Anexo - 4 Teledeteccion

ANEXO 4.
APLICACIÓN DE TÉCNICAS DE TELEDETECCIÓN Y

PROCESAMIENTO DIGITAL DE IMÁGENES
SATELITALES EN PROYECTOS DE ZONIFICACIÓN
DE AMENAZA POR MOVIMIENTOS EN MASA
La teledetección no refiere sólo a la captación de datos desde el aire o desde el espacio sino también
a su posterior tratamiento. Una definición formal la describe como la técnica de adquisición y
posterior tratamiento de datos de la superficie terrestre desde sensores instalados en plataformas
espaciales, en virtud de la interacción electromagnética existente entre la tierra y el sensor, siendo la
fuente de radiación bien proveniente del sol, en el caso de la teledetección pasiva, o del propio
sensor, cuando se trata de una técnica de teledetección activa. (INNOVANET, 2004)
Las técnicas de teledetección se han desarrollado en los últimos años de una manera espectacular y
tienen aplicación en casi todas las áreas de las ciencias de la tierra. Frabegat (2004) menciona
algunas de las ventajas de la utilización de sistemas de teledetección, entre las que se destacan:
Visualización sinóptica de grandes áreas.

Posibilidad de observación de zonas de difícil acceso.
Multitemporalidad de las observaciones.
Homogeneidad respecto al sistema de observación.
Registro de la información en diferentes bandas del espectro electromagnético.
Registro digital de la información.
Costos muy competitivos con otras técnicas de obtención de información.
Así como ventajas, la teledetección presenta una serie de limitaciones, por lo que en cualquier
aplicación deben fijarse unos objetivos acordes a su capacidad; este planteamiento es fundamental a
la hora de acometer cualquier trabajo, evitándose así que esta herramienta sea considerada más
vistosa que útil. (Chuvieco, 1990)
En los últimos años esta técnica ha tenido fuertes aplicaciones en el campo de las geociencias, al
punto de validar la aplicación de la misma en proyectos de zonificación de amenaza por
movimientos en masa; algunos trabajos de investigación incluso han concentrado esfuerzos en el
monitoreo de avance de grandes deslizamientos, determinación de las condiciones de humedad del
suelo y la vegetación, entre otros. La teledetección se debe considerar como un método indirecto de
reconocimiento de movimientos en masa, y que apoya decididamente la zonificación de amenaza
por este tipo de eventos, aunque deben tenerse presentes las limitaciones que tiene implícitas.
ESTUDIO COMPARATIVO DE METODOLOGÍAS DE ZONIFICACIÓN DE AMENAZA POR MOVIMIENTOS EN MASA APLICADO AL SECTOR RURAL DE VILLAVICENCIO
4.1. CARACTERÍSTICAS DEL SENSOR ETM Y DE LA IMAGEN DE SATÉLITE
4.1.1. Sensor Landsat ETM (Mapeador Temático)
Este sensor fue alojado en el espacio por medio del vehículo de lanzamiento Delta II, dentro del
programa Landsat 7 en abril de 1999, su altitud es de 705 Km. y el ancho de cobertura de su haz es
de 185 Km. El Landsat 7 está heliosincronizado, o sea que siempre pasa a la misma hora por un
determinado lugar, su orbita es descendente, o sea de norte a sur, y cruza la línea del ecuador entre
las 10:00 y las 10:15 (hora local) en cada pasaje.
Las principales características del sensor, en lo que refiere a los diferentes tipos de resolución se
presentan en la Tabla A4.1.
Resolución Resolución Resolución Resolución

Banda ETM (+) Espectral Espacial Temporal Radiométrica
( µ m) (m) (días - orbitas) (bits – niveles)
1 Ö Azul Visible 0.450 – 0.515 30 16 - 233 8 – 256
2 Ö Verde Visible 0.525 – 0.605 30 16 - 233 8 – 256
3 Ö Rojo Visible 0.630 – 0.690 30 16 - 233 8 – 256
4 Ö IR cercano 0.750 – 0.900 30 16 - 233 8 – 256
5 Ö IR medio 1.550 – 1.750 30 16 - 233 8 – 256
6 Ö IR termal 10.40 – 12.50 60 16 - 233 8 – 256
7 Ö IR medio 1.090 – 2.350 30 16 - 233 8 – 256
8 Ö Pancromático 0.520 – 0.900 15 16 - 233 8 – 256
Fuente: Alzate 2003.
Tabla A4.1. Diferentes tipos de resolución del sensor Landsat 7 ETM (+)
4.1.2. Imágenes de Satélite
Se utiliza una imagen Landsat 7 ETM + obtenida en el servidor la Universidad de Maryland

(http://glcf.umiacs.umd.edu/); el área a cubrir por la imagen de satélite es la comprendida entre los
4° 2’ 22.62” y los 4° 19’ 30.43” de latitud norte y entre los 73° 33’ 0.64” y los 73° 46’ 34.18” de
longitud al oeste del meridiano de Greenwich, lo que enmarca el área dentro de la escena Landsat
que tiene la siguiente caracterización en el catalogo del servidor de la Universidad de Maryland.
Path: 007
Row: 057
Sensor: ETM +
Fecha de toma: 25 de julio de 2001
Hora de toma: aproximadamente 10:00 a.m.
Se selecciona una imagen del año 2001 debido a que el objeto de este estudio es mostrar las
posibilidades que tiene el uso de imágenes de satélite en el reconocimiento de diversos tipos de
movimientos en masa, pretendiendo plantear la forma de calibrar un mapa morfodinámico a futuro.
256
UNIVERSIDAD NACIONAL DE COLOMBIA – BOGOTÁ INGEOMINAS – SUBDIRECCIÓN DE AMENAZAS GEOLÓGICAS Y ENTORNO AMBIENTAL
ANEXO 4 APLICACIÓN DE TÉCNICAS DE TELEDETECCIÓN Y PROCESAMIENTO DIGITAL DE IMÁGENES
SATELITALES EN PROYECTOS DE ZONIFICACIÓN DE AMENAZA POR MOVIMIENTOS EN MASA
No obstante se trata de identificar los movimientos en masa, se plantea la utilización del mapa
morfodinámico levantando por INGEOMINAS a través de una tarea conjunta de fotointerpretación
y trabajo de campo. Se cuenta entonces con una clasificación de movimientos en masa y un
inventario de dichos eventos georreferenciados dentro del área de estudio, lo cual hace posible por
medio de transformaciones simples de coordenadas, unificar los sistemas de referencia de la imagen
y de los movimientos en masa, con el objeto de analizar el comportamiento espectral de cada tipo de
movimiento y tratar de establecer tendencias en la generación de cada clase de movimiento en masa.
4.2. PREPROCESAMIENTO DIGITAL
4.2.1. Correcciones Radiométricas
Las correcciones radiométricas se refieren a la remoción y/o disminución de las distorsiones en el

grado de energía electromagnética registrada por cada detector. La subescena de la imagen que se
recortó para desarrollar este trabajo, no tiene problemas de bandeamiento ni de ruido, y
aparentemente no presenta grandes problemas de neblina atmosférica.
4.2.2. Correcciones Geométricas
El objetivo primordial de la corrección geométrica es poner los elementos de la imagen en su

posición planimétrica apropiada. Las imágenes que alberga el servidor de la Universidad de
Maryland, han sido previamente georeferenciadas de acuerdo con la transformacion de coordenadas
Universal Tranversa de Mercator – UTM, que para la posición de la imagen corresponde a la zona
18 en el hemisferio norte (UTM–18N), utilizando el esferoide internacional 1909.
El trabajo desarrollado por INGEOMINAS tiene como referencia el origen de coordenadas planas
(falsos Norte y Este) Bogotá 1’000.000 m N, 1’000.000 m E, luego para llevar a cabo los análisis se
proyectaron todas las coberturas generadas por INGEOMINAS al sistema de referencia de la imagen
(UTM–18N), empleando la herramienta de conversión Projections del ArcToolBox del software
ArcGIS.
4.3. DESPLIEGUE Y REALCE DIGITAL
4.3.1. Análisis de Histogramas y Manipulación del Contraste
A partir de un análisis previo de los valores máximo y mínimo de ND (numero digital) en una
imagen, puede llegarse a una estimación de lo adecuado que puede resultar la aplicación de una u
otra técnica de realce digital. Para determinar los valores máximo y mínimo del ND de la imagen, en
257
UNIVERSIDAD NACIONAL DE COLOMBIA – BOGOTÁ INGEOMINAS – SUBDIRECCIÓN DE AMENAZAS GEOLÓGICAS Y ENTORNO MBIENTAL
cada una de sus bandas, basta con visualizar sus propiedades a través del Composer en el software
IDRISI. La Tabla A4.2 muestra los valores máximo y mínimo de ND para cada una de las bandas de
la imagen.
Banda Rango del Espectro ND mínimo ND máximo

1 Azul visible 48 255
2 Verde visible 30 255
3 Rojo visible 20 255
4 Infrarrojo Cercano 12 255
5 Infrarrojo Medio 7 255
7 Infrarrojo Medio 8 255
Fuente: Propia.
Tabla A4.2. Valores máximo y mínimo de ND para las diferentes bandas de la imagen.
Del análisis previo de esta Tabla Ase puede ver que la presencia de valores ND de 255, impedirá la
aplicación de técnicas de realce de una manera productiva. Sin embargo se comprueba esta hipótesis
por medio del análisis de los histogramas. En la Figura A4.1 se despliegan los histogramas de cada
una de las bandas en su estado original, ya que proporciona una apreciación de la calidad de los
datos de la imagen.
frec.
60000
BANDA 1 (Azul)
BANDA 2 (Verde)
50000
BANDA 3 (Rojo)
BANDA 4 (IR cercano)
40000 BANDA 5 (IR medio)
BANDA 7 (IR medio)
30000
20000
10000
0
0 50 100 150 200 250
Valores de ND
Fuente: Cálculos propios.
Figura A4.1. Histogramas de las seis bandas originales.
Para interpretar estos histogramas en lo referente al contraste de la imagen, se analiza la apertura del
mismo, de tal forma que histogramas estrechos representan un contraste bajo, al tiempo que
histogramas amplios representan un contraste alto. En cuanto a la tonalidad de las imágenes se dice
que un histograma sesgado hacia la derecha corresponde a una imagen recargada de tonos claros,
mientras que un histograma sesgado hacia la izquierda corresponde a una imagen recargada de tonos
oscuros.
258
Visualmente las seis bandas de la imagen se despliegan con bajo contraste, lo cual se aprecia
también en la poca apertura de sus histogramas, esto indica algún tipo de concentración de los
valores de frecuencia. Del análisis visual y del histograma de cada una de las bandas de la imagen,
en lo referente al contraste se tiene lo siguiente:
Rango aproximado Valor aproximado

