Content uploaded by Hugo Raul Zerda
Author content
All content in this area was uploaded by Hugo Raul Zerda on Oct 23, 2015
Content may be subject to copyright.
1
CLASIFICACIÓN DIGITAL DE COBERTURAS VEGETALES
A PARTIR DE DATOS SATELITALES MULTIESPECTRALES
Speranza F. C.1y H. R. Zerda2
RESUMEN: La elaboración de inventarios de las coberturas del suelo, brinda información básica para
la planificación, ordenación y gestión del uso del mismo. Una herramienta fundamental para la
elaboración de esta cartografía son las imágenes satelitales brindando, a igual escala, una mayor
cantidad de observaciones que un levantamiento terrestre. En este estudio se utilizaron las imágenes
multiespectrales ETM+ del satélite Landsat 7 y combinaciones de bandas basadas en el
comportamiento espectral de la vegetación, denominados índices de vegetación. Mediante
clasificación digital supervisada, apoyada en información auxiliar mediante Fotografías Aéreas de
Pequeño Formato (FAPEF), se generó la cartografía de especies forestales. La precisión de la misma
fue de 80%, entre coníferas y latifoliadas, sin embargo se observó una reducida discriminación entre
especies latifoliadas, condicionada por la incidencia de la resolución espacial del sensor, siendo de 30
m x 30 m en el modo multiespectral. Estas imágenes están formadas por una matriz de celdas de la
dimensión citada, por lo cual en plantaciones de áreas reducidas el efecto de borde es sumamente
influyente, ya que estas celdas o píxeles contienen información del lote de plantación y de las otras
coberturas limítrofes.
Palabras Clave: coberturas del suelo – imágenes satelitales multiespectrales – clasificación digital
supervisada.
ABSTRACT: The inventories of ground covers offer basic information for soil management and
planning. Satellite images are a strategic tool for the elaboration of this cartography, offering a greater
amount of observations than a terrestrial survey, at the same scale. This study uses ETM+
multispectral images of the Landsat 7 satellite and combinations of bands based on the reflectance of
vegetation, denominated vegetation indices. Cartography of forest species was generated through
supervised digital classification and auxiliary information, such as Aerial Photographs of Small Format
(FAPEF). The precision of the obtained cartography was about 80%, considering coniferous and
latifoliadas. A reduced discrimination among latifoliadas was observed, due to the spatial resolution of
the sensor. These images are formed by a matrix of cells of 30 m x 30 m in the multispectral mode,
thus in plantations of small areas the edge effect is extremely important, because these cells or pixels
contain information of the plantation field and of the bordering covers.
Key words: covers of the ground - multispectral satellite images - supervised digital classification.
INTRODUCCION
La elaboración de inventarios de las coberturas del suelo, brinda información básica para la
planificación, ordenación y gestión del uso del mismo. Por cobertura del suelo entendemos como la
cubierta (bio)física sobre la superficie de la tierra (Di Gregorio y Jansen, 2000).
Una herramienta fundamental para la elaboración de cartografía es la teledetección espacial, técnica
que permite adquirir imágenes multiespectrales desde sensores remotos. Estas imágenes brindan
una mayor cantidad de observaciones de las coberturas, que cualquier levantamiento terrestre,
trabajando a una misma escala. A través de los años, la disponibilidad al público y los costos de las
imágenes fueron más accesibles, sumado a los avances en la resolución tanto espacial como
espectral. Por este motivo su interpretación y análisis se encuentran en creciente desarrollo.
Los trabajos realizados en nuestro país se vienen incrementando, apoyados principalmente en una
metodología de interpretación visual, tal es el caso del Inventario Nacional de Bosques Implantados
(SAGPyA Forestal, 2001), la cual está fuertemente condicionada por el conocimiento local del
intérprete. En la cartografía correspondiente a la publicación final del Inventario, se puede observar
que las forestaciones con edades de 5 años pertenecientes a la empresa Danzer Forestaciones S.A.,
no se encuentran inventariadas. Esta omisión pudo haber estado presente en otros sectores de la
superficie total inventariada, constituyendo una limitante concreta en la metodología usada.
