatura aumenta de occidente a oriente, de las zonas ms altas a la altiplanicie, con

temperatura promedio anual varia de 24 a 27C, con mximas de entre 30.8 y 31.1C
coincidiendo los meses ms calientes con los ms secos (enero, febrero y marzo), y los ms
fros (con temperaturas mnimas entre 19,3C y 20,02C) los fros con los ms hmedos, la
humedad relativa oscilan entre el 60% y 90%. (IGAC, 2005).
Capitulo 3. Generalidades del rea de estudio 41
La humedad relativa promedia es de 75% durante los meses lluviosos y 66 a 68 % durante la

poca ms seca.
De acuerdo con el sistema de clasificacin climtica de Koeppen pertenece al clima A.W,
clima tropical lluvioso de sabana.
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
Piedemonte Bosque de Galera

Pasto negro (Paspaloum plicatulum) Anime (Prottum s.p)
Paja peluda (Trachypogon vestitus) Dormiln (Caliandra surinensis)
Braquiaria (Brachiaria decumbes) Palma araco (Socratia durissima)
Yarumos (Cacropia spp) Palma cumare (Astrocarium chambira)
Merey (Anacardium occidentale) Palma moriche (Maurilia minor)
Nacedero (Trichanthera gigantes) Chaparro sabanero (Curatella americana)
Bledo (Amaranthus) Punta de lanza (Visminia baccifera)
Cortadera (Cyperus spp) Platanillo (Heliconia biahi)
Marciega (Paspalum virgatom) Tabln (Curatella americana)
Dormidera (Mimosa sp) Anturio (Anthurium amdreanum)
Grama (Cynodon dactylon) Naranjito (Capparis adorantissima)
Guayabo sabanero (Psidium sp) Sauce (Saliz humboldtiana)
Tote (Dichromena ciliatum) Marciega (Paspelum virgarum)
Escobas (Sida ssp) Guayacn (Bulnesia arbrea)
Pega pega (Desmodium spp) Carbonero (Calliandra angustidens)
Cola de mula (Leptocorisphyum lanatum) Arrayn (Myrthus foliosa)
Guaratara (Axonopus purpus) Yarumo (Cecropia spp.)
Rabo de zorro (Andropogon bicornis) Palma cumare (Astrocaryum vulgare)
Palma moriche (Mauritia minor)
Palma maoco (Oenocarpus mapora)
Cenizo (Chenopodium paniculatum)
Cedrn (Simaba cedron)
Caa agria (Costus spp)
Ceiba (Ceiba pentandra)
Algarrobo (Hymenea courberil)
Durazno (Prumus prsica)
Pavito (Poinciana pulcherrima)
42
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.
Las unidades ms representativas corresponde a las unidades cartogrficas PVA y PVB

descrita en el estudio general de suelos del departamento del Meta (IGAC, 2005). Son suelos
ubicados en un relieve ligeramente plano con pendientes dominantes entre 1 y 3% y algunos
con ligera inclinacin y pendiente entre 3 y 7%. Los suelos son moderadamente profundos
bien y moderadamente bien drenados, con pequeas zonas localizadas no representativas con
drenaje pobre a imperfecto, de texturas moderadamente finas en casi todos los horizontes del
perfil. La reaccin del suelo es muy fuerte a fuertemente acida, la fertilidad es muy baja. Los
horizontes superiores(A), son de colores pardos oscuros; con textura franco arcillosa o franco
arcilloso arenosa. Es frecuente encontrar en el perfil areniscas en avanzado estado de
meteorizacin a profundidades que oscilan entre 1.0 y 1,50 m. La capacidad de cambio es baja
menor a 14 cmol(+)kg-1 y disminuye con la profundidad; el fosforo aprovechable es muy bajo y
la saturacin de aluminio de cambio alta. (Figura 3-2)
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.
Figura 3-2: Unidades de suelos del piedemonte depositacional (IGAC, 2005)
Tabla 3-2: Descripcin de las unidades de suelos del piedemonte depositacional (IGAC, 2005)
Tipo de Litologa/Material Principales Caractersticas de los rea

Paisaje Smbolo
Relieve Transportado suelos (ha)
Sedimentos finos Profundos, texturas
aluviales que recubren moderadamente finas a finas, bien
depsitos de cantos y drenados, muy fuerte a PVAa 13,979
gravas medianamente extremadamente cidos, fertilidad
alterados baja; toxicidad por aluminio
Terrazas
Profundos a superficiales, texturas
Sedimentos mixtos
medias a finas, bien a pobremente
aluviales que recubren
drenados, fuerte a muy PVBa 22,778
Piedemonte depsitos de cantos y
fuertemente cidos, fertilidad
Mixto gravas poco alterados
baja, toxicidad por aluminio
Profundos a superficiales, texturas

