Chuvieco - Fundamen de Teledeteccion

CAPTULO 4
BASES PARA LA INTERPRETACIN DE IMGENES

DE TELEDETECCIN
ste es un infeliz que viene perdido y es necesario socorrerle, pues todos los forasteros y pobres son de Zeus y un exiguo
don que se les haga le es grato.
HOMERO, Odisea
Como ya sealbamos en la introduccin, el objeto de esta obra es facilitar el

acceso a una tcnica que puede ser muy fructfera en la mejor comprensin de diversos fenmenos ambientales. Por tanto, se ha puesto ms el nfasis en la interpretacin que en las tcnicas para la obtencin de las imgenes. Los captulos previos se
dirigen precisamente a facilitar esa interpretacin, de tal forma que cada uno pueda
extraer informacin relevante de las imgenes espaciales en su propio mbito de inters. En este captulo se presentan algunas ideas introductorias, que pueden ser tiles en el momento de proyectar una aplicacin temtica a partir de los datos suministrados por sensores espaciales. Parece lgico que antes de abordar la interpretacin
propiamente dicha se consideren una serie de cuestiones de cara a mejorar la organizacin de un proyecto que requiera de esta tcnica. Los aspectos ms destacados hacen referencia al tipo de sensor o de tratamiento ms conveniente para la aplicacin
que se persigue.
En la organizacin de un proyecto las decisiones se basarn principalmente en
6 aspectos: 1) los objetivos del proyecto, y 2) los medios disponibles para su realizacin. Lgicamente, los objetivos del trabajo orientan la mayor parte de las
decisio-" consiguientes, cmo son las relativas al tipo de informacin necesaria, a
su exactitud de escala y nivel de desagregacin. Por su parte, los medios disponibles
implican equilibrio lo deseable y lo posible, restringiendo el mtodo ms idneo
para abordar objetivos marcados, ya sea en lo que se refiere a las imgenes
disponibles Para el anlisis, ya a los medios para su interpretacin (fig. 4.1).
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN
157
do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo

de estudios en donde la teledeteccin espacial est reconocida como una fuente primaria
de informacin, como son la cartografa de la cobertura del suelo, estadstica agraria, exploracin minera, temperatura y componentes del agua, determinacin de recursos pesqueros, evaluacin de ciertos impactos ambientales y prediccin meteorolgica, entre
otros. Otra serie de aplicaciones se encuentran an en fase de experimentacin, como es
el caso de la estimacin de biomasa en cultivos, el inventario del volumen de nieve, la
deteccin de contaminantes o los clculos demogrficos. Por ltimo, otros proyectos
son an inviables con los sensores actuales, ya sea por el nivel de precisin que exigen
(inventario ganadero o de animales silvestres), ya por falta de la resolucin espacial,
temporal o espectral necesaria (deteccin operativa de incendios, deteccin de aerosoles). En cualquier caso, una inspeccin a la amplia bibliografa disponible evitar concebir esperanzas irreales y realizar gastos innecesarios.
1.2. EL COSTE DE LA INFORMACIN GEOGRFICA
Otro aspecto que dificulta el dilogo entre usuarios o potenciales clientes de
la teledeteccin es la frecuente percepcin en estos ltimos de que se trata de una tcnica cara, que requiere inversiones elevadas, o implica procedimientos de trabajo
que se apartan de los mecanismos de produccin ya establecidos. Adquirir una imagen IKONOS, por ejemplo, resulta una fuerte inversin si lo comparamos con adquirir fotografas areas de similar escala. Ahora bien, adems de que los costes de estas
imgenes de alta resolucin bajarn en un inmediato futuro con la llegada de otros
sensores de similares prestaciones, cuando se comparan costes con la fotografa
area no se consideran los propios de la planificacin y ejecucin del vuelo, ni lo que
supone la oportunidad de tener los datos en un momento determinado y con un
formato especfico. Algunos autores han planteado comparaciones entre las dos
fuentes de informacin, siendo claramente ventajosa la teledeteccin cuando nos
referimos a espacios suficientemente grandes (Martnez Vega, 1996; O'Connell y
Lachman, 2001).
En cualquier caso, aunque la inversin sea objetivamente costosa, no hemos
de perder de vista que no disponer de ella puede resultar, a la larga, mucho ms
caro, pues la falta de informacin implica decisiones que pueden ser poco adecua
das, mientras una planificacin acertada del territorio supone a la larga grandes
beneficios, tambin econmicos. Adems, y en el caso de la gestin de desastres na
turales, la falta de datos puede acentuar las consecuencias catastrficas de estos
eventos, anular o hacer ineficaces las medidas de mitigacin, y dificultar la recupe
racin de esos espacios (Baker, 2001).
'
1.3.
EL DILOGO CON LOS USUARIOS
Si la teledeteccin no ha penetrado con mayor fuerza en muchos mbitos de la

gestin territorial, tambin puede deberse a que los interesados por esta tcnica no hemos sabido resolver satisfactoriamente las necesidades reales de los destinatarios,
156
TELEDETECCIN AMBIENTAL
Costes
Equipos
Nivel de
exactitud
Nmero de
imgenes
Escala
Mtodo de
interpretacin
Nivel de
desagregacin
Duracin
Sensor
FlG. 4.1. La interpretacin de imgenes en teledeteccin implica tomar una serie de

decisiones que optimicen los objetivos perseguidos en funcin de los medios disponibles.
1. Limitaciones para el empleo de la teledeteccin

1.1. INFORMACIN QUE BRINDAN LAS IMGENES
Cualquier usuario novicio de la teledeteccin debera tener presente que es una
tcnica con limitaciones, vlida para resolver un determinado nmero de problemas.
No es, como se ha concebido en algunos ambientes, una panacea que solucione todas
las necesidades de informacin sobre el medio ambiente que se requieren actualmente.
Falsas expectativas pueden conducir a falsas conclusiones, arribando al polo opuesto;
esto es, a concebir la teledeteccin espacial como una tcnica ms vistosa que eficaz.
Para evitar uno y otro extremo, cualquier proyecto de aplicacin debera comenzar
cuestionndose si esta tcnica puede solventar el objetivo marcado, y si la informacin
que sta ofrece no es obtenible por otros medios ms rpidos o econmicos.
La respuesta no siempre es sencilla. El rango de aplicaciones de la teledeteccin
est en constante crecimiento, gracias a las innovaciones en los equipos sensores y en los
mtodos de tratamiento. Sin embargo, parece lgico que un trabajo de aplicacin se base
sobre un soporte previo, en donde diversos proyectos de investigacin hayan demostra-
157
do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo

