Meto dolog ´ ıa para la identificaci´on de especies vegetales invasoras Ulex eur op aeus (retamo espinoso) y Genista monsp essulana(retamo liso) en zonas piloto de Bogot´ a D.C usando im´ agenes multiespectrales de alta resoluci´on. Daner Estefan Castro Vanegas F abi´an Steven Pe˜ naloza Rivera Universidad Distrit al F rancisco Jos´ e d e Cal das F acultad de ingenie r ´ ıa, Ingenier´ ıa Catastral y Geodesi a Bogot´ a, Colombia 2015
“Vivir en comunion, sentir empatıa y compasion en el projimo.
Esta vida comprende personas buenas que intentan ayudarte, aquellasque parecen ser las mas indolentes, perversas, tienen algo que compartircontigo, claro muy bueno para ti. No esperes que sean buenas contigo,hazlo con ellos y veran las puertas que se te abriran en la vida, no hayque ser arrogante, orgulloso, hay que perdonar todos tenemos segundas,terceras,... oportunidades. No sabes que camino te depara la vida para ti,trata de tener el valor de la empatıa en todo momento, es decir, colocateen el lugar de los otros, en esta vida no estamos solos y siempre hay quevivir en comunidad y como una sociedad, pero companerista donde se val-ore y se respete al otro, que existe amor, Si hay amor todo lo demas vieneanexo. Apoyate en los otros, comparte, vive y goza la vida, la vida deun amargado no tiene tantos momentos alegres como el de una personaemprendedora, capaz, con ganas de salir siempre adelante, a pesar de estaren lo mas hondo.. Adelante, continua, nunca es tarde.”
Por David Leonardo Lopez Leon. Q.E.P.D colega y amigo.
4.11. Polıgonos de entrenamiento para la escena de cerros . . . . . . . . . . . . . . 554.12. Polıgonos de entrenamiento para la escena de embalses. . . . . . . . . . . . . 564.13. a. Zona con distorsion QuickBird, b. Zona sin distorsion GeoEye-1. . . . . . 584.14. a. Zonas con presencia de Retamo Espinoso en la imagen QuickBird 2007, b.
Zonas sin presencia de Retamo Espinoso en la imagen GeoEye-1 2013. . . . . 594.15. a. Zonas con presencia de Retamo Espinoso en la imagen QuickBird 2007, b.
Zonas sin presencia de Retamo Espinoso en la imagen GeoEye-1 2013. . . . . 60
5.1. Firmas espectral cruda a nivel individual. . . . . . . . . . . . . . . . . . . . . 625.2. Firmas espectral cruda a nivel dosel. . . . . . . . . . . . . . . . . . . . . . . 625.3. Firmas espectrales a nivel individuo con valores de reflectancia absoluta. . . 63
5.4. Firmas espectrales a nivel dosel con valores de reflectancia absoluta. . . . . . 635.5. Firmas espectrales homogeneas a nivel individuo. . . . . . . . . . . . . . . . 645.6. Firmas espectrales homogeneas a nivel dosel. . . . . . . . . . . . . . . . . . . 655.7. Firma espectral promedio (verde) y desviacion estandar a nivel individual. . 665.8. Firmas espectrales homogeneas promedio y desviacion estandar a nivel dosel. 665.9. Firmas promedio, individual y dosel, entre 450 y 895nm. . . . . . . . . . . . 675.10. Promedio de los promedios, que representan el valor de un pıxel a nivel dosel
e individual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675.11. Imagenes, a. Zona Embalses cruda. b. Zona Embalses corregida atmosferica-
mente. c. Zona Cerros cruda. d. Zona Cerros corregida Atmosfericamente. . . 685.12. Analisis espectral (media vs IV) de los 14 ındices generados para la escena de
Embalses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 695.13. Diagramas de caja. (a) NDVI (b) MSAVI (c) TTVI (d) WDVI (e) IRC. . . . 705.14. Analisis espectral (media vs IV) de los 14 ındices generados para la escena de
5.20. Entrenamiento de los objetos creados en la segmentacion. . . . . . . . . . . . 795.21. Clasificacion seccion cerros orientales, a. Basada en pıxeles (SVM), b. Basada
5.22. Procedimiento de clasificacion zona cerros orientales a) Segmentacion. Escala30, Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c) Clasifi-
cacion final basada en objetos. . . . . . . . . . . . . . . . . . . . . . . . . . . 815.23. Segmentacion zona del embalse de Chisaca. Forma 0.1, compacidad 0.9 y es-
cala. a) 40. b) 80. c) 150. d) 200. . . . . . . . . . . . . . . . . . . . . . . . . 825.24. Procedimiento de clasificacion zona embalse de Chisaca a) Segmentacion. Es-
cala 40, Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c)Clasificacion final basada en objetos. . . . . . . . . . . . . . . . . . . . . . . 83
5.25. Clasificacion seccion embalse de Chisaca a) Basada en pıxeles (SVM), b) Ba-sada en objetos, c) Referencia visual. . . . . . . . . . . . . . . . . . . . . . . 84
5.26. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del loscerros orientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013.c. Plantaciones Forestales d. Mosaico de pastos, cultivos y espacios naturales. 87
5.27. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del loscerros orientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013.c.Tierras desnudas y/o degradadas d. Territorios artificializados. . . . . . . . 88
5.28. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del loscerros orientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013.c. Retamo espinoso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.29. Clasificacion de coberturas de una seccion de los cerros orientales. a. Ano 2007,b. Ano 2013, c. Proyeccion de las coberturas para el ano 2020. . . . . . . . . 92
6.1. Puntos de muestras de la imagen GeoEye. . . . . . . . . . . . . . . . . . . . 956.2. Muestras y Promedio del grupo3 de la captura. . . . . . . . . . . . . . . . . 966.3. Metodologıa popuesta para la identificacion del Ulex europaeus (retamo espi-
10.1. Mapa de distribucion espacial de retamo espinoso, zona cerros orientales. . . 12110.2. Mapa de distribucion espacial de retamo espinoso, zona embalse de Chisaca. 12210.3. Mapa de la proyeccion de la distribucion espacial del retamo espinoso, para el
ano 2020 del, zona cerros orientales. . . . . . . . . . . . . . . . . . . . . . . . 123
Las especies invasoras son la segunda causa de perdida de biodiversidad en ecosiste-mas terrestres, muchas de ellas son consideradas como especies transformadoras que por sısolas pueden modificar drasticamente las condiciones y caracterısticas de los habitats te-rrestres.[Congreso Mexicano de Ecologıa, 2008]. En muchas areas de la region andina deColombia, principalmente en los alrededores de Bogota D.C, el problema de la invasion delretamo espinoso es cada vez mayor [Vargas, 2009].
El uso de sensores remotos como base es uno de los medios que se disponen hoy para
acelerar y reducir costos en la deteccion coberturas vegetales, que para nuestro caso sonespecies vegetales invasoras. Las nuevas tecnicas de procesamiento y los nuevos sensores,ofrecen posibilidades, en zonas poco exploradas, de generar informacion sinoptica y precisapara evaluar la evolucion de diversas variaciones tematicas de la superficie terrestre. [Pacheco,2013].
Para la identificacion de las especies invasoras se clasificaron las imagenes a partir detecnicas de procesamiento digital. Al clasificar las imagenes, se reduce la variable continuaque son los niveles digitales (ND) a una variable categorica. La clasificacion de imagenes sepuede catalogar segun la metodologıa empleada, en clasificacion supervisada y no supervi-sada. Los metodos de clasificacion supervisada basan su principio en la definicion por partedel interprete de areas de entrenamiento en la imagen para las distintas categorıas y a partir
de ellas, el software calcula los ND que definen cada una de las clases, para luego asignar elresto de los pıxeles de la imagen a una de esas categorıas en funcion de sus ND. Por otraparte, los metodos de clasificacion no supervisada asumen que los ND de la imagen formanuna serie de conglomerados que equivaldrıan a los pıxeles con un comportamiento espectralhomogeneo y por lo tanto deberıan definir clases tematicas de interes. A diferencia de losmetodos supervisados, la intervencion del usuario se centra mas en la interpretacion que enla consecucion de los resultados. [Chuvieco, 2008].
Este documento muestra la importancia de la elaboracion de la metodologıa y los pro-
cesos que nos llevaron a ella con el uso de sensores remotos como base para la deteccion delas especies vegetales invasoras Ulex europaeus (retamo espinoso) y Genista monspessulana
(retamo liso) con el uso de algoritmos de clasificacion no tradicionales, sometiendo a pruebaalgunas metodologıas de clasificacion supervisada para la identificacion de la distribucionespacial de las especies invasoras en algunas zonas piloto definidas previamente con apoyodel jardın botanico “Jose Celestino Mutis” para desarrollar a partir de los resultados, unametodologıa que pueda ser adoptada para identificar estas especies en el Distrito Capital.
2. PLANTEAMIENTO DEL PROBLEMA.
Las invasiones biologicas figuran en la actualidad dentro de los principales factores queamenazan la biodiversidad a nivel mundial. [Mack et al., 2000]Es tal el impacto de las inva-siones biologicas, que se considera que despues de la destruccion del habitat y los cambiosantropicos de la atmosfera y oceanos, son el segundo problema mas importante en afectar alos ecosistemas con consecuencias tales como la inutilizacion de terrenos, perdidas de biodi-versidad y de cosechas [Mack et al., 2000] [Stohlgren et al., 2001] [Sykes, 2001].
Las especies invasoras al ser altamente competitivas logran colonizar ambientes transfor-mados los cuales les ofrecen recursos como espacio, luz, nutrientes y f acil movilidad en elespacio. Estas especies tambien cambian el regimen de disturbios incrementando, en algunoscasos, las frecuencias de fuegos o la herbivorıa. [Vargas, 2009].
En las partes altas de la Cordillera Oriental colombiana, por encima de los 2.400 metrosde altitud, los incendios forestales se asocian con la mayor incidencia del complejo invasor dearbustos exoticos conformado por el retamo espinoso (Ulex europaeus ) y el retamo liso (Ge-
nista monspessulana ), actualmente es objeto de campanas de control manual en el DistritoCapital.[Vargas, 2007].
Los ecosistemas naturales presentes en Bogota, funcionan como un regulador hıdrico dequebradas y acuıferos, y ademas son habitat de muchas especies de fauna y flora nativa. Apesar de lo anterior, los ecosistemas naturales en Bogota han sufrido un historico proceso de
degradacion y dano eco sistemico. En la actualidad continuan ocurriendo diversos procesosque impiden la regeneracion natural de este ecosistema ocasionando la invasion de Ulex eu-
ropaeus (retamo espinoso) y de Genista monspessulana (retamo liso) en terrenos ruderales,marginales y semisilvestres [Aguilar, 2010].
La planta Ulex europaeus conforma matorrales densos que impiden la colonizacion la ve-getacion nativa y promueve incendios forestales. Cabe indicar que a nivel mundial esta especie
es considerada como una de las 100 especies invasoras mas agresivas del planeta [issg, 2013]Y en Colombia se encuentra entre las 10 especies mas invasoras. Por otra parte, la planta
Genista monspessulana ejerce un efecto negativo sobre la flora nativa de los ecosistemas,mediante la modificacion de microclimas y suelos, impidiendo que los rayos solares lleguen atierra, por lo que especies heliofilas se ven desplazadas de su habitat natural [Baquero, S &Caro, A, 2009].
Uno de los grandes retos actuales para la restauracion ecologica es la restauracion deareas con especies exoticas invasoras. [Vargas, 2009]. Pero, para cumplir el reto, es necesarioidentificar las areas afectadas por la invasion. Sin embargo, la identificacion de la localizacionde estas especies invasoras es una labor que en campo llevarıa mucho tiempo y los costos serıanmuy altos. Por lo expuesto, la implementacion de una metodologıa por medio de sensoresremotos para la identificacion de Ulex europaeus y Genista monspessulana se justifica en la
necesidad de comprender la distribucion de estas especies para controlar su invasion a escalalocal y regional. [Vargas et al., 2012].
3. JUSTIFICACION
Este proyecto es de gran importancia para el distrito capital, pues a partir de la identifi-cacion de la distribucion espacial de las especies vegetales invasoras Genista monspessulana
(Retamo liso) y Ulex europaeus (Retamo espinoso) que tanto dano le hacen a los ecosistemaslocales, las entidades competentes podran tomar medidas de control de la reproduccion ypropagacion de estas especies y ası garantizar la conservacion de la flora y fauna nativa y
evitar perdidas de biodiversidad.
La identificacion de la distribucion espacial se hace a partir de imagenes satelitales, ya quelos metodos basados en mapeo GPS presentan deficiencias en cuanto al cubrimiento puestoque estos se hacen para una extension espacial limitada, ademas tanto el tiempo como loscostos asociados a este son altos, por tanto una solucion eficiente es cartografiar la vegetacionpor medio de la teledeteccion, pues cubre grandes areas espaciales y los mapas se pueden ac-tualizar en un intervalo de tiempo determinado por las necesidades que se requieran, evitandoası las constantes visitas a campo.
El producto final de este proyecto, una metodologıa desarrollada a partir del procesa-miento digital de imagenes, permitira mantener actualizada la informacion espacial de lapresencia de vegetacion invasora de Retamo liso y Retamo espinoso en el Distrito Capital,ahorrando ası tiempo, costos y proporcionando informacion precisa y oportuna.
A continuacion se presentan los objetivos general y especıficos.
4.1. General
Desarrollar una metodologıa para identificar la distribucion espacial de las especies vegeta-les invasoras de Ulex europaeus (retamo espinoso) y de Genista monspessulana (retamo liso)en zonas piloto del Distrito Capital a partir del uso de imagenes multiespectrales satelitales.
4.2. Especıficos
Evaluar la utilidad de imagenes multiespectrales de alta resolucion capturadas por
sensores remotos para identificar las especies invasoras, para disminuir costos en elproceso de identificacion manual de las especies invasoras.
Identificar el algoritmo de procesamiento digital de imagenes optimo para la identifi-cacion de las especies vegetales invasoras Ulex europaeus (retamo espinoso) y Genista
monspessulana (retamo liso), para optimizar el proceso de identificacion de las especiesinvasoras con las imagenes satelitales.
Identificar la propagacion de las especies invasoras en un intervalo de tiempo especıficoa partir de un analisis multitemporal, para determinar la evolucion de las especiesinvasoras.
de nutrientes (producto de la contaminacion) y humedad durante todo el ano. [Vargas etal.,2012].
Figure 2.1: Categorıas de especies nativas e introducidas que se presentan actualmenteen los humedales de Bogota. Tomado de [Vargas et al., 2012]
1.4. Especies introducidas
Las especies introducidas son especies que se encuentran fuera de su area de distribucionnatural, tambien llamadas exoticas, y han sido transportadas e introducidas por el hombrede una forma voluntaria o accidental. De las especies introducidas algunas denominadas conel termino naturalizadas, se adaptan, se reproducen y mantienen poblaciones.[Vargas et al.,
2012].
Entre las especies naturalizadas sobresalen las que tienen una gran capacidad de reproduc-cion, dispersion, establecimiento, persistencia y forman grandes poblaciones causando dano alas especies nativas y transformando los ecosistemas naturales y seminaturales, estas especiesson las llamadas especies invasoras y cuando causan gran impacto son llamadas transforma-doras, pestes o plagas [Vila, et al., 2008].
1.4.1. Retamo espinoso (Ulex europaeus )
Es un arbusto de hoja perenne, de 60 cm-2 m de altura o mas alto, armado con sobresa-lientes espinas. Los tallos son gruesos, verdes y con una inclinacion que termina en espinas,estas son de 1-3 cm de longitud. Las espinas son rıgidas y surcadas; las grandes espinas pri-marias tienden a ramificarse en espinas secundarias y terciarias. Las hojas son aciculares y,en general mas cortas que las espinas. Las hojas son perennes, pero se reducen a escamaso filoides de espinas en las plantas adultas. Las flores son solitarias, dispuestas en racimosen ramas exteriores, y 1.5-2.5 cm de largo. Las flores de color amarillo tienen forma de y
presentan pedicelos pubescentes. La corola tiene 15-18 mm de largo con una bandera ovaly oblonga, las alas y las quillas son obtusas. Los petalos son parcialmente cerrados por dos
bracteolas grandes 2-4 mm de ancho. El caliz es 2 / 3 la longitud de la corola, con los pelosesparcidos. Las flores tienen un olor caracterıstico de aceite de coco. [Clements, Peterson, &Prasad, 2000].
Es un arbusto perenne que puede alcanzar hasta 3 metros de alto, de ramas pubescentesy hojas trifoliadas, cuyos peciolos tienen de 3 a 5 mm de largo. Las flores de color amarillose disponen en racimos subcapitados en forma axilar; cada uno de estos racimos puede tenerde 3 a 9 flores. El labelo de la flor en su mayorıa es glabro, ovado y redondeado. Las alas sonoblongas a ovadas y la quilla puede ser recta o curva; el caliz es pubescente. Presenta frutosen vaina de hasta 2,5 cm de largo y 6,4 mm de ancho; en estas vainas pueden presentarse de2 a 7 semillas [Alzate, 2005]
Los posibles impactos identificados corresponden a sus caracterısticas como especie de
alta agresividad en ecosistemas degradados y gran adaptacion en ambientes abiertos y conimpactos antropicos [ Gutierrez F. de P., 2006].
Estas especies generan bancos de semillas persistentes, tienen ciclos de retroalimenta-cion positiva cuando hay incendios y conforman poblaciones mono especıficas tanto en zonasabiertas como en el sotobosque1 de plantaciones forestales, en bosques secundarios o en eco-sistemas con un grado moderado de alteracion [Janice M. Alexander, 2003; Matthei J et al.,1995; Pauchard et al., 2007]
La Genista monspessulana es frecuente en el sotobosque de las plantaciones de Pinus
radiata D. Don y Eucalyptus globulus Labill. Tambien, es posible encontrarla en orillas de ca-minos y sitios perturbados en areas cordilleranas alejadas del valle central. [Garcıa et al. 2010].
2. FUNDAMENTOS DE LA TELEDETECCION.
En su obra [Chuvieco, 2008] ha definido la teledeteccion como aquella tecnica que permiteadquirir imagenes de la superficie terrestre desde sensores aereos o espaciales, asumiendo queentre el sensor existe una interaccion energetica, ya sea por reflexion de la energıa solar o deun haz energetico artificial, ya sea por reflexion de la energıa solar o de un haz energetico
artificial, ya por emision propia.
2.1. Firmas Espectrales y Espectroradiometrıa
Ademas [Chuvieco, 2008], describe que las firmas espectrales son fundamentales parareconocer cubiertas de interes o parametros dentro de esas cubiertas (clorofila en la vegetacion
1Parte inferior del bosque formado por las plantas ba jo el dosel forestal.[Martınez, 2008].
o turbidez en el agua por ejemplo), por lo cual recomienda que estas sean punto de partidapara trabajos de teledeteccion.
2.1.1. Espectroscopıa de la vegetacion.
La respuesta espectral de una especie vegetal en su dosel o a nivel de hoja, es unica, yesa respuesta se conoce como firma espectral. Para detectar y mapear una especie invasora,es necesario que existan diferencias entre la reflectividad espectral de la vegetaci on nativa yla de la especie invasora.