Sedimentos mixtos
variadas de gruesas a finas,
aluviales que recubren
Abanicos drenaje pobre a moderadamente
depsitos de cantos y PVCap 263
Antiguos excesivo, muy fuertemente cidos,
gravas bastante
fertilidad baja; pedregosos en
alterados
sectores apicales
44
4. Metodologa
El esquema de la Figura 4-1, ilustra los procesos metodolgicos realizados para alcanzar los
objetivos trazados en la investigacin.
Figura 4-1: Metodologa general para el desarrollo de la investigacin
Recopilacin de la
Definicin de rea y
Informacin y
escala de trabajo
herramientas a utilizar
Anlisis de imgenes
satelitales
Revisin de Generacin de modelo

Literatura para clasificar objetos
con imgenes satelitales
Procesamiento de
modelo
No
Validacin
Si
Anlisis y Resultados
Preparacin Datos Procesamiento

Conjuncin Y
Conector fuera de
Condicional Resultados
mtodo
46
El proceso se inici con la revisin de literatura de aspectos bsicos y avanzados de la

clasificacin de imgenes y las temticas que involucraron la investigacin, enfocados a la
geomtica, adicional a la recopilacin de la informacin existente del rea, para el desarrollo
del proyecto (Tabla 4-1).
Para determinar el rea de estudio se tom como lmite la unidad de Piedemonte

depositacional de la informacin vectorial del mapa de Unidades de paisaje del
departamento del Meta, realizado por el Instituto Geogrfico Agustn Codazzi y la
Gobernacin del departamento del Meta; por medio del programa ENVI 4.6 se extrajo (subset)
el rea cortes de las imgenes satelitales y el ortofotomosaico.
La escala, se determin teniendo en cuenta la disponibilidad de la resolucin espacial de las

imgenes satelitales Landsat y la multi-escala, ajustado a una escala digital de 1:33.000, valor
mximo en el cual, los objetos no presentan una distorsin visual en el programa de
procesamiento de imgenes, para efectos de salida grfica y/o anloga se opt por manejar la
escala 1:50.000
Para el procesamiento de la informacin, se utiliz el programa de anlisis y procesamiento

digital de imgenes, ENVI con la extensin ENVI ZOOM, mdulo Feature Extraction versin
4.6.
Tabla 4-1: Informacin recopilada del rea de estudio
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
4.1 Imgenes satelitales y fotografas areas
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.
Como elemento adicional y punto de comparacin de la clasificacin de coberturas

determinadas, se utilizaron fotografas areas pancromticas, del IGAC, 2004, escala
promedio de impresin 1:40.000, (Anexo A).
Se elabor el ortofotomosaico, con resolucin espacial de 68 cm, del piedemonte, utilizando

como puntos de control la cartografa base del IGAC a escala 1:25.000 y 1:10.000 de la zona y
el modelo digital de elevacin SRTM de resolucin espacial de 30 metros, para el ajuste
vertical y horizontal (Figura 4-3).
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
Caractersticas Fecha 1 Fecha 2

Nombre de descarga LE70070572003004AGS00 LT50070571986013XXX12
Fuente USGS USGS
Fecha de adquisicin Enero 4 del 2003 Enero 13 de 1986
Sensor Landsat 7 ETM+ Landsat 5 TM
15 m, banda 8,
30 m, banda 1 -5, y 7
Resolucin espacial pancromtica
30 m, banda 1 - 5, y 7 60 m, banda 6
Mtodo de re-muestreo Convolucin cbica Convolucin cbica
Proyeccin UTM WGS 84 UTM WGS 84
Nubosidad <10% 0%
Escena (fila/columna) 7/57 7/57
Figura 4-3: Distribucin de fotografas areas para el ortofotomosaico de la zona de

estudio
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
E40840 E40780 E40550 E40900 E39880 E41338 E42060 E41860

C-2714 C-2714 C-2714 C-2714 C-2714 C-2714 C-2714 C-2713 C-2713
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
E42000 E40840 E40780 E40550 E40900 E39880 E41338 E42060 E41860

C-2714 C-2714 C-2714 C-2714 C-2714 C-2714 C-2714 C-2713 C-2713
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
E42000 E40840 E40780 E40550 E40900 E39880 E41338 E42060 E41860

C-2714 C-2714 C-2713 C-2713
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
4.2 Clasificacin de Imgenes