(1) Proyecto Picto 12931, INTA Manfredi, Ruta 9 Km 636, (5988) Manfredi, Córdoba. E-mail:
cesarflavio@yahoo.com.ar.
(2) Facultad de ciencias Forestales, UNSE, Av. Belgrano 1200, (4200) Capital, Santiago del Estero.
E-mail: hzerda@unse.edu.ar.
2
Con el avance de los equipos y programas informáticos, el análisis apoyado en el tratamiento visual
está dejando paso al complejo análisis multidimensional basado en el tratamiento digital.
El presente trabajo investiga la posibilidad de discriminar y cartografiar diversas especies de interés
forestal a partir de la clasificación digital supervisada de datos multiespectrales Landsat 7 ETM+,
apoyada en información auxiliar mediante Fotografías Aéreas de Pequeño Formato (FAPEF).
Sumado al set de bandas originales se incorporaron combinaciones de bandas que tienen en cuenta
el comportamiento espectral de la vegetación, denominados índices de vegetación.
MATERIALES Y MÉTODOS
Área de estudio
La zona de estudio corresponde al lote llamado El Porvenir perteneciente al predio de la empresa
Danzer Forestaciones S.A., localizado en las cercanías de la ciudad de Posadas, Provincia de
Misiones, ubicado en Latitud 27º27’ S y Longitud 55º59’ E.
El mismo se encuentra dentro de la Región Fitogeográfica de la Selva misionera.
Datos satelitales multiespectrales
Los datos satelitales multiespectrales corresponden al satélite Landsat 7, el cual posee un sensor
óptico-electrónico de barrido (scanner) multiespectral, denominado ETM+ (Enhanced Thematic
Mapper) Cartógrafo Temático Mejorado, especialmente diseñado para la cartografía temática. Este
posee 7 bandas ubicadas en diferentes longitudes de onda. A modo práctico, las bandas espectrales
del sensor se nombran como TM1 hasta TM7, respectivamente. La escena utilizada es la 224 – 79,
del sistema WRS II de Landsat, adquirida en la fecha 3 de Marzo de 2001.
Índices de vegetación
Se generaron combinaciones matemáticas entre bandas del satélite basados en el comportamiento
espectral de la vegetación. Los índices que se incorporaron a la base de datos utilizada en la
clasificación digital son los siguientes, con sus correspondientes autores:
Rouse et al. (1974):
34
34
43 TMTM
TMTM
NDVI +
−
= ; Rock et al. (1985):
45
45
54 TMTM
TMTM
NDVI +
−
= ; Ray (1994):
74
74
47 TMTM
TMTM
NDVI +
−
= y
35
35
53 TMTM
TMTM
NDVI +
−
= ; Lee y Nakane (1997):
57
57
75 TMTM
TMTM
NDVI +
−
= ;
Schneider (1998):
15
15
51 TMTM
TMTM
NDVI +
−
= y
25
25
52 TMTM
TMTM
NDVI +
−
=.
Información Auxiliar: Fotografías Aéreas de Pequeño Formato (FAPEF)
La cámara fotográfica empleada es una cámara reflex Minolta de 35 mm, portando una lente de 50
mm y película Fujicolor 100 ASA. La fecha de toma de las fotografías fue el día 22 de Octubre de
2001. Se utilizaron copias de contacto con un factor de ampliación 1:4, impreso en papel para
fotografía, de 10 cm por 15 cm, obteniendo una escala media aproximada de 1:10.000.
Las fotografías aéreas auxilian eficientemente la interpretación de imágenes satelitales, disminuyendo
considerablemente el costo y tiempo de cualquier trabajo a campo; la “verdad terrestre” es
reemplazada por la “verdad aérea” (Kenneweg, 1992).
