universidad central del ecuador facultad de … · multiespectrales landsat 8, para aplicaciones...
TRANSCRIPT
i
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE CIENCIAS AGRÍCOLAS CARRERA DE INGENIERÍA AGRONÓMICA
PROCESAMIENTO DIGITAL DE IMÁGENES MULTIESPECTRALES
LANDSAT 8, PARA APLICACIONES AGRONÓMICAS EN LA SUBCUENCA
DEL RÍO GUAYLLABAMBA.
TESIS DE GRADO PREVIA A LA OBTENCIÓN DEL TÍTULO DE INGENIERA
AGRÓNOMA
ANALÍA FERNANDA ALMEIDA YANCHAPAXI
QUITO-ECUADOR
2015
ii
DEDICATORIA
A mi madre que ha sido el pilar fundamental
en mi vida, mi mayor inspiración y un gran
ejemplo a seguir.
A mis hijos, a los cuales muchas veces tuve
que sacrificar su tiempo por realizarme
profesionalmente, con la firme convicción de
ser un ejemplo para ellos.
A mi padre, que con el tiempo logre hacerlo
sentir orgulloso.
A todas aquellas personas que no creyeron
en mí, y finamente les demostré que a pesar
de todos los obstáculos siempre llego al final
de mis metas.
iii
AGRADECIMIENTOS
A mis maestros: Ing. Carlos Vallejo, Ing: Carlos Montufar, Ing Juan Pazmiño, Ing.
Montesdioca, que con sus conocimientos y valores, me formaron tanto profesional como
personalmente.
A uno de los mejores seres humanos que he conocido, mi jefe, mi profesor y amigo, Lino
Fernando Verduga Moreira, por la confianza, soporte técnico, profesional y Humano.
Al Instituto Espacial Ecuatoriano especialmente al componente de Sistemas productivos
Ing, José Galarza, Ing. Adriana Benítez, Ing, Ruth Nato, Ing. Mercy Enríquez, Ing. Misael
Yánez y Rocío Rodríguez; por su colaboración en la realización de la investigación.
AUTORIZACIÓN DE LA AUTORÍA INTELECTUAL
Yo, ANALÍA FERNANDA ALMEIDA YANCHAPAXI, en calidad de autor del trabajo de
investigación o tesis realizada sobre: PROCESAMIENTO DIGITAL DE IMÁGENES
MULTIESPECTRALES LANDSAT 8, PARA APLICACIONES AGRONÓMICAS EN LA
SUBCUENCA DEL RÍO GUAYLLABAMBA, DIGITAL PROCESSING OF MULTIESPECTRAL
IMAGES LANDSAT 8, FOR AGRONOMIC APLICAT1ON IN THE SUB-BASIN OF THE
GUAYLLABAMBA RIVER, por la presente autorizo a la UNIVERSIDAD CENTRAL DEL
ECUADOR, hacer uso de todos los contenidos que me pertenecen o de parte de los que
contiene esta obra, con fines estrictamente académicos o de investigación.
Los derechos que como autor me corresponden, con excepción de la presente
autorización, seguirán vigentes a mi favor, de conformidad con lo establecido en los
artículos 5, 6, 8, 19 y demás pertinentes de la Ley de Propiedad Intelectual y su
Reglamento.
Quito, 07 de diciembre de 2015
ANALIA FERNANDA ALMEIDA YANCHAPAXIC.C. 1720453560
¡V
CERTIFICACIÓN
En calidad de tutor del trabajo de graduación cuyo título es: PROCESAMIENTO DIGITAL
DE IMÁGENES MULTIESPECTRALES LANDSAT 8, PARA APLICACIONES AGRONÓMICAS EN
LA SUBCUENCA DEL RÍO GUAYLLABAMBA presentado la señorita ANALÍA FERNANDA
ALMEIDA YANCHAPAXI previo a la obtención del Título de Ingeniera Agrónoma, considero
que el proyecto reúne los requisitos necesarios.
Quito, 07 de diciembre del 2015
Ing.Agr. Carlos Montufar, M.Sc.
TUTOR
Quito, 07 de diciembre de 2015
IngenieroCarlos Alberto Ortega, M.Sc.
DIRECTOR DE CARRERA DE INGENIERÍA AGRONÓMICA
Presente
Señor Director:
Luego de las revisiones técnicas realizadas por mi persona de trabajo de graduación
PROCESAMIENTO DIGITAL DE IMÁGENES MULTIESPECTRALES LANDSAT 8, PARA
APLICACIONES AGRONÓMICAS EN LA SUBCUENCA DEL RÍO GUAYLLABAMBA , llevado a
cabo por la señorita ANALÍA FERNANDA ALMEJDA YANCHAPAXI de la Carrera de
Ingeniería Agronómica, ha concluido de manera exitosa, consecuentemente el indicado
estudiante podrá continuar con los trámites de graduación correspondientes de acuerdo
a lo que estipula las normativas y disposiciones legales.
Por la atención que se digne da a la presente, reitero mi agradecimiento.
Atentamente,
Ing. Agr. Carlos Montúfar, M.Sc.
TUTOR
PROCESAMIENTO DIGITAL DE IMÁGENES MULTIESPECTRALES LANDSAT 8,
PARA APLICACIONES AGRONÓMICAS EN LA SUBCUENCA DEL RÍO
GUAYLLABAMBA,
APROBADO POR:
Ing. Agr. Carlos Montúfar, M.Sc.
TUTOR
Ledo. Diego SalazarV., M.Sc.
PRESIDENTE DELTRIBUNAL
Ing. Jaime PazmiñoPRIMER VOCAL DEL TRIBUNAL
Ing. Agr. Juan Pazmiño, M.Sc.
SEGUNDO VOCAL DELTRIBUNAL
2015
Vil
viii
CONTENIDO
CAPÍTULO PÁGINAS
1. INTRODUCCIÓN ...................................................................................................... 1
Objetivos ....................................................................................................... 2 1.1.
1.1.1. Objetivo General .................................................................................................... 2
1.1.2. Objetivos Específicos .............................................................................................. 2
2. REVISIÓN DE LITERATURA ..................................................................................... 3
Teledetección Espacial .................................................................................... 3 2.1.
2.1.1. Definición ................................................................................................................ 3
2.1.2. Principios Físicos ..................................................................................................... 3
Radiación electromagnética ................................................................................... 3 2.1.2.1.
El espectro Electromagnético ................................................................................. 4 2.1.2.2.
Superficies Reflectantes ......................................................................................... 5 2.1.2.3.
2.1.3. Elementos de un sistema de Teledetección ........................................................... 6
2.2. Satélites de observación de la Tierra ............................................................... 7
2.2.1. Satélites geoestacionarios ...................................................................................... 7
2.2.2. Satélites de órbita polar (o heliosincronicos) ......................................................... 8
2.2.3. El programa Landsat ............................................................................................... 8
2.2.4. Sensores de observación terrestre Landsat 8 ........................................................ 8
2.2.4.1. Sensor Operational Land lmager (OLI) ................................................................... 9
2.2.4.2. Sensor Thermal Infrared Sensor (TIRS) .................................................................. 9
2.2.5. Características de las bandas del satélite landsat 8 ............................................. 10
2.3. Tratamiento digital de imágenes ................................................................... 11
2.3.1. Pre-procesamiento digital .................................................................................... 12
2.3.2. Correcciones de la imagen ................................................................................... 12
2.3.2.1. Correcciones radiométricas .................................................................................. 12
ix
CAPÍTULO PÁGINAS
2.3.2.2. Correcciones geométricas .................................................................................... 13
2.3.3. Realces y mejoras de la calidad de la imagen ...................................................... 13
2.3.3.1. Ajuste del contraste ............................................................................................. 13
2.3.3.2. Composición a color ............................................................................................. 13
2.3.3.3. Filtros .................................................................................................................... 14
2.3.4. Transformaciones de la imagen ........................................................................... 14
2.3.4.1. Índice de Vegetación ............................................................................................ 14
2.3.5. Clasificación digital ............................................................................................... 15
2.3.5.1. Clasificación no supervisada ................................................................................. 15
2.3.5.2. Clasificación supervisada ...................................................................................... 15
2.4. Aplicaciones del tratamiento digital .............................................................. 16
3. MATERIALES Y MÉTODOS .................................................................................... 17
Materiales ..................................................................................................... 17 3.1.
3.1.1. Características del área de estudio ...................................................................... 17
3.1.1.1. Ubicación geográfica ............................................................................................ 17
3.1.1.2. Ubicación política ................................................................................................. 17
3.1.1.3. Río Principal .......................................................................................................... 17
3.1.1.4. Características agroclimáticas .............................................................................. 17
3.1.2. Insumos ................................................................................................................ 18
3.1.2.1. Imágenes satelitales Landsat 8 ............................................................................. 18
3.1.2.2. Cartografía básica ................................................................................................. 19
3.1.2.3. Cartografía temática ............................................................................................. 19
3.1.3. Equipos y programas ............................................................................................ 19
3.2. Métodos ....................................................................................................... 20
3.2.1 Fase preliminar ..................................................................................................... 21
x
CAPÍTULO PÁGINAS
3.2.1.1. Delimitación de la zona de estudio ...................................................................... 21
3.2.1.2. Conversión a reflectancia ..................................................................................... 22
3.2.1.3. Conversión a radiancia en el techo de la atmosfera (TOA) .................................. 24
3.2.2 Fase de desarrollo ................................................................................................ 25
3.2.2.1. Determinación del uso de la tierra ....................................................................... 26
3.2.2.2. Determinación de la temperatura superficial del suelo (TS) ............................... 31
3.2.2.3. Aproximación a la determinación del índice satelital de déficit hídrico .............. 33
4. RESULTADOS Y DISCUSIÓN .................................................................................. 35
4.1. Productos previos al mapa de uso de la tierra ................................................ 35
4.1.1. Índice de vegetación ............................................................................................. 35
4.1.2. Índice de Suelos .................................................................................................... 36
4.1.3. Índice de Agua ...................................................................................................... 36
4.1.4. Composición a color ............................................................................................. 37
4.1.5. Mapa de uso de la tierra ...................................................................................... 38
4.1.6. Caracterización del uso de la tierra ...................................................................... 39
4.1.7. Mapa de temperatura superficial (TS) ................................................................. 40
4.1.8. Mapa de déficit hídrico satelital ........................................................................... 42
4.1.9. Validación de datos .............................................................................................. 44
5. CONCLUSIONES .................................................................................................... 47
6. RECOMENDACIONES ............................................................................................ 48
7. RESUMEN ............................................................................................................. 49
8. REFERENCIAS BIBLIOGRÁFICAS ........................................................................... 51
9. ANEXOS ................................................................................................................ 54
xi
ÍNDICE DE ANEXOS
ANEXO PÁG.
1. Características de las bandas del satélite Landsat 8 ............................................ 54
2. Recopilación de imágenes pertenecientes a la zona de estudio ......................... 55
3. Metadato de la imagen LC80100602014303LGN00 ............................................ 56
4. Transformación a valores de reflectancia espectral ............................................ 60
5. Transformación a valores de radiansa en el techo de la atmosfera .................... 60
6. Mapa de uso de la tierra ...................................................................................... 61
7. Mapa de temperatura superficial ........................................................................ 62
8. Mapa de déficit hídrico satelital ........................................................................... 63
9. Fotos uso de la tierra ............................................................................................ 64
10. Fotos déficit hídrico .............................................................................................. 67
xii
ÍNDICE DE CUADROS
CUADRO PÁG.
1. Factor multiplicativo de escalado específico por banda, para la transformación a imagen de reflectancia, para el procesamiento digital de imágenes multiespectrales landsat 8, en la subcuenca del Río Guayllabamba. .................. 22
2. Factor aditivo de escalado específico por banda, para la transformación a imagen de reflectancia en el procesamiento digital de imágenes multiespectrales landsat 8. .................................................................................. 23
3. Factor multiplicativo de escalado específico de las bandas termales del sensor TIRS. Para procesar digitalmente imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ........................... 24
4. Superficie de uso de la tierra, como resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. .......................................................................................... 40
5. Rango de temperatura y superficie, identificadas en la Subcuenca alta del Río Guayllabamba mediante procesamiento digital de imágenes multiespectrales lansat 8. ................................................................................................................ 41
6. Clasificación del déficit hídrico, en base a la metodología utilizada por la ORA, para la determinación del déficit hídrico en la subcuenca alta del Río Guayllabamba. ...................................................................................................... 42
7. Registro histórico de las estaciones que reportan datos de déficit hídrico, para el periodo (1985 – 2009); ubicadas dentro de la subcuenca alta del Río Guayllabamba ....................................................................................................... 43
8. Verificación en campo de puntos de control, para la validación de los resultados obtenidos mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agronómicas en la subcuenca del Río Guayllabamba. ........ 45
xiii
ÍNDICE DE GRÁFICOS
GRÁFICO PÁG.
1. Rangos del Espectro Electromagnético. ................................................................. 4
2. Firmas espectrales características de las principales coberturas terrestres. ........ 5
3. Elementos de un sistema de teledetección. .......................................................... 7
4. Imagen base Landsat 8, sobre la cual se realizó el procesamiento digital. ......... 18
5. Cartas topográficas utilizadas para la caracterización de la cobertura y elaboración del mapa base, de la Subcuenca hidrográfica del Río Guayllabamba. .............................................................................................................................. 19
6. Flujo metodológico integrado, para el procesamiento digital de imágenes multiespectrales landsat 8. .................................................................................. 20
7. Delimitación de la zona de estudio, para el análisis mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones en la subcuenca del Río Guayllabamba. ....................................................................... 21
8. Modelo de transformación de la imagen LC80100602014303LGN00 a valores de reflectancia, para la automatización del procesamiento digital de imágenes landsat 8. .............................................................................................................. 23
9. Modelo de transformación de la imagen LC80100602014303LGN00 a valores de radiancia en el techo de la atmosfera, en el procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 25
10. Modelo de transformación a índices de vegetación a partir de la imagen de reflectancia, para automatización del procesamiento digital de imágenes multiespectrales landsat 8, en la subcuenca del Río Guayllabamba. .................. 27
11. Modelo de transformación a índices de suelos a partir de la imagen de reflectancia, para la automatización del procesamiento digital de imágenes landsat 8, en la subcuenca del Río Guayllabamba. .............................................. 28
12. Modelo de transformación a índices de agua a partir de la imagen de reflectancia, para la automatización del procesamiento digital de imágenes multiespectrales ladsat 8, en la subcuenca del Río Guayllabamba. .................... 29
xiv
GRÁFICO PÁG.
13. Modelo de transformación de la imagen LC80100602014303LGN00 a temperatura superficial en °C, para automatizar el procesamiento digital de imágenes landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 32
14. Transformación de los valores de radiansa a valores en ºC, para la interpretación de la temperatura superficial del suelo, mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. .......................................................................................... 33
15. Modelo para la obtención del TVDI, en el procesamiento digital de imágenes multiespectrales landsa 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 34
16. Imagen de índice de vegetación obtenido por medio del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ....................................................................... 35
17. Imagen de índice de suelo, resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 36
18. Imagen de índice de agua, resultado del procesamiento digital de imágenes landsat 8 para la determinación del uso de la tierra. .......................................... 37
19. Imagen de índice combinado, resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 38
20. Mapa temático de uso de la tierra, en el procesamiento digital de imágenes multiespectrales landsat 8 para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ...................................................................................................... 39
21. Determinación de la temperatura superficial del suelo, mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. ....................................................................... 42
22. Determinación del déficit hídrico satelital (TVDI), como resultado del procesamiento digital de imágenes multiespectrales landsat 8. ......................... 44
23. Ruta de verificación de puntos de control, vía Calacalí independencia…….…….45
xv
PROCESAMIENTO DIGITAL DE IMÁGENES MULTIESPECTRALES LANDSAT 8, PARA
APLICACIONES AGRONÓMICAS EN LA SUBCUENCA DEL RÍO GUAYLLABAMBA,
RESUMEN
Los datos satelitales ofrecen considerables ventajas para el conocimiento de la variación espacial y seguimiento temporal de múltiples fenómenos de interés agronómico, esto es posible gracias al desarrollo del tratamiento digital de imágenes, herramienta fundamental de la Teledetección. El presente estudio utiliza algunas técnicas de tratamiento digital con imágenes multiespectrales del satélite Landsat 8, para la identificación del uso de la tierra, la determinación de la temperatura superficial del suelo, y el análisis del déficit hídrico de la vegetación en la Subcuenca alta del Río Guayllabamba. Para lo cual se obtuvo tres índices (de vegetación, suelo y agua) y se los unió en una sola imagen sobre la que se realizó clasificación digital, obteniéndose el mapa de uso de la tierra. La temperatura se determinó mediante la metodología de conversión de imágenes satelitales del Servicio Geológico de Estados Unidos. Finalmente el déficit hídrico utiliza los insumos ya extraídos, es decir combina los índices de vegetación y de temperatura superficial.