Apertura del Sesgo del
Banda de apertura del Contraste del ND en el pico Tonalidad
Histograma histograma
histograma (ND) del histograma
1 Muy estrecho 20 Bajo Izquierdo 65 Oscura
2 Estrecho 30 Bajo Izquierdo 48 y 54 Oscura
3 Estrecho 30 Bajo Izquierdo 35 Media
4 Amplio 60 Alto Medio 92 Clara
5 Amplio 60 Alto Medio 92 Clara
7 Estrecho 35 Bajo Izquierdo 40 Media
Fuente: Propia, análisis subjetivo.
Tabla A4.3. Análisis del contraste en cada una de las bandas de la imagen Landsat 7 ETM (+)
Las técnicas de realce del contraste pretenden mejorar la calidad de las imágenes bajo los criterios
subjetivos del ojo humano. Un aumento de contraste no revelará nunca una información nueva que
no esté contenida en la imagen. El contraste solamente presentará la misma información existente en
los datos brutos, pero de una forma más clara para el usuario, de ahí que el contraste entre dos
objetos puede ser definido como la razón entre sus niveles de gris medios. (SPRING, 2004)
La manipulación de contraste consiste en una transferencia radiométrica en cada "píxel", con el

objetivo de aumentar la discriminación visual entre los objetos presentes en la imagen. La operación
es realizada punto a punto, independientemente de la vecindad (SPRING, 2004). Esta transferencia
radiométrica es realizada con ayuda de histogramas, que son manipulados para obtener el realce
deseado, para lo cual existen varios métodos de manipulación, entre los que se destacan los lineales,
los de raíz cuadrada, los logarítmicos y el de ecualización del histograma. En este trabajo, de
acuerdo con las posibilidades del software IDRISI, se emplean los métodos lineales y de
ecualización del histograma.
En lo referente a los métodos lineales se aplican el estiramiento lineal simple y el estiramiento lineal
con saturación. En teoría, el contraste se puede mejorar si se amplia el rango de representación de
los números digitales (ND), generando números visuales (NV) que abarquen todo el rango dinámico
de 0 a 255, lo cual se puede lograr con un estiramiento lineal simple. En la Figura A4.2 se
despliegan los histogramas de frecuencias para las seis bandas de la imagen, luego de aplicarles el
estiramiento lineal simple. En este caso, el estiramiento lineal no es una medida útil, ya que por la
presencia de nubes, todas las bandas presentan valores máximos de 255, así que un estiramiento de
este tipo no tiene efecto positivo para mejorar el contraste de la imagen, lo cual también se puede
apreciar al analizar comparativamente los histogramas de las bandas originales y los de las bandas
con estiramiento lineal.
259
frec
60000
BANDA 1 (Azul)
BANDA 2 (Verde)
50000 BANDA 3 (Rojo)

BANDA 5 (IR medio)
40000 BANDA 7 (IR medio)
30000
20000
10000
0
0 50 100 150 200 250
Valore de ND
Figura A4.2. Histogramas de las seis bandas luego de aplicarles el estiramiento lineal simple.
Posteriormente se aplicó el estiramiento lineal con saturación al 1%, reuniendo así en una sola clase
los valores de ND con las frecuencias más bajas, lo cual permite una mejor redistribución de los
valores del ND para obtener valores de NV que aún abarcando todo el rango de 0 a 255, permitan
tener un histograma con mayor apertura, lo que teóricamente permitiría tener un mejor contraste en
la imagen. Una vez finalizada ésta aplicación se encontró que tampoco es una técnica útil para
mejorar el contraste y la tonalidad en esta imagen. En la Figura A4.3 se despliegan los histogramas
para las seis bandas de la imagen luego de aplicarles el estiramiento lineal con saturación al 1%.
f
60000
BANDA 1 (Azul)
BANDA 2 (Verde)
50000 BANDA 3 (Rojo)
BANDA 5 (IR medio)

40000
BANDA 7 (IR medio)
30000
20000
10000
0
0 50 100 150 200 250
Valore de ND
Figura A4.3. Histogramas de las seis bandas luego de aplicarles el estiramiento lineal con saturación al 1%.
260
En la Figura A4.4 se despliegan los histogramas de la banda del azul antes y después de aplicarle las
técnicas de estiramiento; el 1.0% de saturación significa que todos lo valores de ND que se
encuentren en el rango de frecuencias que abarca de 0 a 1.0% del total de las mismas, serán
reasignados a un valor NV de 0, y todos aquellos que estén incluidos entre el 99.0 y el 100% del
total de las frecuencias, serán reasignados a un valor NV de 255.
f
60000 Corrimiento del pico del
histograma, haciéndolo aún Banda 1Or iginal
más sesgado hacia la
izquierda, lo cual genera una Banda 1 con Est iramient o
50000 marcada t onalidad oscura en Lineal
la imagen. Banda 1con Est ir amient o
Lineal con Sat uración 1%
40000
30000
20000
Increment o insignificant e en la apertura del

10000 histograma, impidiendo que en la imagen se
aprecie un cont rast e mayor.
0
0 50 100 150 200 250
Va l or e de N D
Figura A4.4. Comparación de histogramas antes y después de aplicarles técnicas de estiramiento.
Para finalizar la etapa de análisis, se llevó a cabo el ejercicio de ecualización de los histogramas,
esperando obtener mejores resultados en el realce digital para favorecer el despliegue visual de la
imagen. Esta es una forma de manipulación de histograma que reduce automáticamente el contraste
en las áreas muy claras o muy oscuras de una imagen, también expande los niveles de gris a lo largo
de todo el intervalo. Consiste en una transformación no lineal que considera la distribución
acumulativa de la imagen original, para generar una imagen resultante cuyo histograma será
aproximadamente uniforme (SPRING, 2004).
La opción de ecualización parte del principio que el contraste de una imagen sería optimizado si
todos los 256 niveles de intensidad posibles fueran igualmente utilizados o, en otras palabras, todas
las barras verticales que componen el histograma fueran de la misma altura. Obviamente esto no es
posible debido a la naturaleza discreta de los datos digitales de una imagen de percepción remota.
Sin embargo, se consigue una aproximación al dispersar los picos del histograma de la imagen,
dejando intocadas las partes más chatas. (SPRING, 2004)
En la Figura A4.5 se despliegan los histogramas de las seis bandas analizadas, luego de practicarles
la ecualización.
261
f r ec.
BANDA 1( Azul)
60000
BANDA 2 (Ver de)
BANDA 3 (Rojo)
50000 BANDA 4 (IR cer cano)
BANDA 5 (IR medio)
BANDA 7 (IR medio)

40000
30000
20000
10000
0
0 50 100 150 200 250
V a l or e de N D
Figura A4.5. Tendencia general de los histogramas de las seis bandas luego de aplicarles la ecualización.
Del análisis de los histogramas ecualizados es claro que los picos corresponden a los tipos
dominantes de objetos sobre la imagen, luego cada uno de estos grupos de valores alrededor del pico
puede estar representando un elemento. De este ejercicio se nota que los histogramas quedan mucho
mejor distribuidos, aunque debe anotarse que este procedimiento tiene el inconveniente de
generalizar alguna información, sobre aquellos valores de frecuencia que no son muy altos, lo cual
lleva a perder detalle en la imagen, impidiendo realizar un análisis visual favorable.
El objetivo que se persigue con este ejercicio es el reconocimiento de características que permitan
reconocer movimientos en masa en las imágenes de satélite, eventos que solo se harán evidentes
cuando son de gran dimensión, debido a la baja resolución espacial con que se trabaja (30 metros).
Como conclusión de los análisis antes desarrollados, se tiene que las técnicas normales de realce de
imágenes, no facilitan de manera significativa, las tareas de reconocimiento visual que se han
propuesto; no obstante este percance, se estudiaron visualmente las imágenes de las seis bandas, a
través de análisis de respuesta espectral de algunas coberturas presentes en el área de estudio, con el
objeto de evaluar su comportamiento y analizarlo basándose en las firmas típicas de los mismos
tipos de cobertura, así es posible adoptar criterios de reconocimiento a la hora de interpretar las
imágenes en busca de las características que permitan reconocer movimientos en masa.
Inicialmente se hace un análisis de las características de discriminación del sensor, para luego a
partir de ellos, poder determinar el comportamiento espectral típico de algunas coberturas de fácil
identificación, para lo cual se apoyo el reconocimiento en una composición RGB : 321, conocida
como de color verdadero o composición natural. En la Tabla A4.4 se presentan las características de
discriminación de elementos para el sensor Landsat ETM, que son básicamente las mismas del
sensor Landsat TM, ya que tienen muy pocas diferencias, entre ellas algunas variaciones en lo que
refiere a la resolución espectral, pero sin que estas variaciones afecten o diferencien la capacidad de
discriminación de coberturas de cada uno de los sensores.
262
LONGITUD
BANDA TÓPICO A DISCRIMINAR
DE ONDA
Diseñada para penetrar cuerpos de agua, de ahí su utilidad en la
generación de mapas de batimetría y en el mapeo de costas.
0.45 - 0.52
ETM + 1 Discrimina suelos y rocas de vegetación. Permite la identificación de
(Azul)
elementos culturales/urbanos. Es útil en la discriminación de la calidad
del agua
Diseñada para medir en el pico de reflectividad que presenta la vegetación
en el verde, lo que facilita su aplicación en la generación de mapas de
0.53 - 0.61
ETM + 2 vegetación verde y estudios de valoración de la vigorosidad.
(Verde)
Permite la identificación de elementos culturales/urbanos.
Es útil en la discriminación de la calidad del agua.
Diseñada para medir en la región de absorción de la clorofila, lo que
permite su aplicación en la diferenciación de áreas vegetadas y no
0.63 - 0.69
ETM + 3 vegetadas, a la vez que permite discriminar especies vegetales por
(Rojo)
absorción de la clorofila.
Permite la identificación de elementos culturales/urbanos.
Estimación del vigor de la vegetación y biomasa, identificación de tipos
0.78 - 0.90 de plantíos y vegetación.
ETM + 4
(IR cercano) Delimitación de cuerpos de agua.
Discriminación de suelos húmedos.
1.55 - 1.75 Indicativa de la cantidad de humedad en las plantas y el suelo.
ETM + 5
(IR medio) Permite distinguir entre nieve y nubes
10.4 - 12.5 Discriminación de stress en las plantas, humedad del suelo por radiación
ETM + 6
(IR termal) termal, mapas termales (urbano, agua)
Discriminación de minerales y tipos de rocas.