Determinación de clases temáticas
Las categorías temáticas identificadas, sobre las cuales se realizarán los análisis multivariados para
su discriminación, se detallan a continuación: i) Paraíso (Melia azedarach L.); ii) Grevillea (Grevillea
robusta); iii) Kiri (Paulownia tomentosa); iv) Pino (Pinus Taeda), v) Selva en galería, incluyendo
especies de la selva climax (Tortorelli, 1956); y vi) Pastizal natural característico de la zona (Cabrera,
1976).
Clasificación digital
La clasificación implica categorizar una imagen multibanda en términos estadísticos, esto supone
reducir la escala de medida de una variable continua (niveles digitales), a una escala nominal o
categórica. La imagen multibanda se convierte en otra imagen en donde los ND que definen cada
píxel no tienen relación con la radiancia detectada, sino se trata de una etiqueta que identifica la
categoría asignada a ese píxel (Chuvieco, 1996).
Para realizar la clasificación es necesario introducirle al programa informático específico una muestra
de píxeles de la imagen que representen adecuadamente a cada categoría, teniendo en cuenta su
propia variabilidad, como ser su densidad, vigor, sanidad, calidad de sitio, tipo de suelo, etc. Este
3
objetivo se logró a través del uso de la información auxiliar aportada por las FAPEF. Dependiendo de
la variabilidad, se seleccionaron entre 3 y 6 parcelas de muestreo, con un área total de 60 píxeles por
cada categoría, equivalente a una superficie de 5,4 hectáreas. Este tipo de clasificación, en donde se
indica a priori cuales serán las clases temáticas, se denomina supervisada (Erdas, 1990)
El algoritmo de la clasificación supervisada empleado es del tipo paramétrico, este asume que las
mediciones estadísticas obtenidas para cada clase en cada banda espectral tiene una naturaleza
Gaussiana. Dentro de este algoritmo se implementó la regla de decisión de Máxima Probabilidad o
Maximun Likelihood, este clasificador es el más seguro del sistema Erdas ajustándose con mayor
rigor a la disposición original de los datos.
Precisión de la clasificación
La evaluación de la precisión se efectuó comparando dos fuentes de información: i) el mapa derivado
de la clasificación digital, y ii) la información de referencia que comprende la interpretación de las
fotografías aéreas de pequeño formato, asumiendo esta información como “verdad terrestre”.
Para la realización de esta etapa se ubicaron, sobre el área acotada en donde se realizó la
clasificación, puntos de muestreo denominados píxeles de referencia (Jensen, 1996).
Para seleccionar el número de píxeles de referencia, se debe tener en cuenta el tamaño de la
superficie a muestrear y la cantidad de categorías, en este sentido Congalton (1991) aconseja un
umbral de 50 píxeles por cada clase temática, así se extrajeron 300 píxeles de referencia distribuidos
completamente al azar.
A partir de estos puntos de muestreo se efectuó la relación entre los dos sets de información, que
corresponde a la imagen clasificada y la información de referencia, generando una matriz de
confusión. Esta matriz se conforma de filas y columnas en donde se ubican los valores que expresan
el número de píxeles de referencia asignados a una categoría particular, en relación con la verdadera
categoría verificada con la información auxiliar.
La información resultante de la matriz de confusión se evaluó utilizando diferentes mediciones de la
precisión. Estos se detallan a continuación:
Precisión global: Se calcula dividiendo el total de píxeles correctamente clasificados (suma de la
diagonal mayor de la Tabla 1 por el número total de píxeles de referencia, a través de la siguiente
fórmula:
N
r
i
iiX
PG ∑
=
=1 donde:
r: es el número de filas de la matriz.
Xii: el número de observaciones en la fila i y columna i (diagonal mayor).
N: el número total de puntos de muestreo.
Precisión del productor: se calculó realizando la división entre el número total de píxeles clasificados
correctamente en una categoría y el número total de píxeles de esa categoría, según la fórmula:
100%×=
+i
ii
X
X
PP donde:
PP%: es la precisión del productor en porcentaje.