PALABRAS CLAVES: IMÁGENES SATELITALES, TEMPERATURA SUPERFICIAL, USO, DÉFICIT HÍDRICO.
xvi
DIGITAL PROCESSING OF MULTIESPECTRAL IMAGES LANDSAT 8, FOR AGRONOMIC
APPLICATION IN THE SUB-BASIN OF THE GUAYLLABAMBA RIVER,
SUMMARY
Satellite data provide considerable advantages to the knowledge of the spatial variation and temporal monitoring of multiple phenomena of agronomic interest, this is possible thanks to the development of digital processing of images, basic remote sensing tools. This study uses some techniques of digital processing with images from landsat 8 satellite, for the identification of land use, the determination of the surface temperature of the soil, and analysis of the water deficit of vegetation in the Sub high Sub basin of the Guayllabamba River. For which three indices (vegetation, soil and water) was obtained and they were joined together in a single image which was classified digitally, resulting in the land use map. The temperature was determined by means of the conversion methodology of satellite images of the Geological Service of the United States. While in the determination of the water deficit is used inputs already generated (vegetation index and surface temperature).
KEYWORDS: SATELLITE IMAGES, SURFACE TEMPERATURE, USE, WATER DEFICIT.
CERTIFICADO
YO, Mgs. VICTORIA MARGARITA CARRILLO CARRASCO, PORTADORADE LA CÉDULA DE CIUDADANÍA 1703898674, PROFESORA DE INGLÉS,CERTIFICO QUE LA TRADUCCIÓN AL INGLÉS DEL RESUMEN DE TESISREFERENTE AL: "PROCESAMIENTO DIGITAL DE IMÁGENESMULTIESPECTRALES, LANDSAT 8 PARA APLICACIONESAGRONÓMICAS EN LA SUBCUENCA DEL RIO GUAYLLABAMBA"PERTENECIENTE A LA SEÑORITA ANALÍA FERNANDA ALMEIDA
YANCHAPAXI, CORRESPONDE AL TEXTO ORIGINAL EN ESPAÑOL.
ATENTAMENTE,
j—rr ^^—o\ vj? vj— -——_
Mgs. VICTORIA MARGARITA CARRILLO CARRASCOPROFESORA DE INGLÉSRegistro N° 1005-13-1230296 SENESCYT
Quito, 05 de Diciembre de 2015
1
1. INTRODUCCIÓN
La búsqueda de una nueva visión de los paisajes terrestres ha sido uno de los principales deseos de la humanidad, razón por la cual desde épocas muy remotas volar se convirtió en la herramienta para hacer realidad esos sueños. Desde ese momento, el avance de la innovación tecnológica ha sufrido un vertiginoso avance, lo que ha permitido enriquecer notablemente nuestro conocimiento sobre el planeta y sus habitantes (Chuvieco, 2010).
La observación remota de la superficie terrestre constituye el marco de estudio de la teledetección, la misma que se define como la ciencia y arte de obtener información útil sobre los objetos, áreas o fenómenos bajo investigación, mediante análisis de datos adquiridos por dispositivos que no están en contacto físico con estos (Posada, 2008).
Antes de 1972, la idea de utilizar datos de satélites para la vigilancia terrestre, la cartografía o la exploración era un concepto visionario. Hecho que da origen al Programa Landsat, el cual se constituye en una serie de misiones de observación de la tierra por satélite gestionadas conjuntamente por la NASA y el Servicio Geológico de Estados Unidos (USGS), (IGAC, 2013).
Con el lanzamiento del primer satélite comercial LANDSAT-1 (USA), la comunidad científica y él público en general empezaron a beneficiarse de las imágenes que ofrecían observación periódica y amplia perspectiva de la superficie terrestre, así como sus recursos, actividades humanas y sus impactos (Chuvieco, 2010).
Las imágenes satelitales se han convertido en una fuente valiosa de información ya que tienen la ventaja de abarcar una zona mucho más extensa que las imágenes aéreas, lo que facilita numerosas aplicaciones, tales como el inventario de recursos naturales, planificación urbana y rural, monitoreo y gestión del medio ambiente, agricultura, infraestructuras, obras civiles, exploraciones mineras, respuestas rápidas a desastres y operaciones militares, entre muchas otras (Arozarena, 2001).
Dichas aplicaciones son posibles gracias al desarrollo que ha tenido por otra parte el Tratamiento Digital de Imágenes, herramienta fundamental de la teledetección cuyo procesamiento contempla técnicas matemáticas, estadísticas y computacionales, que permiten mejorar, corregir, analizar y extraer información de las imágenes captadas por los sensores a bordo de los satélites, permitiendo realizar operaciones complejas, muy costosas e inaccesibles para el análisis visual. Una de sus grandes ventajas es la rapidez del procesamiento de la información digital disponible hoy en día para cada proyecto (Chuvieco, 2010).
El presente trabajo se desarrolló en la Subcuenca alta del Río Guayllabamba, zona estratégica para la aplicación de estudios hidroclimáticos, debido a la gran diversidad de microclimas y a la variación de la cobertura vegetal y uso de la tierra.
El objetivo fundamental de esta investigación es procesar digitalmente imágenes multiespectrales Landsat 8, para aplicaciones agrícolas; cuyo desarrollo identifica el uso de la tierra, la temperatura superficial del suelo y zonas con déficit hídrico, proporcionando datos actuales como sea posible para ampliar y enriquecer, las diferentes aplicaciones que los sensores remotos ponen a nuestra disposición, haciendo más fácil el análisis y desarrollo de un determinado proyecto. Los estudios realizados en el campo de la Agricultura mediante sensores remotos son diversos y constituyen un aporte fundamental para el desarrollo agropecuario de un país.
2
Objetivos 1.1.
1.1.1. Objetivo General
Procesar digitalmente imágenes multiespectrales landsat 8 para aplicaciones agrícolas en la Subcuenca del Río Guayllabamba.
1.1.2. Objetivos Específicos
Identificar el uso de la tierra en la Subcuenca del Río Guayllabamba.
Determinar la temperatura superficial del suelo, mediante imágenes termales.
Establecer zonas con Déficit Hídrico, a partir de la determinación del Índice Satelital de Déficit Hídrico (TVDI).
Las hipótesis de la investigación Fueron:
Ho: Los datos de campo y la información obtenida mediante el tratamiento digital de imágenes si se relacionan.
Ha: Los datos de campo y la información obtenida mediante el tratamiento digital de imágenes no se relacionan.
3
2. REVISIÓN DE LITERATURA
Teledetección Espacial 2.1.
2.1.1. Definición
La teledetección consiste en la observación y obtención de información de objetos de la superficie terrestre desde sensores a bordo de satélites, los cuales miden la energía electromagnética proveniente de dichos objetos. Esta herramienta se ha desarrollado notablemente en las últimas décadas debido a que no es necesario estar en contacto físico con la superficie a estudiar (Holzman, 2012).
2.1.2. Principios Físicos
Los fundamentos de teledetección se abordan desde el campo de la física y más concretamente desde los ámbitos de la óptica y la electrónica. La observación remota es posible gracias a la interacción de un flujo energético con las cubiertas terrestres. Dicho flujo recibe el nombre de radiación electromagnética (Muñoz & Pérez, 2006).
Radiación electromagnética 2.1.2.1.
La radiación electromagnética es una forma de energía que se propaga mediante ondas que se desplazan en el vacío a la velocidad de la luz (300000 km.s-1) transportando cantidades discretas de energía (Gonzaga, 2014) en (Sigmur, 2006).
Según la teoría ondulatoria, la energía electro-magnética se transmite de un lugar a otro siguiendo un modelo armónico y continuo, a la velocidad de la luz y conteniendo dos campos de fuerzas ortogonales entre sí: eléctrico y magnético. Las características de este flujo energético pueden describirse por dos elementos: longitud de onda (λ) y Frecuencia (ᴠ). La primera hace referencia a la distancia entre dos picos sucesivos de una onda, mientras que la frecuencia designa el número de ciclos pasando por un punto fijo en una unidad de tiempo. Ambos elementos están inversamente relacionados; es decir a mayor longitud de onda, menor frecuencia y viceversa, por lo que basta con indicar un solo termino para caracterizar el flujo de energía mencionado (Chuvieco, 2010).
Por otra parte la teoría cuántica nos explica el fenómeno de la radiación electromagnética basándose en sus propiedades energéticas; es decir a medida que trabajamos con longitudes de onda mayores, sus contenidos energéticos serán menores y por tanto habrá más dificultades para la detección de estas radiaciones (Muñoz & Pérez, 2006).
Cualquier objeto como consecuencia de su interacción con las fuentes de energía propias o externas, emitirá o reflejara una radiación electromagnética. Cada objeto o sistema posee una respuesta espectral propia, en términos de energía reflejada y energía emitida, la misma se conoce como signatura espectral. El objeto de la teledetección es la identificación de los materiales y los fenómenos que tienen lugar en la superficie terrestre a través de su signatura espectral (Castaño, Ruíz, & Vela, 2008).
4
El espectro Electromagnético 2.1.2.2.
Aunque los valores de longitud de onda son continuos, suelen establecerse una serie de bandas en donde la radiación electro-magnética manifiesta un comportamiento similar. La organización de estas bandas de longitudes de onda o frecuencias se denomina espectro electromagnético (Chuvieco, 2010).
Los sensores espaciales utilizan un ámbito reducido de longitudes de onda que van desde el espectro visible, comprendido entre 0.4 0.7 micras, hasta el dominio de las microondas (ondas de más de 1 milímetro), pasando, en un emplazamiento intermedio, por las regiones espectrales del infrarrojo (próximo, medio y térmico) Ver Gráfico 1, (Muñoz & Pérez, 2006).
Fuente: (Muñoz & Pérez, 2006)
Gráfico 1. Rangos del Espectro Electromagnético.
Según (Chuvieco, 2010), desde el punto de vista de la teledetección las bandas espectrales más frecuentes empleadas son las siguientes:
Espectro visible (0,4 a 0,7 µm). Se denomina así por tratarse de la única radiación electro-magnética que puede percibir nuestros ojos, coincidiendo con las longitudes de onda en donde es máxima la radiación solar. Dentro de esta región, suelen distinguirse tres bandas elementales, que se denominan azul (A: 0,4-0,5 µm), verde (V: 0,5-0,6 µm), y rojo (R: 0,6-0,7µm), en razón de los colores primarios que nuestros ojos perciben a esas longitudes de onda.
Infrarrojo cercano (IRC: 0,7 a 1,2 µm). También se denomina infrarrojo próximo, reflejado o fotográfico, puesto que parte de él puede detectarse a partir de películas dotadas de emulsiones especiales. Discrimina masas vegetales y concentraciones de humedad.
Infrarrojo medio. En esta región se entremezclan los procesos de reflección de la luz solar y de emisión de la superficie terrestre. En el primer caso, infrarrojo de onda corta (short Wave Infrared, SWIR), que se sitúa entre 1,2 y 2,5 µm y resulta una región idónea para estimar el contenido de humedad en la vegetación o los suelos. La segunda banda de interés, está comprendida entre 2,5 y 8 µm, y suele denominarse como infrarrojo medio (IRM), siendo determinante para la detección de focos de alta temperatura ( incendios o Volcanes activos), así como la estimación de algunos gases atmosféricos.
5
Infrarrojo lejano o térmico (IRT: 8 a 14µm), que incluye la porción emisiva del espectro terrestre, en donde se detecta el calor proveniente de la mayor parte de las cubiertas terrestres.
Micro-ondas (M, por encima de 1 mm), con gran interés por ser un tipo de energía bastante transparente a la cubierta nubosa.
Superficies Reflectantes 2.1.2.3.
La superficie de nuestro planeta, de modo global, se considera dividida en tres grandes tipos de cubiertas: superficies con agua, superficies con vegetación y suelos. Cada una de esas cubiertas encierra múltiples situaciones individuales distintas. Si pensamos en la diferenciación entre tipos de suelos, de especies vegetales, o en las características que pueden presentar las masas de agua, así como en las circunstancias ambientales a las que pueden verse asociadas las cubiertas terrestres, nos daremos cuenta de la enorme variabilidad de las mismas (Muñoz & Pérez, 2006).
Cada tipo de material, suelo, vegetación, agua, etc., reflejará la radiación incidente de forma diferente lo que permitirá distinguirlo de los demás si medimos la radiación reflejada. A partir de medidas de laboratorio se ha obtenido la reflectividad para las distintas cubiertas en diferentes longitudes de onda. El grafico que para cada longitud de onda, nos da la reflectividad se denomina firma espectral y constituye una marca de identidad de los objetos, ver Gráfico 2. Resulta así fácil por ejemplo distinguir entre suelo y vegetación, e incluso entre diferentes tipos de suelo o diferentes tipos de vegetación (Gonzaga, 2014).
Fuente: (Gonzaga, 2014)
Gráfico 2. Firmas espectrales características de las principales coberturas terrestres.
La reflectividad en la nieve es muy alta especialmente en el visible, más en el caso de la nieve fresca. El agua, al ser el único elemento superficial capaz de transmitir radiación hacia abajo, tiene una reflectividad muy baja aunque muy dependiente de la longitud de onda. Absorbe casi toda la radiación que le llega en las bandas del infrarrojo próximo y medio. La reflectividad aumenta algo
6
en el visible especialmente en las bandas del azul y el verde. La turbidez del agua contribuye al aumento de la reflectividad en el verde y en el infrarrojo reflejado. La eutrofización del agua aumenta su reflectividad en el verde (Gonzaga, 2014)
La vegetación tiene una reflectividad baja en el visible aunque con un pico en el color verde, la clorofila absorbe el rojo y el azul reflejando más en el verde. La reflectividad es muy alta en el infrarrojo reflejado o próximo debido a la escasa absorción de energía por parte de las plantas en esta banda. En el infrarrojo medio hay una disminución especialmente importante en aquellas longitudes de onda en las que el agua contenida en la planta absorbe la energía (Gonzaga, 2014).
Esta curva tan contrastada se debilita en el caso de la vegetación enferma en la que disminuye el infrarrojo y aumenta la reflectividad en el rojo y azul. Se observa también que la reflectividad de una planta depende de su contenido en agua. Cuando el contenido de agua aumenta disminuye la reflectividad ya que aumenta la absorción de radiación por parte del agua contenida en la planta (Gonzaga, 2014).
Finalmente el suelo tiene una reflectividad relativamente baja para todas las bandas aunque aumentando hacia el infrarrojo. La firma espectral es más simple que en el caso de la vegetación. Sin embargo la reflectividad del suelo va a depender mucho de la composición química y mineralógica, la textura y del contenido de humedad (Gonzaga, 2014) en (Sigmur, 2006).
2.1.3. Elementos de un sistema de Teledetección
Chuvieco,(2010), los elementos esenciales de la teledetección son la fuente de energía, la cubierta terrestre (objeto), el sensor, el receptor y el intérprete, ver Gráfico 3. Los mismos se describen a continuación:
Fuente de energía: supone el origen del flujo energético detectado por el sensor. Puede tratarse de un foco externo al sensor, en cuyo caso se habla de teledetección pasiva, o de un haz energético emitido por éste (teledetección activa). La fuente de energía más importante, es la energía solar.
Cubierta terrestre: formada por distintas masas de vegetación, suelos, agua o construcciones humanas, que reciben la señal energética procedente de la fuente de energía y la reflejan o emiten de acuerdo a sus características físicas, químicas y la rugosidad de la superficie en un instante de tiempo.
Sistema sensor: compuesto por el sensor propiamente dicho y la plataforma que lo sustenta. Tiene como misión captar la energía procedente de las cubiertas terrestres, codificarla y grabarla o enviarla directamente al sistema de recepción. Existen dos tipos de sensores, según el tipo de energía detectada, los pasivos que registran datos utilizando una fuente externa de energía, por ejemplo el sol; y los activos que requieren de una fuente interna de energía de energía que dispara una señal a la superficie terrestre. La fracción de radiación que regresa es medida y proporciona información de los objetos observados, entre los que podemos mencionar microondas, radar y laser (INEGI, 2015).
Sistema de recepción e interpretación: es donde se recibe la información transmitida por la plataforma, se graba en un formato apropiado y tras las oportunas correcciones se distribuye a los intérpretes, el cual analiza esa información normalmente en forma de imágenes analógicas o
7
digitales, convirtiéndose en una clave temática o cuantitativa, orientada a facilitar la evaluación del problema en estudio (Chuvieco, 2010).
Fuente: (Chuvieco, 2010)
Gráfico 3. Elementos de un sistema de teledetección.
2.2. Satélites de observación de la Tierra
Los satélites artificiales son la mejor plataforma de observación sobre la que se instalan los sensores que captan la energía reflejada o emitida por la tierra. Estos satélites se clasifican en dos grandes grupos en función de sus características orbitales (Castaño, Ruíz, & Vela, 2008).
2.2.1. Satélites geoestacionarios
En este tipo se sensores el periodo orbital, es decir, el tiempo que tarda en completar una órbita alrededor del planeta, es igual a la velocidad de rotación de la Tierra, por lo que aparecen como inmóviles, siempre en la misma posición respecto a un punto fijo de la superficie terrestre. La altura orbital de estos satélites es de unas 5 o 6 veces el radio terrestre y sus sensores se
8
caracterizan por la baja resolución espacial y la alta repetitividad de sus observaciones (varias veces al día) (Castaño, Ruíz, & Vela, 2008).