Como punto de comparacin y validacin de la clasificacin orientada a objetos, se realiz la
interpretacin digital en pantalla, para cobertura y uso del rea de estudio, a partir del
ortofotomosaico, tomando como referencia la metodologa CORINE Land Cover (CLC)
Capitulo 4. Metodologa 49
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.
4.3 Reglas de clasificacin en ENVI ZOOM
Para la investigacin se determinaron las variables mencionadas en el numeral 3.5.4, como

reglas de la clasificacin de las imgenes satelitales.
4.4 Validacin de la clasificacin
Para la validacin del mtodo en investigacin, se realiz el anlisis de la exactitud,

comparando las clasificaciones realizadas a travs de la clasificacin orientada a objetos y el
Ortofotomosaico, por medio de los calificativos de la Tabla 1-6, y el coeficiente Kappa de la
ecuacin 1.3, del numeral 1.5.2
50
4.5 Mapa de cambio de uso de la tierra
Para visualizar y cuantificar el cambio de uso de las coberturas, se sigui el procedimiento de

la Figura 4-4, donde la imagen A corresponde a la imagen de 2003 y la B a la de 1986.
Autores como MALLINIS et al., (2011), BOCCO et al., (2009) y NINGAL et al., (2008),
describen tcnicas para visualizar los cambios de uso en el suelo, similares a la mencionada en
la investigacin.
Figura 4-4: Procedimiento global para la deteccin de cambios en las coberturas de la

tierra
IMAGEN A IMAGEN B
Clasificacin Orientada Clasificacin Orientada

a objetos a objetos
Asignacin de valores Asignacin de valores

a cada objeto a cada objeto
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
5.1 Metodologa de clasificacin de imgenes de

sensores remotos, para determinar la cobertura y
uso del suelo y los cambios
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.
La Figura 5-1, muestra de manera esquemtica la metodologa general desarrollada que se

presenta como propuesta para clasificar coberturas, visualizar y cuantificar los cambios,
utilizando la tcnica de clasificacin orientada a objetos. El diagrama sintetiza los diferentes
procesos (los cuales se detallan a continuacin) utilizados para la determinacin los cambios
ocurridos en las coberturas y usos de la tierra en un lapso de 17 aos en el piedemonte
depositacional del municipio de Villavicencio.
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
Figura 5-1: Metodologa para la determinacin de coberturas y uso de la tierra y su cambio

aplicando la clasificacin orientada a objetos.
Capitulo 5. Resultados y discusiones 53
Figura 5-2: Procedimiento metodolgico para seleccin de variables de la clasificacin orientada a

objetos (COO)
Segmentacin de la imagen
Seleccin de objetos
muestra
Filtro y anlisis de variables: espaciales,

espectrales, texturales , color y relacin
de bandas
Asignacin de Reglas para la

COO
Clasificacin
Preparacin Procesamiento
Resultados
5.1.1 Segmentacin de la imagen
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.
Aumentando el valor del rango a 40 (Figura 5-5), se observ que la segmentacin es

consistente, de tal manera que fue posible separar adecuadamente las dos coberturas
indicadoras. En el caso extremo, cuando se utiliz el valor de fragmentacin de 60 (Figura 5-
5), es evidente que la discriminacin es inadecuada ya que la segmentacin excede los lmites
reales de las coberturas en estudio.
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.
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
Se perfeccionaron los resultados del paso anterior, mediante la combinacin de fragmentos,

proceso que corrige las agrupaciones que no se adquieren a ser discriminadas en la
fragmentacin resultante de la aplicacin del algoritmo Edge-Based y que pueden ser
corregidas mediante el uso del algoritmo Full -Schedule: Esta es una de las ventajas
reconocidas por los usuarios del programa ENVI y que pueden observarse en las Figuras (5-
6, 5-7, 5-8 y 5-9).
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.
Figura 5-6: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento de 40


58
Figura 5-9: Capturas de pantalla de ENVI ZOOM para combinacin de fragmento 95
5.1.2 Seleccin de las coberturas
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.
Se encontr que la mayor extensin corresponde a los denominados Territorios Agrcolas

con el 79,40% equivalente a 29,400 ha, concordando con los reportes que para la zona se
tienen bajo esta cobertura, las dems clases se encontraron en porcentajes menores del 14%:
Bosques y reas Naturales con el 13,48%, Territorios Artificializados con el 6,53% y en
menor proporcin para Superficies de Agua y reas Hmedas que no suman el 1%.
Figura 5-10: Delimitacin de cobertura y uso de la zona de estudio (parte superior) y

escenas detalladas del piedemonte depositacional (parte inferior), Anexo 1
Figura 5-11: Estadsticas a nivel general de la interpretacin a partir del ortofotomosaico
Territorios reas Hmedas Bosques y

