COMPORTAMIENTO ESPECTRAL TEÓRICO
PARA LOS TRES ELEMENTOS FUNDAMENTALES
DEL PAISAJE
Los diferentes elementos sobre la superficie
terrestre varían su reflectancia de forma dispar
en las distintas frecuencias de radiación
incidente, haciendo posible su identificación. El
volumen de mineral contenido, el nivel de
humedad, la composición química, la estructura
física y molecular de la vegetación, los rasgos
geológicos y artificiales reflejan longitudes de
onda diferente y a menudo de manera única. A
patrones se los denominan “firmas espectrales”
1.1. VEGETACIÓN VIGOROSA
La firma espectral de la vegetación es
especialmente variable, dependiendo de
múltiples factores: estado fenológico, forma y
contenido en humedad.
 Bandas Visibles: de manera general se puede
decir que presenta una reducida reflectividad
en las bandas visibles, con un máximo
relativo en la región del verde (0.55 μm). Este
comportamiento está relacionado al efecto
absorbente de los pigmentos fotosintéticos
de las hojas. Entre estos, la clorofila que
absorbe en la zona del rojo. Por ese motivo,
la vegetación no vigorosa se ve amarilla
(verde + rojo) ya que la clorofila no absorbe
tanto.
 Infrarrojo cercano: la estructura celular
interna produce una elevada reflectividad en
el infrarrojo cercano que luego va
reduciéndose paulatinamente hacia el
infrarrojo medio.
 Por tanto, se puede afirmar que la
característica principal de la vegetación es el
contraste nítido que se presenta entre las
bandas visibles (especialmente rojo) y el
infrarrojo cercano. A mayor contraste, mayor
vigor de la vegetación.
Infrarrojo medio - región espectral entre 1.35
μm – 2.5 μm: en esta región la mayor parte de la
energía incidente es absorbida por las moléculas
de agua presentes en la hoja. Es por eso que
podemos afirmar que, a mayor concentración de
agua en el tejido, menor será la respuesta
espectral en esta banda.
Infrarrojo térmico: la vegetación presenta en el
dominio del infrarrojo térmico unas propiedades
en general bastante complejas. Como absorbe
energía solar durante el día y la devuelve
durante la noche, está más caliente que el aire
que la rodea durante la noche y más fría que su
entorno durante el día.
1.2. ÍNDICES DE VEGETACIÓN
 El estado fotosintético de la vegetación se
puede determinar a partir de la combinación
de dos bandas espectrales, concretamente el
rojo y el infrarrojo próximo, ya que la
significativa diferencia entre bandas denota
la presencia de vegetación sana y vigorosa
con alto contenido de humedad y el
incremento menor coincide con la vegetación
enferma con poca actividad fotosintética.
 Resumiendo, cuanto mayor es este
contraste, mayor es el vigor de la vegetación.
A partir de esta información se genera una
nueva imagen conocida habitualmente como
GVI (Green Value Index).
 Existen varios modelos matemáticos para el
cálculo de este GVI, pero las bondades de uno
u otro modelo y la calidad del resultado
obtenido depende en gran parte, de las
características de la toma y del área de
muestra. Uno de los más usados es el NDVI
1.3. SUELOS
 Se debe mencionar que los suelos desnudos
se detectan pocas veces, ya que en general se
presentan en conjunto con vegetación.
 Sin embargo, el comportamiento espectral
de los mismos es mucho más uniforme que el
de la vegetación.
 En principio, la mayor parte de la energía
recibida por el suelo es absorbida o reflejada
y muy poca es transmitida.
 Vamos por parte: empecemos por lo que ven
nuestros ojos. En general los suelos son
marrones para nuestros ojos. En la clase
 anterior vimos que el marrón se forma como
producto del verde y del rojo en superficies
que absorben básicamente el azul. Por lo cual
podemos afirmar que la respuesta es alta en
estas dos longitudes de onda.
Posteriormente la curva espectral se
mantiene bastante plana y de carácter
ligeramente ascendente.
 Los principales factores que intervienen en
este caso son la composición química del
suelo, su textura y estructura y el contenido
en humedad.
 Por ejemplo, un suelo de origen calcáreo
tiende al color blanco, indicando alta
reflectividad en todas las bandas visibles.
