Metodologa para la identificaci

on de especies
vegetales invasoras Ulex europaeus (retamo
espinoso) y Genista monspessulana (retamo
liso) en zonas piloto de Bogot
a D.C usando
im
agenes multiespectrales de alta resoluci
on.

Daner Estefan Castro Vanegas

Fabi
an Steven Pe
naloza Rivera

Universidad Distrital Francisco Jose de Caldas

Facultad de ingeniera, Ingeniera Catastral y Geodesia
Bogota, Colombia
2015

Metodologa para la identificaci

on de especies
vegetales invasoras Ulex europaeus (retamo
espinoso) y Genista monspessulana (retamo
liso) en zonas piloto de Bogot
a D.C usando
im
agenes multiespectrales de alta resoluci
on.
Daner Estefan Castro Vanegas
Fabi
an Steven Pe
naloza Rivera

Trabajo de grado presentado como requisito parcial para optar al ttulo de:
Ingeniero Catastral y Geodesta

Director:
Ph.D., Ivan Lizarazo Salcedo
Codirector:
M.Sc., Orlando Ria
no Melo

Grupo de Investigacion:
Percepcion remota de la vegetacion.

Universidad Distrital Francisco Jose de Caldas

Facultad de ingeniera, Ingeniera Catastral y Geodesia
Bogota, Colombia
2015

Vivir en comuni
on, sentir empata y compasi
on en el pr
ojimo.
Esta vida comprende personas buenas que intentan ayudarte, aquellas
que parecen ser las mas indolentes, perversas, tienen algo que compartir
contigo, 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 hay
que 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 empata en todo momento, es decir, colocate
en el lugar de los otros, en esta vida no estamos solos y siempre hay que
vivir en comunidad y como una sociedad, pero compa
nerista donde se valore y se respete al otro, que existe amor, Si hay amor todo lo demas viene
anexo. Ap
oyate en los otros, comparte, vive y goza la vida, la vida de
un amargado no tiene tantos momentos alegres como el de una persona
emprendedora, capaz, con ganas de salir siempre adelante, a pesar de estar
en lo m
as hondo.. Adelante, continua, nunca es tarde.
Por David Leonardo Lopez Leon. Q.E.P.D colega y amigo.

Indice general
1. PRELIMINARES

1. INTRODUCCION.
. . . . . . . . . . . .
2. PLANTEAMIENTO DEL PROBLEMA.
. . . . . . . . . . . . .
3. JUSTIFICACION
4. OBJETIVOS . . . . . . . . . . . . . . .
4.1.
General . . . . . . . . . . . . . .
4.2.
Especficos . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

2. MARCO DE REFERENCIA

1. INVASIONES BIOLOGICAS
Y ESPECIES INVASORAS.
1.1.
Invasiones biologicas . . . . . . . . . . . . . . . . .
1.2.
Especies invasoras . . . . . . . . . . . . . . . . . . .
1.3.
Especies nativas . . . . . . . . . . . . . . . . . . . .
1.4.
Especies introducidas . . . . . . . . . . . . . . . . .
1.4.1.
Retamo espinoso (Ulex europaeus ) . . . .
1.4.2.
Retamo liso (Genista monspessulana) . . .

2. FUNDAMENTOS DE LA TELEDETECCION.
. . . . . .
2.1.
Firmas Espectrales y Espectroradiometra . . . . .
2.1.1.
Espectroscopa de la vegetacion. . . . . . .
2.1.2.
Propiedades opticas de las hojas . . . . .
2.2.
Reflectancia de la vegetacion . . . . . . . . . . . . .

DIGITAL . . . . . . . . .
3. ANALISIS
Y CLASIFICACION
3.1.
Correccion Atmosferica . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .
4. INDICES DE VEGETACION

4.1.
Indices de vegetacion basados en pendiente . . . . .

4.2.
Indices de vegetacion basados en distancia . . . . .
DIGITAL . . . . . . . . . . . . . . . .
5. CLASIFICACION
5.1.
Clasificacion Supervisada . . . . . . . . . . . . . . .
5.2.
Clasificador LDA . . . . . . . . . . . . . . . . . . .
5.3.
Maquinas de Soporte Vectorial (SVM) . . . . . . .

5.4.
Arboles
de Decision (DT) . . . . . . . . . . . . . .
I

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

1
1
2
3
4
4
4

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5
5
5
5
5
6
6
7
8
8
9
9
10
13
13
15
16
17
20
20
20
21
22

6.

7.

5.5.
Basado en Pxeles . . . . . . . . .
5.6.
Basado en objetos . . . . . . . . .

SEGMENTACION
. . . . . . . . . . . .
6.1.
Segmentacion Multirresolucion . .
6.2.
Evaluacion de exactitud tematica

ANALISIS MULTITEMPORAL . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

23
24
24
25
26
27

3. ESTADO DEL ARTE

29

4. DATOS Y METODOS

1. AREA
DE ESTUDIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
E INSUMOS . . . . . . . . . . . . . . . . . . . .
2. DATOS, INFORMACION
2.1.
Imagenes satelitales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.
Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.
Metodologa General . . . . . . . . . . . . . . . . . . . . . . . . . . .
DE AREA

DE IMAGENES

3. DEFINICION
DE TRABAJO Y OBTENCION
3.1.
Reconocimiento en campo . . . . . . . . . . . . . . . . . . . . . . . .
3.2.
Captura de firmas espectrales . . . . . . . . . . . . . . . . . . . . . .

4. PRE-PROCESAMIENTO DIGITAL DE LAS IMAGENES

. . . . . . . . . .
4.1.
Correccion atmosferica . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . .
5. INDICES DE VEGETACION
5.1.
Composicion de imagenes con los ndices optimos . . . . . . . . . . .

6. PROCESAMIENTO DIGITAL DE IMAGENES

. . . . . . . . . . . . . . . .
6.1.
Preliminares a la clasificacion . . . . . . . . . . . . . . . . . . . . . .
6.2.
Analisis de clasificacion orientada a Pxeles . . . . . . . . . . . . . . .
6.2.1.
Polgonos de entrenamiento . . . . . . . . . . . . . . . . . .
6.3.
Analisis de clasificacion basada Objetos. . . . . . . . . . . . . . . . .

7. ANALISIS
MULTITEMPORAL . . . . . . . . . . . . . . . . . . . . . . . . .

34
34
34
34
35
38
40
40
42
44
44
46
49
50
51
55
55
57
58

5. RESULTADOS
1. FIRMAS ESPECTRALES . . . . . . . . . . . . . . .
1.1.
Muestras a nivel individuo y dosel . . . . . . .
1.2.
Comparacion . . . . . . . . . . . . . . . . . .
ATMOSFERICA

2. CORRECCION
. . . . . . . . . . .

3. INDICES DE VEGETACION . . . . . . . . . . . . .
3.1.
ESCENA 1: Zona de estudio Embalse Chisaca.
3.2.
ESCENA 2: Zona de estudio Cerros Orientales

4. ANALISIS
DE CLASIFICACION
. . . . . . . . . .
4.1.
Basado en pxeles . . . . . . . . . . . . . . . .
4.2.
Basado en Objetos . . . . . . . . . . . . . . .

5. ANALISIS
MULTITEMPORAL . . . . . . . . . . . .

61
61
61
66
68
69
69
71
74
74
76
85

II

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.


6. DISCUSION
1. FIRMAS ESPECTRALES . . . . . . . . . . .
. . . . . . . . .
2. INDICES DE VEGETACION
DIGITAL DE IMAGENES

3. CLASIFICACION

4. ANALISIS
MULTITEMPORAL . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

94
94
97
97
99

7. CONCLUSIONES

101

8. RECOMENDACIONES

103

9. BIBLIOGRAFIA

104

10.ANEXOS
1. ANEXO
2. ANEXO
3. ANEXO
4. ANEXO

117
117
121
122
123

1
2
3
4

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

III

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

Indice de figuras
2.1. Categoras de especies nativas e introducidas que se presentan actualmente en
los humedales de Bogota. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Retamo Espinoso (Ulex europaeus). . . . . . . . . . . . . . . . . . . . . . . .
2.3. Retamo Liso (Genista monspessulana). . . . . . . . . . . . . . . . . . . . . .
2.4. Ejemplo hipotetico de reflectancia de las capas del dosel de dos hojas. . . . .
2.5. Factores dominantes que controlan la reflectancia de la hoja. . . . . . . . . .
2.6. Seccion transversal de una hoja. . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Caminos de la Radiancia recibida por el sensor. . . . . . . . . . . . . . . . .
2.8. Calibracion radiometrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9. Esquema de la lnea 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. . . . . . . . . . . . . . . .
2.10. Clasificacion LDA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11. Hiperplano b separa las dos clases con el margen maximo. . . . . . . . . . .
2.12. Ejemplo de arbol de decision. . . . . . . . . . . . . . . . . . . . . . . . . . .
2.13. Esquema de relaciones entre objetos del mismo o diferente nivel jerarquico. .
2.14. La matriz de confusion y algunas medidas comunes de la precision de la clasificacion que se pueden derivar de ella. Los elementos resaltados representan
la diagonal principal 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 elementos fuera de la diagonal contienen
aquellos casos donde existe un desacuerdo en las etiquetas. . . . . . . . . . .
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
4.9.

Zona de estudio 1, seccion de los cerros orientales de Bogota D.C.

Zona de estudio 2, Vereda el Hato, embalse de Chisaca. . . . . . .
Metodologa general del trabajo. . . . . . . . . . . . . . . . . . . .
Zona de captura de firmas espectrales. . . . . . . . . . . . . . . .
Esquema de captura de espectroradiometro. . . . . . . . . . . . .
Captura de firma espectral con el espectroradiometro. . . . . . . .
Metodologa para la generacion de Indices de Vegetacion. . . . . .
Composicion de bandas de la imagen a clasificar. . . . . . . . . .
Coberturas vegetales en la vereda El Hato. . . . . . . . . . . . . .
V

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

6
7
8
10
11
12
14
15

19
21
22
23
26

27
36
37
39
41
43
43
47
50
53

4.10. Ubicacion del terreno de estudio para restauracion ecologica, alrededores embalse Chisaca. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.11. Polgonos de entrenamiento para la escena de cerros . . . . . . . . . . . . . .
4.12. Polgonos de entrenamiento para la escena de embalses. . . . . . . . . . . . .
4.13. a. Zona con distorsion QuickBird, b. Zona sin distorsion GeoEye-1. . . . . .
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. . . . .
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. . . . .
5.1. Firmas espectral cruda a nivel individual. . . . . . . . . . . . . . . . . . . . .
5.2. Firmas espectral cruda a nivel dosel. . . . . . . . . . . . . . . . . . . . . . .
5.3. Firmas espectrales a nivel individuo con valores de reflectancia absoluta. . .
5.4. Firmas espectrales a nivel dosel con valores de reflectancia absoluta. . . . . .
5.5. Firmas espectrales homogeneas a nivel individuo. . . . . . . . . . . . . . . .
5.6. Firmas espectrales homogeneas a nivel dosel. . . . . . . . . . . . . . . . . . .
5.7. Firma espectral promedio (verde) y desviacion estandar a nivel individual. .
5.8. Firmas espectrales homogeneas promedio y desviacion estandar a nivel dosel.
5.9. Firmas promedio, individual y dosel, entre 450 y 895nm. . . . . . . . . . . .
5.10. Promedio de los promedios, que representan el valor de un pxel a nivel dosel
e individual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.11. Imagenes, a. Zona Embalses cruda. b. Zona Embalses corregida atmosfericamente. c. Zona Cerros cruda. d. Zona Cerros corregida Atmosfericamente. . .
5.12. Analisis espectral (media vs IV) de los 14 ndices generados para la escena de
Embalses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.13. Diagramas de caja. (a) NDVI (b) MSAVI (c) TTVI (d) WDVI (e) IRC. . . .
5.14. Analisis espectral (media vs IV) de los 14 ndices generados para la escena de
Cerros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.15. Diagramas de caja. (a) NDVI (b) MSAVI (c) TTVI (d) WDVI (e) IRC. . . .
5.16. Resultados de clasificacion orientada a pxeles zona cerros. a. LDA. b. SVM.
c. DT d. Referencia visual. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.17. Resultados de clasificacion orientada a pxeles, zona embalse de Chisaca. a.
LDA. b. SVM. c. DT. d. Referencia visual. . . . . . . . . . . . . . . . . . . .
5.18. Segmentacion seccion cerros orientales, Forma 0.1, compacidad 0.5, Escala a.
10, b. 20, c. 30, d. 40. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.20. Entrenamiento de los objetos creados en la segmentacion. . . . . . . . . . . .
5.21. Clasificacion seccion cerros orientales, a. Basada en pxeles (SVM), b. Basada
en objetos, c. Referencia visual. . . . . . . . . . . . . . . . . . . . . . . . . .
VI

54
55
56
58
59
60
62
62
63
63
64
65
66
66
67
67
68
69
70
71
72
74
75
77

78
79
80

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) Clasificacion final basada en objetos. . . . . . . . . . . . . . . . . . . . . . . . . . .
5.23. Segmentacion zona del embalse de Chisaca. Forma 0.1, compacidad 0.9 y escala. a) 40. b) 80. c) 150. d) 200. . . . . . . . . . . . . . . . . . . . . . . . .
5.24. Procedimiento de clasificacion zona embalse de Chisaca a) Segmentacion. Escala 40, Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c)
Clasificacion final basada en objetos. . . . . . . . . . . . . . . . . . . . . . .
5.25. Clasificacion seccion embalse de Chisaca a) Basada en pxeles (SVM), b) Basada en objetos, c) Referencia visual. . . . . . . . . . . . . . . . . . . . . . .
5.26. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los
cerros orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013.
c. Plantaciones Forestales d. Mosaico de pastos, cultivos y espacios naturales.
5.27. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los
cerros orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013.
c.Tierras desnudas y/o degradadas d. Territorios artificializados. . . . . . . .
5.28. Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los
cerros orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013.
c. Retamo espinoso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.29. Clasificacion de coberturas de una seccion de los cerros orientales. a. A
no 2007,
b. A
no 2013, c. Proyeccion de las coberturas para el a
no 2020. . . . . . . . .
6.1. Puntos de muestras de la imagen GeoEye. . . . . . . . . . . .
6.2. Muestras y Promedio del grupo3 de la captura. . . . . . . . .
6.3. Metodologa popuesta para la identificacion del Ulex europaeus
noso). Elaboracion propia. . . . . . . . . . . . . . . . . . . . .

. . . . .
. . . . .
(retamo
. . . . .

. . .
. . .
espi. . .

10.1. Mapa de distribucion espacial de retamo espinoso, zona cerros orientales. . .

10.2. Mapa de distribucion espacial de retamo espinoso, zona embalse de Chisaca.
10.3. Mapa de la proyeccion de la distribucion espacial del retamo espinoso, para el
a
no 2020 del, zona cerros orientales. . . . . . . . . . . . . . . . . . . . . . . .

VII

81
82

83
84

87

88

89
92
95
96
99
121
122
123

Captulo 1
PRELIMINARES
1.

INTRODUCCION.

Las especies invasoras son la segunda causa de perdida de biodiversidad en ecosistemas terrestres, muchas de ellas son consideradas como especies transformadoras que por s
solas pueden modificar drasticamente las condiciones y caractersticas de los habitats terrestres.[Congreso Mexicano de Ecologa, 2008]. En muchas areas de la region andina de
Colombia, principalmente en los alrededores de Bogota D.C, el problema de la invasion del
retamo 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 son
especies vegetales invasoras. Las nuevas tecnicas de procesamiento y los nuevos sensores,
ofrecen posibilidades, en zonas poco exploradas, de generar informacion sinoptica y precisa
para 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 de
tecnicas de procesamiento digital. Al clasificar las imagenes, se reduce la variable continua
que son los niveles digitales (ND) a una variable categorica. La clasificacion de imagenes se
puede catalogar seg
un la metodologa empleada, en clasificacion supervisada y no supervisada. Los metodos de clasificacion supervisada basan su principio en la definicion por parte
del interprete de areas de entrenamiento en la imagen para las distintas categoras y a partir
de ellas, el software calcula los ND que definen cada una de las clases, para luego asignar el
resto de los pxeles de la imagen a una de esas categoras en funcion de sus ND. Por otra
parte, los metodos de clasificacion no supervisada asumen que los ND de la imagen forman
una serie de conglomerados que equivaldran a los pxeles con un comportamiento espectral
homogeneo y por lo tanto deberan definir clases tematicas de interes. A diferencia de los
metodos supervisados, la intervencion del usuario se centra mas en la interpretacion que en
la consecucion de los resultados. [Chuvieco, 2008].
1

Este documento muestra la importancia de la elaboracion de la metodologa y los procesos que nos llevaron a ella con el uso de sensores remotos como base para la deteccion de
las especies vegetales invasoras Ulex europaeus (retamo espinoso) y Genista monspessulana
(retamo liso) con el uso de algoritmos de clasificacion no tradicionales, sometiendo a prueba
algunas metodologas de clasificacion supervisada para la identificacion de la distribucion
espacial de las especies invasoras en algunas zonas piloto definidas previamente con apoyo
del jardn botanico Jose Celestino Mutis para desarrollar a partir de los resultados, una
metodologa 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 que
amenazan la biodiversidad a nivel mundial. [Mack et al., 2000]Es tal el impacto de las invasiones biologicas, que se considera que despues de la destruccion del habitat y los cambios
antropicos de la atmosfera y oceanos, son el segundo problema mas importante en afectar a
los ecosistemas con consecuencias tales como la inutilizacion de terrenos, perdidas de biodiversidad y de cosechas [Mack et al., 2000] [Stohlgren et al., 2001] [Sykes, 2001].
Las especies invasoras al ser altamente competitivas logran colonizar ambientes transformados los cuales les ofrecen recursos como espacio, luz, nutrientes y facil movilidad en el
espacio. Estas especies tambien cambian el regimen de disturbios incrementando, en algunos
casos, las frecuencias de fuegos o la herbivora. [Vargas, 2009].
En las partes altas de la Cordillera Oriental colombiana, por encima de los 2.400 metros
de altitud, los incendios forestales se asocian con la mayor incidencia del complejo invasor de
arbustos exoticos conformado por el retamo espinoso (Ulex europaeus) y el retamo liso (Genista monspessulana), actualmente es objeto de campa
nas de control manual en el Distrito
Capital.[Vargas, 2007].
Los ecosistemas naturales presentes en Bogota, funcionan como un regulador hdrico de
quebradas y acuferos, y ademas son habitat de muchas especies de fauna y flora nativa. A
pesar de lo anterior, los ecosistemas naturales en Bogota han sufrido un historico proceso de
degradacion y da
no eco sistemico. En la actualidad contin
uan ocurriendo diversos procesos
que impiden la regeneracion natural de este ecosistema ocasionando la invasion de Ulex europaeus (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 vegetacion nativa y promueve incendios forestales. Cabe indicar que a nivel mundial esta especie
2

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 a
tierra, 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 de
areas con especies exoticas invasoras. [Vargas, 2009]. Pero, para cumplir el reto, es necesario
identificar las areas afectadas por la invasion. Sin embargo, la identificacion de la localizacion
de estas especies invasoras es una labor que en campo llevara mucho tiempo y los costos seran
muy altos. Por lo expuesto, la implementacion de una metodologa por medio de sensores
remotos 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 escala
local y regional. [Vargas et al., 2012].

3.