2.1.2. Propiedades opticas de las hojas
De acuerdo con [Gates, 1965], las propiedades opticas de las hojas dependen de: las con-
diciones de radiacion, la especie vegetal, el grosor de las hojas, la estructura de la superficiefoliar, los niveles de contenido de clorofila, y la estructura interna de la hoja. La radiaci onsolar incidente es la fuente primaria de energıa que permite la ejecucion de los diferentesprocesos biologicos y fısico-quımicos de las plantas y por lo tanto es el principal factor queinfluye en sus propiedades. La respuesta de las plantas a la luz solar puede evidenciarse atraves de tres efectos especıficos [Lopez, 2012]:
Efectos termicos: Aproximadamente el 70 % de la radiacion solar incidente, es absorbi-da por las plantas y convertida en calor para procurar y permitir el mantenimiento dela temperatura corporal de la planta y su proceso de transpiraci on.
Efectos fotosinteticos: La radiacion activa fotosintetica (usada en el proceso de la fo-tosıntesis), es aproximadamente el 28 % de la energıa absorbida por una planta, e in-terviene en la conversion y produccion de componentes organicos altamente energeticos.
Efectos fotomorfogenicos: La naturaleza y cantidad de energıa absorbida, transmitiday/o reflejada depende de la longitud de onda, del angulo de incidencia, la rugosidad dela superficie, las diferencias en las propiedades opticas y los contenidos bioquımicos delas hojas.
Figure 2.4: Ejemplo hipotetico de reflectancia de las capas del dosel de dos hojas. Fuente:Imagen adaptada de [Jensen, 2006].
Cuando se comparan la reflectancia de una hoja con la de una capa de hojas, en esta ultimase puede ampliar en un 85 % la reflectancia de una unica hoja, para la region del infrarrojocercano. Estos hechos se explican por la reflectancia aditiva, esto es, la radiacion electro-magnetica transmitida a traves de la primera ho ja, situada en la parte superior de la capa
de hojas, hacia la segunda, es parcialmente reflejada por esta de vuelta hacia la primera, yası sucesivamente, hasta la ultima hoja de la capa. [Swain & Davis, 1981]
2.2. Reflectancia de la vegetacion
La vegetacion sana tiene una reflectividad baja en el visible aunque con un pico en elcolor verde debido a la clorofila, ese pigmento aparece en concentraciones entre 5 y 10 vecesmayores que otros como el caroteno). La reflectividad es muy alta en el infrarrojo reflejado oproximo debido a la escasa absorcion de energıa por parte de las plantas en esta banda. Enel infrarrojo medio hay una disminucion especialmente importante en aquellas longitudes deonda en las que el agua de la planta absorbe la energıa. Durante el otono, las hojas pierden loscloroplastos (organos que contienen la clorofila) ya que dejan de ser necesarios, por tanto dejade ser la clorofila el pigmento principal y las plantas adquieren un color pardo-amarillentodebido a la cada vez mayor importancia relativa de carotenos y otros pigmentos.Esta curva tan contrastada se debilita en el caso de la vegetaci on enferma en la que dismi-nuye el infrarrojo y aumenta la reflectividad en el rojo y azul. Se observa tambien que lareflectividad de una planta depende de su contenido en agua. Cuando el contenido de agua
aumenta disminuye la reflectividad ya que aumenta la absorcion de radiacion por parte delagua contenida en la planta.
Las propiedades reflectivas de la vegetacion dependen de tres tipos de variables [Jacque-moud et al., 1995]:
1. Estructura de la cubierta vegetal, principalmente caracterizada por su ındice foliar, porla orientacion de las hojas y por su distribucion y tamano.
2. Propiedades opticas de los elementos reflectantes (tallos, hojas, flores y frutos).
3. Geometrıa de la observacion, determinada por la orientacion relativa entre el sol y lasuperficie y por la situacion del sensor con respecto a esta ultima.
En la Figura 2.5 se puede observar la curva general espectral de reflectancias para la vegeta-cion sana.
Figure 2.5: Factores dominantes que controlan la reflectancia de la hoja. Imagen adaptadade [Jensen, 2006].
La radiacion electromagnetica al tener contacto con el blanco, puede ser absorbida, trans-mitida y reflejada. En el caso especıfico de la vegetacion, la interaccion con la radiacionocurre distintamente para cada longitud de onda del espectro. La Figura 2.5 presenta unacurva patron de la respuesta espectral de una hoja vegetal, donde se observa un pico deabsorcion en la region del azul (450 nm) y otro en la regi on del rojo (650 nm), ambos debi-dos a la presencia de pigmentos en el interior del cloroplasto, tales como: clorofila, xantofila,
carotenos y otros. La absorcion de la energıa solar que ocurre en estas longitudes de ondadepende principalmente de la concentracion de la clorofila [Antonio & Almorox, 1999].
Segun [Gausman, 1974], en la region denominada infrarrojo cercano (700 a 1300 nm),la vegetacion verde y sana se caracteriza por la alta reflectancia (45 a 50 %), causada porla difusion resultante de los ındices de refraccion del lıquido intracelular y de los espaciosintercelulares del mesofilo. Ademas, despues de investigar las causas biofısicas de la reflec-tancia foliar, ha concluido que al incidir la radiacion en una capa de hojas se refleja un 50 %y transmite el restante. Si esa porcion transmitida se encuentra con otra capa de hojas, elproceso anterior se repetira, y ası sucesivamente.
Segun [Gates, 1970], citado por [Antonio & Almorox, 1999], la absorcion de la radiacionelectromagnetica por el agua es tambien un factor condicionante en la reflectancia de las
hojas en la region del infrarrojo cercano, ocurriendo en 970 nm y en 1200 nm (ver Figura2.5) los puntos donde ocurren pequenas absorciones.
En las longitudes de onda del infrarrojo medio (1300 a 2600 nm), la respuesta espectral dela vegetacion esta influida por la presencia del agua. Por este motivo en la Figura 2.5 se ve-rifican dos puntos de maxima absorcion en 1400 nm y 1900 nm. [Gates, 1970; Gausman, 1974].
Figure 2.6: Seccion transversal de una hoja. [Plantel 3 Iztacalco].
Las plantas tienen una alta reflectancia y transmitancia en el Infrarrojo cercano; la canti-dad de energıa reflejada, absorbida o dispersada varıa entre especies y depende de la estruc-tura interna foliar (Figura 2.6), por lo tanto el factor determinante de la respuesta espectralde las plantas en el rango infrarrojo cercano es esta estructura. La distribuci on de los espa-cios de aire, ası como la organizacion, tamano y forma de las celulas, son caracterısticas queinfluyen en el paso de la luz a traves de las hojas [Lopez, 2012]. Por ejemplo, si una hoja
presenta tejidos celulares mesofılicos compactos entonces tendra pocos espacios de aire, loque facilitara una dispersion o reflexion de energıa mas que una transmision de la misma,
y ocurrira lo contrario en caso que los tejidos no sean tan compactos. Mediante diferentesestudios realizados se ha demostrado que la reflectancia en el infrarrojo cercano est a fuer-temente relacionado con el volumen del espacio intracelular en los tejidos mesofılicos de lashojas, adicionalmente la reflectancia de las hojas cambia durante su crecimiento y senescencia[Gausman, 1974].
3. ANALISIS Y CLASIFICACION DIGITAL
Las imagenes capturadas por los sensores deben ser sometidas a un tratamiento previo o
pre-procesamiento y a un posterior analisis para obtener informacion de la variable objetode estudio en las distintas regiones del espectro electromagnetico en el que se ha registradoinformacion. [Castro, 2013].
En la mayorıa de los analisis, antes de llevar a cabo el proceso de extraccion de informacionde la imagen, esta se somete a correcciones, pre-tratamientos y/o realces que faciliten dichoproceso. Las correcciones tratan de eliminar cualquier anomalıa detectada en la imagen, ya seaen su localizacion, mediante correcciones geometricas, o en la radiometrıa de los pıxeles quela componen, mediante correcciones radiometricas. [Chuvieco, 2008]. Los pre tratamientos orealces tratan de destacar aquellos detalles de interes y mejorar la calidad de la imagen paraadecuarla a la aplicacion especıfica final y facilitar la interpretacion de la informacion que
contiene. [Castro, 2013].
3.1. Correccion Atmosferica
Las correcciones que se deben realizar sobre las imagenes tienden a eliminar los ruidoscausados a la senal que llega al satelite luego de haber atravesado la atmosfera, el efecto dela distorsion de la senal produce errores en los ND de los pıxeles. [Chuvieco, 2008].
Hay cinco caminos en los cuales se puede identificar las trayectorias de la radiancia solarque llega al sensor [Jensen, 2005]:
Figura 2.7: Caminos de la Radiancia recibida por el sensor, Tomado y adaptado de [Jensen,2005]
Camino 1: el valor de la irradiancia solar que llega al terreno es una funcion de latransmitancia atmosferica dado un angulo cenital.
Camino 2: Contiene la irradiancia difusa en el cielo que nunca llega a la superficieterrestre debido a las dispersiones en la atmosfera.
Camino 3: Consiste en la energıa adicional que llega al area de estudio debido a lasdispersiones y quizas a algunas emisiones.
Camino 4: Es la radiacion que es reflejada o dispersada de una zona vecina que no esparte del area de estudio. Su intensidad depende de la cobertura de esta misma.
Camino 5: Energıa reflejada de terrenos hacia la zona de interes.
Los valores de los pıxeles en las imagenes satelitales expresan la cantidad de energıa radiante
recibida por el sensor en forma de valores relativos no calibrados, llamados Niveles Digitales(ND). Para hacer un mejor analisis de las coberturas, es necesario hacer algunas correccionespara que sus valores sean mas confiables. Sin embargo la dispersion y absorcion provoca-da por los aerosoles resulta difıcil corregir debido a su variacion en el tiempo y el espacio,constituyendo la limitacion mas severa en la correccion radiometrica de los datos de satelite[Brizuela, Aguirre, & Velasco, 2007].
Los niveles digitales que componen cada celda de la imagen son valores sin dimensionesque pretenden asignar una tonalidad al pıxel, sin embargo, los valores estan estrechamente
relacionados que la magnitud fısica de la radiancia en el sensor [Perez & Munoz, 2006].
Figura 2.8: Calibracion radiometrica, [Perez & Munoz, 2006]
Tales niveles digitales que se le asignan a la pantalla seran funcion de la radiancia que llegaal sensor. [Perez & Munoz, 2006]. La calibracion radiometrica permite conocer tal funcionlineal entre ambas magnitudes. Al tener en cuenta la radiancia proveniente desde un puntodesde la superficie en donde se interpone la atmosfera como se muestra en la Figura 2.7,tambien habra que calibrar tal atenuacion que este tiene en la radiacion. Por lo tanto laradiancia del punto sobre la superficie depende directamente de la irradiancia de la fuenteelectromagnetica, como nuestro sensor es pasivo su fuente sera los rayos del sol. La proporcionde la radiancia (L) y de la irradiancia (E) del punto se obtendra la reflectancia (ρ), dondelos valores elevados de (ρ) equivalen a objetos muy claros o brillantes y valores muy bajosequivalen a objetos muy oscuros. [Jensen, 2005].
4. INDICES DE VEGETACION
Las diferencias de reflectancia espectral pueden ser resaltadas mediante la utilizaci on deındices de vegetacion, estos no son mas que la suma, diferencia, division u otra combinacionlineal de un factor de reflectancia entre dos o mas bandas del espectro electromagnetico. Laalta absorcion de la radiacion incidente del espectro electromagnetico en el rango visible delRojo (600-700nm) y la fuerte reflectancia en el rango del infrarrojo cercano (750-1350nm)por la parte fotosintetica de las plantas hace con que sean estas bandas las mas utilizadaspara la obtencion de los ındices de vegetacion [Wiegand et al., 1991]
Para [Kandwal et al., 2009], los Indices de Vegetacion se clasifican en dos grandes cate-gorıas, basados en distancia y basados en pendiente.
4.1. Indices de vegetacion basados en pendiente
Son combinaciones aritmeticas simples que se centran en el contraste entre los patronesde respuesta espectral en el rojo y las porciones IRC. Para este trabajo se utilizaron cuatrotipos de ındices de vegetacion basados en pendiente que se enumeran en la Tabla 2.1.
Tabla 2.1: Indices de Vegetacion basados en pendiente.No. Indice de Vegetacion Formula
1 NDVI (IRC −ROJO)(IRC +ROJO)
2 TVI (IRC −ROJO)
(IRC +ROJO) + 0,53 TTVI
ABS (NDVI ) + 0,5
4 NRVI (IRC/ROJO)−1(IRC/ROJO)+1
Indice de Diferencia Normalizada (NDVI): Introducido por [Rouse, 1973], citadopor [Silleos et al., 2006], este ındice es expresado como la diferencia normalizada entre las
bandas del IRC y del Rojo por la suma de sus bandas. Es el ındice de Vegetacion mas usadoya que conserva la capacidad de minimizar los efectos topograficos mientras produce una
escala de medicion lineal. Adicionalmente, los errores por division por cero se reducen signifi-cativamente. Ademas, la escala de medicion tiene la propiedad deseable de que van de -1 a 1,donde 0 representa el valor aproximado de no-vegetacion, y los valores negativos superficiessin vegetacion [Silleos et al., 2006].
Indice de Vegetacion Transformado (TVI): Segun [Deering, D.W et al., 1975] citadopor [Silleos et al., 2006], modifica el ındice NDVI mediante la adicion de una constante de 0.5a todos sus valores y tomando la raız cuadrada de los resultados. La constante 0.5 es introdu-cida con el fin de evitar operar con valores negativos. El c alculo de la raız cuadrada se disenopara corregir valores de NDVI que se aproximan a la distribucion de Poisson e introducirlaa una distribucion normal. Ademas, no hay ninguna diferencia tecnica entre NDVI y TVI en
terminos de imagen de salida o en la deteccion de la vegetacion activa.
Indice de Vegetacion transformado de Thiam (TTVI): Fue propuesto por [PerryJr. & Lautenschlager, 1984] como una correccion al ındice TVI. En este ındice se adiciona unaconstante de 0.5 a todos los valores del NDVI que no siempre eliminan los valores negativosen la raız cuadrada, por lo que el NDVI puede tomar valores tan pequenos como -1. Debidoa esto el TTVI intenta resolver esta situacion tomando el valor absoluto del NDVI dentro dela raız.
Indice de vegetacion de Radio Normalizado (NRVI): Es una modificacion suge-
rida por [Baret & Guyot, 1991] al ındice RVI propuesto por [Wiegand et al., 1991] que alnormalizar el resultado, reduce los efectos producidos por la topografıa, la iluminacion y laatmosfera, ademas de crear una distribucion normal estadısticamente conveniente.
4.2. Indices de vegetacion basados en distancia
Hay otro grupo de Indices de Vegetacion que estima el grado de vegetacion presente mi-diendo la diferencia de reflectancia de cualquier pıxel de la reflectancia del suelo desnudo. Elobjetivo principal de estos Indices de Vegetacion es cancelar el efecto de brillo del suelo enlos casos en que la vegetacion es escasa y los pıxeles contienen una mezcla de vegetacion ysuelo de fondo.
El procedimiento se basa en el concepto de lınea del suelo descrito anteriormente. La lıneadel suelo representa una descripcion de las firmas tıpicas de suelos en una grafica bi-espectraldel rojo versus el infrarrojo cercano (Figura 2.9). Esto se obtiene a traves de una regresionlineal de la banda del IRC contra de la banda roja para una muestra de pıxeles del suelodesnudo [Silleos et al., 2006]. Para esta regresion lineal se requieren valores de interseccion yde pendiente dados por ’a’ y ’b’ se obtienen a partir de las bandas Rojo e IRC [Kandwal et
al., 2009]. Los valores de intercepcion ’a’ y pendiente ’b’ se calculan utilizando las siguientesformulas:
a = Y − bX (2.1)
b = {nXY − (
X )(
Y )}
{n(
x2) − (
x)2} (2.2)
Donden =Numero de filas x numero de columnas.X =Variable independienteY =Variable independiente
Para este trabajo se utilizaron nueve diferentes Indices de Vegetacion basados en distancia
que son enumerados en la Tabla 2.2.
Tabla 2.2: Indices de Vegetacion basados en Distancia.No. Indice de Vegetacion Formula
5 PVI1 b+IRC −a∗ROJO√ 1+b2
6 PVI2 IRC −a∗ROJO+b√ 1+a2
7 DVI (b ∗ IRC − ROJO)
8 SAVI L0.5IRC −ROJOIRC +ROJO ∗ (L + 1)
donde L = 19 SAVI L0.5
IRC −ROJOIRC +ROJO
∗ (L + 1)donde L = 0,5
10 SAVI L0.25IRC −ROJOIRC +ROJO
∗ (L + 1)donde L = 0,25
11 WDVI IRC − a ∗ROJO
12 MSAVI 2∗IRC +1−
√ (2∗IRC +1)2−8(IRC −ROJO)
2
13 MSAVI12∗IRC −ROJOIRC +ROJO+L
∗ (1 + L)Donde L = 1 − 2 ∗ a ∗NDVI ∗WDVI
Indice de Vegetacion Perpendicular (PVI): Propuesto por [Richardson & Weigand,1977], este ındice es el ındice matriz del que se deriva todo este grupo. El ındice PVI es usala distancia perpendicular desde cada pıxel a la lınea de suelo (Figura 2.9). Los intentos paramejorar el rendimiento del PVI han producido otros tres ındices sugeridos por [Perry Jr. &Lautenschlager, 1984; Bannari et al., 1995 & Qi et al., 1994] citados por [Silleos et al., 2006]..
Figura 2.9: Esquema de la lınea del suelo definida en el plano de reflectividades IRC-Rojo.El punto A corresponde a un suelo desnudo y el punto A’ al mismo suelo recubierto con una
cierta cantidad de vegetacion. Tomado de [Gilabert et al.,1997]
PVI1: Fue desarrollado por [Perry Jr. & Lautenschlager 1984] quienes sostuvieron que laecuacion original PVI es computacionalmente intensiva y no discrimina entre los pıxeles quecaen a la derecha o a la izquierda de la lınea del suelo. Dado el patron de respuesta espectralde la vegetacion en la que la reflectancia en el infrarrojo es mayor que la reflectancia roja,todos los pıxeles de vegetacion caeran a la derecha de la lınea del suelo.
PVI2: [Bannari et al., 1995] ponderan la banda roja con el intercepto de la lınea del suelo.
Indice de Vegetacion de diferencia (DVI): Propuesto tambien por [Richardson &Weigand, 1977] como un ındice de vegetacion con un algoritmo mas sencillo. La particulari-dad de DVI es que promedian la banda del IRC por la pendiente de la lınea del suelo. Similara la PVI1, los valores cero de DVI indican suelo desnudo, los valores negativos indican quehay agua, y los valores positivos indican presencia de vegetacion.
Indice de Vegetacion Ajustado al Suelo (SAVI): Desarrollado por [Huete, Jackson,& Post, 1985] es un ındice tomado como adaptacion del PVI, el coeficiente (L) fue encontra-do por ensayo y error. Las lıneas de isovegetacion convergen en el cuadrante del infrarrojocercano y negativo del diagrama del espacio de caracterısticas del rojo /IRC. El coeficiente(L) puede tomar valores de 0.25, 0.5 y 1 generando tres subclases de ındice SAVI.