2.2.2. Satélites de órbita polar (o heliosincronicos)
Estos satélites no permanecen sobre un mismo punto de la superficie terrestre, sino que describen órbitas circulares o ligeramente excéntricas, con dirección norte (N) – sur (S), mientras la tierra gira bajo ellos en sentido oeste (W) – este (E). Suelen tener una altura orbital menor de 1000 Km. La relación angular entre el sol y el plano orbital del satélite se mantiene constante, por lo que el satélite pasa sobre el mismo punto de la tierra a la misma hora solar. La zona de la superficie terrestre que puede ser captada por el satélite viene limitada por su inclinación orbital, es decir, para que un satélite de órbita polar pudiera sobrevolar la totalidad de la superficie terrestre, debería tener una inclinación orbital de 90° (Castaño, Ruíz, & Vela, 2008).
2.2.3. El programa Landsat
El programa Landsat se constituye en una serie de misiones de observación de la tierra por satélite gestionadas conjuntamente por la NASA y el Servicio Geológico de Estados Unidos (USGS). Este hecho ha revolucionado la forma de ver y estudiar nuestro planeta (USGS, 2014).
En la actualidad el programa se encuentra en su octava versión denominada: "Landsat Data Continuity Mission" (LDCM) es el octavo satélite de observación de la serie Landsat y continuará el legado de archivo de los anteriores satélites, convirtiéndose de esta manera en el futuro de los satélites de observación de la tierra de mediana resolución con más historia. Este programa amplía, mejora y avanza en el registro de imágenes mutiespectrales, mantenimiento la misma calidad de sus siete predecesores, así como también seguirá la misma secuencia de trayectoria (conocida como "paths" o rutas de acceso) como sus antecesores Landsat 4, Landsat 5 y Landsat 7. Esto permitirá que todos los datos del LDCM estén referenciados al mismo sistema de coordenadas, continuando con el registro de datos desde hace décadas (IGAC, 2013).
La plataforma LDCM, fue construida por la empresa Orbital Sciences Corporation en Gilbert, Arizona, tiene una vida útil de 5 años, pero lleva suficiente combustible para 10 años de operaciones. La nave orbitará de norte a sur durante el día, cruzando el ecuador a las 10 a.m., hora local, con una órbita aproximada de 705 kilómetros por encima de la Tierra (USGS, 2014).
El LDCM también está diseñado para entregar cerca de 400 escenas por día (150 escenas más que su antecesor el landsat 7) estas imágenes son cargadas en el servidor de datos del USGS, aumentando de esta manera la probabilidad de capturar y entregar escenas gratis de la cobertura terrestre (IGAC, 2013).
2.2.4. Sensores de observación terrestre Landsat 8
Los sensores a bordo del landsat 8, representan avances evolutivos en la tecnología de sensores remotos y en su rendimiento, miden la superficie terrestre en el visible, infrarrojo cercano, infrarrojo de onda corta, e infrarrojo térmico con una resolución moderada entre 15 y 100 metros dependiendo de la longitud de onda espectral. La distribución de la energía observada en estas longitudes de onda revela información sobre la reflexión y emisión de superficies (IGAC, 2013).
El satélite landsat 8 incorpora dos instrumentos de barrido: Operational Land Imager (OLI), y un sensor térmico infrarrojo llamado Thermal Infrared Sensor (TIRS).
9
2.2.4.1. Sensor Operational Land lmager (OLI)
Utiliza un sensor del tipo "pushbroom" compuesto por una serie de baterías largas de detectores, con más de 7.000 detectores por banda espectral, alineados en su plano focal en su respectivo ancho de banda. El diseño del "pushbroom" lo hace un instrumento más sensible proporcionando una mejor información de la superficie terrestre con menos partes móviles. Sus imágenes tienen una resolución espacial de 15 m pancromáticas y 30 metros (incluido el visible, infrarrojo cercano y el infrarrojo de onda corta) a lo largo de 185 kilómetros de ancho de imagen, cubriendo así amplias zonas de la tierra mientras que proporciona una resolución suficiente como para distinguir las características tales como centros urbanos, granjas, bosques y otros tipos de cubiertas del suelo (USGS, 2014).
El OLI fue diseñado para tener una vida útil de cinco años y detectará las mismas bandas espectrales de los anteriores instrumentos del landsat (es decir sensores, TM y ETM+), con la excepción de una banda en el infrarrojo térmico. Además de las 7 bandas multiespectrales del anterior landsat (seis de los cuales han sido refinadas) OLI agregará dos nuevos bandas espectrales, una banda azul "costera" (banda 1) y una banda en el infrarrojo de onda corta "cirros" (banda 9). Estas nuevas bandas, ayudaran a los científicos a medir la calidad del agua y facilitaran la detección de nubes altas y delgadas que previamente han sido difíciles de observar en las imágenes landsat (IGAC, 2013).
2.2.4.2. Sensor Thermal Infrared Sensor (TIRS)
Todo en la Tierra emite radiación térmica infrarroja, termino comúnmente conocido como calor. La física nos dice que la cantidad de la radiación emitida es proporcional a la temperatura del objeto. El sensor térmico infrarrojo (TIRS) fue añadido a la carga útil del LDCM cuando se hizo evidente que los gestores de los recursos hídricos se basaban en la mediciones de alta precisión de la energía térmica de la tierra obtenidas por los predecesores del LDCM – el TM del satélite landsat 5 y Enhanced Thematic Mapper – Plus ETM+ del landsat 7 – con el fin de hacer un seguimiento del uso de la tierra y el agua. La decisión de añadir el sensor TIRS se hizo después de que el diseño de la misión se había iniciado. Los ingenieros tenían menos de cuatro años para diseñar y construir TIRS por lo que recurrieron a una nueva tecnología desarrollada por la NASA llamada Quantum Well Infrared Photodetectors (QWIPs) (IGAC, 2013).
El diseño QWIPs opera en los complejos principios de la mecánica cuántica. Chips semiconductores atrapan electrones en un estado de energía "well" hasta que los electrones se elevan a un estado superior por la luz infrarroja térmica de una determinada longitud de onda. Los electrones elevados crean una señal eléctrica que puede medirse y registrarse para crear una imagen digital (IGAC, 2013).
Los satélites landsat anteriores miden la temperatura superficial del suelo utilizando una sola banda térmica para detectar longitudes de onda largas de la luz emitida por la superficie de la tierra. Los QWIPs en el TIRS, detectan dos segmentos del espectro infrarrojo térmico, ambos incluidos dentro de una ventana de transmisión atmosférica, con el fin de producir mejores estimaciones de la temperatura superficial (USGS, 2014).
Al igual que el sensor OLI, el TIRS es también un sensor “Pushbroom” con 185 kilómetros de campo de visión (Cross-track). Con una resolución espacial de 100 metros de ancho, la resolución espacial del TIRS, está diseñada para captar las mediciones de consumo de agua en los campos
10
riego, particularmente a través de las grandes llanuras de los Estados Unidos, a diferencia del OLI el sensor TIRS tiene una vida útil de 3 años (USGS, 2014).
El satélite almacena los datos del sensor OLI y TIRS en una grabadora de estado sólido incluida a bordo y transmite los datos a estaciones receptoras terrestres.
Para hacer posible que los científicos comparen las nuevas imágenes landsat con imágenes tomadas en el pasado, los ingenieros han tenido que diseñar el satélite LDCM con parámetros que permitan medir más o menos las mismas bandas espectrales al igual que los satélites landsat anteriores. Además, el OLI proporciona dos nuevos bandas espectrales, una especialmente adaptada para la detección de nubes cirrus y la otra para las observaciones de las zonas costeras. TIRS recoge datos de otras dos bandas espectrales en la región térmica, anteriormente cubierto por una única banda de ancho espectral en landsat 4-7, midiendo la energía térmica de la superficie de la tierra (es decir, calor) (IGAC, 2013).
2.2.5. Características de las bandas del satélite landsat 8
Banda 1 (0.433µm – 0.453 µm)
Llamada también banda aerosol costero por sus dos usos principales, como lo son la formación de imágenes en aguas poco profundas, y el seguimiento de las partículas finas como el polvo y el humo. Detecta azules profundos y violetas. La luz azul es difícil de recoger desde el espacio porque se dispersa fácilmente por pequeños trozos de polvo y agua en el aire, e incluso por las moléculas de aire. Esta es una razón por qué las cosas muy distantes (como montañas en el horizonte) aparecen azulado, y por qué el cielo es azul. Del mismo modo que vemos una gran cantidad de azul brumoso cuando miramos hacia arriba, al espacio en un día soleado. Esa parte del espectro es difícil de recoger con la sensibilidad suficiente para ser útil, y la banda 1 es el único instrumento de su tipo que produce datos abiertos en esta resolución; una de las muchas cosas que hacen a e este satélite especial (Loyd, 2013).
Bandas 2, 3 y 4 (0.45µm - 0.67µm)
Son bandas visibles; azules, verde y rojo, cuando se las combina se obtiene una imagen de color verdadero, es decir los colores, como lo discriminan nuestros ojos (Chuvieco, 2010).
Banda 5 (0.85µm - 0.88µm)
Llamada también infrarrojo cercano, o NIR. Esta parte del espectro es especialmente importante para la ecología ya que las plantas sanas reflejan el agua en sus hojas y dispersa las longitudes de onda de nuevo al cielo. Al comparar con otras bandas, tenemos índices como NDVI, que permiten a la sanidad vegetal medir con mayor precisión que si sólo se fijaran en verdor visible (Loyd, 2013).
Bandas 6 y 7 (1.57µm – 2.29µm)
Llamadas también SWIR 1 y SWIR 2, realiza diferentes cortes de la cubierta en el infrarrojo de onda corta, o SWIR. Son particularmente útiles para discriminar la tierra mojada de la tierra seca, y para la geología: rocas y suelos que parecen similares en otras bandas de frecuencia tienen fuertes contrastes en SWIR (Loyd, 2013).
11
Banda 8 (0.50µm – 0.68µm)
Es la pancromática o simplemente pan - banda. Funciona igual que el cine en blanco y negro: en lugar de recoger colores visibles separados, los combina en un solo canal. Debido a que este sensor puede ver más luz a la vez, es la más aguda de todas las bandas, con una resolución de 15 metros (Loyd, 2013).
Banda 9 (1.36µm – 1.38µm)
Cirrus, recoge solamente cúmulos de nubes, está diseñado especialmente para las nubes cirrus - altos, "colas de caballo" tenues. Los cirrus son un verdadero dolor de cabeza para las imágenes de satélite debido a que sus bordes suaves hacen que sean difíciles de detectar (Loyd, 2013).
Bandas 10 y 11 (10.60µm – 12.51µm)
Se ubican en el infrarrojo térmico, o TIR - que ven el calor. En lugar de medir la temperatura del aire, como estaciones meteorológicas lo que hacen es informar sobre el terreno en sí, que es a menudo es mucho más caliente. Un estudio de hace unos pocos años se ha encontrado algunas temperaturas de la superficie del desierto más alta que 70 ° C (159 ° F) - lo suficientemente caliente para freír un huevo (Loyd, 2013).
2.3. Tratamiento digital de imágenes
El Tratamiento Digital de Imágenes es una parte fundamental de la teledetección, cuyo desarrollo ha impulsado las aplicaciones de los datos digitales procedentes de sensores. La Imagen en forma digital (matriz numérica bidimensional) obtenida directamente (radiómetros) o por transformación de la imagen analógica (cámaras métricas) en digital mediante escáner, será la fuente indispensable de entrada de datos en el Sistema de Tratamiento (Arozarena, 2001).
El Tratamiento Digital de Imágenes utiliza la información digital (imágenes) procedentes de sensores para la extracción de información específica a los fines requeridos, topográficos y temáticos. Una de sus grandes ventajas es la rapidez de procesamiento de la ingente información digital disponible hoy día para cada proyecto. Para la obtención de información topográfica y temática se ha venido utilizando, hasta fecha reciente, diferentes sistemas y equipos de producción, con lo que la superposición y correspondencia entre ambas informaciones se hacía difícil, así como un elevado costo en su obtención y actualización. El propósito del procesamiento digital de imágenes, es el de resaltar elementos que son difíciles de percibir o no se pueden distinguir directamente en una imagen (Castaño, Ruíz, & Vela, 2008).
En el procesamiento digital de imágenes, normalmente se utilizan varias bandas espectrales de un mismo satélite, también se puede trabajar en modo multisensor o multitemporal de modo que el número de bandas puede ser mucho mayor, es decir se pueden integrar datos obtenidos por distintos satélites, de una misma zona. Cuando se trabaja en modo multibanda se pueden perseguir diferentes objetivos como extraer información que sólo puede verse combinando 2 o más bandas espectrales, o reducir la cantidad de datos eliminando la información redundante (Arozarena, 2001).
El procesamiento de imágenes digitales requiere software especializado, existen abundantes programas comerciales y de software libre, tanto de propósito general (GIMP, Image) en procesamiento de imágenes como específicos para imágenes de teledetección, un ejemplo de
12
estos últimos, es ICE (Image Composite Editor), sencillo programa, al igual que ERDAS IMAGINE el cual ha sido utilizado desde hace mucho tiempo (Arozarena, 2001) .
2.3.1. Pre-procesamiento digital
El pre procesamiento de las imágenes, consiste en hacer las correcciones de las imágenes, con el fin de eliminar cualquier anomalía detectada en la imagen, ya sea en su localización o radiometría de los pixeles que la componen. Cualquier imagen adquirida por un sensor remoto, presenta una serie de alteraciones radiométricas y geométricas debidas a muy variados factores, en el caso concreto de las imágenes espaciales, las deformaciones más frecuentes pueden agruparse en 4 grupos según (Chuvieco, 2010).
- Distorsiones ordinarias por la plataforma - Distorsiones provocadas por la rotación terrestre - Distorsiones por el sensor - Distorsiones provocadas por la atmosfera
Estas distorsiones, deben ser comprendidas para procesar los datos adecuadamente para posteriores análisis e interpretaciones. Consecuentemente la radiancia registrada por el sensor no es una representación exacta de la radiancia efectivamente reflejada por las coberturas. Esto significa que la imagen adquirida en formato numérico presenta una serie de anomalías con respecto a la escena real detectada. Estas anomalías están en la localización de los pixeles que componen la matriz de datos. Las operaciones de corrección pretenden minimizar estas alteraciones. Como producto se obtiene una imagen corregida que es lo más próximo posible, geométrica y radiométricamente, a la verdadera energía radiante y características espaciales del área de estudio (Gonzaga, 2014) en (APN, 2005).
2.3.2. Correcciones de la imagen
Con este nombre se indican aquellos procesos que tienden a eliminar cualquier anomalía detectada en la imagen, ya sea en su localización, así como en los ND de los pixeles que la componen. Estas operaciones tienden a disponer los datos en la forma más cercana posible a una adquisición idónea, tanto en la posición de los pixeles como en la radiancia que significan (Chuvieco, 2010).
2.3.2.1. Correcciones radiométricas
Una vez que la radiación electromagnética es generada y se propaga, interactúa con la atmósfera afectando a la radiación en su longitud de onda, intensidad, distribución espectral y/o su dirección. Hay dos tipos de efectos que produce la atmósfera: absorción y dispersión. El ruido introducido por la atmósfera tiene efectos importantes en la teledetección y su remoción es necesaria (Gonzaga, 2014) en (APN, 2005).
La corrección atmosférica se efectuará según modelos matemáticos que ligarán el valor registrado de ND con los valores reales existentes del objeto sobre el terreno (proceso de calibración). Los errores producidos por el sensor se solventarán conociendo los datos de calibración radiométrica del mismo (Arozarena, 2001).
13
2.3.2.2. Correcciones geométricas
La corrección geométrica es la modificación de la geometría de la imagen respecto de la geometría de la superficie terrestre. La georeferenciación es la adaptación a un sistema geodésico de referencia (por ejemplo ED 50 ó ETRF 89) y a una proyección geográfica determinada (ejemplo la UTM Universal Transverse Mercator). Los procedimientos matemáticos que resuelven este problema y las metodologías usadas para su implementación, mediante algoritmos en las aplicaciones informáticas de teledetección son muy variados (Gonzaga, 2014) en (Pérez & Muñoz, 2006).
Las correcciones geométricas son necesarias realizarlas básicamente debido a dos motivos: A las variaciones espaciales ocurridas en el proceso de captura de la información e inherentes al movimiento del sensor (aleteo, cabeceo, variaciones en altura y velocidad, etc). Por necesidad de ajustar, dicha información, a un sistema de referencia determinado (sistema geodésico, proyección cartográfica, etc) (Arozarena, 2001).