de estudios en donde la teledeteccin espacial est reconocida como una fuente primaria
de informacin, como son la cartografa de la cobertura del suelo, estadstica agraria, exploracin minera, temperatura y componentes del agua, determinacin de recursos pesqueros, evaluacin de ciertos impactos ambientales y prediccin meteorolgica, entre
otros. Otra serie de aplicaciones se encuentran an en fase de experimentacin, como es
el caso de la estimacin de biomasa en cultivos, el inventario del volumen de nieve, la
deteccin de contaminantes o los clculos demogrficos. Por ltimo, otros proyectos
son an inviables con los sensores actuales, ya sea por el nivel de precisin que exigen
(inventario ganadero o de animales silvestres), ya por falta de la resolucin espacial,
temporal o espectral necesaria (deteccin operativa de incendios, deteccin de aerosoles). En cualquier caso, una inspeccin a la amplia bibliografa disponible evitar concebir esperanzas irreales y realizar gastos innecesarios.
1.2. EL COSTE DE LA INFORMACIN GEOGRFICA
Otro aspecto que dificulta el dilogo entre usuarios o potenciales clientes de
la teledeteccin es la frecuente percepcin en estos ltimos de que se trata de una tcnica cara, que requiere inversiones elevadas, o implica procedimientos de trabajo
que se apartan de los mecanismos de produccin ya establecidos. Adquirir una imagen IKONOS, por ejemplo, resulta una fuerte inversin si lo comparamos con adquirir fotografas areas de similar escala. Ahora bien, adems de que los costes de estas
imgenes de alta resolucin bajarn en un inmediato futuro con la llegad^ de otros
sensores de similares prestaciones, cuando se comparan costes con la fotografa
area no se consideran los propios de la planificacin y ejecucin del vuelo, ni lo que
supone la oportunidad de tener los datos en un momento determinado y con un
formato especfico. Algunos autores han planteado comparaciones entre las dos
fuentes de informacin, siendo claramente ventajosa la teledeteccin cuando nos
referimos a espacios suficientemente grandes (Martnez Vega, 1996; O'Connell y
Lachman, 2001).
En cualquier caso, aunque la inversin sea objetivamente costosa, no hemos
de perder de vista que no disponer de ella puede resultar, a la larga, mucho ms
caro, pues la falta de informacin implica decisiones que pueden ser poco adecua
das, mientras una planificacin acertada del territorio supone a la larga grandes
beneficios, tambin econmicos. Adems, y en el caso de la gestin de desastres na
turales, la falta de datos puede acentuar las consecuencias catastrficas de estos
eventos, anular o hacer ineficaces las medidas de mitigacin, y dificultar la recupe
racin de esos espacios (Baker, 2001).
'
1.3. EL DILOGO CON LOS USUARIOS
Si la teledeteccin no ha penetrado con mayor fuerza en muchos mbitos de la
gestin territorial, tambin puede deberse a que los interesados por esta tcnica no hemos sabido resolver satisfactoriamente las necesidades reales de los destinatarios,
158
bien por falta de capacidad en los sistemas sensores disponibles, bien por no comprender adecuadamente esas necesidades. En el primer caso, estaran aquellas aplicaciones
de la teledeteccin que todava requieren una mejora en la resolucin espacial, espectral o temporal de los sensores para cumplir los requisitos operativos de los gestores.
Por ejemplo, para utilizar operativamente la teledeteccin espacial en las tareas de deteccin de incendios se requerira una frecuencia de adquisicin de imgenes que slc
proporcionan actualmente los satlites meteorolgicos, pero a un nivel de detalle excesivamente grosero. Por tanto, si se plantea emplear esta tcnica como alternativa
realista a la vigilancia terrestre necesitamos contar con un sistema espacial diseadc
ad hoc para esta finalidad, que satisfaga las necesidades reales de esta comunidad de
usuarios. se es el planteamiento del sistema Fuego, que desarrolla la empresa espaola Insa (www.insa.es/fuego.html), y constituye uno de los pocos ejemplos de sistemas de teledeteccin diseados para una aplicacin concreta. Otro, bastante obvio, sera la prediccin del tiempo, que cuenta desde los aos sesenta con satlites especficos. En el futuro, con la reduccin de precios de los sistemas sensores y de las plataformas espaciales, pensamos que el diseo de misiones especficas puede hacer de la tele
deteccin una herramienta plenamente operativa en mltiples aplicaciones.
En cuanto a posibles problemas de comunicacin con las comunidades de usuarios
se est enfatizando en los ltimos aos la importancia de implicarlos en cualquier pro
yecto de investigacin y desarrollo, pues facilitan una orientacin de gran inters pan
poner esas tareas en un contexto ms realista. No cabe duda de que en muchas ocasione;
la falta de inters de los posibles destinatarios por la teledeteccin puede venir dada po
nuestra incapacidad para entender bien sus necesidades, y la consecuente insistencia ei
ofrecerles productos que no resuelven adecuadamente sus problema* operativos. Po
ejemplo, y siguiendo con el ejemplo anterior, los gestores de la prevencin y el combat
de incendios forestales difcilmente entendern que les ofrezcamos una cartografa de
peligro de incendio exclusivamente a partir de teledeteccin, cuando nos estamos refi
riendo, en el mejor de los casos, a una sola variable relacionada con el peligro (el estad
hdrico de la vegetacin), dejando a un lado otras variables crticas en el inicio y desarro
lio de un incendio, como pueden ser el viento o la humedad relativa del aire que son, hoy
por hoy, difcilmente generables a partir de teledeteccin. Probablemente, sera ms f
cil que estos usuarios potenciales aceptaran el inters de la tcnica si les ofrecemos ni
camente lo que podamos generar a partir de las imgenes, subrayando el inters de inte
grar esa informacin con la procedente de otras fuentes.
2. Variables y tipos de interpretacin
Sintetizando mucho las cosas, puede afirmarse que las imgenes de satlite no
facilitan dos tipos de variables (Jensen, 2000):
Primarias, aquellas que se relacionan directamente con los datos obtenido
por el sensor; esto es, que influyen primariamente en la seal registrada en la imagen
Secundarias (Jensen las denomina hbridas), que se derivan de las primera
mediante algn tipo de conceptualizacin.
159
Las variables primarias son exclusivamente cuantitativas, ya que la seal recogida por el sensor corresponde a una variable numrica (radiancia espectral, altura),
que est, a su vez, influida por esas variables biofsicas. Por ejemplo, la temperatura
modifica la radiancia emitida en el IRT, por lo que la seal que el sensor recoge en esa
banda del espectro ser una funcin de la temperatura y, en definitiva, sta ser
extrable de aqulla (como veremos en cap. 6, apdo. 6.2.4). Lo mismo podemos
decir de otras variables que explican directamente la reflectividad o la emitancia de
una cubierta (clorofila, contenido de agua, evapotranspiracin, composicin
mineralgica, humedad, etc.). Cuando el sistema de teledeteccin utiliza otras
tecnologas pueden detectarse tambin variables de posicin y altura (a partir de
estreo-restitucin, de interfe-rometra o de sensores lidar, por ejemplo).
Por su parte, las variables secundarias corresponden a un segundo nivel de abstraccin, realizado habitualmente mediante una elaboracin de varias de las anteriores. Por ejemplo, podemos deducir el grado de estrs hdrico de las plantas a partir de
medir su contenido de agua, de clorofila o temperatura, pero el estrs en s no se mide
directamente. De igual forma, la identificacin de una determinada cobertura del suelo
viene dada por medir su reflectividad en distintas bandas del espectro, junto a sus propiedades texturales y espaciales (forma, tamao, etc.).
Esta discusin nos lleva a plantear los distintos tipos de interpretacin que pueden aplicarse a una imagen adquirida por teledeteccin, segn el tipo de documento
que quiere obtenerse. A nuestro juicio, a partir de una imagen se pueden generar cuatro
tipos de productos (fig. 4.2):
1. Cartografa temtica. Se tratara, en este caso, de asignar cada elemento de
la imagen en una categora homognea, ya sea mediante interpretacin visual o digital.
En pocas palabras, este enfoque tiene por objetivo etiquetar cada pxel en la clase temti
ca ms apropiada. sta ha sido la aplicacin ms comn del anlisis de imgenes, en cla
ra herencia de la foto-interpretacin clsica. Ya desde los primeros aos de vida del sen
sor Landsat-MSS, las aplicaciones ms comunes de estas imgenes se dirigan a obtener
el inventario y cartografa de un determinado fenmeno: cobertura del suelo, litologas,
tipos de nieve, etc. Suponiendo que la asignacin de pxeles a categoras sea correcta,
este enfoque presupone que cada pxel es homogneo ya que se etiqueta con un slo
valor y, por tanto, se asume de alguna manera que existen transiciones bruscas en el
espacio. Supongamos que un pxel se cataloga como arbolado y el vecino como mato
rral; lo habitual ser que en el terreno ambos cuenten con las dos cubiertas, en mayor o
menor proporcin, pues los cambios de vegetacin son graduales. Aunque los mtodos
ms recientes de clasificacin permiten asignaciones mltiples (cap. 7, apdos. 1.6.3 y
2.3.7), es obvio que cualquier intento de agrupacin implica una particin ms o menos
rgida del espacio, con el riesgo que eso lleva consigo en variables* muy continuas en el
terreno.
2. Un segundo enfoque considera a las imgenes de satlite como una matriz de
medidas numricas de'una variable de inters, por lo que podran utilizarse para obtener
una representacin espacial de dicha variable (las que hemos denominado primarias), o
de alguna relacionada con ella (variables secundarias). Bajo esta ptica, la exploracin
que realizan los equipos sensores se concibe como un procedimiento para muestrear sis
temticamente una determinada variable de inters ambiental. La densidad del muestreo
160
Clasificacin
Categorizacin-Fronteras
Modelos
Variable continua
Deteccin de cambios
Intensidad y sentido
4 4
4 4
4 4 4 4
4 4 4
4 4
4 4
V
44
te
Posicin
Densidad
Conexin
Estructura-Mediciones
FiG. 4.2.
Tipos de anlisis que pueden abordarse en una imagen de satlite.
vendra marcada por la resolucin espacial del sensor (cada cuntos metros tenemos un
dato). Aun en el caso de los satlites meteorolgicos de peor resolucin espacial, ese
muestreo es mucho ms denso que el que puede realizarse desde sensores terrestres. El
caso ms evidente es el estudio de la temperatura de la superficie marina. Previamente a
la actividad de los satlites oceangraficos slo se realizaban mediciones en puntos muy
distantes (boyas, perfiles a partir de buques), interpolndole esos valores al resto de la
superficie marina. Con la observacin espacial pueden obtenerse mediciones de la temperatura, la salinidad o la clorofila del agua a intervalos regulares y relativamente cercanos (aproximadamente 1 km en el caso del AVHRR o del Seawifs: fig. 10*), ofreciendo
una imagen mucho ms certera de la realidad. En este enfoque de interpretacin, la teledeteccin se orienta a generar variables biofsicas, mediante algn modelo que relacione
las medidas del sensor (reflectividad, emitancia) con dichas variables (cap. 7, apdo. 1).
Obviamente, este enfoque slo est disponible cuando tenemos informacin digital y
calibrada, esto es cuando hay una relacin consistente entre los datos de la imagen y una
161
variable fsica determinada (radiancia espectral, ordinariamente). No est disponible,

por tanto, con sensores fotogrficos, en donde el tono slo refleja de modo cualitativo la
energa detectada originalmente por el sensor.
3. Determinacin de cambios. Como ya hemos indicado, una de las principa
les ventajas de la teledeteccin espacial es su capacidad para seguir fenmenos din
micos, gracias a la cobertura cclica que proporcionan. Esta capacidad resulta de gran
inters para inventariar ciertos procesos ambientales: crecimiento urbano, desecacin
de humedales, efectos de incendios o plagas, etc. Bajo esta ptica, el fin del anlisis no
es tanto establecer fronteras entre categoras, como sealar aquellas zonas de la ima
gen que han modificado sensiblemente sus rasgos espectrales entre dos o ms fechas.
Esa deteccin de cambios poda hacerse sobre imgenes previamente clasificadas o,
de modo ms habitual, sobre transformaciones de las bandas originales. En este segun
do caso, el cambio puede medirse en una escala continua, ya que las imgenes de par
tida son cuantitativas y por tanto las tcnicas aplicadas pueden tambin serlo (dife
rencias o cocientes entre fechas, regresin, componentes principales: cap. 7, apdo. 3).
4. Finalmente, las imgenes de satlite pueden tambin considerarse como una
representacin del mosaico espacial de un determinado territorio, por lo que serviran
asimismo para medir las relaciones geogrficas entre las manchas que lo forman. Bajo
este punto de vista, la imagen nos permitira mediar la textura o diversidad espacial de
la ocupacin del suelo, la forma de las parcelas, sus conexiones espaciales, etc., apro
vechando el carcter digital de la imagen (cap. 7, apdo. 4).
3. Organizacin de un proyecto de teledeteccin
Supuesto que el objetivo de nuestro trabajo sea abordable a partir de sensores espaciales, deben definirse una serie de aspectos para explicitar el tipo de informacin y
de tratamiento que se aplicar en el proyecto. En este sentido conviene considerar, entre otros aspectos, qu sensor resulta ms adecuado para los requisitos solicitados,
cuntas imgenes se requieren, de qu fechas, qu mtodos de anlisis se aplicarn, y
qu papel tendrn los trabajos de campo.
3.1. DEFINICIN DE OBJETIVOS
La definicin de objetivos resulta crucial a la hora de plantear un proyecto de teledeteccin, ya que los requisitos marcan notablemente las decisiones que habr que
tomar sobre el material ms idneo para conseguirlos (sensor, nmero de imgenes,
fechas, etc.) y la metodologa de trabajo.
Resulta frecuente, especialmente en el entorno de la actividad empresarial, que el
usuario de la teledeteccin se vea obligado a organizar un proyecto de trabajo en funcin de unos objetivos que le vienen dados. Dicho en otras palabras, el intrprete de las
imgenes tiene que tomar una serie de decisiones para cumplir unos requisitos emanados de la institucin a la que debe presentar ese trabajo, la Administracin en sentido
amplio u otra empresa, habitualmente en forma de pliego de condiciones del proyecto.
En esos casos, este epgrafe resultar superfluo, y el lector puede moverse di-
162
rectamente a los siguientes, ya que poco podr decidir sobre los objetivos del proyecto. En cambio, si se trata de un proyecto de investigacin, en donde comnmente es el
propio intrprete el que plantea las metas a alcanzar, la lectura de estos prrafos puede
ayudar a plantear esos objetivos con mayor eficacia. Como criterio general, conviene
subrayar la importancia de que los objetivos de un proyecto se adapten a las posibilidades de los datos que se van a emplear en su desarrollo. El comentario puede parecer
obvio, pero en la prctica no lo es tanto, ya que en muchas ocasiones se han planteado
proyectos de teledeteccin poco realistas, que no contemplaban las limitaciones inherentes a la tcnica o a los sensores especficos que haba disponibles en esos momentos. Como antes hemos comentado, algunos usuarios, llevados de un cierto desconocimiento o de un inters comercial poco prudente, han podido vender falsas expectativas
respecto a la calidad de la informacin que ofrecen los sensores remotos, lo que implica una remora para el desarrollo futuro de esta tcnica. Cuando se plantea un proyecto
de investigacin, su nombre ya lo indica, intentamos validar nuevos mtodos, datos o
aplicaciones, con una cierta posibilidad de que no conduzcan a avances significativos:
a veces se olvida que comprobar que la hiptesis de partida no funciona es tan cientfico como verificarla. En consecuencia, en estos casos puede aceptarse un margen de incertidumbre y fracaso, pero no sera prudente plantear un proyecto de investigacin
como una aplicacin ya consolidada, obviando los aspectos no resueltos, que van a
condicionar notablemente los resultados.
La confusin entre aplicaciones operativas y experimentales puede marginar el
empleo de la teledeteccin en instituciones que de otro modo estaran abiertas a emplear
esta tcnica. En consecuencia, nos parece muy importante que se planteen unos objetivos realistas, bien fundados sobre bibliografa de referencia, y adaptados a la resolucin
espacial, espectral y temporal de los sensores que tendremos disponibles. La definicin
de objetivos hace referencia no slo al propsito genrico del trabajo (p. ej., realizar un
inventario de cultivos), sino tambin a sus especificaciones: a qu escala, con qu nivel
de desagregacin, con qu exactitud, en cunto tiempo, a qu coste..., etc.
3.2. ESCALA Y LEYENDA DE TRABAJO
La escala y el nivel de desagregacin estn ntimamente relacionados. Como es
lgico, las escalas grandes requerirn leyendas mucho ms detalladas que las escalas
pequeas, donde no tendr sentido intentar distinguir un nmero elevado de clases: la
necesaria generalizacin de lneas en mapas de pequea escala exige tambin una generalizacin de las categoras cartografiadas.
La escala del trabajo condiciona tambin la unidad ms pequea de informacin
que se debe incluir en un mapa temtico, que suele denominarse mnima unidad cartografiable (MUC). Varios autores recomiendan que la MUC no sea inferior a 4 mm2,
medidos a escala del mapa (Anderson et al, 1976; Campbell, 1996). De ah que la escala de trabajo est directamente relacionada con el tipo de sensor ms idneo para
abordar el mismo (Robin, 1998: fig. 4.3). No tendra sentido realizar una cartografa a
escala 1:50.000 utilizando el sensor AVHRR del NO A A, pues la MUC sera de, aproximadamente, 2 x 2 cm (1 km2 a esa escala). De igual forma, no sera muy razonable
abordar un estudio de pequea escala (p. ej., 1:1.000.000) a partir del sensor Land-
163
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION

Tamao
del pxel
Tamao de la MUC
(4 mm2)
80-
50-
302010
Escala de anlisis
100
FlG. 4.3.
500
1.000
5.000
10.000
50.000
100.000
Relaciones entre resolucin y tamao de la MUC. (Adaptado de Robin, 1998.)
sat-TM, pues habran de generalizarse luego los resultados, lo que no justificara la inversin inicial. De acuerdo con la Asociacin Cartogrfica Internacional, las escalas
lmite ms idneas para algunos sensores son (ampliado de Lpez Vizoso, 1989/?):
NOAA-AVHRR
Landsat - MSS
Landsat - TM
Spot - HRV (Pan)
IRS-1C (Pan)
Ikonos (XS)
Ikonos(P)
1:2.000.000
1:200.000
1:100.000
1:50.000
1:25.000
1:25.000
1:10.000
No conviene confundir la MUC con el tamao del mnimo objeto que puede observarse en la imagen. Obviamente, aqulla tiene que ser mucho ms grande que ste,
de lo contrario el riesgo de error aumenta considerablemente. En este sentido conviene
distinguir entre los conceptos de identificacin y deteccin, bastante empleados en
anlisis visual de imgenes (entre otros, puede verse Robin, 1998). La identificacin
hace referencia al reconocimiento de las caractersticas de un determinado objeto, que
nos permite caracterizarlo en sus formas y superficies reales, mientras la deteccin
slo implica determinar su existencia. Lgicamente, la primera tarea requiere mucho
ms resolucin espacial que la segunda, pues slo ser reconocible algo con un tamao
muy superior al del pxel (al menos 5 veces superior, segn la mayor parte de los autores), mientras puede ser incluso inferior al tamao del pxel para ser detectado. Por
ejemplo, puede determinarse la presencia de un ro en una imagen, incluso si es de anchura inferior a la resolucin espacial, gracias al fuerte contraste en la absorcin del
164
FIG. 4.4. Dos imgenes del ro Henares, en las proximidades de Alcal, a 15 m de resolucin
en la parte superior, y a 180 m en la inferior. En la primera puede identificarse el ro,
en la segunda slo detectarse.
agua, que har bajahla reflectividad de los pxeles por los que discurre. Sabremos que
est all, pero no podremos medir su anchura o forma, que slo ser perceptible a partir
de imgenes ms precisas (fig. 4.4). En consecuencia, si lo que se pretende es interpretar rasgos especficos de la imagen, su tamao medio marcar el nivel mnimo de resolucin que puede admitirse en una imagen. Por ejemplo, no parece adecuado adquirir
165
imgenes de un sensor de resolucin media para anlisis urbano, donde ser inevitable
contar con alta resolucin espacial.
Con la generalizacin del empleo de imgenes de satlite en distintas aplicaciones
cartogrficas, va siendo cada vez ms frecuente que distintos proyectos temticos se basen en esta informacin. Esto nos permite encontrar diversos ejemplos de proyectos
cartogrficos a distintas escalas realizados a partir de teledeteccin. Entre ellos, podemos citar desde escalas globales, que cubren todo el planeta, normalmente con resoluciones entre 1 x 1 km y 0,5 x 0,5 grados, y se basan en imgenes NOAA-AVHRR,
SPOT-Vegetation o Terra-Modis (Ahern et al, 2001; DeFries y Townshend, 1994),
hasta inventarios regionales, con escalas prximas a 1:100.000, que cubren pases o continentes, basados en imgenes Landsat-TM o SPOT-HRV (European Commission,
1993). El trabajo de Martnez (1996) analiza diversos proyectos cartogrficos a escala
global, nacional y regional llevados a cabo con imgenes de satlite en distintos mbitos
geogrficos.
En lo que se refiere a la leyenda de la cartografa temtica, conviene indicar que
no slo est en funcin de la escala, sino tambin de la complejidad del territorio.
Como consecuencia, ha sido prctica habitual en algunos inventarios (como, por
ejemplo, en la cartografa de ocupacin del suelo) emplear una leyenda particular para
cada zona de estudio, bien adaptada a las necesidades locales, pero con escasa validez
para otros mbitos. Por ejemplo, hace algunos aos tuvimos ocasin de analizar una
muestra de 28 trabajos relacionados con la cartografa de ocupacin del suelo a partir
de teledeteccin, notando que ninguno presentaba criterios comunes para el establecimiento de la leyenda (Chuvieco, 1985>). Las clases ms repetidas eran agua la ms
fcil de discriminar a partir de sensores espaciales, rea urbanizada, cultivada y forestal, aunque en estas ltimas se realizaban mltiples divisiones, segn los objetivos
especficos del inventario Esta falta de criterios comunes dificulta la generalizacin de
resultados a otros espacios, e invalida cualquier intento de cartografa sistemtica del
territorio.
En caso de que la leyenda no sea un requisito previo al trabajo (esto es, que no estn fijadas apriori las categoras que quieren discriminarse), el intrprete debera cuidar mucho este aspecto, de tal forma que las clases establecidas tengan coherencia entre s, y con las herramientas que vamos a utilizar en el anlisis. En este sentido es especialmente importante que la leyenda no incluya clases que puedan solaparse entre s,
y que recoja toda la variacin posible que haya en el rea de estudio. En definitiva, que
las clases sean mutuamente excluyentes y exhaustivas, propiedades obvias, pero no
por ello umversalmente respetadas, de cualquier tipologa de clasificacin. Es frecuente observar que se mezclan criterios a la hora de definir las clases de una determinada leyenda, lo que implicar un cierto margen de aleatoriedad en el proceso. Por
ejemplo, la clase matorral en ladera implica mezclar dos temas distintos: cobertura y
emplazamiento, y no resulta una categorizacin exhaustiva, ya que no podramos asignar el matorral que se presente en otros mbitos geomorfolgicos. Las clases pinar de
repoblacin y pinar sobre calizas no son excluyentes, pues puede haber lgicamente
pinar de repoblacin situado sobre calizas.
De cara a establecer leyendas ms robustas se han planteado diversas propuestas de
clasificacin, que incorporan un carcter jerrquico, eso permite adaptar distintos niveles de detalle (desagregacin de clases) en funcin de la calidad de los datos disponibles.
166
Un ejemplo de este tipo de leyendas es la diseada por el U.S. Geological Survey en 1976, especficamente concebida para el empleo de sensores remotos (Anderson et al, 1976). Se trataba de una leyenda de uso y ocupacin del suelo, organizada
en cuatro niveles jerrquicos, cada uno de los cuales se pretenda obtener a partir de
diversos medios de teledeteccin: imgenes de satlite para el nivel ms general, y
fotografa area de gran escala, en combinacin con el trabajo de campo, para las
clases ms detalladas. Esta clasificacin resultaba flexible, poda aplicarse a espacios muy contrastados, y garantizaba la integracin entre campos afines de inventario medioambiental. El principal problema que presentaba, a nuestro juicio, era la
inclusin en el mismo esquema de clases de uso y de ocupacin del suelo,1 lo que origina ambigedad en el proceso de clasificacin. Por ejemplo, un mismo objeto o grupo
de ellos podran asignarse a varias categoras de acuerdo a su consideracin como uso
u ocupacin: canteras (uso) y roquedo desnudo (ocupacin), o dehesa (uso) y
pastizal arbolado (ocupacin). Como es lgico, los sistemas de teledeteccin slo
permiten realizar cartografa de la ocupacin del suelo, ya que la seal detectada por
el sensor corresponde a los objetos que aparecen en la superficie terrestre, y no necesariamente al uso al que se destinan. El uso podra ser deducido por el intrprete en
algunos casos (por ejemplo, a partir de una cubierta de cultivos se infiere fcilmente
un uso agrcola), pero no en otros (a partir de una cubierta de matorral no puede deducirse si el uso es ganadero o cinegtico).
Pese a este problema, el trabajo de Anderson y colaboradores ha sido enormemente fructfero, y base para otros intentos similares. ste es el caso de la leyenda diseada para el programa CORINE-Land Cover (tabla 4.1), realizada especficamente
para trabajar con imgenes de satlite. Este proyecto forma parte de las bases de datas
que se han generado para la Agencia Europea de Medio ambiente, y pretenda inventariar la ocupacin del suelo de los pases miembros a escala 1:100.000 a partir de interpretacin visual (auxiliada con anlisis digital) de imgenes de satlite. El proyecto, al
que ms tarde se unieron los pases de la antigua Europea oriental y algunos del norte
de frica, puede calificarse como una de las primeras aplicaciones operativas de la teledeteccin espacial (descontando, naturalmente, las meteorolgicas), ya que est
concebido para generar un inventario sistemtico de la cobertura del suelo de un amplio territorio (European Commission, 1993; Lpez Vizoso, 1989a; Moreira y Fernndez-Palacios, 1995; Mounsey, 1991). La leyenda incluye tambin un enfoque jerrquico, de tal manera que cada pas pueda enriquecer un esquema comn de partida en
funcin de sus propias necesidades, a la vez que se mantiene una coherencia entre pases para asegurar que los resultados sean comparables. En estos momentos se est iniciando la actualizacin del proyecto Land Cover, con datos del ao 2000 para Espaa.
Frente a la exclusiva interpretacin visual de la primera cartografa, en este segundo
inventario se estn empleando algunas herramientas de interpretacin digital (Smits y
Annoni, 1999).
Otros intentos similares a los del programa Corine-Land Cover se han planteado
en otros pases, aunque tal vez no con la trascendencia internacional de este proyecto.
1. Siguiendo la terminologa anglosajona, distinguimos entre uso y ocupacin del suelo (land use
y land cover, respectivamente), segn nos refiramos a la actividad humana sobre el territorio o a las cubiertas que aparecen sobre l (Chuvieco, 1985>).
TABLA 4.1.
1.
2.
3.
4.
5.
167
Clasificacin propuesta para el proyecto de Ocupacin del suelo de Espaa