Indice de Vegetacion de diferencia ponderada (WDVI): Segun [Silleos et al. 2006],este ındice fue atribuido a [Richardson & Weigand, 1977]. El efecto de la ponderacion de labanda del rojo con la pendiente de la lınea del suelo es la maximizacion de la senal de lavegetacion en la banda y la minimizacion del efecto de brillo del suelo en el IRC.
SAVI Modificado (MSAVI): Propuesto por [Qi et al., 1994], este ındice esta basado en
la modificacion del coeficiente (L) del ındice SAVI. Tanto el MSAVI como el MSAVI-1 estandestinados a hacer una correccion del brillo del fondo del suelo en diferentes condiciones de
cubierta vegetal. Con el fin de cancelar o minimizar el efecto del brillo del suelo, el coeficiente(L) esta dispuesto a ser el producto de NDVI y WDV. Por lo tanto, muestra las tendenciasopuestas de NDVI y WDVI [Silleos et al., 2006].
5. CLASIFICACION DIGITAL
Consiste a grandes rasgos en convertir la imagen de satelite (imagen multibanda) en otraimagen del mismo tamano en la que cada pıxel no contiene la cantidad de energıa reflejadapor los objetos o ND, sino una etiqueta que identifica el tipo de formacion vegetal asignadoa ese pıxel [Chuvieco, 2008].
Los metodos de clasificacion pueden ser vistos desde dos analisis, clasificacion basada enpıxeles y clasificacion basada en objetos. [Duzgun & Demirel, 2011].
5.1. Clasificacion Supervisada
El enfoque supervisado para el etiquetado de los pıxeles requiere que el usuario seleccio-ne los datos de entrenamiento representativos para cada numero predefinido de clases. Laclasificacion es altamente dependiente de lo bien que el usuario es capaz de modelar la dis-tribucion clase de destino. La experiencia del usuario puede ser muy util en la identificaciony localizacion de las areas de formacion. Lo ideal es que las areas de entrenamiento deben
ser los sitios donde se encuentran ejemplos homogeneos de los tipos de cobertura conocidos[Townshend, 1981].
La clasificacion supervisada parte del conocimiento a priori de los usos del suelo, cobertu-ras, en unas localizaciones geograficas concretas, denominadas parcelas de entrenamiento, detal forma que a partir de estas se generan las clases espectrales de referencia.[Tso & Mather,2009].
Existen diversos metodos de clasificacion de la escena. En funcion de como se traten losparametros que definen las signaturas espectrales de cada clase deseada. [Universidad deJaen, 2006].
5.2. Clasificador LDA
El modelo de analisis discriminante utiliza un algoritmo que busca funciones o vectoresdiscriminantes, esto es, combinaciones lineales o cuadraticas de las variables originales quemaximizan la varianza entre clases, a la vez que minimizan las varianzas inter-clases.
Figura 2.10: Clasificacion LDA. Fuente: [Bustamante & Rodriguez, 2005].
Para construir el modelo es necesario asignar los objetos del conjunto de entrenamiento auna clase dada. Para ello, se anade una variable categorica a la matriz de datos conteniendotantas clases como sean necesarias. Las funciones Discriminantes se construyen de una enuna, buscando las direcciones del espacio que hacen maxima la expresion: λ : SCD/SC 1,donde SCD es la suma de los cuadrados de las distancias Euclıdeas entre los objetos quepertenecen a distintas clases, en la direccion que indica la funcion discriminante y SC1 esla suma de los cuadrados de las distancias Euclıdeas entre los objetos que pertenecen a lamisma clase, tambien en la direccion de la funcion discriminante. [Bustamante & Rodriguez,2005].
A partir de q clases se obtienen q − 1 funciones discriminantes, en orden decreciente de
su valor de λ, y manteniendo la ortogonalidad entre ellas. Una vez determinada la funcionDiscriminante es posible establecer fronteras explıcitas que separan las regiones del espacioque pertenecen a cada categorica. Para ello se modela en torno a su centroide mediante unadistribucion normal de la probabilidad. La clasificacion de objetos se hacen en funcion de susprobabilidades de pertenencia a una u otra clase: un objeto queda clasificado dentro de la clasepara la que se obtiene la mayor probabilidad. La region crıtica o frontera que separa dos claseses una recta, o un plano o hiperplano, donde se igualan las probabilidades de pertenencia auna u otra clase, esta lınea recta o plano es ortogonal a la funcion discriminante encontrada.[Bustamante & Rodriguez, 2005].
5.3. Maquinas de Soporte Vectorial (SVM)Las Maquinas de Soporte Vectorial (SVMs) representan un grupo de algoritmos de apren-
dizaje automatico teoricamente superiores. El atractivo de SVMs es su capacidad para reduciral mınimo el llamado riesgo estructural, o los errores de clasificacion, al resolver el proble-ma de clasificacion. A diferencia de los metodos convencionales de estadıstica como maximaprobabilidad que reducen el mınimo error de clasificacion en un sentido empırico, lo que estadirectamente determinado por la distribucion de muestras de entrenamiento, el concepto de
minimizacion del riesgo estructural adoptado por SVM es reducir al mınimo la probabilidadde clasificacion erronea de un punto de datos originales extraıdos al azar de una distribucion
de probabilidad fija. Especıficamente, la formacion SVM siempre encuentra un mınimo glo-bal.[Tso & Mather, 2009].
El funcionamiento basico de SVMs es construir un hiperplano de separacion (es decir,una decision lımite) sobre la base de las propiedades de las muestras de entrenamiento,especıficamente su distribucion en el espacio de caracterısticas. Figura 2.11 ilustra esta ideaen la que hiperplano b separa las dos clases con margen m aximo, mientras hiperplanos a,c, y d hacer no cumplir con los requisitos de la minimizacion del riesgo estructural. Comovera el lector en las derivaciones matematicas posteriores, no necesariamente hacer todas lasmuestras de entrenamiento contribuir a la construccion de la hiperplano, pero normalmentesolo un subconjunto de formacion muestras se eligen como vectores de soporte. Este atributo
es unico para SVMs. como se muestra En la Figura 2.11, s olo los puntos de sombra sonvectores de soporte que definen el hiperplano b la separacion de las dos clases con la distanciamaxima. [Tso & Mather, 2009].
Figura 2.11: Hiperplano b separa las dos clases con el margen maximo.[Tso & Mather, 2009].
5.4. Arboles de Decision (DT)
Es un modelo predictivo que utiliza un conjunto de reglas binarias aplicadas para calcularun valor de destino, se puede utilizar para la clasificacion (variables categoricas) o la regresion(variables continuas) aplicaciones. Las reglas se desarrollan utilizando un software disponi-ble en muchos paquetes estadısticos. Los diferentes algoritmos se utilizan para determinarel “mejor” split en un nodo [American Museum of Natural History’s Center for Biodiversityand Conservation, 2010].
La estructura de clasificacion definida por un arbol de decision se estima a partir dedatos de entrenamiento utilizando un procedimiento estadıstico. El “arbol” esta hecho de
un nodo raız, nodos internos y hojas. Los nodos son donde los arboles dividen el conjuntode datos; los nodos terminales se denominan hojas que contienen clases m as homogeneas.La construccion del arbol de decisiones requiere entrenamiento supervisado; por lo tanto, esnecesario disponer de un conjunto de datos de entrenamiento que consta de respuesta y lasvariables explicativas. [Pal & Mather, 2003].
Figura 2.12: Ejemplo de arbol de decision. Fuente: autores.
5.5. Basado en Pıxeles
Asigna un valor de clase a cada pıxel de la imagen a partir de la respuesta espectral encada una de las bandas. [Duzgun & Demirel, 2011].Las clases que se distinguen en una clasi-ficacion de imagenes necesitan tener diferentes caracterısticas espectrales. Estas pueden seranalizadas mediante la comparacion de las curvas de reflectancia espectral. Pero si las clasesno tienen grupos distintos en el espacio de caracterısticas, la clasificacion de imagenes solopuede dar resultados a un cierto nivel de fiabilidad. El principio de clasificacion de imageneses que un pıxel se le asigna a una clase en base a su vector de caracterısticas, comparandolocon grupos predefinidos en el espacio de caracterısticas. Si lo hace, para todos los pıxeles dela imagen se traduce en una imagen clasificada [Jensen, 2005].
El espacio caracterıstico es un grafico donde los valores asignados en una banda songraficados contra los de otra banda para ver el espacio entre clases y la forma en c omo serealizo la asignacion de valores para cada una de las clases, se debe de tener en cuenta que
entre mas distantes esten, se obtendra una mejora en los resultados esperados, esto debido aque no existio una confusion entre dos clases asignadas.
5.6. Basado en objetos
La clasificacion orientada a objetos, conocida como OBIA (Analisis de Imagenes Basadaen objetos) o GEOBIA (Analisis de Imagenes Basada en Objetos Geograficos) [Blaschke,2010], es un reciente sistema de clasificacion de imagenes satelitales que se establece el usode parametros o variables de entrada como informacion adicional al valor espectral que re-presenta un objeto. [Santos, 2007] y [Hay & Castilla, 2006] definen GEOBIA 2 como unarama de los SIG que divide las imagenes georreferenciadas en objetos con significado propioy que extrae sus caracterısticas mas importantes. Esta metodologıa considera forma, texturay las propiedades espectrales de los objetos que componen la imagen, ası como las relacio-
nes existentes entre sı, aumentando de forma considerable las caracterısticas descriptivas delos objetos que facilitaran su correcta clasificacion. Tiene dos etapas fundamentales: la seg-mentacion de la banda o bandas de entrada, y la posterior clasificacion de los segmentospreviamente definidos. La segmentacion es la subdivision de una imagen en regiones maspequenas representadas por objetos. Los objetos obtenidos contienen la informacion referidaa su propio espectro, su forma, posicion y textura; y estan relacionadas con las caracterısticasde sus objetos vecinos [Gonzalez, Quintano, & Shimabukuro, 2009].
6. SEGMENTACION
La mayor parte de estudios de clasificacion de usos de suelo se han basado unicamenteen los valores de los pıxeles. Sin embargo, el aumento de la resolucion espacial ha propiciadoun aumento de la variabilidad espectral dentro de cada categorıa que conlleva, en el caso deanalisis basados en pıxeles, un aumento en la dificultad de interpretacion de los datos y unareduccion en la precision de las clasificaciones. Para superar esta dificultad, podrıa ser utilagrupar pıxeles adyacentes en objetos homogeneos tanto desde un punto de vista espectralcomo espacial. [Castillejo, 2011]. El primer paso de la metodologıa GEOBIA es la segmenta-cion de la imagen, la cual debe hacerse teniendo en cuenta su resolucion y el tamano de losobjetos a identificar. [Zaragozı, 2013].
Estos objetos se crean a partir de un proceso de segmentacion en el que el algoritmo deunion/crecimiento de los objetos parte de unos pıxeles semilla, permitiendo el crecimientoalrededor de ellos sobre la base de ciertos criterios de homogeneidad [Yu et al., 2006]. A par-tir de este proceso, la clasificacion ya no se basa en los pıxeles individualmente, sino en losobjetos como unidad mınima de informacion. Esta idea implica realizar una segmentacion dela imagen para delinear objetos homogeneos de la misma forma que la vision humana tiende
a generalizar la informacion en zonas homogeneas [Laliberte et al., 2004]. Los objetos genera-dos son homogeneos en lo que respecta a las caracterısticas tanto espaciales como espectrales.
Mientras que los analisis de imagenes basados en pıxeles utilizan como informacion solola respuesta espectral de cada pıxel en cada banda, los analisis basados en objetos obtienentambien informacion adicional derivada de los objetos de la imagen en base a c alculos es-tadısticos centrados en valores espectrales de los distintos pıxeles que forman los objetos, desu posicion y de su forma. [Castillejo, 2011].
Por lo tanto, los objetos no son caracterizados por un valor uniforme de reflectancia, sinopor una cierta auto correlacion espacial [Lobo, 1997]. Esta informacion espacial se basa entamano, forma y contexto de los objetos y puede ser calculada como informaci on relativa deun objeto, sub-objeto o super-objeto en el caso de que se haya creado una jerarquıa multini-
vel de imagenes segmentadas [Chubey, Franklin, & Wulder, 2006]. Uno de estos metodos desegmentacion es denominado la jerarquıa multinivel o multirresolucion se basa en un estudiode la informacion desde distintos niveles de escala, lo que permite observar como algunosobjetos presentan diferente comportamiento en funcion de la escala de analisis [Castillejo,2011].De hecho, OBIA esta implementada en el software de referencia denominado eCog-nition [Definiens, 2009], aunque este ofrece varios enfoques para la segmentacion, que vandesde algoritmos muy simples, tales como tablero de ajedrez (segmentacion chessboard) yla segmentacion quadtree, y otros basados en metodos altamente sofisticados como son seg-mentacion de filtro de contraste y segmentacion Multi-rresolucion [Montalban, 2013] En elsiguiente apartado se profundizara en este ultimo tipo de segmentacion, ya que es la mas
habitual de utilizar actualmente.
6.1. Segmentacion Multirresolucion
La segmentacion multirresolucion esta basada en regiones de crecimiento con agrupacionascendente, que no precisan conocimiento previo por parte del usuario de las regiones pre-sentes en la imagen, de forma que esta segmenta en objetos generados de forma automaticamediante metodos de clusterizado [Baatz & Schape, 2000], Esta permite generar distintosniveles de segmentacion con objetos generados a partir de diferentes parametros de homo-geneidad.[Castro, 2013]. Estos niveles se relacionan entre sı mediante una red jerarquica deobjetos en la que se establecen relaciones entre ellos y que representa la informacion conteni-
da en una imagen a distintas escalas simultaneamente como se observa en la Figura 2.13, lasegmentacion multirresolucion es un procedimiento de optimizacion que reduce al mınimo lamedia de la heterogeneidad para un determinado numero de objetos de la imagen [Definiens,2009] y produce imagenes de objetos muy homogeneos, en una resolucion arbitraria, a partirde diferentes tipos de datos [Baatz & Schape, 2000].
Figura 2.13: Esquema de relaciones entre objetos del mismo o diferente nivel jer arquico.[Definiens, 2009].
6.2. Evaluacion de exactitud tematica
Los mapas obtenidos en el proceso de clasificacion de las imagenes deben ser validadospara conocer los tipos y grados de error que se han producido, ası como la exactitud obtenidaen la clasificacion [Congalton & Green, 2008]. Estos parametros se obtienen a partir de la ma-triz de confusion, que resulta de comparar los resultados obtenidos en el mapa clasificado condatos externos representativos de cada clase, los datos verdad-terreno. Se denomina de con-fusion porque recoge los conflictos que se presentan entre categorıas o clasificaciones.[Castro,
2013]. La matriz de confusion esta formada por n-filas que recogen los pıxeles, ordenadospor categorıas, que se han obtenido en la clasificacion, y por n-columnas compuestas por lospıxeles verdad-terreno de cada categorıa. La diagonal de esta matriz representa el numero depıxeles que coinciden tanto en la imagen clasificada como en los datos verdad terreno, es decir,pıxeles correctamente clasificados, definido como exactitud global de la clasificacion, mientrasque los marginales (los no diagonales) corresponden a errores en la asignacion. Ademas, deesta matriz se obtienen los siguientes estadısticos: a) exactitud del usuario, que es el porcen-taje de pıxeles correctamente clasificados en filas, es decir, pıxeles clasificados que coincidencon los datos verdad-terreno, y que es complementaria al error de comision; b) exactitud delproductor, que es el porcentaje de pıxeles correctamente clasificados en columnas, es decir,
pıxeles verdad-terreno que coinciden con la clasificacion, y que es complementaria al error deomision; y c) coeficiente kappa, que es el porcentaje de acuerdo obtenido en la clasificaci onsin considerar la influencia del azar [Congalton & Mead, 1983; Foody, 1992] en [Castro, 2013].Para aceptar una clasificacion como valida se han establecido los valores mınimos que debenalcanzar los diferentes estadısticos obtenidos en la matriz de confusion. Con respecto a laexactitud global, se considera aceptable la clasificacion cuando es superior al 85 % [Foody,2002; Thomlinson, Bolstad, & Cohen, 1999] en [Castro, 2013]; mientras que para el coeficiente
Figura 2.14: La matriz de confusion y algunas medidas comunes de la precision de la cla-sificacion que se pueden derivar de ella. Los elementos resaltados representan la diagonalprincipal de la matriz que contiene los casos en que las etiquetas de clase representados en la
clasificacion de imagenes y datos suelo conjunto estan de acuerdo, mientras que los elementosfuera de la diagonal contienen aquellos casos donde existe un desacuerdo en las etiquetas.Adaptado de [Foody, 2002].
Kappa, es aceptable cuando tenga un valor mınimo de 0,75 [Monserud & Leemans, 1992] en[Castro, 2013] asegurando ası que el procedimiento de clasificacion no esta influenciado porel azar.
7. ANALISIS MULTITEMPORAL
Los modelos de simulacion de cambios de usos y coberturas de los suelos se han vueltocada vez una herramienta mas empleada y util en el analisis espacial de sus patrones y suspotenciales efectos negativos sobre el territorio. Estos modelos de simulacion, que son unarepresentacion de un componente o proceso de la realidad, son considerados como modelosdinamicos capaces de pronosticar posibles comportamientos futuros [Henrıquez & Azocar,2006; Pontius & Malanson, 2005].
En la actualidad los modelos de simulacion de cambio de uso y cobertura de suelo masutilizados, estan basados en modelos estadısticos de regresiones que utilizan tecnicas de re-gresion espacial logıstica, y modelos basados en transiciones espaciales, dentro de los cuales
destaca la utilizacion de metodos estocasticos como Cadenas de Markov y Automatas Celu-lares [Henrıquez & Azocar, 2006].
Los modelos de automatas celulares corresponden a un arreglo bidimensional de celdasque interactuan dentro de una determinada vecindad de acuerdo con una serie de reglas detransicion(Aguilera, Soria, & Valenzuela, 2006 en Verdugo & Sandro, 2009). Estos modelosson espacialmente explıcitos, es decir, los elementos o procesos de entrada tienen localidades
espaciales explıcitas [Salazar, 2009] en [Turner, Wear, & Flamm, 1996]. En estos, el estadode cada celda depende de su estado previo y del estado de las celdas vecinas en un vecindario
definido cartograficamente, y donde todas las celdas se actualizan simultaneamente a inter-valos discretos de tiempo. Estos han sido integrados a los sistemas informacion geografica, loque ha facilitado su implementacion. Han sido utilizados para modelar el cambio de uso desuelo integrando variables socioeconomicas y ambientales, e incluso el desarrollo y analisisde patrones de uso de suelo orientados a apoyar la toma de decisiones de polıticas publicas[Engelen, White, & Nijs, 2003; Sui & Zeng, 2001].