Artificializados 0.12% reas
6.53% Naturales
13.48%
Superficies de
Agua
0.47%
Territorios
Agrcolas
79.40%
60
A partir de las cinco categoras mencionadas, se interpretaron y encontraron 38 diferentes

tipos de cobertura y uso de la tierra, sintetizando los resultados en las Figuras: 5-12 y 5-13 y en
el mapa del Anexo B.
En la categora de los Territorios artificializados con una extensin de 2.416,64 ha (6,53%)

se diferenciaron un total de 18 coberturas de la tierra (Figura 10, Anexo B), siendo Los
Condominios y las Fincas Recreativas, las reas ms representativas de esta categora, con
982,61 ha (40,7%) y 542,36 ha (22,4%) respectivamente, lo que indican que esta cobertura es
importante probablemente por condiciones de carcter ambiental (clima, topografa), valor
hednico y por la cercana a Villavicencio que propician el uso turstico.
Para la clase de Territorios Agrcolas 23.393,43 ha (79,40%) de la extensin, se encontr un

total de 10 coberturas de la tierra (Figura 5-12, Anexo B), representada en su mayora por
Pastos Limpios, con 26.549,29 ha (90,3%), en relacin al total de la categora. Estos
resultados reflejan la actividad pecuaria dominante en la zona y la introduccin de pasturas
mejoradas.
Figura 5-12: Estadsticas de las coberturas de Territorios Artificializados

40.7%
22.4%
10.3%
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%
Figura 5-13: Estadsticas de las coberturas de Territorios Agrcolas
90.3%
4.4%
1.8%
0.8%
0.9%
0.7%
0.5%
0.3%
0.2%
0.1%
En la categora de Bosques y reas Naturales con 4.990,17 ha (13,48%) de la zona de

estudio, se discriminaron un total de 6 coberturas de la tierra (Figura 5-14, Anexo B), con
dominio de la Vegetacin Secundaria Baja 2.502,98 ha (50,16%) y Bosque de Galera,
Latifoliados Arbolados 2.264,39 ha (45,38%) respectivamente. Estas, reas pertenecen a los
bordes de afluentes y a las zonas sin intervencin antrpica con cultivos o pasturas.
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).
Con base en las categoras descritas, provenientes de la interpretacin del ortofotomosaico, se

procedi a seleccin de las coberturas y usos de la tierra para la clasificacin orientada a
objetos de la imagen Landsat de la fecha 1. Se encontr que dichas clases, no presentaban
patrones fisonmicos estructurales, que pudiesen apoyar los requerimientos de geometra,
textura y otros necesarios para ejecutar convenientemente la clasificacin en estudio, y que la
metodologa CORINE Land Cover, depende principalmente de aspectos y fundamentos
62
tericos de ecologa, socioculturales y de transformaciones de ambientes, entre otros, que no

siempre son factibles de reconocer y utilizar para esta clasificacin.
Figura 5-14: Estadsticas de las coberturas de los Bosques y reas Naturales
50.16%
45.38%
3.70%
0.04%
0.01%
0.70%
Arenales Bosque Bosque de Bosque de Bosque Vegetacin

Abierto Alto Galera, Galera, Fragmentado Secundaria
Inundable Herbazal y Latifoliadas con Baja
Arbustal Arbolados Vegetacin
Secundaria
Uno ejemplo representativo, se encuentra en la discriminacin de la categora Territorios

Artificializados, con la cobertura y uso de Condominios y fincas recreativas, acorde con los
resultados ilustrados en la Figura 5-15, se observa que el intrprete y la metodologa permiten
delimitar un rea particular, que en su interior es heterognea y que incluye coberturas de
pastos, edificaciones, arbustos, rboles y vas, objetos que pueden ser diferenciados por
separado, sin tener en cuenta el componente socioeconmico.
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
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.
Figura 5-15: Ejemplo de Coberturas delimitadas con aspectos socioeconmicos
Figura 5-16: Estadsticas generalizadas, incluyendo las coberturas seleccionadas palma,

bosque y bosque de galera para la clasificacin orientada a objetos.
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
De la nueva informacin de cobertura unificada, las estadsticas muestran que se mantiene la

tendencia respecto a la inicial (Figura 5-11), siendo la cobertura de Pastos, la ms
representativa con el 72.94% (27.000 ha aprox.) donde las dems coberturas no superan el 7%
del rea.
5.1.3 Seleccin de la muestra
Una vez realizada la segmentacin de la imagen, uno de los procesos ms importantes de la

clasificacin (LI et al., 2009; SANTOS, 2007), se procedi a la determinacin de los objetos o
coberturas seleccionadas y descritas en el tem anterior.
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
(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
De acuerdo a la definicin establecida para las variables espaciales se procedi de la siguiente

manera:
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.
Las variables espaciales dependen especficamente de la geometra del objeto a clasificar y en

este estudio fueron empleadas las de forma, sin tener que recurrir al uso de variables
texturales y de color, ya que al ir generando las reglas, el programa tiene la ventaja de presentar
resultados parciales de la clasificacin permitindole al usuario interactuar para descartar o
adicionar las variables que representan mejor la cobertura a clasificar (Figura 5-20).
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.
Para facilitar la comprensin y aplicacin de la metodologa se generaron los procedimientos

