Metodología para detectar cambios en el uso de la tierra utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de Villavicencio, Meta

Andrés Felipe Rodríguez Vásquez

Universidad Nacional de Colombia Facultad de Ingeniería Agronómica Bogotá D.C., Colombia 2011

II

Metodología para detectar cambios en el uso de la tierra utilizando los principios de la clasificación orientada a objetos, estudio de caso piedemonte de Villavicencio, Meta

Andrés Felipe Rodríguez Vásquez Ingeniero Agrícola

Tesis presentada como requisito parcial para optar al título de: Magister en Geomática

Director (a): Doctora Sc. Yolanda Rubiano Sanabria

Línea de Investigación: Geoinformación para el uso sustentable de los recursos naturales

Universidad Nacional de Colombia Facultad de Ingeniería Agronómica Bogotá D.C., Colombia 2011

“Ab imo pectore”, dedico esta tesis a mis PADRES,

TÍAS

Y HERMANOS,

por

haberme apoyado en el transcurso de la pertenencia y en el esfuerzo que incurrió cada renglón del presente escrito.

"Verba volant, scripta manent"

Las palabras se las lleva el viento, lo escrito permanece.

V

Agradecimientos Al Ministerio de Agricultura y Desarrollo Rural por la financiación de la tesis en el marco del proyecto ―Línea base de indicadores de calidad del suelo para determinar el efecto de las variaciones climáticas en los sistemas agrícolas del piedemonte llanero‖.

Ejecutado

conjuntamente por la Universidad Nacional, Corpoica y Fundallanura. A los científicos y personal técnico y de campo del centro de investigación CORPOICA – “La Libertad”, por su incondicional apoyo. A las personas nombradas a continuación que colaboraron directa e indirectamente con el desarrollo de la presente investigación: Dra. Yolanda Rubiano, Ing. Jesús Camacho, Ing. Cesar Cortés, Ing. Jorge Romero, Ing. Jaime Bernal, Ing. Juan Alejandro Garzón, Ing. Claudia Ospina Ing. Carlos Zarate

VI

VII

Resumen En la investigación se presenta una metodología que emplea los principios de la ―Clasificación Orientada a Objetos‖, con el propósito de determinar, cuantificar y visualizar, las coberturas y usos de la tierra para mapear el cambio ocurrido en un lapso de 17 años, en el piedemonte depositacional del municipio de Villavicencio en el departamento del Meta. La metodología se aplicó para las imágenes del sensor Landsat, para los años 1986 y 2003. El programa a utilizar fue ENVI versión 4.6, con el módulo de ENVI ZOOM. Con la clasificación utilizada fue posible delimitar las áreas de tres coberturas: bosques (9.304, 5 ha – 1986 y 2.083,8 ha – 2003), bosques de galería (3.581,5 ha – 1986 y 2.597 ha – 2003) y palma africana (110, 39 1986 y 218,88 – 2003), con el cambio de uso (bosques: -77.6% y bosques de galería en -27,5 %), a partir de una imagen satelital con resolución espacial media. Los resultados de la validación de la clasificación en la imagen del año 2003, indicaron que fueron aceptables (Coeficiente Kappa = 0.365). De acuerdo a los resultados de la investigación, la clasificación orientada a objetos, puede ser una alternativa eficiente y precisa a implementar para clasificar imágenes de sensores, cuando se requiere delimitar una cobertura específica. Palabras clave:

clasificación orientada a objetos, coberturas, cambio de uso, ENVI ZOOM, bosques, bosques de galería.

VIII

Abstract The research presents a methodology that employs the principles of "Object-Oriented Classification," with the purpose of identify, quantify and visualize the covers and land uses for mapping the change in a period of 17 years, in the piedmont with depositacional environments of the municipality of Villavicencio in the department of Meta. The methodology was applied to Landsat images from 1986 and 2003. The software used was ENVI version 4.6, with the module ENVI ZOOM. With the classification was possible to delimit three cover: forests (9304, 5 ha - 1986 and 2083.8 ha - 2003), gallery forests (3581.5 ha - 1986 and 2597 ha - 2003) and palm (110,4 - 1.986 and 218.9 ha – 2.003) with the change of use (forests: 77.6% and gallery forests in -27.5%), from a satellite image with medium spatial resolution. The results of the validation of image classification from 2003, indicated that was acceptable (Kappa coefficient = 0.365). According to the results of research, object-oriented classification can be an efficient and accurate implementation of sensors to classify images, when required to delineate a specific coverage.

Keywords:

Object-oriented classification, cover land, changes of use, ENVI Zoom, forests, gallery forests.

.

Contenido

IX

Contenido Pág. Resumen ................................................................................................................................... VII Abstract................................................................................................................................... VIII Lista de figuras .......................................................................................................................... XI Lista de tablas......................................................................................................................... XIII Introducción ............................................................................................................................... 15 1.

Marco Teórico..................................................................................................................... 19 1.1 Los sensores remotos en los mapas de cobertura de la tierra ........................... 19 1.1.1 La escala en los sistemas de información geográfica .................................... 20 1.2 Cobertura y uso de la tierra ............................................................................... 22 1.2.1 Aspectos generales ....................................................................................... 22 1.2.2 Determinación de las coberturas de la tierra .................................................. 23 1.3 Métodos de clasificación de imágenes .............................................................. 24 1.3.1 Clasificación basada en el píxel ..................................................................... 24 1.3.2 Clasificación basada en el subpíxel ............................................................... 27 1.3.3 Clasificadores contextuales ........................................................................... 27 1.3.4 Clasificadores basados por campo ................................................................ 27 1.4 Clasificación Orientada a Objetos ..................................................................... 28 1.4.1 Fraccionamiento o segmentación .................................................................. 31 1.4.2 Combinación de fragmentos .......................................................................... 31 1.4.3 Filtración de segmentos ................................................................................. 32 1.4.4 Selección de atributos.................................................................................... 32 1.5 Validación de la clasificación de imágenes ........................................................ 34 1.5.1 Matriz de confusión........................................................................................ 35 1.5.2 Coeficiente de Validación Kappa ................................................................... 36

2.

Objetivos ............................................................................................................................. 37 2.1 Objetivo General ............................................................................................... 37 2.2 Objetivos Específicos ........................................................................................ 37

3.

Generalidades del área de estudio ...................................................................................... 39 3.1 Localización Geográfica .................................................................................... 39 3.2 Generalidades de la zona de estudio ................................................................ 39 3.3 Clima ................................................................................................................. 40 3.4 Vegetación ........................................................................................................ 41

X 3.5

Suelos................................................................................................................42

4.

Metodología ........................................................................................................................45 4.1 Imágenes satelitales y fotografías aéreas ..........................................................47 4.2 Clasificación de Imágenes .................................................................................48 4.3 Reglas de clasificación en ENVI ZOOM .............................................................49 4.4 Validación de la clasificación .............................................................................49 4.5 Mapa de cambio de uso de la tierra ...................................................................50

5.

Resultados y discusiones..................................................................................................... 51 5.1 Metodología de clasificación de imágenes de sensores remotos, para determinar la cobertura y uso del suelo y los cambios ...................................................................51 5.1.1 Segmentación de la imagen ...........................................................................53 5.1.2 Selección de las coberturas............................................................................58 5.1.3 Selección de la muestra .................................................................................64 5.1.4 Asignación de reglas para la clasificación de objetos .....................................70 5.2 Validación de la Clasificación .............................................................................72 5.3 Cambio de uso de las coberturas del suelo........................................................74

6.