Por otra parte, las cadenas de Markov, son modelos espacialmente no explıcitos que sehan utilizado para proyectar cambios sucesionales basados en transiciones observadas en bos-ques [Jensen, 2005]. Los modelos de Markov son aproximaciones matematicas estocasticasque predicen el estado de un sistema en el tiempo 2 a partir del estado del sistema en el
tiempo 1 con una matriz de probabilidades de transicion de cada cobertura a cada una delas otras coberturas. Tambien, este procedimiento genera una matriz de areas de transicionque expresa el area total, en celdas, que se espera cambie en el proximo perıodo de tiempopara cada una de las coberturas y genera a su vez una serie de im agenes de probabilidadcondicional para cada una de las coberturas. Estas imagenes expresan la probabilidad de quecada pıxel pertenezca a la clase designada en el proximo periodo de tiempo. Las limitantesde este procedimiento estan relacionadas principalmente con que las a) probabilidades detransicion pueden no ser constantes en el tiempo. Por ejemplo, la probabilidad de transicionentre la clase agricultura a matorral puede variar por factores climaticos como una sequıa ode mercado como el precio de los insumos, lo que podrıa desincentivar el despeje de terre-
nos para actividades agrıcolas; y b) que no son modelos espacialmente explıcitos dado quelas relaciones de vecindad no son consideradas en el c alculo de las matrices de probabilidad[Mladenoff, 2004].
Las cadenas de Markov han sido utilizadas para predecir el reemplazo y la composicionde especies en el tiempo [Mladenoff & Baker, 1999]. Los modelos de automatas celularestambien se han utilizado en combinacion con los modelos de cadenas de Markov. Esta nuevaaproximacion suma el caracter espacialmente explıcito a las cadenas de Markov mediante laagregacion de un elemento de contiguidad espacial y conocimiento sobre la distribucion espa-cial probable de las transiciones. Ademas permite modelar diferentes coberturas de manerasimultanea. [Salazar, 2009].
Para este trabajo se utilizaron como referencias algunas investigaciones y estudios rela-cionados con la identificacion, erradicacion y analisis de reproduccion de especies invasoras.
En ecologıa se ha venido historicamente organizando la vegetacion en categorıas funcio-nales de vegetacion para su estudio [Ustin & Gamon, 2010]. En sensores remotos la determi-nacion de estas categorıas puede hacerse basicamente mediante dos criterios [Duda, Hart, &Stork, 2012].
1. Clasificacion no supervisada. No se establece ninguna clase a priori, aunque es necesariodeterminar el numero de clases que queremos establecer, dejando que el algoritmo las
defina mediante un procedimiento estadıstico o regla de decision.
2. Clasificacion supervisada. Se parte de un conjunto de clases conocido a priori. Estasclases deben caracterizarse en funcion del conjunto de variables mediante la medicionde las mismas en individuos cuya pertenencia a una de las clases no presente dudas(areas de entrenamiento).
La clasificacion no supervisada se basa en la aplicacion de dos tipos de algoritmos (ISODATAy K-Means) de agrupamiento secuencial y ha sido aplicada en estudios de cobertura terrestrecomo los de [Gutierrez, Branch, & Botero, 2005], [Du, 2007], [Cruz, Martinsanz, & Santos,
2010]. La clasificacion supervisada tiene sin embargo mucha mayor aplicacion en estudios decobertura del suelo y por tanto un mayor desarrollo y variedad de algoritmos para ejecutar-la.[Gallo, Mancha, & Garrido, 2013] utiliza para su clasificacion el algoritmo supervisado demaxima probabilidad. Este algoritmo se basa en la probabilidad de que cada pıxel pertenezcaa una clase particular y asume que las probabilidades son iguales para cada clase y que losvalores de los pıxeles de la imagen se distribuyen de manera normal [Chuvieco, 2008; Jensen,2005]. Los algoritmos basados en redes neuronales han sido ampliamente utilizados [Frau et
al., 2006], ası como las cadenas de Markov. Otros algoritmos supervisados que se aplican enla actualidad son los basados en la Distancia de Mahalanobis (similar a la clasificaci on de
maxima probabilidad) y en la Mınima distancia (minimiza la distancia entre el pıxel y elcentroide de la clase).
La identificacion de especies vegetales ha sido un importante objeto de estudio para di-versas investigaciones ecologicas y medio ambientales. Sin embargo, crear comisiones querecorran las zonas de estudio para encontrar una especie en particular resulta ser una tareabastante tediosa. Para [Lawrence, Wood, & Sheley, 2006], las deficiencias de los metodosbasados en mapeo GPS incluyen una extension espacial limitada y tanto el tiempo comolos costos asociados a este son altos, por tanto una solucion eficiente es cartografiar la ve-getacion por medio de la teledeteccion, pues cubre grandes areas espaciales y los mapas sepueden actualizar en un intervalo de tiempo determinado por las necesidades que se requieran.
Diferentes autores han venido desarrollando tecnicas de procesamiento digital de image-nes para la identificacion y mapeo de especies invasoras. Es el caso de un estudio llevado acabo por [Lawrence et al., 2006], en donde haciendo uso de imagenes capturadas por sensoreshiperespectrales que cuentan con 128 bandas y resolucion espacial entre 3 y 5 metros inten-tan identificar las especies invasoras Euphorbia y Manchada knapweed. Usando el algoritmoBeiman Clasificaciones Cutler (BCC), construyen varios arboles de clasificacion, tomandorepetidamente subconjuntos aleatorios de los datos de observacion y hacen uso de subcon-
juntos aleatorios de las bandas espectrales para determinar cada division en los arboles declasificacion obteniendo resultados favorables en la exactitud y mejoras con la clasificaci on
de arboles de clasificacion individuales.
Dos tesis doctorales de la Universidad de Cordoba estudian metodos complementarios a lapercepcion remota para discriminar especies invasoras. Una de estas es la realizada por [Cas-tro, 2013], cuyo trabajo se encamina en evaluar y analizar a traves de los sensores remotos, ladeteccion de zonas con presencia de malas hierbas crucıferas1 en estado fenologico tardıo encultivos de invierno usando imagenes aereas y de satelite de alta resolucion espacial, ademasse describe un estudio detallado de cada una de las firmas espectrales obtenidas en campocon un espectroradiometro y realizan un completo analisis estadıstico para la seleccion de laslongitudes de onda que permiten identificar este tipo de especie invasora. La clasificacion ymapeo de las malas hierbas las realizan a nivel parcela, a nivel especıfico y puntual, lo cual
conlleva a detallar la metodologıa y los resultados de la discriminacion elaborando mapasde tratamientos de la localizacion de estas malas hierbas. En conclusion, la relevancia deesta tesis radica en los analisis de la determinacion de las longitudes de onda capaces dediferenciar con mayor detalle las malas hierbas crucıferas, lo que nos encamina a aplicarlo ennuestro trabajo.
1Son una gran familia natural, que incluye una elevada proporcion de plantas cultivadas para su consumo,como hortalizas, obtencion de aceite de sus semillas. [Siurana, Breijo, & Caselles, 1997]
Por otro lado, en la segunda tesis doctoral destacada, realizada por [Castillejo, 2011] se
analizan un conjunto de tecnicas de teledeteccion aplicadas sobre imagenes QuickBird con elobjetivo de evaluar la capacidad de discriminar los diferentes usos del suelo evaluando meto-dos o analisis basado en pıxeles y objetos para determinar su capacidad de clasificacion enagricultura de precision. Realizan un analisis multitemporal en el que se determina el estadofenologico propicio para la deteccion de una mala hierba (Avena sterilis L.) en parcelas detrigo, este el aporte mas relevante del trabajo, pues concluyen que el estado fenologico tantode la especie invasora como de la vegetacion vecina constituye un factor importante en sucorrecta diferenciacion.
Los estudios realizados por [Montalban, 2013] y [Yan, 2003] se enfocan en la identificacionde coberturas usando un analisis basado en objetos a traves de una segmentacion realizada
por el algoritmo multiresolucion, que tiene en cuenta la escala, un factor de forma y un valorde compacidad o densidad con ayuda del software eCognition. El primer documento tienecomo objetivo desarrollar una tecnica de deteccion automatica de invernadero a traves delanalisis basado en objetos usando una escena de un estereo par del satelite WorldView-2 conlas 8 bandas multiespectrales y la banda pancromatica, donde el autor aclara que este tipode imagenes permite mejorar la clasificacion y discriminacion de los invernaderos teniendoen cuenta que al usar un sensor de muy alta resoluci on (VHR), con la posibilidad de sustraerun modelo digital de objetos de calidad (nDMS), mejora las precisiones al obtener datos deentrada precisos, sin necesidad de mediciones en campo precias. El Segundo documento tieneun enfoque similar, pues investiga incendios de carbon usando analisis basado en pıxeles y en
objetos pero con la gran diferencia que usan sensores de baja resolucion espacial como sonASTER y Landsat 7 ETM+, aclaran que el analisis basado en pıxeles no es tan eficiente co-mo el basado en objetos. A la misma conclusion llegan [Tadesse, Coleman, & Tsegaye, 2003],usando el algoritmo multiresolucion y haciendo un especial analisis en el clasificador de logicadifusa, evidenciando que tiene mejores resultados en la clasificacion objeto de estudio.
Ası mismo, en un estudio realizado por [Laba et al., 2008] en el rio nacional de Hudson,usan las imagenes de alta resolucion espectral y espacial del satelite QuickBird para mapeary monitorear las comunidades vegetales de los humedales, en particular para identificar espe-cies invasoras. Hacen uso de una clasificacion de maxima probabilidad y producen 20 clasesde mapas de cobertura terrestre para cada uno de los pantanos. Las tablas de contingencia
convencionales y un analisis conjunto difuso sirvieron de base para la evaluacion de la preci-sion de los mapas resultantes. Con resultados favorables sugieren que las imagenes de satelitede alta resolucion ofrece un gran potencial para el mapeo de las especies de plantas invasorasen ambientes estuarios.
Es interesante destacar un estudio realizado por [Laba et al., 2010] en donde eval uan eluso de imagenes de satelite IKONOS para estudiar un conjunto de plantas invasora: Rapa
Natans , Phragmites Australis y Lythrum Salicaria , en Bahıas de Tivoli de la Reserva Nacio-nal del Estuario del Rıo Hudson. Usan dos algoritmos, el primero de clasificacion de maxima
probabilidad en siete y cuatro combinaciones de datos espectrales y texturales; y el segundo,una clasificacion basada en objetos. Los efectos de estos algoritmos permiten concluir que (1)una combinacion de la clasificacion por pıxel y la incorporacion de las bandas de textura paralos segmentos generados a traves de una clasificacion basada en objetos aumenta ligeramentela precision, y (2) que un analisis mas detallado indica que los mejores resultados se puedenobtener mediante el uso de otros tipos de datos dentro de los segmentos y que el enfoquetradicional de la seleccion de la formacion y los sitios de la precision puede influir negativa-mente en los resultados de una clasificacion por pıxel y clasificacion basada en objetos.
Una de las investigaciones mas relevantes en este tema de la determinacion de especiesvegetales invasoras es la realizada por [Kandwal et al., 2009]. Su trabajo consiste en la dis-
criminacion de la especie vegetal invasora “Lantana” en Dehradum, Uttarakhand, India, conimagenes IKONOS y Landsat ETM a traves de la evaluacion cualitativa y cuantitativa dealgunos ındices de vegetacion. La conclusion mas importante, que aunque parece explıcita yevidente, es que los resultados pueden diferir para imagenes adquiridas con otros sensores, loque sugiere un nuevo tema de investigacion.
Antecedentes nacionales
La secretarıa distrital de ambiente junto a la universidad nacional, desarrollan un trabajo
para catalogar de plantas que incluye las especies de la flora mas comunes en los humedalesde la altiplanicie de la Sabana de Bogota, consideradas como invasoras o potencialmenteinvasoras. La metodologıa para la elaboracion de este catalogo implico tres fases: 1) fase decampo, 2) fase de laboratorio, y 3) fase de revisi on de informacion y analisis. En la fase masimportante que es la fase de campo se realizaron salidas de reconocimiento y verificacion delas coberturas vegetales en los humedales, lo que constituyo una labor que tomo bastantetiempo. [Vargas et al., 2012].
Uno de los estudios mas relevantes fue llevado a cabo por [Corzo, Hernandez, & Ramirez,2009] en donde se enfatiza el analisis multitemporal que tuvo la especie invasora de Ulex
europaeus en un periodo de tiempo que va desde 1997 a 2009. Utilizan im agenes multiespec-trales del satelite SPOT para analizar la dinamica de invasion de la planta a partir del usode sistemas de informacion geografica, obteniendo como resultado la generacion de mapas deafectacion. Dentro de las recomendaciones finales, los autores sugieren que la utilizaci on deimagenes del programa SPOT no son las mas apropiadas para este tipo de estudios, pues,debido a su baja resolucion espacial (10 metros) no presenta el detalle necesario y hay perdi-da de informacion al momento de realizar la clasificacion debido a que solamente parches de
Finalmente, la informacion de las especies invasoras de Colombia se esta recopilando den-tro de una base de datos elaborada por la Lınea de Especies Focales del Programa de Biologıade la conservacion del Instituto Humboldt. Esta base de datos tiene por objetivo elaborar lalınea base del conocimiento de las especies invasoras del paıs.[DAMA, 2000].
El estudio de [Lopez, 2012] aporta una metodologıa para identificar cultivos de coca endiferentes estados fenologicos. La discriminacion de esta planta se realiza a partir de unanalisis del rango del espectro electromagnetico llamado “red-edge” y de la estereoscopıa deimagenes usando una imagen WorldView-2. Las fases de la investigacion incluyen la capturade las firmas espectrales en campo de los cultivos de coca en diferentes estados fenologicoscon un espectroradiometro, calculando posteriormente el parametro REP ( red edge position)
por el metodo de extrapolacion lineal; una transformacion a valores de reflectancia sobre elcual se calcula el parametro REP y un sobrevuelo al area de estudio para identificacion delotes de coca el cual se usa para evaluar el resultado de la clasificaci on mediante matricesde confusion e ındice de concordancia Kappa. El estudio concluye desarrollando una meto-dologıa para identificar los cultivos de coca mediante un analisis espectral en la region dered edge y espectroscopia de las imagenes permitiendo llegar a la clasificacion en diferentesestados fenologicos. Sugieren que las mediciones tomadas por el espectroradiometro debenser tomadas el mismo dıa de captura de la imagen o bien tener condiciones atmosfericassimilares a la de la toma de la imagen.
Despues de este breve repaso por los que consideramos mas relevantes trabajos de in-vestigacion enfocados en el interes por identificar especies vegetales particulares a traves dela teledeteccion, vemos que se han venido utilizando algoritmos de clasificacion supervisadaen detrimento de los no supervisados, pues estos ultimos ofrecen peores adaptaciones a losobjetivos buscados. Ademas, la complementacion de estas tecnicas con analisis de firmas hi-perespectrales capturadas con dispositivos a corta distancia como es el espectroradiometroy la utilizacion de ındices de vegetacion permite llegar a mejores resultados. Ası, se propo-ne ensayar la clasificacion de las imagenes de satelite con dos tipos de metodos: El metodosupervisado pretendera distinguir clases informacionales proporcionadas a priori por el in-vestigador, mientras que el no supervisado, tratara de diferenciar las clases espectrales, sininformacion a priori de la composicion del territorio. Ambos metodos con la combinacion de
analisis de firmas hiperespectrales obtenidas con el espectroradiometro e ındices de vegeta-cion.
Las dos areas seleccionadas para este estudio se localizan en la zona urbana y rural de laciudad de Bogota D.C. ya que el Distrito Capital ofrece una gama variable de condicionesambientales climaticas, edaficas, y bioticas, propias para el establecimiento de las especies deestudio. [Rios, 2011].
La primera zona de estudio se localiza en los cerros orientales del Distrito Capital acotadaentre las coordenadas geograficas 74 4’4,232”W 4 37’27,575”N y 74 3’1,612”W 4 35’40,133”N,ver Figura 4.1, con rango altitudinal entre 2.575 y 3.575 msnm que favorece la diversidad de
ambientes, y por ende, de ecosistemas, nacen diversas fuentes hıdricas superficiales, como elrio arzobispo, lo cual lo establece como una zona climatica humeda. [Rios, 2011].
La segunda zona de estudio se localiza al sur del Distrito Capital en la zona rural de lalocalidad de Usme acotada entre las coordenadas geograficas 74 10’52,379”W 4 23’40,144”Ny 74 9’42,62”W 4 22’9,817”N, ver Figura 4.2, se encuentra en un rango altitudinal entre los3000 y 3300 m segun la zona de vida la vegetacion se encuentra enmarcada en la franja altoandina, hidrograficamente pertenece a la cuenca media del rıo Tunjuelo siendo sus principalesafluentes el rıo Chisaca y el rıo Mugroso [Mora, Figueroa, & Vivas, 2007].
2. DATOS, INFORMACION E INSUMOS2.1. Imagenes satelitales
Para las areas de estudio se adquirieron 6 imagenes, dos segmentos de una imagen Quick-Bird que hacen parte de una misma escena, 2 sin metadato, las 4 imagenes anteriores fue-ron proporcionadas por el Jardın Botanico “Jose celestino Mutis”, una Geoeye-1 y una
Worldview-2 proporcionadas por Procalculo, las especificaciones mas relevantes se presen-tan en la Tabla 4.1.
Tabla 4.1: Caracterısticas de las imagenes adquiridas. Tomado de los metadatos de lasimagenes.
Imagen Geoeye-1 WorldView-2 QuickBird-2
Fecha de Adquisicion 2013-03-27 2009-12-13 2007-02-02
Tipo de imagen ORStandard2A ORStandard2A ORStandard2A
Resoucion espacial 0.5 m. 0.5 m. 0.5 m. 0.5 m.
Hora de Adquisicion 15:16:40.48 15:33:24.14 15:46:49.44
Latitud central de la imagen 4
36’ 9.06” N 4
23’ 20.59” N 4
36’ 9.06” N 4
23’ 20.59” N
Longitud central de la imagen 74
27’ 34.8” W 74
9’ 32.71” W 74
27’ 34.8” W 74
8’ 31.12” WSentido de la toma Inverso Directo Directo
Azimut del sol 92.9 146.4 136.5
Elevacion del sensor 66.7 63.0 65.4
Azimut del sensor 66.0 202.9 175.1
Bits por pıxel 16 16 16
2.2. Software
ERDAS IMAGINE: Este Software se empleo para la visualizacion analisis y procesa-miento digital de imagenes, como el pre-procesamiento de imagenes y creacion de ındices devegetacion.
ViewSpec Pro: Este software permitio la visualizacion, exportacion y conversion de losdatos tomados en campo mediante el espectroradiometro para posterior analisis.
R statistics: Este Software se empleo para el analisis estadıstico de los datos y procesa-miento de las imagenes, como lo fue la clasificacion supervisada basada en pıxeles.
ArcGIS: Este Software se empleo, para la creacion de diferentes archivos vectoriales,para las muestras de entrenamiento usadas en R y creaci on de mapas
eCognition Developer: Este software se utilizo para el desarrollo de las diferentes re-glas para el analisis de imagenes basado en objetos
IDRISI: Este Software se empleo para el analisis multitemporal y aplicacion del modelode simulacion de los posibles cambios mediante cadenas de Markov y automatas celulares.