que permiten determinar las variables que se usan como reglas clasificadoras del objeto,
aparecen ilustrados en el diagrama de la Figura 5-21.
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
De las estadsticas generadas (Anexo D) se efectu la primera seleccin de las variables, a

tener en cuenta. A partir de los parmetros estadsticos se determin una matriz A, (Ecuacin
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)
Se encontr que la matriz A se compuso de un arreglo de 25 variables para cada objeto,

correspondientes a cuatro parmetros (mnimo, mximo, desviacin estndar y promedio) por
banda y la relacin de bandas, que en la investigacin se tom en cuenta dentro de este
agrupamiento por trabajar con los valores de las bandas 3 y 4 (rojo e infrarrojo cercano, ver
Anexo E).
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)
Generada la matriz B, se encontr que las variables seleccionadas, en algunos casos

presentaban valores de media similares para cada objeto. Este proceso que no diferenci
espectralmente la clasificacin del objeto (Anexo F).
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.
Ejecutado el procedimiento de la Figura 5-21, se encontr que solo la variable de relacin de

bandas, era necesaria para complementar la clasificacin, ya que al introducir las dems
variables el resultado no mostraba diferencias, lo cual puede ser atribuido a que las bandas
seleccionadas para el anlisis, rojo e infrarrojo cercano, son las que se utilizan para determinar
el ndice de vegetacin normalizada (NVDI). Es claro, que en otros casos, es factible que el
usuario seleccione bandas diferentes a stas, pero en este caso se hall que la relacin de
bandas aplicada, es una de las variables que tiene ms peso al momento de seleccionar una
cobertura vegetal.
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.
El comportamiento de la variable en general, fue similar al reportado por SANTOS, et al.,

(2010), quienes consideran que ste ndice es adecuado como indicador principal en el cambio
de uso de la tierra.
5.1.4 Asignacin de reglas para la clasificacin de objetos

Una vez definidas las variables y valores que caracterizaban cada objeto o cobertura, se
introdujeron los rangos de la Tabla 5-1, para que el sistema asignara las clases a la imagen
segmentada de la fecha 1, generando la clasificacin final de la imagen, en formato vectorial
(shape) y matricial (raster), ver Figura 5-22.
Tabla 5-1: Variables y valores que definieron la clasificacin de los objetos
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
La Figura 5-22, ilustra el resultado de la clasificacin orientada a objetos, en ella se pueden

observar delimitadas vectorialmente con lneas de color rojo, los resultados obtenidos con la
aplicacin del mdulo ENVI ZOOM.
Figura 5-22: Variables y valores que definieron la clasificacin de los objetos

72
5.2 Validacin de la Clasificacin

Para cuantificar y comparar los resultados obtenidos con la clasificacin orientada a objetos y
la interpretacin visual en pantalla, se procedi a realizar la validacin con la matriz de
confusin y el coeficiente Kappa, acorde con los planteamientos de (SANTOS, 2007, LI et al.,
2009; DOU et al., 2007). En una hoja de clculo electrnica Excel, con la informacin
vectorial de las coberturas en estudio se aplicaron las ecuaciones indicadas en el marco
terico.
Se realiz la unin de las dos capas (clasificacin de ortofotomosaico y clasificacin orientada

a objetos), con el propsito de determinar la correspondencia existente. A partir de la base de
datos resultantes, se gener la matriz de confusin con las reas resultantes del cruce (Tabla 5-
2).
Tabla 5-2: Matriz de confusin de las clasificaciones de las imgenes
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
A partir de la matriz de confusin de la Tabla 5-2, se encontr la exactitud de usuario y de

productor de la clasificacin (Tabla 5-3).
Tabla 5-3: Exactitud de usuario y de productor segn la matriz de confusin
Bosque Bosque de Galera Palma (Sin clasificar)

Exactitud de Usuario %
78.86 92.01 48.1 22.12
Exactitud de Productor %
90.62 45 50.02 0
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.
5.3 Cambio de uso de las coberturas del suelo
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.
Tabla 5-4: Matriz de confusin de las clasificaciones de las imgenes
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
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).
Tabla 5-5: Porcentaje de cambio de las coberturas en estudio
Bosque Bosque de Galera Palma adulta

Ao 1986 9304,46 3581,45 110,39
Ao 2003 2083,78 2597,87 218,88
% Cambio -77,60% -27,46% -
76
Se encontr que la cobertura bosque disminuyo en 77,60% y los bosques de galera en