 Mientras que los arcillosos ofrecen una
mayor reflectividad en el rojo, como
consecuencia de su contenido en óxido de
hierro.
 Otro elemento a evaluar es la presencia de
material orgánico. Su presencia produce
suelos oscuros donde disminuye la
reflectancia.
 El tamaño de las partículas afecta la
reflectividad espectral. A medida que estas
disminuyen, la superficie se vuelve más lisa,
reduciendo la proporción de energía
atrapada y aumentando la energía reflejada.
 Concluyendo podemos afirmar que un
aumento de la reflectancia esta íntimamente
relacionado con la disminución del
contenido de humedad, de rugosidad, de
tamaño de las partículas, contenido de
materia orgánica y cantidad de oxido de
hierro presentes en el suelo.
1.4. AGUA
 El agua absorbe o transmite la mayor parte
de la radiación visible que recibe. Solo menos
del 5% de la energía que recibe es
transmitida. Por tanto presenta una curva
espectral plana, baja y de sentido
descendente (por ese motivo se ven los
objetos ajo su superficie).
 Los factores que afectan la respuesta
espectral son: la profundidad, el contenido
de materias en suspensión (clorofila, arcillas
y nutrientes) y la rugosidad de la superficie
(factor extremadamente importante).
 En aguas poco profundas con presencia de
humus en descomposición, típico de escenas
en áreas agrícolas, la reflectividad aumenta.
Hace decrecer la respuesta en el azul y
aumenta la respuesta en el rojo.
 Por otra parte agua con gran cantidad de
clorofila puede producir una respuesta
espectral similar al de la vegetación.
 Lo mismo sucede ante la presencia de arena,
roca, o cualquier otro tipo de sedimento:
hace crecer la respuesta del agua en el visible
y en infrarrojo cercano.
1.5. NIEVE
 La nieve ofrece un comportamiento
completamente diferente del agua,
con una reflectividad elevada en las
bandas visibles, reduciéndose drásticamente
en el infrarrojo cercano.
2. TÉCNICAS DE CLASIFICACIÓN
El objetivo de toda clasificación es el
reconocimiento de clases o grupos cuyos
miembros tengan ciertas características en
común. El resultado ideal consiste en obtener
clases que sean mutuamente excluyentes y
exhaustivas.
2.1. TIPOS DE CLASIFICACIONES
 El principio de las clasificaciones es el
siguiente: supongamos que tenemos una
imagen en color de una determinada área
geográfica. En esa imagen sabemos que
determinados píxeles de color azul
corresponden al agua. Podríamos decir
entonces que todos los píxeles azules son
agua.
 Esta es una forma de clasificación muy
primitiva pero muy válida en muchos casos.
En realidad, lo que se hace intuitivamente es
partir de una “muestra” del agua, para
 juzgar si determinado pixel se trata de agua
o no.
 Justamente, esta es la idea dominante en una
“clasificación supervisada”. Compara las
“firmas digitales” de las muestras, con la
“firma digital” de cada pixel de la imagen y
asigna el pixel a la clase donde encuentra
mayor similitud.
 Existe otro tipo de clasificación, las
clasificaciones no supervisadas, que
permiten clasificar imágenes sin tomar
muestras. Por ejemplo, dividiendo la imagen
en tantos grupos como se intuya presentes
de valores homogéneos.
 Clasificación Supervisada
Se parte de un cierto conocimiento sobre la zona
a clasificar, a partir del cual se obtienen los
criterios de clasificación. Previamente se han de
seleccionar muestras de cada clase constitutiva.
Esas zonas, conocidas como zonas de
entrenamiento, serán procesadas a fin de
calcular estadísticas: media, rango, desviación
típica, etc. en todas las bandas que intervengan
en la clasificación.
 Clasificación NO Supervisada
No se posee ningún conocimiento previo y de lo
que se trata es de discriminar píxeles en función
de una magnitud cuantitativa de diferenciación
entre unos y otros.
Supone la búsqueda automática de grupos de
valores homogéneos.
La intervención humana se centra más en la
interpretación de resultados que en la
consecución de los mismos.
2.2. LAS CLASIFICACIONES SUPERVISADAS
 Siguiendo con el ejemplo del agua, cuando se
realiza una clasificación supervisada, se tiene
un valor correspondiente al promedio del
color para el agua y lo que se hace es
comparar cada píxel de la imagen con este
valor promedio para hacer una
discriminación. El gran secreto de las
clasificaciones supervisadas está en como se
hace la comparación para decir “este píxel
corresponde al agua y este no”.