Conclusiones .......................................................................................................................79

Bibliografía ................................................................................................................................. 81 Lista de Anexos ........................................................................................................................... 91

Contenido

XI

Lista de figuras Figura 1-1: Figura 1-2: Figura 3-1: Figura 3-2: Figura 4-1: Figura 4-2: Figura 4-3: Figura 4-4: Figura 5-1: Figura 5-2: Figura 5-3: Figura 5-4: Figura 5-5: Figura 5-6: Figura 5-7: Figura 5-8: Figura 5-9: Figura 5-10: Figura 5-11: Figura 5-12: Figura 5-13: Figura 5-14: Figura 5-15: Figura 5-16: Figura 5-17:

Pág. Rangos del espectro electromagnético utilizadas para la discriminación de objetos en percepción remota .................................................................................................................... 20 Diagrama general para la clasificación de imágenes orientada objetos ............................ 30 Localización geográfica del área de estudio (coordenadas planas: Datum Magna-Sirgas, origen Este; coordenadas geográficas: WGS84) .................................................................. 39 Unidades de suelos del piedemonte depositacional (IGAC, 2005) ................................... 43 Metodología general para el desarrollo de la investigación ................................................ 45 Distribución de áreas de escenas de imágenes del sensor Landsat (izquierdo); localización de ortofotomosaico en la zona de estudio (derecha)..................................... 47 Distribución de fotografías aéreas para el ortofotomosaico de la zona de estudio ........ 48 Procedimiento global para la detección de cambios en las coberturas de la tierra ......... 50 Metodología para la determinación de coberturas y uso de la tierra y su cambio aplicando la clasificación orientada a objetos. ...................................................................... 52 Procedimiento metodológico para selección de variables de la clasificación orientada a objetos (COO)........................................................................................................................... 53 Captura de pantalla de ENVI ZOOM para visualizar la zona de inspección seleccionada ............................................................................................................................... 54 Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 20 ......... 55 Captura de pantalla de ENVI ZOOM para fraccionamiento con un rango de 40 (izquierda), y rango de 60 (derecha) ....................................................................................... 55 Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 40 ............. 56 Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 50 ............. 57 Capturas de pantalla de ENVI ZOOM para combinación de fragmento de 80 ............. 57 Capturas de pantalla de ENVI ZOOM para combinación de fragmento 95 ................. 58 Delimitación de cobertura y uso de la zona de estudio (parte superior) y escenas detalladas del piedemonte depositacional.(parate inferior) ................................................ 59 Estadísticas a nivel general de la interpretación a partir del ortofotomosaico ................ 59 Estadísticas de las coberturas de ―Territorios Artificializados‖ ........................................ 60 Estadísticas de las coberturas de ―Territorios Agrícolas‖ .................................................. 61 Estadísticas de las coberturas de los ―Bosques y Áreas Naturales‖ .................................. 62 Ejemplo de Coberturas delimitadas con aspectos socioeconómicos ............................... 63 Estadísticas generalizadas, incluyendo las coberturas seleccionadas palma, bosque y bosque de galería para la clasificación orientada a objetos. ................................................ 63 Polígonos utilizados para seleccionar los valores de las variables espectrales y espaciales de la clasificación orientada a objetos. ................................................................................... 65

XII Figura 5-18: Figura 5-19: Figura 5-20: Figura 5-21: Figura 5-22: Figura 5-23: Figura 5-24: Figura 5-25:

Ejemplos de redondez (línea verde) y elongación (línea amarilla) para bosques de galería .......................................................................................................................................... 66 Ejemplo de forma rectangular (color verde), y elongación para la Palma....................... 67 Captura de pantalla de la definición de reglas del módulo de ENVI ZOOM ............... 67 Procedimiento para determinar las variables a tener en cuenta para generar las reglas que clasifican el objeto. ............................................................................................................ 68 Variables y valores que definieron la clasificación de los objetos ..................................... 71 Ejemplo de comparación de las exactitud de las clasificaciones obtenidas del ortofotomosaico (línea amarilla y la del sensor Landsat (línea roja) ................................ 73 Captura de pantalla de ENVI, clasificación orientada a objetos para la escena de la fecha 2 de la imagen satelital del sensor Landsat................................................................. 75 Imagen del Anexo 8, cambio de uso de la tierra (mapa binario) ...................................... 76

Contenido

XIII

Lista de tablas Tabla 1-1: Tabla 1-2: Tabla 1-3: Tabla 1-4: Tabla 1-5: Tabla 1-6: Tabla 3-1: Tabla 3-2: Tabla 4-1: Tabla 4-2: Tabla 5-1: Tabla 5-2: Tabla 5-3: Tabla 5-4: Tabla 5-5:

Pág. Resolución de algunos sensores remotos (WULDER et al., 2008) ............................. 22 Algunos métodos de clasificación supervisada de imágenes en la década 2000-2010. .... 25 Algunos métodos de clasificación no supervisada de imágenes en la década 2000-2010. 25 Atributos espaciales que definen un objeto para el programa ENVI ......................... 33 Tipos de exactitud para la validación de clasificación de imágenes ............................ 35 Categoría de concordancias de validación para el coeficiente Kappa (CERDA & VILLARROEL , 2008) ..................................................................................... 36 Especies gramíneas, arbustivas y arbóreas reportados para la zona de estudio ............. 41 Descripción de las unidades de suelos del piedemonte depositacional (IGAC, 2005) ... 43 Información recopilada del área de estudio ........................................................... 46 Parámetros de imágenes del sensor Landsat, tomados del Servicio de Geología de Estados Unidos ............................................................................................... 48 Variables y valores que definieron la clasificación de los objetos ............................... 71 Matriz de confusión de las clasificaciones de las imágenes ....................................... 72 Exactitud de usuario y de productor según la matriz de confusión ............................ 72 Matriz de confusión de las clasificaciones de las imágenes ....................................... 74 Porcentaje de cambio de las coberturas en estudio ................................................. 75

Introducción La detección de los cambios que ocurren a través del tiempo en la superficie terrestre (coberturas, suelos, clima, uso de la tierra, entre otras), ha sido uno de los procesos espaciales que más le ha interesado al hombre cuantificar. En términos generales, es definida por SINGH (1989), como: ―el proceso que identifica las diferencias en el estado de un objeto o fenómeno‖ por medio de la observación a diferentes escalas temporales, siendo un factor indispensable para la supervisión y manejo de los recursos naturales. (SANTANA et al., 2010; GAMANYA et al., 2009), ya que permite cuantificar su distribución espacial. Se han desarrollado múltiples aplicaciones que buscan detectar los cambios de uso en coberturas del suelo (SANTANA et al., 2010), apoyadas en la clasificación de productos provenientes de sensores remotos, que regularmente, utilizan la agrupación de píxeles1, a partir de parámetros estadísticos y que ignoran las relaciones y características espaciales que puede contener dicho grupo. Esto conlleva a la subutilización de la información de las imágenes de satélite, al no considerar el análisis de vecindad, la escala, la funcionalidad y las características propias que definen un objeto en el espacio (BLASCHKE, 2004). GAMANYA et al., (2009), reportan el desarrollo y aplicación de diversos algoritmos para la clasificación de coberturas con sensores remotos, valiéndose de los valores espectrales que representa un píxel y agrupados en dos tipos de clasificación ―Supervisada y No Supervisada‖ (SANTOS, 2007).