JUSTIFICACION

Este proyecto es de gran importancia para el distrito capital, pues a partir de la identificacion de la distribucion espacial de las especies vegetales invasoras Genista monspessulana
(Retamo liso) y Ulex europaeus (Retamo espinoso) que tanto da
no le hacen a los ecosistemas
locales, las entidades competentes podran tomar medidas de control de la reproduccion y
propagacion de estas especies y as 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 que
los metodos basados en mapeo GPS presentan deficiencias en cuanto al cubrimiento puesto
que estos se hacen para una extension espacial limitada, ademas tanto el tiempo como los
costos asociados a este son altos, por tanto una solucion eficiente es cartografiar la vegetacion
por medio de la teledeteccion, pues cubre grandes areas espaciales y los mapas se pueden actualizar en un intervalo de tiempo determinado por las necesidades que se requieran, evitando
as las constantes visitas a campo.
El producto final de este proyecto, una metodologa desarrollada a partir del procesamiento digital de imagenes, permitira mantener actualizada la informacion espacial de la
presencia de vegetacion invasora de Retamo liso y Retamo espinoso en el Distrito Capital,
ahorrando as tiempo, costos y proporcionando informacion precisa y oportuna.

4.

OBJETIVOS
A continuacion se presentan los objetivos general y especficos.

4.1.

General

Desarrollar una metodologa para identificar la distribucion espacial de las especies vegetales 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.

Especficos
Evaluar la utilidad de imagenes multiespectrales de alta resolucion capturadas por
sensores remotos para identificar las especies invasoras, para disminuir costos en el
proceso de identificacion manual de las especies invasoras.
Identificar el algoritmo de procesamiento digital de imagenes optimo para la identificacion de las especies vegetales invasoras Ulex europaeus (retamo espinoso) y Genista
monspessulana (retamo liso), para optimizar el proceso de identificacion de las especies
invasoras con las imagenes satelitales.
Identificar la propagacion de las especies invasoras en un intervalo de tiempo especfico
a partir de un analisis multitemporal, para determinar la evolucion de las especies
invasoras.

Captulo 2
MARCO DE REFERENCIA
1.
1.1.

INVASIONES BIOLOGICAS
Y ESPECIES INVASORAS.
Invasiones biol
ogicas

Las invasiones biologicas hacen referencia al proceso de introduccion, establecimiento y

expansion de especies exoticas procedentes de otras areas geograficas. La mayora de estas
invasiones han sido ocasionadas por introducciones accidentales, pero en otros casos han sido
intencionadas. Este trasvase de especies de unas regiones a otras se ha llevado a cabo desde
tiempos inmemoriales pero, sin duda alguna, los movimientos humanos, la intensificacion del
comercio, la alteracion de los ecosistemas y el mayor desarrollo han acelerado el proceso.[Vil`a
et al., 2008].

1.2.

Especies invasoras

Las especies invasoras de una region se pueden dividir en dos grandes categoras: especies
nativas y especies introducidas Figura 2.1. [Vargas et al., 2012].

1.3.

Especies nativas

Las especies nativas son aquellas que ocupan su area de distribucion original [Vil`a, et al.,
2008]. Pueden ser de rango amplio, restringido y endemico. Algunas especies nativas se pueden
extinguir facilmente al transformar su habitat, y otras se adaptan y colonizan rapidamente
el espacio, aumentando sus valores de abundancia; a estas especies se les llama colonizadoras
agresivas, nativas oportunistas de disturbios o invasoras nativas. Como los humedales son
ecosistemas de transicion entre lo terrestre y lo acuatico, son muy susceptibles a ser invadidos,
dada la oferta de espacios en zonas de borde y franja terrestre, con disponibilidad de exceso

de nutrientes (producto de la contaminacion) y humedad durante todo el a

no. [Vargas et
al.,2012].

Figure 2.1:
Categoras de especies nativas e introducidas que se presentan actualmente
en 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 distribucion
natural, tambien llamadas exoticas, y han sido transportadas e introducidas por el hombre
de una forma voluntaria o accidental. De las especies introducidas algunas denominadas con
el 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 reproduccion, dispersion, establecimiento, persistencia y forman grandes poblaciones causando da
no a
las especies nativas y transformando los ecosistemas naturales y seminaturales, estas especies
son las llamadas especies invasoras y cuando causan gran impacto son llamadas transformadoras, pestes o plagas [Vil`a, 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 sobresalientes 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 rgidas y surcadas; las grandes espinas primarias 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 escamas
o filoides de espinas en las plantas adultas. Las flores son solitarias, dispuestas en racimos
en ramas exteriores, y 1.5-2.5 cm de largo. Las flores de color amarillo tienen forma de y
6

presentan pedicelos pubescentes. La corola tiene 15-18 mm de largo con una bandera oval
y 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 pelos
esparcidos. Las flores tienen un olor caracterstico de aceite de coco. [Clements, Peterson, &
Prasad, 2000].

Figure 2.2:

1.4.2.

Retamo Espinoso (Ulex europaeus). Fuente Autores

Retamo liso (Genista monspessulana)

Es un arbusto perenne que puede alcanzar hasta 3 metros de alto, de ramas pubescentes
y hojas trifoliadas, cuyos peciolos tienen de 3 a 5 mm de largo. Las flores de color amarillo
se disponen en racimos subcapitados en forma axilar; cada uno de estos racimos puede tener
de 3 a 9 flores. El labelo de la flor en su mayora es glabro, ovado y redondeado. Las alas son
oblongas a ovadas y la quilla puede ser recta o curva; el caliz es pubescente. Presenta frutos
en vaina de hasta 2,5 cm de largo y 6,4 mm de ancho; en estas vainas pueden presentarse de
2 a 7 semillas [Alzate, 2005]
Los posibles impactos identificados corresponden a sus caractersticas como especie de
alta agresividad en ecosistemas degradados y gran adaptacion en ambientes abiertos y con
impactos antropicos [ Gutierrez F. de P., 2006].

Figure 2.3:

Retamo Liso (Genista monspessulana). Fuente Autores.

Estas especies generan bancos de semillas persistentes, tienen ciclos de retroalimentacion positiva cuando hay incendios y conforman poblaciones mono especficas tanto en zonas
abiertas como en el sotobosque1 de plantaciones forestales, en bosques secundarios o en ecosistemas 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 caminos y sitios perturbados en areas cordilleranas alejadas del valle central. [Garca et al. 2010].

FUNDAMENTOS DE LA TELEDETECCION.

2.

En su obra [Chuvieco, 2008] ha definido la teledeteccion como aquella tecnica que permite
adquirir imagenes de la superficie terrestre desde sensores aereos o espaciales, asumiendo que
entre el sensor existe una interaccion energetica, ya sea por reflexion de la energa solar o de
un haz energetico artificial, ya sea por reflexion de la energa solar o de un haz energetico
artificial, ya por emision propia.

2.1.

Firmas Espectrales y Espectroradiometra

Ademas [Chuvieco, 2008], describe que las firmas espectrales son fundamentales para
reconocer cubiertas de interes o parametros dentro de esas cubiertas (clorofila en la vegetacion
1

Parte inferior del bosque formado por las plantas bajo el dosel forestal.[Martnez, 2008].

o turbidez en el agua por ejemplo), por lo cual recomienda que estas sean punto de partida
para trabajos de teledeteccion.
2.1.1.

Espectroscopa de la vegetaci
on.

La respuesta espectral de una especie vegetal en su dosel o a nivel de hoja, es u

nica, y
esa respuesta se conoce como firma espectral. Para detectar y mapear una especie invasora,
es necesario que existan diferencias entre la reflectividad espectral de la vegetacion nativa y
la 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 condiciones de radiacion, la especie vegetal, el grosor de las hojas, la estructura de la superficie
foliar, los niveles de contenido de clorofila, y la estructura interna de la hoja. La radiacion
solar incidente es la fuente primaria de energa que permite la ejecucion de los diferentes
procesos biologicos y fsico-qumicos de las plantas y por lo tanto es el principal factor que
influye en sus propiedades. La respuesta de las plantas a la luz solar puede evidenciarse a
traves de tres efectos especficos [Lopez, 2012]:

Efectos termicos: Aproximadamente el 70 % de la radiacion solar incidente, es absorbida por las plantas y convertida en calor para procurar y permitir el mantenimiento de
la temperatura corporal de la planta y su proceso de transpiracion.
Efectos fotosinteticos: La radiacion activa fotosintetica (usada en el proceso de la fotosntesis), es aproximadamente el 28 % de la energa absorbida por una planta, e interviene en la conversion y produccion de componentes organicos altamente energeticos.
Efectos fotomorfogenicos: La naturaleza y cantidad de energa absorbida, transmitida
y/o reflejada depende de la longitud de onda, del angulo de incidencia, la rugosidad de
la superficie, las diferencias en las propiedades opticas y los contenidos bioqumicos de
las 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 u
ltima
se puede ampliar en un 85 % la reflectancia de una u
nica hoja, para la region del infrarrojo
cercano. Estos hechos se explican por la reflectancia aditiva, esto es, la radiacion electromagnetica transmitida a traves de la primera hoja, situada en la parte superior de la capa
de hojas, hacia la segunda, es parcialmente reflejada por esta de vuelta hacia la primera, y
as sucesivamente, hasta la u
ltima hoja de la capa. [Swain & Davis, 1981]

2.2.

Reflectancia de la vegetaci
on

La vegetacion sana tiene una reflectividad baja en el visible aunque con un pico en el
color verde debido a la clorofila, ese pigmento aparece en concentraciones entre 5 y 10 veces
mayores que otros como el caroteno). La reflectividad es muy alta en el infrarrojo reflejado o
proximo debido a la escasa absorcion de energa por parte de las plantas en esta banda. En
el infrarrojo medio hay una disminucion especialmente importante en aquellas longitudes de
onda en las que el agua de la planta absorbe la energa. Durante el oto
no, las hojas pierden los
cloroplastos (organos que contienen la clorofila) ya que dejan de ser necesarios, por tanto deja
de ser la clorofila el pigmento principal y las plantas adquieren un color pardo-amarillento
debido a la cada vez mayor importancia relativa de carotenos y otros pigmentos.
Esta curva tan contrastada se debilita en el caso de la vegetacion enferma en la que disminuye el infrarrojo y aumenta la reflectividad en el rojo y azul. Se observa tambien que la
reflectividad de una planta depende de su contenido en agua. Cuando el contenido de agua
10

aumenta disminuye la reflectividad ya que aumenta la absorcion de radiacion por parte del
agua contenida en la planta.
Las propiedades reflectivas de la vegetacion dependen de tres tipos de variables [Jacquemoud et al., 1995]:
1. Estructura de la cubierta vegetal, principalmente caracterizada por su ndice foliar, por
la orientacion de las hojas y por su distribucion y tama
no.
2. Propiedades opticas de los elementos reflectantes (tallos, hojas, flores y frutos).
3. Geometra de la observacion, determinada por la orientacion relativa entre el sol y la
superficie y por la situacion del sensor con respecto a esta u
ltima.
En la Figura 2.5 se puede observar la curva general espectral de reflectancias para la vegetacion sana.

Figure 2.5:
Factores dominantes que controlan la reflectancia de la hoja. Imagen adaptada
de [Jensen, 2006].
La radiacion electromagnetica al tener contacto con el blanco, puede ser absorbida, transmitida y reflejada. En el caso especfico de la vegetacion, la interaccion con la radiacion
ocurre distintamente para cada longitud de onda del espectro. La Figura 2.5 presenta una
curva patron de la respuesta espectral de una hoja vegetal, donde se observa un pico de
absorcion en la region del azul (450 nm) y otro en la region del rojo (650 nm), ambos debidos a la presencia de pigmentos en el interior del cloroplasto, tales como: clorofila, xantofila,
11

carotenos y otros. La absorcion de la energa solar que ocurre en estas longitudes de onda
depende principalmente de la concentracion de la clorofila [Antonio & Almorox, 1999].
Seg
un [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 por
la difusion resultante de los ndices de refraccion del lquido intracelular y de los espacios
intercelulares del mesofilo. Ademas, despues de investigar las causas biofsicas de la reflectancia 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, el
proceso anterior se repetira, y as sucesivamente.
Seg
un [Gates, 1970], citado por [Antonio & Almorox, 1999], la absorcion de la radiacion
electromagnetica 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 Figura
2.5) los puntos donde ocurren peque
nas absorciones.
En las longitudes de onda del infrarrojo medio (1300 a 2600 nm), la respuesta espectral de
la vegetacion esta influida por la presencia del agua. Por este motivo en la Figura 2.5 se verifican 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 cantidad de energa reflejada, absorbida o dispersada vara entre especies y depende de la estructura interna foliar (Figura 2.6), por lo tanto el factor determinante de la respuesta espectral
de las plantas en el rango infrarrojo cercano es esta estructura. La distribucion de los espacios de aire, as como la organizacion, tama
no y forma de las celulas, son caractersticas que
influyen en el paso de la luz a traves de las hojas [Lopez, 2012]. Por ejemplo, si una hoja
12

presenta tejidos celulares mesoflicos compactos entonces tendra pocos espacios de aire, lo
que facilitara una dispersion o reflexion de energa mas que una transmision de la misma,
y ocurrira lo contrario en caso que los tejidos no sean tan compactos. Mediante diferentes
estudios realizados se ha demostrado que la reflectancia en el infrarrojo cercano esta fuertemente relacionado con el volumen del espacio intracelular en los tejidos mesoflicos de las
hojas, adicionalmente la reflectancia de las hojas cambia durante su crecimiento y senescencia
[Gausman, 1974].

3.

DIGITAL
ANALISIS
Y CLASIFICACION

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 objeto
de estudio en las distintas regiones del espectro electromagnetico en el que se ha registrado
informacion. [Castro, 2013].
En la mayora de los analisis, antes de llevar a cabo el proceso de extraccion de informacion
de la imagen, esta se somete a correcciones, pre-tratamientos y/o realces que faciliten dicho
proceso. Las correcciones tratan de eliminar cualquier anomala detectada en la imagen, ya sea
en su localizacion, mediante correcciones geometricas, o en la radiometra de los pxeles que
la componen, mediante correcciones radiometricas. [Chuvieco, 2008]. Los pre tratamientos o
realces tratan de destacar aquellos detalles de interes y mejorar la calidad de la imagen para
adecuarla a la aplicacion especfica final y facilitar la interpretacion de la informacion que
contiene. [Castro, 2013].

3.1.

Correcci
on Atmosf
erica

Las correcciones que se deben realizar sobre las imagenes tienden a eliminar los ruidos
causados a la se
nal que llega al satelite luego de haber atravesado la atmosfera, el efecto de
la distorsion de la se
nal produce errores en los ND de los pxeles. [Chuvieco, 2008].
Hay cinco caminos en los cuales se puede identificar las trayectorias de la radiancia solar
que llega al sensor [Jensen, 2005]:

13

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 la
transmitancia atmosferica dado un angulo cenital.
Camino 2: Contiene la irradiancia difusa en el cielo que nunca llega a la superficie
terrestre debido a las dispersiones en la atmosfera.
Camino 3: Consiste en la energa adicional que llega al area de estudio debido a las
dispersiones y quizas a algunas emisiones.
Camino 4: Es la radiacion que es reflejada o dispersada de una zona vecina que no es
parte del area de estudio. Su intensidad depende de la cobertura de esta misma.
Camino 5: Energa reflejada de terrenos hacia la zona de interes.

Los valores de los pxeles en las imagenes satelitales expresan la cantidad de energa 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 correcciones
para que sus valores sean mas confiables. Sin embargo la dispersion y absorcion provocada por los aerosoles resulta difcil 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].

14

Los niveles digitales que componen cada celda de la imagen son valores sin dimensiones
que pretenden asignar una tonalidad al pxel, sin embargo, los valores estan estrechamente
relacionados que la magnitud fsica de la radiancia en el sensor [Perez & Mu
noz, 2006].

Figura 2.8: Calibracion radiometrica, [Perez & Mu

noz, 2006]
Tales niveles digitales que se le asignan a la pantalla seran funcion de la radiancia que llega
al sensor. [Perez & Mu
noz, 2006]. La calibracion radiometrica permite conocer tal funcion
lineal entre ambas magnitudes. Al tener en cuenta la radiancia proveniente desde un punto
desde 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 la
radiancia del punto sobre la superficie depende directamente de la irradiancia de la fuente
electromagnetica, como nuestro sensor es pasivo su fuente sera los rayos del sol. La proporcion
de la radiancia (L) y de la irradiancia (E) del punto se obtendra la reflectancia (), donde
los valores elevados de () equivalen a objetos muy claros o brillantes y valores muy bajos
equivalen a objetos muy oscuros. [Jensen, 2005].

4.

INDICES DE VEGETACION

Las diferencias de reflectancia espectral pueden ser resaltadas mediante la utilizacion de

ndices de vegetacion, estos no son mas que la suma, diferencia, division u otra combinacion
lineal de un factor de reflectancia entre dos o mas bandas del espectro electromagnetico. La
alta absorcion de la radiacion incidente del espectro electromagnetico en el rango visible del
Rojo (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 utilizadas
para la obtencion de los ndices de vegetacion [Wiegand et al., 1991]

15

Nomenclatura
NDVI
TVI
TTVI
NRVI
PVI
PVI1
PVI2
DVI
SAVI L0.25
SAVI L0.5
SAVI L1
WDVI
MSAVI
MSAVI1
Simple Ratio
IRC

Normalised Difference Vegetation Index

Transformed Vegetation Index
Thiams Transformed Vegetation Index
Normalised Radio Vegetation Index
Perpendicular Vegetation Index
Perpendicular Vegetation Index-1
Perpendicular Vegetation Index-2
Difference Vegetation Index
Soil Adjusted Vegetation Index 0.25
Soil Adjusted Vegetation Index 0.5
Soil Adjusted Vegetation Index 1
Weighted Difference Vegetation Index
Modified SAVI
Modified SAVI-1
Simple Ratio
Infrarrojo Cercano

Para [Kandwal et al., 2009], los Indices de Vegetacion se clasifican en dos grandes categoras, basados en distancia y basados en pendiente.

4.1.

Indices de vegetaci
on basados en pendiente

Son combinaciones aritmeticas simples que se centran en el contraste entre los patrones
de respuesta espectral en el rojo y las porciones IRC. Para este trabajo se utilizaron cuatro
tipos de ndices 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 Vegetaci
on
F
ormula
1

(IRCROJO)
(IRC+ROJO)

NDVI
r

2
3
4

TVI
q

TTVI
NRVI

(IRCROJO)
(IRC+ROJO)

+ 0,5

ABS(N DV I) + 0,5
(IRC/ROJO)1
(IRC/ROJO)+1

Indice de Diferencia Normalizada (NDVI): Introducido por [Rouse, 1973], citado

por [Silleos et al., 2006], este ndice es expresado como la diferencia normalizada entre las
16

bandas del IRC y del Rojo por la suma de sus bandas. Es el ndice de Vegetacion mas usado
ya 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 significativamente. 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 superficies
sin vegetacion [Silleos et al., 2006].
Indice de Vegetaci
on Transformado (TVI): Seg
un [Deering, D.W et al., 1975] citado
por [Silleos et al., 2006], modifica el ndice NDVI mediante la adicion de una constante de 0.5
a todos sus valores y tomando la raz cuadrada de los resultados. La constante 0.5 es introducida con el fin de evitar operar con valores negativos. El calculo de la raz cuadrada se dise
no
para corregir valores de NDVI que se aproximan a la distribucion de Poisson e introducirla
a 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 Vegetaci
on transformado de Thiam (TTVI): Fue propuesto por [Perry
Jr. & Lautenschlager, 1984] como una correccion al ndice TVI. En este ndice se adiciona una
constante de 0.5 a todos los valores del NDVI que no siempre eliminan los valores negativos
en la raz cuadrada, por lo que el NDVI puede tomar valores tan peque
nos como -1. Debido
a esto el TTVI intenta resolver esta situacion tomando el valor absoluto del NDVI dentro de
la raz.
Indice de vegetaci
on de Radio Normalizado (NRVI): Es una modificacion sugerida por [Baret & Guyot, 1991] al ndice RVI propuesto por [Wiegand et al., 1991] que al
normalizar el resultado, reduce los efectos producidos por la topografa, la iluminacion y la
atmosfera, ademas de crear una distribucion normal estadsticamente conveniente.