 En este tipo de gráfico, los píxeles de una
imagen forman en general “nubecitas” que
representan diferentes tipos de coberturas.
 La visión y el cerebro se combinan para dar
una interpretación visual de agrupaciones de
forma que se distinguen clases ante la
presencia de regiones relativamente densas
de puntos. Visualmente se puede también
determinar el grado de compactación de una
clase en función de la dispersión de sus
puntos alrededor del centro de la clase y
estimar el grado de separación entre clases
atendiendo a la distancia entre dichos
centros.
 A partir de este gráfico, podemos clasificar
un píxel que no sabemos a qué tipo
corresponde, comparando la distancia del
mismo a todos los centroides de las nubes
para posteriormente asignarlo a la clase
para la cual esta distancia es menor.
 Este mismo concepto se puede extrapolar a
un espacio de tres dimensiones donde la
distancia euclidiana también se puede
aplicar de la misma forma: esta vez en tres
dimensiones.
 Y a su vez, este mismo concepto se puede
seguir extrapolando a espacios de n
dimensiones igual al número de bandas.
Aunque no podamos visualizarlos, los
conceptos y las relaciones matemáticas son
aplicables igualmente.
MÍNIMA DISTANCIA EUCLÍEA
 Para cada pixel a seleccionar se mide la
distancia entre el píxel y los centroides de las
clases. El centroide de una clase es un vector,
cuyas componentes son las medias
aritméticas de los valores de muestra de los
píxeles de esa clase en cada banda. Se emplea
la distancia euclidiana para cuantificar esta
separación.
 Se asigna el pixel sin clasificar, a la clase
donde esta distancia es menor.
 Es claro que usando este método el píxel 1
corresponde a la Clase Vegetación Vigorosa.
 Por otra parte, el punto 3 parece no
pertenecer a ninguno de los grupos, debido a
que la distancia a los centros de las clases es
muy grande.
• Para este tipo de situaciones, se puede
indicar un umbral para cada clase, indicando
la máxima distancia permitida para
considerar a un pixel perteneciente a una
clase.
 Pero observe que pasa con el píxel 2: en este
caso es asignado a suelo desnudo, con lo cual
se podría no estar muy de acuerdo.
DISTANCIA DE MAHALANOBIS
• Este tipo de calcificación es muy similar a la
anterior, pero considera la distancia
MAHALANOBIS en lugar de la distancia
EUCLÍEA
• Asume previamente que los histogramas de
las clases tienen distribuciones normales.
• Por otra parte considera que la forma
geométrica de la nube de puntos que
representa al conjunto de píxeles
pertenecientes a una clase puede ser descrita
por una elipsoide. Dicha forma de elipsoide
depende directamente de la covarianza entre
las distintas variables.
• La localización, forma y tamaño de las elipses
reflejan la media, varianzas y covarianzas de
los datos y esta idea se traslada a n-
dimensiones.
• La distancia de Mahalanobis tiene en cuenta
la variabilidad de clases. Por ejemplo
clasificando áreas urbanas puede haber
píxeles correctamente clasificados más lejos
de la media que en una clase de agua, donde
los valores están todos más agrupados
(menor varianza).
• Este método es muy similar al “Maximum
Likelihood - Máxima Correlación” (ver en las
próximas 2 página en esta clase), pero asume
que todas las clases covarian. Por este motivo
es un método más rápido.
PARALELEPIPEDO
• Esta solución propone crear paralelepípedos
alrededor de cada muestra.
• Un píxel pertenece a una clase si entra
dentro del paralelepípedo que la clase
define.
• Si no entra dentro de ninguna clase, queda
sin clasificar (el píxel 3 por ejemplo)
• Observe que pasa con el píxel 1: queda
dentro de dos paralelepípedos, vegetación
arbustiva y cultivo. Una forma de solucionar
este caso es asignarlo al primero de los
paralelepípedos donde haya encontrado
pertenencia. En este caso cobra especial
importancia el orden en el que se verifique la
pertenencia a cada clase.
• En esta clasificación el píxel 2 queda
clasificado como urbano.