Píxel, del inglés pixel, es la superficie homogénea más pequeña de las que se compone una imagen, definido por brillo y color. Diccionario de la Real Academia Española, Vigésima segunda edición. 1

16

La clasificación orientada a objetos, conocida como OBIA ―Object Based Imagen Analysis‖ o GEOBIA ―Geospatial Object Based Image Analysis‖ (BLASCHKE, 2010), es un mejorado y reciente sistema de clasificación de imágenes satelitales que se fundamenta en el uso de parámetros o variables de entrada, como información adicional al valor espectral que representa un objeto (SANTOS, 2007). Los elementos que se estudian dentro de la clasificación, no son analizados exclusivamente por su componente espectral, también toman en consideración los factores geométricos de forma que definen un objeto, de tal modo, que se aumentan los criterios de búsqueda y clasificación de una cobertura terrestre en particular, con opciones adicionales que

discriminan las variables de selección que la representan

(SANTOS, 2007; LEWINSKI & ZAREMSKI, 2004). Los métodos convencionales de clasificación, requieren de la experticia y conocimiento técnico en procesamiento digital de imágenes. La clasificación orientada objetos, necesita además, reconocer sus atributos geométricos (BLASCHKE, 2010; SANTOS, 2007) y para lograrlo, se hace necesario contar con programas y metodologías que faciliten la aplicación de esta técnica y que estén al alcance de los usuarios de manera más amigable y económica. En Colombia, existe un interés creciente de cuantificar los cambios en la cobertura superficial, que ocurren por cuenta de la presión ejercida por actividades antrópicas y que regularmente se expresan en procesos de deforestación acelerada (ETTER et al., 2006). Estos cambios, pueden ser utilizados como indicadores, particularmente, como indicador de presión cambio en el uso de la tierra (SUMMER et al., 2009; MAIRURA et al., 2007) y asociados a uno de los fenómenos considerado como responsable de las emisiones de gases efecto invernadero en el contexto de cambio climático (POORTINGA et al., 2011). Instituciones dedicadas a cartografiar los recursos naturales suelo, clima, vegetación y uso, entre otros, han adelantado iniciativas para determinar: uso actual y conflictos de uso del territorio nacional, IGAC-CORPOICA (2002) mediante la interpretación de imágenes de satélite. Más recientemente, cobertura y uso actual escala 1:100.000 con la metodología CORINE Land Cover, homologada para Colombia, realizada a partir de la interpretación visual de imágenes satelitales del sensor Landsat (IDEAM, 2010).

Introducción

17

En el Municipio de Villavicencio, los trabajos enfocados a determinar variaciones temporales en el uso de la tierra,

son escasos y están concentrados a determinar las variaciones

urbanísticas. Para la zona rural, particularmente para el área del piedemonte depositacional no se reportan estudios de dinámica de cambios en el uso de la tierra. Tampoco, se encuentran reportes del uso de la metodología de clasificación de imágenes orientada a objetos para algún lugar del país utilizando el programa ENVI. En razón a lo expuesto, el objetivo general de esta investigación fue desarrollar una metodología de clasificación de imágenes de sensores remotos, para determinar la cobertura y uso del suelo y los cambios temporales ocurridos en la misma, en el piedemonte depositacional del municipio de Villavicencio.

18

1. Marco Teórico 1.1 Los sensores remotos en los mapas de cobertura de la tierra El origen de la percepción remota es muy discutido a nivel mundial, pero se condiciona a nivel general con el surgimiento de los sensores fotográficos; NOVO (2002) lo define textualmente como: ―la tecnología que permite la adquisición de información de objetos, sin tener un contacto físico con ellos‖. En el estudio de la cobertura vegetal y el uso de la tierra, los sensores remotos juegan un papel importante en términos de la adquisición de datos, por la capacidad que ofrecen para entregar información multitemporal, determinada por la frecuencia de toma de datos, que posibilita la cuantificación y el seguimiento de los cambios que ocurren en las coberturas objeto de estudio (ETTER et al., 2006; CASTILLA, 2003; ALMEIDA-FILHO & SHIMABUKURO, 2002). Y, en el análisis de la información a través del análisis de la respuestas espectral de los objetos (Figura 1-1), siendo posible discriminar elementos que, en el pasado, no podían ser detectados por el ojo humano (NOVO, 2002).

20

Figura 1-1:

Rangos del espectro electromagnético utilizadas para la discriminación de objetos en percepción remota

La diversidad de los sensores remotos en cuanto a la resolución espacial y temporal es uno de los cuestionamientos que priman en el momento de generar un análisis espacial, es por esta razón que las imágenes de satélite del sensor Landsat han sido las más utilizadas para mapear las coberturas del suelo, siendo un recurso ideal para investigaciones de observación y monitoreo de la tierra, enfocado a los recursos naturales, esto debido a la alta frecuencia en la toma de datos a nivel mundial y por su periodo de permanencia en el espacio, durante las últimas cuatro décadas, sin descartar como complemento la utilización de las fotografías aéreas, a causa de la alta resolución espacial (KNORN et al., 2009, VICENTE-SERRANO et al., 2008, WULDER et al., 2008; KUEMMERLE et al., 2008; COHEN & GOWARD, 2004, ARDVISON et al., 2001).

1.1.1 La escala en los sistemas de información geográfica La definición de ―la escala‖ dependen del contexto y la disciplina en el cual se está investigando (GOODCHILD, 2001). En este trabajo se adoptó el término de escala cartográfica que establece una relación directa entre el tamaño de un objeto caracterizado en un sistema coordenado, respecto su tamaño en el terreno real (CASTILLA, 2003; GOODCHILD, 2001). GONZÁLEZ, (2005) discrimina la manera de representar el tamaño

Capitulo 1. Marco Teórico

21

del objeto con la jerarquización de las escalas, denominando pequeñas, a aquellas en las cuales los objetos son representados de manera general o exploratoria y grandes a aquellas en donde los objetos son representados en alto detalle. Debido a los avances tecnológicos y a la introducción de los Sistemas de Información Geográficas – SIG, para el manejo de la información espacial, es necesario definir la escala, como punto de partida para el análisis en una investigación. Es común, referirse a las escalas numéricas enteras en los mapas análogos, fotografías e impresiones, para facilitar la conversión de medidas respecto al terreno real; en tanto que los sistemas indican la escala digital y las conversiones son automáticamente suministradas por él. Los SIG, involucran un término reciente denominado: ―multi-escala‖, que hace referencia a la interacción de diferentes escalas, en un entorno digital y sistematizado (BEHNRENS et al., 2010; BLASCHKE & HAY, 2001). En el contexto de la imágenes de sensores remotos, la multi-escala soporta dos conceptos: resolución espacial y extensión espacial, utilizados para los SIG y telemática (GOODCHILD, 2001). La resolución espacial, se refiere al tamaño máximo de un objeto capturado por un sensor, almacenado en un píxel. WENG (2009), lo define textualmente como: ―la resolución espacial es una medida de la mínima distancia entre dos objetos, que pueden ser diferenciados, uno del otro, en una imagen en función de la altitud del sensor, tamaño del detector, tamaño focal y la configuración del sistema.‖ En síntesis la resolución espacial define el nivel de detalle espacial de un objeto respecto a la superficie de la tierra (WENG, 2009). A mayor número de píxeles en un área determinada, mayor es el detalle de los objetos a distinguir. Este concepto es único para cada sensor remoto, y de ello depende en gran parte el tamaño de la información obtenida y el costo de adquisición de la imagen satelital. La extensión espacial, representa la cantidad de información del proyecto a trabajar, en una unidad de medida de área determinada (WENG, 2009), el cual también depende de cada sensor remoto. La resolución espacial y temporal, se distinguen en tres rangos: alta, media y baja resolución, independiente del tipo de sensor (WULDER et al., 2008), Tabla 1-1.