Definicion de requerimientos: Esta fase preliminar tiene como finalidad, la validacionde los requerimientos basicos, para la adquisicion de imagenes e informacion para llevar acabo el proyecto, como son que las imagenes teniendo en cuenta la resolucion espacial, es-pectral y la zona de estudio, adicional la captura de informacion espectral “in situ” con elespectro radiometro, propiedad de la Universidad Distrital “Francisco Jose de Caldas”, enlas zonas de estudio elegidas.
Procesamiento digital de imagenes: En esta fase se aplicaran los procesos que se des-criben en secciones posteriores y se generaran los diferentes mapas de distribuci on espacialde la especie vegetal invasora Ulex europaeus (Retamo espinoso).
Eleccion Pruebas y validacion del modelo optimo: Teniendo en cuenta la fase an-terior se realiza la validacion de los metodos, mediante la evaluacion de exactitud tematicay analisis visual, para definir cual de los anteriores metodos usados es el mas optimo.
Analisis Multitemporal: Teniendo ya el modelo optimo para la clasificacion de lascoberturas, se clasificaran dos imagenes con fechas de toma diferentes con la finalidad deanalizar la dinamica espacial de las especie vegetal invasora para identificar su propagaciono disminucion en estos dos periodos de tiempo.
Las zonas de estudio mencionadas en la seccıon 1 del presente capitulo fueron seleccionadasdebido a que se contaba con informacion previa como mapas tematicos o informacion espacialconfiable, o bien por contar con un lapso no muy grande entre la fecha de captura (marzo de2013) y la fecha de reconocimiento de campo (agosto de 2014) para la zona de cerros, lo quegarantiza la existencia de la especie en la imagen satelital.
3.1. Reconocimiento en campo
Inicialmente en un recorrido por la avenida circunvalar, entre la calle 39 y la avenida
Bogota- Choachı con la companıa y apoyo del Biologo, Oscar Rojas, funcionario del JardınBotanico “Jose Celestino Mutis” cuya colaboracion fue trascendental en la eleccion de losindividuos objeto de medicion de la firma espectral, se determino una zona de estudio parala captura de firmas espectrales, tanto de Ulex europaeus como de Genista monspessulana .La captura de estas firmas se realizo para dos situaciones: a nivel dosel y a nivel individuo.
La captura de la respuesta espectral se realizo bajo los mismos parametros para las dosespecies, sin embargo, es necesario aclarar y tener en cuenta las caracterısticas explicadaspaginas atras, donde se expresa que la Genista monspessulana se encuentra frecuentementeen el sotobosque de ciertas especies vegetales como pino y eucalipto y/o en orillas de caminos,lo anterior significa que su identificacion a partir de sensores remotos como satelites, aviones
o drones, es casi nula, debido a que al crecer en las faldas de estos arboles no son facilmentedetectables, por esta razon el analisis de sus firmas, ası como su clasificacion no se realizo.
Durante el recorrido se establecio una zona para la captura de firmas espectrales cuyalocalizacion se ve representada en la Figura 3.1.
Las mediciones de campo se realizaron con un espectroradiometro HandHeld 2 de laempresa fabricante Analytical Spectral Devices, Inc. (ASD), propiedad de la UniversidadDistrital Francisco Jose de Caldas. Este espectroradiometro mide el dominio de longitud deonda entre 325 – 1075nm (visible e infrarrojo cercano), con una resoluci on espectral de 3nmpara los 700nm de dominio espectral medidos, (mas informacion en [ASD, 2010]).
Inicialmente se eligio un grupo de individuos (con ayuda del criterio del Biologo) en es-tado adulto que fueran representativas de acuerdo al comportamiento de propagacion de laespecie. Con los individuos elegidos se tomaron muestras individuales teniendo en cuenta lossiguientes parametros de captura.
Uso de ropa oscura: Esto con el fin de evitar influir en la reflectancia de la plantaal momento de la captura, puesto que podrıa significar un aumento de la respuestaespectral que no es propia de estudio.
Seleccion del accesorio optico: Estos son un tipo de lentes que disminuyen el areaefectiva segun se necesite. El espectroradiometro tiene una configuracion de angulo deapertura predeterminada de 25 y estos accesorios permiten disminuirlo a 7,5 y 1 (verFigura 4.5); Para la toma de las muestras tanto a nivel individual y dosel se us o elangulo predeterminado del espectroradiometro (25 ) a una altura de 40cm, lo cual conel siguiente calculo representa un area de 1092.98 cm2
Figura 4.5: Esquema de captura de espectroradiometro. Elaboracion propia.
Calibracion del equipo: Con el panel de referencia (espectralon) cuya caracterısti-
ca principal es lograr una reflectancia de 100 % en todo el espectro, se debe calibrarel espectroradiometro en las mismas condiciones de captura de la muestra (como ilu-minacion solar) para obtener condiciones optimas al momento de registrar la firmaespectral.
Captura de la firma espectral de cada individuo: Se debe tomar sobre unasuperficie de color negro (pues tiene una reflectancia de aproximadamente 0 %) paraevitar alteraciones en la firma espectral como se observa en la Figura 4.6.
Figura 4.6: Captura de firma espectral con el espectroradiometro
En cada zona, se recogio un total de 22 mediciones de reflectancia espectral para lasdos especies (con varias muestras), 11 firmas a nivel individual y 11 a nivel dosel, para asıcaracterizar la variabilidad en campo. Cada firma espectral fue calibrada usando un panel dereflectancia estandar antes e inmediatamente despues de cada once mediciones. Las lecturasse tomaron en condiciones de sol, entre las 9:00 h y 12:00 h hora local. Las medicioneshiperespectrales se recogieron entre 325 y 1075 nm con un ancho de banda de 1,0 nm, aunquelos espectros de reflectancia eran ruidosos al comienzo y al final de la gama, solo se analizaron
las mediciones entre 450 y 895 nm. Tanto las mediciones de reflectancia a nivel individualcomo a nivel dosel se promediaron para representar bandas de ondas multiespectrales amplios
(azul, B: 450-510 nm; verde, G: 511-580 nm; rojo, I: 630-690 nm, e Infrarrojo Cercano, NIR:770-895 nm), similares a los disponibles en los satelites comerciales WordlView-2, GeoEye-1y QuickBird.
4. PRE-PROCESAMIENTO DIGITAL DE LAS IMAGE
NES
Para obtener un mejor resultado, se procede a realizar un pre-procesamiento en cada unade las imagenes, este se detalla en la siguiente seccion.
4.1. Correccion atmosferica
La correccion de los efectos atmosfericos es una etapa de tratamiento importante para me- jorar la calidad de los datos, ayudar al interprete, y mejorar el rendimiento de procesamientoposterior, por ejemplo, algoritmos de clasificacion.[GEOSYSTEM, 2013]. Algunas tecnicas,para corregir estos efectos, son incorporadas de modo rutinario por las estaciones receptorasde las imagenes. [Chuvieco, 2008] Las imagenes utilizadas para las clasificaciones cuentancon un proceso hecho intrınsecamente por la companıa antes de entregarla al publico, todoslos productos estan radiometricamente corregidos, esto quiere decir que los valores de lospıxeles estan en funcion de la cantidad de radiancia espectral que entra en la abertura del
telescopio convirtiendo luego esta radiacion en una senal digital. Esta senal depende de latransmision espectral del telescopio y de los filtros, del rendimiento del telescopio, la eficaciade los detectores y de la conversion de la senal. Por lo tanto, los datos de los pıxeles de lasimagenes son exclusivos para cada sensor y no deben compararse con las imagenes de otrossensores en el sentido de su radiometrıa espectral.
Una vez las imagenes son corregidas radiometricamente, se procede a transformar la ima-gen a valores de radiancia en tope de la atmosfera (Top Of Atmosphere, TOA) con la siguienteecuacion.
Lλpixel,banda = K banda ∗ q pixel,banda
∆λbanda(4.2)
Donde Lλpixel,banda es la radiancia espectral en el tope de la atmosfera de los pıxeles de laimagen [W −m−2−sr−1−µm−1], K banda es el factor de calibracion radiometrica absoluta para
cada banda, q pixel,banda son los pıxeles de la imagen corregida radiometricamente, y ∆λbandaes el ancho de banda efectivo para cada banda.
El factor de calibracion radiometrica absoluta y los valores de ancho de banda efectivopara cada banda se encuentran en los archivos de metadatos (con extensi on .IMD) de lasimagenes (ver Tabla 4.2).
Finalmente, los valores de reflectancia son obtenidos mediante la ecuacion:
ρλpixel,banda = Lλpixel,banda ∗ d2
TS ∗ πES λBanda
∗ cos(θs)
(4.3)
Donde dTS es la distancia Tierra-Sol en el momento de captura de la imagen, ES λBanda
es la irradiancia espectral solar de cada banda [W − m−2 − µm−1],normal a la superficieiluminada como se muestra en la Tabla 4.3, y θses el angulo zenital solar . θs = 90 −angulo.de.elevacion.solar .
Tabla 4.2: Calibracion radiometrica (K) y ancho de banda efectivo (∆λ) para cada sensor.Tomado de los metadatos de las imagenes.
Tabla 4.3: Irradiancia solar espectral. Promedio por banda. Tomado de la guia del ¡¡Radio-metric Use¿¿ de cada uno de los sensores, disponible en la pagina oficial de Digital Globe.
En el campo de las aplicaciones espaciales de los sensores remotos, los Indices de Vegeta-cion han sido desarrollados para la evaluacion cualitativa y cuantitativa de la cubierta vegetalpresente en la superficie terrestre a partir de mediciones espectrales [Bannari A., Morin, &
Bonn, 1995]. Los Indices de Vegetacion como Simple Ratio, NDVI, TVI, SAVI y MSAVIson particularmente prometedores en la clasificacion y discriminacion de vegetacion [Huete,1985; Pinty & Verstraete, 1992; Jensen, 2005], aunque aquellos dos primeros y este ultimono arrojaron buenos resultados para efectos de este trabajo.
En este trabajo se plantea la generacion de algunos ındices de vegetacion a partir de losdatos de una imagen WorldView-2 y una GeoEye con el fin de extraer con mayor precisionlos parches de Retamo Espinoso. Ademas de analizar la utilidad de 13 ındices de vegetacionen la discriminacion del Retamo Espinoso de otras clases de cobertura vegetal presentes enlas dos zonas de estudio, pues, en cada una de estas hay una diferencia notoria en cuanto altipo de vegetacion se refiere.
Normalmente se combina la informacion de dos o mas bandas para obtener ındices devegetacion que son de gran utilidad para la caracterizacion del crecimiento y desarrollo dela vegetacion debido a que se aprovechan del contraste de reflectancia de la vegetacion endiferentes bandas del espectro [Jackson & Huete, 1991].
Los ındices NDVI y RVI son muy utilizados para la diferenciacion entre tipos de vege-tacion debido a que esta normalmente muestra altos valores de reflectancia en la banda del
IRC y valores muy bajos en la region de la banda del Rojo, enfocandose ambos ındices enrealzar esas diferencias [Elmore et al., 2000; Hansen & Schjoerring, 2003]. Los ındices NDVI,TVI, TTVI, NRVI, PVI, DVI, SAVI, WDVI y MSAVI ya han sido utilizado por [Kandwalet al., 2009] en la discriminacion de zonas infestadas por malas hierbas y vegetacion natural.
Los ındices de vegetacion se elaboraron para cada una de las dos zonas de estudio, pues,al haber diferencias en el tipo de vegetacion presente en el Embalse Chisaca y en la escenaque cubre parte de los cerros orientales no se puede decir a priori que los ındices que ayudan adiscriminar el Retamo Espinoso en una zona lo hagan de la misma forma en otra. Por ejemplo,en los cerros orientales encontramos plantaciones de eucalipto cuya respuesta espectral tiendea confundirse con la del Retamo, mientras que en el Embalse Chisaca encontramos otro tipo
de plantacion vegetal que se confunde espectralmente con el Retamo. Obviamente estos dostipos de vegetacion se comportan diferente en su respuesta espectral debido al grosor de lashojas, la estructura de la superficie foliar, los niveles de contenido de clorofila y la estructurainterna de la hoja (ver Figura 2.6). Ademas, las imagenes utilizadas para cada zona de estudioson diferentes, para la escena que corresponde al Embalse Chisaca se cuenta con una imagenWorldView-2 y para la que cubre parte de los cerros orientales, una GeoEye.
Figura 4.7: Metodologıa para la generacion de Indices de Vegetacion. Elaboracion propia.
En la Figura 4.7 se muestra la metodologıa de trabajo a seguir para la generacion de losındices de vegetacion y ası poder reproducirlo cuantas veces sea necesario segun el numero
de imagenes a analizar, a continuacion su explicacion:
1. Imagen corregida atmosfericamente: Corresponde al insumo primordial, la imagensatelital con su respectiva correccion atmosferica que remueve las distorsiones que laatmosfera introduce en los valores de radiancia que llegan al sensor desde la superficieterrestre. Esto con el fin de conseguir una respuesta espectral limpia de cada una delas coberturas y garantizar resultados confiables en el calculo de los ındices.
2. Calculo de ındices de Vegetacion: Se procede a calcular los ındices de vegetacioncon cada una de sus formulas mostradas en las Tablas 2.1 y 2.2 a partir de los datosobtenidos de las imagenes corregidas atmosfericamente.Para el calculo de ’a’ y ’b’ se siguio las ecuaciones 2.1 y 2.2. La banda del IRC fue en
principio tratado como la variable independiente y la banda del Rojo como la variabledependiente. Luego, la banda del Rojo fue tratada como la variable independiente yla banda del IRC como la variable dependiente. Los ındices DVI, PVI1 y PVI3 fueroncalculados tomando la banda del Rojo como la variable dependiente; y los ındices PVI,PVI2 y WDVI fueron calculados tomando la banda del IRC como la variable indepen-diente. Por lo anterior, los valores de los ındices para cada una de las dos imagenesfueron calculados para dos casos:
Caso 1:IRC: Variable Dependiente (Y) ˜ Rojo: Variable Independiente (X)DVI, PVI1 y PVI3 se incluyen en esta categorıa.
Caso 2:IRC: Variable Independiente (X) ˜ Rojo: Variable Dependiente (Y)PVI2 y WDVI se incluyen en esta categorıa.
Los valores de ’a’ y ’b’ fueron calculados usando la herramienta Model Maker en elsoftware ERDAS IMAGINE.
3. Normalizacion a 8 bits: Debido a que los valores de todos los ındices de Vegetacionestan en valores decimales, se efectua una normalizacion a la gama de 8 bits utilizandola siguiente ecuacion:
ND − MIN
MAX − MIN ∗ 255 (4.4)
DondeND =Nivel digital para cada pıxelMIN =Valor mınimo de la muestra.
4. Composicion de imagen: Al generar cada uno de los ındices de vegetacion y nor-malizarlos a la gama de 8 bits, es necesario hacer una imagen compuesta de todoslos ındices calculados, pues esto permitira mediante la generacion de un perfil espectralhacer un analisis en conjunto que facilitara la comparacion de efectividad de los ındices.Para cada una de las escenas se creo una imagen compuesta de 14 bandas, en dondelas 13 primeras corresponden a los ındices de vegetacion enumerados en las Tablas 2.1y 2.2 con su respectivo orden; y la banda 14 a la banda del Infrarrojo cercano.Una vez analizada la imagen en conjunto se realiza la elecci on de los mejores indices yse agregan las bandas del visible para poder discriminar de mejor forma las coberturasde forma visual. La imagen resultante de esta combinacion de bandas fue empleada
para efectos de realizar las clasificaciones orientadas a pıxeles y objetos de ambas zonasde estudio, pues las propiedades de los ındices de vegetacion ayudan a una mejor dis-criminacion de especies vegetales especıficas.
5. Extraccion de muestras para analisis: Un vez generada la imagen compuestapor los ındices de vegetacion, se debe identificar las muestras que se utilizaran parala generacion de los perfiles espectrales. Estos perfiles espectrales ayudan a decidirvisualmente la capacidad de discriminacion de cada ındice de vegetacion al permitirhacer una comparacion directa de la respuesta de cada cobertura para cada ındice.
5.1. Composicion de imagenes con los ındices optimos
Para la clasificacion se creo una imagen compuesta de los ındices de vegetacion que mejoresresultados ofrecieron en cuanto a la discriminacion y diferenciacion de la especie vegetalinvasora Retamo Espinoso de las demas clases, todos escalados a 8 bits. Los demas ındicesproporcionan una separabilidad, aunque sea muy mınima, pero debido a que son la mayorıa,pueden entorpecer el proceso de clasificacion, por tanto no son incluidos en la composici onde la imagen, el analisis y eleccion de los indices se explicara en la seccion 3 del capitulo de5.
Figure 4.8: Composicion de bandas de la imagen a clasificar. Elaboracion propia.
6. PROCESAMIENTO DIGITAL DE IMAGENES
Cada imagen esta compuesta por los ındices de vegetacion optimos en la labor de dis-criminar el retamo espinoso de las demas especies, esta clasificacion se hizo a traves del(a) analisis basado en pıxeles con tres algoritmos: el primero de ellos analisis discriminante(LDA), el segundo maquinas de soporte vectorial (SVM) y finalmente arboles de decision(DT); y (b) el analisis basado en objetos, primero realizando una segmentacion, es decir, laparcelacion de la imagen en regiones homogeneas clasificadas “a posteriori” utilizando, entreotras caracterısticas, las propiedades espectrales de la imagen. El analisis basado en objetoses considerado un metodo alternativo muy robusto para la clasificacion digital de imagenesde sensores remotos en comparacion con los algoritmos estadısticos convencionales como loson los orientados a pıxeles. Se muestran las ventajas y limitaciones de las dos tecnicas, te-niendo en cuenta la evaluacion de los resultados obtenidos en su aplicacion en la clasificacionde cobertura del suelo en las dos zonas presentadas anteriormente. Los resultados obtenidospermitieron evidenciar las notables ventajas de la clasificacion a traves del analisis basadoen objetos frente al metodo convencional de analisis orientado a pıxeles.
Hay una gran cantidad de estudios que permiten inventariar las coberturas del suelo atraves de diversas tecnicas de teledeteccion, especialmente en la discriminacion espectral dediferentes tipos de vegetacion [Ghulam, Porton, & Freeman, 2014; Kandwal et al., 2009;
Laba et al., 2010; Schmidt & Skidmore, 2003]. La mayorıa de las tecnicas de procesamientodigital de imagenes para la clasificacion de la cobertura del suelo estan basadas en la informa-cion contenida en cada pıxel de la imagen como una unidad basica e independiente de estudio.
Para lograr clasificar las coberturas del suelo, se asocia una etiqueta a las los pıxeles enbase a un criterio comun, por ejemplo, la similitud de la respuesta espectral en las distintasbandas. Sin embargo, los elementos que se estudian dentro de la clasificacion no son analiza-
dos exclusivamente por su componente espectral, tambien toman en consideracion los factoresgeometricos de forma que definen un objeto, de tal modo, que se aumentan los criterios de
busqueda y clasificacion de una cobertura terrestre en particular, con opciones adicionalesque discriminan las variables de seleccion que la representan [Santos, 2007]. Sin embargo,y debido a que el terreno es continuo, mucha informacion esta contenida en la relacion en-tre pıxeles adyacentes, lo que permite la identificacion de objetos formados por pıxeles concaracterısticas comunes [Castillejo, 2011]. Estos objetos son creados mediante procesos desegmentacion basados en algoritmos que toman pıxeles semillas y determinan el crecimientoalrededor de ellos en base a ciertos criterios de homogeneidad [Yu et al., 2006]. La clasifi-cacion orientada a objetos necesita ademas reconocer sus atributos geometricos [Blaschke,2010] y para lograrlo se hace necesario contar con programas y metodologıas que faciliten laaplicacion de esta tecnica y que esten al alcance de los usuarios de manera mas amigable yeconomica. [Vasquez & Felipe, 2011]. Los objetos ası creados no estan caracterizados solo por
sus caracterısticas espectrales sino tambien por caracterısticas de forma, que han limitado laforma de agruparse entre ellos. En este caso la clasificacion no esta basada en los pıxeles sinoen los objetos como mınima unidad de informacion. [Yu et al., 2006].