• Este método es rápido y simple. Es útil como
una primera aproximación. Como desventaja,
puede producir píxeles sin clasificar y
paralelepípedos superpuestos.
VECINO MAS CERCANO
• Otra posibilidad es clasificar los píxeles en
función del píxel más cercano.
• En este caso el píxel 3 queda clasificado como
urbano, lo mismo que el píxel 2.
MAXIMUN LIKELIHOOD - MÁXIMA
CORRELACIÓN
• Matemáticamente se puede demostrar
(Teorema de Bayes) cual es el método ideal
estadístico para hacer una clasificación. Ese
método se denomina “Maximun Likelihood”,
algo así como máxima correlación.
• Se asume previamente que los histogramas
de las clases tienen distribuciones normales.
Si no es así, mejor usar otro método. A partir
de este supuesto, se calcula las
probabilidades de que un píxel pertenezca a
cada clase.
• Se termina asignando el píxel a la clase de
mayor probabilidad.
• Este es el método más complejo y que más
cálculos realiza, pero también el que da los
mejores resultados.
 Existen (como se podrán imaginar) una
multitud de otros métodos numéricos y
estadísticos para hacer una clasificación
supervisada, algunos son mejores que otros,
otros simplemente más rápidos. El empleo o
utilización de un método u otro es particular
de cada caso
 Las clasificaciones supervisadas presuponen
una fase de entrenamiento que consiste en
seleccionar muestras, en forma de zonas de
píxeles concretos, que se asignarán a una
clase concreta, basándose en el
conocimiento previo que se tiene sobre la
imagen. A partir de los puntos de las zonas de
entrenamiento, se extraerán ciertos
parámetros estadísticos. La elección de los
parámetros a calcular dependerá del método
concreto de asignación que se vaya a emplear
después.
 Así, el método del paralelepípedo requiere
conocer los valores máximos y mínimos de
cada clase en cada banda.
 Mientras que el de mínima distancia requiere
calcular la media en cada banda.
 El método de la máxima probabilidad,
requiere el cálculo de la media en cada banda
y la matriz de varianza-covarianza de cada
clase.
 Ni que decir que es fundamental la correcta
selección de las muestras, ya que en caso
contrario, las estadísticas no serán las
correctas y los resultados pueden ser
completamente erróneos.
 Por otro lado, la validez de los resultados
dependerá de dos factores:
 El grado de fiabilidad de los posibles
supuestos previos que se hayan hecho.
 La representatividad de las muestras
tomadas
 La representatividad de las muestras indica
que los píxeles tomados contienen las
distintas 'variedades' de cada clase y además
que se tomaron estas muestras en las
proporciones adecuadas.
 Es por tanto deseable escoger distintas
muestras de una clase distribuidas por toda la
imagen más que escoger una zona amplia
pero correspondiente a una misma área.
2.3. LAS CLASIFICACIONES SIN SUPERVISAR
 Podemos clasificar una imagen sin la ayuda
de las áreas de muestreo. Esto es lo que
denominamos clasificación no supervisada.
 Los algoritmos empleados para clasificar una
imagen sin muestreos básicamente lo que
hacen es encontrar nubes más o menos
densas en el espectro bidimensional de las
imágenes y asignárselas a clases en la
clasificación. Quizás el método más
empleado es el “Isodata”, que asigna igual
valor de probabilidad a cada una de las clases
o nubes.
2.4. EVALUACIÓN DE LAS CLASIFICACIONES
Todo proceso de medición (proceso mediante el
cual se cuantifica una magnitud) está
amenazado por diversas fuentes de error por lo
que es ampliamente aconsejable determinar el
grado de error cometido, en términos de
número de píxeles incorrectamente clasificados.
Los resultados de las clasificaciones tanto
supervisadas como no supervisadas se pueden
evaluar con la ayuda de las áreas de
comprobación. El diseño de muestreo de dichas
áreas y su localización debe realizarse
previamente a la clasificación para evitar
posibles sesgos.
En estas áreas se evalúan las clases que se han
obtenido a través de las clasificaciones
realizadas con el ordenador y se comparan con
la realidad. La utilización de áreas de
entrenamiento para este propósito es
claramente inadecuada. Tomemos por ejemplo
una matriz construida a partir de una imagen
clasificada según 3 categorías: nieve, suelo
desnudo y agua.