(CORINE-Land Cover)*
Superficies edificadas e infraestructuras:
1.1. Zonas urbanas.
1.2. Zonas industriales, comerciales y de transporte.
1.3. Zonas de extraccin minera, vertederos y de construccin.
1.4. Zonas verdes y espacios de recreo.
Zonas agrcolas:
2.1. Tierras de labor anual.
2.2. Cultivos permanentes.
2.3. Praderas.
2.4. Zonas agrcolas heterogneas.
Zonas forestales, con vegetacin natural y espacios abiertos:
3.1. Bosques.
3.2. Espacios de vegetacin arbustiva y/o herbcea.
3.3. Espacios abiertos con poca o nula vegetacin.
Zonas hmedas:
4.1. Humedales continentales.
4.2. Humedales martimos.
Superficies de agua:
5.1. Aguas continentales.
5.2. Aguas marinas.
* Slo se recogen los dos primeros niveles de la clasificacin. En la adaptacin espaola de la leyenda
comunitariase llega, en algunas cubiertas, hasta los cinco niveles.
Por el carcter global, basta finalmente con citar el mapa de cobertura def suelo de
todo el planeta realizado por uno de los grupos de trabajo del programa IGBP (International Geosphere Biosphere Program) a partir de imgenes NOAA-AVHRR (DeFries
y Townshend, 1994). Actualmente se est actualizando esta cartografa a partir de
imgenes MODIS y vegetacin.
Sea una u otra la lista de categoras finalmente empleada, conviene recordar que
el nivel de detalle que ofrece la leyenda se relaciona estrechamente con el riesgo de
error, por cuanto es altamente probable que cualquier subdivisin implique separar categoras muy similares espectralmente. Caso de que esa ulterior divisin no sea abordable a partir de las imgenes o del mtodo de interpretacin propuesto, deber el
usuario ajustar alguno de los dos parmetros: bien hacia una leyenda ms generalista,
bien hacia imgenes o mtodos de tratamiento ms refinados.
3.3. SELECCIN DE LOS MATERIALES
Una vez establecida leyenda y escala de trabajo puede abordarse la eleccin del
material qu&vconstituir la base del estudio. A este respecto conviene considerar varios
elementos: tipo de sensor, fecha de adquisicin, soporte de las imgenes y material
auxiliar.
168
3.3.1.
Tipo de sensor
Como ya se ha indicado, el tipo de sensor ms conveniente depende de los objetivos y el nivel de precisin requerido en el proyecto. Lgicamente, los inventarios globales habrn de partir de sensores de baja resolucin espacial (tipo NOAA-AVHRR c
Meteosat), mientras los de mayor escala se basarn en sensores que ofrecen una resolucin espacial ms detallada (IRS o IKONOS).
No obstante, en otros casos la resolucin espacial resulta secundaria frente a la
temporal o espectral. Por ejemplo, si el fenmeno estudiado es muy dinmico en el
tiempo, como sera el caso de la deteccin de incendios forestales o la prediccin de
cosechas, convendr acudir a sensores de alta resolucin temporal (como el AVHRR).
aun sacrificando fiabilidad espacial. En otras ocasiones, la dimensin espectral ser
dominante, por lo que convendr acudir a sensores que ofrezcan informacin en aquellas bandas del espectro donde se manifieste con mayor claridad el fenmeno de inters. Un buen ejemplo de esta idea sera la exploracin minera a partir de sensores hiperespectrales (Kruse etal, 1993a). En definitiva, la resolucin espacial es un elemento
muy destacado para seleccionar el sensor ms conveniente en cada caso, pero no debe
ser el nico a considerar (cap. 3, apdo. 2).
3.3.2.
Fecha de adquisicin
La fecha ms conveniente para seleccionar la imagen est en estrecha relacin

con el tipo de fenmeno a estudiar. Lgicamente, el momento ms idneo de adquisicin ser aquel en que mejor se discrimine dicho fenmeno, frente a otros de similar comportamiento espectral. Un anlisis geomorfolgico probablemente requiera
una fecha invernal, al ser mayor el efecto de sombras y, por tanto, ms clara la deteccin de rasgos del relieve. Por el contrario, el inventario de algunos cultivos de regados slo puede realizarse en los meses de verano, julio y agosto en nuestras latitudes, cuando se encuentran en el suelo (naturalmente, otros cultivos de regado, con
otros calendarios fenolgicos, requerirn otras fechas ms apropiadas, caso del viedo, que convendr mejor observarlo a fines de septiembre). En ocasiones resultar
necesario acudir a varias fechas para abordar el estudio: por ejemplo, para seguir el
ritmo de crecimiento de un determinado cultivo, o para estudiar los cambios entre
dos momentos crticos. En estas situaciones conviene construir un calendario fenolgico de esa cubierta y de las que ofrezcan un parecido comportamiento espectral, con objeto de seleccionar las fechas en donde su comportamiento sea ms especfico del resto.
Cuando en estos trabajos de cartografa de la cubierta vegetal se disponga de un
presupuesto escaso puede ser preciso seleccionar una sola fecha, que maximice la separacin entre todas las cubiertas. En ese caso, la eleccin ms conveniente ser una
imagen adquirida erf-el verano, pues en ese momento es mxima la radiancia media
percibida por el sensor, como consecuencia del mayor ngulo de elevacin solar. Adems, en el caso de nuestro clima mediterrneo, la estacin estival coincide con la poca de menor nubosidad y precipitacin, lo que facilita la seleccin de imgenes de este
perodo.
169
Negativo
Convertidor
digital-analgico
Film positivo
Papel positivo
FIG. 4.5.
Soportes ms habituales de los productos fotogrficos.
3.3.3. Soporte de las imgenes
El soporte sobre el que puede realizarse la interpretacin depende del tipo de tratamiento que se aplique. En caso de que se opte por el anlisis visual se requiere resolver tres aspectos: 1) soporte material de la imagen, 2) escala, y 3) nmero de bandas y
combinacin de bandas seleccionada.2
En lo que se refiere al primer aspecto, hasta hace muy pocos aos las entidades
distribuidoras de imgenes ofrecan tres opciones. Las imgenes podan pedirse en pelcula negativo, en pelcula positivo o en papel (fig. 4.5). Todava estos formatos pueden encontrarse para imgenes histricas o para misiones fotogrficas, como algunas
del Space Shuttle. Actualmente, casi todas las empresas que comercializan imgenes
de satlite lo hacen exclusivamente en formato digital: queda, por tanto, al usuario la
labor de convertir esos valores numricos en tonos de gris o color si lo que pretende es
realizar una interpretacin visual de la imagen.
Para los documentos ms antiguos, baste indicar que los negativos permiten ampliaciones muy verstiles, ajustndose a la escala deseada, pero la calidad de la copia
que se obtenga luego en papel es inferior a la adquirida directamente en este soporte.
El film positivo es muy til para reproduccin fotogrfica e impresin de la imagen,
especialmente cuando se trata de composiciones coloreadas de 3 bandas. Por ltimo,
2. Actualmente, cada vez es ms frecuente realizar la interpretacin visual sobre el propio monitor de visualizacion, digitizando directamente los polgonos identificados por el intrprete. En ese caso, el
soporte de la imagen ser la consola, la escala ser variable, en funcin del nivel de magnificacin empleado, y la combinacin de bandas puede modificarse fcilmente por el intrprete.
170
los productos que facilitaban las agencias distribuidoras en papel garantizaban una interpretacin directa de alta calidad, pero resultaba rgida la escala y no admita copias
sucesivas. Cuando se trata de composiciones en color, a partir de los negativos de cada
banda pueden obtenerse tantas combinaciones como requiere el intrprete, mientras el
film positivo o papel deba solicitarse ya con una determinada combinacin de bandas.
Naturalmente, ahora pueden generarse productos en papel a partir de la informacin
digital, mucho mejor adaptados a las necesidades del intrprete, gracias a la creciente
disponibilidad de trazadores grficos en color de amplio formato.
En cuanto al soporte de la informacin digital, hace algunos aos lo ms comn
eran las cintas compatibles con ordenador (CCT), que eran el nico medio viable de
almacenar un volumen importante de datos. Actualmente las tecnologas magnticas
han dejado paso a las pticas y, aunque se siguen utilizando cintas de cartucho (predominantemente las Exabyte) para copias de seguridad, cada vez resulta ms extendido el empleo del CD-ROM, que resulta ms compacto, fiable y econmico, adems de disponerse de lectores y grabadores de consumo generalizado. Recientemente
se han introducido los grabadores de DVD (Digital Video Disk), que puede ser un
soporte alternativo para la distribucin masiva de datos, si bien las imgenes comerciales actualmente disponibles no requieren un almacenamiento superior a la capacidad de un CD-ROM. Tambin ser cada vez ms frecuente la distribucin de imgenes a travs de Internet, facilitando una reduccin en los costes y mayor rapidez en el
envo.
3.4. DECISIN SOBRE EL MTODO DE ANLISIS: TRATAMIENTO VISUAL O DIGITAL?
Como ya se coment ms arriba, las imgenes son adquiridas en formato numrico, gracias a una conversin analgico-digital realizada a bordo del satlite. Por tanto,
el tratamiento digital resulta la opcin de anlisis ms inmediata. Ahora bien, esos valores digitales tambin pueden convertirse a intensidades de brillo o color, con lo que
pueden generarse productos cuasi-fotogrficos, susceptibles de interpretacin visual.
En consecuencia, las imgenes pueden interpretarse digital o visualmente. Cabe
preguntarse cul de los dos resulta ms idneo para explotar adecuadamente el flujo de
datos que la teledeteccin espacial ofrece. La respuesta no resulta sencilla. Simplificando un poco las cosas, pueden sealarse varios aspectos que conviene tener en cuenta antes de tomar una decisin en uno u otro sentido: 1) medios econmicos y humanos
disponibles, 2) rapidez y exactitud exigida, 3) tipo y continuidad de las tareas, 4) homogeneidad de la superficie analizada (fig. 4.6).
La disponibilidad de medios marca el primer criterio de decisin. En muchas ocasiones se asume que cualquier trabajo en teledeteccin espacial exige una considerable inversin de partida, por lo que se obvia una tcnica que podra ser muy til aun en
situaciones de modesto presupuesto. En definitiva, apenas se considera que el anlisis
visual no requiere inversiones econmicas importantes y puede garantizar un nivel de
precisin suficiente para una determinada aplicacin. Por ejemplo, el coste por unidad
de superficie de una imagen en falso color es considerablemente inferior al de la fotografa area, y puede ofrecer una exactitud adecuada (superior al 80 %) para un proyecto de escalas medias o de semi-detalle (menores a 1:50.000). Si se pretende realizar
BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION
Inversin inicial escasa
Inversin elevada
Costes lineales
Costes se reducen con la superficie
Requiere conversin digital analgica
Permite trabajo con informacin original
No precisa alta especializacin
Precisa de especializacin
Buena precisin en clases heterogneas
Baja precisin en clases heterogneas
Restitucin compleja
Correccin geomtrica sencilla y rpida
Inventario tedioso e inexacto
Inventario inmediato
Requiere digitalizacin para conectarse a

un SIG
Conexin directa (formato rster) o vectorizacin (formato vectorial)
Fie 4.6.
171
Ventajas e inconvenientes del anlisis visual frente al digital en la interpretacin

