You are on page 1of 5

COMPORTAMIENTO ESPECTRAL TEÓRICO podemos afirmar que, a mayor concentración de

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