En conclusion mientras que la informacion en un analisis basado en pıxeles es la respuestaespectral de todos los pıxeles en cada banda, el analisis basado en objetos maneja, ademas deinformacion espectral, informacion espacial basada en el tamano, forma y contexto de cadaobjeto. Ası, el objetivo principal de la seccion 4 del capıtulo 5, es analizar el comportamientode la segmentacion en imagenes satelitales y evaluar el efecto de los objetos en la clasificaciondel retamo espinoso en comparacion a la clasificacion por pıxeles.
6.1. Preliminares a la clasificacion
Como se decribe en la subseccion 5.1, para la clasificacion supervisada es necesario queel usuario identifique y localice las areas de entrenamiento, que deben ser los sitios dondese encuentran ejemplos homogeneos de los tipos de cobertura conocidos. Se parte del cono-cimiento a priori de las coberturas del suelo en localizaciones geograficas concretas, de talforma que a partir de estas se generan las clases espectrales de referencia.
Una de las imagenes es del ano 2013 y con la informacion recolectada en campo un anodespues, no es posible asociar los datos encontrados en la imagen con los de la realidad (ob-
viamente). Esto genera una limitacion bastante importante pues se cuenta con informacionen tiempos diferentes. Se podrıa contemplar la suposicion de que el comportamiento de lazona fue constante en ese periodo, pero si no lo fue, al momento de establecer los polıgonosde entrenamiento, es muy probable que se asignen clases equivocadas a las coberturas.
Con esta incompatibilidad entre tiempo de captura y tiempo de visita a campo, es muydifıcil garantizar incluso la existencia de la especie invasora en la epoca de toma de las image-
nes; sin embargo para la imagen WorldView-2 con fecha de toma 2009, gracias a los estudiosrealizados por [Mora et al., 2007] (ver Figura 4.9) fue posible no solamente identificar las
zonas con presencia de Retamo Espinoso, sino ademas reconocer sus patrones de textura, loque nos permite identificarlo visualmente en una imagen satelital sin importar su fecha decaptura.
Para la imagen GeoEye-1 con fecha de toma 2013 no hay ningun estudio, soporte car-tografico u otro tipo informacion que nos permita reconocer en la imagen la existencia de laespecie invasora, pero como ganamos experiencia en cuanto a sus patrones y texturas, fueposible encontrar aquellas zonas en donde hacen presencia. Para comprobar que la interpreta-cion visual de la imagen era correcta, y que los analisis de textura corresponden efectivamenteal Retamo Espinoso y evitar ası posibles deducciones carentes de veracidad, se recurrio alapoyo de la muy util herramienta de Google maps: Google Street View.
En resumen, para la eleccion de los polıgonos (para la clasificacion orientada a pıxeles)y objetos (para la clasificacion orienta a objetos) de entrenamiento de las escenas para cadauna de las clases se realizo en tres etapas.
1. Vistita a campo y toma de puntos de control con presencia de la especie invasora,unicamente en la zona de los cerros orientales.
2. Interpretacion visual de las escenas para identificar y caracterizar la especie invasora,de acuerdo al patron y textura.
3. Garantizar la existencia de la especie en la epoca de captura de la imagen con apoyode Google Street View para la imagen GeoEye-1 y de la cartografıa obtenida de dis-tribucion espacial tematica de la especie invasora, que fue realizado por (Mora et al.,2007).para la imagen WorlView-2.
Para la imagen QuirckBird se recurrio solamente a la interpretacion visual de la imagendebido a la inexistencia de material de apoyo, pues no hay informacion cartografica ni bi-bliografica y desafortunadamente la verificacion con Google Street View tampoco fue posibledebido a que la franja temporal de la herramienta no alcanza a la fecha de captura de laescena QuickBird que es del 2007.
Ademas [Dıaz-Espinosa et al., 2009] describe una estrategia de control frente al estableci-miento de la especie vegetal invasora en donde establecen una pequena zona de restauracioncomo se observa en la Figura 4.10.
Figura 4.10: Ubicacion del terreno de estudio para restauracion ecologica, alrededores embalseChisaca. Tomado de [Dıaz-Espinosa et al., 2009].
Para la eleccion de las clases se adapto la la metodologıa CORINE Land Cover homologadapara Colombia, realizada a partir de la interpretacion visual de imagenes satelitales del sensor
Landsat [IDEAM, 2010]. Se procedio a entrenar cada uno de las escenas, con las siguientesclases segun las coberturas presentes.
6.2. Analisis de clasificacion orientada a Pıxeles
Esta clasificacion se hizo empleando los algoritmos mencionados anteriormente: LDA,Maquinas de Soporte Vectorial SVM y Arboles de Decision DT. Sabemos que para la clasifi-cacion supervisada se crean los polıgonos de entrenamiento, tambien que la imagen utilizadaes de cuatro bandas conformadas por los ındices de vegetacion TVI, TTVI, WDI y por la
banda del IRC; como la interpretacion visual de esta imagen es un tanto complicada, lospolıgonos fueron creados a partir de la interpretacion de la imagen original en composicioncolor natural para la identificacion del Retamo Espinoso, y en composicion de falso color parael reconocimiento de las coberturas sobre las que existıan dudas.
6.2.1. Polıgonos de entrenamiento
Para la escena de cerros se escogieron polıgonos de entrenamiento basados en las cober-turas presentes, a continuacion de presenan para cada una de ellas.
Una vez creados los polıgonos de entrenamiento, se procede a hacer las clasificaciones, elcodigo de programacion ejecutado en el sofware R se encuentra en el Anexo 1.
Figura 4.11: Polıgonos de entrenamiento para la escena de cerros
Figura 4.12: Polıgonos de entrenamiento para la escena de embalses.
El numero de pıxeles fueron distribuidos sobre toda la imagen en varias areas pequenasy no en una muestra grande para no subestimar la variabilidad de esa categorıa.
Tabla 4.5: Numero de pıxeles de entrenamiento promedio por cobertura para la escena deembalses. Elaboracion propia.
Clase Pıxeles %
Retamo 4654 0.5Mosaico de pastos y cultivos 2520 0.3
Bosques 7039 0.7Cuerpos de agua 9376 0.9
Territorios artificializados 988 0.1Suelo desnudo 5282 0.5
Areas con vegetacion herbacea 2558 0.25TOTAL 32417 3.25
La segmentacion se realizo con el algoritmo Multi-rresolucion implementado en eCogni-tion 9.0 (version prueba del software), esta segmentacion subdivide una imagen en regionescompuestas por varios pıxeles que se caracterizan por ser homogeneas en base a unos requi-sitos definidos por el usuario. Este puede influir en el resultado del proceso de segmentacionponderando los datos de entrada y controlando determinados parametros para la formacionde los objetos de la imagen resultante tales como el factor de escala (control de tamano delos objetos), color (grado de influencia de la informacion espectral en la segmentacion) y for-ma (grado de influencia de la forma, suavidad y compacidad de los objetos).[Castillejo, 2011].
Cada uno de los parametros de segmentacion se establecio realizando pruebas repetitivascon variaciones y evaluando dichas pruebas mediante inspeccion visual en una pequena zona
de la imagen con existencia de la especie invasora. Inicialmente se realizaron 4 diferentespruebas para determinar un factor de escala generico apropiado donde se pudiera visuali-zar una segmentacion homogenea de las diferentes especies vegetales y la especie invasora,a partir de este factor de escala se evaluaron con diferentes pruebas variando los valores deforma y compacidad, para llegar al escenario donde la combinacion final de los parametrosrepresentaron una mejor segmentacion respecto a la combinacion de los demas parametros,cuando se variaba la compacidad a valores menores y la forma a tamanos grandes la seg-mentacion generaba segmentos mas pequenos y sin un claro patron, y cuando se alterabade forma contraria, la segmentacion se mantenıa en su tamano pero la forma cambiaba demejor manera las zonas con existencia de la especie invasora, una vez realizado los dife-rentes analisis, la mejor combinacion fue con factor de escala 30, compacidad 0.9 y forma
0.1, para la zona de cerros orientales y con factor de escala 40, compacidad 0.9 y forma 0.1para la zona del embalse de Chisaca, aunque a esta ultima zona, la segmentacion se realizoen toda la escena, teniendo en cuenta que la distribucion de nichos era mayor que la de cerros.
Una vez segmentada cada escena se procede a realizar la clasificacion de acuerdo al en-trenamiento que se debe realizar sobre estas. Para obtener mejores resultados se procede aoptimizar la clasificacion usando la media y la desviacion estandar para que el algoritmo declasificacion tenga la mejor separabilidad de las clases. De acuerdo a lo anterior se procedioa entrenar cada uno de las escenas, con las clases mencionadas previamente.
Una vez entrenada la escena se procede a realizar la clasificaci on y validar la misma,este proceso es repetitivo ya que se debe ir refinando el entrenamiento, para encontrar elmejor resultado. En la seccion 4 del capıtulo 5. se presentaran los resultados de cada uno delos procesos que se llevaron a cabo, para encontrar la mejor alternativa para caracterizar laespecie vegetal invasora.
Para realizar la proyeccion de cambios es necesario contar con dos imagenes de la mismaescena con fechas de toma diferentes, para este trabajo la escena que cuenta con estas dosimagenes es la zona 1 correspondiente a Cerros orientales de Bogota, con una QuickBirddel 2007 y una GeoEeye-1 del 2013. Sin embargo, la imagen QuickBird proporcionada porel Jardın Botanico “Jose Celestino Mutis” presenta una particularidad: se encuentra en unsistema de referencia y en una proyeccion diferente a la de la imagen Geoeye-1. Esta parti-cularidad de la imagen supone un problema importante pues para realizar una proyeccion decambios, las imagenes deben tener el mismo sistema de referencia, es decir estar pr acticamen-te superpuestas para poder generar las matrices de probabilidades de perdida, permanenciao ganancia de las coberturas. Este problema podrıa solucionarse facilmente haciendo bien ouna reproyeccion de la imagen o una georreferencion tomando como base la imagen GeoEye-1pero la imagen tiene algunas zonas de distorision, con danos que al parecer se pueden asociara una mala georeferenciacion o reproyeccion por parte de la entidad donante como se observaen la figura 4.13, por tanto se hace necesario no contar con la totalidad de la imagen parahacer el analisis multitemporal, sino con una zona mas pequena.
a. b.
Figura 4.13: a. Zona con distorsion QuickBird, b. Zona sin distorsion GeoEye-1.
Teniendo en cuenta lo explicado en secciones anteriores, debido a la fecha de captura dela imagen (2007), no hay informacion directa ni indirecta de la existencia del retamo espi-noso en la zona, lo que hace muy complejo realizar una clasificacion adecuada de la especieinvasora, lo cual lleva a realizar una inspeccion visual de la zona, para identificar algunosnichos existentes, el resultado de esta busqueda lleva a concluir que uno de los pocos lugarescon existencia de la especie para ese momento se encuentra ubicado e la zona de tanques delsilencio, ubicado en el sur oriente del parque nacional. Sin embargo, al hacer una comparaci on
de esta zona en ambas imagenes se percibe en la imagen GeoEye-1 del 2013 que la zona estalibre de Retamo Espinoso para la fecha de captura de la imagen, esto puede ser debido a una
restauracion realizada por la Empresa de Acueducto de Bogota, ya que esa zona hace partede la jursdiccion de dicha empresa (ver Figura 4.14).
a. b.
Figura 4.14: a. Zonas con presencia de Retamo Espinoso en la imagen QuickBird 2007, b.Zonas sin presencia de Retamo Espinoso en la imagen GeoEye-1 2013.
Por tal motivo se procede a realizar un recorte de la imagen QuickBird en una pequenazona, la misma a la que se le hizo las clasificaci on para la imagen GeoEye-1 en seccionesanteriores, para el analisis basado en pıxeles y comparacion con el analisis basado en objetosteniendo en cuenta que esta zona presenta un area muy notable de la especie invasora para
la imagen GeoEye, y a comparacion de la imagen QuickBird no hay existencia de la especiecomo se observa en la ilustracion 4.15 , esto con el fin de realizar un correcto analisis mul-titemporal y poder obtener una matriz de trancison usando Cadenas de Markov, que es unalgoritmo que compara dos mapas de ocupacion del suelo que se suceden cronologicamentepara estimar una matriz de probabilidad de transicion de las coberturas [Paegelow, Olmedo,& Toribio, 2003] y ası modelar las dinamicas espaciales a partir de automatas celulares queson capaces de reproducir patrones complejos [Aguilera, Soria, & Valenzuela, 2006; Sudhira,Ramachandra, & Jagadish, 2004], lo anterior con el fin de que el resultado de la proyeccionen cada una de las imagenes resultantes, tanto cerros y embalses se acerque a la realidad.
Figura 4.15: a. Zonas con presencia de Retamo Espinoso en la imagen QuickBird 2007, b.Zonas sin presencia de Retamo Espinoso en la imagen GeoEye-1 2013.
Tradicionalmente la medicion radiometrica de especies vegetales ha tenido dos niveles:primero, la medicion de hojas individuales, y segundo, la medicion del dosel de varias plantas.Para el primer caso se midio la hoja casi al instante en que fue desprendida de la planta,aunque hubo mediciones de hojas individuales todavıa ligadas a la planta madre. Es habitualque muchos autores obtengan resultados bastante satisfactorios con hojas individuales, perono a nivel de dosel, dada la dificultad en cuantificar y controlar el aumento considerable delas diversas variables que intervienen en el segundo caso [Martın-Mateo, 2001] En primerainstancia se realizaron mediciones a nivel individuo, capturando pequenas ramas en un buen
estado fitosanitario, capaces de ilustrar el estado fotosintetico, de la especie a medir enuna ambiente controlado como en la Imagen 3.1, aunque las mediciones no se realizaron enlaboratorio, se tuvo la precaucion que la inclinacion del angulo solar fuera el mismo comoen la captura de las mediciones en los doseles que se capturaron en las mismas condicionestecnicas que a nivel individuo (altura y angulo de apertura), los resultados se presentan lasiguiente subseccion, pero es importante aclarar que cada uno de los procesos que se presentana continuacion se basaron en el documento de [Lopez, 2012], el cual tenıa un objetivo generalsimilar al de este proyecto, pero identificando cultivos de coca.
1.1. Muestras a nivel individuo y dosel
La exportacion de los datos crudos de las mediciones se puede visualizar en las Figuras5.1y 5.2 que estan representados en todo el rango espectral del equipo y la radiometrıa delmismo.
Figura 5.1: Firmas espectral cruda a nivel individual. Elaboracion propia.
Figura 5.2: Firmas espectral cruda a nivel dosel. Elaboracion propia.
Los datos espectrales fueron convertidos a reflectancia (ver Figuras 5.3 y 5.4), que es larelacion de la energıa reflejada por el blanco (calibracion) a la energıa que incide en el objetivo.
El espectro de reflectancia de cualquier cubierta se obtiene a partir de la reflectividadrelativa de la muestra respecto a la medida en un panel de referencia (blanco de referenciacon maxima reflectividad). Para obtener la reflectividad absoluta es necesario conocer la curvade reflectancia del panel de referencia, multiplicandose el espectro relativo por dicha curva.En el espectroradiometro usado, se puede configurar la captura de reflectividad absolutadurante la toma de datos. [Castro, 2013]
Figura 5.3: Firmas espectrales a nivel individuo con valores de reflectancia absoluta. Elabo-racion propia.
Figura 5.4: Firmas espectrales a nivel dosel con valores de reflectancia absoluta. Elaboracion
propia.
Los datos que presentaron valores extremos de reflectancia fueron excluidos, para el ca-so de las firmas espectrales a nivel individuo fueron las muestras 10 y 11 que presentaronheterogeneidad espectral respecto a las demas firmas.
Figura 5.5: Firmas espectrales homogeneas a nivel individuo. Elaboracion propia.
En cuanto a las firmas espectrales a nivel dosel, se presentaron tres grupos con respuestaespectral diferente, teniendo en cuenta que se midieron en individuos diferentes, existen ra-zones por las cuales varıen entre ellas, (ver subseccion 3.2 del capıtulo 4 ), la dispersion deradiacion foliar esta principalmente determinadas por sus caracterısticas quımicas y estruc-turales entre la que se incluyen: el contenido de clorofila, contenido de agua, concentracionde elementos estructurales del carbono (por ejemplo lignito y celulosa) y otros pigmentosbiologicamente activos [Gates et al., 1965], la reflectividad del suelo esta en funcion de sucontenido de humedad, la textura de la superficie y su composicion mineral [Asner, Wessman,& Schimel, 1998] , Ademas de los elementos fısicos indicados anteriormente, la reflectividaddel dosel es el resultado del efecto de propagacion de fotones que causan las hojas, los tallosy el suelo.
La dispersion por efecto de los tallos esta influida por su rugosidad, elementos de carbonoy su humedad. La suma de todos estos factores tendr a mayor o menos trascendencia depen-diendo de los niveles de area e inclinacion foliar y de los tallos, ası como de lo compactadosque estos se encuentren [Asner et al., 1998]. En el caso de mediciones de doseles vegetales
sobre suelo, algunos autores advierten del peligro de confundir absorciones minerales conabsorciones de componentes de la vegetacion no fotosintetica, es decir, carbon, celulosa ynitrogeno [Clark et al., 1990]
Figura 5.6: Firmas espectrales homogeneas a nivel dosel. Elaboracion propia.
A partir de los datos anteriores, se realizo un promedio, y se calculo la desviacion estandarde cada uno, para verificar la fluctuacion de los datos, esta desviacion estandar se puede vergraficamente en las Figuras 5.7y 5.8 en color gris, para el caso individual se present o unadesviacion estandar de 0.0087 m, con una mayor fluctuacion mayor entre los 745 y 1075 nm,
para el dosel en el grupo 1 0.0015 m, grupo 2 0.0027 m, y grupo 3 0.0038 m, aunque no setuvieron en cuenta los estados fenologicos, las firmas de los grupos 1 y 2 fueron capturadosen un dosel mas adulto que el grupo 3, ya que se pretendıa capturar la variabilidad presenteen campo de las especies.
Figura 5.7: Firma espectral promedio (verde) y desviacion estandar a nivel individual. Ela-boracion propia.
Figura 5.8: Firmas espectrales homogeneas promedio y desviacion estandar a nivel dosel.Elaboracion propia.