X+i: los totales marginales de la columna i.
Xii: es el valor de la diagonal de dicha columna.
Este estadístico indica la probabilidad de que un píxel de referencia sea correctamente clasificado. Es
una medida del error de omisión (Jensen, 1996) que se produce cuando un píxel posee en el terreno
una cobertura determinada y no es asignado en el mapa a esa clase.
Precisión del usuario: El cálculo se efectuó dividiendo el número total de píxeles correctos en una
categoría por el número total de píxeles que son efectivamente pertenecientes a esa categoría,
utilizando la siguiente fórmula: 100%×=
+i
ii
X
X
PU donde:
PU%: es la precisión del usuario en porcentaje.
Xi+: totales marginales de la fila i.
Xii: la diagonal de dicha fila.
Esta medida muestra la probabilidad de que un píxel clasificado en el mapa verdaderamente
represente esa categoría en el terreno (Story y Congalton, 1986). La desviación producida se
denomina error de comisión.
Análisis categórico multivariado
4
Resulta de gran interés el análisis de las relaciones múltiples entre las distintas coberturas.
El estadístico Kappa (κ), mide el grado de ajuste debido solo a la exactitud de la clasificación,
prescindiendo del causado por factores aleatorios.
La estimación de κ se obtiene a partir de la siguiente fórmula (Hudson y Ramn, 1987):
()
()
∑×−
∑×−
∑
=
=
++
=
++
=
r
i
ii
r
i
ii
r
i
ii
XXN
XXXN
1
2
11
κ
en donde:
r: es el número de filas en la matriz.
Xii: número de observaciones en la fila i y columna i.
Xi+: totales marginales de la fila i.
X+i: totales marginales de la columna i.
N: número total de píxeles de referencia.
Un valor κ igual a 1 indica un acuerdo pleno entre la realidad y el mapa, mientras un valor cercano a 0
sugiere que el acuerdo observado es puramente debido al azar.
RESULTADOS
Producto del proceso de clasificación supervisada con la regla de decisión de máxima probabilidad se
obtuvo el mapa que se observa en la Figura 1.
Figura 1: Mapa producto de la clasificación supervisada, indicando
las diferentes coberturas vegetales
Validación de la clasificación
Realizando la matriz de contingencia y el cálculo de los diferentes tipos de errores se elaboró la
siguiente Tabla 1:
5
Tabla 1: Matriz de contingencia de las coberturas
Datos Datos de referencia
clasificación Paraíso Kiri Grevillea Selva Pastizal Pino Total P Usuario % E Comisión %
Paraíso 89 5 2 4 7 1 108 82.41 17.59
Kiri 9 20 2 3 8 0 42 47.62 52.38
Grevillea 4 3 13 4 4 2 30 43.33 56.67
Selva 3 0 0 8 2 2 15 53.33 46.67
Pastizal 9 1 2 0 68 0 80 85.00 15.00
Pino 3 0 0 2 0 20 25 80.00 20.00
Total 117 29 19 21 89 25 300
P Productor % 76.07 68.97 68.42 38.10 76.40 80.00
E Omisión % 23.93 31.03 31.58 61.90 23.60 20.00
Error Global % 72.67
Se aprecia en la tabla 13 que la precisión de la clasificación para la cobertura de pino muestra valores
elevados tanto en la precisión del productor como en el usuario. Esto podría indicar que las
coberturas con coníferas lograrían clasificarse sin grave riesgo de confusión con las especies
latifoliadas y viceversa.
Las bajas precisiones para las especies latifoliadas señalan confusiones mutuas.
El coeficiente Kappa (κ) posee un valor de 0.6356, lo que indica que las clasificaciones son 63%
mejores que las esperables al azar.
CONCLUSIONES
La metodología de clasificación supervisada, apoyada en información auxiliar aportada por
Fotografías Aéreas de Pequeño Formato (FAPEF), es sumamente efectiva para discriminar
coberturas forestales latifoliadas y coníferas, con una exactitud del 80%, constituyendo una
herramienta efectiva para la elaboración de una cartografía de estos dos grupos de coberturas.