4.2.

Indices de vegetaci
on basados en distancia

Hay otro grupo de Indices de Vegetacion que estima el grado de vegetacion presente midiendo la diferencia de reflectancia de cualquier pxel de la reflectancia del suelo desnudo. El
objetivo principal de estos Indices de Vegetacion es cancelar el efecto de brillo del suelo en
los casos en que la vegetacion es escasa y los pxeles contienen una mezcla de vegetacion y
suelo de fondo.
El procedimiento se basa en el concepto de lnea del suelo descrito anteriormente. La lnea
del suelo representa una descripcion de las firmas tpicas de suelos en una grafica bi-espectral
del rojo versus el infrarrojo cercano (Figura 2.9). Esto se obtiene a traves de una regresion
lineal de la banda del IRC contra de la banda roja para una muestra de pxeles del suelo
desnudo [Silleos et al., 2006]. Para esta regresion lineal se requieren valores de interseccion y
de pendiente dados por a y b se obtienen a partir de las bandas Rojo e IRC [Kandwal et
17

al., 2009]. Los valores de intercepcion a y pendiente b se calculan utilizando las siguientes
formulas:
a = Y bX
b=

{n

(2.1)

XY ( X)( Y )}
P
P
{n( x2 ) ( x)2 }

(2.2)

Donde
n =N
umero de filas x n
umero de columnas.
X =Variable independiente
Y =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 Vegetaci
on
F
ormula
b+IRCaROJO

5
PVI1
1+b2
IRCaROJO+b

6
PVI2
1+a2
7
DVI
(b IRC ROJO)
IRCROJO
(L + 1)
IRC+ROJO
8
SAVI L0.5
donde L = 1
IRCROJO
(L + 1)
IRC+ROJO
9
SAVI L0.5
donde L = 0,5
IRCROJO
(L + 1)
IRC+ROJO
10
SAVI L0.25
donde L = 0,25
11
WDVI
IRC
a ROJO
12

MSAVI

13

MSAVI1

(2IRC+1)2 8(IRCROJO)
2
2IRCROJO
(1 + L)
IRC+ROJO+L

2IRC+1

Donde L = 1 2 a N DV I W DV I

Indice de Vegetaci
on Perpendicular (PVI): Propuesto por [Richardson & Weigand,
1977], este ndice es el ndice matriz del que se deriva todo este grupo. El ndice PVI es usa
la distancia perpendicular desde cada pxel a la lnea de suelo (Figura 2.9). Los intentos para
mejorar el rendimiento del PVI han producido otros tres ndices sugeridos por [Perry Jr. &
Lautenschlager, 1984; Bannari et al., 1995 & Qi et al., 1994] citados por [Silleos et al., 2006]..

18

Figura 2.9: Esquema de la lnea 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 la
ecuacion original PVI es computacionalmente intensiva y no discrimina entre los pxeles que
caen a la derecha o a la izquierda de la lnea del suelo. Dado el patron de respuesta espectral
de la vegetacion en la que la reflectancia en el infrarrojo es mayor que la reflectancia roja,
todos los pxeles de vegetacion caeran a la derecha de la lnea del suelo.
PVI2: [Bannari et al., 1995] ponderan la banda roja con el intercepto de la lnea del suelo.
Indice de Vegetaci
on de diferencia (DVI): Propuesto tambien por [Richardson &
Weigand, 1977] como un ndice de vegetacion con un algoritmo mas sencillo. La particularidad de DVI es que promedian la banda del IRC por la pendiente de la lnea del suelo. Similar
a la PVI1, los valores cero de DVI indican suelo desnudo, los valores negativos indican que
hay agua, y los valores positivos indican presencia de vegetacion.
Indice de Vegetaci
on Ajustado al Suelo (SAVI): Desarrollado por [Huete, Jackson,
& Post, 1985] es un ndice tomado como adaptacion del PVI, el coeficiente (L) fue encontrado por ensayo y error. Las lneas de isovegetacion convergen en el cuadrante del infrarrojo
cercano y negativo del diagrama del espacio de caractersticas del rojo /IRC. El coeficiente
(L) puede tomar valores de 0.25, 0.5 y 1 generando tres subclases de ndice SAVI.
Indice de Vegetaci
on de diferencia ponderada (WDVI): Seg
un [Silleos et al. 2006],
este ndice fue atribuido a [Richardson & Weigand, 1977]. El efecto de la ponderacion de la
banda del rojo con la pendiente de la lnea del suelo es la maximizacion de la se
nal de la
vegetacion 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 ndice esta basado en
19

la modificacion del coeficiente (L) del ndice SAVI. Tanto el MSAVI como el MSAVI-1 estan
destinados 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 tendencias
opuestas de NDVI y WDVI [Silleos et al., 2006].

5.

DIGITAL
CLASIFICACION

Consiste a grandes rasgos en convertir la imagen de satelite (imagen multibanda) en otra

imagen del mismo tama
no en la que cada pxel no contiene la cantidad de energa reflejada
por los objetos o ND, sino una etiqueta que identifica el tipo de formacion vegetal asignado
a ese pxel [Chuvieco, 2008].
Los metodos de clasificacion pueden ser vistos desde dos analisis, clasificacion basada en
pxeles y clasificacion basada en objetos. [D
uzg
un & Demirel, 2011].

5.1.

Clasificaci
on Supervisada

El enfoque supervisado para el etiquetado de los pxeles requiere que el usuario seleccione los datos de entrenamiento representativos para cada n
umero predefinido de clases. La
clasificacion es altamente dependiente de lo bien que el usuario es capaz de modelar la distribucion clase de destino. La experiencia del usuario puede ser muy u
til en la identificacion
y 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, coberturas, en unas localizaciones geograficas concretas, denominadas parcelas de entrenamiento, de
tal 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 los
parametros que definen las signaturas espectrales de cada clase deseada. [Universidad de
Jaen, 2006].

5.2.

Clasificador LDA

El modelo de analisis discriminante utiliza un algoritmo que busca funciones o vectores

discriminantes, esto es, combinaciones lineales o cuadraticas de las variables originales que
maximizan la varianza entre clases, a la vez que minimizan las varianzas inter-clases.

20

Figura 2.10: Clasificacion LDA. Fuente: [Bustamante & Rodriguez, 2005].

Para construir el modelo es necesario asignar los objetos del conjunto de entrenamiento a
una clase dada. Para ello, se a
nade una variable categorica a la matriz de datos conteniendo
tantas clases como sean necesarias. Las funciones Discriminantes se construyen de una en
una, buscando las direcciones del espacio que hacen maxima la expresion: 0 : SCD/SC1,
donde SCD es la suma de los cuadrados de las distancias Eucldeas entre los objetos que
pertenecen a distintas clases, en la direccion que indica la funcion discriminante y SC1 es
la suma de los cuadrados de las distancias Eucldeas entre los objetos que pertenecen a la
misma 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 0 , y manteniendo la ortogonalidad entre ellas. Una vez determinada la funcion
Discriminante es posible establecer fronteras explcitas que separan las regiones del espacio
que pertenecen a cada categorica. Para ello se modela en torno a su centroide mediante una
distribucion normal de la probabilidad. La clasificacion de objetos se hacen en funcion de sus
probabilidades de pertenencia a una u otra clase: un objeto queda clasificado dentro de la clase
para la que se obtiene la mayor probabilidad. La region crtica o frontera que separa dos clases
es una recta, o un plano o hiperplano, donde se igualan las probabilidades de pertenencia a
una u otra clase, esta lnea recta o plano es ortogonal a la funcion discriminante encontrada.
[Bustamante & Rodriguez, 2005].

5.3.

M
aquinas de Soporte Vectorial (SVM)

Las Maquinas de Soporte Vectorial (SVMs) representan un grupo de algoritmos de aprendizaje automatico teoricamente superiores. El atractivo de SVMs es su capacidad para reducir
al mnimo el llamado riesgo estructural, o los errores de clasificacion, al resolver el problema de clasificacion. A diferencia de los metodos convencionales de estadstica como maxima
probabilidad que reducen el mnimo error de clasificacion en un sentido emprico, lo que esta
directamente determinado por la distribucion de muestras de entrenamiento, el concepto de
21

minimizacion del riesgo estructural adoptado por SVM es reducir al mnimo la probabilidad
de clasificacion erronea de un punto de datos originales extrados al azar de una distribucion
de probabilidad fija. Especficamente, la formacion SVM siempre encuentra un mnimo global.[Tso & Mather, 2009].
El funcionamiento basico de SVMs es construir un hiperplano de separacion (es decir,
una decision lmite) sobre la base de las propiedades de las muestras de entrenamiento,
especficamente su distribucion en el espacio de caractersticas. Figura 2.11 ilustra esta idea
en la que hiperplano b separa las dos clases con margen maximo, mientras hiperplanos a,
c, y d hacer no cumplir con los requisitos de la minimizacion del riesgo estructural. Como
vera el lector en las derivaciones matematicas posteriores, no necesariamente hacer todas las
muestras de entrenamiento contribuir a la construccion de la hiperplano, pero normalmente
solo un subconjunto de formacion muestras se eligen como vectores de soporte. Este atributo
es u
nico para SVMs. como se muestra En la Figura 2.11, solo los puntos de sombra son
vectores de soporte que definen el hiperplano b la separacion de las dos clases con la distancia
maxima. [Tso & Mather, 2009].

Figura 2.11: Hiperplano b separa las dos clases con el margen maximo.[Tso & Mather, 2009].

5.4.

Arboles
de Decisi
on (DT)

Es un modelo predictivo que utiliza un conjunto de reglas binarias aplicadas para calcular
un valor de destino, se puede utilizar para la clasificacion (variables categoricas) o la regresion
(variables continuas) aplicaciones. Las reglas se desarrollan utilizando un software disponible en muchos paquetes estadsticos. Los diferentes algoritmos se utilizan para determinar
el mejor split en un nodo [American Museum of Natural Historys Center for Biodiversity
and Conservation, 2010].

22

La estructura de clasificacion definida por un arbol de decision se estima a partir de

datos de entrenamiento utilizando un procedimiento estadstico. El arbol esta hecho de
un nodo raz, nodos internos y hojas. Los nodos son donde los arboles dividen el conjunto
de datos; los nodos terminales se denominan hojas que contienen clases mas homogeneas.
La construccion del arbol de decisiones requiere entrenamiento supervisado; por lo tanto, es
necesario disponer de un conjunto de datos de entrenamiento que consta de respuesta y las
variables explicativas. [Pal & Mather, 2003].

Figura 2.12: Ejemplo de arbol de decision. Fuente: autores.

5.5.

Basado en Pxeles

Asigna un valor de clase a cada pxel de la imagen a partir de la respuesta espectral en

cada una de las bandas. [D
uzg
un & Demirel, 2011].Las clases que se distinguen en una clasificacion de imagenes necesitan tener diferentes caractersticas espectrales. Estas pueden ser
analizadas mediante la comparacion de las curvas de reflectancia espectral. Pero si las clases
no tienen grupos distintos en el espacio de caractersticas, la clasificacion de imagenes solo
puede dar resultados a un cierto nivel de fiabilidad. El principio de clasificacion de imagenes
es que un pxel se le asigna a una clase en base a su vector de caractersticas, comparandolo
con grupos predefinidos en el espacio de caractersticas. Si lo hace, para todos los pxeles de
la imagen se traduce en una imagen clasificada [Jensen, 2005].
El espacio caracterstico es un grafico donde los valores asignados en una banda son
graficados contra los de otra banda para ver el espacio entre clases y la forma en como se
realizo la asignacion de valores para cada una de las clases, se debe de tener en cuenta que
23

entre mas distantes esten, se obtendra una mejora en los resultados esperados, esto debido a
que no existio una confusion entre dos clases asignadas.

5.6.

Basado en objetos

La clasificacion orientada a objetos, conocida como OBIA (Analisis de Imagenes Basada

en 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 uso
de parametros o variables de entrada como informacion adicional al valor espectral que representa un objeto. [Santos, 2007] y [Hay & Castilla, 2006] definen GEOBIA2 como una
rama de los SIG que divide las imagenes georreferenciadas en objetos con significado propio
y que extrae sus caractersticas mas importantes. Esta metodologa considera forma, textura
y las propiedades espectrales de los objetos que componen la imagen, as como las relaciones existentes entre s, aumentando de forma considerable las caractersticas descriptivas de
los objetos que facilitaran su correcta clasificacion. Tiene dos etapas fundamentales: la segmentacion de la banda o bandas de entrada, y la posterior clasificacion de los segmentos
previamente definidos. La segmentacion es la subdivision de una imagen en regiones mas
peque
nas representadas por objetos. Los objetos obtenidos contienen la informacion referida
a su propio espectro, su forma, posicion y textura; y estan relacionadas con las caractersticas
de sus objetos vecinos [Gonzalez, Quintano, & Shimabukuro, 2009].

6.

SEGMENTACION

La mayor parte de estudios de clasificacion de usos de suelo se han basado u

nicamente
en los valores de los pxeles. Sin embargo, el aumento de la resolucion espacial ha propiciado
un aumento de la variabilidad espectral dentro de cada categora que conlleva, en el caso de
analisis basados en pxeles, un aumento en la dificultad de interpretacion de los datos y una
reduccion en la precision de las clasificaciones. Para superar esta dificultad, podra ser u
til
agrupar pxeles adyacentes en objetos homogeneos tanto desde un punto de vista espectral
como espacial. [Castillejo, 2011]. El primer paso de la metodologa GEOBIA es la segmentacion de la imagen, la cual debe hacerse teniendo en cuenta su resolucion y el tama
no de los
objetos a identificar. [Zaragoz, 2013].
Estos objetos se crean a partir de un proceso de segmentacion en el que el algoritmo de
union/crecimiento de los objetos parte de unos pxeles semilla, permitiendo el crecimiento
alrededor de ellos sobre la base de ciertos criterios de homogeneidad [Yu et al., 2006]. A partir de este proceso, la clasificacion ya no se basa en los pxeles individualmente, sino en los
objetos como unidad mnima de informacion. Esta idea implica realizar una segmentacion de
la imagen para delinear objetos homogeneos de la misma forma que la vision humana tiende
2

Geographic Object-Based Image Analysis

24

a generalizar la informacion en zonas homogeneas [Laliberte et al., 2004]. Los objetos generados son homogeneos en lo que respecta a las caractersticas tanto espaciales como espectrales.
Mientras que los analisis de imagenes basados en pxeles utilizan como informacion solo
la respuesta espectral de cada pxel en cada banda, los analisis basados en objetos obtienen
tambien informacion adicional derivada de los objetos de la imagen en base a calculos estadsticos centrados en valores espectrales de los distintos pxeles que forman los objetos, de
su posicion y de su forma. [Castillejo, 2011].
Por lo tanto, los objetos no son caracterizados por un valor uniforme de reflectancia, sino
por una cierta auto correlacion espacial [Lobo, 1997]. Esta informacion espacial se basa en
tama
no, forma y contexto de los objetos y puede ser calculada como informacion relativa de
un objeto, sub-objeto o super-objeto en el caso de que se haya creado una jerarqua multinivel de imagenes segmentadas [Chubey, Franklin, & Wulder, 2006]. Uno de estos metodos de
segmentacion es denominado la jerarqua multinivel o multirresolucion se basa en un estudio
de la informacion desde distintos niveles de escala, lo que permite observar como algunos
objetos presentan diferente comportamiento en funcion de la escala de analisis [Castillejo,
2011].De hecho, OBIA esta implementada en el software de referencia denominado eCognition [Definiens, 2009], aunque este ofrece varios enfoques para la segmentacion, que van
desde algoritmos muy simples, tales como tablero de ajedrez (segmentacion chessboard) y
la segmentacion quadtree, y otros basados en metodos altamente sofisticados como son segmentacion de filtro de contraste y segmentacion Multi-rresolucion [Montalban, 2013] En el
siguiente apartado se profundizara en este u
ltimo tipo de segmentacion, ya que es la mas
habitual de utilizar actualmente.

6.1.

Segmentaci
on Multirresoluci
on

La segmentacion multirresolucion esta basada en regiones de crecimiento con agrupacion

ascendente, que no precisan conocimiento previo por parte del usuario de las regiones presentes en la imagen, de forma que esta segmenta en objetos generados de forma automatica

mediante metodos de clusterizado [Baatz & Schape, 2000], Esta

permite generar distintos
niveles de segmentacion con objetos generados a partir de diferentes parametros de homogeneidad.[Castro, 2013]. Estos niveles se relacionan entre s mediante una red jerarquica de
objetos en la que se establecen relaciones entre ellos y que representa la informacion contenida en una imagen a distintas escalas simultaneamente como se observa en la Figura 2.13, la
segmentacion multirresolucion es un procedimiento de optimizacion que reduce al mnimo la
media de la heterogeneidad para un determinado n
umero de objetos de la imagen [Definiens,
2009] y produce imagenes de objetos muy homogeneos, en una resolucion arbitraria, a partir
de diferentes tipos de datos [Baatz & Schape, 2000].

25

Figura 2.13: Esquema de relaciones entre objetos del mismo o diferente nivel jerarquico.
[Definiens, 2009].

6.2.

Evaluaci
on de exactitud tem
atica

Los mapas obtenidos en el proceso de clasificacion de las imagenes deben ser validados
para conocer los tipos y grados de error que se han producido, as como la exactitud obtenida
en la clasificacion [Congalton & Green, 2008]. Estos parametros se obtienen a partir de la matriz de confusion, que resulta de comparar los resultados obtenidos en el mapa clasificado con
datos externos representativos de cada clase, los datos verdad-terreno. Se denomina de confusion porque recoge los conflictos que se presentan entre categoras o clasificaciones.[Castro,
2013]. La matriz de confusion esta formada por n-filas que recogen los pxeles, ordenados
por categoras, que se han obtenido en la clasificacion, y por n-columnas compuestas por los
pxeles verdad-terreno de cada categora. La diagonal de esta matriz representa el n
umero de
pxeles que coinciden tanto en la imagen clasificada como en los datos verdad terreno, es decir,
pxeles correctamente clasificados, definido como exactitud global de la clasificacion, mientras
que los marginales (los no diagonales) corresponden a errores en la asignacion. Ademas, de
esta matriz se obtienen los siguientes estadsticos: a) exactitud del usuario, que es el porcentaje de pxeles correctamente clasificados en filas, es decir, pxeles clasificados que coinciden
con los datos verdad-terreno, y que es complementaria al error de comision; b) exactitud del
productor, que es el porcentaje de pxeles correctamente clasificados en columnas, es decir,
pxeles verdad-terreno que coinciden con la clasificacion, y que es complementaria al error de
omision; y c) coeficiente kappa, que es el porcentaje de acuerdo obtenido en la clasificacion
sin considerar la influencia del azar [Congalton & Mead, 1983; Foody, 1992] en [Castro, 2013].
Para aceptar una clasificacion como valida se han establecido los valores mnimos que deben
alcanzar los diferentes estadsticos obtenidos en la matriz de confusion. Con respecto a la
exactitud 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
26

Pq
Porcentaje correcto =

k=1

nkk

100

(2.3)

exactitud usuario= nni

i+

(2.4)

ni
exactitud productor = n+
i

(2.5)

Coeficiente Kappa=

Pq

Pq

n
k=1 kk
q
n2 k=1

n n
k=1 k+ +k
nk+ n+k

(2.6)

Figura 2.14: La matriz de confusion y algunas medidas comunes de la precision de la clasificacion que se pueden derivar de ella. Los elementos resaltados representan la diagonal
principal 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 elementos
fuera de la diagonal contienen aquellos casos donde existe un desacuerdo en las etiquetas.
Adaptado de [Foody, 2002].
Kappa, es aceptable cuando tenga un valor mnimo de 0,75 [Monserud & Leemans, 1992] en
[Castro, 2013] asegurando as que el procedimiento de clasificacion no esta influenciado por
el azar.