de imgenes.
una cartografa de la ocupacin del suelo a esta escala, la imagen de satlite puede salivar costes y reducir notablemente el tiempo de tratamiento frente a la fotografa area,
que ofrece un detalle tal vez excesivo para la escala final del mapa (Chuvieco y Martnez Vega, 1990). Adems, conviene considerar que varios organismos han publicado
estos ltimos aos coberturas de imgenes de distintas zonas del pas (Martnez Vega,
1997). Por ejemplo, el Instituto Geogrfico Nacional distribuye orto-imgenes en papel de toda Espaa a diversas escalas, y a una fraccin del coste que tienen originalmente. Si la fecha de la adquisicin es adecuada para nuestro trabajo, se ser un punto
de partida muy conveniente.
En situaciones de presupuesto ms desahogado puede abordarse el tratamiento digital de imgenes. El apoyo del ordenador, en principio, garantiza un tratamiento ms
rpido, econmico y, en principio, ms certero, pero requiere una mayor inversin inicial, pese a que los equipos y programas informtiaos que permiten el tratamiento de las
imgenes han reducido en los ltimos aos sensiblemente sus costes.
Esta inversin inicial hace referencia tambin al entrenamiento previo del intrprete. El anlisis visual emplea claves de identificacin similares a la foto-interpretacin clsica (tono, textura, tamao, localizacin, forma, etc.), por lo que no requiere
un entrenamiento previo muy especializado, si bien, como es lgico, precisa una notable agudeza visual y mental, as como la debida experiencia, para obtener resultados
brillantes. El tratamiento digital, por su parte, requiere una buena base estadstica, co-
172
nocimiento de sistemas informticos y lenguajes de programacin. Estos componentes no suelen formar parte de los curricula vigentes en las ciencias de la Tierra, por lo
que puede resultar complejo el acceso al tratamiento digital para personas provenientes de esos campos de aplicacin, aunque conviene considerar que esa base estadstica
e informtica es slo un medio para mejorar la interpretacin, y no un fin en s mismo.
En pocas palabras, el tratamiento digital requiere mayor inversin econmica y
entrenamiento que el anlisis visual. Como contrapartida, proporciona mayor versatilidad, rapidez y exactitud. No obstante, tales ventajas no son absolutas, sino muy
dependientes de la configuracin del equipo disponible, del entrenamiento del intrprete y de la complejidad del rea de estudio. Por ejemplo, la velocidad de proceso
est en funcin del equipo disponible, por lo que no puede afirmarse que todo tratamiento digital sea ms rpido que el visual. El tratamiento digital basado exclusivamente sobre un ordenador personal, sobre imgenes de alta resolucin y aplicado a
zonas muy amplias, puede resultar bastante lento, por el importante volumen de datos a procesar. La misma zona puede ser interpretada visualmente en menos tiempo,
siempre que la escala sea pequea y no se requiera una leyenda excesivamente pormenorizada.
En cuanto a la exactitud, tambin ha de matizarse la superioridad del tratamiento
digital. Varios autores han comprobado la complejidad de clasificar digitalmente cubiertas que ofrecen una gran heterogeneidad espacial. El caso de las reas urbanas es el
ms claro a este respecto (Atkinson et al, 1985; Toll, 1984). Se trata de zonas en donde se mezclan tejados, aceras, asfalto, jardines y espacios abiertos o deportivos. Esta
complejidad puede identificarse visualmente gracias a criterios muy difcilmente traducibles a la clasificacin digital: localizacin, textura, tamao, formas, etc., por lo
que la interpretacin visual ofrecer, en este caso, mayor exactitud que la digital. En
otras categoras, la relacin resulta contraria, ya que el ojo humano no es capaz de detectar variaciones tonales que s son diferenciables numricamente (humedales, transiciones de vegetacin, distintos cultivos...).
Otro elemento a tener en cuenta para elegir la intepretacin visual o digital se refiere al tipo y continuidad de las tareas requeridas en el proyecto. Si el estudio slo precisa un croquis de interpretacin y no una plasmacin cartogrfica, la interpretacin
visual no ofrece inconvenientes. Ahora bien, si se pretende obtener un mapa deben
transferirse todas las lneas que definen las distintas cubiertas a la cartografa base, lo
cual resulta muy tedioso y poco preciso, si no se utilizan restituidores de cierta fiabilidad. El tratamiento digital, por el contrario, permite realizar este proceso con gran rapidez y salvo terrenos muy accidentados elevada precisin, gracias a las tcnicas
de correccin geomtrica de la imagen (cap. 6, apdo. 6.3). Lgicamente, estas correcciones digitales pueden aplicarse como paso previo a la interpretacin visual, y de hecho la mayor parte de los organismos distribuidores de imgenes incluyen la opcin de
solicitar las imgenes ya georreferenciadas, si bien son ms costosas que las originales
y, en ocasiones, no ofrecen elevada exactitud (depender si esa correccin se basa slo
en modelos orbitales o se enriquece con puntos de control). Asimismo ya estn corregidas geomtricamente las imgenes que se distribuyen como series cartogrficas
(a veces se utiliza el trmino espacio-mapas o carto-imgenes).
Otras operaciones que resultan muy beneficiadas con el tratamiento digital son el
inventario de resultados y su integracin con otras variables geogrficas. El inventario

17
3
resulta muy tedioso en interpretacin visual, pues es necesario planimetrar todas las
superficies incluidas en cada tipo de cubierta. En el caso del tratamiento digital basta
realizar un clculo de frecuencias esto es, del nmero de pxeles incluidos en cada
clase, para conocer la superficie ocupada por cada una de ellas, por cuanto sabemos
la equivalencia superficial de cada pxel. Naturalmente, en caso de que se opte por la
interpretacin visual y digitizacin simultnea en pantalla, las imgenes ya estarn
georreferenciadas, por lo que el inventario se obtiene tambin casi de modo inmediato.
Respecto a la posibilidad de combinar los resultados del anlisis con otro tipo de
variables territoriales: suelos, hidrografa o pendientes, la integracin manual convencional resultaba muy compleja (tcnica de superponibles), mientras la asistida por ordenador supone un proceso relativamente sencillo, en el marco de los denominados
SIG (cap. 9). La entrada de informacin en estos sistemas requiere una previa digitizacin para el caso del anlisis visual, mientras resulta un proceso bastante inmediato en
tratamiento digital especialmente si el SIG almacena la informacin en formato rster, puesto que las imgenes ya se encuentran en soporte numrico. Como antes indicamos, si la interpretacin visual se realiza sobre pantalla, la digitizacin es inmediata y, por tanto, su integracin en un SIG, y el acceso a las funciones de anlisis que
estos sistemas proporcionan.
En resumen, y siguiendo nuestra opinin particular, ambos mtodos de trabajo se
complementan, y pueden emplearse integradamente. El tratamiento digital permite
realizar operaciones complejas, muy costosas o inaccesibles al anlisis visual. Garantiza una clasificacin ms rpida de la zona de estudio, manteniendo una coherencia en
la asignacin de reas vecinas a dos categoras, a la vez que permite generar la distribucin espacial de variables biofsicas (temperatura, clorofila en el agua, etc.), y simplifica la determinacin de cambios temporales. Por su parte, el anlisis visual es una
buena alternativa para actualizar cartografa existente, identificar clases heterogneas
o realizar inventarios a escalas medias o de semi-detalle. Auxilia a la clasificacin digital, aislando sectores de potencial confusin sobre la imagen, o estratificando algunos sectores de la imagen para aplicarles tratamientos especficos. El tratamiento digital supone una fuerte inversin de entrada, pero los costes van disminuyendo al aumentar la superficie analizada. Por el contrario, los costes del anlisis visual son lineales, suponiendo una pequea inversin de partida (Chuvieco y Martnez Vega, 1990).
Con estos planteamientos, la inversin en equipos informticos parece imprescindible
en tres casos: 1) cuando el objeto de estudio no sea abordable mediante anlisis visual,
2) cuando se pretendan obtener modelos biofsicos, deteccin de cambios o medicin
numrica de la estructura del territorio, y 3) cuando se pretenda introducir los resultados en un SIG.
Asumiendo que los equipos de tratamiento digital estn disponibles, la interpretacin de la imagen puede realizarse con criterios visuales y digitales. En te marco,
podramos aprovechar la potencia de anlisis de la interpretacin visual (incluyendo
criterios de contexto, textura, formas complejos que puede emplear un intrprete humano), as como la flexibilidad y potencia del tratamiento digital (georreferenciando
la imagen, mejorando su aspecto visual, digitizando informacin en pantalla, etc.). En
definitiva, podemos actualmente hablar de una fotointerpretacin asistida por ordenador, que elimina diversas fases de la interpretacin visual clsica (restitucin, inventario). A la vez, esa interaccin visual con el intrprete permitir resolver algunos pro-
174
TELEDETECCION AMBIENTAL
blemas del tratamiento digital, que encuentra notables dificultades para automatizar la
interpretacin de ciertos rasgos de la imagen (algunas nubes, reas urbanas...), que son
bastante obvios al anlisis visual.
4. Fases en la interpretacin
Las aplicaciones de la teledeteccin espacial son muy numerosas, por lo que resulta complejo establecer un marco general, que pueda ser vlido para todas ellas. No
obstante, y aun a riesgo de caer en la simplicidad, puede ser conveniente introducir algunas ideas sobre el proceso de trabajo con este tipo de imgenes. No ser difcil que
cada usuario pueda ajustar este esquema a sus propios intereses.
El proceso propuesto contempla las siguientes fases (fig. 4.7):
1. Definicin expresa y concreta de objetivos, sealando las limitaciones que se
presentan, ya sean derivadas del rea de estudio (complejidad), ya de los requisitos del
Definicin de objetivos
r
Revisin bibliogrfica
Reconocimiento
f
Adquisicin de datos
Calibracin \
Interpretacin
Trabajos de campo
Verificacin
4-----
---
Definicin de la leyenda
Anlisis de la exactitud
r
Georreferenciacin/lnventario
Integracin a un SIG
Interpretacin de resultados
FIG. 4.7.
Fases que incluye un proyecto de clasificacin de imgenes.
175
trabajo (duracin del proyecto, coste mximo, categoras temticas a discriminar, etc.)
o ya de los medios disponibles.
2. Revisin bibliogrfica y propuesta de mtodo. En funcin de la literatura
consultada sobre el tema, podrn plantearse las alternativas metodolgicas ms razo
nables. Un estudio bibliogrfico resulta vital para orientar el proceso de anlisis, opti
mizando las decisiones futuras.
3. Trabajos de campo preparatorios y acopio de informacin auxiliar. En este
primer contacto, los trabajos de campo permiten familiarizar al intrprete con la zona
objeto de estudio, estudiar sus rasgos medioambientales y humanos. Si se trata de una
aplicacin relacionada con la cubierta vegetal, resulta conveniente elaborar un calen
dario fenolgico de las especies de inters con objeto de seleccionar la fecha o fechas
ms apropiadas para adquirir la imagen. En esta fase pueden incluirse las medidas a
realizar con radimetros de campo que permiten caracterizar espectralmente la cu
bierta y seleccionar el sensor y las bandas ms apropiadas para discriminarla, as
como el acopio del material auxiliar necesario para la posterior interpretacin de la
imagen.
4. Seleccin de la informacin de partida: sensor y fecha (o fechas) ms conve
niente, nmero de imgenes, soporte, etc.
5. En caso de que la leyenda no sea un requisito del proyecto (esto es, que ya es
tn marcadas las categoras que necesitan discriminarse), el usuario deber plantear
una leyenda adecuada de trabajo, basada sobre las caractersticas de la zona y las posi
bilidades que brinda el sensor seleccionado.
6. Trabajos de campo de calibracin. Una vez adquiridas las imgenes, esta segunda fase de campo sirve para familiarizar al intrprete con la imagen, caracterizando
sobre ella la variacin de las distintas clases sealadas en la fase anterior. Esta fase de
bera realizarse simultneamente a la adquisicin de la imagen, con objeto de evitar
cualquier ruido posterior en el anlisis que pueda deberse a variacin de las condicio
nes entre terreno e imagen. Caso de que el trabajo pretenda generar una variable cuan
titativa, aqu deberamos realizar las medidas de campo de esa variable para calibrar y
luego validar el modelo (caso de que sea emprico), o validarlo slo (caso de que sea
terico). Las campaas de medicin en terreno (fig. 4.8) resultan claves para poder es
tablecer posteriormente relaciones cuantitativas con los datos de la imagen.
7. Interpretacin de estas cubiertas, ya sea a travs del anlisis visual, ya del tra
tamiento digital, extendiendo al resto de la imagen la experiencia acumulada en el
muestreo de campo realizado previamente.
8. Revisin de campo, para la verificacin de resultados, de acuerdo al porcen
taje de fiabilidad requerido y a la tasa de error tolerable en el muestreo. Esta fase puede
tambin simultanearse con la (6) siempre que no se empleen las mismas reas para cla
sificar/calibrar y para verificar/validar la imagen (ver cap. 8).
9. Restitucin. Una vez obtenidos unos resultados suficientemente fiables, se
trata de otorgar validez cartogrfica a los resultados; esto es, que el documento obteni
do pueda superponerse sobre la cartografa base. Esta restitucin puede ser digital o
analgica, en funcin del mtodo seguido en el anlisis, si bien, como hemos indicado,
tambin puede realizarse interpretacin visual a partir de imgenes ya corregidas car
togrficamente.
10. Obtencin de resultados e integracin en un SIG. Esto supone la digitiza-
176
FlG. 4.8.
La obtencin de datos sobre el terreno resulta clave para calibrar modelos