2.09 - 2.35
ETM + 7 Útil en los estudios de mapeo hidrotérmico.
(IR medio)
Discrimina vegetación por su contenido de humedad.
Es la mayor novedad del sensor ETM+ en el Landsat7. Su resolución

0.52 – 0.90
ETM + 8 espacial de 15 metros permite generar imágenes cuyo tratamiento puede
(Pancromática)
conducir a obtener ampliaciones de trabajo hasta una escala de 1:25.000.
Fuente: Modificado de Alzate 2003, basándose en información del Handbook de Landsat 7 de la NASA1 y de Aeroterra2.
Tabla A4.4. Tópicos a discriminar en cada una de las bandas del sensor Landsat 7 ETM (+)
En este análisis debe tenerse presente que para una misma superficie, el flujo de energía recibido por
el sensor no sólo depende de la reflectividad de la superficie, sino también de otros factores, tales
como: el ángulo de iluminación solar (depende de la fecha y hora de toma de la imagen), orientación
de las laderas y pendiente del terreno, la influencia de la atmósfera (fenómenos de dispersión y
absorción)y las variaciones medioambientales de la superficie y el sustrato edafológico o litológico,
entre otros. (INNOVANET, 2004)
Se tomaron medidas de reflectividad espectral en las seis bandas no termales de la imagen, para
coberturas que en una composición de color verdadero son fácilmente reconocibles, tales como
vegetación estresada, vegetación vigorosa, suelo semidesnudo, suelo desnudo con contenido de
materia orgánica (humus), zona urbana y agua de río con sedimentos.
1
http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter6/chapter6.html
2
http://www.aeroterra.com/HTMs/landsat7ETM.htm
263
En la Tabla A4.5 se presentan los datos de reflectividad espectral que fueron tomados por medio de
una colección de datos raster, sobre las bandas inmodificadas de la imagen, ya que son estas las que
contienen la información captada por el satélite. Una vez hecho esto, se determina la reflectividad
espectral en términos de porcentaje (calculado como el ND medido dividido en el ND máximo
posible), para luego graficarla y dar lugar a una pseudo firma espectral de cada una de las coberturas
estudiadas (Figura A4.6). La toma de muestras se llevó a cabo por medio de polígonos digitalizados
con radio máximo de 60 píxeles y con una tolerancia de 6 niveles digitales, lo que indica la máxima
diferencia permitida entre los ND de cada una de las coberturas involucradas en la colección de
datos raster.
Cobertura
Vegetación Vegetación Suelo Suelo desnudo Agua con
. . Zona urbana
estresada vigorosa semidesnudo (Humus) sedimentos
Banda .
Azul 0.515 - 0.450 24 26 29 45 40 32
Verde 0.605 - 0.525 18 23 26 46 33 25
Rojo 0.690 - 0.630 13 15 25 56 34 26
IRC 0.900 - 0.750 32 54 35 30 21 11
IRM_5 1.750 - 1.550 29 41 49 64 43 12
IRM_7 2.350 - 2.090 13 17 26 62 36 10
Tabla A4.5. Valores promedio de porcentaje de reflectividad espectral medidos en la colección de datos raster.
Análisis de Respuesta Espectral en Diversas Coberturas

Porcentaje de reflectividad
100
Verde visible
Rojo visible
Azul visible
Banda 1:
Banda 2:
Infrarrojo
Banda 3:
Banda 4:
Banda 5:
cercano
90 Banda 7:
Infrarrojo
Infrarrojo medio
medio
80
70
60
50
40
Vegetación
estresada
30
Vegetación
vigorosa
20
Suelo desnudo
(Humus)
10
Agua con
sedimentos
0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
Longitud de onda (µm)
Figura A4.6. Respuesta espectral de algunas coberturas en el área de estudio
264
Una vez graficadas los porcentajes de reflectividad para estas coberturas (Figura A4.6.), y
compararlas contra los porcentajes de reflectividad típicos (Figura A4.7), se ve que siguen un
comportamiento que se aproxima al esperado, lo cual permite concluir que las medidas de
reflectividad no se encuentran muy distorsionadas por la presencia perturbadora de los factores
mencionados con anterioridad, permitiendo entonces concentrar la búsqueda de evidencias de
movimientos en masa, en torno a un comportamiento típico del suelo desnudo, que se denomina
firma o signatura espectral, aclarando que la poca variabilidad espectral que presenta la imagen,
permite discriminarlos de otras superficies. Los movimientos en masa así estudiados, son procesos
morfodinámicos de grandes dimensiones, asociados principalmente a procesos erosivos y a grandes
movimientos en masa que dejan al descubierto una gran proporción de suelo desnudo.
Porcentaje de relectividad
90
Banda 4: Banda 5: Banda 7:
Verde visible
Azul visible
Rojo visible
Infrarrojo Infrarrojo Infrarrojo medio

cercano medio
80
Banda 1:
Banda 3:
Banda 2:
70
60
Vegetación sana
Vegetación enferma
50
Suelo
Agua turbia
40
30
20
10
0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4
Longitud de onda (µm)
Fuente: Modificado del http://www.um.es/~geograf/sig/teledet/tema02.pdf, de la Universidad de Murcia (España):
Figura A4.7. Respuesta espectral típica de algunas coberturas.
La vegetación conforma una pantalla que hace difícil captar la radiación del sustrato geológico, sin
embargo, algunas características de este sustrato se detectan gracias a las anomalías que puede
presentar la vegetación, tales como la distribución peculiar de especies, crecimiento o densidad
irregular, alteraciones de la pigmentación o del ciclo fenológico. (Alzate, 2003) La ciencia que se
dedica a estudiar dichas anomalías, es la llamada geobotánica, tema que supera los alcances de este
trabajo. Por esta razón los movimientos en masa de tipo más bien superficial y que no dejan al
descubierto suelo desnudo, no son objeto de este análisis, por lo tanto en esta fase del trabajo solo se
persigue determinar la ubicación y posible dimensión de los principales procesos denudacionales.
Las propiedades espectrales del suelo son relativamente simples, la transmisión es nula, por tanto
toda la energía se absorbe o refleja. Para determinar la presencia de suelo desnudo en la imagen, se
265
debe tener en cuenta que su comportamiento es más uniforme que el de la vegetación. La curva
espectral que presentan es bastante plana y de carácter ligeramente ascendente, pues su reflectividad
es relativamente baja para todas las bandas aunque aumenta hacia el infrarrojo. Los principales
factores que intervienen en la respuesta espectral del suelo son la composición química, su textura y
estructura y el contenido en humedad.
• Características químicas
La composición química es la causante del color con el que los vemos; un suelo de origen calcáreo
tiende al color blanco, indicando alta reflectividad en todas las bandas visibles, mientras que los
arcillosos ofrecen una respuesta relativamente baja, con una mayor reflectividad en el rojo, como
consecuencia de su contenido de óxido de hierro. En cuanto al contenido de materia orgánica,
produce una baja en la reflectividad, especialmente en el rojo.
• Características físicas
La reflectividad espectral presenta mayores valores al aumentar el tamaño medio de las partículas de
suelo (los suelos arenosos tienen mayor reflectividad que los arcillosos). El problema, según señala
Liu (2004), es que la textura afecta también al contenido de humedad por lo que no resulta fácil
diferenciar (con imágenes de satélite entre ambos factores). Los minerales de la arcilla tienen, por su
parte, una caída en reflectividad entorno a 2.2 µm que no tienen las arenas.
Hay una cierta dependencia entre reflectividad y contenido en agua del suelo, cuanto mayor es el
segundo, mayor es la primera. Este aumento se ve interrumpido en aquellas regiones en las que el
agua absorbe energía (infrarrojo medio), por tanto cuanto mayor sea el contenido de agua en el
suelo, mayor va a ser la disminución en reflectividad de estas regiones. Cuanto más seco,
apelmazado y sin materia orgánica sea un suelo, mayor será su reflectividad. (Alonso, 2003)
El contenido en materia orgánica también afecta a la reflectividad, cuanto mayor sea su contenido y
cuanto menos descomupesta se encuentre más oscuro resulta el suelo (menor reflectividad). La
composición química y mineralógica también va a influir en la respuesta espectral, así por ejemplo
el contenido en óxidos de hierro va a incrementar la reflectividad en el rojo. (Alonso, 2003)
Alonso (2003) señala que la fuerte correlación entre muchos de los factores que influyen sobre la
respuesta espectral del suelo, imposibilita el que puedan sacarse conclusiones claras del análisis de
una imagen de unas zonas cuyas características edáficas se desconocen. En todo caso se ha
comprobado que las áreas de suelo desnudo de una misma imagen siguen una serie de pautas
reconocibles. La más estudiada es que si se hace una representación gráfica con la reflectividad en el
rojo en abcisas y la reflectividad en el infrarrojo cercano en ordenadas, las zonas de suelo desnudo
aparecen formando una línea que se conoce como línea del suelo.
4.3.2. Estadística de la Imagen y Análisis de Componentes Principales
Usualmente las bandas de una imagen multiespectral están correlacionadas entre si, incluso algunas
de ellas son muy similares y almacenan en esencia, la misma información. El análisis de
componentes principales (PCA) es una de las técnicas comúnmente usadas para reducir la
redundancia en datos multiespectrales. PCA es una transformación lineal que produce un grupo
nuevo de bandas, denominadas componentes, por medio de una combinación lineal ponderada de las
266
imágenes originales de las bandas; las imágenes que se generan de aplicar este tratamiento a bandas
originales, ya no presentan información redundante y por ende no guardan correlación entre ellas,
ordenándose en términos de la cantidad de varianza que cada una de ellas explica, siendo la
componente uno la que explica el mayor contenido de varianza, razón por la cual en algunos análisis
es común eliminar aquellas componentes que explican las menores cantidades de varianza.
Para desarrollar un análisis de componentes principales (PCA) es indispensable hacer uso de algunas
medidas de dispersión estadística, siendo lo más común estudiar la varianza y covarianza, a la vez
que se determinan también los coeficientes de correlación entre pares de bandas. A continuación se
presentan las definiciones más aceptadas de estos conceptos, con el propósito de hacer claridad en
torno a qué medida se usa y porqué.
Varianza (σ2)
La varianza proporciona un valor de dispersión (inercia) de la variable alrededor de su media (centro
de gravedad). La varianza, σ2, se calcula como la media de las diferencias cuadráticas de n valores
con respecto a su media aritmética, es decir:
2
1 n
σ = ⋅ ∑ (xi − x )
2
(4.1)
n i =1
Se elevan al cuadrado las desviaciones alrededor de la media para que no se compensen las
diferencias negativas y positivas, ya que de no hacerlo se demuestra que la media de las
desviaciones de las observaciones a la media es de cero. Si se pretende usar con propósitos de
estimación de la varianza poblacional, conviene usar (n – 1) en vez de (n) a la hora de calcular la
media del cuadrado de las desviaciones. La Varianza mide la dispersión de los valores y marca el
punto de inflexión de las curvas en los histogramas, por ende su magnitud no es igual a la de las
observaciones.
Desviación estándar (σ)