2.3.3. Realces y mejoras de la calidad de la imagen
Los "niveles ND" de cada pixel pueden ser modificados con vistas a mejorar o resaltar cierta información para un estudio determinado, siendo precisamente esta modificación el concepto de "realce de imágenes digitales". Se pueden definir, a priori, diversos tipos de realces que normalmente nos mejorarán la visualización, eliminarán ruidos, resaltarán ciertas características geométricas, etc. con vistas a obtener unos resultados determinados. Conviene destacar, asimismo, que la forma más elemental de conocer una imagen digital es a través de su histograma de frecuencias para cada ND –valor digital-, donde quedará patente tanto el contraste (rango entre máximo y mínimo del valor digital para cada pixel), como el nivel de radiación. Ambos conceptos permitirán diseñar un tipo específico de realces. Los tipos de realces se pueden efectuar a través de software o de hardware, siendo determinante la elección de un sistema u otro, influyendo, su elección, tanto en el costo como en la velocidad de ejecución de dicho tratamiento digital (Arozarena, 2001).
2.3.3.1. Ajuste del contraste
Los procesos de ajuste del contraste tienden a adaptar la resolución radiométrica de la imagen a la capacidad del monitor de la visualización. Es decir cada sensor codifica la radiancia recibida en un número determinado de ND, de acuerdo a las características de su diseño. Ese rango digital puede no corresponder con el número de niveles visuales (NV) que facilita la memoria gráfica, por lo que resulta preciso ajustar, por algún procedimiento, ambos parámetros. En este sentido caben dos situaciones obvias: 1) que el rango de ND de la imagen sea menor que el de NV facilitado por el sistema de visualización, y 2) que la imagen presente un mayor número de ND que posibles NV. En el primer caso, se deberá aplicar una expansión del contraste original, mientras que en el segundo una reducción del mismo (Chuvieco, 2010).
2.3.3.2. Composición a color
La composición coloreada es quizás la técnica más utilizada para resaltar los detalles de una imagen de satélite. Consiste en aplicar a tres bandas diferentes los distintos colores elementales (rojo, verde, azul), de modo que se puede apreciar información no distinguible de otro modo. Este proceso permite visualizar, simultáneamente, información de distintas regiones del espectro, lo que facilita la delimitación visual de algunas cubiertas (Riveira, 2009 - 2010).
14
La elección de las bandas para realizar la composición, y el orden de los colores destinados a cada una, dependen del sensor sobre el que se trabaje y de la aplicación última del proyecto; la composición más habitual es la denominada falso color, fruto de aplicar los cañones de color rojo, verde y azul sobre las bandas correspondientes al IRC, R, V, respectivamente, esta composición facilita la cartografía de masas vegetales, láminas de agua, ciudades, etc (Chuvieco, 2010).
2.3.3.3. Filtros
Es aplicar una transformación a la imagen mediante operadores locales. Una vez aplicado el filtro a la imagen original, los ND de cada pixel en la imagen filtrada es función de los ND de los pixeles de su entorno en la imagen original, sin modificación alguna de las coordenadas (Sobrino, 2000). Se filtra la imagen para suavizar o reforzar los contrastes espaciales, es decir, para difuminarla o para resaltar determinados aspectos, de modo que el ND de un píxel se diferencie o se asemeje más a los ND de los píxeles que lo rodean. Los filtros son transformaciones locales de la imagen: se calcula una nueva imagen y el valor de un píxel dependerá de los valores de sus vecinos. El filtraje sí implica modificar los ND originales y no sólo la forma en que se representan visualmente. Los filtros consisten en aplicar a los ND de cada píxel una operación aritmética que tenga en cuenta el valor de los píxeles próximos, estos son los filtros en el dominio espacial (Chuvieco, 2010).
2.3.4. Transformaciones de la imagen
Son aquellas operaciones dirigidas a crear bandas artificiales, a partir de combinaciones entre las originales, con objeto de mejorar la discriminación de algunos aspectos temáticos dentro de la imagen. Dicho brevemente, son transformaciones dirigidas hacia la clasificación temática, ya sea ésta visual o digital. Tales operaciones no proporcionan una nueva información que no estuviera ya incluida en los datos originales. Permiten no obstante, mejorar la disposición de los datos, de forma que sean más evidentes determinados fenómenos de interés (Chuvieco, 2010).
El mismo autor sostiene que la mayor parte de las trasformaciones hasta ahora empleadas en teledetección son lineales. Esas nuevas bandas se crean por combinación lineal de las originales; sumas ponderadas, multiplicaciones o divisiones, son las más habituales.
2.3.4.1. Índice de Vegetación
Es un parámetro calculado a partir de los valores de reflectividad a distintas longitudes de onda y que pretende extraer la información relacionada con la vegetación minimizando la influencia de otros factores externos como las propiedades ópticas del suelo, la irradiancia solar, etc. Como más del 90 % de la información espectral de una cubierta vegetal está contenida en las bandas roja e infrarroja próxima, son estas dos bandas las que se utilizan principalmente (Sobrino, 2000).
Realizar un índice de vegetación implica efectuar una división pixel a pixel, entre los ND almacenados en dos o más bandas de la misma imagen. El empleo de los cocientes para discriminar masas vegetales se deriva del peculiar comportamiento radiométrico de la vegetación, en la cual la signatura espectral característica de la vegetación sana muestra un claro contraste entre las bandas del visible y especialmente la banda roja (0,6 a 0,7 µm) y el infrarrojo cercano (0,7 a 1,1 µm) (Chuvieco, 2010).
15
2.3.5. Clasificación digital
La clasificación digital comprende el proceso de conversión de una imagen continua a otra categorizada temáticamente, a partir de agrupación de los niveles digitales espectralmente similares (IGAC, 2012).
Como fruto de la clasificación digital se obtiene una cartografía e inventario de las categorías objeto de estudio. La imagen multibanda se convierte en otra imagen, del mismo tamaño y características de las originales, con la importante diferencia de que el ND que define cada pixel no tiene relación con la radiancia detectada por el sensor, sino que se trata de una etiqueta que identifica la categoría asignada a ese pixel. A partir de una imagen como ésta se puede fácilmente generarse cartografía temática, así como un inventario estadístico del número de pixeles y por tanto de la superficie asignados a cada categoría (Chuvieco, 2010).
2.3.5.1. Clasificación no supervisada
En este método no se requiere conocimiento de los tipos de cobertura a priori. El proceso se basa en la elección de las bandas espectrales de la imagen a clasificar, definición de numero de clases espectrales, selección de los criterios de similitud y algoritmos de agrupación de los ND (Posada, 2008).
En este método es el propio algoritmo quien define las clases de acuerdo a los datos. Para llevar esto a cabo es necesario suministrar algunos valores tales como el número de clases que se desea crear los tamaños mínimos y máximos de cada una, o ciertas tolerancias para la distinción entre clases. Estos parámetros (guían) al algoritmo en la definición de clases, que se produce en estos métodos de forma simultánea a la asignación de los elementos a una u otra de dichas clases. En general, se trata de procedimientos iterativos en los que una clasificación inicial va convergiendo hacia una final en la cual se cumplen las características buscadas de homogeneidad, número de clases, etc (Olaya, 2007).
Los métodos de clasificación no supervisado entrega una capa raster con los píxeles clasificados, sin embargo no se tiene conocimiento acerca de las clases de cobertura suministrados por el algoritmo, y será necesario estudiarlas después para saber que representa cada una de ella. Si en un método de clasificación supervisada definimos zonas de entrenamiento con distintas clases de suelo, el resultado será una capa con clases de suelo. Si diferenciamos según otro criterio, será ese criterio el que quede reflejado en la capa resultante (Posada, 2008).
Aunque los métodos de clasificación no supervisada son válidos de por sí para establecer una separación categórica dentro de un área de estudio, es habitual que se empleen como soporte a métodos de clasificación supervisada. Mediante estos métodos se obtiene una primera división, que puede utilizarse posteriormente bien sea para la definición de zonas de entrenamiento o bien para operaciones más complejas como la segmentación de imágenes (Olaya, 2007).
2.3.5.2. Clasificación supervisada
La clasificación supervisada requiere de cierto conocimiento previo del terreno y de los tipos de coberturas presentes en el área de estudio, para lo que se realiza, en el mejor de los casos, una combinación de trabajo de campo, de análisis de fotografías aéreas, mapas e informes técnicos, así como referencias profesionales y locales (Posada, 2008).
16
Con base de este conocimiento se definen y se delimitan sobre la imagen las áreas de entrenamiento o áreas piloto. Las características espectrales de tales áreas son utilizadas a fin de “entrenar” un algoritmo de clasificación, el cual calcula los parámetros estadísticos de cada banda para cada sitio piloto y de esta forma proceder a evaluar cada ND de la imagen, compararlo y asignarlo a una respectiva clase (Olaya, 2007).
2.4. Aplicaciones del tratamiento digital
Los datos satelitales ofrecen considerables ventajas para el conocimiento de la variación espacial y seguimiento temporal de múltiples fenómenos de interés agronómico, hidrológico y muchos otros estudios geográficos y ambientales. Dentro de las variables que es posible obtener desde el espacio para este tipo de estudios están los índices de vegetación (IV) y la temperatura de superficie (TS).
Uno de los IV más utilizados en el mundo es el Índice de Vegetación de Diferencia Normalizada, NDVI (Normalized Difference Vegetation Index), de fácil cálculo e interpretación y que es utilizado para el seguimiento y evaluación de la dinámica global de la vegetación terrestre. Se emplea para conocer y seguir los cambios estacionales en el vigor de las cubiertas vegetales, el efecto de fenómenos esporádicos, como pueden ser los provocados por El Niño, o procesos continuos, como el calentamiento terrestre (Chuvieco, 2010). Las series multitemporales de IV se emplean para realizar mapas de presencia de vegetación, pero también para informar la condición en que esa vegetación se encuentra (Wan, Z; Wang, P & LI, X., 2004).
Por su parte, la temperatura de superficie constituye el principal indicador de la distribución de la energía disponible en la superficie de la Tierra, a través de su efecto en el flujo de calor latente y sensible a la atmósfera, flujo de calor sensible hacia el suelo y radiación hacia la atmósfera (Zhang & Tang, 2014), por ello es un parámetro clave en los procesos físicos a las diferentes escalas espaciales, locales, regionales y globales (Wan et al., 2004).
Según (Sánchez & Carvacho, 2013), la TS y los IV obtenidos a partir de imágenes satelitales son variables que han sido ampliamente utilizadas para elaborar indicadores de déficit o estrés hídrico en los vegetales e informar, por consiguiente, sobre las condiciones de humedad del suelo en determinados momentos. También se emplean para realizar el seguimiento de periodos de sequía cuando la falta de agua o estrés es persistente.
(Sánchez & Carvacho, 2013) Señalan que numerosos estudios demostraron desde hace ya más de dos decenios una clara relación negativa entre la TS y los IV, en especial el NDVI (Nemani & Running, 1989; Nemani et al., 1993; Choudhury, 1994; Prosper-Laget et al., 1995; Gupta et al., 1997; Yang et al., 1997; Kalluri et al., 1998, entre otros). Esta alta correlación ha demostrado con el tiempo un claro grado de coincidencia considerando sensores variados, épocas del año distintas y diferentes localizaciones. Sintetiza una serie de conexiones entre procesos, entre ellos la evapotranspiración y el estrés hídrico. En cubiertas vegetales la disminución en la TS a medida que se incrementa la densidad de vegetación (mayor NDVI) producto del enfriamiento provocado en las plantas por el flujo de calor latente o evapotranspiración (ET). La pendiente de la línea de ajuste TS/NDVI se puede interpretar como un índice de la resistencia superficial a la evaporación o a la evapotranspiración, según se trate de suelo desnudo o cubierto parcial o totalmente de vegetación.
Tal como señala (Goetz, 1997), y como se ha comprobado en muchos estudios, la TS puede aumentar rápidamente ante condiciones de falta de agua o estrés hídrico.
17
3. MATERIALES Y MÉTODOS
Materiales 3.1.
3.1.1. Características del área de estudio
La presente investigación se la realizo en la cuenca alta del Río Guayllabamba, conocida también como Hoya de Quito. El principal centro urbano de la subcuenca es la ciudad de Quito, cuya población se localiza en la margen izquierda del río San Pedro, afluente del río Guayllabamba, y que mayor presión ejerce en la cuenca debido al crecimiento exponencial de su población. En este pequeño espacio territorial habitan un poco más de 2 millones y medio de personas. De las cuales, una gran cantidad de comunidades se dedican a actividades agrícolas y ganaderas. Además, el sector industrial representa una significativa producción a nivel nacional (Tucci, 2009).
3.1.1.1. Ubicación geográfica
Geográficamente la Subcuenca alta del Río Guayllabamba, está localizada entre las coordenadas: 787191-10028092 (N); 785422-9924189 (S); 837815-10018586 (E) y 753809-9929053 (W)
3.1.1.2. Ubicación política
La Subcuenca alta del Río Guayllabamba, se encuentra ubicada en el norte del Ecuador, en la región Sierra, comprende parte del territorio de las provincias de: Pichincha, Cotopaxi e Imbabura; abarca los cantones: Pedro Moncayo, Cayambe, Distrito Metropolitano de Quito, Rumiñahui, Mejía y Otavalo.
Limita al norte (N) con la cuenca del Río Mira; al sur (S) con la cuenca del Río Pastaza; al este (E) con la cuenca del Río Napo y al oeste (W) con la cuenca del Río Esmeraldas.
3.1.1.3. Río Principal
El cauce principal de la Subcuenca lo constituye el río Guayllabamba, se forma a partir de la confluencia de los ríos San Pedro y Chiche; recibe el aporte de varios cursos de agua entre perennes e intermitentes, los mismos que alguna veces se pierden por infiltración, vierte sus aguas al Océano Pacífico a través del río Esmeraldas del cual es afluente.
3.1.1.4. Características agroclimáticas
La zona de estudio presenta una gran variedad de microclimas, cuya temperatura oscila entre los 0 °C en los nevados; hasta los 20 °C en las partes bajas de la Subcuenca, los mismos que se ubican al noroccidente de la provincia de Pichincha (IEE, 2011). Según Pourrut (1995), citado por (Tucci, 2009), la subcuenca debido a la fuerte variación del relieve posee tres tipos de climas:
• Tropical semiárido temperado, se lo encuentra, en la zona de Pomasqui y San Antonio de Pichincha. La temperatura varía entre 16 y 24 °C, la precipitación está entre 400 y 700 mm.año-1, estas condiciones se presentan en un rango altitudinal de 1000 a los 2000 m.s.n.m.
18
• Mesotérmico semi-húmedo y seco, a lo largo de la meseta de Quito: piso altitudinal entre 2000 y 3000 msnm, con temperaturas medias diarias de 12 a 20 °C. Las precipitaciones oscilan entre 700 a 1500 mm/año repartidos en dos estaciones lluviosas.
• Ecuatorial de alta montaña, que se presenta básicamente en las cordilleras oriental y occidental que circundan a la cuenca, con altitudes mayores a 3000 msnm; en donde la precipitación oscila entre los 1000 a 1600 mm.año-1 y con una temperatura característica menor a 8 °C.
La precipitación media anual varía entre los 400 mm a 2500 mm, presentando los valores más bajos en la parte central de la cuenca, en las inmediaciones de Alchipichi, Puéllaro, Guayllabamba, San Antonio de Pichincha, Checa (IEE, 2011).
3.1.2. Insumos
3.1.2.1. Imágenes satelitales Landsat 8
Se adquirió 5 imágenes de las cuales se seleccionó aquellas que tenían menos del 20 % de nubes, ver Anexo 2, las mismas fueron nuevamente seleccionas hasta obtener una imagen, cuyos datos satelitales multiespectrales, corresponden al satélite Landsat 8, con fecha de toma 30 de octubre de 2014, la escena de toma es PATH = 010 y ROW = 060 del sistema WRS-2 de Landsat, posee 9 bandas reflectivas con resolución espacial de 30 metros en la región del visible e infrarrojo (1-7,9) a excepción de la banda (8) pancromática, cuya resolución es de 15 metros, además el sensor TIRS provee dos bandas termales la (10 y 11), tomadas en 100 metros, pero remuestreadas a 30 metros para que coincida con las bandas multiespectrales de OLI. Las mismas se encuentran radiométrica y geométricamente corregidas y están disponibles en formato GeoTIFF, en página web: http://glovis.usgs.gov, la misma se muestra a continuación:
Fuente: (USGS, 2014)
Gráfico 4. Imagen base Landsat 8, sobre la cual se realizó el procesamiento digital.
19
3.1.2.2. Cartografía básica
Corresponde a la cartografía base, escala 1:50.000, de cartas topográficas del Instituto Geográfico Militar (IGM), las mismas se mencionan a continuación: Vacas Galindo, Otavalo, San Pablo del Lago, Mariano Acosta, Nevado Cayambe, Cayambe, Mojanda, Calacalí, Nono, El Quinche, Cangahua, Oyacachi, Sangolqui, Quito, Cerro Saraurcu, Amaguaña, Pintag, Papallacta, Machachi, Sincholagua y Cotopaxi, Gráfico 5.
Fuente: IGM
Gráfico 5. Cartas topográficas utilizadas para la caracterización de la cobertura y elaboración del mapa base, de la Subcuenca hidrográfica del Río Guayllabamba.