de interpretacin de imgenes.
cin de la interpretacin visual o, en caso de tratamiento digital, las modificaciones

precisas para que se ajuste perfectamente a la cartografa convencional disponible
(cambios de proyeccin y/o resolucin).
11. Inventario. Aqu se trata de cuantificar la extensin superficial de cada una
de las categoras, una vez se hallen representadas sobre un mapa de escala conocida.
Al igual que en la fase anterior, el procedimiento variar de acuerdo al mtodo de an
lisis: conteo de frecuencias (digital), o planimetra (visual), si bien, en caso de que se
hayan digitizado previamente los polgonos identificados visualmente, el inventario
tambin se obtiene automticamente.
12. Interpretacin de la cartografa resultante, ponindola en relacin con las
variables humanas y del medio fsico que afectan al rea de estudio.
Como puede observarse, este esquema est bastante centrado en aquellas aplicaciones que persigan elaborar una cartografa temtica a partir de la teledeteccin, pero
podra tambin adaptarse a la generacin de variables continuas, la deteccin de cambios o el anlisis del patrn espacial a partir de las imgenes.
CAPTULO 5
INTERPRETACIN VISUAL DE IMGENES
El fantico comienza por no pedir razones y acaba por no
tolerarlas.
IZRAIL METTER, La quinta esquina
Ya en el captulo anterior se comentaron los rasgos principales de esta labor interpretativa. All se presentaban las dos alternativas para analizar los datos adquiridos
por el sensor: 1) abordar una interpretacin visual, y 2) optar por el tratamiento digital
de la imagen. En el presente apartado se estudia con ms profundidad la interpretacin
visual de imgenes, para pasar, en los dos prximos, a exponer los principios del tratamiento digital. La mayor parte de los comentarios incluidos en este captulo se refieren
a imgenes adquiridas por diversos sensores de la familia Landsat. El amplio rango de
aplicaciones que ofrecen y la extensin de su empleo justifican esta eleccin. No obstante, la mayor parte de las ideas aqu expresadas pueden fcilmente aplicarse a imgenes adquiridas por otros sensores, especialmente a aquellos comprendidos en el dominio ptico, y de similar resolucin a los incluidos en el programa Landsat (SPOTHRV, MOS-MESSR, IRS-LISS, etc.)
1. Familiarizacin con imgenes analgicas

1.1.
INFORMACIN INCLUIDA EN LOS PRODUCTOS FOTOGRFICOS

t
Una interpretacin detallada de imgenes requiere tener en cuenta los principales

rasgos de su adquisicin, as como de los tratamientos que puedan haber abordado las
antenas receptoras. Hasta hace unos aos, lo habitual en la interpretacin visual de
imgenes era partir de los productos fotogrficos que ofrecan las distintas agencias de
distribucin de imgenes. Actualmente, muy pocas disponen de esta opcin, centrndose el anlisis visual en la interpretacin sobre pantalla o sobre imgenes impresas.
En ambos casos, la informacin auxiliar vendr dada en el archivo digital de cabecera.
No obstante, a efectos histricos, nos parece conveniente seguir citando las ano-
178
FlG. 5.1.
-Mfico+
Imagen Landsat de la costa portuguesa en el formato original de NASA.

(Cortesa: R. Nez.)
taciones que incluan los productos fotogrficos. Para las primeras imgenes procesadas por la NASA, y distribuidas por el EROS Data Center(U.S. Geological Survey), se
inclua la siguiente informacin auxiliar (fig. 5.1):
Fecha de adquisicin (2 de febrero de 1975).
Coordenadas del centro de la imagen (37 21' Norte y 8o 26' Este).
Coordenadas del punto nadir (punto de interseccin entre la superficie terres
tre y una perpendicular desde el centro de adquisicin).
Sensor y banda empleada (MSS, banda 7).
ngulo de elevacin solar, medido entre la horizontal y la direccin de los ra
yos solares (26)
ngulo acimutal, medido desde el norte geogrfico y en el sentido de las agu
jas del reloj (143).
^
Datos del procesado (correcciones aplicadas, escala, proyeccin, compresin
o no de los datos, etc.).
Agencia y proyecto (NASA ERTS).
Cdigo de identificacin de la escena (nmero de satlite, das transcurridos des
de el lanzamiento, hora, minutos y segundos de la adquisicin: E - 2011 - 10331 - 7 01).
179
Marcas fiduciarias en las esquinas para localizar el nadir, cruzndolas de dos

a dos en diagonal.
Debajo de estos datos se situaba una escala de grises, con objeto de comprobar la
calidad de la reproduccin.
En los aos ochenta, otras agencias espaciales comenzaron a encargarse de la distribucin de imgenes. Para toda Europa, la Agencia Espacial Europea (ESA) se responsabiliz de la recepcin de los datos, gracias a sus estaciones de Fucino, Troms0 y
Maspalomas, mientras el programa EARTHNET se haca cargo de la red distribuidora. Como consecuencia de esto se modifican las anotaciones en los productos fotogrficos del satlite Landsat, ajustndose al siguiente esquema (fig. 5.2):
Escala de grises en el borde inferior de la imagen.
Por debajo de ella se inclua informacin sobre la fecha de adquisicin, nmero
de satlite, cdigo de identificacin de la escena y banda. En el caso de la figura 5.2, la
imagen se adquiri el 29 de enero de 1982 por el satlite Landsat-2, la escena se recono
ce por los nmeros 217 (rbita) y 032 (fila), y corresponde a la banda 5. En el margen de
recho se sita el centro y fecha de tratamiento (Telespazio, 26 de mayo de 1982).
Marcas fiduciarias.
ROCESSED BY TELESPftZIO FOR ESR-
29JN32 2-217-32
FIG. 5.2.
01 1143-1800 R 26MflY8
Imagen Landsat en el formato original de la ESA.
18 0
82 fiUG 1984 LflNDSflT 5 TM <"-\
118 124 129 135 253 253"
2@1 ^832 2
ESfl EflRTHNET
PROCESSE RT FUCINO OH
M H < R
FlG. 5.3.
tn:?rai?i3tR?4S
TMS
201 632 2
Imagen Landsat-TM en el formato posterior de la ESA.
A partir del lanzamiento de los Landsat-4 y 5, se vuelve a modificar la informacin auxiliar que incluyen los productos fotogrficos, enriquecindose notablemente
frente al anterior formato. Desde ese momento, la red europea EARTHNET recoga
los siguientes datos (fig. 5.3):
En la cabecera del negativo se sealan los datos ms importantes de la adqui
sicin: fecha, satlite, sensor, nmero de banda, cdigo de la escena y, en su caso, n
mero de cuadrante. En el caso de la figura 5.3 se trata de una imagen adquirida el 2 de
agosto de 1984, por el satlite Landsat-5, sensor TM (Thematic Mapper), correspon
diente a la banda 1, traza 201, fila 032, cuadrante 2.1
En el borde inferior aparece la escala de grises (indicando, adems, el valor
digital al que corresponde cada intensidad), centro y fecha de proceso y escala grfica.
Por fin, la ltima lnea del negativo incluye algunos datos auxiliares, como
son la fecha de adquisicin^ coordenadas del centro de la escena, ngulo de elevacin y
acimut solar, nivel de correccin radiomtrica y geomtrica, e identificacin de la es
cena, en el cdigo NASA y en el sistema europeo.
Marcas fiduciarias.
1. Los cuadrantes se numeran de izquierda a derecha, y de arriba abajo.
181
1.2. IDENTIFICACIN DE ALGUNOS RASGOS GEOGRFICOS SOBRE LA IMAGEN

Una primera forma de familiarizarse con las imgenes es compararlas con una
fuente cartogrfica convencional. Este ejercicio puede abordarse en varias fases. En la
primera, apoyndose en un mapa de similar escala, pueden situarse los embalses y cursos de agua ms importantes de la zona. A partir de ellos, una segunda inspeccin de la
imagen permite identificar aspectos humanos del territorio, como son las ciudades ms
importantes y las principales vas de comunicacin. Los accidentes montaosos se identificarn en una tercera fase, puesto que se trata de aspectos representados ms abstractamente en el mapa y, por tanto, de difcil delimitacin. Masas de vegetacin o rasgos
efmeros relacionados con la imagen (como^por ejemplo, incendios o agentes contaminantes) podrn interpretarse en una ltima fase, puesto que rara vez vendrn recogidos
en el mapa. Este ejercicio puede realizarse a partir de las carto-imgenes que producen
distintos centros cartogrficos (Instituto Geogrfico Nacional, por ejemplo).
Esta primera familiarizacin sirve de prembulo para considerar los principales
criterios que se utilizan para interpretar visualmente una imagen. Muchos de ellos son
comunes a la fotointerpretacin clsica de fotogramas areos.
2. Criterios para la interpretacin visual
Como ya indicamos, una de las principales ventajas del anlisis visual sobre el digital es su capacidad para incorporar a la interpretacin de la imagen criterios complejos. Mientras el tratamiento digital se basa, casi exclusivamente, sobre te intensidad radiomtrica de cada pxel en las distintas bandas utilizadas para la interpretacin, el
anlisis visual puede utilizar otros elementos, como son la textura, estructura, emplaza-,
miento o disposicin, muy difciles de definir en trminos digitales, aunque se est trabajando intensamente en esta lnea, como luego tendremos ocasin de analizar.
Estos criterios nos permiten discriminar categoras con un comportamiento espectral parejo, aunque con un significado temtico bien distinto. Por ejemplo, algunos
cultivos en regado suelen ofrecer una respuesta espectral muy parecida a los parques"
urbanos, ya que ambas cubiertas estn formadas por las mismas o similares especies
vegetales. Sin embargo, su significado temtico es claramente distinto, y as debe incluirse en la cartografa final. Digitalmente la distincin es compleja, pues los valores
numricos de ambas cubiertas son muy similares. Ahora bien, basta incorporar un criterio visual sencillo, como es el contexto geogrfico, para separarlas.
Entre las pautas visuales manejadas en teledeteccin espacial, algunas son comunes con la fotografa area tono, textura, estructura, sombras, contexto, etc., otras
son ms propias de las imgenes espaciales, principalmente en lo que atae a la dimensin multi-espectral y multi-temporal de las observaciones, severamente limitada en
fotografa area. Un ltimo grupo corresponde a criterios tradicionales en fotointerpretacin que rara vez resultan accesibles en imgenes espaciales, como es el
caso de la cobertura estereoscpica, tan vital para estudios del relieve. En cualquier
caso, ya sean nuevos o tradicionales, los criterios visuales deben manejarse con cierta
precaucin en imgenes de satlite, por cuanto las escalas de trabajo y la geometra de
adquisicin son distintas a las empleadas en fotografa area. Segn vayan disponin-
182
Criterio
espacial
complejo
Criterio
temporal
Sombras - Contexto - Asociacin
Fenologa: Condiciones estacionales
FIG. 5.4.
Organizacin jerrquica de los criterios de interpretacin visual.