La desviación estándar mide el grado de dispersión de los datos numéricos en torno al valor de la
media aritmética del conjunto, y corresponde al 68% del área de la curva alrededor de dicha media.
Esta es una medida de dispersión que tiene la misma dimensionalidad de las observaciones, y se
calcula como la raíz cuadrada de la varianza. Es decir:
1 n
⋅ ∑ (xi − x )
2
σ = σ2 = (4.2)
n i =1
Covarianza (Λ)
Este valor indica el grado de similitud entre las conjuntos a y b, o sea, cómo los datos están
correlacionados entre sí. Cuanto mayor es la covarianza, mayor es el grado de correlación entre los
datos. La covarianza entre dos conjuntos de datos numéricos a y b, con n puntos se calcula como:
267
1 n
Λ a ,b = ⋅ ∑ (xa (i ) − x a (i ) ) ⋅(xb (i ) − x b (i ) ) (4.3)
n i =1
Ahora bien, si se asimila la covarianza como una medida específica para variables bidimensionales,
es posible calcularla con la siguiente expresión, que en esencia es igual a la primera que se presentó
para determinar este valor.
1 n
Λ a ,b = ⋅ ∑ (xi − x ) ⋅( yi − y ) (4.4)
n i =1
O lo que es lo mismo:
1 n 
Λ x , y =  ⋅ ∑ ( xi ⋅ yi ) − (x ⋅ y ) (4.5)
 n i =1 
Un valor positivo para la covarianza corresponde a una dependencia directa, mientras que un valor
negativo correspondería a una dependencia inversa, entre los datos.
Coeficiente de correlación (αa,b)

El coeficiente de correlación mide la similitud entre dos conjuntos de datos numéricos sobre una
escala absoluta de [-1, 1]. Este coeficiente es calculado a través de la división del valor de
covarianza, entre la raíz cuadrada del producto de las desviaciones estándar de los conjuntos de
datos a y b:
Λ a ,b
α a ,b = (4.6)
(σ a2 ⋅ σ b2 )
Lo que es lo mismo en el caso de variables bidimensionales:
Λ x, y
α x, y = (4.7)
(σ x2 ⋅ σ y2 )
Matriz de Varianza -Covarianza

Una de las salidas del análisis de componentes principales es la denominada matriz de varianza
covarianza. Toda variable n-dimensional U = (U1, U2, U3,…, Un), tiene asociada una matriz de
varianza covarianza, donde el elemento ij es la covarianza de las variables Ui, Uj, mientras que el
elemento i-ésimo de la diagonal es la varianza de la variable Ui.
La Tabla A4.6 corresponde a la matriz de varianza-covarianza para las seis bandas de la imagen
Landsat ETM (+). Las casillas sombreadas (diagonal de la matriz) corresponden a los valores de
varianza, los demas términos corresponden a la covarianza, tal como se ha explicado. Estos datos
268
son útiles para hacer análisis de similitud entre bandas y tienen aplicación a la hora de definir las
mejores bandas para desarrollar composiciones a color.
ETM (+) ETM (+) ETM (+) ETM (+) ETM (+) ETM (+)
VAR/COVAR
Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7
ETM (+) Banda 1 2525.09 2544.41 2815.88 1056.85 1825.73 1819.61
ETM (+) Banda 2 2544.41 2597.69 2856.93 1153.47 1931.35 1876.03
ETM (+) Banda 3 2815.88 2856.93 3177.46 1186.89 2110.13 2081.28
ETM (+) Banda 4 1056.85 1153.47 1186.89 963.24 1140.87 886.76
ETM (+) Banda 5 1825.73 1931.35 2110.13 1140.87 1838.11 1582.88
ETM (+) Banda 7 1819.61 1876.03 2081.28 886.76 1582.88 1520.59
Tabla A4.6. Matriz varianza-covarianza para las seis bandas de la imagen Landsat ETM (+).
Matriz de Correlación
La Tabla A4.7 corresponde a la matriz de correlación para el análisis de componentes principales en
las seis bandas estudiadas. En esta tabla es fácil apreciar cuales son las bandas que guardan mejor
correlación, información muy útil y que complementa la obtenida en el análisis de la matriz de
varianza covarianza, a la hora de definir grupos de bandas para hacer composiciones a color.
ETM (+) ETM (+) ETM (+) ETM (+) ETM (+) ETM (+)
COR MATRX
Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 7
ETM (+) Banda 1 1.000000 0.993471 0.994111 0.677652 0.847449 0.928612
ETM (+) Banda 2 0.993471 1.000000 0.994411 0.729197 0.883856 0.943931
ETM (+) Banda 3 0.994111 0.994411 1.000000 0.678429 0.873141 0.946857
ETM (+) Banda 4 0.677652 0.729197 0.678429 1.000000 0.857399 0.732712
ETM (+) Banda 5 0.847449 0.883856 0.873141 0.857399 1.000000 0.946795
ETM (+) Banda 7 0.928612 0.943931 0.946857 0.732712 0.946795 1.000000
Tabla A4.7. Matriz de correlación entre las seis bandas de la imagen Landsat ETM (+).
Como se puede observar en la matriz hay buena correlación ( > 0.90) entre las siguientes bandas:
Banda 1 y Banda 2 Ö 0.993471

269
Las bandas 1, 2 y 3 son las que mejores resultados presentan en materia de correlación, visualmente
las bandas son muy similares, y aunque la banda 2 parece tener un mejor contraste, las tres muestran
los mismos componentes principales y muy pocos componentes secundarios que las diferencien.
Estas conclusiones también pueden entenderse al analizar de manera conjunta los histogramas de
frecuencias de las tres imágenes (banda 1, banda 2, banda 3). En la Figura A4.1, se pudo ver que las
bandas 1 y 3, guardan un amplio parecido en sus histogramas, y aunque en la matriz la correlación
es alta, entre estas y la banda 2, es claro que los histogramas tienen formas similares pero están un
poco desplazados entre si.
En la Tabla A4.8, sumario de los componentes, se despliegan los valores y los vectores propios.
Mientras los primeros expresan la cantidad de varianza explicada por cada componente, los
segundos son los coeficientes de las ecuaciones de transformación. Cada uno de estos ha sido
sumado como un porcentaje de la varianza (%Var.), medido en el tope de cada columna.
Componente 1, explica el 92.63% de la varianza

Componentes 1 y 2, juntos, explican el 97.99% de la varianza
Componentes 1, 2 y 3, juntos, explican el 99.58% de la varianza
Si solo se conservaran los componentes 1, 2 y 3, se retendría el 99.58% de la información, y en

materia de bandas bastaría con conservar solo las bandas 1, 2 y 3, perdiendo apenas el 0.62% de la
información original, aunque debido al alto grado de correlación no es conveniente descargar
ninguno de los datos originales.
COMPONENTE C1 C2 C3 C4 C5 C6
% var. 92.63 5.36 1.59 0.25 0.1 0.08
eigenval. 11691.36 676.38 200.37 31.61 12.6 9.87
eigvec.1 -0.457583 -0.280955 -0.166127 0.030155 -0.710686 0.422019
eigvec.2 -0.471574 -0.227675 -0.238126 -0.030083 -0.700619 0.421078
eigvec.3 -0.517832 -0.277089 -0.094212 0.134059 0.000000 0.792606
eigvec.4 0.210366 -0.705486 0.613008 0.268280 0.060061 0.081706
eigvec.5 0.365113 0.532811 -0.463357 0.598674 0.000000 0.098454
eigvec.6 0.350035 0.104173 0.562444 -0.741504 0.021253 0.000000
Tabla A4.8. Tabla sumario de componentes principales
Del análisis de la Tabla A4.8 y el despliegue visual de las componentes y de las bandas originales,
se tiene que las imágenes son muy similares en apariencia, tanto en contraste como en tonalidad,
para las primeras tres bandas y primeras tres componentes. La componente seis no guarda buena
correlación con ninguna de las bandas, y de hecho es claro que con la única banda que guarda
correlación positiva es con la banda 3, que corresponde a la banda del rojo. La componente seis debe
270
contener las interferencias atmosféricas, luego si se descarga esa componente no se pierde