3.1.2.3. Cartografía temática
Mapas temáticos elaborados por el Componente Clima, Hidrología y Amenazas Hidrometeorológicas, en el período 2010 – 2014, en el marco del Proyecto Generación de Geoinformación para la Gestión del Territorio a Nivel Nacional, convenio IEE/MAGAP/SENPLADES, así como archivos digitales existentes en las instituciones que a través de los años se han dedicado a esta tarea (INAMHI1, DGAC2).
3.1.3. Equipos y programas
Laptop
GPS
Programa para tratamiento digital de imágenes y software SIG
1 Instituto Nacional de Meteorología e Hidrología 2 Dirección General de Aviación Civil
20
3.2. Métodos
A continuación se presenta un diagrama que resume la metodología utilizada en el proceso.
PROCESAMIENTO DIGITAL DE IMÁGENES SATELITALES
Fase de desarrollo
Determinación del uso de la tierra
Adquisición de imágenes y selección
Fase preliminar
Pre-procesamiento
Conversión a radiansa
Conversión a reflectancia
Correcciones de la imágen
Índice de vegetación (NDVI)
Índice de suelos (NDSI)
Índice de agua (NDWI)
Índice combinado
Clasificación digital
Determinación del índice de déficit hídrico satelital
Temperatura superficial (TS)
Índice déficit hídrico (TVDI)
MAPA DE USO DE LA
TIERRA
MAPA DE DÉFICIT HÍDRICO
Fase de obtención y presentación de
mapas
Fuente: El Autor
Gráfico 6. Flujo metodológico integrado, para el procesamiento digital de imágenes multiespectrales landsat 8.
21
3.2.1 Fase preliminar
Comprende el pre-tratamiento de la imagen satelital, es decir se realiza las correcciones de la imagen, con el fin de eliminar cualquier anomalía y procesar los datos adecuadamente para posteriores análisis e interpretaciones. Consecuentemente la radiancia registrada por el sensor no es una representación exacta de la radiancia efectivamente reflejada por las coberturas. Esto significa que la imagen adquirida en formato numérico presenta una serie de anomalías con respecto a la escena real detectada. Estas anomalías están en la localización de los pixeles que componen la matriz de datos. Las operaciones de corrección pretenden minimizar estas alteraciones, como producto se obtiene una imagen corregida que es lo más próximo posible, radiométricamente, a la verdadera energía radiante y características espaciales del área de estudio.
3.2.1.1. Delimitación de la zona de estudio
La zona de estudio fue ajustada en base a la cartografía temática de cuencas y microcuencas hidrográficas del Ecuador y las curvas de nivel, información proporcionada por el IEE.
Como resultado se obtuvo un archivo en formato shp de la zona de estudio, el mismo se constituye en la base sobre la cual se corte la imagen multiespectral, insumo sobre el cual se realizará el tratamiento digital.
En el Gráfico 7, se observa la imagen multiespectral con la delimitación del área en estudio.
Fuente: Autor
Gráfico 7. Delimitación de la zona de estudio, para el análisis mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agronómicas en la subcuenca del Río Guayllabamba.
22
3.2.1.2. Conversión a reflectancia
La imagen presenta niveles digitales (ND) enteros, según la metodología de conversión para landsat 8 del USGS y traducida por el IGAC, los mismos se deben transformar a valores de reflectividad, para su posterior análisis de acuerdo a su variación en distintos rangos espectrales, lo que nos permitió discriminar las diferentes coberturas terrestres.
Los datos del sensor OLI fueron convertidos a valores de reflectancia en el techo de la atmosfera (TOA), usando para ello los coeficientes de reflectancia reescalados, suministrados en el archivo de metadatos. Ver Anexo 3.
De esta manera, la reflectancia en el techo de la atmosfera TOA con una corrección para el ángulo solar es:
Donde:
Ρλ` = Es el valor de reflectancia planetaria Mρ = Es el factor multiplicativo de escalado específico por banda, los mismos se encuentras en archivo de metadatos de la imagen y se detallan en el Cuadro 1.
Cuadro 1. Factor multiplicativo de escalado específico por banda, para la transformación a imagen de reflectancia, para el procesamiento digital de imágenes multiespectrales landsat 8, en la subcuenca del Río Guayllabamba.
COEFICIENTES MULTIPLICATIVOS FACTOR
REFLECTANCE_MULT_BAND_1 2.0000E-05
REFLECTANCE_MULT_BAND_2 2.0000E-05
REFLECTANCE_MULT_BAND_3 2.0000E-05
REFLECTANCE_MULT_BAND_4 2.0000E-05
REFLECTANCE_MULT_BAND_5 2.0000E-05
REFLECTANCE_MULT_BAND_6 2.0000E-05
REFLECTANCE_MULT_BAND_7 2.0000E-05
REFLECTANCE_MULT_BAND_8 2.0000E-05
REFLECTANCE_MULT_BAND_9 2.0000E-05
Fuente: Metadato de la imagen (USGS, 2014)
Aρ = Es el factor aditivo de escalado específico por banda, al igual que en el anterior factor se encuentra en el metadato y se lo detalla a continuación en el Cuadro 2.
23
Cuadro 2. Factor aditivo de escalado específico por banda, para la transformación a imagen de reflectancia en el procesamiento digital de imágenes multiespectrales landsat 8.
COEFICIENTES ADITIVOS FACTOR
REFLECTANCE_ADD_BAND_1 -0.100000
REFLECTANCE_ADD_BAND_2 -0.100000
REFLECTANCE_ADD_BAND_3 -0.100000
REFLECTANCE_ADD_BAND_4 -0.100000
REFLECTANCE_ADD_BAND_5 -0.100000
REFLECTANCE_ADD_BAND_6 -0.100000
REFLECTANCE_ADD_BAND_7 -0.100000
Fuente: Metadato de la imagen (USGS, 2014)
Q cal = Es el producto estándar cuantificado y calibrado para valores de pixel (DN). Este valor se refiere a cada una de las bandas de la imagen.
Mediante un modelo desarrollado a partir de los datos de corrección geométrica y con la ayuda del programa de tratamiento digital de imágenes ERDAS IMAGINE 2011, se obtuvo un modelo de transformación a imagen de reflectancia, automatizando su tratamiento, el mismo se muestra en el Grafico 8. La transformación se realiza para cada banda.
Fuente: El Autor
Gráfico 8. Modelo de transformación de la imagen LC80100602014303LGN00 a valores de reflectancia, para la automatización del procesamiento digital de imágenes landsat 8.
24
Una vez realizada la conversión a reflectancia de la imagen, los niveles digitales transformados a valores de reflectancia varían entre 0,0 y 1,0. Ver Anexo 4.
Como resultado de la conversión se obtiene una imagen con valores de reflectancia, indispensable para la continuación de tratamiento digital ya que se la emplea para todos los métodos en estudio.
3.2.1.3. Conversión a radiancia en el techo de la atmosfera (TOA)
Los datos de las bandas del sensor TIRS al igual que el sensor OLI, están derivados en 16 bits en formato no cifrado y pueden ser reescaldos a valores de radiancia en el techo de la atmosfera (TOA); para la posterior transformación de los niveles digitales en °C, se usa los coeficientes radiométricos provistos en el archivo del metadato, para lo cual se utilizó la metodología de conversiones landsat 8, del USGS, traducida al español por el IGAC.
La fórmula utilizada fue:
Donde
Lλ= Es el valor de radiancia espectral en el techo de la atmosfera (TOA), medida en valores de (watts / (m² * srad * µm)). ML= Es el valor multiplicativo de escaldo específico obtenido del metadato (radiance_MULT_BAND_x, donde x es el número de la banda). AL= Es el factor aditivo de escalado especifico obtenido del metadato (RADIANCE_ADD_BAND_x), donde x es el número de la banda. Q cal= Producto estándar cuantificado y calibrado por valores de pixel (ND). Este valor se refiere a cada una de las bandas de la imagen.
Los datos proporcionados para la transformación a radiacia espectral al igual que para la transformación a reflectancia están en el metadato de la imagen y se los ilustra a continuación en el Cuadro 3.
Cuadro 3. Factor multiplicativo de escalado específico de las bandas termales del sensor TIRS. Para procesar digitalmente imágenes multiespectrales landsat 8, para aplicaciones agronómicas en la subcuenca del Río Guayllabamba.
COEFICIENTES MULTIPLICATIVOS FACTOR
RADIANCE_MULT_BAND_10 3.3420E-04
RADIANCE_MULT_BAND_11 3.3420E-04
COEFICIENTES ADITIVOS
RADIANCE_ADD_BAND_10 0.10000
RADIANCE_ADD_BAND_10 0.10000
Fuente: Metadato de la imagen (USGS, 2014)
25
Con los coeficientes de transformación, se procedió a realizar un modelador espacial, el cual facilitó la conversión de los niveles digitales a valores de radiancia espectral por medio del programa ERDAS IMAGINE 2011, al igual que en la transformación a reflectancia.
Ésta corrección de la imagen, sirvió de insumo para la transformación de los niveles digitales de las bandas termales a valores de temperatura, cuyo proceso se detalla en la fase de desarrollo.
En el Gráfico 9 se ilustra el modelo generado con el software para procesamiento digital de imágenes (ERDAS IMAGINE), el cual automatiza la transformación de los niveles digitales (ND) crudos, a valores de radiansa espectral.
Fuente: El Autor
Gráfico 9. Modelo de transformación de la imagen LC80100602014303LGN00 a valores de radiancia en el techo de la atmosfera, en el procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba. Los ND de las bandas termales 10 y 11 fueron transformados a valores de radiancia los mismos muestran rangos entre 4.01 y 10.8 (watts/m²*srad*um), ver Anexo 5.
3.2.2 Fase de desarrollo
Comprende el tratamiento digital de la imagen como tal una vez que la misma ha sido rectificada, aplicando diferentes técnicas para la determinación de objetos de interés.
26
3.2.2.1. Determinación del uso de la tierra
El uso de la tierra es el resultado de la interacción del hombre y su entorno con la finalidad de satisfacer sus necesidades, en un momento dado, por tanto, está estrechamente relacionado con el clima, pendiente, suelos y la actividad humana, generándose un mosaico de usos. De allí que su análisis resulte primordial en un estudio de uso potencial, logrando visualizar conflictos y conformidades, que se traducen en limitantes y potencialidades de uso (Santiago, 2004).
En el proceso de interpretación y digitalización del uso, se toma en cuenta los límites de las unidades de cartografía base, especialmente lo relacionado con vías y ríos; ya que estos usualmente vendrán a constituir los límites de la unidad. También es importante considerar el ajuste de las unidades temáticas con los límites de los cantones colindantes con el fin de evitar el sobre posicionamiento de las misma.
Para la determinación del mapa de uso del suelo, se utilizó para el análisis la cartografía digital del uso y cobertura de Pichincha a escala 1:50.000 generado por el Instituto Espacial Ecuatoriano. Así como también las cartas topográficas del área de estudio.
El procesamiento o tratamiento digital es una valiosa herramienta para determinar los diferentes usos. La imagen es transformada en tres índices los mismos se detallan a continuación:
3.2.2.1.1. Obtención del índice de vegetación de diferencia normalizada (NDVI)
Este índice es derivado de la combinación de las reflectancias captadas en el rango espectral del rojo e infrarrojo cercano; con la finalidad de resaltar la vegetación con respecto a los objetos identificados en la imagen. Para la imagen Landsat 8, las bandas utilizadas corresponden a las bandas 4 y 5 respectivamente. La fórmula utilizada fue:
Donde:
NDVI = Índice de Vegetación de Diferencia Normalizada IR= Banda Infrarroja cercana (BANDA 5), transformada previamente a valores de reflectancia. R= Banda Visible (rojo) (BANDA 4), transformada previamente a valores de reflectancia.
Ésta fórmula se sustituye en las funciones del modelo espacial, generado en el programa ERDAS IMAGINE, el cual procesa los datos y los transforma en coeficientes o índices de vegetación. La escala original de valor de los índices de vegetación es de 1 a -1 se procedió a calcular los índices de vegetación de las imágenes re-escalando a 8 bits, con el propósito de obtener valores de 0 a 255 (manteniendo la misma proporcionalidad de la escala original). El modelo generado se lo presenta a continuación en el Grafico 10.
27
Fuente: ERDAS IMAGINE
Gráfico 10. Modelo de transformación a índices de vegetación a partir de la imagen de reflectancia, para automatización del procesamiento digital de imágenes multiespectrales landsat 8, en la subcuenca del Río Guayllabamba.
3.2.2.1.2. Índice de suelos de diferencia normalizada
Son operaciones que se realizan entre bandas, dividiendo los valores digitales de una banda por los correspondientes en otra banda espectral y que permiten discriminar de mejor manera el tipo de suelo para enfatizar distintas cubiertas, especialmente en trabajos de exploración minera. Este tipo de estudios se ve favorecido en áreas con escasa cubierta vegetal, debido a que ésta tiene un efecto de pantalla y nos permite captar la radiación directa del suelo o roca desnuda (Pineda, 2010).
Estos cocientes se usan para determinar rocas alteradas hidro-térmicamente, con alto contenido de arcillas, micas y rocas sulfatadas (banda NIR/banda SWRI) y para aislar las cubiertas vegetales del roquedo desnudo (banda NIR/banda R). En este caso lo que se desea es realzar los suelos, lo que se logra dividiendo la banda SWIR sobre la banda NIR en las que se realzarán áreas en proceso de erosión, la misma se deriva del siguiente algoritmo (Verduga, 2002).
Donde:
NDSI = Índice de suelo de diferencia normalizado SWIR = Infrarrojo de onda corta NIR = Infrarrojo cercano
28
El modelo definido para el índice de suelo de diferencia normalizada es similar al de índice de vegetación, con la única diferencia en la composición de las bandas, el mismo que se detalla en el Gráfico 11.
Fuente: ERDAS IMAGINE
Gráfico 11. Modelo de transformación a índices de suelos a partir de la imagen de reflectancia, para la automatización del procesamiento digital de imágenes landsat 8, en la subcuenca del Río Guayllabamba.
3.2.2.1.3. Índices de agua de diferencia normalizada
Son cocientes para determinar o resaltar agua. Se utiliza como medida para estimar la cantidad de agua que posee la vegetación o el nivel de saturación de humedad que posee el suelo.
Tiene uso extendido en ciencias ambientales e hídricas, ya que brinda información relevante para utilizar en modelos de balance hídrico, predicción climática entre otros.
El cálculo del índice de agua de diferencia normalizada se realiza mediante el algoritmo:
29
Donde:
NDWI = Índice de agua de diferencia normalizada NIR = Infrarrojo cercano SWIR = Infrarrojo de onda corta
El modelo definido para el índice de agua de diferencia normalizada es similar al de índice de vegetación, con la única diferencia en la composición de las bandas, el mismo que se detalla en el Gráfico 12.
Fuente: ERDAS IMAGINE
Gráfico 12. Modelo de transformación a índices de agua a partir de la imagen de reflectancia, para la automatización del procesamiento digital de imágenes multiespectrales ladsat 8, en la subcuenca del Río Guayllabamba.
3.2.2.1.4. Índice combinado
Es una composición a color de los tres índices, asignando los índices a los canales de color, es así como en el rojo se ingresa el índice de suelo, en el verde el índice de vegetación, en el azul el índice de agua, dando como producto final una imagen con detalles muy marcados y muy fáciles de interpretar (Pineda, 2010).
El mismo queda definido de la siguiente manera:
30
R = NDSI NDXI G = NDVI B = NDWI
Donde:
NDXI = Índice combinado R = Canal de color rojo G = Canal de color Verde B = Canal de color azul
3.2.2.1.5. Clasificación digital
La clasificación es el proceso de agrupar los pixeles en un número finito de clases individuales o de categorías de datos con base en sus niveles digitales. Si un pixel satisface un conjunto dado de criterios, entonces el pixel se asigna a la clase correspondiente a ese criterio (Olaya, 2007). Para facilitar la determinación de los diferentes polígonos se procedió a realizar una clasificación no supervisada, en la cual se asigna parámetros para automatizar la clasificación, una vez obtenida la clasificación se procede a transformar en polígonos, los mismos que serán editados para una mayor precisión de los diferentes usos, obteniéndose una clasificación digital supervisada, en la cual se seleccionaron polígonos iguales y se procedió a unificarlos, tomando en cuenta la unidad mínima cartografiable.
3.2.2.1.6. Unidad mínima cartografiable (UMC)
También es conocida como área mínima cartografiable o unidad cartografiable de base. Es la unidad más pequeña de superficie que puede ser delimitada en un mapa. Normalmente corresponde a 4 o 5 mm² en el mapa publicado (López, 2012). Con los antecedentes mencionados se procedió a determinar la unidad mínima tomando en cuenta que la escala de trabajo es 1:50.000, en la cual 1cm equivale a 500 m.
La unidad mínima cartografiable calculada para este estudio, es de 4 hectáreas.
3.2.2.1.7. Comprobación en campo
La ubicación de las zonas a intervenir se determinó en base a las unidades interpretadas y únicamente en aquellos sitios donde se tuvo duda del uso a interpretar; mediante navegación en tiempo real, utilizando para esto una computadora portátil (LAPTOP), así como archivos de
31
información que fueron previamente cargados en oficina, tales como: cartográfica base a escala 1: 50 000, información temática preliminar, imágenes satelitales, programa DNR Garmin y GPS (el error del GPS va de 6 a 25 m).
