Procesamiento de imagenes Landsat nivel basico
Información de Imágenes Recopiladas para el Estudio:
IMÁGENES SPOT:
Se recopilo información sobre las imágenes de satélites en buenas condiciones existentes en este paso las imágenes que se obtuvieron al inicio imágenes del satélite SPOT 5 del sensor escaneador multiespectral MSS con resolución espacial de 10 metros e imágenes pancromática de 2,5 metros de resolución espacial correspondientes a las áreas de cobertura 657-329, 656-328, 658-329.
SENSOR
Nombre Fecha de
Adquisición Resolución
Espectral Resolución
Espacial
Productor Formato de
Imagen
Escáner multiespectral
MSS. 656_328 Diciembre 2009 3 bandas Espectrales y 2 imágenes infrarrojas. 10 metros
Espectrales y
2.5 metros pancromática CNES (Centro Nacional de Estudios Espaciales francés GEO.TIFF
Escáner multiespectral
MSS. 657_329 Febrero 2010 3 bandas
Espectrales y 1 imagen infrarroja. 10 metros
Espectrales y
2.5 metros pancromática CNES (Centro Nacional de Estudios Espaciales francés GEO. TIFF
Escáner multiespectral
MSS. 658_329 Febrero
2010 3 bandas
Espectrales y 1 imagen infrarroja. 10 metros
Espectrales y
2.5 metros pancromática CNES (Centro Nacional de Estudios Espaciales francés GEO. TIFF
IMÁGENES LANDSAT: Aun así estas imágenes presentaron nubosidad en más del 30%.
Landsat de los años 1990
SENSOR
Nombre Fecha de
Adquisición Resolución
Espectral Resolución
Espacial
Productor Formato de
imagen
Escáner multiespectral
MSS. 005r52 Julio
1990 3 bandas
Espectrales y 4 Bandas Infrarrojas. 30 metros
Espectrales
120 Metros Banda 6
U.S. Geological Survey
GEO. TIFF
Escáner multiespectral
MSS. 004r053 Enero
1986 3 bandas
Espectrales y
4 Bandas Infrarrojas. 30 metros
Espectrales
120 Metros Banda 6
U.S. Geological Survey
GEO. TIFF
Escáner multiespectral
MSS. 005r53 Enero
1990 3 bandas
Espectrales y 4 Bandas Infrarrojas. 30 metros
Espectrales
120 Metros Banda 6
U.S. Geological Survey
GEO. TIFF
Landsat 8 de 2013.
SENSOR
Nombre Fecha de
Adquisición Resolución
Espectral Resolución
Espacial
Productor Formato de
Imagen
Operational
Land Imager
(OLI)
And Thermal Infrared Sensor (TIRS). 005r52 Septiembre 2013 6 bandas
Espectrales
2 bandas imágenes infrarrojas.
2 Bandas Térmicas
1Pancromatica 30 metros
Espectrales.
100 metro la Termica.
15 metros la pancromática
U.S. Geological Survey
GEO. TIFF
Operational
Land Imager
(OLI)
And Thermal Infrared Sensor (TIRS). 004r053 Diciembre 2013 6 bandas
Espectrales
2 bandas imágenes infrarrojas.
2 Bandas Térmicas
1Pancromatica 30 metros
Espectrales.
100 metro la Termica.
15 metros la pancromática
U.S. Geological Survey
GEO.TIFF
Operational
Land Imager
(OLI)
And Thermal Infrared Sensor (TIRS). 005r053 Septiembre 2013 6 bandas
Espectrales
2 bandas imágenes infrarrojas.
2 Bandas Térmicas
1Pancromatica 30 metros
Espectrales.
100 metro la Termica.
15 metros la pancromática
U.S. Geological Survey
GEO.TIFF
Metodología de Procesamiento de Imágenes aplicado en ambas imágenes.