22

Tabla 1-1: Resolución de algunos sensores remotos (WULDER et al., 2008) Rango de sensor

Baja Resolución (>100 m)

Sensor NOAA 17 (AVHRR) SPOT 4 (VGT) Terra (MODIS)

Extensión espacial máxima por toma del sensor (km2) 2940 2250 2330

Landsat -5 (TM) 185 Landsat -7 (ETM+) 185

Media Resolución (10 -100 m)

Alta Resolución (1 si es rectángulo

Forma Rectangular

Medida de forma que califica la forma de un rectángulo, valor de 1 si es rectángulo y 0,44 respectivamente.

Capitulo 5. Resultados y discusiones

67

Las variables espaciales dependen específicamente de la geometría del objeto a clasificar y en este estudio fueron empleadas las de forma, sin tener que recurrir al uso de variables texturales y de color, ya que al ir generando las reglas, el programa tiene la ventaja de presentar resultados parciales de la clasificación permitiéndole al usuario interactuar para descartar o adicionar las variables que representan mejor la cobertura a clasificar (Figura 5-20). Figura 5-19:

Ejemplo de forma rectangular (color verde), y elongación para la Palma

Figura 5-20:

Captura de pantalla de la definición de reglas del módulo de ENVI ZOOM

68



Variables espectrales

Tal como se mencionó en el marco teórico, la clasificación orientada a objetos tiene en cuenta los atributos espectrales (estadísticos descriptivos de los segmentos por banda espectral y relacionales, NVDI) con los cuales es posible complementar las variables espaciales especificadas en la metodología. Para facilitar la comprensión y aplicación de la metodología se generaron los procedimientos que permiten determinar las variables que se usan como reglas clasificadoras del objeto, aparecen ilustrados en el diagrama de la Figura 5-21. Figura 5-21:

Procedimiento para determinar las variables a tener en cuenta para generar las reglas que clasifican el objeto. Estadísticas Descriptivas del Objeto (Mínimo, Máximo, Rango, Media, Varianza y C. de Variación)

Si

C. De Variación (Matriz A) ≤ 5%

No No se tiene en cuenta

Matriz B

Prueba de Tukey de matriz A

Si

No se tiene en cuenta

Hay Unión de Subconjuntos

No

Se acepta la variable

Resultados

De las estadísticas generadas (Anexo D) se efectuó la primera selección de las variables, a tener en cuenta. A partir de los parámetros estadísticos se determinó una matriz A, (Ecuación

Capitulo 5. Resultados y discusiones

69

5.1) con las variables (N) y los objetos (O) con los coeficientes de variación de Pearson (CV), con el propósito de observar y cuantificar la dispersión de los datos respecto al valor central de cada objeto.

(5.1)

Se encontró que la matriz A se compuso de un arreglo de 25 variables para cada objeto, correspondientes a cuatro parámetros (mínimo, máximo, desviación estándar y promedio) por banda y la relación de bandas, que en la investigación se tomó en cuenta dentro de este agrupamiento por trabajar con los valores de las bandas 3 y 4 (rojo e infrarrojo cercano, ver Anexo E). Para la segunda selección, una vez dado como afirmativo el condicional anterior, se observaron los valores centrales por medio de una matriz B (Ecuación 5.2), con el fin de observar la media de las variables de la primera selección (Anexo F).

(5.2)

Generada la matriz B, se encontró que las variables seleccionadas, en algunos casos presentaban valores de media similares para cada objeto. Este proceso que no diferenció espectralmente la clasificación del objeto (Anexo F). Para determinar si había una diferencia significativa entre medias de la variable con respecto a cada objeto, se le aplico la prueba de Tukey a los datos de la matriz B, con el programa S.P.S.S versión 18 (Anexo 7).

70

A continuación se aplicó un segundo filtro, se seleccionaron con esta prueba aquellas variables que no asumían unión de conjuntos (ejemplo: a, b, c y no ab, cd, bc), debido a que estadísticamente estos valores son similares en dos tipos de subconjuntos de la prueba. Ejecutado el procedimiento de la Figura 5-21, se encontró que solo la variable de ―relación de bandas‖, era necesaria para complementar la clasificación, ya que al introducir las demás variables el resultado no mostraba diferencias, lo cual puede ser atribuido a que las bandas seleccionadas para el análisis, rojo e infrarrojo cercano, son las que se utilizan para determinar el índice de vegetación normalizada (NVDI). Es claro, que en otros casos, es factible que el usuario seleccione bandas diferentes a éstas, pero en este caso se halló que la relación de bandas aplicada, es una de las variables que tiene más peso al momento de seleccionar una cobertura vegetal. Para la cobertura de bosques se encontró que los valores para determinar su clasificación fueron aquellos valores de relación de bandas > 0.40, ya que por debajo de este valor se obtenían áreas que no pertenecían a esta clase. Los bosques de galería y la palma africana presentaron una relación de bandas con valores > a 0.45, éste valor se seleccionó mayor al de bosques, debido a que discriminaba mejor este tipo de cobertura, diferenciando la mayoría de los bosques. El comportamiento de la variable en general, fue similar al reportado por SANTOS, et al., (2010), quienes consideran que éste índice es adecuado como indicador principal en el cambio de uso de la tierra.

5.1.4 Asignación de reglas para la clasificación de objetos Una vez definidas las variables y valores que caracterizaban cada objeto o cobertura, se introdujeron los rangos de la Tabla 5-1, para que el sistema asignara las clases a la imagen segmentada de la fecha 1, generando la clasificación final de la imagen, en formato vectorial (shape) y matricial (raster), ver Figura 5-22.

Capitulo 5. Resultados y discusiones

Tabla 5-1:

71

Variables y valores que definieron la clasificación de los objetos

.Variables de la clasificación Elongación Forma Rectangular Espaciales

Rango de valores Bosque de galería > 1,1

Palma Africana 0,94 – 1,10 > 0,44

>0.04 y < 0.45

Redondez

Área Eje menor Espectrales Relación de Bandas

Bosque

> 5 ha 0.40

>400 > 0.40

>4,5

La Figura 5-22, ilustra el resultado de la clasificación orientada a objetos, en ella se pueden observar delimitadas vectorialmente con líneas de color rojo, los resultados obtenidos con la aplicación del módulo ENVI ZOOM. Figura 5-22:

Variables y valores que definieron la clasificación de los objetos

72

5.2 Validación de la Clasificación Para cuantificar y comparar los resultados obtenidos con la clasificación orientada a objetos y la interpretación visual en pantalla, se procedió a realizar la validación con la matriz de confusión y el coeficiente Kappa, acorde con los planteamientos de (SANTOS, 2007, LI et al., 2009; DOU et al., 2007). En una hoja de cálculo electrónica Excel, con la información vectorial de las coberturas en estudio se aplicaron las ecuaciones indicadas en el marco teórico. Se realizó la unión de las dos capas (clasificación de ortofotomosaico y clasificación orientada a objetos), con el propósito de determinar la correspondencia existente. A partir de la base de datos resultantes, se generó la matriz de confusión con las áreas resultantes del cruce (Tabla 52). Tabla 5-2:

Matriz de confusión de las clasificaciones de las imágenes

OFM / COO*

Bosque

Bosque de Galería Palma (Sin clasificar) Total general

Bosque 2001.75 281.59 100.42 Bosque de Galería 71.86 2253.12 Palma 10.17 63.16 118.46 (sin clasificar) 125.26 2409.54 17.94 Total general 2.209.038 5.007.407 236.813

154.44 123.76 54.49

2538.2 2448.75 246.27 2552.73 332.693 7.785.950

OFM: Ortofotomosaico; COO: Clases de la clasificación orientada a objetos *Valores en hectáreas

A partir de la matriz de confusión de la Tabla 5-2, se encontró la exactitud de usuario y de productor de la clasificación (Tabla 5-3). Tabla 5-3:

Exactitud de usuario y de productor según la matriz de confusión Bosque Bosque de Galería Palma (Sin clasificar) 78.86 90.62