De los cuales se determinaron 45 puntos de control los mismos que se muestran en el Gráfico 13.
3.2.2.2. Determinación de la temperatura superficial del suelo (TS)
La temperatura superficial del suelo se calculó utilizando la banda termal del sensor TIRS, transformada a datos de radiancia de la imagen para realizar los cálculos correspondientes, los mismos que se obtuvieron en la fase preliminar del presente estudio, así como los coeficientes de calibración respectivos presentes en los metadatos. Luego, la temperatura se calcula utilizando la fórmula de transformación a valores de temperatura, indicada en el manual de uso de productos Landsat 8 publicada por la USGS y traducida al español por el IGAC.
La fórmula utilizada fue:
Donde:
T = Temperatura de brillo aparente en grados kelvin Lλ = corresponde a la reflectancia en el techo de la atmosfera K1 = Es la constante de conversión K1 específica para cada banda, dicha constante térmica se suministra en el metadato (k1_COSTANTE_BAND_X) donde X es el número de banda, 10 o 11). K2 = Es la constante de conversión K2 específica para cada banda, dicha constante térmica se suministra en el metadato (k2_ CONSTANT_BAND_X) donde X es el número de banda, 10 o 11.
Los valores resultantes se convierten a grados Celsius (°C), sustrayendo 273° a cada pixel de la imagen de temperatura ya que la misma se encuentra en grados Kelvin (°K), proceso necesario para entender mejor los resultados ya que en nuestro país la unidad de temperatura utilizada es °C.
Con la finalidad de automatizar el proceso se desarrolló un modelo, el mismo contempla todos los pasos anteriores, mediante el programa de procesamiento digital ERDAS IMAGINE 2011, se obtuvo el modelo de transformación a temperatura superficial del suelo en °C, el mismo se muestra en el Gráfico 13.
La transformación de los ND, a valores de temperatura en ºC, se ilustra en el Grafico 14, para lo cual se demostró tomando un mismo pixel en las dos imágenes, en el lado izquierdo se muestra la imagen original, mientras que a la derecha la imagen ya está transformada.
32
Fuente: El Autor
Gráfico 13. Modelo de transformación de la imagen LC80100602014303LGN00 a temperatura superficial en °C, para automatizar el procesamiento digital de imágenes landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
33
Fuente: El Autor
Gráfico 14. Transformación de los valores de radiansa a valores en ºC, para la interpretación de la temperatura superficial del suelo, mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
3.2.2.3. Aproximación a la determinación del índice satelital de déficit hídrico
Entre las aplicaciones actuales del monitoreo ambiental, mediante técnicas de teledetección, se encuentran las orientadas al estudio de la cubierta vegetal, modelos de balance de energía y masa, estimación de la temperatura de superficie (Ts) y de la humedad del suelo (Hs). Algunos de estos parámetros pueden ser directamente determinados a partir de los valores contenidos en las imágenes, mediante la combinación de registros en el rango visible (V), infra-rojo cercano (NIR) y térmico (TIR) del espectro electromagnético. Uno de estos parámetros es el estado hídrico de la cubierta vegetal. La obtención rápida y sencilla de mapas mostrando las condiciones hídricas de la vegetación, así como sus variaciones temporales, resulta fundamental para los estudios ambientales, agronómicos e hidrogeológicos (Pertovt, Rivas, Schirmbeck, & Coelho, 2008).
El TVDI fue desarrollado para establecer el estado de la humedad (sequedad) del sistema suelo-planta- El índice toma valores entre 0 y 1, donde 0 indica máxima humedad y 1 alude a máxima sequedad (ORA, 2014).
El índice no permite distinguir entre diferentes coberturas vegetales (cultivos, pasturas, monte, etc.) sino que representa el estado de déficit hídrico de la cobertura vegetal existente. Donde la cobertura vegetal es escasa o nula (suelo desnudo, siembras incipientes), el índice representa el estado hídrico de la parte superficial del suelo (aproximadamente 5-10 cm de profundidad) (ORA, 2014).
El TVDI combina la temperatura superficial del suelo (Ts) y el índice de vegetación (NDVI); mediante un diagrama de dispersión de los pixeles de la imagen LC80100602014303LGN00,
34
posteriormente se definió los límites del espacio Ts/NDVI para el área de estudio mediante la siguiente ecuación propuesta por (Sandholt, Rasmusen, & Andersen, 2002):
Donde:
Ts = es la temperatura superficial (°C) de un pixel dado Tsmin = es la mínima temperatura de superficie en el triángulo y define el limite húmedo Tsmax = es la máxima temperatura observada para un valor dado de índice de vegetación.
En cuanto a los supuestos del método del TVDI, el mismo se sustenta fundamentalmente en que: 1) para un determinado valor de índice de vegetación los cambios en la Ts son principalmente causados por diferentes contenidos de humedad en el suelo, 2) el TVDI está relacionado a la humedad del suelo debido a cambios en la inercia térmica y al control evaporativo (evapotranspiración) (Holzman, 2012).
Fuente: El Autor
Gráfico 15. Modelo para la obtención del TVDI, en el procesamiento digital de imágenes multiespectrales landsa 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
35
4. RESULTADOS Y DISCUSIÓN
4.1. Productos previos al mapa de uso de la tierra
4.1.1. Índice de vegetación
Una vez terminado el proceso para la determinación del índice de vegetación se obtuvo una imagen resaltada las masas vegetales en sus diferentes niveles, cuyos valores fluctúan desde 0 hasta 255, los valores más altos indican mayor cantidad de masa vegetal, mientras que los valores cercanos a cero, indican otros tipos de cobertura diferente a la vegetal, tales como: cuerpos de agua, infraestructura, centros poblados, eriales, glaciar, ríos, etc. La imagen se ilustra a continuación en el Gráfico 16.
Fuente: El Autor
Gráfico 16. Imagen de índice de vegetación obtenido por medio del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
El índice de vegetación por si solo se considera un insumo importante para la diferenciación y caracterización de las distintas coberturas vegetales, así como su estado. En el presente estudio, facilita la diferenciación de la vegetación, con relación al resto de objetos presentes en la imagen, es una variable que junto con la temperatura superficial son utilizadas para elaborar posteriormente indicadores de déficit hídrico.
36
4.1.2. Índice de Suelos
El índice de suelo permitió discriminar suelos intervenidos por el hombre es decir de uso Antrópico, así como suelos en proceso de erosión, suelos, sin cobertura vegetal. Este pre- producto sirve como una nueva banda al momento de realizar el índice combinado.
La imagen de índice de suelo se ilustra en el Gráfico 17. Al lado izquierdo vemos el índice en escala de grises, representado la ciudad y los suelos desnudos con tonos claros a blanco, conforme la cobertura se hace presente en el suelo los colores se tornan más oscuros. En el lado derecho se muestra el mismo índice en pseudocolor, en el cual se observa a la ciudad así como los suelos desprovistos de cobertura vegetal en tonos café oscuro, conforme aumenta la cobertura los tonos se aclaran hasta llegar a una coloración amarilla la cual indica otras coberturas.
Fuente: El Autor
Gráfico 17. Imagen de índice de suelo, resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
4.1.3. Índice de Agua
La imagen obtenida a partir de la determinación del índice de agua, permitió marginar los objetos con poco contenido de humedad, de los de mayor contenido, a pesar de que es un insumo muy bueno para la determinación del contenido de humedad y el agua en sí, suele confundirse ya que no discrimina totalmente las coberturas, en este caso muestra el glaciar, la cobertura vegetal con abundante humedad y los cuerpos de agua, como una sola respuesta espectral; por lo que se necesita de otros recursos para la diferenciación.
Al igual que en los dos anteriores índices, después del proceso se obtuvo una imagen resaltados los objetos con mayor contenido de humedad, en el lado izquierdo se observa la imagen en escala de grises, siendo los colores claros a blancos los objetos con mayor contenido de agua, mientras
37
que los de color oscuro son objetos con menor contenido; a la derecha se ilustra el mismo índice con pseudocolor en el cual los cuerpos de agua, así como la cobertura con mayor contenido de agua se muestra con un color azul intenso, ver Gráfico 18.
Fuente: El Autor
Gráfico 18. Imagen de índice de agua, resultado del procesamiento digital de imágenes landsat 8 para la determinación del uso de la tierra.
4.1.4. Composición a color
Se procedió a combinar los 3 índices obtenidos previamente en una sola imagen, la cual separa las 3 coberturas principales en una misma imagen, dándonos como resultado una imagen resaltada los suelos antrópicos, eriales y cultivados con escasa cobertura vegetal en tonos rojos; de igual manera se aprecia la cobertura vegetal en tonos aqua, esta coloración se debe a la mezcla entre el verde y el azul de la vegetación y la humedad; mientras que los cuerpos de agua se los observa en tonos de azul, también las nubes adquieren una coloración violeta, lo que facilita la diferenciación entre los demás objetos presentes.
El índice combinado permitió diferenciar con mayor detalle los objetos presentes en la imagen, no se lo debe considerar como un producto final ya que siempre el intérprete debe considerar realizar una comprobación de campo en la cual se asegure de que lo representado es lo correcto, con la presente investigación se pretende dar a conocer herramientas útiles a la hora de interpretar una imagen satelital, cuyos procesos ayudan a mejorar la calidad visual, pero solo el intérprete y su experiencia ayudaran a que se realice una precisa clasificación de los objetos.
En el Gráfico 19, se ilustra la imagen del índice combinado, la misma es el insumo fundamental para la determinación del uso.
38
Fuente: El Autor
Gráfico 19. Imagen de índice combinado, resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
4.1.5. Mapa de uso de la tierra
La determinación de los diferentes usos que tiene un territorio, es una información muy útil a la hora de realizar planes de ordenamiento territorial por parte de los Gobiernos Autónomos Descentralizados, ya que la información que proporciona facilita la visión de cómo está distribuida la tierra que ellos administran.
Además constituye una herramienta de análisis de la expansión o disminución del área urbana, la frontera agrícola, la zona industrial, entre otros. La planificación en sí, se basa en este tipo de información.
El mapa uso de la tierra de la Subcuenca alta del Río Guayllabamba, obtenido mediante procesamiento digital de imágenes landsat 8, se muestra en el Gráfico 20 y en el Anexo 6.
39
Fuente: El Autor
Gráfico 20. Mapa temático de uso de la tierra, en el procesamiento digital de imágenes multiespectrales landsat 8 para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
4.1.6. Caracterización del uso de la tierra
La Subcuenca alta del Río Gauyllabamba cubre una superficie total de 491.055,36 ha, de las cuales 219.005,46 ha son de cobertura vegetal natural (conservación y protección), la misma representa el 44,60 % de la superficie total en estudio, destacándose los páramos con el 26,75 % del total.
De igual manera se ha considerado 112.182,05 ha de uso pecuario, el mismo hace referencia a los pastizales, estos ocupan el 22,85% del área de estudio; seguido de las zonas intervenidas ya sea área poblada e infraestructura antrópica, que sumadas nos dan un total de 55.941,92 ha de uso antrópico, lo que representa el 11,39 % con relación a la superficie total en estudio.
En menor presencia se encuentra las plantaciones forestales cuyo uso es protección o producción, abarcan una superficie de 42.122,23 ha lo que representa el 8,58%, seguidos del uso agropecuario y agrícola, donde se ha considerado varios cultivos agrupados en polígonos llamados mosaicos agropecuarios con 22.303,88 ha, mientras que los cultivos como tal ocupan una superficie de 23.070,21 ha, lo que representa el 4,54 % y 4,70 % respectivamente.
Las tierras improductivas en las cuales se consideran los glaciares y eriales (refiriéndose a aquellas áreas en proceso de erosión y los bancos de arena), se constituyen junto con los cuerpos de agua en los de menor presencia en la Subcuenca, las mismas representan el 0,99 % y 0,18 % respectivamente.
40
En el Cuadro 4, se muestran las 9 categorías de uso identificadas en la zona de estudio, las mismas se describen a continuación:
Cuadro 4. Superficie de uso de la tierra, como resultado del procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agronómicas en la subcuenca del Río Guayllabamba.
Fuente: El Autor
4.1.7. Mapa de temperatura superficial (TS)
Una vez concluido el proceso se obtuvo una imagen de temperatura superficial del suelo, la misma muestra valores extremos mínimos que fluctúan en el rango de -10 a -1 °C; en el 1,23 %, del área total en estudio, las zonas con esta temperatura pertenece a los nevados. Mientras los valores extremos más altos fluctúan en un rango de 34 a 36 °C; en el 0.11 % con relación al área total, las zonas con esta temperatura se ubican en San Antonio de Pichincha y en Malchingui. La temperatura con mayor área fluctúa en rangos de 20 a 22 °C, en el 16,41 % del área total.
Es importante aclarar que la temperatura superficial es mayor que la temperatura ambiente, también se debe tomar en cuenta que el satélite captura la imagen a las 10:30 de la mañana hora en la que existe una cantidad alta de radiación solar. Según el INAMHI la temperatura máxima se registra de 10:00 a 13:00 horas, constituyéndose en los máximos absolutos. Mientras que la temperatura reportada por las estaciones meteorológicas toman en cuenta la temperatura del aire a la sombra, a distintas horas del día y las promedia, por lo que la temperatura de las 6:00 de
SÍMBOLO USO CATEGORÍA ÁREA (ha) ÁREA USO % CATEGORÍA % USO
AGRÍCOLA CULTIVO 23070,21 23070,21 4,70 4,70
AGROPECUARIO
MIXTO
MOSAICO
AGROPECUARIO22303,88 22303,88 4,54 4,54
AGUA CUERPO DE AGUA 864,07 864,07 0,18 0,18
ÁREA POBLADA 51399,68 10,47
INFRAESTRUCTURA
ANTRÓPICA4542,24 0,92
BOSQUE NATIVO 29399,12 5,99
PÁRAMO 131356,40 26,75
VEGETACIÓN
ARBUSTIVA58177,81 11,85
VEGETACIÓN
HERBÁCEA72,12 0,01
NUBES SIN INFORMACIÓN 10716,57 10716,57 2,18 2,18
PECUARIO PASTIZAL 112182,05 112182,05 22,85 22,85
PROTECCIÓN O
PRODUCCIÓN
PLANTACIÓN
FORESTAL42122,23 42122,23 8,58 8,58
ERIAL/SIN
COBERTURA VEGETAL2875,16 0,59
GLACIAR 1973,80 0,40
491055,36 491055,36 100,00 100,00
11,39
44,60
0,99
TOTAL
ANTRÓPICO
CONSERVACIÓN Y
PROTECCIÓN
TIERRAS
IMPRODUCTIVAS
55941,92
219005,46
4848,97
ù ù ù ù ù
ù ù ù ù ù
ù ù ù ù ù
41
la mañana no va a ser la misma que la temperatura del medio día, y peor aún su promedio, por lo que no se optó por comparar la temperatura de las estaciones con la de este estudio.
En Cuadro 5 se ilustra la superficie que ocupa cada rango de temperatura con relación al área total de la cuenca
Cuadro 5. Rango de temperatura y superficie, identificadas en la Subcuenca alta del Río Guayllabamba mediante procesamiento digital de imágenes multiespectrales lansat 8.
CÓDIGO RANGO ÁREA (ha) %
1
6.051,16 1,23
2 3.054,70 0,62
3 1.745,83 0,36
4 2.021,95 0,41
5 4.166,02 0,85
6 4.659,94 0,95
7 5.652,19 1,15
8 7.420,06 1,51
9 10.300,87 2,10
10 20.285,38 4,13
11 40.538,53 8,26
12 56.165,32 11,44
13 67.592,08 13,76
14 80.593,10 16,41
15 75.018,79 15,28
16 50.385,52 10,26
17 39.802,06 8,11
18 8.092,09 1,65
19 6.657,31 1,36
20 299,17 0,06
21 553,26 0,11
TOTAL 491.055,36 100,00
Fuente: El Autor
La temperatura superficial del suelo se la representa espacialmente en el Grafico 21 y Anexo 7; el mismo pertenece a la temperatura del 30 de octubre de 2004, a las 10: 30 horas de la mañana, cada pixel de la imagen se agrupó en rangos, cuyos valores son puntuales y no están promediados.
-10 - -1
-1 - 0
0 - 1
1 - 2
2- 4
4 - 6
6 - 8
8 - 10
10 - 12
12 - 14
14 - 16
16 - 18
18 - 20
20 - 22
22 - 24
24 - 26
26 - 28
28 - 30
30 - 32
32 - 34
34 - 36
42
Fuente: El Autor
Gráfico 21. Determinación de la temperatura superficial del suelo, mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agrícolas en la subcuenca del Río Guayllabamba.
4.1.8. Mapa de déficit hídrico satelital
La Oficina de Riesgo Agropecuario (ORA) de la república de Argentina ha clasificado los datos del TVD, en 4 rangos, los mismos se muestran en el Cuadro 6, a continuación:
Cuadro 6. Clasificación del déficit hídrico, en base a la metodología utilizada por la ORA, para la determinación del déficit hídrico en la subcuenca alta del Río Guayllabamba.