7.

ANALISIS
MULTITEMPORAL

Los modelos de simulacion de cambios de usos y coberturas de los suelos se han vuelto
cada vez una herramienta mas empleada y u
til en el analisis espacial de sus patrones y sus
potenciales efectos negativos sobre el territorio. Estos modelos de simulacion, que son una
representacion de un componente o proceso de la realidad, son considerados como modelos
dinamicos capaces de pronosticar posibles comportamientos futuros [Henrquez & Azocar,
2006; Pontius & Malanson, 2005].
En la actualidad los modelos de simulacion de cambio de uso y cobertura de suelo mas
utilizados, estan basados en modelos estadsticos de regresiones que utilizan tecnicas de regresion espacial logstica, y modelos basados en transiciones espaciales, dentro de los cuales
destaca la utilizacion de metodos estocasticos como Cadenas de Markov y Automatas Celulares [Henrquez & Azocar, 2006].
Los modelos de automatas celulares corresponden a un arreglo bidimensional de celdas
que interact
uan dentro de una determinada vecindad de acuerdo con una serie de reglas de
transicion(Aguilera, Soria, & Valenzuela, 2006 en Verdugo & Sandro, 2009). Estos modelos
son espacialmente explcitos, es decir, los elementos o procesos de entrada tienen localidades

27

espaciales explcitas [Salazar, 2009] en [Turner, Wear, & Flamm, 1996]. En estos, el estado
de 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, lo
que ha facilitado su implementacion. Han sido utilizados para modelar el cambio de uso de
suelo integrando variables socioeconomicas y ambientales, e incluso el desarrollo y analisis
de patrones de uso de suelo orientados a apoyar la toma de decisiones de polticas p
ublicas
[Engelen, White, & Nijs, 2003; Sui & Zeng, 2001].
Por otra parte, las cadenas de Markov, son modelos espacialmente no explcitos que se
han utilizado para proyectar cambios sucesionales basados en transiciones observadas en bosques [Jensen, 2005]. Los modelos de Markov son aproximaciones matematicas estocasticas
que 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 de
las otras coberturas. Tambien, este procedimiento genera una matriz de areas de transicion
que expresa el area total, en celdas, que se espera cambie en el proximo perodo de tiempo
para cada una de las coberturas y genera a su vez una serie de imagenes de probabilidad
condicional para cada una de las coberturas. Estas imagenes expresan la probabilidad de que
cada pxel pertenezca a la clase designada en el proximo periodo de tiempo. Las limitantes
de este procedimiento estan relacionadas principalmente con que las a) probabilidades de
transicion pueden no ser constantes en el tiempo. Por ejemplo, la probabilidad de transicion
entre la clase agricultura a matorral puede variar por factores climaticos como una sequa o
de mercado como el precio de los insumos, lo que podra desincentivar el despeje de terrenos para actividades agrcolas; y b) que no son modelos espacialmente explcitos dado que
las relaciones de vecindad no son consideradas en el calculo de las matrices de probabilidad
[Mladenoff, 2004].
Las cadenas de Markov han sido utilizadas para predecir el reemplazo y la composicion
de especies en el tiempo [Mladenoff & Baker, 1999]. Los modelos de automatas celulares
tambien se han utilizado en combinacion con los modelos de cadenas de Markov. Esta nueva
aproximacion suma el caracter espacialmente explcito a las cadenas de Markov mediante la
agregacion de un elemento de contig
uidad espacial y conocimiento sobre la distribucion espacial probable de las transiciones. Ademas permite modelar diferentes coberturas de manera
simultanea. [Salazar, 2009].

28

Captulo 3
ESTADO DEL ARTE
Para este trabajo se utilizaron como referencias algunas investigaciones y estudios relacionados con la identificacion, erradicacion y analisis de reproduccion de especies invasoras.
En ecologa se ha venido historicamente organizando la vegetacion en categoras funcionales de vegetacion para su estudio [Ustin & Gamon, 2010]. En sensores remotos la determinacion de estas categoras puede hacerse basicamente mediante dos criterios [Duda, Hart, &
Stork, 2012].

1. Clasificacion no supervisada. No se establece ninguna clase a priori, aunque es necesario

determinar el n
umero de clases que queremos establecer, dejando que el algoritmo las
defina mediante un procedimiento estadstico o regla de decision.
2. Clasificacion supervisada. Se parte de un conjunto de clases conocido a priori. Estas
clases deben caracterizarse en funcion del conjunto de variables mediante la medicion
de 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 (ISODATA

y K-Means) de agrupamiento secuencial y ha sido aplicada en estudios de cobertura terrestre
como los de [Gutierrez, Branch, & Botero, 2005], [Du, 2007], [Cruz, Martinsanz, & Santos,
2010]. La clasificacion supervisada tiene sin embargo mucha mayor aplicacion en estudios de
cobertura del suelo y por tanto un mayor desarrollo y variedad de algoritmos para ejecutarla.[Gallo, Mancha, & Garrido, 2013] utiliza para su clasificacion el algoritmo supervisado de
maxima probabilidad. Este algoritmo se basa en la probabilidad de que cada pxel pertenezca
a una clase particular y asume que las probabilidades son iguales para cada clase y que los
valores de los pxeles de la imagen se distribuyen de manera normal [Chuvieco, 2008; Jensen,
2005]. Los algoritmos basados en redes neuronales han sido ampliamente utilizados [Frau et
29

al., 2006], as como las cadenas de Markov. Otros algoritmos supervisados que se aplican en
la actualidad son los basados en la Distancia de Mahalanobis (similar a la clasificacion de
maxima probabilidad) y en la Mnima distancia (minimiza la distancia entre el pxel y el
centroide de la clase).
La identificacion de especies vegetales ha sido un importante objeto de estudio para diversas investigaciones ecologicas y medio ambientales. Sin embargo, crear comisiones que
recorran las zonas de estudio para encontrar una especie en particular resulta ser una tarea
bastante tediosa. Para [Lawrence, Wood, & Sheley, 2006], las deficiencias de los metodos
basados en mapeo GPS incluyen una extension espacial limitada y tanto el tiempo como
los costos asociados a este son altos, por tanto una solucion eficiente es cartografiar la vegetacion por medio de la teledeteccion, pues cubre grandes areas espaciales y los mapas se
pueden actualizar en un intervalo de tiempo determinado por las necesidades que se requieran.
Diferentes autores han venido desarrollando tecnicas de procesamiento digital de imagenes para la identificacion y mapeo de especies invasoras. Es el caso de un estudio llevado a
cabo por [Lawrence et al., 2006], en donde haciendo uso de imagenes capturadas por sensores
hiperespectrales que cuentan con 128 bandas y resolucion espacial entre 3 y 5 metros intentan identificar las especies invasoras Euphorbia y Manchada knapweed. Usando el algoritmo
Beiman Clasificaciones Cutler (BCC), construyen varios arboles de clasificacion, tomando
repetidamente subconjuntos aleatorios de los datos de observacion y hacen uso de subconjuntos aleatorios de las bandas espectrales para determinar cada division en los arboles de
clasificacion obteniendo resultados favorables en la exactitud y mejoras con la clasificacion
de arboles de clasificacion individuales.
Dos tesis doctorales de la Universidad de Cordoba estudian metodos complementarios a la
percepcion remota para discriminar especies invasoras. Una de estas es la realizada por [Castro, 2013], cuyo trabajo se encamina en evaluar y analizar a traves de los sensores remotos, la
deteccion de zonas con presencia de malas hierbas crucferas1 en estado fenologico tardo en
cultivos de invierno usando imagenes aereas y de satelite de alta resolucion espacial, ademas
se describe un estudio detallado de cada una de las firmas espectrales obtenidas en campo
con un espectroradiometro y realizan un completo analisis estadstico para la seleccion de las
longitudes de onda que permiten identificar este tipo de especie invasora. La clasificacion y
mapeo de las malas hierbas las realizan a nivel parcela, a nivel especfico y puntual, lo cual
conlleva a detallar la metodologa y los resultados de la discriminacion elaborando mapas
de tratamientos de la localizacion de estas malas hierbas. En conclusion, la relevancia de
esta tesis radica en los analisis de la determinacion de las longitudes de onda capaces de
diferenciar con mayor detalle las malas hierbas crucferas, lo que nos encamina a aplicarlo en
nuestro trabajo.
1

Son una gran familia natural, que incluye una elevada proporcion de plantas cultivadas para su consumo,
como hortalizas, obtenci
on de aceite de sus semillas. [Siurana, Breijo, & Caselles, 1997]

30

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 el
objetivo de evaluar la capacidad de discriminar los diferentes usos del suelo evaluando metodos o analisis basado en pxeles y objetos para determinar su capacidad de clasificacion en
agricultura de precision. Realizan un analisis multitemporal en el que se determina el estado
fenologico propicio para la deteccion de una mala hierba (Avena sterilis L.) en parcelas de
trigo, este el aporte mas relevante del trabajo, pues concluyen que el estado fenologico tanto
de la especie invasora como de la vegetacion vecina constituye un factor importante en su
correcta diferenciacion.
Los estudios realizados por [Montalban, 2013] y [Yan, 2003] se enfocan en la identificacion
de 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 valor
de compacidad o densidad con ayuda del software eCognition. El primer documento tiene
como objetivo desarrollar una tecnica de deteccion automatica de invernadero a traves del
analisis basado en objetos usando una escena de un estereo par del satelite WorldView-2 con
las 8 bandas multiespectrales y la banda pancromatica, donde el autor aclara que este tipo
de imagenes permite mejorar la clasificacion y discriminacion de los invernaderos teniendo
en cuenta que al usar un sensor de muy alta resolucion (VHR), con la posibilidad de sustraer
un modelo digital de objetos de calidad (nDMS), mejora las precisiones al obtener datos de
entrada precisos, sin necesidad de mediciones en campo precias. El Segundo documento tiene
un enfoque similar, pues investiga incendios de carbon usando analisis basado en pxeles y en
objetos pero con la gran diferencia que usan sensores de baja resolucion espacial como son
ASTER y Landsat 7 ETM+, aclaran que el analisis basado en pxeles no es tan eficiente como 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 logica
difusa, evidenciando que tiene mejores resultados en la clasificacion objeto de estudio.
As 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 mapear
y monitorear las comunidades vegetales de los humedales, en particular para identificar especies invasoras. Hacen uso de una clasificacion de maxima probabilidad y producen 20 clases
de 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 precision de los mapas resultantes. Con resultados favorables sugieren que las imagenes de satelite
de alta resolucion ofrece un gran potencial para el mapeo de las especies de plantas invasoras
en ambientes estuarios.
Es interesante destacar un estudio realizado por [Laba et al., 2010] en donde eval
uan el
uso de imagenes de satelite IKONOS para estudiar un conjunto de plantas invasora: Rapa
31

Natans, Phragmites Australis y Lythrum Salicaria, en Bahas de Tivoli de la Reserva Nacional del Estuario del Ro 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 pxel y la incorporacion de las bandas de textura para
los segmentos generados a traves de una clasificacion basada en objetos aumenta ligeramente
la precision, y (2) que un analisis mas detallado indica que los mejores resultados se pueden
obtener mediante el uso de otros tipos de datos dentro de los segmentos y que el enfoque
tradicional de la seleccion de la formacion y los sitios de la precision puede influir negativamente en los resultados de una clasificacion por pxel y clasificacion basada en objetos.
Una de las investigaciones mas relevantes en este tema de la determinacion de especies
vegetales invasoras es la realizada por [Kandwal et al., 2009]. Su trabajo consiste en la discriminacion de la especie vegetal invasora Lantana en Dehradum, Uttarakhand, India, con
imagenes IKONOS y Landsat ETM a traves de la evaluacion cualitativa y cuantitativa de
algunos ndices de vegetacion. La conclusion mas importante, que aunque parece explcita y
evidente, es que los resultados pueden diferir para imagenes adquiridas con otros sensores, lo
que sugiere un nuevo tema de investigacion.

Antecedentes nacionales
La secretara 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 humedales
de la altiplanicie de la Sabana de Bogota, consideradas como invasoras o potencialmente
invasoras. La metodologa para la elaboracion de este catalogo implico tres fases: 1) fase de
campo, 2) fase de laboratorio, y 3) fase de revision de informacion y analisis. En la fase mas
importante que es la fase de campo se realizaron salidas de reconocimiento y verificacion de
las coberturas vegetales en los humedales, lo que constituyo una labor que tomo bastante
tiempo. [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 imagenes multiespectrales del satelite SPOT para analizar la dinamica de invasion de la planta a partir del uso
de sistemas de informacion geografica, obteniendo como resultado la generacion de mapas de
afectacion. Dentro de las recomendaciones finales, los autores sugieren que la utilizacion de
imagenes 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 perdida de informacion al momento de realizar la clasificacion debido a que solamente parches de
32

grandes areas pueden ser identificados.

Finalmente, la informacion de las especies invasoras de Colombia se esta recopilando dentro de una base de datos elaborada por la Lnea de Especies Focales del Programa de Biologa
de la conservacion del Instituto Humboldt. Esta base de datos tiene por objetivo elaborar la
lnea base del conocimiento de las especies invasoras del pas.[DAMA, 2000].
El estudio de [Lopez, 2012] aporta una metodologa para identificar cultivos de coca en
diferentes estados fenologicos. La discriminacion de esta planta se realiza a partir de un
analisis del rango del espectro electromagnetico llamado red-edge y de la estereoscopa de
imagenes usando una imagen WorldView-2. Las fases de la investigacion incluyen la captura
de las firmas espectrales en campo de los cultivos de coca en diferentes estados fenologicos
con un espectroradiometro, calculando posteriormente el parametro REP ( red edge position)
por el metodo de extrapolacion lineal; una transformacion a valores de reflectancia sobre el
cual se calcula el parametro REP y un sobrevuelo al area de estudio para identificacion de
lotes de coca el cual se usa para evaluar el resultado de la clasificacion mediante matrices
de confusion e ndice de concordancia Kappa. El estudio concluye desarrollando una metodologa para identificar los cultivos de coca mediante un analisis espectral en la region de
red edge y espectroscopia de las imagenes permitiendo llegar a la clasificacion en diferentes
estados fenologicos. Sugieren que las mediciones tomadas por el espectroradiometro deben
ser tomadas el mismo da de captura de la imagen o bien tener condiciones atmosfericas
similares a la de la toma de la imagen.
Despues de este breve repaso por los que consideramos mas relevantes trabajos de investigacion enfocados en el interes por identificar especies vegetales particulares a traves de
la teledeteccion, vemos que se han venido utilizando algoritmos de clasificacion supervisada
en detrimento de los no supervisados, pues estos u
ltimos ofrecen peores adaptaciones a los
objetivos buscados. Ademas, la complementacion de estas tecnicas con analisis de firmas hiperespectrales capturadas con dispositivos a corta distancia como es el espectroradiometro
y la utilizacion de ndices de vegetacion permite llegar a mejores resultados. As, se propone ensayar la clasificacion de las imagenes de satelite con dos tipos de metodos: El metodo
supervisado pretendera distinguir clases informacionales proporcionadas a priori por el investigador, mientras que el no supervisado, tratara de diferenciar las clases espectrales, sin
informacion a priori de la composicion del territorio. Ambos metodos con la combinacion de
analisis de firmas hiperespectrales obtenidas con el espectroradiometro e ndices de vegetacion.

33

Captulo 4

DATOS Y METODOS
1.

AREA
DE ESTUDIO

Las dos areas seleccionadas para este estudio se localizan en la zona urbana y rural de la
ciudad de Bogota D.C. ya que el Distrito Capital ofrece una gama variable de condiciones
ambientales climaticas, edaficas, y bioticas, propias para el establecimiento de las especies de
estudio. [Rios, 2011].
La primera zona de estudio se localiza en los cerros orientales del Distrito Capital acotada
entre las coordenadas geograficas 7444,232W 43727,575N y 7431,612W 43540,133N,
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 hdricas superficiales, como el
rio arzobispo, lo cual lo establece como una zona climatica h
umeda. [Rios, 2011].
La segunda zona de estudio se localiza al sur del Distrito Capital en la zona rural de la
localidad de Usme acotada entre las coordenadas geograficas 741052,379W 42340,144N
y 74942,62W 4229,817N, ver Figura 4.2, se encuentra en un rango altitudinal entre los
3000 y 3300 m seg
un la zona de vida la vegetacion se encuentra enmarcada en la franja alto
andina, hidrograficamente pertenece a la cuenca media del ro Tunjuelo siendo sus principales
afluentes el ro Chisaca y el ro Mugroso [Mora, Figueroa, & Vivas, 2007].

2.
2.1.

E INSUMOS
DATOS, INFORMACION
Im
agenes satelitales

Para las areas de estudio se adquirieron 6 imagenes, dos segmentos de una imagen QuickBird que hacen parte de una misma escena, 2 sin metadato, las 4 imagenes anteriores fueron proporcionadas por el Jardn Botanico Jose celestino Mutis, una Geoeye-1 y una

34

Worldview-2 proporcionadas por Procalculo, las especificaciones mas relevantes se presentan en la Tabla 4.1.
Tabla 4.1: Caractersticas de las imagenes adquiridas. Tomado de los metadatos de las
imagenes.

2.2.

Imagen

Geoeye-1

WorldView-2

QuickBird-2

Fecha de Adquisici
on

2013-03-27

2009-12-13

2007-02-02

Tipo de imagen

ORStandard2A

ORStandard2A

ORStandard2A

Resouci
on espacial

0.5 m.

0.5 m.

Hora de Adquisici
on

15:16:40.48

15:33:24.14

0.5 m.

0.5 m.

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 W

Sentido de la toma

Inverso

Directo

Directo

Azimut del sol

92.9

146.4

136.5

Elevaci
on del sensor

66.7

63.0

65.4

Azimut del sensor

66.0

202.9

175.1

Bits por pxel

16

16

16

15:46:49.44

Software

ERDAS IMAGINE: Este Software se empleo para la visualizacion analisis y procesamiento digital de imagenes, como el pre-procesamiento de imagenes y creacion de ndices de
vegetacion.
ViewSpec Pro: Este software permitio la visualizacion, exportacion y conversion de los
datos tomados en campo mediante el espectroradiometro para posterior analisis.
R statistics: Este Software se empleo para el analisis estadstico de los datos y procesamiento de las imagenes, como lo fue la clasificacion supervisada basada en pxeles.
ArcGIS: Este Software se empleo, para la creacion de diferentes archivos vectoriales,
para las muestras de entrenamiento usadas en R y creacion de mapas
eCognition Developer: Este software se utilizo para el desarrollo de las diferentes reglas para el analisis de imagenes basado en objetos
IDRISI: Este Software se empleo para el analisis multitemporal y aplicacion del modelo
de simulacion de los posibles cambios mediante cadenas de Markov y automatas celulares.