Exactitud de Usuario % 92.01 48.1 22.12 Exactitud de Productor % 45 50.02 0

Capitulo 5. Resultados y discusiones

73

Es importante resaltar que para este estudio, se encontró que la clasificación orientada a objetos tiene una mayor exactitud para diferenciar las coberturas ―bosques‖ y ―bosques de galería‖, y en general, se pueden afirmar que estos resultados son aceptables para la escala trabajada, ya que están por encima del 78%, siendo 100% el límite superior de exactitud definido. Para la cobertura de palma los resultados se consideran satisfactorios a pesar que las exactitudes no superaron el 50%. La exactitud global fue del 56,17% que en términos generales puede ser considerada aceptable, ya que los resultados son la comparación de una clasificación de un ortofotomosaico con una de imagen satelital de media resolución espacial (Figura 5 -23) (LI et al., 2009) Figura 5-23:

Ejemplo de comparación de las exactitud de las clasificaciones obtenidas del ortofotomosaico (línea amarilla y la del sensor Landsat (línea roja)

74

Se aplicó otra técnica para validar la precisión (coeficiente Kappa), con la totalidad de la información obtenida del cruce vectorial de las dos capas comparadas, se encontró que el valor del coeficiente fue de 0.365, el cual es considerado como precisión aceptable según CERDA & VILLARROEL (2008), ratificando los valores encontrados de los tipos de exactitud y la explicación mencionada en el párrafo anterior. LI et al. (2009) y SANTOS (2007), reportan valores superiores al encontrado, lo que puede atribuirse al tipo de software (Econigtion) e imágenes (de alta resolución) empleadas para extraer objetos de una imagen, además las comparaciones realizadas por estos autores se obtuvieron a partir de métodos computacionales con la misma resolución espacial y no como los que aquí se presentan.

5.3 Cambio de uso de las coberturas del suelo Para poder realizar el cambio en el uso, es necesario tener dos imágenes, para ello se realizó la clasificación orientada a objetos para delimitar las coberturas en investigación (Figura 5-24) con la imagen de la escena Landsat de 1986. Teniendo en cuenta los procesos detallados descritos en los ítems anteriores, se utilizó la metodología propuesta (Figura 5-1), del cual se encontró las variables y valores para la clasificación de los objetos de la Tabla 5-4, seleccionados a partir de la segmentación con los valores encontrados en el ítem 5.1.1 y se tuvo en cuenta los mismos sectores de muestra de la imagen de 2003. Tabla 5-4:

Matriz de confusión de las clasificaciones de las imágenes

.Variables de la clasificación Elongación Forma Rectangular Espaciales Redondez Área Eje menor Espectrales Relación de Bandas

Rango de valores Bosque de galería Bosque Palma Africana > 1,4

0,94 – 1,10 > 0,44 >0.04 y < 0.45 > 5 ha

0.50

>400 > 0.50

>5,5

Capitulo 5. Resultados y discusiones

75

Los valores de la Tabla 5-4, son similares a los encontrados en la imagen del 2003 (Tabla 5-2), los mayores cambios se vieron en el atributo de relación de bandas espectrales que fueron mayores, estos resultados de la clasificación orientada a objetos pueden ser posibles por ser una imagen de la misma zona y el mismo sensor. Figura 5-24:

Captura de pantalla de ENVI, clasificación orientada a objetos para la escena de la fecha 2 de la imagen satelital del sensor Landsat

Al aplicar la clasificación orientada a objetos de las imágenes satelitales de las dos fechas, se desarrolló una capa binaria teniendo en cuenta el diagrama de procesos de la Figura 5-25, para visualizar y cuantificar el cambio de uso. Como resultado se generó una tercera capa donde se muestran los cambios ocurridos en el lapso de tiempo analizado de 17 años (Figura 5 -25 y Tabla 5-5). Tabla 5-5:

Porcentaje de cambio de las coberturas en estudio Bosque Bosque de Galería Palma adulta Año 1986 9304,46 Año 2003 2083,78 % Cambio -77,60%

3581,45 2597,87 -27,46%

110,39 218,88 -

76

Se encontró que la cobertura ―bosque‖ disminuyo en 77,60% y los ―bosques de galería‖ en 27,46%, para la ―palma africana‖ aumento el área, pero el cálculo de porcentaje de cambio no fue efectuado, ya que no es posible asegurar si para la imagen de 1986 la palma mostraba la mismas características fisionómicas de las palmas actuales (mayores de 20 años) identificadas en la imagen 2003. En la Figura 5-25 se observan en un mapa binario, el cambio de uso ocurrido en el período entre 1986 a 2003 obtenidos a partir de la clasificación orientada a objetos, el color naranja indica el cambio de las coberturas de: bosque, bosque de galería y palma y el color verde las coberturas que han permanecido sin cambio. Figura 5-25:

Imagen del Anexo 8, cambio de uso de la tierra (mapa binario)

La cuantificación de cambio de uso en la investigación pudo ser afectadas por dos factores: resolución espacial de las imágenes y la clasificación orientada a objetos El primero, los resultados de las diferentes clasificaciones de las imágenes varían no solamente por existir un cambio en el uso, sino además, por los efectos de borde de la delimitación en las coberturas, al tener cada una de ellas, la resolución espacial distinta. Esto correspondió a que la imagen de la escena de 2003: Landsat 7 ETM+, contiene una imagen pancromática de mayor resolución espacial que la escena de 1986: Landsat 5, permitiendo realizar una fusión

Capitulo 5. Resultados y discusiones

77

multiescala, opción que contiene ENVI ZOOM antes de realizar la clasificación orientada a objetos, con la función ―Pan Sharpening‖. Esta ajuste multiescala permitió mejorar la calidad visual de la imagen (GARZELLI & NENCINI, 2007), mostrando una mejor definición de la forma de los objetos, y mejorar los resultados de la segmentación (MALLINIS et al, 2011). El segundo, hace referencia al método usado para clasificar las imágenes, debido a que los resultados de los valores en las variables que afectaron cada clasificación son propios de cada imagen, el cual probablemente puede inducir a que cada clasificación maneje una incertidumbre diferente.

78

6. Conclusiones Se alcanzaron los objetivos planteados ya que fue posible desarrollar la metodología de clasificación orientada a objetos utilizando como herramienta el programa de ENVI y el módulo de ENVI ZOOM para determinar la cobertura y el uso del suelo y también para detectar y cuantificar los cambios ocurridos en las mismas un lapso de 17 años en el piedemonte depositacional del municipio de Villavicencio. Con los principios de la clasificación orientada a objetos y con los procedimientos propuestos fue posible

delimitar las áreas de tres coberturas, a partir de una imagen satelital con

resolución espacial media, mejorando los tiempos de clasificación con respecto de interpretaciones visuales desde la pantalla del computador. Adicionalmente este tipo de clasificador, permitió ratificar que, la clasificación de una imagen realizada desde el contexto relacional de ―pixel – información espectral‖, no es única ni suficiente para diferenciar una cobertura vegetal, de tal forma que se pudo mostrar la relación de ―segmento – atributos espaciales y espectrales‖. A pesar que los resultados de la validación con respecto de la exactitud fueron menores al 50%, se encontró que la clasificación es aceptable y que esta puede ser una alternativa a implementar para clasificar imágenes empleando el programa ENVI. Además de establecer procedimientos que afectan la clasificación orientada a objetos, también fue posible generar un proceso para detectar el cambio de uso en las coberturas como subproducto de la clasificación.