En esta selección imágenes se establecieron como imágenes de trabajo en el caso de la reserva de biosfera de Cuare la imagen seleccionada 656-328 del mes de diciembre del 2009 con una resolución del nivel digital de 10 metros y para Henri pittier la imagen Landsat 8: 004-053 de fecha diciembre del 2013 con una resolución del nivel digital de 30 metros siendo esta seleccionada por la poca presencia de coberturas de nubes (Menos del 30%) pero si gran presencia de nubes Cirros que afectaban en los niveles digitales de la imagen al clasificado no supervisado; las imágenes entregadas por el CPDI y las Landsat descargadas por medio del portal de http://earthexplorer.usgs.gov/ ya vienen con un nivel de corrección atmosférica permitiendo así su procesamiento directo, para la discriminación de las unidades de vegetación fue utiliza como metodología el procesamiento de extracción de información el Método visual- espectral donde el reconocimiento de las unidades de vegetación se realizo a partir de la identificación de las mismas en la imágenes de satélite por dos métodos de clasificación supervisada y no supervisada siendo el proceso orientado en función de los resultados de la clasificación no supervisada usando el algoritmo clasificador ISODATA siendo la finalidad del mismo es ver el comportamiento de los niveles digitales de las imágenes de satélite usando para la clasificación aproximadamente 30 interacciones y con 10 clases y esto es para lograr una mayor discriminación entre las clases generadas por el clasificador siendo esta una constante en el proceso de clasificación no supervisada; Posteriormente al observar el comportamiento de los niveles digitales en la imagen e procedió a la elaboración de las clases de vegetación y centros urbanos que se encuentran en el área de estudio siendo estas clases establecidas a partir de muestreo de niveles digitales siendo su identificación realizada conjuntamente mediante estudio bibliográfico y coberturas de vegetación el método de clasificación a este nivel utilizado fue clasificación supervisada mediante el algoritmo máxima verosimilitud (máximum likelihood).
Criterios usados para determinacion de las unidades de vegetacion
Zonas de Vida de Holdriged:
Unidades de Zonas de Vida
• bmh-MB: Bosque Húmedo Montano bajo.
• bmh-P: Bosque húmedo Premontano.
• Bs-T: Bosque seco tropical
• bms-T Bosque muy seco tropical
• Bh-T: Bosque Húmedo tropical
Como criterio para discernir entre los tipos de vegetación a ser usadas para determinar entre las clases a ser usadas para la clasificación supervisada se utilizaron el mapa de zonas de vida y mapa de vegetación de oto huber ya que los mismos dan una aproximación de los tipos de vegetación a ser encontradas en las áreas de estudios.
La imagen previamente para la clasificación fue usada la combinación 432 ya que esta permite mediante la banda del infrarrojo cercano siendo la banda 4 el detectar la presencia de formaciones vegetales mediante el clasificador siendo descargada del centro geológico de los Estados Unidos bajo el nivel de corrección Lt1. siendo ya corregida geométrica y radiométricamente por el centro geológico siendo posterior mente seccionada la imagen en función del área de estudio La presencia de nubes fue una gran limitante a la hora de estableces las clases a ser categorizadas y así como el cálculo de área a tomar en cuenta a la hora de determinar la extensión de territorio a ser abarcadas por las clases.
Proceso de clasificación de las imágenes de ambas áreas de estudio
1. Parque Nacional Henri Pittier:
Fuente de información utilizada para el proceso de elaboración de mapa base del parque nacional Henri pittier es el insumo base para la elaboración de los posteriores mapas temáticos resultantes del proceso de clasificación elaborado a escala 1:25000 captura vectorial realizada como base de cartas topográficas del instituto geográfico de Venezuela Simón bolívar.
La clasificación No Supervisada Algoritmo Isodata: Se procesó inicialmente con 40 clases y 20 interacciones esto es debido a la modificación de los niveles digitales debido a presencia de nubes cirros cuya modificación generada acareaba la generación de más clases para sí poder discriminar entre las casos de vegetación y uso de suelo tanto las seleccionadas para la clasificación así como aquellas alteradas por la nubes. Donde esta clasificación no supervisada médiate la interpretación visual y cono cimento de las posibles ubicaciones de las formaciones vegetales se comenzó a unir las clases dando al final como resultado la conformación de más de 15 clases siendo las finalidad de esta clasificación el observar el comportamiento de los niveles digitales en la imagen y como se comportaba el clasificación al establecer numero de clases e número de interacciones.
Clasificación Supervisada Vecino Más Cercano: Para la obtención de muestreo se opto por el uso de muestreo aleatorio ya que este permite la determinación de clases mas representativas a los tipos de vegetación a ser obtenida de las cuales donde este método de selección de muestra se realizo en función de la interpretación y reconocimiento previo de las unidades de vegetación y ecosistemas que imperan en el área de estudio de las cuales al ser comparado con los resultados de la clasificación no supervisada que mediante la misma permite conocer la distribución y comportamiento de las unidades digitales en la imagen poder determinar las formaciones vegetales y elementos en la imagen
Siendo esto base importante para la elaboración de los criterios de a calidad para la clasificación supervisada. Fueron establecidas 12 clases 8 totales y 4 variantes de las clases siendo estas últimas como mecanismo de clasificación en áreas de las imágenes con presencia de nubes cirros. En este caso fueron establecidas las clases:
Clases Obtenidas Mediante el Clasificador Supervisado para Refugio de Henri Pitier.