información, sino que por el contrario, una vez desechada esta componente se puede llevar a cabo
una transformación de reversa para obtener nuevas bandas, en las cuales el efecto atmosférico ya
esté corregido.
Por último se analiza la Tabla A4.9, que presenta la información referente al grado de correlación
entre los nuevos componentes producidos (las columnas) y las bandas originales (las filas).
LOADING C1 C2 C3 C4 C5 C6
ETM (+) Banda 1 0.984609 -0.145410 -0.046797 -0.003374 0.050197 -0.026381
ETM (+) Banda 2 1.000433 -0.116175 -0.066135 -0.003319 -0.048789 -0.025951
ETM (+) Banda 3 0.993302 -0.127842 -0.023658 -0.013372 0.000000 0.044168
ETM (+) Banda 4 0.732895 0.591174 -0.279587 0.048602 0.006868 0.008270
ETM (+) Banda 5 0.920820 0.323208 0.152985 -0.078512 0.000000 -0.007213
ETM (+) Banda 7 0.970594 0.069478 0.204170 0.106915 -0.001934 0.000000
Tabla A4.9. Matriz de correlación entre componentes producidos y banda originales
A manera de conclusión se tiene que la información tabular obtenida del análisis de componentes
principales, indica que la primera componente describe el 92.63% de la varianza presente en el
conjunto original de las seis bandas. Todas las bandas de entrada tienen “loadings” altos y positivos
para el componente 1, se podría entonces interpretar que este componente representa el “brillo”
general de toda la imagen. El segundo componente tiene “loadings” positivos para las bandas
infrarrojas y negativos para las bandas del visible (azul, verde y rojo), puede ser interpretada
entonces como una imagen que describe la vegetación, independiente del ‘brillo’ general de la
imagen. Los otros componentes, describen un poco de la varianza original y parecen representar las
interferencias atmosféricas y de otro tipo en la imagen.
4.3.3. Álgebra de Imágenes – Operaciones entre Bandas
Una de las técnicas más utilizadas para analizar imágenes multiespectrales es la relación de bandas,
que consiste básicamente en la realización de operaciones matemáticas entre las bandas. Liu (2004),
señala que, en general la multiplicación y adición de bandas son operadores que tienden a realzar la
información que correlaciona las bandas, mientras que la división y sustracción son operadores que
tienden a realzar la información que decorrelaciona las mismas.
Adición
Se emplea para obtener una nueva imagen con menor influencia del ruido, pues el promedio
disminuye los valores altos. Habitualmente, para esta aplicación se emplean bandas cercanas
espectralmente, bien sea dos del infrarrojo o dos del visible. (Alzate, 2003)
271
Sustracción
Suele usarse para resaltar e identificar los cambios ocurridos en una misma área, entre imágenes de
fechas distintas. Para normalizar el resultado puede adicionársele a la diferencia 255 y dividir entre
2, de esta forma lo que no cambia va a mantenerse gris medio. (Alzate, 2003)
Cociente
Las operaciones de relación entre bandas pueden llegar a reducir las variaciones medioambientales
inducidas sobre los valores ND de una de las bandas, tales como variaciones en el brillo causadas
por la pendiente y el aspecto de las laderas, efectos de sombra o cambios estacionales en el ángulo e
intensidad de la luz solar. En consecuencia, la relación de bandas tiende a enfatizar y realzar las
variaciones sutiles en las respuestas espectrales de varias coberturas, además de proporcionar
información que no está disponible en cada una de las bandas de manera singular, y que en este caso
será útil para distinguir suelos y vegetación. (Liu, 2004)
Para orientar la selección de bandas, Alzate (2003) presenta el criterio desarrollado por Chávez et al.
(1984), el cual se basa en el Factor de Índice Óptimo (OIF), que proporciona información acerca de
las bandas con mayor varianza original. El OIF se calcula como la sumatoria de la desviación
estándar de las bandas involucradas, dividida entre la suma de la correlación entre cada par de esas
bandas, y se puede calcular para el número deseado de bandas, aunque en el caso de cocientes se
hace para cada uno de los 15 pares posibles de relación entre bandas del Landsat ETM.
En la Tabla A4.10 se presentan los resultados de calcular los Factores de Índice Óptimo (OIF) para
las 15 combinaciones posibles en las seis bandas, en grupos de dos. El criterio para clasificar los
OIF consistió en tomar como altos aquellos valores que superaban el valor promedio de los
resultados, a la vez que se clasifican como bajos los restantes.
Bandas ETM (+) Desviaciones Factor de Índice Clasificación

Correlación
involucradas estándar Óptimo según OIF
1 2 50.250 50.968 0.993 101.883 OIF Bajo
1 3 50.250 56.369 0.994 107.251 OIF Alto
1 4 50.250 31.036 0.678 119.953 OIF Alto
1 5 50.250 42.873 0.847 109.887 OIF Alto
1 7 50.250 38.995 0.929 96.106 OIF Bajo
2 3 50.968 56.369 0.994 107.940 OIF Alto
2 4 50.968 31.036 0.729 112.457 OIF Alto
2 5 50.968 42.873 0.884 106.172 OIF Alto
2 7 50.968 38.995 0.944 95.306 OIF Bajo
3 4 56.369 31.036 0.678 128.835 OIF Alto
3 5 56.369 42.873 0.873 113.661 OIF Alto
3 7 56.369 38.995 0.947 100.716 OIF Bajo
4 5 31.036 42.873 0.857 86.202 OIF Bajo
4 7 31.036 38.995 0.733 95.578 OIF Bajo
5 7 42.873 38.995 0.947 86.468 OIF Bajo
Tabla A4.10. Resultados del cálculo del OIF para los posibles grupos de bandas a combinar en cocientes de bandas.
272
Alzate (2003) explica que el contenido del cociente de bandas puede variar de acuerdo con la
correlación de las imágenes; así se tiene que cuando la correlación de bandas es baja, mayor es el
contenido de información del cociente entre ellas. En este caso el OIF se usa para ordenar la utilidad
de varios cocientes de bandas, el mayor OIF que se obtenga de entre las posibles combinaciones,
será el que tiene más información, con menor cantidad de duplicidad.
Como se pudo apreciar en el cálculo del OIF, para las seis bandas no termales del Landsat ETM, hay
30 diferentes combinaciones de relación (15 originales y 15 reciprocas). A continuación se
presentan la descripción dada por Liu (2004), en lo que refiere a la utilidad general de algunas de
estas relaciones:
• Las relaciones 3/1 (Rojo/Azul) y 3/2 (Rojo/Verde), son importantes para delinear rocas
con alto contenido de hierro (tonos claros) y rocas con bajos contenidos del mismo (tonos
oscuros).
• La relación 3/7 (Rojo/IRM) es útil para observar diferencias en la turbidez del agua.
También es útil para identificar carreteras y otras características culturales que aparecen
en tonos claros debido a su relativa alta reflectividad en la banda del rojo (ETM 3) y baja
en el infrarrojo medio (ETM7).
• La relación 4/3 (IRC/Rojo) permite distinguir diferentes tipos de vegetación,
correspondiendo los tonos más claros a la presencia de mayor cantidad de vegetación.
Tiene su mayor aplicación en la cartografía, seguimiento y control de la vegetación.
• La relación 5/2 (IRM/Verde) es útil para distinguir diferentes tipos de vegetación.
Recíprocamente es usada para identificar cuerpos de agua y suelos muy humedos.
• La relacion 5/7 es util para identificar rocas arcillosas (tono claro), ya que los minerales
arcillosos muestran una fuerte absorción en la region de los 2.2 µm (banda 7) y alta
reflectividad en la region de 1.6 µm (banda 5).
• Las relaciones 5/4 y 7/4 pueden utilizarse para separar vegetación y suelos desnudos.
Es común usar cocientes normalizados y no cocientes simples, para evitar que haya valores de cero
en el denominador de la operación de cociente, lo cual es posible que suceda para la aplicación del
cociente simple, pero no para el normalizado. La forma de normalizar este cociente en el software
IDRISI consiste en aplicar la siguiente ecuación:
Cociente normalizado =
[Primera Banda ETM - Segunda Banda ETM ] (4.8)
[Primera Banda ETM + Segunda Banda ETM ]
Donde Primera Banda hace relación a la banda que haría las veces de numerador, mientras que
Segunda Banda corresponde a la que serviría de denominador, en un cociente simple.
Una vez llevado a cabo el cociente de bandas es necesario transformar este archivo a imagen byte
para que asuma valores entre 0 y 255, y sea posible así desarrollar luego una composición a color
involucrando esta imagen. Igualmente con esta transformación se ayuda al contraste, ya que se
aprovechan al máximo los 256 colores de la paleta que puede desplegar una pantalla de computador.
273
Se empleó un cociente de bandas simple entre las bandas 4 y 3, para reducir los efectos de las
sombras del relieve sobre las imágenes de satélite; de esta manera se minimizaron las diferencias en
los valores radiométricos, debidas a los efectos de topografía. En la imagen de salida los valores del
cociente para un mismo objeto de la superficie de la tierra, tienden a aproximarse, removiendo la
variación debida a efectos topográficos.
La Figura A4.8 muestra los histogramas de las bandas originales 3 y 4, a la vez que el histogramas
de la imagen resultado del cociente entre dichas bandas. Al comparar estas tres imágenes se hace
evidente que la imagen que se obtiene del cociente es mucho más clara, a la vez que los efectos de
las sombras se reducen considerablemente.
frec.
50000
Cociente de bandas 4/3

45000
BANDA 3 (Rojo)
40000 BANDA 4 (IR cercano)
35000
30000
25000
20000
15000
10000
5000
0
0 50 100 150 200 250
Valores de ND
Figura A4.8. Histogramas de las bandas 3, 4 y de la imagen resultado del cociente entre dichas bandas
Al aplicar cocientes de bandas sobre coberturas donde había sombras, se obtiene una eliminación de
las mismas, desenmascarándose la información que antes del cociente de bandas no era posible
analizar; aunque al mismo tiempo se presenta una generalización de la información que estaba
cubierta por sombras o cerca de ellas, lo cual lleva a perder detalle.
Índice de vegetación NDVI