27,46%, para la palma africana aumento el rea, pero el clculo de porcentaje de cambio no
fue efectuado, ya que no es posible asegurar si para la imagen de 1986 la palma mostraba la
mismas caractersticas fisionmicas de las palmas actuales (mayores de 20 aos) identificadas
en la imagen 2003.
En la Figura 5-25 se observan en un mapa binario, el cambio de uso ocurrido en el perodo

entre 1986 a 2003 obtenidos a partir de la clasificacin orientada a objetos, el color naranja
indica el cambio de las coberturas de: bosque, bosque de galera y palma y el color verde las
coberturas que han permanecido sin cambio.
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
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
Se alcanzaron los objetivos planteados ya que fue posible desarrollar la metodologa de

clasificacin orientada a objetos utilizando como herramienta el programa de ENVI y el
mdulo de ENVI ZOOM para determinar la cobertura y el uso del suelo y tambin para
detectar y cuantificar los cambios ocurridos en las mismas un lapso de 17 aos en el
piedemonte depositacional del municipio de Villavicencio.
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.
Adems de establecer procedimientos que afectan la clasificacin orientada a objetos, tambin

fue posible generar un proceso para detectar el cambio de uso en las coberturas como
subproducto de la clasificacin.
80
Bibliografa
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.
ALMEIDA-FILHO, R.; SHIMABUKURO, Y.E. 2002. Digital processing of a Landsat -TM

time series for mapping and monitoring degraded areas caused by independent gold
miners, Roraima State, Brazilian Amazon. Remote sensing of environment, v.79, p.42-50.
ANTONARAKIS, A.S.; RICHARDS, K.S.; BRASINGTON, J. 2008. Object-based land

cover classification using airborne LiDAR. Remote sensing of environment, v.112, n.6
p.2988-2998.
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.
ARANGO, G.M.; BRANCH, B.J.W.; BOTERO, F.V. 2005. Clasificacin no supervisada de

coberturas vegetales sobre imgenes digitales de sensores Remotos: Landsat -
ETM+. Revista Facultad de Agronoma, Universidad Nacional de Colombia, Sede Medelln,
v.58, n.1, p.2611-2634.
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.
BONTEMPS, S.; BOGAERT P.; TITEUX N.; DEFOURNY P. 2008. An object-based

change detection method accounting for temporal dependences in time series with
medium to coarse spatial resolution. Remote Sensing of Environment v.112, p.31813191.
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
CERDA, J. & VILLARROEL, L. 2008. Evaluacin de la concordancia inter-observador en

investigacin peditrica: Coeficiente de Kappa. Revista Chilena de Pediatra, v.79, n.1,
p.54-58.
CHUVIECO, E. 2000. Fundamentos de teledeteccin espacial. Editorial Rialp s.a., Madrid,

p.1-568.
Bibliografa 83
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.
CONCHEDDA, G.; DURIEUX, L.; MAYAUX, P. 2008. An object-based method for

mapping and change analysis in mangrove ecosystems. Journal of photogrammetry and
remote sensing, v.63, n.5, p.578-589.
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.
DESCLE, B.; BOGAERT, P.; DEFOURNY, P. 2006. Forest change detection by

statistical object-based method. Remote Sensing of Environment, v.102, n.1-2, p.1-11.
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.
FIGUEIREDO, DM.S.M.; DE CARVALHO T.L.M. 2007. Anlise comparativa entre

tcnicas de classificao digital em imagens Landsat no mapeamento do uso e
ocupao do solo em Capixaba, Acre. Anais XIII Simpsio Brasileiro de Sensoriamento
Remoto, Florianpolis, Brasil, INPE, p.6729-6736.
GAMANYA, R.; DE MAEYER, P.; DE DAPPER, M. 2009. Object-oriented change

detection for the city of Harare, Zimbabwe. Expert Systems with Applications, v.36, n. 1,
p.571-588.
GARZELLI, A.; NENCINI, F. 2007. Panchromatic sharpening of remote sensing images

using a multiscale Kalman. Pattern Recognition, v.40, n.12, p.3568-3577.
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.
HAY, G.J.; NIEMANN, K.O.; MCLEAN, G.F. 1996. An object-specific image-texture

analysis of H-Resolution forest imagery. Remote Sensing of Environment, v.55, n.2, p.108-
122.
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.
IDEAM. 2010. Leyenda nacional de coberturas de la tierra, Metodologa CORINE Land

Cover adaptada para Colombia escala 1:100.000. Instituto de Hidrologa, Meteorologa y
Estudios Ambientales.
IGAC - CORPOICA. 1973. Reconocimiento semidetallado de suelos del Centro de

Investigacin La Libertad, departamento del Meta. Instituto Geogrfico Agustn
Codazzi, p.1-67.
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
JACQUIN, A.; MISAKOVA, L.; GAYA, M. 2008. A hybrid object-based classification

approach for mapping urban sprawl in periurban environment. Landscape and Urban
Planning, v.84, n.2, p.152-165.
KAYITAKIRE, F.; HAMEL, C.; DEFOURNY, P. 2006. Retrieving forest structure

variables based on image texture analysis and IKONOS-2 imagery. Remote Sensing of
Environment, v.102, n.3-4, p.390-401.
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.
LALIBERTE, A.S.; RANGO, A.; HERRICK, J.E.; FREDRICKSON, E.L.; BURKETT, L.