35

Figura 4.1: Zona de estudio 1, seccion de los cerros orientales de Bogota D.C. Fuente autores.

36

Figura 4.2: Zona de estudio 2, Vereda el Hato, embalse de Chisaca. Elaboracion propia.

37

2.3.

Metodologa General

Definici
on de requerimientos: Esta fase preliminar tiene como finalidad, la validacion
de los requerimientos basicos, para la adquisicion de imagenes e informacion para llevar a
cabo el proyecto, como son que las imagenes teniendo en cuenta la resolucion espacial, espectral y la zona de estudio, adicional la captura de informacion espectral in situ con el
espectro radiometro, propiedad de la Universidad Distrital Francisco Jose de Caldas, en
las zonas de estudio elegidas.
Procesamiento digital de im
agenes: En esta fase se aplicaran los procesos que se describen en secciones posteriores y se generaran los diferentes mapas de distribucion espacial
de la especie vegetal invasora Ulex europaeus (Retamo espinoso).
Elecci
on Pruebas y validaci
on del modelo o
ptimo: Teniendo en cuenta la fase anterior se realiza la validacion de los metodos, mediante la evaluacion de exactitud tematica
y analisis visual, para definir cual de los anteriores metodos usados es el mas optimo.
An
alisis Multitemporal: Teniendo ya el modelo optimo para la clasificacion de las
coberturas, se clasificaran dos imagenes con fechas de toma diferentes con la finalidad de
analizar la dinamica espacial de las especie vegetal invasora para identificar su propagacion
o disminucion en estos dos periodos de tiempo.

38

Figura 4.3: Metodologa general del trabajo. Elaboracion propia

39

3.

DEFINICION
DE AREA
DE TRABAJO Y OB DE IMAGENES

TENCION

Las zonas de estudio mencionadas en la seccon 1 del presente capitulo fueron seleccionadas
debido a que se contaba con informacion previa como mapas tematicos o informacion espacial
confiable, o bien por contar con un lapso no muy grande entre la fecha de captura (marzo de
2013) y la fecha de reconocimiento de campo (agosto de 2014) para la zona de cerros, lo que
garantiza 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- Choach con la compa
na y apoyo del Biologo, Oscar Rojas, funcionario del Jardn
Botanico Jose Celestino Mutis cuya colaboracion fue trascendental en la eleccion de los
individuos objeto de medicion de la firma espectral, se determino una zona de estudio para
la 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 dos
especies, sin embargo, es necesario aclarar y tener en cuenta las caractersticas explicadas
paginas atras, donde se expresa que la Genista monspessulana se encuentra frecuentemente
en 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 facilmente
detectables, por esta razon el analisis de sus firmas, as como su clasificacion no se realizo.
Durante el recorrido se establecio una zona para la captura de firmas espectrales cuya
localizacion se ve representada en la Figura 3.1.

40

Figura 4.4: Zona de captura de firmas espectrales. Elaboracion propia.

41

3.2.

Captura de firmas espectrales

Las mediciones de campo se realizaron con un espectroradiometro HandHeld 2 de la

empresa fabricante Analytical Spectral Devices, Inc. (ASD), propiedad de la Universidad
Distrital Francisco Jose de Caldas. Este espectroradiometro mide el dominio de longitud de
onda entre 325 1075nm (visible e infrarrojo cercano), con una resolucion espectral de 3nm
para 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 estado adulto que fueran representativas de acuerdo al comportamiento de propagacion de la
especie. Con los individuos elegidos se tomaron muestras individuales teniendo en cuenta los
siguientes parametros de captura.

Uso de ropa oscura: Esto con el fin de evitar influir en la reflectancia de la planta
al momento de la captura, puesto que podra significar un aumento de la respuesta
espectral que no es propia de estudio.
Selecci
on del accesorio
optico: Estos son un tipo de lentes que disminuyen el area
efectiva seg
un se necesite. El espectroradiometro tiene una configuracion de angulo de
apertura predeterminada de 25 y estos accesorios permiten disminuirlo a 7,5 y 1 (ver
Figura 4.5); Para la toma de las muestras tanto a nivel individual y dosel se uso el
angulo predeterminado del espectroradiometro (25) a una altura de 40cm, lo cual con
el siguiente calculo representa un area de 1092.98 cm2
tan =

tan 25 =

co
ca

co
40cm

co = tan 25 40cm
co = 18,65cm = radio

Area
= 1092,98cm2

42

(4.1)

Figura 4.5: Esquema de captura de espectroradiometro. Elaboracion propia.

Calibraci
on del equipo: Con el panel de referencia (espectralon) cuya caracterstica principal es lograr una reflectancia de 100 % en todo el espectro, se debe calibrar
el espectroradiometro en las mismas condiciones de captura de la muestra (como iluminacion solar) para obtener condiciones optimas al momento de registrar la firma
espectral.
Captura de la firma espectral de cada individuo: Se debe tomar sobre una
superficie de color negro (pues tiene una reflectancia de aproximadamente 0 %) para
evitar 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 las
dos especies (con varias muestras), 11 firmas a nivel individual y 11 a nivel dosel, para as
caracterizar la variabilidad en campo. Cada firma espectral fue calibrada usando un panel de
reflectancia estandar antes e inmediatamente despues de cada once mediciones. Las lecturas
se tomaron en condiciones de sol, entre las 9:00 h y 12:00 h hora local. Las mediciones
hiperespectrales se recogieron entre 325 y 1075 nm con un ancho de banda de 1,0 nm, aunque
los espectros de reflectancia eran ruidosos al comienzo y al final de la gama, solo se analizaron
43

las mediciones entre 450 y 895 nm. Tanto las mediciones de reflectancia a nivel individual
como 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-1
y QuickBird.

4.

PRE-PROCESAMIENTO DIGITAL DE LAS IMAGENES

Para obtener un mejor resultado, se procede a realizar un pre-procesamiento en cada una

de las imagenes, este se detalla en la siguiente seccion.

4.1.

Correcci
on atmosf
erica

La correccion de los efectos atmosfericos es una etapa de tratamiento importante para mejorar la calidad de los datos, ayudar al interprete, y mejorar el rendimiento de procesamiento
posterior, por ejemplo, algoritmos de clasificacion.[GEOSYSTEM, 2013]. Algunas tecnicas,
para corregir estos efectos, son incorporadas de modo rutinario por las estaciones receptoras
de las imagenes. [Chuvieco, 2008] Las imagenes utilizadas para las clasificaciones cuentan
con un proceso hecho intrnsecamente por la compa
na antes de entregarla al p
ublico, todos
los productos estan radiometricamente corregidos, esto quiere decir que los valores de los
pxeles estan en funcion de la cantidad de radiancia espectral que entra en la abertura del
telescopio convirtiendo luego esta radiacion en una se
nal digital. Esta se
nal depende de la
transmision espectral del telescopio y de los filtros, del rendimiento del telescopio, la eficacia
de los detectores y de la conversion de la se
nal. Por lo tanto, los datos de los pxeles de las
imagenes son exclusivos para cada sensor y no deben compararse con las imagenes de otros
sensores en el sentido de su radiometra espectral.
Una vez las imagenes son corregidas radiometricamente, se procede a transformar la imagen a valores de radiancia en tope de la atmosfera (Top Of Atmosphere, TOA) con la siguiente
ecuacion.

Lpixel,banda =

Kbanda qpixel,banda
banda

(4.2)

Donde Lpixel,banda es la radiancia espectral en el tope de la atmosfera de los pxeles de la

imagen [W m2 sr1 m1 ], Kbanda es el factor de calibracion radiometrica absoluta para
44

cada banda, qpixel,banda son los pxeles de la imagen corregida radiometricamente, y banda
es el ancho de banda efectivo para cada banda.
El factor de calibracion radiometrica absoluta y los valores de ancho de banda efectivo
para cada banda se encuentran en los archivos de metadatos (con extension .IMD) de las
imagenes (ver Tabla 4.2).
Finalmente, los valores de reflectancia son obtenidos mediante la ecuacion:

pixel,banda

Lpixel,banda d2T S
=
ESBanda cos(s )

(4.3)

Donde dT S es la distancia Tierra-Sol en el momento de captura de la imagen, ESBanda

es la irradiancia espectral solar de cada banda [W m2 m1 ],normal a la superficie
iluminada como se muestra en la Tabla 4.3, y s es el angulo zenital solar . s = 90
a
ngulo.de.elevaci
on.solar .
Tabla 4.2: Calibracion radiometrica (K) y ancho de banda efectivo () para cada sensor.
Tomado de los metadatos de las imagenes.
Sensor
WorldView-2

GeoEye-1

QuickBird-2

Banda
Rojo
Verde
Azul
IRC
Rojo
Verde
Azul
IRC
Rojo
Verde
Azul
IRC

45

k
0.00056679
0.00120715
0.0008919
0.00134302
0.01851735
0.00971307
0.01260825
0.02050828
0.0126735
0.0143847
0.016412
0.0154242

0.0025
0.07
0.06
0.14
0.0574
0.063
0.0543
0.0989
0.079999
0.099
0.068
0.114

Tabla 4.3: Irradiancia solar espectral. Promedio por banda. Tomado de la guia del Radiometric Use de cada uno de los sensores, disponible en la pagina oficial de Digital Globe.
Sensor
WorldView-2

GeoEye-1

QuickBird-2

5.

Banda
Rojo
Verde
Azul
IRC
Rojo
Verde
Azul
IRC
Rojo
Verde
Azul
IRC

Irradiancia espectral
1974.2416
1856.4104
1559.4555
1069.7302
1960
1830
1505
1039
1924.59
1843.08
1574.77
1113.71

INDICES DE VEGETACION

En el campo de las aplicaciones espaciales de los sensores remotos, los Indices de Vegetacion han sido desarrollados para la evaluacion cualitativa y cuantitativa de la cubierta vegetal
presente 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 MSAVI
son particularmente prometedores en la clasificacion y discriminacion de vegetacion [Huete,
1985; Pinty & Verstraete, 1992; Jensen, 2005], aunque aquellos dos primeros y este u
ltimo
no arrojaron buenos resultados para efectos de este trabajo.
En este trabajo se plantea la generacion de algunos ndices de vegetacion a partir de los
datos de una imagen WorldView-2 y una GeoEye con el fin de extraer con mayor precision
los parches de Retamo Espinoso. Ademas de analizar la utilidad de 13 ndices de vegetacion
en la discriminacion del Retamo Espinoso de otras clases de cobertura vegetal presentes en
las dos zonas de estudio, pues, en cada una de estas hay una diferencia notoria en cuanto al
tipo de vegetacion se refiere.
Normalmente se combina la informacion de dos o mas bandas para obtener ndices de
vegetacion que son de gran utilidad para la caracterizacion del crecimiento y desarrollo de
la vegetacion debido a que se aprovechan del contraste de reflectancia de la vegetacion en
diferentes bandas del espectro [Jackson & Huete, 1991].

46

Los ndices NDVI y RVI son muy utilizados para la diferenciacion entre tipos de vegetacion 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 ndices en
realzar esas diferencias [Elmore et al., 2000; Hansen & Schjoerring, 2003]. Los ndices NDVI,
TVI, TTVI, NRVI, PVI, DVI, SAVI, WDVI y MSAVI ya han sido utilizado por [Kandwal
et al., 2009] en la discriminacion de zonas infestadas por malas hierbas y vegetacion natural.
Los ndices 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 escena
que cubre parte de los cerros orientales no se puede decir a priori que los ndices que ayudan a
discriminar 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 tiende
a 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 dos
tipos de vegetacion se comportan diferente en su respuesta espectral debido al grosor de las
hojas, la estructura de la superficie foliar, los niveles de contenido de clorofila y la estructura
interna de la hoja (ver Figura 2.6). Ademas, las imagenes utilizadas para cada zona de estudio
son diferentes, para la escena que corresponde al Embalse Chisaca se cuenta con una imagen
WorldView-2 y para la que cubre parte de los cerros orientales, una GeoEye.

Figura 4.7: Metodologa para la generacion de Indices de Vegetacion. Elaboracion propia.

En la Figura 4.7 se muestra la metodologa de trabajo a seguir para la generacion de los
ndices de vegetacion y as poder reproducirlo cuantas veces sea necesario seg
un el n
umero
47

de imagenes a analizar, a continuacion su explicacion:

1. Imagen corregida atmosf

ericamente: Corresponde al insumo primordial, la imagen
satelital con su respectiva correccion atmosferica que remueve las distorsiones que la
atmosfera introduce en los valores de radiancia que llegan al sensor desde la superficie
terrestre. Esto con el fin de conseguir una respuesta espectral limpia de cada una de
las coberturas y garantizar resultados confiables en el calculo de los ndices.
2. C
alculo de ndices de Vegetaci
on: Se procede a calcular los ndices de vegetacion
con cada una de sus formulas mostradas en las Tablas 2.1 y 2.2 a partir de los datos
obtenidos 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 variable
dependiente. Luego, la banda del Rojo fue tratada como la variable independiente y
la banda del IRC como la variable dependiente. Los ndices DVI, PVI1 y PVI3 fueron
calculados tomando la banda del Rojo como la variable dependiente; y los ndices PVI,
PVI2 y WDVI fueron calculados tomando la banda del IRC como la variable independiente. Por lo anterior, los valores de los ndices para cada una de las dos imagenes
fueron calculados para dos casos:
Caso 1:
IRC: Variable Dependiente (Y) Rojo: Variable Independiente (X)
DVI, PVI1 y PVI3 se incluyen en esta categora.
Caso 2:
IRC: Variable Independiente (X) Rojo: Variable Dependiente (Y)
PVI2 y WDVI se incluyen en esta categora.
Los valores de a y b fueron calculados usando la herramienta Model Maker en el
software ERDAS IMAGINE.
3. Normalizaci
on a 8 bits: Debido a que los valores de todos los ndices de Vegetacion
estan en valores decimales, se efect
ua una normalizacion a la gama de 8 bits utilizando
la siguiente ecuacion:
N D M IN
255
M AX M IN
Donde
N D =Nivel digital para cada pxel
M IN =Valor mnimo de la muestra.
48

(4.4)

M AX =Valor maximo de la muestra.

4. Composici
on de imagen: Al generar cada uno de los ndices de vegetacion y normalizarlos a la gama de 8 bits, es necesario hacer una imagen compuesta de todos
los ndices calculados, pues esto permitira mediante la generacion de un perfil espectral
hacer un analisis en conjunto que facilitara la comparacion de efectividad de los ndices.
Para cada una de las escenas se creo una imagen compuesta de 14 bandas, en donde
las 13 primeras corresponden a los ndices de vegetacion enumerados en las Tablas 2.1
y 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 eleccion de los mejores indices y
se agregan las bandas del visible para poder discriminar de mejor forma las coberturas
de forma visual. La imagen resultante de esta combinacion de bandas fue empleada
para efectos de realizar las clasificaciones orientadas a pxeles y objetos de ambas zonas
de estudio, pues las propiedades de los ndices de vegetacion ayudan a una mejor discriminacion de especies vegetales especficas.
5. Extracci
on de muestras para an
alisis: Un vez generada la imagen compuesta
por los ndices de vegetacion, se debe identificar las muestras que se utilizaran para
la generacion de los perfiles espectrales. Estos perfiles espectrales ayudan a decidir
visualmente la capacidad de discriminacion de cada ndice de vegetacion al permitir
hacer una comparacion directa de la respuesta de cada cobertura para cada ndice.

5.1.

Composici
on de im
agenes con los ndices o
ptimos

Para la clasificacion se creo una imagen compuesta de los ndices de vegetacion que mejores
resultados ofrecieron en cuanto a la discriminacion y diferenciacion de la especie vegetal
invasora Retamo Espinoso de las demas clases, todos escalados a 8 bits. Los demas ndices
proporcionan una separabilidad, aunque sea muy mnima, pero debido a que son la mayora,
pueden entorpecer el proceso de clasificacion, por tanto no son incluidos en la composicion
de la imagen, el analisis y eleccion de los indices se explicara en la seccion 3 del capitulo de
5.

49

Figure 4.8:

6.

Composicion de bandas de la imagen a clasificar. Elaboracion propia.

PROCESAMIENTO DIGITAL DE IMAGENES

Cada imagen esta compuesta por los ndices de vegetacion optimos en la labor de discriminar el retamo espinoso de las demas especies, esta clasificacion se hizo a traves del
(a) analisis basado en pxeles 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, la
parcelacion de la imagen en regiones homogeneas clasificadas a posteriori utilizando, entre
otras caractersticas, las propiedades espectrales de la imagen. El analisis basado en objetos
es considerado un metodo alternativo muy robusto para la clasificacion digital de imagenes
de sensores remotos en comparacion con los algoritmos estadsticos convencionales como lo
son los orientados a pxeles. Se muestran las ventajas y limitaciones de las dos tecnicas, teniendo en cuenta la evaluacion de los resultados obtenidos en su aplicacion en la clasificacion
de cobertura del suelo en las dos zonas presentadas anteriormente. Los resultados obtenidos
permitieron evidenciar las notables ventajas de la clasificacion a traves del analisis basado
en objetos frente al metodo convencional de analisis orientado a pxeles.
Hay una gran cantidad de estudios que permiten inventariar las coberturas del suelo a
traves de diversas tecnicas de teledeteccion, especialmente en la discriminacion espectral de
diferentes tipos de vegetacion [Ghulam, Porton, & Freeman, 2014; Kandwal et al., 2009;
Laba et al., 2010; Schmidt & Skidmore, 2003]. La mayora de las tecnicas de procesamiento
digital de imagenes para la clasificacion de la cobertura del suelo estan basadas en la informacion contenida en cada pxel 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 pxeles en
base a un criterio com
un, por ejemplo, la similitud de la respuesta espectral en las distintas
bandas. Sin embargo, los elementos que se estudian dentro de la clasificacion no son analiza50

dos exclusivamente por su componente espectral, tambien toman en consideracion los factores
geometricos de forma que definen un objeto, de tal modo, que se aumentan los criterios de
b
usqueda y clasificacion de una cobertura terrestre en particular, con opciones adicionales
que 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 entre pxeles adyacentes, lo que permite la identificacion de objetos formados por pxeles con
caractersticas comunes [Castillejo, 2011]. Estos objetos son creados mediante procesos de
segmentacion basados en algoritmos que toman pxeles semillas y determinan el crecimiento
alrededor de ellos en base a ciertos criterios de homogeneidad [Yu et al., 2006]. La clasificacion orientada a objetos necesita ademas reconocer sus atributos geometricos [Blaschke,
2010] y para lograrlo se hace necesario contar con programas y metodologas que faciliten la
aplicacion de esta tecnica y que esten al alcance de los usuarios de manera mas amigable y
economica. [Vasquez & Felipe, 2011]. Los objetos as creados no estan caracterizados solo por
sus caractersticas espectrales sino tambien por caractersticas de forma, que han limitado la
forma de agruparse entre ellos. En este caso la clasificacion no esta basada en los pxeles sino
en los objetos como mnima unidad de informacion. [Yu et al., 2006].
En conclusion mientras que la informacion en un analisis basado en pxeles es la respuesta
espectral de todos los pxeles en cada banda, el analisis basado en objetos maneja, ademas de
informacion espectral, informacion espacial basada en el tama
no, forma y contexto de cada
objeto. As, el objetivo principal de la seccion 4 del captulo 5, es analizar el comportamiento
de la segmentacion en imagenes satelitales y evaluar el efecto de los objetos en la clasificacion
del retamo espinoso en comparacion a la clasificacion por pxeles.

6.1.