1.2. Comparacion
Para hacer un paralelo entre los resultados a nivel dosel e individual se promediaron lostres grupos de firmas a nivel dosel y se grafico junto con el promedio de la respuesta espectrala nivel individuo en un rango espectral entre los 450 nm y 895 nm para hacer una comparaci onentre la respuesta del espectroradiometro y la que se presentaba en las imagenes, esta ultimase sustentara mas ampliamente en la seccion 1 del capıtulo 6
Figura 5.9: Firmas promedio, individual y dosel, entre 450 y 895nm. Elaboracion propia.
A nivel del dosel [Feng et al., 2008] afirman que la reflectancia normal es baja en la regionentre 480 y 680 nm debido a la absorcion de la clorofila y otros pigmentos, y alta en el IRCdebido a la estructura micro celular de la hoja y la estructura del dosel, lo anterior se puedevisualizar claramente en las Figuras 5.9 y 5.10.
Figura 5.10: Promedio de los promedios, que representan el valor de un pıxel a nivel dosel e
Como el trabajo involucra dos zonas de estudio, se hace un analisis de los resultados ob-tenidos en cada una de las dos escenas. Los gr aficos espectrales y los resultados estadısticos(diagramas de caja) fueron usados en conjunto para analizar los ındices que proporcionan lamejor separacion de Retamo Espinoso del resto de las clases.
Para cada firma espectral se tomaron cinco muestras por cada cobertura y lograr ası unarespuesta promedio para cada ındice de vegetacion.
3.1. ESCENA 1: Zona de estudio Embalse Chisaca.
La confusion espectral para esta imagen WorldView-2 en las bandas del visible de lascoberturas correspondientes a Pastos, Vegetacion, Bosque y Retamo Espinoso impide la co-rrecta discriminacion de la especie objeto de estudio de este trabajo, por ello se recurri o a lautilizacion de los ındices de vegetacion y se analizo la capacidad que ofrecen para separarlas.Para entender esta separabilidad se realizo un analisis espectral de las zonas con presenciade Retamo Espinoso frente a las zonas con presencia de las otras tres clases como se muestraen la Figura 5.12.
Figura 5.12: Analisis espectral (media vs IV) de los 14 ındices generados para la escena deEmbalses. Elaboracion propia.
A partir de las graficas espectrales y los diagramas de caja obtenidos, los ındices deVegetacion fueron priorizados en su capacidad para discriminar Retamo Espinoso de las
otras clases. La interpretacion visual en conjunto de la Figura5.12 y Figura 5.13 muestranque de todos los ındices analizados, el ındice 1 (NDVI) y el 12 (MSAVI) son los que menosseparabilidad ofrecen entre las coberturas que tienden a presentar mayor confusion espectral:Retamo Espinoso, Pastos y Bosque. Por otra parte, los ındices, 3 (TTVI), 11 (WDVI) eincluso la banda 14 que corresponde al Infrarrojo cercano son los que mejor diferenciacionproporcionan de las tres coberturas a las que nos referimos.
3.2. ESCENA 2: Zona de estudio Cerros Orientales
La respuesta espectral de las coberturas para esta zona de estudio correspondiente a unaimagen GeoEye tiene un comportamiento similar a las coberturas de la primera escena. Sin
embargo, hay una cobertura especıfica que presenta un comportamiento espectral bastanteparecido al Retamo Espinoso: el Eucalipto.
Figura 5.14: Analisis espectral (media vs IV) de los 14 ındices generados para la escena deCerros. Elaboracion propia.
Como se observa en la Figura 5.14, la confusion espectral entre el Retamo Espinoso y elEucalipto es muy alta. La mayor separacion de sus respuestas medias la proporcionan los
ındices 2 (TVI), 3 (TTVI) y 11 (WDVI). Contrario a la escena de Embalses, para esta escenala banda IRC no proporciona buena resultados en la discriminacion del Retamo Espinoso.
Vemos ademas que los Indices con menor capacidad de separacion ente el Retamo Espi-noso y el Eucalipto son el ındice 1 (NDVI) y el 12 (MSAVI).
El analisis para la eleccion de los mejores Indices de Vegetacion es mucho mas sencillocuando se comparan directamente en una sola grafica espectral como la mostrada en las fi-guras 5.12 y5.14, apoyados en graficos estadısticos como los diagramas de caja, pues muestralos datos estadısticos mas relevantes para este tipo de datos. Vemos por ejemplo, los whiskero bigotes nos muestran la dispersion, y como notamos en las Figuras 5.13 y 5.15, las muestras
no presentan una dispersion alta, lo que es un buen resultado. Los puntos alejados de losbigotes representan los valores atıpicos, y de esos sı encontramos unos cuantos debido a lassombras presentes en la escena que alteran la homogeneidad de cada cobertura y por lo tantolos resultados de los calculos de los ındices, sin embargo, estos atıpicos no afectan de formarelevante, pues la simetrıa de las cajas nos dice que hay homogeneidad en los valores de lasmuestras.
Se puede observar que la media del retamo espinoso est a separada de las otras clases(Fig. 5.13c y Fig. 5.13d). Por lo tanto las cuatro clases est an mejor separados en TTVI yWDVI para la zona correspondiente al embalse de Chisaca. Las distancias entre las medias
del retamo, Pastos, vegetacion herbacea natural y Bosques, disminuye en los demas ındices,una razon para justificar por que otros ındices de Vegetacion (NDVI, MSAVI) muestran su-perposicion entre clases. Tambien los bigotes para el retamo espinoso en WDVI son menoresen comparacion con todos los otros ındices, lo que sugiere que en la clase retamo espinosono se solapan con los rangos de valores de las dem as clases, por lo que es separable. Por otraparte, la mejor separacion de medias para la zona de Cerros orientales la ofrece NDVI, TTVIy WDVI (Fig. 5.15a, 5.15c y 5.15d). En esta zona los bigotes para el Retamo son mas cortosen el ındice TTVI, lo que sugiere que el retamo espinoso no se solapa con demas rangos devalores y por lo tanto es separable.
Los valores atıpicos que se presentan como puntos aislados de los bigotes pueden haber
ocurrido debido a la presencia de sombras dentro de los polıgonos de muestra de las clases.
A continuacion se presentan cada uno de los resultados obtenidos en el proceso de clasi-ficacion de acuerdo a su analisis respectivo.
4.1. Basado en pıxeles
a. b.
c. d.
Figura 5.16: Resultados de clasificacion orientada a pıxeles zona cerros. a. LDA. b. SVM. c.
DT d. Referencia visual. Elaboracion propia.
Para cada algoritmo se realizo como mınimo tres clasificaciones con variacion de los polıgo-nos de entrenamiento para encontrar su clasificacion mas precisa. Sin embargo, y a pesar delas pruebas repetitivas, analizando la evaluacion de exactitud tematica, los resultados de lasclasificaciones no son muy alentadores pues por mucho se llega a que el 71.25 % de los pıxelesesten bien clasificados. Esto tambien se puede evidenciar haciendo una breve inspeccion a las
Tabla 5.2: Zona Embalse de Chisaca. Elaboracion propia.Algoritmo
LDA SVM DTPCC 81.35 83.3 82.75
Kappa 0.84 0.87 0.87
Para esta escena los resultados de la clasificacion para cada uno de los algoritmos sonun poco mejores en comparacion con la escena de cerros. Sin embargo, hay zonas en lasque los algoritmos identifican presencia del retamo espinoso, pero al hacer la comprobacioncomparando con el mapeado hecho por [Mora et al., 2007]. Vemos que hay localidades en lasque no existe similitud.
El esfuerzo que hacen los ındices de vegetacion en un ambiente basado en pıxeles no es
suficiente para separar las clases debido a que toma como unidad de clasificaci on el pıxel,analiza unicamente la informacion contenida en cada uno ignorando criterios como el ta-mano, la forma, medias de color, maximos y mınimos, proximidad a otros pıxeles, textura,etc. En cambio, la clasificacion orientada a pıxeles sı lo hace, lo que puede llevar a una me-
jora bastante importante en los resultados de clasificacion. Para esta escena los resultadosde la clasificacion para cada uno de los algoritmos son un poco mejores en comparacion conla escena de cerros. Sin embargo, hay zonas en las que los algoritmos identifican presenciadel retamo espinoso, pero al hacer la comprobacion comparando con el mapeado hecho por[Mora et al., 2007]. Vemos que hay localidades en las que no existe similitud.
El esfuerzo que hacen los ındices de vegetacion en un ambiente basado en pıxeles no essuficiente para separar las clases debido a que toma como unidad de clasificaci on el pıxel,analiza unicamente la informacion contenida en cada uno ignorando criterios como el tamano,la forma, medias de color, maximos y mınimos, proximidad a otros pıxeles, textura, etc. Encambio, la clasificacion orientada a pıxeles sı lo hace, lo que puede llevar a una mejora bastanteimportante en los resultados de clasificacion.
4.2. Basado en Objetos
Con la finalidad de realizar un analisis comparativo posterior entre las clasificaciones ba-sadas en pıxeles y la basada en ob jetos se realizo el procedimiento en una pequena zona con
existencia de la especie invasora, tal como se describio en la seccion anterior los resultadostanto visuales como cuantitativos no fueron los mejores, las Figuras 5.18 y 5.19 ilustran losresultados llevados en cada una de las pruebas en la sub zona perteneciente a los cerrosorientales, para elegir la mejor segmentacion, teniendo en cuenta que este proceso es el masimportante previo a la clasificacion basada en objetos, puestoque si los objetos creados noseparan adecuadamente las coberturas, existira una confusion espectral y el proceso de en-trenamiento no sera efectivo, la Figura 5.18 ilustra el proceso iterativo para elegir la mejor
escala, una vez elegida la mejor escala se procede a realizar un proceso igual que el anteriorpero esta vez alternando la forma y compacidad y verificando visualmente la creaci on de los
objetos con la finalidad de elegir la mejor segmentacion. La Figura 5.19 ilustra el procesoanterior, la solucion elegida para esta zona fue, escala 30, forma 0.1 y compacidad 0.9.
a. b.
c. d.
Figura 5.18: Segmentacion seccion cerros orientales, Forma 0.1, compacidad 0.5, Escala a.10, b. 20, c. 30, d. 40. Elaboracion propia.
Figura 5.19: Segmentacion seccion cerros Escala 30, Escala a) Forma 0.1, Compacidad 0.5,b)Forma 0.9 Compacidad 0.1, c) forma 0.5, Compacidad 0.3, d) Referencia visual. Elaboracionpropia.
Una vez elegida la mejor segmentacion se procede a realizar la clasificacion sobre estarealizando el entrenamiento de los objetos, este proceso es similar al llevado a cabo en elanalisis basado en pıxeles, pero la diferencia es que no se crean polıgonos independientesa los pıxeles, si no que se eligen objetos creados y se les asigna una etiqueta o nombre decobertura, como se ilustra en la Figura 4.2.
Figura 5.20: Entrenamiento de los objetos creados en la segmentacion. Elaboracion propia.
Una vez entrenada la imagen se procede a realizar la clasificaci on, el resultado de laclasificacion se observa en la Figura 5.21 en la cual no solo se encuentra la clasificacion basadaen objetos, sino tambien la mejor clasificacion basada en pıxeles, esta comparacion nos llevoa identificar que la mejor clasificacion fue la del analisis basado en objetos, que ademas deno presentar el problema habitual de “salt and pepper” que tienen las clasificaciones basadaspıxeles, la clasificacion fue mucho mas “limpia” en terminos de que confusion espectral conlas demas coberturas.
Figura 5.21: Clasificacion seccion cerros orientales, a. Basada en pıxeles (SVM), b. Basadaen objetos, c. Referencia visual. Elaboracion propia.
Una vez elegido el mejor analisis se procede a extenderlo a toda la zona de estudio yrealizar el entrenamiento de los objetos y posterior clasificacion, como se observa en la Figura5.22. A esta clasificacion se le agrego una nueva cobertura, denominada sombras, debido a lapresencia de esta en los territorios artificializados.
Figura 5.22: Procedimiento de clasificacion zona cerros orientales a) Segmentacion. Escala 30,Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c) Clasificaci on final basadaen objetos. Elaboracion propia.
Es importante aclarar que al igual que la clasificacion basada en pıxeles el entrenamientoen la clasificacion basada en objetos es un proceso iterativo, el resultado mostrado en laFigura 5.22, fue el resultado de varios procesos de entrenamiento de la zona, las coberturas
con mayor presencia requieren mayor entrenamiento, para evitar una confusi on espectral conlas demas coberturas, con respuesta similar, como es el caso entre la plantacion forestal y
la especie invasora, el mapa generado se puede observar con mayor detalle en el Anexo 2.Una ves aclarada la mejor metodologıa de clasificacion, se procede a replicarla en la zonadel embalse de Chisaca, esta vez teniendo en cuenta que el comportamiento del embalse deChisaca es diferente paisa jısticamente, se procede a alternar la escala, pero manteniendo laforma y compacidad igual que en la zona de cerros, con el fin de generar unos objetos detamano superior, puesto que si se generan polıgonos muy inferiores se tendera a confundirla respuesta espectral entre las plantaciones forestales y la especie invasora los reuktados sepueden ver en las Figuras 5.23 y 5.24.
a. b.
c. d.
Figura 5.23: Segmentacion zona del embalse de Chisaca. Forma 0.1, compacidad 0.9 y escala.a) 40. b) 80. c) 150. d) 200. Elaboracion propia.
Figura 5.24: Procedimiento de clasificacion zona embalse de Chisaca a) Segmentacion. Escala40, Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c) Clasificacion final basadaen objetos. Elaboracion propia.
A modo de comparacion entre la subzona elegida para clasificar en el analisis basado enpıxeles, se ilustra en la Figura 5.25, donde una vez mas se pude observar en detalle la mejordiscriminacion de la especie vegetal invasora.
Tabla 5.3: Zona Embalse de Chisaca. Elaboracion propia.Basado en objetos
Cerros Embalse ChisacaPCC 91.6 92.3
Kappa 0.89 0.91
5. ANALISIS MULTITEMPORAL
Los cambios en el paisaje se han estudiado principalmente en los casos en que conduce agraves problemas ambientales. En la actualidad, el estudio de las causas, procesos y conse-cuencias del uso de la tierra y el cambio de la cubierta vegetal es uno de los principales temas
de investigacion de ecologıa del paisaje, informacion relevante para la ecologıa. El modela-miento de los determinantes del cambio de uso del suelo permite identificar aquellas zonasmas susceptibles a la perturbacion. Esto nos entrega, por lo tanto, informacion que es posibleutilizar para la prediccion de los cambios de los paisajes en el futuro [Burgi, Hersperger,& Schneeberger, 2004]. Estas proyecciones facilitan la evaluacion de diferentes escenarios decambio de uso de suelo, posibilitando la aplicacion de hipotesis a diferentes alternativas demanejo del paisaje [Mladenoff & Baker, 1999]. Es ası como aquı se pretende aplicar estosmodelamientos de cambios de cobertura del suelo para realizar un analisis multitemporal delos cambios en la distribucion espacial del retamo espinoso a partir de una proyeccion delas clasificaciones hechas orientadas a objetos con las imagenes satelitales en la zona corres-pondiente a los Cerros orientales de los anos 2007 y 2013. Ası, la simulacion de la imagen
proyectada podrıa utilizarse como una herramienta para visualizar y evaluar la propagacionde la especie invasora.
Una vez clasificadas las imagenes, encontrando la distribucion espacial tanto de la especieinvasora como de las demas coberturas, se procede a realizar el analisis multitemporal. Acontinuacion se presentan los diferentes analisis de cambio entre escenas, tanto de ganancia,persistencia y perdida de cobertura. En la Tabla 5.4 se encuentran los valores de la proyeccionde cambios de perdida y ganancia expresados en unidad porcentual del area total de la zona.
Vemos que la cobertura de mosaico de pastos, cultivos y espacios naturales presentanuna disminucion del 12.18 % entre el ano 2007 y el 2013, las tierras desnudas y el retamo
espinoso una ganancia del 0.03 % y del 1.37 % respectivamente. Los territorios artificializadosque corresponde practicamente a la zona urbana, no presentan cambios ni de perdida ni deganancia de cobertura, lo que nos hace suponer que la ciudad no se esta expandiendo porlo menos hacia la zona de los cerros orientales. Estos cambios pueden observarse con mayorfacilidad en las Figuras 5.26, 5.27, 5.28.
Figura 5.26: Perdida y ganancia de area entre el 2007 y el 2013 en una secci on del loscerros orientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013. c. PlantacionesForestales d. Mosaico de pastos, cultivos y espacios naturales. Elaboracion propia.
Analizando las Figura 5.26, podrıamos decir que la perdida de area de la cobertura deMosaico de pastos, cultivos y espacios naturales es reemplazada por la ganancia en Planta-ciones Forestales.
Figura 5.27: Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los cerrosorientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013. c.Tierras desnudas y/odegradadas d. Territorios artificializados. Elaboracion propia.
En este analisis de cambios cabe hacer una aclaracion, la ganancia de territorio artificiali-zado no corresponde en realidad a crecimiento de construcciones civiles, lo que sucede es queen la escena del 2007 los arboles debido a su densidad y angulo al momento de la capturade la imagen alcanzan a cubrir una parte de la vıa, lo que hace imposible su clasificacion,mientras que en el 2013 los arboles ya no alcanzan a cubrir esta parte de la vıa. Por lo anteriorentonces, la persistencia de territorios artificializados es la misma en ambas escenas, lo quenos lleva a concluir que por lo menos hacia la parte oriental de la ciudad, no se presenta
Figura 5.28: Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los cerrosorientales, a. Referecia visual ano 2007. b. Referencia visual ano 2013. c. Retamo espinoso.Elaboracion propia.
En la Figura 5.28 que el Retamo Espinoso tuvo una ganancia, que para simplificar unpoco el analisis, es del 100 %, pues en la escena correspondiente al ano 2007, no hay evidenciade existencia de la especie invasora, lo que la hace una zona limpia de invasiones, mientrasque para el 2013, ya hay una invasion considerable.
A partir del analisis de cambio de coberturas entre el 2007 y el 2013, se hace una matrizde probabilidades de cambio entre coberturas que se puede observar en la Tabla 5 usando
Tabla 5.5: Area en pıxeles de cada una de las coberturas presentes en el recorte clasificadode cerros orientales para el ano 2007y 2013. Elaboracion propia.
No. ClaseArea en pıxeles2007 2013
1 Plantacion Forestal 45580 528222 Mosaico de pastos, cultivos y espacios naturales 15495 69863 Tierras desnudas y/ degradadas 4163 41844 Territorios artificalizados 4632 49175 Retamo espinoso 0 958
Tabla 5.6: Probabilidad de cambio entre coberturas. Elaboracion propia.Clase 1 2 3 4 5
Ası, por ejemplo, la probabilidad de que el Retamo Espinoso gane area de Plantacion Fo-restal es del 3.75 %, y la probabilidad de que el area de invasion continue siendo ocupada porRetamo Espinoso es el 85 %. Finalmente, a partir de los porcentajes establecidos de perdiday ganancia entre las escenas de 2007 y 2013, y de la matriz de probabilidad de cambios, seobtiene la proyeccion a partir de la obtencion de las matrices de trancison usando Cadenas deMarkov, ademas de ello un algoritmo de automatismo celular que mide la contiguidad locale incrementa la probabilidad de pertenecer a una categorıa por vecindad para generar asılos diferentes valores de probabilidad de cambio a patir de automatas celulares. [Paegelow,Olmedo, & Toribio, 2003]
A partir de la matriz de las probabilidades de transicion generada y el area de cada unade las coberturas presentes se le asigna un valor de cambio, el cual es usada en los Aut omatas
Figura 5.29: Clasificacion de coberturas de una seccion de los cerros orientales. a. Ano 2007,b. Ano 2013, c. Proyeccion de las coberturas para el ano 2020. Elaboracion propia.