Las precisiones del proceso de clasificación son bajas entre coberturas de latifoliadas, tanto para el
usuario, como para el productor. Esta baja precisión es producto principalmente por el inconveniente
de píxeles mixtos, es decir de píxeles ubicados en el límite o borde de la cobertura seleccionada, los
cuales contienen un porcentaje de esta cobertura a cartografiar y un porcentaje de las coberturas
lindantes, mostrando un nivel digital promedio que no corresponde a ninguna de las coberturas
anteriores. Este efecto de píxel mixto es acentuado para la resolución espacial de 30 m x 30 m en el
modo multiespectral del sensor ETM+ del satélite Landsat 7, en donde se emplazan plantaciones de
reducidas dimensiones, como ocurre en el lote en estudio, o bien minifundios forestales. Esta
limitante indica que la metodología propuesta se adecua prioritariamente a estudios regionales donde
las categorías o coberturas a clasificar participan de una considerable superficie y no estudios a nivel
de lote o minifundio.
Sin embargo este condicionante es atenuado mediante la implementación de fotografías aéreas de
pequeño formato (FAPEF), constituyendo un excelente elemento de complementación para las
imágenes satelitales, aumentando notablemente la potencialidad de ambas. Estas combinan la
cobertura global-periódica, y la información sobre regiones no visibles del espectro que ofrecen las
imágenes, con el mayor grado de detalle que brindan las fotografías aéreas, pudiendo de esta
manera planificar zonas de vuelo en donde la discriminación de coberturas sea confusa o poco
precisa.
Por otro lado, las FAPEF brindan detalles importantes para la selección de las áreas de
entrenamiento de las clasificaciones digitales supervisadas, mejorando la precisión de la localización
así como la distribución espacial de las mismas.
BIBLIOGRAFÍA
- Cabrera, A.L. 1976. Enciclopedia Argentina de Agricultura y Jardinería. Segunda. Edición. Tomo II.
Fascículo I. Regiones Fitogeográficas Argentinas. Buenos Aires, Argentina.
- Chuvieco, Emilio. 1996. Fundamentos de Teledetección Espacial. 3ª Edición revisada. Madrid,
España.
- Congalton, R.G. 1991. “A review of assessing the accuracy of classification of remotely sensed
data”. Remote Sensing of Environment, Vol. 37, pp. 35-46.
- Di Gregorio, A. y L.J.M. Jansen. 2000. “Land Cover Classification System (LCCS), classification
concepts and user manual”, FAO, Roma.
6
- Erdas. 1990. Field Guide. Erdas Inc., Atlanta, USA, 410p.
- Hudson, W.D. y C.W. Ramn. 1987. “Correct formulation of kappa coefficient of agreement”.
Photogrammetric Engineering and Remote Sensing, vol 53, pp. 421-422.
- Jensen, J.R. 1996. “Introductory digital image processing: a remote sensing perspective”. 2nd. Ed.,
Prentice Hall Series in Geographic Information Science, Upper Saddle River, New Jersey.
- Kenneweg, H. 1992. “New approaches of forest inventory and monitoring techniques integrating
aerial photography”, Proceedings of the IUFRO Centennial Meeting in Berlin, 1992. Japan Society of
Forest Planning Press, Faculty of Agriculture and Technology, Japan. Edit.: G. Preto y B. Koch.
- SAGPyA Forestal. 2001. Publicación trimestral de la Secretaría de Agricultura, Ganadería, Pesca y
Alimentos. Nº 20, Septiembre 2001. Buenos Aires.
- Story, M. y R.G. Congalton. 1986. “Accuracy assessment: a users perspective”. Photogrammetric
Engineering and Remote Sensing. Vol. 52, pp. 397-399.
- Tortorelli, L.A. 1956. “Maderas y bosques argentinos”. Edit. Acme, SACI, Buenos Aires.