Preliminares a la clasificaci
on

Como se decribe en la subseccion 5.1, para la clasificacion supervisada es necesario que

el usuario identifique y localice las areas de entrenamiento, que deben ser los sitios donde
se encuentran ejemplos homogeneos de los tipos de cobertura conocidos. Se parte del conocimiento a priori de las coberturas del suelo en localizaciones geograficas concretas, de tal
forma que a partir de estas se generan las clases espectrales de referencia.
Una de las imagenes es del a
no 2013 y con la informacion recolectada en campo un a
no
despues, no es posible asociar los datos encontrados en la imagen con los de la realidad (obviamente). Esto genera una limitacion bastante importante pues se cuenta con informacion
en tiempos diferentes. Se podra contemplar la suposicion de que el comportamiento de la
zona fue constante en ese periodo, pero si no lo fue, al momento de establecer los polgonos
de 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 muy
difcil garantizar incluso la existencia de la especie invasora en la epoca de toma de las image51

nes; sin embargo para la imagen WorldView-2 con fecha de toma 2009, gracias a los estudios
realizados 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, lo
que nos permite identificarlo visualmente en una imagen satelital sin importar su fecha de
captura.
Para la imagen GeoEye-1 con fecha de toma 2013 no hay ning
un estudio, soporte cartografico u otro tipo informacion que nos permita reconocer en la imagen la existencia de la
especie invasora, pero como ganamos experiencia en cuanto a sus patrones y texturas, fue
posible encontrar aquellas zonas en donde hacen presencia. Para comprobar que la interpretacion visual de la imagen era correcta, y que los analisis de textura corresponden efectivamente
al Retamo Espinoso y evitar as posibles deducciones carentes de veracidad, se recurrio al
apoyo de la muy u
til herramienta de Google maps: Google Street View.
En resumen, para la eleccion de los polgonos (para la clasificacion orientada a pxeles)
y objetos (para la clasificacion orienta a objetos) de entrenamiento de las escenas para cada
una de las clases se realizo en tres etapas.

1. Vistita a campo y toma de puntos de control con presencia de la especie invasora,

u
nicamente 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 apoyo
de Google Street View para la imagen GeoEye-1 y de la cartografa obtenida de distribucion 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 imagen
debido a la inexistencia de material de apoyo, pues no hay informacion cartografica ni bibliografica y desafortunadamente la verificacion con Google Street View tampoco fue posible
debido a que la franja temporal de la herramienta no alcanza a la fecha de captura de la
escena QuickBird que es del 2007.
Ademas [Daz-Espinosa et al., 2009] describe una estrategia de control frente al establecimiento de la especie vegetal invasora en donde establecen una peque
na zona de restauracion
como se observa en la Figura 4.10.

52

Figura 4.9: Coberturas vegetales en la vereda El Hato tomado de [Mora et al., 2007].

53

Figura 4.10: Ubicacion del terreno de estudio para restauracion ecologica, alrededores embalse
Chisaca. Tomado de [Daz-Espinosa et al., 2009].
Para la eleccion de las clases se adapto la la metodologa CORINE Land Cover homologada
para 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 siguientes
clases seg
un las coberturas presentes.
Territorios artificializados.
Plantacion forestal.

Areas
de vegetacion herbacea y/ arbustiva.
54

Superficies de agua .
Tierras desnudas o degradadas.
Retamo espinoso.
Mosaico de Pastos y cultivos y espacios naturales

6.2.

An
alisis de clasificaci
on orientada a Pxeles

Esta clasificacion se hizo empleando los algoritmos mencionados anteriormente: LDA,

Maquinas de Soporte Vectorial SVM y Arboles

de Decision DT. Sabemos que para la clasificacion supervisada se crean los polgonos de entrenamiento, tambien que la imagen utilizada
es de cuatro bandas conformadas por los ndices de vegetacion TVI, TTVI, WDI y por la
banda del IRC; como la interpretacion visual de esta imagen es un tanto complicada, los
polgonos fueron creados a partir de la interpretacion de la imagen original en composicion
color natural para la identificacion del Retamo Espinoso, y en composicion de falso color para
el reconocimiento de las coberturas sobre las que existan dudas.
6.2.1.

Polgonos de entrenamiento

Para la escena de cerros se escogieron polgonos de entrenamiento basados en las coberturas presentes, a continuacion de presenan para cada una de ellas.
Una vez creados los polgonos de entrenamiento, se procede a hacer las clasificaciones, el
codigo de programacion ejecutado en el sofware R se encuentra en el Anexo 1.

Figura 4.11: Polgonos de entrenamiento para la escena de cerros

55

Tabla 4.4: N
umero de pxeles de entrenamiento promedio por cobertura para la escena de
embalses. Elaboracion propia.
Clase
Retamo
Mosaico de pastos y cultivos
Bosques
Territorios artificializados
TOTAL

Pxeles
897
1246
3816
10343
16302

%
0.3
0.4
1
2.6
4.3

Figura 4.12: Polgonos de entrenamiento para la escena de embalses.

El n
umero de pxeles fueron distribuidos sobre toda la imagen en varias areas peque
nas
y no en una muestra grande para no subestimar la variabilidad de esa categora.
Tabla 4.5: N
umero de pxeles de entrenamiento promedio por cobertura para la escena de
embalses. Elaboracion propia.
Clase
Retamo
Mosaico de pastos y cultivos
Bosques
Cuerpos de agua
Territorios artificializados
Suelo desnudo

Areas con vegetacion herbacea

TOTAL

56

Pxeles
4654
2520
7039
9376
988
5282
2558
32417

%
0.5
0.3
0.7
0.9
0.1
0.5
0.25
3.25

6.3.

An
alisis de clasificaci
on basada Objetos.

La segmentacion se realizo con el algoritmo Multi-rresolucion implementado en eCognition 9.0 (version prueba del software), esta segmentacion subdivide una imagen en regiones
compuestas por varios pxeles 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 segmentacion
ponderando los datos de entrada y controlando determinados parametros para la formacion
de los objetos de la imagen resultante tales como el factor de escala (control de tama
no de
los objetos), color (grado de influencia de la informacion espectral en la segmentacion) y forma (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 repetitivas
con variaciones y evaluando dichas pruebas mediante inspeccion visual en una peque
na zona
de la imagen con existencia de la especie invasora. Inicialmente se realizaron 4 diferentes
pruebas para determinar un factor de escala generico apropiado donde se pudiera visualizar 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 de
forma y compacidad, para llegar al escenario donde la combinacion final de los parametros
representaron una mejor segmentacion respecto a la combinacion de los demas parametros,
cuando se variaba la compacidad a valores menores y la forma a tama
nos grandes la segmentacion generaba segmentos mas peque
nos y sin un claro patron, y cuando se alteraba
de forma contraria, la segmentacion se mantena en su tama
no pero la forma cambiaba de
mejor manera las zonas con existencia de la especie invasora, una vez realizado los diferentes 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 0.1
para la zona del embalse de Chisaca, aunque a esta u
ltima zona, la segmentacion se realizo
en 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 entrenamiento que se debe realizar sobre estas. Para obtener mejores resultados se procede a
optimizar la clasificacion usando la media y la desviacion estandar para que el algoritmo de
clasificacion tenga la mejor separabilidad de las clases. De acuerdo a lo anterior se procedio
a entrenar cada uno de las escenas, con las clases mencionadas previamente.
Una vez entrenada la escena se procede a realizar la clasificacion y validar la misma,
este proceso es repetitivo ya que se debe ir refinando el entrenamiento, para encontrar el
mejor resultado. En la seccion 4 del captulo 5. se presentaran los resultados de cada uno de
los procesos que se llevaron a cabo, para encontrar la mejor alternativa para caracterizar la
especie vegetal invasora.

57

7.

ANALISIS
MULTITEMPORAL

Para realizar la proyeccion de cambios es necesario contar con dos imagenes de la misma
escena con fechas de toma diferentes, para este trabajo la escena que cuenta con estas dos
imagenes es la zona 1 correspondiente a Cerros orientales de Bogota, con una QuickBird
del 2007 y una GeoEeye-1 del 2013. Sin embargo, la imagen QuickBird proporcionada por
el Jardn Botanico Jose Celestino Mutis presenta una particularidad: se encuentra en un
sistema de referencia y en una proyeccion diferente a la de la imagen Geoeye-1. Esta particularidad de la imagen supone un problema importante pues para realizar una proyeccion de
cambios, las imagenes deben tener el mismo sistema de referencia, es decir estar practicamente superpuestas para poder generar las matrices de probabilidades de perdida, permanencia
o ganancia de las coberturas. Este problema podra solucionarse facilmente haciendo bien o
una reproyeccion de la imagen o una georreferencion tomando como base la imagen GeoEye-1
pero la imagen tiene algunas zonas de distorision, con da
nos que al parecer se pueden asociar
a una mala georeferenciacion o reproyeccion por parte de la entidad donante como se observa
en la figura 4.13, por tanto se hace necesario no contar con la totalidad de la imagen para
hacer el analisis multitemporal, sino con una zona mas peque
na.

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 de
la imagen (2007), no hay informacion directa ni indirecta de la existencia del retamo espinoso en la zona, lo que hace muy complejo realizar una clasificacion adecuada de la especie
invasora, lo cual lleva a realizar una inspeccion visual de la zona, para identificar algunos
nichos existentes, el resultado de esta busqueda lleva a concluir que uno de los pocos lugares
con existencia de la especie para ese momento se encuentra ubicado e la zona de tanques del
silencio, ubicado en el sur oriente del parque nacional. Sin embargo, al hacer una comparacion
58

de esta zona en ambas imagenes se percibe en la imagen GeoEye-1 del 2013 que la zona esta
libre 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 parte
de 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 peque
na
zona, la misma a la que se le hizo las clasificacion para la imagen GeoEye-1 en secciones
anteriores, para el analisis basado en pxeles y comparacion con el analisis basado en objetos
teniendo 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 especie
como se observa en la ilustracion 4.15 , esto con el fin de realizar un correcto analisis multitemporal y poder obtener una matriz de trancison usando Cadenas de Markov, que es un
algoritmo que compara dos mapas de ocupacion del suelo que se suceden cronologicamente
para estimar una matriz de probabilidad de transicion de las coberturas [Paegelow, Olmedo,
& Toribio, 2003] y as modelar las dinamicas espaciales a partir de automatas celulares que
son capaces de reproducir patrones complejos [Aguilera, Soria, & Valenzuela, 2006; Sudhira,
Ramachandra, & Jagadish, 2004], lo anterior con el fin de que el resultado de la proyeccion
en cada una de las imagenes resultantes, tanto cerros y embalses se acerque a la realidad.

59

a.

b.

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.

60

Captulo 5
RESULTADOS
1.

FIRMAS ESPECTRALES

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 todava ligadas a la planta madre. Es habitual
que muchos autores obtengan resultados bastante satisfactorios con hojas individuales, pero
no a nivel de dosel, dada la dificultad en cuantificar y controlar el aumento considerable de
las diversas variables que intervienen en el segundo caso [Martn-Mateo, 2001] En primera
instancia se realizaron mediciones a nivel individuo, capturando peque
nas ramas en un buen
estado fitosanitario, capaces de ilustrar el estado fotosintetico, de la especie a medir en
una ambiente controlado como en la Imagen 3.1, aunque las mediciones no se realizaron en
laboratorio, se tuvo la precaucion que la inclinacion del angulo solar fuera el mismo como
en la captura de las mediciones en los doseles que se capturaron en las mismas condiciones
tecnicas que a nivel individuo (altura y angulo de apertura), los resultados se presentan la
siguiente subseccion, pero es importante aclarar que cada uno de los procesos que se presentan
a continuacion se basaron en el documento de [Lopez, 2012], el cual tena un objetivo general
similar 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 Figuras
5.1y 5.2 que estan representados en todo el rango espectral del equipo y la radiometra del
mismo.

61

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 la
relacion de la energa reflejada por el blanco (calibracion) a la energa que incide en el objetivo.
El espectro de reflectancia de cualquier cubierta se obtiene a partir de la reflectividad
relativa de la muestra respecto a la medida en un panel de referencia (blanco de referencia
con maxima reflectividad). Para obtener la reflectividad absoluta es necesario conocer la curva
de reflectancia del panel de referencia, multiplicandose el espectro relativo por dicha curva.
En el espectroradiometro usado, se puede configurar la captura de reflectividad absoluta
durante la toma de datos. [Castro, 2013]
62

Figura 5.3: Firmas espectrales a nivel individuo con valores de reflectancia absoluta. Elaboracion 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 caso de las firmas espectrales a nivel individuo fueron las muestras 10 y 11 que presentaron
heterogeneidad espectral respecto a las demas firmas.

63

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 respuesta
espectral diferente, teniendo en cuenta que se midieron en individuos diferentes, existen razones por las cuales varen entre ellas, (ver subseccion 3.2 del captulo 4 ), la dispersion de
radiacion foliar esta principalmente determinadas por sus caractersticas qumicas y estructurales entre la que se incluyen: el contenido de clorofila, contenido de agua, concentracion
de elementos estructurales del carbono (por ejemplo lignito y celulosa) y otros pigmentos
biologicamente activos [Gates et al., 1965], la reflectividad del suelo esta en funcion de su
contenido de humedad, la textura de la superficie y su composicion mineral [Asner, Wessman,
& Schimel, 1998] , Ademas de los elementos fsicos indicados anteriormente, la reflectividad
del dosel es el resultado del efecto de propagacion de fotones que causan las hojas, los tallos
y el suelo.
La dispersion por efecto de los tallos esta influida por su rugosidad, elementos de carbono
y su humedad. La suma de todos estos factores tendra mayor o menos trascendencia dependiendo de los niveles de area e inclinacion foliar y de los tallos, as como de lo compactados
que 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 con
absorciones de componentes de la vegetacion no fotosintetica, es decir, carbon, celulosa y
nitrogeno [Clark et al., 1990]

64

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 estandar
de cada uno, para verificar la fluctuacion de los datos, esta desviacion estandar se puede ver
graficamente en las Figuras 5.7y 5.8 en color gris, para el caso individual se presento una
desviacion estandar de 0.0087m, con una mayor fluctuacion mayor entre los 745 y 1075 nm,
para el dosel en el grupo 1 0.0015 m, grupo 2 0.0027m, y grupo 3 0.0038m, aunque no se
tuvieron en cuenta los estados fenologicos, las firmas de los grupos 1 y 2 fueron capturados
en un dosel mas adulto que el grupo 3, ya que se pretenda capturar la variabilidad presente
en campo de las especies.

65

Figura 5.7: Firma espectral promedio (verde) y desviacion estandar a nivel individual. Elaboracion propia.

Figura 5.8: Firmas espectrales homogeneas promedio y desviacion estandar a nivel dosel.
Elaboracion propia.

1.2.

Comparaci
on

Para hacer un paralelo entre los resultados a nivel dosel e individual se promediaron los
tres grupos de firmas a nivel dosel y se grafico junto con el promedio de la respuesta espectral
a nivel individuo en un rango espectral entre los 450 nm y 895 nm para hacer una comparacion
entre la respuesta del espectroradiometro y la que se presentaba en las imagenes, esta u
ltima
se sustentara mas ampliamente en la seccion 1 del captulo 6

66

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 region
entre 480 y 680 nm debido a la absorcion de la clorofila y otros pigmentos, y alta en el IRC
debido a la estructura micro celular de la hoja y la estructura del dosel, lo anterior se puede
visualizar claramente en las Figuras 5.9 y 5.10.

Figura 5.10: Promedio de los promedios, que representan el valor de un pxel a nivel dosel e
individual. Elaboracion propia.

67

2.

ATMOSFERICA

CORRECCION

El resultado del proceso mencionado en la subseccion 4.1 del captulo 4, es el que se

muestra a continuacion.

a.

b.

c.

d.

Figura 5.11: Imagenes, a. Zona Embalses cruda. b. Zona Embalses corregida atmosfericamente. c. Zona Cerros cruda. d. Zona Cerros corregida Atmosfericamente.

68

3.

INDICES DE VEGETACION

Como el trabajo involucra dos zonas de estudio, se hace un analisis de los resultados obtenidos en cada una de las dos escenas. Los graficos espectrales y los resultados estadsticos
(diagramas de caja) fueron usados en conjunto para analizar los ndices que proporcionan la
mejor separacion de Retamo Espinoso del resto de las clases.
Para cada firma espectral se tomaron cinco muestras por cada cobertura y lograr as una
respuesta promedio para cada ndice de vegetacion.

3.1.

ESCENA 1: Zona de estudio Embalse Chisac

a.

La confusion espectral para esta imagen WorldView-2 en las bandas del visible de las
coberturas correspondientes a Pastos, Vegetacion, Bosque y Retamo Espinoso impide la correcta discriminacion de la especie objeto de estudio de este trabajo, por ello se recurrio a la
utilizacion de los ndices de vegetacion y se analizo la capacidad que ofrecen para separarlas.
Para entender esta separabilidad se realizo un analisis espectral de las zonas con presencia
de Retamo Espinoso frente a las zonas con presencia de las otras tres clases como se muestra
en la Figura 5.12.

Figura 5.12: Analisis espectral (media vs IV) de los 14 ndices generados para la escena de
Embalses. Elaboracion propia.

69

a.

b.

c.

d.

e.
Figura 5.13: Diagramas de caja. (a) NDVI (b) MSAVI (c) TTVI (d) WDVI (e) IRC. Elaboracion propia.

70

A partir de las graficas espectrales y los diagramas de caja obtenidos, los ndices de
Vegetacion 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 muestran
que de todos los ndices analizados, el ndice 1 (NDVI) y el 12 (MSAVI) son los que menos
separabilidad ofrecen entre las coberturas que tienden a presentar mayor confusion espectral:
Retamo Espinoso, Pastos y Bosque. Por otra parte, los ndices, 3 (TTVI), 11 (WDVI) e
incluso la banda 14 que corresponde al Infrarrojo cercano son los que mejor diferenciacion
proporcionan 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 una
imagen GeoEye tiene un comportamiento similar a las coberturas de la primera escena. Sin
embargo, hay una cobertura especfica que presenta un comportamiento espectral bastante
parecido al Retamo Espinoso: el Eucalipto.

Figura 5.14: Analisis espectral (media vs IV) de los 14 ndices generados para la escena de
Cerros. Elaboracion propia.

71

a.

b.

c.

d.

e.
Figura 5.15: Diagramas de caja. (a) NDVI (b) MSAVI (c) TTVI (d) WDVI (e) IRC. Elaboracion propia.

72

Como se observa en la Figura 5.14, la confusion espectral entre el Retamo Espinoso y el

Eucalipto es muy alta. La mayor separacion de sus respuestas medias la proporcionan los
ndices 2 (TVI), 3 (TTVI) y 11 (WDVI). Contrario a la escena de Embalses, para esta escena
la 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 Espinoso y el Eucalipto son el ndice 1 (NDVI) y el 12 (MSAVI).
El analisis para la eleccion de los mejores Indices de Vegetacion es mucho mas sencillo
cuando se comparan directamente en una sola grafica espectral como la mostrada en las figuras 5.12 y5.14, apoyados en graficos estadsticos como los diagramas de caja, pues muestra
los datos estadsticos mas relevantes para este tipo de datos. Vemos por ejemplo, los whisker
o 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 los
bigotes representan los valores atpicos, y de esos s encontramos unos cuantos debido a las
sombras presentes en la escena que alteran la homogeneidad de cada cobertura y por lo tanto
los resultados de los calculos de los ndices, sin embargo, estos atpicos no afectan de forma
relevante, pues la simetra de las cajas nos dice que hay homogeneidad en los valores de las
muestras.
Se puede observar que la media del retamo espinoso esta separada de las otras clases
(Fig. 5.13c y Fig. 5.13d). Por lo tanto las cuatro clases estan mejor separados en TTVI y
WDVI 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 ndices,
una razon para justificar por que otros ndices de Vegetacion (NDVI, MSAVI) muestran superposicion entre clases. Tambien los bigotes para el retamo espinoso en WDVI son menores
en comparacion con todos los otros ndices, lo que sugiere que en la clase retamo espinoso
no se solapan con los rangos de valores de las demas clases, por lo que es separable. Por otra
parte, la mejor separacion de medias para la zona de Cerros orientales la ofrece NDVI, TTVI
y WDVI (Fig. 5.15a, 5.15c y 5.15d). En esta zona los bigotes para el Retamo son mas cortos
en el ndice TTVI, lo que sugiere que el retamo espinoso no se solapa con demas rangos de
valores y por lo tanto es separable.
Los valores atpicos que se presentan como puntos aislados de los bigotes pueden haber
ocurrido debido a la presencia de sombras dentro de los polgonos de muestra de las clases.