2007. An object-based image analysis approach for determining fractional cover of
senescent and green vegetation with digital plot photography. Journal of Arid
Environments, v.69, n.1, p.1-14.
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.
LEWINSKI, S. & ZAREMSKI, K. 2004. Examples of object-oriented classification

performed on high-resolution satellite images. Miscellanea Geographica, v.11, p.349-359.
Bibliografa 87
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.
MACEDO-CRUZ, A.; PAJARES-MSRTINSANZ, G.; SANTOS-PENAS, M. 2010.

Clasificacin no supervisada con imgenes a color de cobertura terrestre. Agrociencia,
v.44, n.6, p.711-722.
MALLINIS, G.; EMMANOLOUDIS, D.; GIANNAKOPOULOS, V.; MARIS, F.;

KOUTSIAS, N. 2011. Mapping and interpreting historical land cover/land use
changes in a natura 2000 site using earth observational data: the case of Nestos delta,
Greece. Applied Geography, v.31, p.312-320.
MALLINIS, G.; KOUTSIAS N.; TSAKIRI-STRATI M.; KARTERIS, M. 2008. Object-

based classification using Quickbird imagery for delineating forest vegetation polygons
in a Mediterranean test site. Photogrammetry and Remote Sensing, v.63, n.2, p.237-250.
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.
MELO, W.H.; CAMACHO, C.M. 2005. Adaptacin de la metodologa CORINE Land

Cover para Colombia. Instituto Geogrfico Agustn Codazzi, p.22-36.
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
NOVO, E.M.L.M. 2002. Sensoriamento Remoto. Princpios e Aplicaes. So Paulo: Edgard

Blucher. 2da edio.
OTAZU, J. & NUEZ, J. 2001. Algoritmo de clasificacin no supervisada basado en

wavelets. Revista de Teledeteccin, v.16, p.83-89.
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.
S, R.DA.; ALMOROX, J.; DE SOUZA, A. 1996. Comparacin de dos mtodos de

clasificacin digital y aplicacin al cartografiado de vegetacin en el nordeste brasileo.
Revista de Teledeteccin, v.7, n.7, p.1-6.
SAMSUDIN, N.A. & BRADLYE, A.P. 2010. Nearest neighbour group-based classification.
Pattern Recognition, v.43, n.10, p.3458-3467.
Bibliografa 89
SANTANA, O.A.; CARVALHO JNIOR, O.A..; PIMETNEL, C.M.M.; GOMES, R.AT.;

OLIVEIRA, S.N. 2010. Modelagem de espectros temporais NDVI-MODIS, no
perodo de 2000 a 2008, na bacia do rio Paracatu, Brasil. Revista Brasilera de Geografa,
v.28, n.1, p.47-60.
SANTOS, J.C. 2007 .Extrao de atributos de forma e seleo de atributos usando

algoritmos genticos para classificao de reges. Tesis de maestra. Instituto Nacional
de Pesquisas Espaciais (INPE), Brasil, p.1-102.
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.
VICENTE-SERRANO, S.M.; PREZ-CABELLO, F.; LASANTA, T. 2008. Assessment of

radiometric correction techniques in analyzing vegetation variability and change using
time series of Landsat images. Remote Sensing of Environment, v.112, n.10, p.3916-3934.
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
A. Listado de vuelo y ndice de las

fotografas areas pancromticas
Listado de fotografas areas pancromticas tomadas por el Instituto Geogrfico Agustn
Codazzi.
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
B. Mapa de coberturas y usos de la

tierra, generadas a partir del
ortofotomosaico
Se realiz el mapa de coberturas y usos de la tierra a escala 1:50.000, con la
interpretacin del ortofotomosaico, disponible en formato PDF, anexo al documento
digital.
C. Matriz de las variables espaciales,

y espectrales de la segmentacin
Se encuentra anexo en formato de hoja electrnica del programa Excel.
D. Valores de los atributos de cada

segmento seleccionados como
muestras para la clasificacin
orientada a objetos para las dos
imgenes
Se encuentra anexo en formato de hoja electrnica del programa Excel
Lista de Anexos 93
E. Parmetros estadsticos de las

coberturas, generadas en la
clasificacin orientada a objetos
F. Matrz B, de valores medios de

los objetos encontrados
G. Pruebas de Tukey realizadas para

la seleccin de variables
Se encuentra anexo en formato de hoja texto del programa Word
94
H. Mapa de Cambio de Uso

Se realiz el mapa de cambio de uso de la tierra a escala 1:50.000, con la la metodologa
propuesta de la Figura 5-1, disponible en formato PDF, anexo al documento digital.