Es un índice basado en la pendiente y consiste en una relación de cociente normalizado. Los índices
de vegetación muestran el estado y la abundancia de la misma, luego al generarse a partir de
cocientes de bandas, los problemas de iluminación diferente debida a la topografía, se minimizan, ya
que se estarían produciendo valores relativos, en lugar de absolutos. Estos índices son susceptibles a
la división por cero, por eso se normalizan para evitar indeterminaciones en su cálculo.
274
NDVI =
(NIRC − RED )
(4.9)
(NIRC + RED )
Donde:
NDVI es el índice de diferencia normalizado.
NIRC es el valor del ND en la banda del infrarrojo cercano.
RED es el valor del ND en la banda del rojo.
Usando la ecuación del NDVI con algunos valores de ejemplo se puede ver lo siguiente:
Valor ND en la banda del Valor ND en la banda

NDVI
Infrarrojo Cercano del Rojo
2 230 -0.983
20 145 -0.758
35 113 -0.527
62 76 -0.101
70 70 0.000
80 45 0.280
132 40 0.535
185 30 0.721
250 10 0.923
Tabla A4.11. Aplicación de la ecuación del índice de vegetación NDVI.
Del análisis de la Tabla A4.11 se puede ver que para valores bajos en el infrarrojo y altos en el rojo,
lo que correspondería a una superficie sin vegetación, se tiene un valor NDVI negativo y cercano a -
1; del mismo modo para valores bajos en el rojo y altos en el infrarrojo, lo que correspondería a una
superficie con vegetación, se tiene un valor NDVI positivo y cercano a 1. En conclusión, este índice
minimiza efectos topográficos y produce escala lineal de medición, entre -1 y 1, con el valor de cero
representando el valor aproximado donde empieza la ausencia de vegetación, al tiempo que los
valores negativos representan superficies sin vegetación.
La utilidad del NDVI, en este caso, se limitará a ofrecer la posibilidad de reclasificar la imagen
producto de aplicar este índice, asumiendo que todo lo que tenga valor inferior a uno es suelo
desnudo, siendo posible generar una imagen de enmascaramiento para el suelo.
4.3.4. Composiciones a Color
Las ocho bandas espectrales que componen una imagen Landsat ETM (+), pueden ser combinadas
de distintas formas para obtener variadas composiciones de color u opciones de procesamiento. En
el caso de datos digitales, tres valores correspondientes al rojo, verde y azul se combinan de diversas
formas para producir un nuevo color. Por ejemplo en el software IDRISI la función de composición
primero expande las imágenes originales a seis niveles (numerados de 0 a 5). La imagen resultante
275
debe tener valores entre 0 y 255, de tal forma que cada valor pueda ser desplegado con la paleta de
colores que trae el software. Por esto, seis, es el máximo número de niveles que puede ser usado,
para garantizar este rango (6*6*6 = 216). Cada combinación de píxeles de las tres bandas es
representado en la composición con un valor (por ende color) diferente. A su vez cada una de esas
combinaciones tiene diferentes patrones de respuesta espectral, por lo tanto correspondería a un
diferente tipo de cobertura. (Alzate 2003)
Atendiendo a la caracterización de los procesos morfodinámicos, presentados en el estudio

desarrollado por INGEOMINAS, y siguiendo la descripción del comportamiento espectral del suelo
desnudo, se plantea el uso de composiciones a color que faciliten el reconocimiento propuesto.
Para la selección de las posibles bandas a trabajar en una composición es necesario conocer las
estadísticas de las imágenes originales. Alzate (2003) presenta de nuevo el criterio del Factor de
Índice Óptimo (OIF), señalando que se deben seleccionar aquellas bandas que tengan la mayor
varianza original, para lo cual se asume que el grupo de tres bandas que presente el mayor valor de
OIF será el que tenga la mayor cantidad de información sin duplicidad. Concluye que generalmente
las mejores combinaciones incluyen: una banda del visible, una del IR medio y una del IR cercano.
En la Tabla A4.12 se presentan los resultados de calcular los Factores de Índice Óptimo (OIF) para
las veinte combinaciones posibles de las seis bandas, en grupos de tres. Debe tenerse presente que
este índice no es una medida absoluta, sino que más bien es un indicador, y que para su cálculo se
determina el número total de grupos de bandas por medio de combinaciones y no de permutaciones,
ya que para efectos de su cálculo no importa el orden de las bandas, lo que si es fundamental a la
hora de realizar las composiciones a color. Se emplea el mismo criterio usado con anterioridad para
clasificar los OIF.
Posible Combinación Factor de Clasificación

de Bandas ETM (+) Índice Óptimo según OIF
1 2 3 52.846 OIF Alto
1 2 4 55.098 OIF Alto
1 2 5 52.882 OIF Alto
1 2 7 48.922 OIF Bajo
1 3 4 58.572 OIF Alto
1 3 5 55.068 OIF Alto
1 3 7 50.744 OIF Bajo
1 4 5 52.113 OIF Alto
1 4 7 51.425 OIF Bajo
1 5 7 48.522 OIF Bajo
2 3 4 57.606 OIF Alto
2 3 5 54.594 OIF Alto
2 3 7 50.718 OIF Bajo
2 4 5 50.548 OIF Bajo
2 4 7 50.294 OIF Bajo
2 5 7 47.876 OIF Bajo
3 4 5 54.081 OIF Alto
3 4 7 53.605 OIF Alto
3 5 7 49.963 OIF Bajo
4 5 7 44.505 OIF Bajo
Tabla A4.12. Resultados del cálculo del OIF para los posibles grupos de bandas a combinar en composiciones a color.
276
Las composiciones a color más apropiadas para desarrollar este análisis, teóricamente deben ser
aquellas que presenten los valores más altos del Factor de Índice Óptimo (OIF), aunque con un
análisis diferente, en el que se tiene en cuenta las características del sensor Landsat ETM (+), en lo
que respecta a los tópicos que tiene capacidad de discriminar en cada una de sus bandas (Tabla
A4.4.), es claro que dichas composiciones deben involucrar las bandas 4, 5 y 7, correspondientes a
la región del infrarrojo cercano y medio, ya que estas son las que mejor discriminan materiales
(rocas y suelos) y vegetación de otras coberturas, por su composición mineral y vigorosidad
respectivamente.
Las primeras composiciones que se generaron, fueron R-G-B: 3-2-1, R-G-B: 4-3-2, R-G-B: 5-4-3 y
R-G-B: 7-4-3. En todas las composiciones se aplicó estiramiento lineal con saturación al 1%. El
criterio para elegir estas composiciones se respalda en los resultados del cálculo del OIF, tanto en
grupos de dos bandas (análisis de cocientes) como en grupos de tres (análisis de composiciones), a
la vez que se tienen en cuenta las capacidades de discriminación del sensor Landsat ETM (+) en
cada una de sus bandas. Después de visualizar estas composiciones, se procedió a involucrar los
cocientes de bandas (4/3) y (5/3), en algunas composiciones, para disminuir los efectos de las
sombras. En la Tabla A4.13 se presenta el uso dado a cada una de las combinaciones utilizadas en el
análisis y los canales en los que se trabajó cada una de las bandas involucradas en dichas
composiciones.
Combinación de Bandas
ETM (+) Según canal TÓPICO A DISCRIMINAR
Rojo Verde Azul
Composición en Color Verdadero: Se usa para orientar la distinción entre
3 2 1
diferentes tipos de coberturas.
Composición en Falso Color: Se usa para distinguir claramente entre tipos de
4 3 2
vegetación por vigorosidad y para distinguir suelo de vegetación.
Cociente Disminuye el efecto de las sombras y facilita la distinción entre tipos de
3 2
4/3 vegetación y suelos.
5 4 3 Permite distinguir claramente zonas urbanas y suelos de zonas con vegetación.
Cociente Discrimina muy bien las áreas cubiertas por vegetación y permite distinguir áreas
5 3
4/3 de suelos semidesnudos.
Cociente
4 3 La mejor composición posible para definir el límite del agua con el suelo.
5/3
Cociente Cociente Aunque las nubes se pueden distinguir con mucha facilidad, se empleo esta
3
5/3 4/3 composición para distinguir las nubes de otras coberturas.
Se usa para distinguir el límite agua – suelo, y suelo – vegetación, a la vez que
7 4 3
para distinguir entre tipos de vegetación.
Cociente Es una de las composiciones que se usa para reconocer los sitios de muestreo al
7 3
4/3 momento de realizar la clasificación supervisada de la imagen.
Fuente: Ejercicio propio.
Tabla A4.13. Características de las composiciones a color trabajadas

277
Las primeras composiciones generadas fueron las simples. Una vez revisadas estas composiciones,
se modifican incluyendo en ellas los cocientes de bandas. Primero se realizó un cociente de bandas
entre la 4 y la 3, luego la imagen resultante se usó como substitución de la banda 4 en las
composiciones R-G-B: 4-3-2, R-G-B: 5-4-3 y R-G-B: 7-4-3; este tipo de composiciones, como ya se
ha mencionado, presentan disminuido el efecto de sombras por pendientes. Del mismo modo se
realizó un cociente entre las bandas 5 y 3, luego la imagen resultante se usó como substitución de la
banda 5 en la composición R-G-B: 5-4-3; igual que en el primer caso, lo que se persigue con esta
modificación es aclarar más las imágenes, facilitando así la tarea de reconocimiento.
Al comparar las tres imágenes, las dos bandas originales y el resultado de aplicar el cociente
normalizado entre ellas, se hace evidente que la imagen que se obtiene del cociente tiene una
tonalidad mucho mas clara, a la vez que los efectos de las sombras se reducen considerablemente.
Evidentemente al comparar las dos composiciones (antes y después de incluir el cociente de bandas)
es muy notoria la reducción del efecto de sombra, favoreciendo de esta manera la discriminación
entre las coberturas que mejor reflejan en cada una de las bandas involucradas en el cociente
normalizado.
4.3.5. Clasificación Supervisada de Procesos Morfodinámicos
Como paso final de la aplicación de técnicas de teledetección al reconocimiento de movimientos en