73

4.

ANALISIS
DE CLASIFICACION

A continuacion se presentan cada uno de los resultados obtenidos en el proceso de clasificacion de acuerdo a su analisis respectivo.

4.1.

Basado en pxeles

a.

b.

c.

d.

Figura 5.16: Resultados de clasificacion orientada a pxeles zona cerros. a. LDA. b. SVM. c.
DT d. Referencia visual. Elaboracion propia.
Para cada algoritmo se realizo como mnimo tres clasificaciones con variacion de los polgonos de entrenamiento para encontrar su clasificacion mas precisa. Sin embargo, y a pesar de
las pruebas repetitivas, analizando la evaluacion de exactitud tematica, los resultados de las
clasificaciones no son muy alentadores pues por mucho se llega a que el 71.25 % de los pxeles
esten bien clasificados. Esto tambien se puede evidenciar haciendo una breve inspeccion a las
74

zonas en donde seg

un la clasificacion hay presencia de Retamo Espinoso y con interpretacion
visual se demuestra que no es as.

a.

b.

c.

d.

Figura 5.17: Resultados de clasificacion orientada a pxeles, zona embalse de Chisaca. a. LDA.
b. SVM. c. DT. d. Referencia visual. Elaboracion propia.
La evaluacion de exactitud tematica para cada uno de los algoritmos:
Tabla 5.1: Zona Cerros Orientales. Elaboracion propia.
Algoritmo
LDA SVM DT
PCC
69.7 71.25 69.85
Kappa 0.63 0.66
0.65

75

Tabla 5.2: Zona Embalse de Chisaca. Elaboracion propia.

Algoritmo
LDA SVM DT
PCC 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 son
un poco mejores en comparacion con la escena de cerros. Sin embargo, hay zonas en las
que los algoritmos identifican presencia del 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 ndices de vegetacion en un ambiente basado en pxeles no es
suficiente para separar las clases debido a que toma como unidad de clasificacion el pxel,
analiza u
nicamente la informacion contenida en cada uno ignorando criterios como el tama
no, la forma, medias de color, maximos y mnimos, proximidad a otros pxeles, textura,
etc. En cambio, la clasificacion orientada a pxeles s lo hace, lo que puede llevar a una mejora bastante importante en los resultados de clasificacion. Para esta escena los resultados
de la clasificacion para cada uno de los algoritmos son un poco mejores en comparacion con
la escena de cerros. Sin embargo, hay zonas en las que los algoritmos identifican presencia
del 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 ndices de vegetacion en un ambiente basado en pxeles no es
suficiente para separar las clases debido a que toma como unidad de clasificacion el pxel,
analiza u
nicamente la informacion contenida en cada uno ignorando criterios como el tama
no,
la forma, medias de color, maximos y mnimos, proximidad a otros pxeles, textura, etc. En
cambio, la clasificacion orientada a pxeles s lo hace, lo que puede llevar a una mejora bastante
importante en los resultados de clasificacion.

4.2.

Basado en Objetos

Con la finalidad de realizar un analisis comparativo posterior entre las clasificaciones basadas en pxeles y la basada en objetos se realizo el procedimiento en una peque
na zona con
existencia de la especie invasora, tal como se describio en la seccion anterior los resultados
tanto visuales como cuantitativos no fueron los mejores, las Figuras 5.18 y 5.19 ilustran los
resultados llevados en cada una de las pruebas en la sub zona perteneciente a los cerros
orientales, para elegir la mejor segmentacion, teniendo en cuenta que este proceso es el mas
importante previo a la clasificacion basada en objetos, puestoque si los objetos creados no
separan adecuadamente las coberturas, existira una confusion espectral y el proceso de entrenamiento no sera efectivo, la Figura 5.18 ilustra el proceso iterativo para elegir la mejor
76

escala, una vez elegida la mejor escala se procede a realizar un proceso igual que el anterior
pero esta vez alternando la forma y compacidad y verificando visualmente la creacion de los
objetos con la finalidad de elegir la mejor segmentacion. La Figura 5.19 ilustra el proceso
anterior, 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.

77

a.

b.

c.

d.

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. Elaboracion
propia.
Una vez elegida la mejor segmentacion se procede a realizar la clasificacion sobre esta
realizando el entrenamiento de los objetos, este proceso es similar al llevado a cabo en el
analisis basado en pxeles, pero la diferencia es que no se crean polgonos independientes
a los pxeles, si no que se eligen objetos creados y se les asigna una etiqueta o nombre de
cobertura, como se ilustra en la Figura 4.2.

78

Figura 5.20: Entrenamiento de los objetos creados en la segmentacion. Elaboracion propia.

Una vez entrenada la imagen se procede a realizar la clasificacion, el resultado de la
clasificacion se observa en la Figura 5.21 en la cual no solo se encuentra la clasificacion basada
en objetos, sino tambien la mejor clasificacion basada en pxeles, esta comparacion nos llevo
a identificar que la mejor clasificacion fue la del analisis basado en objetos, que ademas de
no presentar el problema habitual de salt and pepper que tienen las clasificaciones basadas
pxeles, la clasificacion fue mucho mas limpia en terminos de que confusion espectral con
las demas coberturas.

79

a.

b.

c.
Figura 5.21: Clasificacion seccion cerros orientales, a. Basada en pxeles (SVM), b. Basada
en objetos, c. Referencia visual. Elaboracion propia.
Una vez elegido el mejor analisis se procede a extenderlo a toda la zona de estudio y
realizar el entrenamiento de los objetos y posterior clasificacion, como se observa en la Figura
5.22. A esta clasificacion se le agrego una nueva cobertura, denominada sombras, debido a la
presencia de esta en los territorios artificializados.

80

a.

b.

c.
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) Clasificacion final basada
en objetos. Elaboracion propia.
Es importante aclarar que al igual que la clasificacion basada en pxeles el entrenamiento
en la clasificacion basada en objetos es un proceso iterativo, el resultado mostrado en la
Figura 5.22, fue el resultado de varios procesos de entrenamiento de la zona, las coberturas
81

con mayor presencia requieren mayor entrenamiento, para evitar una confusion espectral con
las 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 metodologa de clasificacion, se procede a replicarla en la zona
del embalse de Chisaca, esta vez teniendo en cuenta que el comportamiento del embalse de
Chisaca es diferente paisajsticamente, se procede a alternar la escala, pero manteniendo la
forma y compacidad igual que en la zona de cerros, con el fin de generar unos objetos de
tama
no superior, puesto que si se generan polgonos muy inferiores se tendera a confundir
la respuesta espectral entre las plantaciones forestales y la especie invasora los reuktados se
pueden 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.

82

a.

b.

c.
Figura 5.24: Procedimiento de clasificacion zona embalse de Chisaca a) Segmentacion. Escala
40, Forma 0.1 y Compacidad 0.9, b) Entrenamiento de los objetos, c) Clasificacion final basada
en objetos. Elaboracion propia.
A modo de comparacion entre la subzona elegida para clasificar en el analisis basado en
pxeles, se ilustra en la Figura 5.25, donde una vez mas se pude observar en detalle la mejor
discriminacion de la especie vegetal invasora.
83

a.

b.

c.
Figura 5.25: Clasificacion seccion embalse de Chisaca a) Basada en pxeles (SVM), b) Basada
en objetos, c) Referencia visual. Elaboracion propia.
La evaluacion de exactitud tematica para cada uno de las zonas usando el analisis basado
en objetos:

84

Tabla 5.3: Zona Embalse de Chisaca. Elaboracion propia.

Basado en objetos
Cerros Embalse Chisaca
PCC
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 a
graves problemas ambientales. En la actualidad, el estudio de las causas, procesos y consecuencias del uso de la tierra y el cambio de la cubierta vegetal es uno de los principales temas
de investigacion de ecologa del paisaje, informacion relevante para la ecologa. El modelamiento de los determinantes del cambio de uso del suelo permite identificar aquellas zonas
mas susceptibles a la perturbacion. Esto nos entrega, por lo tanto, informacion que es posible
utilizar para la prediccion de los cambios de los paisajes en el futuro [B
urgi, Hersperger,
& Schneeberger, 2004]. Estas proyecciones facilitan la evaluacion de diferentes escenarios de
cambio de uso de suelo, posibilitando la aplicacion de hipotesis a diferentes alternativas de
manejo del paisaje [Mladenoff & Baker, 1999]. Es as como aqu se pretende aplicar estos
modelamientos de cambios de cobertura del suelo para realizar un analisis multitemporal de
los cambios en la distribucion espacial del retamo espinoso a partir de una proyeccion de
las clasificaciones hechas orientadas a objetos con las imagenes satelitales en la zona correspondiente a los Cerros orientales de los a
nos 2007 y 2013. As, la simulacion de la imagen
proyectada podra utilizarse como una herramienta para visualizar y evaluar la propagacion
de la especie invasora.
Una vez clasificadas las imagenes, encontrando la distribucion espacial tanto de la especie
invasora como de las demas coberturas, se procede a realizar el analisis multitemporal. A
continuacion 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 proyeccion
de cambios de perdida y ganancia expresados en unidad porcentual del area total de la zona.

85

Tabla 5.4: Porcentajes cambios de perdida y ganancia de coberturas del a

no 2007 al 2013.
Elaboracion propia.
Cobertura
Plantacion Forestal
Mosaico de Pastos, cultivos y espacios naturales
Tierras desnudas y/o degradadas
Territorios artificializados
Retamo Espinoso

P
erdida
0.71
12.18
0
0
0

Ganancia
11.07
0
0.03
0
1.37

Vemos que la cobertura de mosaico de pastos, cultivos y espacios naturales presentan

una disminucion del 12.18 % entre el a
no 2007 y el 2013, las tierras desnudas y el retamo
espinoso una ganancia del 0.03 % y del 1.37 % respectivamente. Los territorios artificializados
que corresponde practicamente a la zona urbana, no presentan cambios ni de perdida ni de
ganancia de cobertura, lo que nos hace suponer que la ciudad no se esta expandiendo por
lo menos hacia la zona de los cerros orientales. Estos cambios pueden observarse con mayor
facilidad en las Figuras 5.26, 5.27, 5.28.

86

a.

c.

b.

d.

Figura 5.26: Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los
cerros orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013. c. Plantaciones
Forestales d. Mosaico de pastos, cultivos y espacios naturales. Elaboracion propia.
Analizando las Figura 5.26, podramos decir que la perdida de area de la cobertura de
Mosaico de pastos, cultivos y espacios naturales es reemplazada por la ganancia en Plantaciones Forestales.

87

a.

b.
Figura 5.27: Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los cerros
orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013. c.Tierras desnudas y/o
degradadas d. Territorios artificializados. Elaboracion propia.
En este analisis de cambios cabe hacer una aclaracion, la ganancia de territorio artificializado no corresponde en realidad a crecimiento de construcciones civiles, lo que sucede es que
en la escena del 2007 los arboles debido a su densidad y angulo al momento de la captura
de la imagen alcanzan a cubrir una parte de la va, lo que hace imposible su clasificacion,
mientras que en el 2013 los arboles ya no alcanzan a cubrir esta parte de la va. Por lo anterior
entonces, la persistencia de territorios artificializados es la misma en ambas escenas, lo que
nos lleva a concluir que por lo menos hacia la parte oriental de la ciudad, no se presenta
expansion urbana.

88

a.

b.

Figura 5.28: Perdida y ganancia de area entre el 2007 y el 2013 en una seccion del los cerros
orientales, a. Referecia visual a
no 2007. b. Referencia visual a
no 2013. c. Retamo espinoso.
Elaboracion propia.
En la Figura 5.28 que el Retamo Espinoso tuvo una ganancia, que para simplificar un
poco el analisis, es del 100 %, pues en la escena correspondiente al a
no 2007, no hay evidencia
de existencia de la especie invasora, lo que la hace una zona limpia de invasiones, mientras
que 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 matriz
de probabilidades de cambio entre coberturas que se puede observar en la Tabla 5 usando
Cadenas de Markov.

89


Tabla 5.5: Area
en pxeles de cada una de las coberturas presentes en el recorte clasificado
de cerros orientales para el a
no 2007y 2013. Elaboracion propia.
No.

Clase

1
2
3
4
5

Plantacion Forestal
Mosaico de pastos, cultivos y espacios naturales
Tierras desnudas y/ degradadas
Territorios artificalizados
Retamo espinoso

Tabla 5.6: Probabilidad de

Clase
1
1
0.8392
2
0.6443
3
0.0375
4
0.0375
5
0.0375

Area
en
2007
45580
15495
4163
4632
0

pxeles
2013
52822
6986
4184
4917
958

cambio entre coberturas. Elaboracion propia.

2
3
4
5
0
0.0052 0.0939 0.0617
0.2917 0.0003
0
0.0637
0.0375
0.85
0.0375 0.0375
0.0375 0.0375
0.85
0.0375
0.0375 0.0375 0.0375
0.85

As, por ejemplo, la probabilidad de que el Retamo Espinoso gane area de Plantacion Forestal es del 3.75 %, y la probabilidad de que el area de invasion contin
ue siendo ocupada por
Retamo Espinoso es el 85 %. Finalmente, a partir de los porcentajes establecidos de perdida
y ganancia entre las escenas de 2007 y 2013, y de la matriz de probabilidad de cambios, se
obtiene la proyeccion a partir de la obtencion de las matrices de trancison usando Cadenas de
Markov, ademas de ello un algoritmo de automatismo celular que mide la contig
uidad local
e incrementa la probabilidad de pertenecer a una categora por vecindad para generar as
los 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 una
de las coberturas presentes se le asigna un valor de cambio, el cual es usada en los Automatas
celulares, para realizar la prospeccion.

90

Tabla 5.7: Probabilidad de areas de cambio entre coberturas en la seccion de cerros orientales
para el a
no 2020. Elaboracion propia.
Clase
1
2
3
4
5

1
44331
4501
157
184
36

2
0
2038
157
184
36

3
274
2
3556
184
36

4
4958
0
157
4181
36

5
3259
445
157
184
814

Tabla 5.8: Area

en pxeles de cada una de las coberturas presentes en la proyeccion de cerros
orientales para el a
no 2020. Elaboracion propia.
No.
1
2
3
4
5

Clase
Plantacion Forestal
Mosaico de pastos, cultivos y espacios naturales
Tierras desnudas y/ degradadas
Territorios artificalizados
Retamo espinoso

91

Area
en pxeles
49204
2427
4043
9362
4834

a.

b.

c.
Figura 5.29: Clasificacion de coberturas de una seccion de los cerros orientales. a. A
no 2007,
b. A
no 2013, c. Proyeccion de las coberturas para el a
no 2020. Elaboracion propia.
Vemos en la Figura 5.29 la proyeccion de cambio de coberturas para el a
no 2020. El retamo espinoso gana importante area de invasion. Como en parrafos anteriores fue explicado,
debido a la incapacidad de clasificar ciertas regiones de construcciones civiles, la proyeccion
de 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 anterior, se usa la matriz de probabilidades de la Tabla 5, y se genera una nueva matriz de
probabilidad de areas, con el area respectiva de la escena de Cerros. Como se muestra a
continuacion.

92


Tabla 5.9: Area
en pxeles de cada una de las coberturas presentes en la escena clasificada
completa de los cerros orientales del a
no 2013. Elaboracion propia.
No.
1
2
3
4
5
6

Clase
Plantacion Forestal
Mosaico de pastos, cultivos y espacios naturales
Tierras desnudas y/ degradadas
Territorios artificalizados
Retamo espinoso
Sombras

Area
en pxeles
16570152
1647430
1478350
5521260
133338
134460

Puesto que las sombras no son una cobertura como tal no se les asigna ning
un valor de
probabilidad de cambio

Tabla 5.10: Probabilidad areas de cambio entre coberturas, escena completa de los cerros
orientales del a
no 2013. Elaboracion propia.
Clase
1
2
3
4
5
6

1
13905672
1061439
55438
207047
5000
0

2
0
480555
55438
207047
5000
0

3
86165
494
1256598
207047
5000
0

4
1555937
0
55438
4693071
5000
0

5
1022378
104941
55438
207047
113337
0

6
0
0
0
0
0
134460

El resultado se puede visualizar en el Anexo 4.

Tabla 5.11: Area

en pxeles de cada una de las coberturas presentes en la escena clasificada
completa de los cerros orientales del a
no 2020. Elaboracion propia.
No.
1
2
3
4
5
6

Clase
Plantacion Forestal
Mosaico de pastos, cultivos y espacios naturales
Tierras desnudas y/ degradadas
Territorios artificalizados
Retamo espinoso
Sombras

93

Area
en pxeles
14352099
2115405
1976780
5291991
873903
874811

Captulo 6

DISCUSION
1.

FIRMAS ESPECTRALES

Al caracterizar la variacion temporal de la respuesta espectral es posible mejorar sustancialmente la calidad y oportunidad de los datos tomados en campo o procedentes de
imagenes, logrando resultados mas exactos. Estas medidas espectrales se realizan con un espectroradiometro que es capaz de registrar la se
nal reflejada por las distintas cubiertas. Al
igual que ocurre con los sensores captadores de imagenes, los espectroradiometros presentan
diferentes resoluciones espectrales que les permitiran registrar datos de regiones del espectro
mas o menos anchas. [Castillejo, 2011].
Una caracterstica determinante de la firma espectral es que esta vara en funcion del
estado fenologico de la planta. El principio basico del uso de firmas adquiridas en campo
para teledeteccion, es que si se pueden medir o reconocer diferencias en la reflectividad en
determinadas longitudes de onda debidas a los distintos estados fenologicos de las plantas, se
mejora la precision para la deteccion remota de Retamo Espinoso siempre que los sensores
tengan esas longitudes de onda. Como lo demuestran algunos autores [Brown & Noble, 2005;
Kavdr, 2004; Lass & Callihan, 1997; Pe
na-Barragan, Lopez-Granados, Jurado-Exposito, &
Garca-Torres, 2006], varias especies invasoras se han identificado en cultivos aprovechando
la diferencia en sus estados fenologicos, puesto que al caracterizar la variacion temporal de
dicha respuesta es posible mejorar sustancialmente la calidad y oportunidad de los datos
tomados en campo o procedentes de imagenes, logrando clasificaciones mas exactas. [Castillejo, 2011] afirma que las diferencias existentes en el ciclo de la vida de la los cultivos y las
especies invasoras en estados fenologicos avanzados, antes de que los cultivos y las especies
invasoras esten senescentes y ambos se pongan amarillos, puede permitir la deteccion de diferencias espectrales. Por lo tanto, la deteccion de infestaciones de Retamo Espinoso puede
ser particularmente u
til cuando las diferencias espectrales entre la vegetacion nativa vecina
y el Retamo Espinoso son maximas.