RANGO SÍMBOLO DENOMINACIÓN ÁREA (Ha) %
1 SIN DÉFICIT 73.658,30 15
2 DÉFICIT LEVE 274.991,00 56
3
DÉFICIT MODERADO 132.584,95 27
4
DÉFICIT ALTO 9.821,11 2
TOTAL 491.055,36 100
Fuente: El Autor
La Subcuenca alta del Río Guayllabamba presenta un déficit hídrico leve en la mayor parte de su territorio, cubre una área de 274.991,00 Ha, lo que corresponde al 56 % del total.
Las zonas sin déficit hídrico de la Subcuenca alta del Río Guayllabamba, se ubican en los páramos, en las faldas de los nevados y en lugares donde existe cobertura natural abundante (Bosques húmedos).
43
Mientras que las zonas con déficit hídrico alto, cubren un área de 9.821,11 Ha, lo que representa el 2 % del territorio total.
Según los registros históricos de las estaciones que se ubican dentro del área de estudio, la parroquia de San Antonio de Pichincha tiene un déficit hídrico alto, ya que presenta 12 mese deficitarios, es decir todo el año; lo que concuerda con este estudio ya que las zonas con un alto déficit hídrico se ubican en San Antonio de pichincha y partes de las parroquias aledañas.
Los registros históricos que complementan este estudio, fueron tomados en un periodo de (1985 – 2009), obteniéndose valores promedio, estos datos fueron proporcionados por el INAMHI y el IEE, los mismos se ilustran en el Cuadro 7.
Cuadro 7. Registro histórico de las estaciones que reportan datos de déficit hídrico, para el periodo (1985 – 2009); ubicadas dentro de la subcuenca alta del Río Guayllabamba.
CODIGO ESTACION # DEMESES
DEFICITARIOS MESES
DEFICITARIOS
M002 LA TOLA 5 MAY-SEP
M023 OLMEDO-PICHINCHA 4 JUN-AGO
M054 QUITO-OBSERVATORIO 3 JUN-AGO
M113 UYUMBICHO 3 JUN-AGO
M115 SAN ANTONIO DE
PICHINCHA 12 ENE-DIC
M117 MACHACHI 3 JUN-AGO
M120 COTOPAXI-MINITRAK 1 AGO
M121 EL REFUGIO-COTOPAXI 1 AGO
M211 LA VINNA DE CHESPI 8 MAY-DIC
M214 PERUCHO INECEL 10 ENE-FEB / MAY-DIC
M532 RIO PITA-HDA.PEDREGAL 0 -
M566 ASCAZUBI INAMHI 5 JUN-SEP / DIC
Fuente: INAMHI-IEE, 2014
Según el número de meses deficitarios se puede, analizar qué tipo de déficit hídrico tiene una zona.
El mapa de déficit hídrico se presenta en el Gráfico 22 y en el Anexo 8, el mismo fue elaborado a escala 1: 50.000, en él se ilustra las zonas de déficit hídrico obtenidas mediante tratamiento digital de imágenes.
44
Fuente: El Autor
Gráfico 22. Determinación del déficit hídrico satelital (TVDI), como resultado del procesamiento digital de imágenes multiespectrales landsat 8.
4.1.9. Validación de datos
La validación de los datos se estableció mediante la realización de un muestreo dirigido, que busca comprobar en campo, en corto tiempo la mayor cantidad de tipos de uso. Para lo cual se utilizó un transecto, que inicio en la mitad del mundo vía Calacalí la Independencia hasta el centro poblado Los Puentes.
En el Gráfico 23 se muestra la ruta de verificación planteada para la comprobación de puntos de control.
Fuente: El Autor
Gráfico 23. Ruta de verificación de puntos de control, vía Calacalí la Independencia.
45
Los resultados de la validación de los puntos de control se presentan en el Cuadro 6.
Cuadro 8. Verificación en campo de puntos de control, para la validación de los resultados obtenidos mediante procesamiento digital de imágenes multiespectrales landsat 8, para aplicaciones agronómicas en la subcuenca del Río Guayllabamba.
PUNTOS USO CATEGORIA TVDI COMPROBACION
1 ANTROPICO AREA POBLADA N/A OK
2 AGRICOLA CULTIVO ALTO MS CAMBIAR
3 ANTROPICO AREA POBLADA N/A OK
4 PROTECCION O PRODUCCION PLANTACION FORESTAL ALTO MS CAMBIAR
5 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA ALTO OK
6 AGRICOLA CULTIVO ALTO OK
7 PECUARIO PASTIZAL MODERADO ANTROPICO
8 TIERRAS IMPRODUCTIVAS ERIAL/SIN COBV ALTO ANTROPICO
9 ANTROPICO AREA POBLADA N/A OK
10 PROTECCION O PRODUCCION PLANTACION FORESTAL MODERADO OK
11 AGRICOLA CULTIVO ALTO OK
12 PROTECCION O PRODUCCION PLANTACION FORESTAL MODERADO OK
13 ANTROPICO AREA POBLADA N/A OK
14 AGRICOLA CULTIVO MODERADO OK
15 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
16 AGRICOLA CULTIVO LEVE OK
17 PROTECCION O PRODUCCION PLANTACION FORESTAL LEVE AGRICOLA
18 AGRICOLA CULTIVO LEVE OK
19 PECUARIO PASTIZAL LEVE OK
20 PROTECCION O PRODUCCION PLANTACION FORESTAL LEVE OK
21 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
22 PECUARIO PASTIZAL LEVE OK
23 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
24 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
25 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
26 PECUARIO PASTIZAL LEVE OK
46
PUNTOS USO CATEGORIA TVDI COMPROBACION
27 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
28 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
29 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
30 PECUARIO PASTIZAL LEVE MH
31 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
32 CONSERVACION Y
PROTECCION VEGETACION ARBUSTIVA LEVE OK
33 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
34 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
35 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
36 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
37 TIERRAS IMPRUDUCTIVAS ERIAL/SIN COBV LEVE OK
38 TIERRAS IMPRODUCTIVAS ERIAL/SIN COBV LEVE BH
39 AGROPECUARIO MIXTO MOSAICO AGROPECUARIO LEVE BH
40 PECUARIO PASTIZAL LEVE OK
41 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
42 AGROPECUARIO MIXTO MOSAICO AGROPECUARIO LEVE OK
43 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
44 CONSERVACION Y
PROTECCION BOSQUE NATIVO LEVE OK
45 AGROPECUARIO MIXTO MOSAICO AGROPECUARIO LEVE OK
Fuente: El autor
De 45 puntos verificados (100 %), 8 no concuerdan con lo esperado, lo que representa el 17,7 %, por lo tanto se concluye que el 82,3 % de los datos obtenidos en oficina concuerda con la realidad.
47
5. CONCLUSIONES
Los resultados están en concordancia a los objetivos y metas planteadas para la aplicación de técnicas de teledetección y conversión de datos crudos en el análisis del uso de la tierra, temperatura superficial terrestre, y aproximación a la determinación del déficit hídrico, establecidos como las aplicaciones que tiene la presente investigación.
El uso de la tierra en la zona de estudio, es en su mayor parte de conservación y protección, ocupando el 44 % del área total, seguido del uso pecuario el mismo ocupa el 22,8 % del territorio; el uso antrópico ocupa el 22 % del área, mientras que los de menor presencia lo constituyen las tierras improductivas y el agua con menos del 1 % del área total.
La temperatura superficial en la Subcuenca del Río Guayllabamba es muy variada encontrándose valores bajo 0°C en los nevados (Cayambe y Cotopaxi), mientras que los valores más altos se encuentran en la parroquia de Calacalí, San Antonio de Pichincha, Calderón, Pomasqui, entre otros. Según el INAMHI la temperatura promedio en la Provincia de pichincha se encuentra en los 15 y 16 ºC, lo que no corresponde con los valores obtenidos de temperatura superficial. Esto se debe a que la temperatura del aire a la sombra que reportan las estaciones meteorológicas toma en cuenta diferentes variables, como altura, heliofania, entre otras; cuyos valores se promedian. Mientras que los valores de temperatura superficial corresponden a las 10:30 horas de la mañana, ya que el satélite pasa capturando la imagen a esa hora, además este valor no corresponde a un promedio, se trata de la cantidad de radiansa detectada por el sensor al momento de la toma.
El déficit hídrico relaciona la temperatura superficial y el índice de vegetación, es decir a mayor temperatura mayor déficit hídrico; lo contrario sucede con la cobertura vegetal, a mayor temperatura menor cobertura vegetal. En la zona del noroccidente de Pichincha donde existe una mayor cantidad de bosques, el déficit hídrico es leve, mientras que en el sector de San Antonio de Pichincha y Calacalí el déficit hídrico se encuentra entre alto y moderado. En la verificación que se realizó en campo el 82,3% de los datos son exactos por lo que se acepta la hipótesis nula, la misma que dice que los datos de campo y la información obtenida mediante el tratamiento digital de imágenes si se relacionan y se rechaza la hipótesis alternativa.
Los mapas obtenidos constituyen insumos para el análisis del territorio, los mismos están alineados al amparo de la Constitución vigente en la República del Ecuador, que plantea la necesidad de encontrar mecanismos que garanticen la consecución del “Buen Vivir”, a través del fortalecimiento del ordenamiento territorial y la planificación entendiéndose que para realizar una adecuada planificación, se requiere de un Diagnóstico que constituya el soporte técnico para la toma de decisiones o formulación de las propuestas de Planes de Desarrollo.
48
6. RECOMENDACIONES
Realizar un análisis multitemporal con las diferentes imágenes satelitales con la finalidad de detectar cambios en el uso de la tierra y climáticos, aumento de la erosión, así como el seguimiento de cultivos, entre otros
Detectar cambios en la temperatura superficial comparada con años anteriores, para estudios de cambio climático.
Compara los cambios que han ocurrido en el uso de la tierra, por el avance de la zona de la zona urbana.
Realizar más estudios agronómicos con sensores remotos, para aprovechar los adelantos tecnológicos y contribuir al desarrollo de la agricultura.
49
7. RESUMEN
Los datos satelitales ofrecen considerables ventajas para el conocimiento de la variación espacial y seguimiento temporal de múltiples fenómenos de interés agronómico, esto es posible gracias al desarrollo del tratamiento digital de imágenes, herramienta fundamental de la Teledetección, razón por la cual el presente estudio utiliza algunas técnicas de tratamiento digital con imágenes multiespectrales del satélite Landsat 8, para la identificación del uso de la tierra, la determinación de la temperatura superficial del suelo, y el análisis del déficit hídrico de la vegetación en la Subcuenca alta del Río Guayllabamba.
Para la identificación del uso de la tierra se desarrolló tres índices (vegetación, suelo y agua) y se los unió en una sola imagen sobre la que se realizó clasificación digital (no supervisada, supervisada y visual) obteniéndose el mapa de uso de la tierra, en el mismo se identifican 9 categorías, de las cuales el 44,6 % corresponde a conservación y protección, constituyéndose en el de mayor área con 219 005,46 ha.
Para la determinación de la temperatura superficial se utilizó la metodología de conversión de imágenes satelitales del Servicio Geológico de Estados Unidos (USGS), los datos de temperatura se transformaron a °C ya que originalmente estos quedan en °K. Identificándose rangos extremos bajos de – 10 a 0 ºC y máximos de 34 a 36 ºC.
Finalmente el déficit hídrico utiliza los insumos ya extraídos, es decir combina los índices de vegetación y de temperatura superficial, para determinar el estado de humedad de la vegetación, donde se utiliza la metodología de la Oficina de Riesgo Agropecuario de Argentina (ORA), la cual clasifica los datos en 4 rangos de 0 a 0.4 sin déficit; de 0.4 a 0.6 leve; de 0.6 a 0.8 moderado y de 0.8 a 1 alto. La mayor parte de la subcuenca presenta un déficit hídrico leve en el 56 % del área total.
Los datos se verificaron en campo y se concluye que el 82,3 % de los mismos son acertados.
50
SUMMARY
Satellite data provide considerable benefits to the knowledge of the spatial variation and temporal tracking of multiple agronomic interest events, this is possible due to the development of digital processing of images, a fundamental tool on Remote Sensing, reason why the current study uses some digital processing techniques with multispectral satellite images from Landsat 8. For identification of land use, the determination of surface soil temperature and analysis of vegetation water deficit in high subwatershed Guayllabamba River.
For the identification of land use, three indexes (vegetation, soil and water) were to developed and brought them together in a single image, on which digital classification was performed (unsupervised, supervised and visual) to obtain the land use map, 9 in the same category are identified, of which 44,6 % corresponds to preservation and protection, constituting the largest area of 219 005,46 ha.
To determine the surface temperature, methodology of conversion satellite images of the US Geological Survey (USGS) was used, the temperature data were transformed to °C because it originally these were in ° K. identifying themselves beams extreme ranges of -10 to 0 °C and maximum 34 °C to 36 °C.
Finally, water deficit uses inputs already extracted; ie combined indexes of vegetation and of surface temperature to determine the moisture status of the vegetation, the methodology of the Office of Agricultural Risk of Argentina (ORA) is used, the which sorts the data in 4 ranges from 0 to 0.4 without deficit; mild 0.4 to 0.6; moderate 0.6 to 0.8 and 0.8 to 1 high most of the watershed has a mild water stress in 56 % of the total area.
The field data were verified and it was concluded that 82,3 % of them are accurate.
51
8. REFERENCIAS
Arozarena, A. (2001). Teledetección y Sistemas de tratamiento Digital de Imágenes. s.n.t.
APN - Administracion de Parques Nacionales. (2005). Protocolo para el pre procesamiento de imagenes satelitales Landsat para aplicaciones de la administracion de parques nacionales. Buenos Aires, Argentina.
Camacho, M., & Melo, L. (2005). Interpretación Visual de Imágenes de Sensores Remotos y su Aplicación en Levantamientos de Cobertura y Uso de la Tierra. Colombia: (C. d. CIAF, & I. G. IGAC, Editores.
Castaño, S., Ruíz, J., & Vela, A. (2008). La teledetección y sus Bases. Sección de Teledetección y Sistemas de Información Geográfica. Ecuador: Instituto de Desarrollo Regional.
Comisión Nacional del Agua (2005). Fundamentos de Teledetección. s.n.t. Autor.
Chinea, J. (2002). Teledetección de Bosques Tropicales. Cartago, Costa Rica: Tecnológica. disponible en URL: http://academic.uprm.edu/~jchinea/cursos/gis/lectesc/chineateledet.pdf [consulta 03 de diciembre de 2015]
Chuvieco, E. (2010). Teledetección Ambiental. Alcalá de Henares, España: Planeta.
Goetz, S. J. (1997). Multi-sensor analysis of NDVI, surface temperature and biophysical variables at mixed grassland site. US: International Journal of Remote Sensing, 18(1), pp. 71 - 94
Gonzaga, C. (2014). Aplicación de Índices de vegetación derivados de Imágenes Satelitales Landsat 7 ETM+ y ASTER para la Caracterización de la Cobertura Vegetal en la Zona Centro de la Provincia de Loja. Trabajo de Grado presentado como requisito parcial para optar al Título de Magister en Geomática. La Plata, Argentina: Universidad Nacional de la Plata.
Holzman, M. (2012). Estimación del Estrés Hídrico en Cultivos y su relación con rendimientos en la Región Pampeana, mediante imágenes de temperatura. Trabajo de Grado presentado como requisito parcial para optar al Título de Tesis de Doctor en Geografía. Bahía Blanca, Argentina: Universidad Nacional del Sur.
IEE - MAGAP. Instituto Espacial Ecuatoriano – Ministerio de Agricultura Ganadería y Pesca. (2009). Memoria Técnica del Cantón Quito. Autor.
IEE-Instituto Espacial Ecuatoriano. (2009). Manual de Procedimientos. Ecuador: Autor.
_________ (2011). Proyecto "Generación de Geoinformación para la Gestion del Territorio a Nivel Nacional". Ecuador: Autor.
IGAC-Instituto Geográfico Agustín Codazzi. (2012). Manual de Practicas de Percepción Remota. Bogotá, Colombia: Autor.
__________ (2013). Descripción y Corrección de Productos Landsat 8 LDCM. Bogotá, Colombia: Autor.
52
INAMHI-IEE. (2014). Memoria Técnica Cantón Quito. Proyecto Generación de Geoinformación para la Gestión del Territorio a nivel nacional. Quito, Ecuador.
Instituto Nacional de Estadística y Geografía (2015). Quito, Ecuador: Autor. disponible en URL: http://www.inegi.org.mx [consulta 03 de diciembre de 2015]
_________ (2014). Elementos de Percepción Remota. Quito, Ecuador: Autor.
Jensen, J. (1986). Introductory Digital Image Processing. New Jersey, US: Prentice-Hall.
López, M. (2012). Unidad Mínima Cartografiable. s.n.t.
Loyd, C. (2013). Mapbox: The next Generation of Map Design. disponible en URL: https://www.mapbox.com [consulta 03 de diciembre de 2015]
Olaya, A. (2007). Fundamentos de Procesamiento digital de Imágenes. Bogotá, Colombia: I.G.A.C.