masa y procesos morfodinámicos en general, se presenta un proceso de clasificación supervisada,
por medio del cual se definen sitios con respuestas espectrales típicas de movimientos en masa,
como sitios de muestreo para luego clasificar la imagen empleando clasificadores duros. En la
clasificación supervisada, el usuario debe determinar las firmas espectrales de categorías conocidas,
para que posteriormente el software asigne cada píxel de la imagen a la categoría cuya firma
espectral es más similar.
Sobre las composiciones a color R-G-B: 7-4-3 y R-G-B: 7-(Cociente 4/3)-3, se identificaron los
principales procesos denudacionales y por medio de polígonos digitalizados en pantalla, se
definieron como sitios de muestreo; el mismo procedimiento se llevó a cabo para áreas con
vegetación, áreas urbanas, áreas correspondientes a barras de sedimentos en el río Guatiquía, al
tiempo que áreas que cubren agua con sedimentos en el mismo río.
Una vez definidos los sitios de muestreo, se crean los archivos de firma espectral para cada uno de
ellos, dichos archivos contienen información estadística acerca de los valores de reflectividad de los
píxeles dentro de cada uno de los sitios de prueba.
Una forma de verificar la calidad de los sitios de prueba es a través de una salida gráfica del
software (Figura A4.10), en la que se plotean los valores de reflectividad para la banda roja como
variable dependiente (Y), y para la banda infrarroja como variable independiente (X); en dicho
grafico es posible superponer recuadros que representan cada una de las muestras tomadas, si los
recuadros se sobreponen entre si, como sucede en este caso, quiere decir que los sitios de muestreo
no se han elegido correctamente, aunque también puede ocurrir que ciertas coberturas realmente
posean patrones de reflectividad comunes. Esto último es lo que se asume sucede en esta imagen, ya
278
que luego de varios intentos de muestreo, el mejor resultado es el que se presenta en la Figura
A4.10., donde se ve que el recuadro de procesos morfodinámicos se superpone a otros dos, que
corresponden a zonas urbanas (arriba) y suelos semidesnudos (derecha), se asume entonces que
estos tres elementos poseen patrones de reflectividad comunes.
En la Figura A4.9 se presenta el esquema general de un gráfico tipo scatter, mientras que en la
Figura A4.10 se presenta la salida del software IDRISI. En esta última se puede observar que hay
una fuerte superposición de los recuadros de las áreas urbanizadas, áreas de suelo semidesnudo y
áreas definidas como de procesos morfodinámicos, esto permite concluir que la clasificación de la
imagen no permitirá distinguir claramente entre estos tres tipos de coberturas, teniendo que asumir
criterios más específicos para diferenciarlas entre si.
255
El valor de un píxel cualquiera es

el logaritmo de su frecuencia
Valor de reflectividad
del píxel en la Banda
del Rojo Visible (3) 2 * Desviación
estándar en el
sitio de muestreo
Valor de reflectividad del

píxel en la Banda del
Infrarrojo Cercano (4)
0 255
Fuente: Modificado de Alzate, 2003.
Figura A4.9. Esquema general de un gráfico SCATTER.
279
Scatterplot of VILLAVO_B30 (Y axis) and VILLAVO_B40 (X axis)
5: nubes
2: zonas
urbanizadas
1: agua con
sedimentos
6: suelos semidesnudos
3: vegetación vigorosa
7: proceso morfodinámico
4: vegetación menos vigorosa
Fuente: Propios, Salida gráfica del software IDRISI.
Figura A4.10. Correlación de bandas roja e infrarroja.
La Figura A4.11 presenta la salida grafica del software IDRISI para las firmas espectrales de los
sitios de muestreo.
Fuente: Propia, Salida gráfica del software IDRISI.
Figura A4.11. Firmas espectrales de los sitios de muestreo.
Después de tener los archivos de firma espectral, se procede a clasificar las imágenes, proceso que el
software desarrolla píxel a píxel, comparando la respuesta espectral del mismo contra las que se
calcularon en los archivos de firma espectral. Dependiendo del tipo de clasificador que se use, un
280
píxel es asignado a una u otra clase, lo cual depende ampliamente de la calidad de los sitios de
prueba escogidos.
Los clasificadores que se usan aquí, son catalogados como “severos”, ya que estos producen una
decisión dura acerca de la identificación de cada píxel, caso contrario al de los clasificadores
“suaves”, que expresan el grado con el cual un píxel pertenece a cada clase considerada. A
continuación se presentan las definiciones dadas por Alzate (2003) para cada uno de los
clasificadores aquí empleados.
Clasificador de distancia mínima a medias

Calcula la distancia de los valores de reflectividad de cada píxel hasta la media de los archivos de
firma espectral, y asigna el píxel a la categoría con la media más cercana. Hay dos formas de
calcular la distancia con este clasificador: la primera es calcular la distancia Euclidiana desde los
valores de reflectividad de cada píxel hasta la media de los archivos de firma espectral. El segundo
método es el de la distancia normalizada; en este caso, el clasificador evalúa las desviaciones
estándar de los valores de reflectividad con respecto a la media, creando contornos de desviaciones
estándar, después asigna un píxel dado a la categoría más cercana, en términos de desviación
estándar. En las Figuras A4.12 y A4.13 se presentan las salidas gráficas de estas operaciones de
reclasificación.
Clasificador de máxima probabilidad

La distribución de los valores de reflectividad en un sitio de prueba, es descrita por una función de
densidad de probabilidad, desarrollada a partir de estadísticas de Bayes. Este clasificador evalúa la
probabilidad de que un determinado píxel pertenezca a una categoría y lo clasifica en la categoría
con la mayor probabilidad de pertenencia. En la Figura A4.14 se presenta la salida gráfica de esta
operación de reclasificación.
Clasificador de paralelepípedo
Este clasificador crea “cajas” usando unidades de desviación estándar, o valores de reflectividad
máximos y mínimos dentro de los sitios de prueba. Si un píxel determinado cae dentro de la “caja”
de una de las firmas espectrales, es asignado a esa categoría. Este es el más rápido de los
clasificadores.
Si los sitios de prueba están muy bien definidos, el clasificador de máxima probabilidad producirá el
mejor resultado; sin embargo, cuando esto no es así el desempeño es muy pobre. En tales casos el
clasificador de distancia mínima con distancias normalizadas produce mejores resultados. El
clasificador de paralelepípedo con la opción de desviación estándar es una opción razonable si se
tienen buenos sitios de prueba. (Alzate, 2003)
En las Figuras A4.15 y A4.16 se presenta la salida gráfica de esta operación de reclasificación.
281
Fuente: Salida gráfica del software IDRISI.
Figura A4.12. Salida gráfica del software IDRISI para el clasificador de mínima distancia.
282
Figura A4.13. Salida gráfica del software IDRISI para el clasificador de mínima distancia normalizado.
283
Figura A4.14. Salida gráfica del software IDRISI para el clasificador de máxima probabilidad.
284
Figura A4.15. Salida gráfica del software IDRISI para el clasificador de paralelepípedo con umbral Mínimo/Máximo.
285
Figura A4.16. Salida gráfica del software IDRISI para el clasificador de paralelepípedo con umbral en términos de la
desviación estándar.
286
4.3.6. Evaluación de Resultados
En este caso la evaluación de resultados se llevó a cabo por medio del análisis de las áreas de
afectación definidas en cada uno de los procesos de calificación. La evaluación se hace
estableciendo los porcentajes de afectación en el área considerada de laderas, para lo cual se hace
indispensable el modelo digital de elevaciones y la generación de un mapa de pendientes.
Como se ha mencionado, el criterio establecido por INGEOMINAS para definir el área de laderas,
es considerar como tal, la que corresponda con pendientes superiores al 5% ( > 2.862405° ); sobre
ese sector se establece el porcentaje de área clasificada como proceso morfodinámico. Con base en
este criterio, se estableció, por medio del software, que de un área total de la zona de estudio por
movimientos en masa, de 192.61 Km2, el área de ladera correspondiente equivale a 177.30 Km2.
Finalmente se determina el porcentaje de área coincidente entre la determinación por la clasificación

de la imagen de satélite y la medida en campo, de esta manera se evalúa la efectividad del análisis
propuesto.
En la Tabla A4.14 se presentan los resultados del análisis de porcentajes de área afectas por
procesos morfodinámicos, en ella se presentan los resultados tal cual provienen de un análisis
automático, sin evaluar la certeza de dicho análisis.
ÁREAS DE COINCIDENCIA Área de ladera total Área de ladera afectada Porcentaje de

2 2
(entre áreas de ladera y procesos morfodinámicos) (m ) (m ) afectación
Clasificador de máxima probabilidad 177304800 45608400 25.72
Clasificador de mínima distancia 177304800 6856000 3.87
Clasificador de mínima distancia normalizado 177304800 68407600 38.58
Clasificador de paralelepípedo con umbral de

177304800 21436800 12.09
mínimo máximo
Clasificador de paralelepípedo con umbral por
177304800 12225600 6.90
desviación estándar
Tabla A4.14. Áreas de coincidencia entre laderas y áreas estimadas de procesos morfodinámicos.
Como es claro, para cada clasificador se obtiene un porcentaje diferente de área de ladera afectada,
pero al analizar los resultados presentados en las Figuras A4.12 a A4.16, se puede ver que ninguno
de los clasificadores es absolutamente correcto, por cuanto las áreas que se están considerando como
afectadas, al ser comparadas con la distribución real de procesos morfodinámicos, no corresponden
adecuadamente.
287
Las razones pueden ser muy diversas, pero la más contundente es que lo que realmente se está
clasificando es la respuesta típica del suelo desnudo, así una gran cantidad de esa área que se estima
es afectada, es en realidad suelo desnudo.
En la Tabla A4.15 se presentan los resultados de analizar las áreas coincidentes, esta vez entre áreas
afectadas según se definen por cada uno de los clasificadores y áreas realmente afectadas, según lo
establece el mapa de procesos morfodinámicos levantado en campo por INGEOMINAS.
Área de afectación Área coincidente de afectación según el

ÁREAS DE COINCIDENCIA Porcentaje de
según el clasificador clasificador y proceso morfodinámico real
(entre procesos morfodinámicos) acierto
(m 2 ) (m 2 )
Clasificador de máxima probabilidad 45608400 4606400 10.10
Clasificador de mínima distancia 6856000 731600 10.67
Clasificador de mínima distancia