94

El conocimiento apropiado del comportamiento de las firmas espectrales, durante los diferentes 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 muy
u
til al momento de clasificar las imagenes, pero particularmente en este trabajo la captura de
las firmas en diferentes estados fenologicos no se tuvo en cuenta por la falta de informacion
del estado fenologico de manejo de la especie a lo largo del tiempo y la diferencia temporal
tan amplia de toma de las imagenes y medicion de las firmas. Para realizar una comparacion
somera del resultado obtenido en la medicion espectral a nivel dosel, se tomaron 4 muestras de un pxel representativo de una zona con existencia de retamo espinoso de la imagen
Geoeye de Cerros corregida atmosfericamente, al realizar una comparacion el resultado es el
representado en la Figura 6.2.

Figura 6.1:

Puntos de muestras de la imagen GeoEye. Elaboracion propia.

95

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 respuesta
espectral de la medicion, como se menciono anteriormente este grupo 3 era de zonas de doseles que tenan un estado de vigor mayor que el de los grupos 2 y 3 , como lo dice [Reigosa
et al., 2004] los doseles de mayor cobertura (maduros), la cantidad de area verde del dosel
sera mayor, generando una maxima absorcion de energa en la region de Radiacion Fotosinteticamente Activa (PAR, Photosynthetically Active Radiation, 400-700 nm), gracias a sus
organos fotosinteticos, pero en el caso de la region del infrarojo cercano (700-800 nm), ocurre
lo contrario, los cultivos mas maduros reflejan una mayor cantidad de la energa incidente, que
aquellos de menor edad; esto es debido a que las hojas sufren cambios anatomicos y fisiologicos internos a medida que avanza la edad, requiriendo menores cantidades de energa solar, lo
que a su vez les permite compensar cualquier disminucion de absorcion electromagnetica debida a la falta de agua [Curran et al., 1990]. aunque la variabilidad entre las anteriores firmas
no son tan amplias, el resultado hubiera podido mejorar si se obtuvieran muestras en campo
con unas caractersticas similares a la de una muestra de un pxel, es decir, que al momento
de la captura se debe tener una altura de alrededor de 55 cm seg
un la ecuacion 4.1 si se fuera
a extrapolar a una imagen con una resolucion de 50cm, pero esto tampoco sera una garanta
de que las firmas coincidieran ya que la captura de firmas se realizo a medio da y la captura
de la imagen se realizo a las 15hr, teniendo en cuenta que el comportamiento de la irradiancia
solar es distinta a la de la captura, ademas las condiciones meteorologicas entre fechas de
captura son distintas, entre otras variables que podran influenciar un cambio de respuesta
espectral, por tal motivo, no es optimo realizar una comparacion entre firmas, teniendo en
cuenta lo anterior. Lo ideal sera que el momento de la captura no exista una diferencia tan
perceptible tanto de hora solar, como de fecha en la captura, para que la fluctuacion de las
firmas sea mnima, en futuros trabajos podran tener en cuenta estas variables para dise
nar
metodos de control localizado y generar nuevas metodologas o precisar existentes.

96

2.

INDICES DE VEGETACION

Junto a las cuatro bandas analizadas, equivalentes a las bandas multiespectrales presentes
en el satelite WorldView-2 y GeoEye, en el analisis se introdujeron 13 ndices de vegetacion.
Estos mostraron su capacidad de realzar las diferencias espectrales entre las distintas especies
vegetales, centrando su esfuerzo en aquellas regiones del espectro donde existio mas contraste
debido a la actividad de la vegetacion. Esto gracias a la banda del Rojo y del IRC de cada
una de las imagenes. Sin embargo, sin tener en cuenta las firmas espectrales de entrada, en
general el intervalo de longitudes de onda que oscila entre los 690-760nm ha sido mostrado
por algunos autores como el decisivo para la discriminacion de vegetacion [Cochrane, 2000;
Smith & Blackshaw, 2003]. Este intervalo entra dentro de la region del espectro conocida
como borde del rojo (red edge), situada en el lmite entre la region del rojo donde se produce absorcion debido a los pigmentos de clorofila y la region del infrarrojo cercano donde
se observa un aumento destacado de reflexion debido a la estructura de la hoja. El punto
exacto donde se encuentra en la region del rojo depende de la concentracion de clorofila de
cada planta [Muden, Curran, & Catt, 1994]. Todas las imagenes WorldView-2 poseen esta
region del espectro, sin embargo, la imagen utilizada para este trabajo solo posea 4 bandas
(Azul, Verde, Rojo e Infrarrojo Cercano) debido a su condicion de ser un demo. De haber
contado con esta banda red edge, y basados en los estudios mencionados, los resultados de
discriminacion hubieran mejorado, pues se resaltara de manera mas notoria las diferencias
de respuesta entre las coberturas vegetales. Sugerimos entonces, para estudios y aplicaciones
posteriores, la inclusion y analisis de esta banda, que ayudara a mejorar la identificacion del
Retamo Espinoso.
Para ambas escenas, los ndices de vegetacion TVI, TTVI y WDVI fueron los que mas
contraste proporcionaron para separar el Retamo Espinoso de las demas especies vegetales,
sin embargo estos ndices de vegetacion no pueden generalizarse para todas las zonas con
presencia de esta planta invasora, pues puede existir una o varias especies (como fue el caso
del eucalipto) que se comporten de forma casi identica a la respuesta espectral del Retamo
Espinoso. Obviamente se pueden utilizar todos los ndices con los que hemos trabajado, pero
se debe prestar atencion a aquellos que ofrecen los mejores resultados de separacion, tal vez
puede que sean los mismos que se encontraron en este trabajo, tal vez no.

3.

DIGITAL DE IMAGENES

CLASIFICACION

En 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 la
discriminacion de la especie vegetal invasora: retamo espinoso, pero antes de determinar el
mejor metodo de clasificacion, se realizaron una serie de pruebas y capturas de datos con la
finalidad de optimizar lo mejor posible este metodo, aunque estos procesos, resultan un poco
97

tediosos y extensos debido a la carga computacional y cantidad de iteraciones necesarias para 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 para
el procesamiento y la investigacion que se llevo a cabo.
Aunque los procesos de clasificacion basados en pxeles no tuvieron los mejores resultados
es importante acotar, que los dos metodos no convencionales usados e implementados en el
software R (SVM y DT), tuvieron un mejor resultado cuantitativo, aunque la diferencia no es
muy amplia, es un buen indicativo que este tipo de algoritmos generan mejores resultados en
comparacion con uno de los metodos convencionales mas usados, como lo es LDA o tambien
llamado Maxima probabilidad, implementado en la gran mayora de software comerciales y
no comerciales de procesamiento digital de imagenes, es por esto que es importante incentivar
el 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 clases
que se superpongan en el dominio espectral , los resultados de exactitud decaeran. Y esto
tiene bastante sentido, ya que aun cuando los valores de exactitud tematicas son prometedores, al realizar una inspeccion visual, existen zonas con problemas de confusion espectral
y por tal motivo mal etiquetado del objeto, por esto sera importante ahondar un poco mas
esta metodologa con procesos un poco mas especficos para trabajos posteriores como los
tratados en [Lizarazo & Elsner, 2008; Lizarazo & Barros, 2010] , como lo son la creacion de
objetos mediante regiones discretas o difusas puesto que la segmentacion discreta no tiene en
cuenta la ambig
uedad espectral mencionada anteriormente, ya que toda vez que los objetos
de imagen son regiones discretas en las cuales el etiquetado de un pxel solo puede tomar uno
de dos valores posibles, 1 si el pxel es miembro de la region y 0 si el pxel no es miembro de
ella. [Lizarazo, 2012].
Finalmente la metodologia propuesta para la discriminacion de la especie vegetal invasora,
retamo espinoso, es la siguiente ( Figura 6.3)

98

Figura 6.3: Metodologa 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 se

hace en un intervalo de tiempo a mediano o largo plazo. Es decir, se parte de la situacion de
99

cobertura actual del suelo y, utilizando una serie de factores ponderados seg
un el planteamiento 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 que
no es posible determinar el grado de confiabilidad de algo que todava no se ha producido.

100

CONCLUSIONES
1. El objetivo principal de este trabajo era definir una metodologa de procesamiento
digital de imagenes satelitales que permitiera identificar las zonas con presencia de las
especies vegetales invasoras retamo liso y retamo espinoso. Este objetivo se cumplio de
manera parcial, pues solamente fue posible establecer la metodologa para una de las
especies: El retamo espinoso. Para el retamo liso no fue posible ni siquiera lograr su
identificacion mediante la interpretacion visual de las imagenes debido a que esta especie
se desarrolla principalmente debajo de los arboles (sotobosque). La identificacion de
las zonas con presencia de infestacion de Retamo Espinoso se hizo a partir de dos
ambientes de clasificacion diferentes de procesamiento digital de imagenes satelitales
multiespectrales de alta resolucion: Basado en pixeles y orientado a objetos, cada uno
con varios algoritmos. Despues de someterlos a prueba, se determino que los mejores
resultados fueron obtenidos con el ambiente orientado a objetos, pues mientras que en
el ambiente basado en pixeles solo se asigna a cada pixel una categora en funcion de su
respuesta espectral, en el analisis orientado a objetos se tienen en cuenta otras variables
como contexto, patron y geometra adicional a la variable espectral. La metodologa
propuesta puede observarse en la Figura 6.3.
2. De acuerdo a los resultados obtenidos en la generacion de ndices de vegetacion, para la identificacion de una especie vegetal puntual como lo es el retamo espinoso, no
es suficiente contar con la informacion de la banda del IRC, por lo cual se emplean
los ndices de vegetacion debido a sus caractersticas de aprovechamiento del contraste
de reflectancia de la vegetacion. Sin embargo, a pesar de mejorar la separabilidad de
las especies vegetales, debe evitarse el metodo basado en pxeles para su clasificacion
digital, pues la mera informacion a nivel pxel es insuficiente para llegar a una buena
discriminacion de coberturas que presentan alta confusion; as que se debe recurrir a
criterios adicionales como el tama
no, la forma, compacidad, maximos y mnimos, proximidad a otros pxeles, textura, etc, que son proporcionados por el ambiente orientado
a objetos.
3. Una de las limitaciones al momento de clasificar una imagen satelital es que estas no
tengan una fecha de captura reciente, pues al tener una imagen con varios a
nos de
diferencia es muy difcil saber cual era el comportamiento de las coberturas vegetales
101

en la escena al momento de captura. Ademas, para la identificacion y discriminacion de

una especie en particular como lo es el retamo espinoso, si no se cuenta con informacion
espacial de presencia de la especie en la fecha de captura de la imagen, o no se logra
establecer una adecuada interpretacion visual del comportamiento de la planta, es muy
difcil poder garantizar la existencia de la especie en esa epoca.
4. Aunque el Jardn Botanico Jose Celestino Mutis cuenta con informacion de algunas zonas en las que se ha realizado alg
un tipo de restauracion ecologica y de erradicacion de
retamo espinoso en Bogota, esta informacion no se encuentra debidamente actualizada
y georeferenciada, lo que hace que en los resultados de la proyeccion de la distribucion
espacial del retamo espinoso, la disminucion del area de infestacion no pueda ser explicada como producto de programas de control, erradicacion, restauracion ecologica o
como un proceso natural del ecosistema.
5. En el analisis multitemporal, para la seccion de imagen del 2007 que se clasifico no existe
evidencia de invasion del retamo espinoso, en cambio para el 2013 ya hay existencia de
brotes con areas bastantes amplias de infestacion de la especie. La explicacion de estos
factores de invasion no esta al alcance de este trabajo, pues se debe recurrir a conceptos
e informacion directa de la botanica de la especie.

102

RECOMENDACIONES
1. Una de las caractersticas de las imagenes WorldView-2 es que ademas de contar con
las cuatro bandas tradicionales (Azul, Verde, Rojo, e IRC), incorpora cuatro nuevas
bandas: Coastal, Amarillo, RedEdge, NIR-2. Estas bandas adicionales al tener diferentes rangos de longitud de onda, constituyen a la imagen como una herramienta mas
completa y compleja para el estudio del comportamiento de las coberturas presentes en
la superficie terrestre. La informacion proporcionada por estas bandas permitira generar nuevos ndices de vegetacion que podran resaltar con mucha mas proporcion las
diferencias espectrales entre especies vegetales particulares, como es el caso del retamo
espinoso. Sin embargo, para este trabajo, la imagen fue proporcionada como imagen
DEMO, es decir que incluye solamente las cuatro bandas tradicionales y no incorpora
las cuatro bandas adicionales. Si para trabajos posteriores que involucren la identificacion y discriminacion del retamo espinoso es posible contar con las ocho bandas de una
imagen WorldView-2, es mas que probable que los resultados de clasificacion mejoren
bastante. Esto podra 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 distribucion espacial de la especie poniendo a prueba solamente los algoritmos del metodo
orientado a objetos.
2. Si en trabajos posteriores se desea desarrollar modelos a partir de variables biologicas y ambientales que permitan explicar los factores de invasion del retamo espinoso,
sugerimos emplear el software libre Maxent pues usa la maxima entropa de una
cierta cantidad de variables esenciales para modelar una especie en particular, pero son
necesarias una gran cantidad de variables caractersticas de la especie de estudio que
estuvieron fuera del alcance de los objetivos de este proyecto.
3. Aunque los resultados con los metodos no convencionales de clasificacion que se usaron
con el analisis basado en pxeles ( SVM y DT), tuvieron mejores resultados, la licencia
de prueba que se uso de eCognition, no permitio usar estos metodos los cuales hubieran
podido generar mejores resultados en la clasificacion orientada a objetos, para posteriores trabajos se podran tener en cuenta el uso de una licencia de este software, para
realizar las clasificaciones con estos metodos y determinar si de igual forma se obtienen
mejores resultados como lo fue en el analisis basado en pxeles.

103

ANEXOS
ANEXO 1
El siguiente c
odigo fue tomado y adaptado de la
clase Procesamiento Digital de Im
agenes Avanzado(PDIA)
de la Maestr
a en Ciencias de la Informaci
on y
las Comunicaciones con
enfasis en Geom
atica de
la Universidad Distrital Francisco Jos
e de Caldas,
dictada por el profesor y director de este trabajo:
Iv
an Alberto Lizarazo Salcedo, Ph.D en Geograf
a.
#Instalar librer
as para la ejecuci
on del c
odigo
Install.packages("sp")
Install.packages("rgdal")
Install.packages("raster")
Install.packages("MASS")
Install.packages("vcd")
Install.packages("mda")
Install.packages("dismo")
Install.packages("rpart")
Install.packages("e1071")
Install.packages("rpart")
#Cargar librer
as instaladas
library(sp)
library(rgdal)
library(raster)
library(MASS)
library(vcd)
117

library(mda)
library(dismo)
library(e1071)
library(rpart)
#Cargar
area de trabajo
setwd("D:/Universidad/Tesis/R/Cerros")
#Cargar imagen a clasificar
img<-brick("Cerros.tif")
#Cargar pol
gonos de entrenamiento
shp<-shapefile("Entrenamiento")
#M
ascara que contiene la informaci
on de la imagen en los
pol
gonos de entrenamiento
imgpoly<-mask(img,shp)
#Generaci
on de puntos aleatorios dentro de la m
ascara
xy<-randomPoints(imgpoly,n=3000)
#Extracci
on de la informaci
on de los puntos aleatorios
rdatos<-extract(imgpoly,xy) xy_sp<-SpatialPoints(xy)
#Asignaci
on del sistema de proyecci
on de los pol
gonos de
entrenamiento a los puntos aleatorios
proj4string(xy_sp)<-proj4string(shp) vdatos<-over(xy_sp,shp)
#Generar muestra aleatoria
datos1<-cbind(vdatos,rdatos)
i<-sample(1:nrow(datos1),1000)
training<-datos1[i,]

118

testing<-datos1[-i,]
#########Clasificaci
on LDA#########
lda_model<-lda(Id~Cerros.1+Cerros.2+Cerros.3+Cerros.4,
data=training)
lda_pred<-predict(lda_model,newdata=as.data.frame(getValues(img)))
imgclass<-(img[[1]])
imgclass[]<-lda_pred$class
plot(imgclass,col=colores,add=T)
colores<-c("brown","darkgreen","chartreuse2","red","orange",
"yellow")
plot(imgclass,main="Clases obtenidas mediante An
alisis
Discriminante Lineal",col=colores,add=T)
#Evaluaci
on de exactitud tem
atica
ref_test<-vdatos[-i,1]
p.test<-xy[-i,]
clas_test<-extract(imgclass,p.test)
df.test<-data.frame(ref_test,clas_test)
names<-c("ref","clas")
lda_conf<-confusion(df.test$ref,df.test$clas)
lda_conf
lda_pcc<-100*sum(diag(lda_conf))/nrow(df.test)
lda_pcc
lda_Kappa<-Kappa(lda_conf) lda_Kappa
#########Clasificaci
on SVM##########
svm_model<-svm(Id~Cerros.1+Cerros.2+Cerros.3+Cerros.4,
data=training,type="C-classification")
svm_model
svm_model1<-svm(Id~Cerros.1+Cerros.2+Cerros.3+Cerros.4,
data=training,type="C-classification")
svm_pred1<-predict(svm_model1,newdata=as.data.frame(getValues(img)))
svm_clas1<-img[[4]]
svm_clas1
svm_clas1[]<-svm_pred1
plot(svm_clas1,main="Clases obtenidas mediante M
aquinas de

119

Soporte Vectorial",
col=colores)
#Evaluaci
on de exactitud tem
atica
ref_test<-vdatos[-i,1]
p.test<-xy[-i,]
clas_test<-extract(svmclas2,p.test)
df.test<-data.frame(ref_test,clas_test)
names<-c("ref","clas")
svm2_conf<-confusion(df.test$ref,df.test$clas)
svm2_conf
svm2_pcc<-100*sum(diag(svm2_conf))/nrow(df.test)
svm2_pcc
svm2_Kappa<-Kappa(svm_conf)
svm2_Kappa
#########Clasificaci
on DT#########
rp<-rpart(Id~Cerros.1+Cerros.2+Cerros.3+Cerros.4,
data=training,method="class")
rp2<-rpart(Id~Cerros.1+Cerros.2+Cerros.3+Cerros.4,
data=training,method="class",
control=rpart.control(cp=0.01))
clasepred<-predict(rp2,newdata=as.data.frame(getValues(img)),
type="class")
pred_dt <- img[[1]]
pred_dt[]<- as.numeric(clasepred)
plot(pred_dt, main="Clases obtenidas mediante
Arboles de Decisi
on",
col=colores)
ref_test<-vdatos[-i,1]
p.test<-xy[-i,]
clas_test<-extract(pred_dt,p.test)
df.test<-data.frame(ref_test,clas_test)
names<-c("ref","clas")
DT_conf<-confusion(df.test$ref,df.test$clas)
DT_conf DT_pcc<-100*sum(diag(DT_conf))/nrow(df.test)
DT_pcc DT_Kappa<-Kappa(DT_conf)
DT_Kappa

120

ANEXO 2

Figura 7.1: Mapa de distribucion espacial de retamo espinoso, zona cerros orientales. Elaboracion propia.
121

ANEXO 3

Figura 7.2: Mapa de distribucion espacial de retamo espinoso, zona embalse de Chisaca.
Elaboracion propia
122

ANEXO 4

Figura 7.3: Mapa de la proyeccion de la distribucion espacial del retamo espinoso, para el
a
no 2020 del, zona cerros orientales. Elaboracion propia
123