80

Bibliografía AGÜERA, F.; AGUILAR, F.J.; AGUILAR, A.M. 2008. Using texture analysis to improve per-píxel classification of very high resolution images for mapping plastic greenhouses. Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.635-646. ALMEIDA-FILHO, R.; SHIMABUKURO, Y.E. 2002. Digital processing of a Landsat -TM time series for mapping and monitoring degraded areas caused by independent gold miners, Roraima State, Brazilian Amazon. Remote sensing of environment, v.79, p.42-50. ANTONARAKIS, A.S.; RICHARDS, K.S.; BRASINGTON, J. 2008. Object-based land cover classification using airborne LiDAR. Remote sensing of environment, v.112, n.6 p.2988-2998. APLIN, P. & SMITH, G.M. 2008. Advances in object-based image classification. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science v.37, part B7. ARANGO, G.M.; BRANCH, B.J.W.; BOTERO, F.V. 2005. Clasificación no supervisada de coberturas vegetales sobre imágenes digitales de sensores Remotos: ―Landsat

-

ETM+‖. Revista Facultad de Agronomía, Universidad Nacional de Colombia, Sede Medellín, v.58, n.1, p.2611-2634. ARVIDSON, T.; GASCHB, J.; GOWARD, N.S. 2001. Landsat 7’s long-term acquisition plan — an innovative approach to building a global imagery archive. Remote sensing of environment, v.78, n.1-2, p.13-26. BEHRENS, T.; ZHU, A.; SCHMIDT, K.; SCHOLTEN, T. 2010. Multi-scale digital terrain analysis and feature selection for digital soil mapping. Geoderma, v.5, n.3-4, p.175-185.

82

BLASCHKE, T.

2010.

Object based image analysis for remote sensing.

Journal of

Photogrammetry and Remote Sensing, v.65, n.1, p.2-16. BLASCHKE, T. & HAY, G.J. 2001. Object oriented image analysis and scale-space: Theory and methods for modeling and evaluating multiscale landscape structure. International Archives of Photogrammetry and Remote Sensing, v.34, n.4, p.22-29. BOCCO, G.; MENDOZA, M.; MASERA, R.O. 2001. La dinámica del cambio del uso del suelo en Michoacán. Una propuesta metodológicoa para el estudio de los procesos de deforestación. Investigaciones Geográficas, Boletín del Instituto de Geografía, UNAM, n.44, p.18-38. BOCK, M.; XOFIS, P.; MITCHLEY, J.; ROSSNER, G.; WISSEN, M. 2005. Object-oriented methods for habitat mapping at multiple scales - Case studies from Northern Germany and Wye Downs, UK. Journal for Nature Conservation, v.13, n.2-3, p.75-89. BONTEMPS, S.; BOGAERT P.; TITEUX N.; DEFOURNY P. 2008. An object-based change detection method accounting for temporal dependences in time series with medium to coarse spatial resolution. Remote Sensing of Environment v.112, p.3181–3191. CASTILLA, G. 2003. Object-oriented analysis of remote sensing images for land cover mapping: conceptual foundations and a segmentation method to derive a baseline partition for classification.

Tesis Doctoral.

Universidad Politécnica de Madrid,

España, P.228 CERDA, J. & VILLARROEL, L. 2008. Evaluación de la concordancia inter-observador en investigación pediátrica: Coeficiente de Kappa. Revista Chilena de Pediatría, v.79, n.1, p.54-58. CHUVIECO, E. 2000. Fundamentos de teledetección espacial. Editorial Rialp s.a., Madrid, p.1-568.

Bibliografía

83

CLEVE, C.; KELLY, M.; KEARNS, F.R.; MORITZ, M.

2007.

Classification of the

wildland-urban interface: A comparison of píxel- and object-based classifications using high-resolution aerial photography. Computers, Environment and Urban Systems, v.32, n.4, p.317-326. COHEN, W.B.; & GOWARD, S.N. 2004. Landsat 's role in ecological applications of remote sensing. Bioscience, V.54, N.6, P.535-545. CONCHEDDA, G.; DURIEUX, L.; MAYAUX, P. 2008. An object-based method for mapping and change analysis in mangrove ecosystems. Journal of photogrammetry and remote sensing, v.63, n.5, p.578-589. COSTA, B.M.; BAUER, L.J.; BATTISTA, T.A.; MUELLER, P.W.; MONACO, M.E. 2009. Moderate-Depth Benthic habitats of St. John, U.S. Virgin Islands. NOAA Technical Memorandum NOS NCCOS 105, Silver Spring, p.57. DE JONG, S.M.; HORNSTRA, T.; MAAS, H. 2001. An integrated spatial and spectral approach to the classification of Mediterranean land cover types: the SSC method. International Journal of Applied Earth Observation and Geoinformation, v.32, n.2, p.176-183. DESCLÉE, B.; BOGAERT, P.; DEFOURNY, P.

2006.

Forest change detection by

statistical object-based method. Remote Sensing of Environment, v.102, n.1-2, p.1-11. DOU, W.; REN, Y.; WU, Q.; RUAN, S.; CHEN, Y.; BLOYET, D.; CONSTANS, J. 2007. Fuzzy kappa for the agreement measure of fuzzy classifications. Neurocomputing, v.70, n.4-6, p.726-734. DUPUY, R.J.M.; GONZÁLEZ, I.J.A.; IRIARTE V.S.; CALVO, I.LM.; ESPADAS, M.C.; TUN, D.F.; DORANTES, E.A. 2007. Cambios de cobertura y uso del suelo (19792000) en dos comunidades rurales en el noroeste de Quintana Roo. Investigaciones Geográficas, n.62, p.104-124.

84

ETTER, A. Introducción a la ecología del Paisaje. 1991. Instituto Geográfico Agustín Codazzi. ETTER, A.; MCALPINE, C.; WILSON, K.; PHINN, S.; POSSINGHAM, H.

2006.

Regional patterns of agricultural land use and deforestation in Colombia. Agriculture, Ecosystems and Environment, v.114, n.2-4, p.114-369. EZQUERRA A.C.; CUESTA, E. M.; LOPEZ, J.U.M. 1998. Proyecto LACOAST. Cambios en la cobertura del suelo en las costas europeas.

Observatorio medioambiental,

Universidad Computense, Madrid. v.1, p.201-219. FIGUEIREDO, DM.S.M.; DE CARVALHO T.L.M.

2007.

técnicas de classificação digital em imagens Landsat

Análise comparativa entre no mapeamento do uso e

ocupação do solo em Capixaba, Acre. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, INPE, p.6729-6736. GAMANYA, R.; DE MAEYER, P.; DE DAPPER, M. 2009. Object-oriented change detection for the city of Harare, Zimbabwe. Expert Systems with Applications, v.36, n. 1, p.571-588. GARZELLI, A.; NENCINI, F. 2007. Panchromatic sharpening of remote sensing images using a multiscale Kalman. Pattern Recognition, v.40, n.12, p.3568-3577. GODOY, C.S.; MARTÍNEZ, T.J.F.; DÍAZ DE LEÓN, S.J.L. 2006. A unified methodology to evaluate supervised and non supervised classification algorithms. Computación y Sistemas, v.9, n.4, p.370-379. GONZÁLEZ, A.F.& LÓPEZ, S.S. 1991. Using contextual information to improve land use classification of satellite images in central Spain. International Journal of Remote Sensing, v.12, n.11, p.2227-2235. GONZÁLEZ, S.; 2005. La Geografía escalar del capitalismo actual. Revista Electrónica de Geografía y Ciencias Sociales, Universidad de Barcelona, v.9, n.189, p.91-111. GOODCHILD, M.F. 2001. Metrics of scale in remote sensing and GIS. International Journal of Applied Earth Observation and Geoinformation, v.3, n.2, p.114-120.