ORA – Oficina de Riesgo Agropecuario. (2014). Determinación del déficit hídrico satelital (TVDI). disponible en URL: http://www.ora.gob.ar/[consulta 03 de diciembre de 2015]
Pérez, C., & Muñoz, A. (2006). Teledetección Nociones y Aplicaciones. Salamanca, España: Universidad de Salamanca.
Pertovt, L., Rivas, R., Schirmbeck, J., & Coelho, O. V. (2008). Análisis de condicionantes Ambientales del estrés hídrico de la vegetación en el sur de Brasil mediante Imágenes NOAA - AVHRR. Argentina: editorial.(s.n.).
Pineda, B. (2010). Análisis Multitemporal de Cobertura Vegetal y Uso del suelo en el Cantón Rumiñahui 1999-2007, Mediante Técnicas de Teledetección. Trabajo de Grado presentado como requisito parcial para optar al Título de Posgrado. Quito: Universidad Central del Ecuador.
Posada, E. (2008). Prácticas de PDI con ERDAS. Bogotá, Colombia: I.G.A.C.
Pourrut, P. (1995). Los Climas del Ecuador - Fundamentos Explicativos. Quito, Ecuador.
Riveira, I. (2010). Apuntes de Teledetección.s.n.t.
Sánchez, M., & Carvacho, L. (2013). Aproximación a la determinación del déficit hídrico en la Región del Libertador General Bernando O`Higgins, Chile a partir de imágenes MODIS y datos meteorológicos. s.l. Geografía Norte Grande.
Santiago, J. (2004). Determinación del Uso Potencial de la Tierra con Fines Agrícolas en el Municipio Bolivar, Estado Táchira. Táchira, Venezuela.
Sandholt, I., Rasmusen, K., & Andersen, J. (2002). A simple interpretation of the surface temperature/vegetation index space for the surface moisture status. Ciudad: Remote Sensing of Enviromenmt, 79(2-3): 213-224.
Sobrino, J. (2000). Teledetección. Valencia, España: Universitat de Valéncia.
53
Sigmur. (2006). SIGMUR SIG y Teledeteccion en la Universidad de Murcia. Retrieved from disponible en URL:http://www.um.es/geograf/sigmur/ [consulta 20 de septiembre de 2015]
Tucci, C. E. (Diciembre de 2009). Plan de Manejo Integrado de los Recursos Hídricos en la Cuenca Alta del Río Guayllabamba. Ecuador: s.n.
USGS, S. G. (2013). Landsat Data Continuity Misión (LDCM). USGS EROS. s.n.t.
Verduga, L. (2002). Determinación de Cambios de uso en áreas aledañas a la ciudad de Quito usando técnicas de teledetección. Trabajo de Grado presentado como requisito parcial para optar al Título de Magister en Geomática Quito, Ecuador: Escuela Superior Politécnica del Ejército.
Wan, Z; Wang, P & LI, X. (2004). Using MODIS Land Surface Temperature and Normalized Difference Vegetation Index products for monitiring drouht in the southern Great Plains. USA: International Journal of Remote Sensing, 25(1), pp. 61-72
Zhang, D., & Tang, R. (2014). Surface Soil Water Content Estimation from Thermal Remote Sensing based on the Temporal Variation of Land Surface Temperature. Remote Sensing, s.n.t.
54
9. ANEXOS
Anexo 1. Características de las bandas del satélite Landsat 8
Fuente: (IGAC, 2012)
55
Anexo 2. Recopilación de imágenes pertenecientes a la zona de estudio
Fuente: USGS, 2014
56
Anexo 3. Metadato de la imagen LC80100602014303LGN00
GROUP = L1_METADATA_FILE GROUP = METADATA_FILE_INFO ORIGIN = "Image courtesy of the U.S. Geological Survey" REQUEST_ID = "0501410309703_00007" LANDSAT_SCENE_ID = "LC80100602014303LGN00" FILE_DATE = 2014-10-30T19:31:53Z STATION_ID = "LGN" PROCESSING_SOFTWARE_VERSION = "LPGS_2.4.0" END_GROUP = METADATA_FILE_INFO GROUP = PRODUCT_METADATA DATA_TYPE = "L1T" ELEVATION_SOURCE = "GLS2000" OUTPUT_FORMAT = "GEOTIFF" SPACECRAFT_ID = "LANDSAT_8" SENSOR_ID = "OLI_TIRS" WRS_PATH = 10 WRS_ROW = 60 NADIR_OFFNADIR = "NADIR" TARGET_WRS_PATH = 10 TARGET_WRS_ROW = 60 DATE_ACQUIRED = 2014-10-30 SCENE_CENTER_TIME = 15:26:27.9499313Z CORNER_UL_LAT_PRODUCT = 1.05003 CORNER_UL_LON_PRODUCT = -79.49195 CORNER_UR_LAT_PRODUCT = 1.04836 CORNER_UR_LON_PRODUCT = -77.44475 CORNER_LL_LAT_PRODUCT = -1.05545 CORNER_LL_LON_PRODUCT = -79.49194 CORNER_LR_LAT_PRODUCT = -1.05378 CORNER_LR_LON_PRODUCT = -77.44475 CORNER_UL_PROJECTION_X_PRODUCT = 667800.000 CORNER_UL_PROJECTION_Y_PRODUCT = 116100.000 CORNER_UR_PROJECTION_X_PRODUCT = 895800.000 CORNER_UR_PROJECTION_Y_PRODUCT = 116100.000 CORNER_LL_PROJECTION_X_PRODUCT = 667800.000 CORNER_LL_PROJECTION_Y_PRODUCT = -116700.000 CORNER_LR_PROJECTION_X_PRODUCT = 895800.000 CORNER_LR_PROJECTION_Y_PRODUCT = -116700.000 PANCHROMATIC_LINES = 15521 PANCHROMATIC_SAMPLES = 15201 REFLECTIVE_LINES = 7761 REFLECTIVE_SAMPLES = 7601 THERMAL_LINES = 7761 THERMAL_SAMPLES = 7601 FILE_NAME_BAND_1 = "LC80100602014303LGN00_B1.TIF" FILE_NAME_BAND_2 = "LC80100602014303LGN00_B2.TIF" FILE_NAME_BAND_3 = "LC80100602014303LGN00_B3.TIF" FILE_NAME_BAND_4 = "LC80100602014303LGN00_B4.TIF" FILE_NAME_BAND_5 = "LC80100602014303LGN00_B5.TIF" FILE_NAME_BAND_6 = "LC80100602014303LGN00_B6.TIF" FILE_NAME_BAND_7 = "LC80100602014303LGN00_B7.TIF" FILE_NAME_BAND_8 = "LC80100602014303LGN00_B8.TIF"
57
FILE_NAME_BAND_9 = "LC80100602014303LGN00_B9.TIF" FILE_NAME_BAND_10 = "LC80100602014303LGN00_B10.TIF" FILE_NAME_BAND_11 = "LC80100602014303LGN00_B11.TIF" FILE_NAME_BAND_QUALITY = "LC80100602014303LGN00_BQA.TIF" METADATA_FILE_NAME = "LC80100602014303LGN00_MTL.txt" BPF_NAME_OLI = "LO8BPF20141030141316_20141030155209.01" BPF_NAME_TIRS = "LT8BPF20141030150204_20141030155303.01" CPF_NAME = "L8CPF20141001_20141231.01" RLUT_FILE_NAME = "L8RLUT20130211_20431231v09.h5" END_GROUP = PRODUCT_METADATA GROUP = IMAGE_ATTRIBUTES CLOUD_COVER = 31.95 IMAGE_QUALITY_OLI = 9 IMAGE_QUALITY_TIRS = 9 ROLL_ANGLE = -0.001 SUN_AZIMUTH = 122.57781209 SUN_ELEVATION = 63.52291576 EARTH_SUN_DISTANCE = 0.9930186 GROUND_CONTROL_POINTS_VERSION = 2 GROUND_CONTROL_POINTS_MODEL = 218 GEOMETRIC_RMSE_MODEL = 6.946 GEOMETRIC_RMSE_MODEL_Y = 4.854 GEOMETRIC_RMSE_MODEL_X = 4.969 GROUND_CONTROL_POINTS_VERIFY = 111 GEOMETRIC_RMSE_VERIFY = 5.034 END_GROUP = IMAGE_ATTRIBUTES GROUP = MIN_MAX_RADIANCE RADIANCE_MAXIMUM_BAND_1 = 770.78741 RADIANCE_MINIMUM_BAND_1 = -63.65188 RADIANCE_MAXIMUM_BAND_2 = 789.29572 RADIANCE_MINIMUM_BAND_2 = -65.18030 RADIANCE_MAXIMUM_BAND_3 = 727.32928 RADIANCE_MINIMUM_BAND_3 = -60.06309 RADIANCE_MAXIMUM_BAND_4 = 613.32501 RADIANCE_MINIMUM_BAND_4 = -50.64858 RADIANCE_MAXIMUM_BAND_5 = 375.32434 RADIANCE_MINIMUM_BAND_5 = -30.99441 RADIANCE_MAXIMUM_BAND_6 = 93.33974 RADIANCE_MINIMUM_BAND_6 = -7.70803 RADIANCE_MAXIMUM_BAND_7 = 31.46049 RADIANCE_MINIMUM_BAND_7 = -2.59802 RADIANCE_MAXIMUM_BAND_8 = 694.11511 RADIANCE_MINIMUM_BAND_8 = -57.32025 RADIANCE_MAXIMUM_BAND_9 = 146.68526 RADIANCE_MINIMUM_BAND_9 = -12.11332 RADIANCE_MAXIMUM_BAND_10 = 22.00180 RADIANCE_MINIMUM_BAND_10 = 0.10033 RADIANCE_MAXIMUM_BAND_11 = 22.00180 RADIANCE_MINIMUM_BAND_11 = 0.10033 END_GROUP = MIN_MAX_RADIANCE GROUP = MIN_MAX_REFLECTANCE REFLECTANCE_MAXIMUM_BAND_1 = 1.210700 REFLECTANCE_MINIMUM_BAND_1 = -0.099980 REFLECTANCE_MAXIMUM_BAND_2 = 1.210700
58
REFLECTANCE_MINIMUM_BAND_2 = -0.099980 REFLECTANCE_MAXIMUM_BAND_3 = 1.210700 REFLECTANCE_MINIMUM_BAND_3 = -0.099980 REFLECTANCE_MAXIMUM_BAND_4 = 1.210700 REFLECTANCE_MINIMUM_BAND_4 = -0.099980 REFLECTANCE_MAXIMUM_BAND_5 = 1.210700 REFLECTANCE_MINIMUM_BAND_5 = -0.099980 REFLECTANCE_MAXIMUM_BAND_6 = 1.210700 REFLECTANCE_MINIMUM_BAND_6 = -0.099980 REFLECTANCE_MAXIMUM_BAND_7 = 1.210700 REFLECTANCE_MINIMUM_BAND_7 = -0.099980 REFLECTANCE_MAXIMUM_BAND_8 = 1.210700 REFLECTANCE_MINIMUM_BAND_8 = -0.099980 REFLECTANCE_MAXIMUM_BAND_9 = 1.210700 REFLECTANCE_MINIMUM_BAND_9 = -0.099980 END_GROUP = MIN_MAX_REFLECTANCE GROUP = MIN_MAX_PIXEL_VALUE QUANTIZE_CAL_MAX_BAND_1 = 65535 QUANTIZE_CAL_MIN_BAND_1 = 1 QUANTIZE_CAL_MAX_BAND_2 = 65535 QUANTIZE_CAL_MIN_BAND_2 = 1 QUANTIZE_CAL_MAX_BAND_3 = 65535 QUANTIZE_CAL_MIN_BAND_3 = 1 QUANTIZE_CAL_MAX_BAND_4 = 65535 QUANTIZE_CAL_MIN_BAND_4 = 1 QUANTIZE_CAL_MAX_BAND_5 = 65535 QUANTIZE_CAL_MIN_BAND_5 = 1 QUANTIZE_CAL_MAX_BAND_6 = 65535 QUANTIZE_CAL_MIN_BAND_6 = 1 QUANTIZE_CAL_MAX_BAND_7 = 65535 QUANTIZE_CAL_MIN_BAND_7 = 1 QUANTIZE_CAL_MAX_BAND_8 = 65535 QUANTIZE_CAL_MIN_BAND_8 = 1 QUANTIZE_CAL_MAX_BAND_9 = 65535 QUANTIZE_CAL_MIN_BAND_9 = 1 QUANTIZE_CAL_MAX_BAND_10 = 65535 QUANTIZE_CAL_MIN_BAND_10 = 1 QUANTIZE_CAL_MAX_BAND_11 = 65535 QUANTIZE_CAL_MIN_BAND_11 = 1 END_GROUP = MIN_MAX_PIXEL_VALUE GROUP = RADIOMETRIC_RESCALING RADIANCE_MULT_BAND_1 = 1.2733E-02 RADIANCE_MULT_BAND_2 = 1.3039E-02 RADIANCE_MULT_BAND_3 = 1.2015E-02 RADIANCE_MULT_BAND_4 = 1.0132E-02 RADIANCE_MULT_BAND_5 = 6.2001E-03 RADIANCE_MULT_BAND_6 = 1.5419E-03 RADIANCE_MULT_BAND_7 = 5.1971E-04 RADIANCE_MULT_BAND_8 = 1.1466E-02 RADIANCE_MULT_BAND_9 = 2.4231E-03 RADIANCE_MULT_BAND_10 = 3.3420E-04 RADIANCE_MULT_BAND_11 = 3.3420E-04 RADIANCE_ADD_BAND_1 = -63.66461 RADIANCE_ADD_BAND_2 = -65.19334
59
RADIANCE_ADD_BAND_3 = -60.07510 RADIANCE_ADD_BAND_4 = -50.65871 RADIANCE_ADD_BAND_5 = -31.00061 RADIANCE_ADD_BAND_6 = -7.70957 RADIANCE_ADD_BAND_7 = -2.59854 RADIANCE_ADD_BAND_8 = -57.33172 RADIANCE_ADD_BAND_9 = -12.11574 RADIANCE_ADD_BAND_10 = 0.10000 RADIANCE_ADD_BAND_11 = 0.10000 REFLECTANCE_MULT_BAND_1 = 2.0000E-05 REFLECTANCE_MULT_BAND_2 = 2.0000E-05 REFLECTANCE_MULT_BAND_3 = 2.0000E-05 REFLECTANCE_MULT_BAND_4 = 2.0000E-05 REFLECTANCE_MULT_BAND_5 = 2.0000E-05 REFLECTANCE_MULT_BAND_6 = 2.0000E-05 REFLECTANCE_MULT_BAND_7 = 2.0000E-05 REFLECTANCE_MULT_BAND_8 = 2.0000E-05 REFLECTANCE_MULT_BAND_9 = 2.0000E-05 REFLECTANCE_ADD_BAND_1 = -0.100000 REFLECTANCE_ADD_BAND_2 = -0.100000 REFLECTANCE_ADD_BAND_3 = -0.100000 REFLECTANCE_ADD_BAND_4 = -0.100000 REFLECTANCE_ADD_BAND_5 = -0.100000 REFLECTANCE_ADD_BAND_6 = -0.100000 REFLECTANCE_ADD_BAND_7 = -0.100000 REFLECTANCE_ADD_BAND_8 = -0.100000 REFLECTANCE_ADD_BAND_9 = -0.100000 END_GROUP = RADIOMETRIC_RESCALING GROUP = TIRS_THERMAL_CONSTANTS K1_CONSTANT_BAND_10 = 774.89 K1_CONSTANT_BAND_11 = 480.89 K2_CONSTANT_BAND_10 = 1321.08 K2_CONSTANT_BAND_11 = 1201.14 END_GROUP = TIRS_THERMAL_CONSTANTS GROUP = PROJECTION_PARAMETERS MAP_PROJECTION = "UTM" DATUM = "WGS84" ELLIPSOID = "WGS84" UTM_ZONE = 17 GRID_CELL_SIZE_PANCHROMATIC = 15.00 GRID_CELL_SIZE_REFLECTIVE = 30.00 GRID_CELL_SIZE_THERMAL = 30.00 ORIENTATION = "NORTH_UP" RESAMPLING_OPTION = "CUBIC_CONVOLUTION" END_GROUP = PROJECTION_PARAMETERS END_GROUP = L1_METADATA_FILE END
60
Anexo 4. Transformación a valores de reflectancia espectral
Fuente: El autor
Anexo 5. Transformación a valores de radiansa en el techo de la atmosfera
Fuente: El autor
61
Anexo 6. Mapa de uso de la tierra
62
Anexo 7. Mapa de temperatura superficial
63
Anexo 8. Mapa de déficit hídrico satelital
64
Anexo 9. Fotos uso de la tierra
a) Plantación forestal
b) Erial / sin cobertura
65
c) Pastos
d) Páramo
66
e) Cultivo
f) Mosaico agropecuario
67
Anexo 10. Fotos déficit hídrico
a) Déficit hídrico alto
b) Déficit hídrico moderado
68
c) Déficit hídrico leve
d) Sin presencia de déficit hídrico