Vemos en la Figura 5.29 la proyeccion de cambio de coberturas para el ano 2020. El re-tamo espinoso gana importante area de invasion. Como en parrafos anteriores fue explicado,debido a la incapacidad de clasificar ciertas regiones de construcciones civiles, la proyeccionde los territorios artificializados presenta inconsistencias, lo que supone uno de los principales
errores de los analisis de cambios.
Para poder realizar la simulacion de las escenas completas clasificadas en la seccion an-terior, se usa la matriz de probabilidades de la Tabla 5, y se genera una nueva matriz deprobabilidad de areas, con el area respectiva de la escena de Cerros. Como se muestra acontinuacion.
Tabla 5.9: Area en pıxeles de cada una de las coberturas presentes en la escena clasificadacompleta de los cerros orientales del ano 2013. Elaboracion propia.
No. Clase Area en pıxeles
1 Plantacion Forestal 165701522 Mosaico de pastos, cultivos y espacios naturales 16474303 Tierras desnudas y/ degradadas 14783504 Territorios artificalizados 55212605 Retamo espinoso 1333386 Sombras 134460
Puesto que las sombras no son una cobertura como tal no se les asigna ningun valor de
probabilidad de cambio
Tabla 5.10: Probabilidad areas de cambio entre coberturas, escena completa de los cerrosorientales del ano 2013. Elaboracion propia.
Tabla 5.11: Area en pıxeles de cada una de las coberturas presentes en la escena clasificadacompleta de los cerros orientales del ano 2020. Elaboracion propia.
No. Clase Area en pıxeles
1 Plantacion Forestal 143520992 Mosaico de pastos, cultivos y espacios naturales 21154053 Tierras desnudas y/ degradadas 19767804 Territorios artificalizados 52919915 Retamo espinoso 8739036 Sombras 874811
Al caracterizar la variacion temporal de la respuesta espectral es posible mejorar sus-tancialmente la calidad y oportunidad de los datos tomados en campo o procedentes deimagenes, logrando resultados mas exactos. Estas medidas espectrales se realizan con un es-pectroradiometro que es capaz de registrar la senal reflejada por las distintas cubiertas. Aligual que ocurre con los sensores captadores de imagenes, los espectroradiometros presentandiferentes resoluciones espectrales que les permitiran registrar datos de regiones del espectromas o menos anchas. [Castillejo, 2011].
Una caracterıstica determinante de la firma espectral es que esta varıa en funcion delestado fenologico de la planta. El principio basico del uso de firmas adquiridas en campopara teledeteccion, es que si se pueden medir o reconocer diferencias en la reflectividad endeterminadas longitudes de onda debidas a los distintos estados fenologicos de las plantas, semejora la precision para la deteccion remota de Retamo Espinoso siempre que los sensorestengan esas longitudes de onda. Como lo demuestran algunos autores [Brown & Noble, 2005;Kavdır, 2004; Lass & Callihan, 1997; Pena-Barragan, Lopez-Granados, Jurado-Exposito, &Garcıa-Torres, 2006], varias especies invasoras se han identificado en cultivos aprovechandola diferencia en sus estados fenologicos, puesto que al caracterizar la variacion temporal dedicha respuesta es posible mejorar sustancialmente la calidad y oportunidad de los datostomados en campo o procedentes de imagenes, logrando clasificaciones mas exactas. [Casti-
llejo, 2011] afirma que las diferencias existentes en el ciclo de la vida de la los cultivos y lasespecies invasoras en estados fenologicos avanzados, antes de que los cultivos y las especiesinvasoras esten senescentes y ambos se pongan amarillos, puede permitir la deteccion de di-ferencias espectrales. Por lo tanto, la deteccion de infestaciones de Retamo Espinoso puedeser particularmente util cuando las diferencias espectrales entre la vegetacion nativa vecinay el Retamo Espinoso son maximas.
El conocimiento apropiado del comportamiento de las firmas espectrales, durante los dife-rentes estados fenologicos que tienen las especies vegetales, permite optimizar el ajuste de los
parametros usados en los metodos de clasificacion de imagenes, esto hubiera resultado muyutil al momento de clasificar las imagenes, pero particularmente en este trabajo la captura delas firmas en diferentes estados fenologicos no se tuvo en cuenta por la falta de informaciondel estado fenologico de manejo de la especie a lo largo del tiempo y la diferencia temporaltan amplia de toma de las imagenes y medicion de las firmas. Para realizar una comparacionsomera del resultado obtenido en la medicion espectral a nivel dosel, se tomaron 4 mues-tras de un pıxel representativo de una zona con existencia de retamo espinoso de la imagenGeoeye de Cerros corregida atmosfericamente, al realizar una comparacion el resultado es elrepresentado en la Figura 6.2.
Figura 6.1: Puntos de muestras de la imagen GeoEye. Elaboracion propia.
Figura 6.2: Muestras y Promedio del grupo3 de la captura. Elaboracion propia.
Se realizo la comparacion con el grupo 3 ya que era el que mas se acercaba a la respuestaespectral de la medicion, como se menciono anteriormente este grupo 3 era de zonas de do-seles que tenıan un estado de vigor mayor que el de los grupos 2 y 3 , como lo dice [Reigosaet al., 2004] los doseles de mayor cobertura (maduros), la cantidad de area verde del doselsera mayor, generando una maxima absorcion de energıa en la region de Radiacion Fotosin-teticamente Activa (PAR, Photosynthetically Active Radiation, 400-700 nm), gracias a susorganos fotosinteticos, pero en el caso de la region del infrarojo cercano (700-800 nm), ocurrelo contrario, los cultivos mas maduros reflejan una mayor cantidad de la energıa incidente, que
aquellos de menor edad; esto es debido a que las hojas sufren cambios anat omicos y fisiologi-cos internos a medida que avanza la edad, requiriendo menores cantidades de energıa solar, loque a su vez les permite compensar cualquier disminucion de absorcion electromagnetica de-bida a la falta de agua [Curran et al., 1990]. aunque la variabilidad entre las anteriores firmasno son tan amplias, el resultado hubiera podido mejorar si se obtuvieran muestras en campocon unas caracterısticas similares a la de una muestra de un pıxel, es decir, que al momentode la captura se debe tener una altura de alrededor de 55 cm segun la ecuacion 4.1 si se fueraa extrapolar a una imagen con una resolucion de 50cm, pero esto tampoco serıa una garantıade que las firmas coincidieran ya que la captura de firmas se realiz o a medio dıa y la capturade la imagen se realizo a las 15hr, teniendo en cuenta que el comportamiento de la irradianciasolar es distinta a la de la captura, ademas las condiciones meteorologicas entre fechas de
captura son distintas, entre otras variables que podrıan influenciar un cambio de respuestaespectral, por tal motivo, no es optimo realizar una comparacion entre firmas, teniendo encuenta lo anterior. Lo ideal serıa que el momento de la captura no exista una diferencia tanperceptible tanto de hora solar, como de fecha en la captura, para que la fluctuaci on de lasfirmas sea mınima, en futuros trabajos podrıan tener en cuenta estas variables para disenarmetodos de control localizado y generar nuevas metodologıas o precisar existentes.
Junto a las cuatro bandas analizadas, equivalentes a las bandas multiespectrales presentesen el satelite WorldView-2 y GeoEye, en el analisis se introdujeron 13 ındices de vegetacion.Estos mostraron su capacidad de realzar las diferencias espectrales entre las distintas especiesvegetales, centrando su esfuerzo en aquellas regiones del espectro donde existio mas contrastedebido a la actividad de la vegetacion. Esto gracias a la banda del Rojo y del IRC de cadauna de las imagenes. Sin embargo, sin tener en cuenta las firmas espectrales de entrada, engeneral el intervalo de longitudes de onda que oscila entre los 690-760nm ha sido mostradopor algunos autores como el decisivo para la discriminacion de vegetacion [Cochrane, 2000;Smith & Blackshaw, 2003]. Este intervalo entra dentro de la region del espectro conocidacomo borde del rojo (red edge), situada en el lımite entre la region del rojo donde se pro-duce absorcion debido a los pigmentos de clorofila y la region del infrarrojo cercano dondese observa un aumento destacado de reflexion debido a la estructura de la hoja. El puntoexacto donde se encuentra en la region del rojo depende de la concentracion de clorofila decada planta [Muden, Curran, & Catt, 1994]. Todas las imagenes WorldView-2 poseen estaregion del espectro, sin embargo, la imagen utilizada para este trabajo solo poseıa 4 bandas(Azul, Verde, Rojo e Infrarrojo Cercano) debido a su condicion de ser un “demo”. De habercontado con esta banda red edge, y basados en los estudios mencionados, los resultados dediscriminacion hubieran mejorado, pues se resaltarıa de manera mas notoria las diferenciasde respuesta entre las coberturas vegetales. Sugerimos entonces, para estudios y aplicacionesposteriores, la inclusion y analisis de esta banda, que ayudara a mejorar la identificacion delRetamo Espinoso.
Para ambas escenas, los ındices de vegetacion TVI, TTVI y WDVI fueron los que mascontraste proporcionaron para separar el Retamo Espinoso de las demas especies vegetales,sin embargo estos ındices de vegetacion no pueden generalizarse para todas las zonas conpresencia de esta planta invasora, pues puede existir una o varias especies (como fue el casodel eucalipto) que se comporten de forma casi identica a la respuesta espectral del RetamoEspinoso. Obviamente se pueden utilizar todos los ındices con los que hemos trabajado, perose debe prestar atencion a aquellos que ofrecen los mejores resultados de separacion, tal vezpuede que sean los mismos que se encontraron en este trabajo, tal vez no.
3. CLASIFICACION DIGITAL DE IMAGENESEn este trabajo se han sometido a prueba diferentes metodos y analisis de imagenes,
con la finalidad de determinar cual es el mas optimo y brinda los mejores resultados en ladiscriminacion de la especie vegetal invasora: retamo espinoso, pero antes de determinar elmejor metodo de clasificacion, se realizaron una serie de pruebas y capturas de datos con lafinalidad de optimizar lo mejor posible este metodo, aunque estos procesos, resultan un poco
tediosos y extensos debido a la carga computacional y cantidad de iteraciones necesarias pa-ra obtener un resultado que satisficiera el objetivo, estos procesos resultan muy importantes
debido a que permiten optimizar el resultado final, y son un soporte bastante robusto parael procesamiento y la investigacion que se llevo a cabo.
Aunque los procesos de clasificacion basados en pıxeles no tuvieron los mejores resultadoses importante acotar, que los dos metodos no convencionales usados e implementados en elsoftware R (SVM y DT), tuvieron un mejor resultado cuantitativo, aunque la diferencia no esmuy amplia, es un buen indicativo que este tipo de algoritmos generan mejores resultados encomparacion con uno de los metodos convencionales mas usados, como lo es LDA o tambienllamado Maxima probabilidad, implementado en la gran mayorıa de software comerciales yno comerciales de procesamiento digital de imagenes, es por esto que es importante incentivarel uso de metodos no convencionales que quiza para otro tipo de trabajos, puedan definir un
mejor resultado.
Es claro que el analisis basado en objetos produce mejores resultados, pero como lo cita[Lizarazo, 2012], esto no puede llegar a considerarse una panacea , ya que si existen clasesque se superpongan en el dominio espectral , los resultados de exactitud decaeran. Y estotiene bastante sentido, ya que aun cuando los valores de exactitud tematicas son promete-dores, al realizar una inspeccion visual, existen zonas con problemas de confusion espectraly por tal motivo mal etiquetado del objeto, por esto serıa importante ahondar un poco masesta metodologıa con procesos un poco mas especıficos para trabajos posteriores como lostratados en [Lizarazo & Elsner, 2008; Lizarazo & Barros, 2010] , como lo son la creaci on de
objetos mediante regiones discretas o difusas puesto que la segmentacion discreta no tiene encuenta la ambiguedad espectral mencionada anteriormente, ya que toda vez que los objetosde imagen son regiones discretas en las cuales el etiquetado de un pıxel solo puede tomar unode dos valores posibles, 1 si el pıxel es miembro de la region y 0 si el pıxel no es miembro deella. [Lizarazo, 2012].
Finalmente la metodologia propuesta para la discriminacion de la especie vegetal invasora,retamo espinoso, es la siguiente ( Figura 6.3)
Figura 6.3: Metodologıa popuesta para la identificacion del Ulex europaeus (retamo espinoso).
Elaboracion propia.
4. ANALISIS MULTITEMPORAL
Un aspecto que es necesario considerar en la simulacion de escenarios futuros es que sehace en un intervalo de tiempo a mediano o largo plazo. Es decir, se parte de la situaci on de
cobertura actual del suelo y, utilizando una serie de factores ponderados segun el plantea-miento conceptual del modelo desarrollado, se simula un escenario a un tiempo futuro. Por lo
cual, el resultado de estas simulaciones de futuro deben ser tratado con mucha cautela, ya queno es posible determinar el grado de confiabilidad de algo que todavıa no se ha producido.
1. El objetivo principal de este trabajo era definir una metodologıa de procesamientodigital de imagenes satelitales que permitiera identificar las zonas con presencia de lasespecies vegetales invasoras retamo liso y retamo espinoso. Este objetivo se cumpli o de
manera parcial, pues solamente fue posible establecer la metodologıa para una de lasespecies: El retamo espinoso. Para el retamo liso no fue posible ni siquiera lograr suidentificacion mediante la interpretacion visual de las imagenes debido a que esta especiese desarrolla principalmente debajo de los arboles (sotobosque). La identificacion delas zonas con presencia de infestacion de Retamo Espinoso se hizo a partir de dosambientes de clasificacion diferentes de procesamiento digital de imagenes satelitalesmultiespectrales de alta resolucion: Basado en pixeles y orientado a objetos, cada unocon varios algoritmos. Despues de someterlos a prueba, se determino que los mejoresresultados fueron obtenidos con el ambiente orientado a objetos, pues mientras que enel ambiente basado en pixeles solo se asigna a cada pixel una categorıa en funcion de surespuesta espectral, en el analisis orientado a objetos se tienen en cuenta otras variables
como contexto, patron y geometrıa adicional a la variable espectral. La metodologıapropuesta puede observarse en la Figura 6.3.
2. De acuerdo a los resultados obtenidos en la generaci on de ındices de vegetacion, pa-ra la identificacion de una especie vegetal puntual como lo es el retamo espinoso, noes suficiente contar con la informacion de la banda del IRC, por lo cual se empleanlos ındices de vegetacion debido a sus caracterısticas de aprovechamiento del contrastede reflectancia de la vegetacion. Sin embargo, a pesar de mejorar la separabilidad delas especies vegetales, debe evitarse el metodo basado en pıxeles para su clasificaciondigital, pues la mera informacion a nivel pıxel es insuficiente para llegar a una buenadiscriminacion de coberturas que presentan alta confusion; ası que se debe recurrir a
criterios adicionales como el tamano, la forma, compacidad, maximos y mınimos, pro-ximidad a otros pıxeles, textura, etc, que son proporcionados por el ambiente orientadoa objetos.
3. Una de las limitaciones al momento de clasificar una imagen satelital es que estas notengan una fecha de captura reciente, pues al tener una imagen con varios anos dediferencia es muy difıcil saber cual era el comportamiento de las coberturas vegetales
en la escena al momento de captura. Ademas, para la identificacion y discriminacion deuna especie en particular como lo es el retamo espinoso, si no se cuenta con informaci on
espacial de presencia de la especie en la fecha de captura de la imagen, o no se lograestablecer una adecuada interpretacion visual del comportamiento de la planta, es muydifıcil poder garantizar la existencia de la especie en esa epoca.
4. Aunque el Jardın Botanico Jose Celestino Mutis cuenta con informacion de algunas zo-nas en las que se ha realizado algun tipo de restauracion ecologica y de erradicacion deretamo espinoso en Bogota, esta informacion no se encuentra debidamente actualizaday georeferenciada, lo que hace que en los resultados de la proyeccion de la distribucionespacial del retamo espinoso, la disminucion del area de infestacion no pueda ser ex-plicada como producto de programas de control, erradicacion, restauracion ecologica ocomo un proceso natural del ecosistema.
5. En el analisis multitemporal, para la seccion de imagen del 2007 que se clasifico no existeevidencia de invasion del retamo espinoso, en cambio para el 2013 ya hay existencia debrotes con areas bastantes amplias de infestacion de la especie. La explicacion de estosfactores de invasion no esta al alcance de este trabajo, pues se debe recurrir a conceptose informacion directa de la botanica de la especie.
1. Una de las caracterısticas de las imagenes WorldView-2 es que ademas de contar conlas cuatro bandas tradicionales (Azul, Verde, Rojo, e IRC), incorpora cuatro nuevasbandas: Coastal, Amarillo, RedEdge, NIR-2. Estas bandas adicionales al tener diferen-
tes rangos de longitud de onda, constituyen a la imagen como una herramienta mascompleta y compleja para el estudio del comportamiento de las coberturas presentes enla superficie terrestre. La informacion proporcionada por estas bandas permitirıa ge-nerar nuevos ındices de vegetacion que podrıan resaltar con mucha mas proporcion lasdiferencias espectrales entre especies vegetales particulares, como es el caso del retamoespinoso. Sin embargo, para este trabajo, la imagen fue proporcionada como imagenDEMO, es decir que incluye solamente las cuatro bandas tradicionales y no incorporalas cuatro bandas adicionales. Si para trabajos posteriores que involucren la identifica-cion y discriminacion del retamo espinoso es posible contar con las ocho bandas de unaimagen WorldView-2, es mas que probable que los resultados de clasificacion mejorenbastante. Esto podrıa ser objeto de estudio en trabajos posteriores, pues con estas 8
bandas, tal vez se llegue a buenos resultados de clasificacion e identificacion de la dis-tribucion espacial de la especie poniendo a prueba solamente los algoritmos del metodoorientado a objetos.
2. Si en trabajos posteriores se desea desarrollar modelos a partir de variables biologi-cas y ambientales que permitan explicar los factores de invasion del retamo espinoso,sugerimos emplear el software libre “Maxent” pues usa la m axima entropıa de unacierta cantidad de variables esenciales para modelar una especie en particular, pero sonnecesarias una gran cantidad de variables caracterısticas de la especie de estudio queestuvieron fuera del alcance de los objetivos de este proyecto.
3. Aunque los resultados con los metodos no convencionales de clasificacion que se usaroncon el analisis basado en pıxeles ( SVM y DT), tuvieron mejores resultados, la licenciade prueba que se uso de eCognition, no permitio usar estos metodos los cuales hubieranpodido generar mejores resultados en la clasificacion orientada a objetos, para poste-riores trabajos se podrıan tener en cuenta el uso de una licencia de este software, pararealizar las clasificaciones con estos metodos y determinar si de igual forma se obtienenmejores resultados como lo fue en el analisis basado en pıxeles.