Bibliografía

85

GUNTLI, D. 2006. Classification of land cover and land use - an object-oriented approach in Western Tajikistan. Tesis, University of Zurich, Suiza, p.157. HAY, G.J.; CASTILLA, G.; WULDER, M.A.; RUIZ, R.J. 2005. An automated object-based approach for the multiscale image segmentation of forest scenes. International Journal of Applied Earth Observation and Geoinformation, v.7, n.4, p.339-359. HAY, G.J.; NIEMANN, K.O.; MCLEAN, G.F. 1996. An object-specific image-texture analysis of H-Resolution forest imagery. Remote Sensing of Environment, v.55, n.2, p.108122. HESE, S. & SCHMULLIUS, C. 2009. High spatial resolution image object classification for terrestrial oil spill contamination mapping in West Siberia.

International Journal of

Applied Earth Observation and Geoinformation, v.11, n.2, p.130-141. IDEAM. 2010. Leyenda nacional de coberturas de la tierra, Metodología CORINE Land Cover adaptada para Colombia escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales. IGAC - CORPOICA. 1973.

Reconocimiento semidetallado de suelos del Centro de

Investigación ―La Libertad‖, departamento del Meta.

Instituto Geográfico Agustín

Codazzi, p.1-67. IGAC - CORPOICA. 2002. Uso adecuado y conflictos de uso de las tierras en Colombia. Subdirección de Agrología, IGAC. Subdirección de Investigación en Sistemas de Producción, CORPOICA. Bogotá, D. C. v.4, p.1-99. IGAC. 2005. Estudio general de suelos y zonificación de tierras del departamento del Meta. Instituto Geográfico Agustín Codazzi. Archivo Digital. IGAC. 2010. Coberturas y usos de la tierra del departamento del Quindío. Instituto Geográfico Agustín Codazzi, p.1-256.

86

JACQUIN, A.; MISAKOVA, L.; GAYA, M. 2008. A hybrid object-based classification approach for mapping urban sprawl in periurban environment. Landscape and Urban Planning, v.84, n.2, p.152-165. KAYITAKIRE, F.; HAMEL, C.; DEFOURNY, P.

2006.

Retrieving forest structure

variables based on image texture analysis and IKONOS-2 imagery. Remote Sensing of Environment, v.102, n.3-4, p.390-401. KNORN, J.; RABE, A.; RADELOFF, V.C.; KUEMMERLE, T.; KOZAK, J.; HORSTERT, P. 2009. Land cover mapping of large areas using chain classification of neighboring Landsat satellite images, Remote sensing of environment, v.113, n.5, p.957-964 KUEMMERLE, T.; DAMM, A.; HOSTERT, P. 2008. A method to detect and correct single-band missing píxels in Landsat TM and ETM+. Computers and Geosciences, v.34, n.5, p.445-455. LALIBERTE, A.S.; RANGO, A.; HAVSTAD K.M.; PARIS, J.F.; BECK, R.; MCNEELY, R.; GONZALEZ, A.L.

2004.

Object-oriented image analysis for mapping shrub

encroachment from 1937 to 2003 in southern New Mexico.

Remote Sensing of

Environment, v.93, n.1-2, p.198-210. LALIBERTE, A.S.; RANGO, A.; HERRICK, J.E.; FREDRICKSON, E.L.; BURKETT, L. 2007. An object-based image analysis approach for determining fractional cover of senescent and green vegetation with digital plot photography.

Journal of Arid

Environments, v.69, n.1, p.1-14. LANG, R., SHAO, G.; PIJANOWSKI, B.C.; FARNSWORTH, R.L. 2008. Optimizing unsupervised classifications of remotely sensed imagery with a data - assisted labeling approach. Computers and Geosciences, v.34, n.12, p.1877-1885. LEWINSKI, S. & ZAREMSKI, K.

2004.

Examples of object-oriented classification

performed on high-resolution satellite images. Miscellanea Geographica, v.11, p.349-359.

Bibliografía

87

LI, M.; WU., Y.; ZHANG, Q. 2009. SAR image segmentation based on mixture context and wavelet hidden - class - label Markov random field. Computers and Mathematics with Applications. V.57, n.6, p.961-969. LU, D. & WENG, Q. 2007. A survey of image classification methods and techniques for improving classification performance.

International Journal of Remote Sensing, v.28,

n.5,p.823-870. LUCAS, R.; ROWLANDS, A.; BROWN, A.; KEYWORTH, S.; BUNTING, P. 2007. Rulebased classification of multi-temporal satellite imagery for habitat and agricultural land cover mapping. Journal of Photogrammetry and Remote Sensing, v.62, n.3, p.165-185. MACEDO-CRUZ, A.; PAJARES-MSRTINSANZ, G.; SANTOS-PENAS, M.

2010.

Clasificación no supervisada con imágenes a color de cobertura terrestre. Agrociencia, v.44, n.6, p.711-722. MALLINIS, G.; EMMANOLOUDIS, D.; GIANNAKOPOULOS, V.; MARIS, F.; KOUTSIAS, N. 2011. Mapping and interpreting historical land cover/land use changes in a natura 2000 site using earth observational data: the case of Nestos delta, Greece. Applied Geography, v.31, p.312-320. MALLINIS, G.; KOUTSIAS N.; TSAKIRI-STRATI M.; KARTERIS, M. 2008. Objectbased classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site. Photogrammetry and Remote Sensing, v.63, n.2, p.237-250. MARCELINO, E.V.; FORMAGGIO, A.R.; MAEDA, E.E. 2009. Landslide inventory using image fusion techniques in Brazil. International Journal of Applied Earth Observation and Geoinformation. v.11, n.3, p.181-191. MELO, W.H.; CAMACHO, C.M. 2005.

Adaptación de la metodología CORINE Land

Cover para Colombia. Instituto Geográfico Agustín Codazzi, p.22-36. NINGAL, T.; HARTEMINK, A.E.; BREGT, A.K. 2008. Land use change and population growth in the Morobe Province of Papua New Guinea between 1975 and 2000 Journal of Environmental Management, v.87, n.1, p.117–124.

88

NOVO, E.M.L.M. 2002. Sensoriamento Remoto. Princípios e Aplicações. São Paulo: Edgard Blucher. 2da edição. OTAZU, J. & NUÑEZ, J. 2001. Algoritmo de clasificación no supervisada basado en wavelets. Revista de Teledetección, v.16, p.83-89. PANDIT, Y.P.; BADHE, Y.P.; SHARMA, B.K.; TAMBE, S.S.; KULKARNI, B.D. 2011. Classification of Indian power coals using K-means clustering and Self Organizing Map neural network. Fuel, v.90, N.1, p.339-347. PANT, T.; DHARMENDRA, S.; TANUJA, S.

2010.

unsupervised classification of SAR images.

Advanced fractal approach for

Advances in Space Research, v.45, n.11,

p.1338-1349. PEREA, A.J.; MERONO, J.E.; AGUILERA, M.J. 2009. Clasificación orientada a objetos en fotografías aéreas digitales para la discriminación de usos del suelo. INCI, v.34, n.9, p.612-616. ROBINSON, D.J.; REDDING, N.J.; CRISP, D.J. 2002. Implementation of a fast algorithm for segmenting SAR imagery. Scientific and technical report, Australia. Defense Science and Technology Organization, p.1-48. ROJAS, E.G. & ORTIZ, I.O. 2009. Identificación del cilindro nudoso en imágenes TC de trozas podadas de Pinus Radiata utilizando el Clasificador de Máxima Verosimilitud. Maderas, Ciencia y Tecnología, v.11, n.2, p.117-127. SÁ, R.DA.; ALMOROX, J.; DE SOUZA, A. 1996. Comparación de dos métodos de clasificación digital y aplicación al cartografiado de vegetación en el nordeste brasileño. Revista de Teledetección, v.7, n.7, p.1-6. SAMSUDIN, N.A. & BRADLYE, A.P. 2010. Nearest neighbour group-based classification. Pattern Recognition, v.43, n.10, p.3458-3467.