(Adaptado de European Commission, 1993.)
dose de imgenes de mayor resolucin, estas diferencias se irn atenuando, hasta convertirse prcticamente en inexistentes.
Conviene tener en cuenta que esos criterios se utilizan de modo integrado, en claves visuales complejas. Varios autores han sugerido clasificar esos criterios en una escala jerrquica, en funcin de su grado de complejidad y de las variables que se consideran (fig. 5.4: European Commission, 1993). El brillo y color seran los criterios ms
elementales, pues caracterizan espectralmente a una cubierta. La forma, tamao, y
textura tienen que ver con las propiedades espaciales de los objetos. La sombra y emplazamiento, con su relacin a los objetos circundantes. Finalmente, la dimensin
temporal hace referencia a la evolucin estacional de las cubiertas. A continuacin revisaremos con detalle los criterios de interpretacin visual ms utilizados.
2.1. BRILLO
<
El brillo hace referencia a la intensidad de energa recibida por el sensor para una
determinada banda del espectro. En un producto fotogrfico, los pxeles con tonos oscuros indican aquellas reas sobre las que el sensor detect una dbil radiancia, mientras las zonas claras son producto de una mayor intensidad. En otras palabras, el brillo
se relaciona estrechamente con el comportamiento espectral de las distintas cubiertas,
para la banda particular del espectro sobre la que se trabaje.
Puesto que la energa reflejada desde una cubierta vara en distintas longitudes de
183
onda, su brillo caracterstico tambin variar en imgenes adquiridas para diversas

bandas del espectro. Como ya vimos en el captulo 2, una superficie ocupada por vegetacin vigorosa presentar una alta absortividad en las bandas visibles del espectro, especialmente en el azul y rojo, como consecuencia de la accin de los pigmentos de la
hoja en esas longitudes de onda. En consecuencia, en las imgenes adquiridas sobre
esas bandas aparecer en gris oscuro. Por el contrario, se mostrar en grises claros si la
imagen corresponde al infrarrojo cercano, por cuanto, en esa regin del espectro, la
hoja sana ofrece una elevada reflectividad. En consecuencia, para interpretar los brillos que ofrece la imagen se ha de tener presente el comportamiento espectral de las
distintas cubiertas de inters. De otra forma, el intrprete puede entrenarse a reconocer
mecnicamente algunas categoras, pero no alcanzar a comprender plenamente las
razones de las diferencias tonales que observa.
Un intrprete avezado podr reconocer mltiples categoras por el contraste de
brillo en distintas bandas del espectro. Como hemos visto, la vegetacin tiende a ofrecer tonos oscuros en las bandas visibles y muy claros en el infrarrojo cercano, mientras
el agua presenta tonos oscuros en ambas, los suelos descubiertos ofrecen tonos blancos en las dos, y las reas urbanas grises medios en ambas (fig. 5.5). Al tratarse de una
imagen de primavera (Madrid 00), adems de los jardines urbanos, aparecen como
manchas de vegetacin sana sectores de pastizales o en expectativa de construccin.
Una mayor experiencia permite seleccionar las bandas ms idneas para reconocer determinados rasgos de inters: modelos de drenaje y morfologa (infrarrojo cercano),
trazado urbano (verde-rojo), turbidez en el agua (azul), delimitacin tierra/agua (infrarrojo cercano), vegetacin (rojo e infrarrojo cercano).
El brillo es uno de los principales criterios de interpretacin visual. Ahora bien, el
nmero de intensidades de gris que podemos distinguir sobre la imagen est limitado
por nuestra propia percepcin visual y el soporte fsico utilizado para visualizar (papel
o pelcula). En consecuencia, la representacin fotogrfica de una imagen siempre supone una prdida considerable de la sensibilidad radiomtrica del sensor. De los 256
niveles de brillo o, si se prefiere, de tonos de gris que habitualmente facilitan los
sensores espaciales (8 bits por pxel), la representacin visual de esos datos slo nos
permite discriminar un nmero de niveles de gris mucho menor (64 en el mejor de los
casos). Atendiendo slo a este criterio, por tanto, el anlisis visual sera menos preciso
que el digital, ya que parte de lo que el sensor distingue nosotros no podemos diferenciarlo. Habitualmente en fotointerpretacin convencional las diferencias de brillo se
observan en una sola banda, ya que la mayor parte son pancromticas. En el caso de las
imgenes de satlite, la observacin del brillo se realiza simultneamente en varias
bandas, lo que nos facilitar un reconocimiento ms certero de algunas cubiertas.
2.2. COLOR
Varios autores han puesto de manifiesto que el ojo humano es ms sensible a las
variaciones cromticas que a la intensidad luminosa (Barret y Curtis, 1999a). Si a esto
aadimos el aumento de informacin que supone la mezcla de varias bandas del espectro, fcilmente se comprende que el color resulta un elemento bsico en la interpretacin visual de imgenes.
184
FlG. 5.5. Variacin del brillo en dos bandas en la imagen MadridOO: (1) Suelos descubiertos;
(2) Vegetacin sana; (3) Agua, (4) reas urbanas. La imagen superior corresponde a la banda
roja (ETM3) y la inferior al infrarrojo cercano (ETM4).
185
Como es bien sabido, el color que aprecian nuestros ojos es fruto de la reflectividad selectiva de los objetos a distintas longitudes de onda. Aquellas superficies con
alta reflectividad en el azul, y baja en el resto, aparecen con ese color, mientras ofrecen
un tinte rojo si absorben las longitudes cortas y reflejan las largas. Nuestro ojo slo
percibe las longitudes de onda comprendidas entre 0,4 y 0,7 /m, separando la energa
recibida en tres componentes de acuerdo a la sensibilidad espectral de nuestras clulas
sensoras. Esos tres componentes son los denominados colores primarios: rojo, verde y
azul (RVA), a partir de los cuales puede reconstruirse cualquier otro color del arco iris.
Una impresin similar al color que nosotros percibimos puede obtenerse cuando
combinamos las bandas espectrales RVA, aplicando a cada una de ellas los tres colores primarios, en ese mismo orden. Esa asignacin natural puede modificarse a voluntad del intrprete, asignado los colores primarios RVA a tres bandas espectrales
cualquiera, en el orden que se estime ms oportuno (fig. 11 *). Obviamente, cuando no
seleccione las bandas espectrales RVA, sino otras cualesquiera, el color resultante
no ser con el que nosotros percibimos los objetos (lo que llamamos color natural),
sino que los colores nos resultarn artificiales, de ah que suele denominarse a estas
composiciones falso color. Esas composiciones coloreadas no se ajustan a los colores que aprecian nuestros sentidos, pero pueden ser como, de hecho, suele ocurrir
ms interesantes desde el punto de vista de la interpretacin temtica de la imagen.
Independientemente de las bandas que se incluyan en la composicin, conviene
considerar algunos aspectos sobre el proceso que permite obtener esas composiciones
en color. La mezcla de tres bandas espectrales en una composicin en color puede conseguirse de acuerdo a dos procesos, denominados aditivo y sustractivo. En el proceso
aditivo, cualquier color se obtiene por suma de los tres colores elementales: azul, verde y rojo. La suma de dos colores primarios permite lograr un color complementario:
azul + verde = cian; azul + rojo = magenta, y verde + rojo = amarillo, mientras los tres .
suman el blanco (fig. 5.6a). Por el contrario, el proceso sustractivo se basa en la absorcin de la luz que ejercen los colores complementarios: el cian absorbe la luz roja, el
magenta absorbe el verde y el amarillo el azul. Los tres en combinacin suponen, por
tanto, el negro (fig. 5.6b).
a)
^---------------- - "
b)
Blanco
Magenta
FIG. 5.6.
\/
Cian
Procesos de formacin del color: a) aditivo, b) sustractivo.
186
El proceso aditivo es el utilizado en los sistemas electrnicos de visualizacin,

cuando la imagen se representa sobre un monitor. ste es el proceso habitual en un
equipo de tratamiento digital de imgenes. Por su parte, el proceso sustractivo se emplea en la reproduccin mecnica del color, tpica de las artes grficas. Por tanto, cuando se pretenda imprimir una imagen resulta preciso aplicar a cada banda uno de los colores complementarios. Por ejemplo, para obtener una composicin en falso color
debe aplicarse a las bandas del espectro IRC, R, V los colores complementarios amarillo, magenta y cian, respectivamente. Si, por el contrario, se requiere visualizar esa
imagen sobre un monitor, el orden ser rojo, verde y azul, para las mismas bandas.
Entre las mltiples combinaciones de color que se han empleado en anlisis visual, la ms destacada sin duda es la denominada infrarrojo color. Se obtiene desplazando hacia longitudes ms largas las bandas del espectro visible, sustituyendo la
composicin de bandas R, V y A, por la correspondiente al IRC, R y V (fig. I2*a). Su
profuso empleo se relaciona con la resolucin espectral de la mayor parte de los sensores espaciales. Desde el inicio de la serie Landsat se han venido distribuyendo imgenes con esta composicin en color, ya que el sensor MSS inclua informacin de estas
bandas del espectro, as como otros sensores posteriores, como el SPOT-HRV o el
IRS-LISS, exclusivamente hasta hace pocos aos, por lo que sigue siendo una composicin multibanda bastante comn.
De cara a facilitar su interpretacin puede ser conveniente incluir una simple clave de color, con objeto de familiarizar al intrprete con este tipo de representaciones.
Las tonalidades ms habituales en ella se corresponden con las siguientes cubiertas
(Tindal, 1978):
Rojo-magenta. Denota vegetacin vigorosa, como cultivos regados, prados
de montaa o bosques de caducifolias en imgenes de verano, y cultivos herbceos de
secano en imgenes de primavera. El estudio detallado de la intensidad y saturacin
del rojo permite identificar diversas cubiertas vegetales, as como estimar su ciclo de
crecimiento y vigor.
Rosa. Muestra reas vegetales menos densas y/o vegetacin en temprano
estado de crecimiento. Las reas suburbanas en torno a las grandes ciudades, con sus
pequeos jardines y rboles diseminados, aparecen a veces en ese color.
Blanco. reas de escasa o nula vegetacin pero de mxima reflectividad:
nubes, arenas, depsitos salinos, canteras, suelos desnudos, nieve.
Azul oscuro a negro. Superficies cubiertas total o parcialmente por agua:
ros, canales, lagos, embalses. En zonas volcnicas, los tonos negros pueden asimismo
identificar flujos de lava.
Cr a azul metlico. Ciudades o reas pobladas, si bien puede asimismo
tratarse de roquedo desnudo.
Marrn. Vegetacin arbustiva, muy variable en funcin de la densidad y
del tono del sustrato. Los tona ms oscuros indican presencia de materiales paleozoi
cos (pizarras), mientras los matorrales calccolas, menos densos normalmente, ofre
cen una coloracin ms clara.
Beige-dorado. Identifica zonas de transicin: prados secos, frecuentemente
asociados con el matorral ralo.
187
Cuando se comenzaron a adquirir imgenes del sensor TM se abri la posibilidad