68407600 6367600 9.31
normalizado
Clasificador de paralelepípedo con umbral
21436800 2572800 12.00
de mínimo máximo
Clasificador de paralelepípedo con umbral
12225600 1644400 13.45
por desviación estándar
Tabla A4.15. Áreas de coincidencia entre procesos morfodinámicos estimados y procesos morfodinámicos medidos.
El resultado obtenido de analizar el acierto de los clasificadores, en la determinación de áreas de

afectación por procesos morfodinámicos, es bastante pobre, pues en promedio estos aciertan en un
11.1%, lo cual se considera muy bajo.
Al indagar sobre las posibles causas que conllevan tener estimaciones tan poco acertadas, se
encontraron los siguientes inconvenientes, que deben superarse para que la metodología se pueda
aplicar con mayor certeza:
Se clasifican los procesos morfodinámicos por medio de una firma espectral que corresponde
con suelo desnudo, mientras que al evaluar los resultados, se hace la comparación contra
todos los procesos morfodinámicos. Al determinar áreas de coincidencia entre las áreas de
afectación estimadas y las que realmente corresponden con procesos morfodinámicos, que se
caracterizan por presentar una gran superficie de suelo desnudo, los resultados son aún más
desalentadores.
La resolución espacial de la imagen de satélite es bastante pobre y representa el mayor

limitante en la definición de áreas que permitan establecer las firmas espectrales para la
clasificación, a la vez que generaliza en buena parte las respuestas espectrales de los
procesos morfodinámicos con dimensiones menores al tamaño de celda de la imagen satelital
(30 metros, en el caso de Landsat).
288
A pesar de haber llevado a cabo la proyección de coordenadas para la imagen, con el más
absoluto cuidado, y con software de alta precisión, se encontró un desfase entre las
coberturas de la imagen y las que se generaron desde el sistema de coordenadas Bogotá. Este
hecho constituye uno de los mayores inconvenientes, ya que su solución no es inmediata,
pues el desfase se presenta en dos direcciones y con un pequeño ángulo de rotación.
A pesar de los inconvenientes encontrados y de los resultados obtenidos en esta aplicación, se

considera que el método de trabajo (tal como se presentó en el Capítulo 4), es adecuado y que de ser
corregidas las observaciones anteriores, constituirá una buena herramienta de apoyo en los trabajos
de zonificación de amenaza.
4.3.7. Análisis de los principales procesos denudacionales
Debido a los resultados obtenidos en el análisis antes desarrollado, se propone el análisis de los
principales procesos denudacionales, según fueron caracterizados estos por INGEOMINAS (2001)
como se muestra a continuación:
Carcavamiento en la Quebrada La Blanca: Proceso erosivo profundo asociado a la Falla de Servitá

que ha provocado deslizamientos laterales retrogresivos, que afectan pequeños niveles de suelos
residuales y coluviales y al macizo rocoso altamente fracturado. Los cambios de uso del suelo en las
últimas décadas han favorecido su ocurrencia. Actualmente afecta un área aproximada de 3 ha y
preliminarmente se estima un volumen de material involucrado cercano a los 150.000 m3.
Carcavamiento Vereda Lourdes: proceso erosivo complejo asociado a la Falla de Servitá, que se
desarrolla en rocas de la Formación Luititas de Macanal, afectando desde la divisoria de las
Quebradas Negra y Guadual. Actualmente afecta cerca de 21 ha e involucra más de 200.000 m3 de
material inestabilizado.
Deslizamiento Río Ocoa: Deslizamiento Traslacional en un macizo rocoso de la Formación

Areniscas de Gutiérrez. Es un deslizamiento antiguo, que desde 1980 mostró indicios de actividad,
que hoy afecta un área aproximada de 2 ha y cerca de 10.000 m3 de material inestabilizado.
Deslizamiento Terraza de San José (Puente Abadía): deslizamiento que se desarrolla en una de las
terrazas aluviales de la margen izquierda del Río Guatiquía. Se activó en mayo del 2001 y destruyó
en esa ocasión la bocatoma del acueducto de Villavicencio. Actualmente amenaza con destruir la vía
Villavicencio – Santa Teresa.
Carcavamiento Vereda San Cristóbal: proceso erosivo complejo que se desarrolla en rocas de la
Formación Capas Rojas del Guatiquía y ha inestabilizado depósitos de coluvión de la parte alta de la
quebrada del mismo nombre. Es significativo su aporte de material al río Guatiquía.
Carcavamiento Servitá: Proceso complejo de erosión y movimientos en masa de tipo retrogresivo,

que involucra rocas de la Formación Lutitas de Pipiral, Lutitas de Macanal y depósitos delgados de
ladera. En varias ocasiones ha generado represamiento de la Quebrada Argentina. Su aporte de
material es significativo.
289
La Tabla A4.16 presenta las respuestas espectrales promedio de los principales procesos
denudacionales. Del mismo modo la Figura A4.17 presenta graficadas dichas curvas espectrales, y
con su análisis se demuestra que conservan una respuesta típica de suelo desnudo, ya que para las
dimensiones de los procesos caracterizados, son zonas fáciles de identificar en la imagen de satélite.
Los datos para esta aplicación se obtuvieron a partir de una tarea de reconocimiento visual sobre una
composición a color R-G-B : 5-4-3, junto con el análisis de los resultados de los diferentes procesos
de clasificación.
Proceso Puente San Quebrada

Lourdes Servitá Ocoa
Banda Abadia Cristobal Blanca
Azul 0.483 71.000 75.667 86.000 78.000 101.333 94.333
Verde 0.565 59.333 61.000 70.333 69.000 100.000 82.667
Rojo 0.660 53.667 65.667 87.000 80.667 119.667 88.667
IRC 0.825 55.667 40.333 61.000 55.333 74.000 72.000
IRM_5 1.650 77.333 54.667 77.333 86.333 130.667 122.667
IRM_7 2.220 54.333 41.333 62.000 59.667 100.000 74.000
Fuente: Alzate 2003.
Tabla A4.16. Análisis de la respuesta espectral promedio de los principales procesos denudacionales
60.000
% de ND
50.000
40.000
Lourdes
Puente Abadia
San Cristobal
Quebrada Blanca
30.000 Servitá
Ocoa
20.000
10.000
Verde visible
Rojo visible
Azul visible
Banda 5:
Infrarrojo
Banda 1:
Banda 2:
Banda 3:
Banda 4:
cercano
Banda 7:
Infrarrojo
Infrarrojo medio
medio
0.000
0.000 0.200 0.400 0.600 0.800 1.000 1.200 1.400 1.600 1.800 2.000 2.200 2.400
Longitud de onda (mm)
Figura A4.17. Respuesta espectral de los principales procesos denudacionales.
290
291
292

Anexo - 4 Teledeteccion

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

Anexo - 4 Teledeteccion

Uploaded by

Copyright:

Available Formats

ANEXO 4.

APLICACIÓN DE TÉCNICAS DE TELEDETECCIÓN Y

 Visualización sinóptica de grandes áreas.

4.1. CARACTERÍSTICAS DEL SENSOR ETM Y DE LA IMAGEN DE SATÉLITE

4.1.1. Sensor Landsat ETM (Mapeador Temático)

Resolución Resolución Resolución Resolución

4.1.2. Imágenes de Satélite

Se utiliza una imagen Landsat 7 ETM + obtenida en el servidor la Universidad de Maryland

4.2. PREPROCESAMIENTO DIGITAL

4.2.1. Correcciones Radiométricas

Las correcciones radiométricas se refieren a la remoción y/o disminución de las distorsiones en el

4.2.2. Correcciones Geométricas

El objetivo primordial de la corrección geométrica es poner los elementos de la imagen en su

4.3. DESPLIEGUE Y REALCE DIGITAL

4.3.1. Análisis de Histogramas y Manipulación del Contraste

Banda Rango del Espectro ND mínimo ND máximo

40000 BANDA 5 (IR medio)

BANDA 7 (IR medio)

Fuente: Cálculos propios.

Figura A4.1. Histogramas de las seis bandas originales.

Rango aproximado Valor aproximado

La manipulación de contraste consiste en una transferencia radiométrica en cada "píxel", con el

50000 BANDA 3 (Rojo)

BANDA 4 (IR cercano)

Fuente: Cálculos propios.

50000 BANDA 3 (Rojo)

BANDA 4 (IR cercano)

BANDA 5 (IR medio)

Fuente: Cálculos propios.

Increment o insignificant e en la apertura del

Fuente: Cálculos propios.

Figura A4.4. Comparación de histogramas antes y después de aplicarles técnicas de estiramiento.

50000 BANDA 4 (IR cer cano)

BANDA 5 (IR medio)

BANDA 7 (IR medio)

Fuente: Cálculos propios.

Discriminación de minerales y tipos de rocas.

Es la mayor novedad del sensor ETM+ en el Landsat7. Su resolución

Análisis de Respuesta Espectral en Diversas Coberturas

Figura A4.6. Respuesta espectral de algunas coberturas en el área de estudio

Infrarrojo Infrarrojo Infrarrojo medio

Fuente: Modificado del http://www.um.es/~geograf/sig/teledet/tema02.pdf, de la Universidad de Murcia (España):

Figura A4.7. Respuesta espectral típica de algunas coberturas.

4.3.2. Estadística de la Imagen y Análisis de Componentes Principales

Desviación estándar (σ)

Coeficiente de correlación (αa,b)

Lo que es lo mismo en el caso de variables bidimensionales:

Matriz de Varianza -Covarianza

Banda 1 y Banda 2 Ö 0.993471

Componente 1, explica el 92.63% de la varianza

Si solo se conservaran los componentes 1, 2 y 3, se retendría el 99.58% de la información, y en

Tabla A4.8. Tabla sumario de componentes principales

contener las interferencias atmosféricas, luego si se descarga esa componente no se pierde

Tabla A4.9. Matriz de correlación entre componentes producidos y banda originales

4.3.3. Álgebra de Imágenes – Operaciones entre Bandas

Bandas ETM (+) Desviaciones Factor de Índice Clasificación

Cociente de bandas 4/3

Fuente: Cálculos propios.

Índice de vegetación NDVI

Valor ND en la banda del Valor ND en la banda

Tabla A4.11. Aplicación de la ecuación del índice de vegetación NDVI.

4.3.4. Composiciones a Color

Atendiendo a la caracterización de los procesos morfodinámicos, presentados en el estudio

Visualización sinóptica de grandes áreas.

La resolución espacial de la imagen de satélite es bastante pobre y representa el mayor