Bibliografía

89

SANTANA, O.A.; CARVALHO JÚNIOR, O.A..; PIMETNEL, C.M.M.; GOMES, R.AT.; OLIVEIRA, S.N. 2010. Modelagem de espectros temporais NDVI-MODIS, no período de 2000 a 2008, na bacia do rio Paracatu, Brasil. Revista Brasilera de Geografía, v.28, n.1, p.47-60. SANTOS, J.C.

2007

.Extração de atributos de forma e seleção de atributos usando

algoritmos genéticos para classificação de regîões. Tesis de maestría. Instituto Nacional de Pesquisas Espaciais (INPE), Brasil, p.1-102. SHATTRI, M.; WONG, T.H.; LOH K.F. 2008. Object oriented digital image classification. International Journal for Geo-Informatics, v.4, n.3, p.676. SHIBA, M.H.; SANTOS, L.R.; QUINTANILHA, J.A.; KIM, H.Y. 2005. Classificação de imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: uma avaliação de desempenho. Anais do XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, p.4319-4326. SILVÁN, C.J.L. 2010. Clasificación subpixel desde una perspectiva ontológica. CentroGeo, México, D.F, v.1, n.1, p.1-24. SINGH, A. 1989. Review Article Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, v.10, n.6, p.989-1003. SOUTH, S.; QI, J.; LUSCH, D.P.

2004.

Optimal classification methods for mapping

agricultural tillage practices. Remote Sensing of Environment, v.91, n.1, p.90-97. SZILÁGYI, L.; MEDVES, L.; SZILÁGYI, S.M.

2010. A modified Markov clustering

approach to unsupervised classification of protein sequences. Neurocomputing, v.73, n.13-15, p.2332-2345. TANSEY, K.; CHAMBERS, I.; ANSTEE, A.; DENNISS, A.; LAMB, A. 2009. Objectoriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas. Applied Geography, v.29, n.2, p.145-157.

90

VALERIO, A.DM.; DA SILVA, G.B.S.; KAMPEL, M.; STECH, J.L. 2008. Avaliação da classificação não supervisionada do uso do solo e tipos de água no reservatório de manso, mt. Revista do Geografia-Ensino e Pesquisa, v.12, p.4081-4095. VALOUS, N.A.; MENDOZA, F.; SUN D.; ALLEN, P. 2010. Supervised neural network classification of pre-sliced cooked pork ham images using quaternionic singular values. Meat Science, v.84, n.3, p.422-430. VAN COILLIE, F.M.B.; VERBEKE, L.P.C.; DE WULF, R.R. 2007. Feature selection by genetic algorithms in object-based classification of IKONOS imagery for forest mapping in Flanders, Belgium. Remote Sensing of Enviroment, v.110, n.4, p.476-487. VICENTE-SERRANO, S.M.; PÉREZ-CABELLO, F.; LASANTA, T. 2008. Assessment of radiometric correction techniques in analyzing vegetation variability and change using time series of Landsat images. Remote Sensing of Environment, v.112, n.10, p.3916-3934. WALTER, V. 2004. Object-based classification of remote sensing data for change detection. Journal of Photogrammetry and Remote Sensing, v.58, n.3-4, p.225-238. WENG, Q.

2009.

Remote Sensing and GIS Integration: Theories, Methods, and

Applications. McGraw-Hill, p.8-15. WULDER, M.A.; WHITE, J.C.; GOWARD, S.N.; MASEK, J.G.; IRONS, J.R.; HEROLD, M.; COHEN, W.B.; LOVELAND, T.R.; WOODCOCK, C.E.

2008.

Landsat

continuity: Issues and opportunities for land cover monitoring.

Remote Sensing of

Environment, v.112, n.3, p.955-969. XIE, Z.; ROBERTS, C.; JOHNSON, B. 2008. Object-based target search using remotely sensed data: a case study in detecting invasive exotic Australian Pine in south Florida. Journal of Photogrammetry and Remote Sensing, v.63, n.6, p.647-660. YANG, C.C.; PRASHER, S.O.; ENRIGHT, P.; MADRAMOOTOO, C.; BURGESS, M.; GOEL, K.P.; CALLUM, I. 2003. Application of decision tree technology for image classification using remote sensing data. Agricultural Sytems, v.76, n.3, p.1101-1117.

Lista de Anexos

A. Listado de vuelo y índice de las fotografías aéreas pancromáticas Listado de fotografías aéreas pancromáticas tomadas por el Instituto Geográfico Agustín Codazzi.

C_2714

No Escala Año Sobre Vuelo Foto 1: 232 42000 2004 S_39269 C_2714

C_2714

234

42000 2004 S_39269 C_2714

81

39880 2004 S_39258

C_2714

191

42000 2004 S_39263 C_2714

249

41338 2004 S_39265

C_2714

193

40780 2004 S_39263 C_2714

251

41338 2004 S_39265

C_2714

195

40780 2004 S_39263 C_2714

253

41338 2004 S_39265

C_2714

180

40780 2004 S_39262 C_2714

255

41338 2004 S_39265

C_2714

178

40780 2004 S_39262 C_2713

17

42060 2004 S_39244

C_2714

176

40780 2004 S_39262 C_2713

19

42060 2004 S_39244

C_2714

174

40780 2004 S_39262 C_2713

21

42060 2004 S_39244

C_2714

133

40550 2004 S_39261 C_2713

23

42060 2004 S_39244

C_2714

135

40550 2004 S_39261 C_2713

36

41860 2004 S_39245

C_2714

137

40550 2004 S_39261 C_2713

38

41860 2004 S_39245

C_2714

116

40900 2004 S_39260 C_2713

40

41860 2004 S_39245

C_2714

118

40900 2004 S_39260 C_2713

42

41860 2004 S_39245

C_2714

120

40900 2004 S_39260 C_2713

75

41600 2004 S_39246

C_2714

75

39880 2004 S_39258 C_2713

77

41600 2004 S_39246

C_2714

77

39880 2004 S_39258 C_2713

79

41600 2004 S_39246

Vuelo

No Foto 79

Escala Año Sobre 1: 39880 2004 S_39258

92

B. Mapa de coberturas y usos de la tierra, generadas a partir del ortofotomosaico Se realizó el mapa de coberturas y usos de la tierra a escala 1:50.000, con la interpretación del ortofotomosaico, disponible en formato PDF, anexo al documento digital.

C. Matriz de las variables espaciales, y espectrales de la segmentación Se encuentra anexo en formato de hoja electrónica del programa Excel.

D. Valores de los atributos de cada segmento seleccionados como muestras para la clasificación orientada a objetos para las dos imágenes Se encuentra anexo en formato de hoja electrónica del programa Excel

Lista de Anexos

93

E. Parámetros estadísticos de las coberturas, generadas en la clasificación orientada a objetos Se encuentra anexo en formato de hoja electrónica del programa Excel

F. Matríz B, de valores medios de los objetos encontrados Se encuentra anexo en formato de hoja electrónica del programa Excel

G. Pruebas de Tukey realizadas para la selección de variables Se encuentra anexo en formato de hoja texto del programa Word

94

H.

Mapa de Cambio de Uso

Se realizó el mapa de cambio de uso de la tierra a escala 1:50.000, con la la metodología propuesta de la Figura 5-1, disponible en formato PDF, anexo al documento digital.