Andresfeliperodriguezvasquez 2011 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Andresfeliperodriguezvasquez 2011 PDF

Uploaded by

Copyright:

Available Formats

Metodologa para detectar cambios en el

uso de la tierra utilizando los principios de

Andrs Felipe Rodrguez Vsquez

Universidad Nacional de Colombia

Metodologa para detectar cambios en el

Andrs Felipe Rodrguez Vsquez

Tesis presentada como requisito parcial para optar al ttulo de:

Universidad Nacional de Colombia

Las palabras se las lleva el viento,

A los cientficos y personal tcnico y de campo del centro de investigacin CORPOICA

A las personas nombradas a continuacin que colaboraron directa e indirectamente con el

Dra. Yolanda Rubiano,

Palabras clave: clasificacin orientada a objetos, coberturas, cambio de uso, ENVI

Resumen ................................................................................................................................... VII

Lista de figuras .......................................................................................................................... XI

Lista de tablas......................................................................................................................... XIII

Lista de Anexos ........................................................................................................................... 91

GAMANYA et al., (2009), reportan el desarrollo y aplicacin de diversos algoritmos para la

Los mtodos convencionales de clasificacin, requieren de la experticia y conocimiento

En Colombia, existe un inters creciente de cuantificar los cambios en la cobertura superficial,

En el Municipio de Villavicencio, los trabajos enfocados a determinar variaciones temporales

En razn a lo expuesto, el objetivo general de esta investigacin fue desarrollar una

1.1 Los sensores remotos en los mapas de cobertura de

El origen de la percepcin remota es muy discutido a nivel mundial, pero se condiciona a

Figura 1-1: Rangos del espectro electromagntico utilizadas para la discriminacin de

La diversidad de los sensores remotos en cuanto a la resolucin espacial y temporal es uno de

1.1.1 La escala en los sistemas de informacin geogrfica

Debido a los avances tecnolgicos y a la introduccin de los Sistemas de Informacin

En el contexto de la imgenes de sensores remotos, la multi-escala soporta dos conceptos:

La resolucin espacial, se refiere al tamao mximo de un objeto capturado por un sensor,

En sntesis la resolucin espacial define el nivel de detalle espacial de un objeto respecto a la

Tabla 1-1: Resolucin de algunos sensores remotos (WULDER et al., 2008)

Landsat -5 (TM) 185 30

Orbview-S 8 4 (MS); 1 (pan)

* MS = Multiespectral SWIR = Infrarrojo cercano pan = Pancromtico

1.2 Cobertura y uso de la tierra

1.2.1 Aspectos generales

La cobertura terrestre se reconoce mediante dos trminos: cobertura y uso de la tierra. El

su origen (natural o antrpico) involucra la fisonoma y composicin de la cobertura vegetal,

1.2.2 Determinacin de las coberturas de la tierra

En Colombia, esta metodologa fue adaptada en el ao 2006, para la cuenca Magdalena

La determinacin y cuantificacin de la cobertura y uso de la tierra, incluye los cambios que

1.3 Mtodos de clasificacin de imgenes

La clasificacin de imgenes satelitales ha sido utilizada para diferentes propsitos, con un

1.3.1 Clasificacin basada en el pxel

En la ltima dcada, diferentes autores han investigado y desarrollado metodologas o

Tabla 1-2: Algunos mtodos de clasificacin supervisada de imgenes en la dcada 2000-

M. clasificacin supervisada Autor que lo cita

Tabla 1-3: Algunos mtodos de clasificacin no supervisada de imgenes en la dcada

M. clasificacin no supervisada Autor que lo cita

La clasificacin supervisada se fundamenta en el previo conocimiento de las clases y de

Los programas que realizan la clasificacin, generalmente utilizan el algoritmo de mxima

La clasificacin no supervisada, agrupa pxeles de manera automtica a una clase que no ha

El algoritmo ms utilizado para la clasificacin es el ISODATA, proveniente de Iterative

El mtodo empieza con una agrupacin promedio al azar de un conjunto de firmas

1.3.2 Clasificacin basada en el subpxel

La clasificacin basada en el subpixel, fue citada a comienzos de 1970, e impulsada

1.3.3 Clasificadores contextuales

Es una tcnica de clasificacin de imgenes, que considerada conjuntamente las caractersticas

1.3.4 Clasificadores basados por campo

El mtodo consiste en subdividir una imagen en parcelas, utilizando la informacin vectorial,

1.4 Clasificacin Orientada a Objetos

La clasificacin orienta a objetos es una metodologa reciente que est en proceso de