Bosques: muestra de clase representativa a cobertura boscosa Cultivos: Muestra representativa a Áreas de cultivos y actividades agropecuarias.
Cuerpos de agua. Vegetación B Matorral Pre montano.
Vegetación A Herbazales Pre montanos Vegetación espinar.
Nube Bosque Húmedo
Perímetro urbano (Siendo esta no establecidos como una clase su captura fue realizada de manera manual). Sedimento (siendo caracterizado como elemento relacionado a una variante de cuerpos de aguas).
Bosque nubosidad (siendo esta una variante de la clase bosque). Herbazales Pre montanos Nube, (siendo esta una variante de herbazales pre montanos).
RESULTADOS OBTENIDOS HENRRI PITIER:
Matriz de Fusión:
A partir de esta clasificación se utilizó la matriz de fusión de datos siendo este un algoritmo que permite evaluar los criterios utilizados por el clasificador para evaluar la calidad de la clasificación y así poder estimar la aproximación en el proceso de clasificación supervisada.
Comisión y Omisión de niveles digitales:
A partir de los datos obtenidos se observa como en la en la clase de cultivo se observa una comisión 8.33 siendo esto dado por la agrupación de niveles digitales que no pertenecen a esta clase y las mismas se encuentra ya clasificadas a lo largo de las otras clases es por esto que la clase cultivos tuvo que ser posteriormente editada a modo de cobertura en sistema de información para así para así obtener las áreas.
En el caso del bosque nubosidad esta capa tuvo que ser reeditada para contener la clase bosque que se encuentra afectada por la presencia de formaciones cirro que afectan a los niveles digitales de la dicha capa;
La capa premomtano se editó posteriormente en sistema de información para así obtener las unidades exactas.
1) Refugio de Fauna Silvestre de Cuare
En el caso del refugio de fauna silvestre de cuare se utilizó igualmente la combinación 432 donde estas imágenes a diferencia de Henri pittier se disponían de imágenes del satélite Francés SPOT mediante el sensor escáner multiespectral MSS siendo provista por el centro de procesamiento digital de imágenes CPDI. Con una resolución del nivel digital de 10 metros las multiespectrales.
la determinación de clases a ser usadas para la discriminación de las formaciones vegetales se obtuvo a partir de la clasificación no supervisada isodata con la asignación inicial d 20 Clases con 190 interacciones reduciéndose la misma a tan solo 12 clases
a partir de esta clasificación no supervisada se constato la necesidad de realizar clasificación mediante tan solo 7 clases siendo identificadas visualmente con los tipos de formación vegetal que son:
Pastos y cultivos(Humedad Alta), Pastos y Cultivos (Cultivos medio desarrollo), Pastos y Cultivos(Pastos o Suelos en Preparación), Bosque Ralo Deciduo, Matorral, Cuerpo de agua donde las clase restante que es de centros urbanos tuvo que ser capturada manualmente y esto es para evitar confusión en el clasificador supervisado al momento de establecen las muestras de niveles digitales.
la presencia de nubes dentro del área de estudio al ser prácticamente nula esta permite poder desarrollar una clasificación con mayor precisión en la determinación de las áreas de coberturas vegetales así como en el proceso de discriminación de las categorías de las clases a ser usadas como unidades.
Clases Obtenidas Mediante el Clasificador Supervisado para Refugio de Fauna de Cuare.
Pastos y cultivos(Humedad Alta) Pastos y Cultivos (Cultivos medio desarrollo)
Pastos y Cultivos (Pastos o Suelos en Preparación) Bosque Ralo Deciduo
Manglar Matorral
Cuerpo de agua Centro urbano
Nubes Humedal
Suelo desnudo
RESULTADOS OBTENIDOS REFUGIO DE FAUNA SILVESTRE DE CUARE:
observándose como resultado mayor cantidad de niveles digitales asignados a las clases humedal pastos y cultivos siendo esto ocasionado por la selección de niveles digitales que pertenecen a otras clases originando la comisión de niveles.
El resultado que se obtiene en esta matriz de confusión es la carencia de errores en los niveles de asignación siendo estos resultados no definitivos ya que la matriz se guía por la moda o niveles digitales más repetitivos en el rango de selección de la muestra que se encuentra dentro de la muestra.
Bibliografía:
Chuvieco, .E. (1995). Fundamentos De Teledetección, (Segunda Edición). Madrid España: Edit. RIALP, S.A.
Ponencias:
Milagro M. Torres W. (2007). Clasificación supervisada por redes neuronales para la identificación de los rubros de Maíz y arroz en Calabozo Edo Guárico. Memorias de congreso de Segunda jornada Nacional de Geomática. (pp. 103-112). Caracas: Centro de pr