de disear nuevas composiciones, como la correspondiente al color natural (R, V, A),
mientras sus nuevas bandas en el SWIR e IRT ampliaron notablemente las posibilidades de obtener composiciones en color. Con motivo de ello, varios autores han intentado establecer algn indicador, ms o menos objetivo, que ayude a seleccionar las bandas ms idneas para una composicin en color. Los criterios ms estudiados son los
de tipo estadstico: anlisis de componentes principales, ndice ptimo de mxima variacin, y obtencin de los ejes del elipsoide de variacin (cap. 7, apdo. 5.2).
En el terreno del anlisis visual, tambin se han efectuado algunos ensayos para
identificar la composicin de color que ofrece una mejor discriminacin de cubiertas.
Se parte de seleccionar intrpretes con distintos grados de experiencia, para cuantificar el nmero de cubiertas que discriminan adecuadamente en distintas composiciones de color (Benson y Degloria, 1984; Trolier y Philipson, 1986). En estos tests, y
para el caso del Landsat-TM (o ETM+), las combinaciones ms puntuadas incluyen
una banda del espectro visible, otra del infrarrojo cercano y otra del medio. El orden
habitual es aplicar el color rojo al IRC, el verde al SWIR o al R, y el azul al R o V (fig.
12*). Estos resultados son muy similares a los obtenidos por otros autores mediante
tcnicas estadsticas (Hord, 1986). A tenor de este resultado, el proyecto de cartografa
de ocupacin del suelo de Espaa (dentro del programa europeo CORINE-Land Cover) seleccion la composicin TM 4/5/3 (IRC, SWIR, R) como base para la interpretacin visual de imgenes. Para objetivos parciales puede ser interesante considerar
otro tipo de combinaciones coloreadas. A partir de imgenes TM se ha comprobado la
eficacia de la composicin formada por las bandas 7/4/1, para detectar zonas quemadas, de la integrada por las bandas 7/4/3 para discriminacin de cultivos en regado o
zonas encharcadas, y de la constituida por las bandas 7/3/1 para aplicaciones oceangraficas. Pese al inters de estas composiciones, sigue vigente el papel protagonista de
la combinacin en infrarrojo color convencional (IRC, R, V).
En la fig. 12* aparecen diversas composiciones coloreadas sobre la imagen (torrelOO), que permiten analizar el inters de considerar distintas bandas para interpretar
unos u otros rasgos de la imagen. En trminos generales puede afirmarse que el color
natural ofrece un escaso contraste, presentando tonos verde-oscuros para la vegetacin y pardos para las zonas urbanas y suelos descubiertos. La discriminacin de la cobertura vegetal es mucho ms evidente en el infrarrojo color convencional (IRC,R,V)
y en el mejorado (IRC, SWIR, R). En ambos casos, la vegetacin ms vigorosa aparece en tonos de rojo, ya que a este can de color se asigna el IRC. En tonos marrnocre aparecen las reas cubiertas por perennifolios, dependiendo de la poca del ao
en que est tomada la imagen. Asimismo, los pastizales pueden aparecer en tonos de
rojo (en primavera) o en tonos verdosos, si se trata de imgenes de verano. En la
combinacin IRC, SWIR, R, adems, resulta algo ms evidente el rea edificada, y
contrasta mejor la vegetacin natural de la que acompaa a las reas residenciales.
Cuando se cambia el orden de la asignacin de colores, lgicamente la leyenda de
color antes comentada deja de tener sentido, ya que las tonalidades resultantes sern
diferentes. Por ejemplo, si modificamos el infrarrojo color mejorado (IRC, SWIR, R),
asignando el can de color verde al IRC y el R al SWIR, la vegetacin ms vigorosa
aparece en tonos de verde, en lugar de en tonos de rojo. Este criterio es el empleado por
el Instituto Geogrfico Nacional para publicar su serie de imgenes de toda Espaa,
188
sobre la base de facilitar al intrprete poco experimentado acostumbrado a ver la vegetacin en tonos de verde el anlisis de la imagen. En ocasiones se denomina esta
composicin en color como seudo-color natural.
2.3. TEXTURA
Esa variable hace referencia a la heterogeneidad espacial de una determinada cubierta, en definitiva al contraste espacial entre los elementos que la componen. Visualmente se manifiesta como la rugosidad o suavidad de los tonos de gris. Cuanto ms similares sean, la tonalidad ser ms homognea en el interior de la cubierta, y la textura
ser ms lisa. Por el contrario, si existe una alta heterogeneidad en los niveles de gris
de esa cubierta aparecer como muy rugosa, con textura grosera.
La textura de una cubierta procede de la relacin entre el tamao de los objetos
que la forman y la resolucin del sensor. Cuando un objeto ocupa una superficie inferior a 1 mm2 (en la resolucin de la imagen) no puede identificarse individualmente,
sino slo a travs de la variabilidad espacial que provoca. En funcin del tamao de los
objetos que forman una cubierta suelen distinguirse tres tipos de textura:
1. Textura grosera, cuando los objetos estn comprendidos entre 0,25 y 1 mm2 a
la escala de la imagen.
2. Textura media, objetos comprendidos entre 0,04 y 0,25 mm2.
3. Textura fina, objetos inferiores a 0,04 mm2.
En sentido estricto, adems del tamao de los objetos que forman una determinada cubierta, la textura con la que aparece en la imagen puede variar en funcin de diversos factores. Los ms importantes son el ngulo de observacin del sensor (una observacin ms aguda incrementa la rugosidad), las condiciones de iluminacin (a ngulos solares ms bajos el efecto de sombras es ms evidente), y la longitud de onda
(una superficie lisa a longitudes largas puede aparecer como rugosa en cortas). Trabajando en el espectro visible e IRC, la rugosidad se modifica principalmente en funcin
de las condiciones de iluminacin solar. Un bosque natural, por ejemplo, puede ofrecer una textura muy variada a lo largo del ao, dependiendo de la altura del sol sobre el
horizonte y de su desarrollo estacional.
En cualquier caso, el criterio de textura es muy importante para discriminar determinadas cubiertas que pueden ofrecer un comportamiento espectral uniforme. Por ejemplo, los frutales en regado y las caducifolias ofrecen una reflectividad muy similar, por
cuanto, en muchas ocasiones, presentan grandes afinidades fisiolgicas. De esta forma,
el criterio de textura puede ser el nico viable para distinguirlas. Los frutales ofrecen un
marco de plantacin regular lo que implica menor variedad espacial en la cubierta,
mientras los rboles de hoja caduca aparecen con un desarrollo mucho ms heterogneo.
En consecuencia, los frutales presentan una textura ms fina, facilitando al intrprete la
separacin frente a especies forestales naturales (Gordon y Philipson, 1986).
La figura 5.7 recoge un ejemplo de la aplicacin del criterio de textura. Incluye
un fragmento de la imagen (Alcala87), adquirida por la cmara rusa KVR-1000, correspondiente a los mrgenes del ro Henares. Tanto los cultivos de regado (A) como
FlG. 5.7.
189
Fragmento de la imagen Alcal87 sobre los mrgenes del ro Henares.
los rboles de ribera (B) ofrecen los mismos tonos, lo que permite diferenciarlos claramente de los suelos agrcolas ya cosechados (C), que ofrecen una tonalidad mucho
ms clara. Sin embargo, para distinguir entre A y B resulta preciso acudir a otros criterios, y en concreto a la textura espacial, ya que los cultivos son mucho ms homogneos espacialmente, ofreciendo por tanto una textura ms lisa.
Con imgenes de menor resolucin, como la pancromtica ETM+ que aparece
en la figura 5.8, la textura puede facilitarnos la discriminacin de las reas urbanas (A,
B) frente a los espacios agrcolas (C), que siempre tendrn una textura ms lisa. Entre
los sectores urbanos, la textura puede permitir diferenciar los barrios donde son dominantes las viviendas unifamiliares y el parcelario minucioso (A), tpico de las reas de
nueva residencia y los cascos histricos, frente a los polgonos de bloques ms grandes
de viviendas (B), normalmente asociados a barrios perifricos.
2.4. -CONTEXTO ESPACIAL
Por situacin o contexto espacial se quiere indicar la localizacin de las cubiertas
de inters en relacin con elementos vecinos de la imagen.
Un buen ejemplo del empleo de este criterio de interpretacin hace referencia, de
nuevo, al mundo urbano. Un jardn situado en el interior de la ciudad y formado por es-
190
FlG. 5.8.
Sector del centro urbano de Alcal sobre una imagen pancromtica ETM+.
(Alcal99.)
pecies de hoja caduca tiende a presentar un tono, un color y una textura muy similares
a los que puede ofrecer un bosque natural de caducifolios. La confusin se debe a que
ambas cubiertas estn formadas por las mismas o similares especies, incluso con densidades y heterogeneidad (textura) muy parejas. En esa situacin, no cabe ms criterio
para separarlas que ponerlas en relacin con el entorno geogrfico: aquellas que aparezcan en el interior de una superficie edificada, ms o menos densa, pueden considerarse como parques urbanos, mientras las que se siten en un contexto de vegetacin
natural sern asignadas a la categora bosques. En similares trminos cabe expresarse
en lo que se refiere a la separacin entre rboles de ribera y otras especies caducifolias,
ya que las primeras como su nombre indica se asocian con cursos fluviales.
En la figura 5.9 aparece un ejemplo en donde resulta especialmente evidente el
criterio del contexto espacial. Se trata de dos sectores correspondientes a cubiertas
herbceas sometidas a riego, por lo que ofrecen tonos claros en el infrarrojo cercano.
Aunque las especies son similares y el tratamiento que se aplica tambin (ambas son
regadas), su sentido temtico es muy distinto, ya que una imagen alberga unos campos
de golf en el noroeste de la ciudad de Madrid, y otra unos cultivos forrajeros prximos
al ro Jarama. Ambas cuentan con similares caractersticas espectrales, pero su emplazamiento (adems de la forma y patrn espacial) permite discriminarlas con fidelidad.
Estas distinciones, tan importantes desde el punto de vista de la cartografa temtica, son ms fcilmente abordables mediante interpretacin visual, puesto que la clasificacin digital no considera en s el contexto geogrfico, al ser muy complejo de definir en trminos numricos. No obstante, en posteriores captulos veremos algunas
posibilidades en este sentido (cap. 7.4).
191
Fie. 5.9. El criterio de contexto espacial permite distinguir entre campos de golf (izquierda) y
cultivos bajo riego (derecha), al estar los primeros prximos a una zona urbana y los segundos
a un sector agrcola.
2.5. SOMBRAS
La variacin de las condiciones de iluminacin en una cubierta introduce una notable variedad en su firma espectral caracterstica, de tal forma que una misma cubierta
puede ofrece valores de reflectividad bastante contrastados segn se site en una vertiente iluminada directamente por el sol, o en umbra. Este aspecto conviene tenerlo en
cuenta, de cara a evitar sealar fronteras entre coberturas all donde slo hay cambios
en las condiciones de iluminacin. Ya veremos, ms adelante, algunos criterios para corregir este efecto de cara a la clasificacin de las imgenes (cap. 6, apdo. 6.2.3).
Ahora bien, en el campo del anlisis visual, la sombra producida por la iluminacin que recibe un determinado objeto resulta, en muchas ocasiones, un criterio clave para detectarlo o identificarlo, ya que nos proporciona una idea de su altura y profundidad. Adems, permite realzar la interpretacin de los rasgos geomorfolgicos y
de la textura de la imagen, especialmente en zonas forestales. Asimismo, nos permite
calcular la altura de edificios, siempre que conozcamos los ngulos solares en el
momento de adquirir la imagen. Basta para ello aplicar una sencilla relacin trigonomtrica (fig. 5.10):
h=
Is tanfl
[5.1]
donde,/? es la altura del edificio, Is la longitud de la sombra y 0 el ngulo cenital solar

(alternativamente, puede multiplicarse Is por la tangente del ngulo de elevacin). El
mtodo ser ms apropiado para edificios exentos, ya que en zonas urbanas densas
puede resultar complicado delimitar la sombra de un edificio singular de la procedente
de otros inmuebles.
La figura 5.11 recoge un ejemplo de la aplicacin de este criterio, para algunos
192
FlG. 5.10.
FIG. 5.11.
Esquema para el clculo de altura de edificios a partir de las sombras.
Ejemplo de estimacin de alturas en la ciudad de Alcal. Las letras denotan distintas

tipologas de edificios. (Imagen Alcal87.)
193
FlG. 5.12. Ejemplo de identificacin de cubiertas a partir del patrn espacial: a.) fbricas en
imgenes KVR-1000; b) campo de golf, y c) aeropuerto (ambas en imgenes TM); d) estructuras
ocenicas. (Imagen ERS.)
barrios perifricos de Alcal de Henares. La imagen corresponde a la misma adquisicin de la cmara KVR-1000 antes comentada. Su magnfica resolucin permite
calcular con bastante nitidez la longitud de las sombras, estimndose las alturas para
las distintas tipologas de edificios en A ~ 35 m; B ~ 25 m; C ~ 6 m, y D ~ 8 m.
2.6. PATRN ESPACIAL
Este concepto indica una organizacin peculiar de los objetos que forman una determinada cubierta. Este criterio se emplea mucho en fotografa area (por ejemplo,
para distinguir un olivar en plantacin regular de una dehesa). En imgenes de sa-*
tlite ha estado bastante limitado como consecuencia de la baja resolucin de la mayor
parte de los sensores disponibles hasta hace unos aos. Con el mayor empleo de los
equipos de alta resolucin ganar un mayor protagonismo en el futuro. No obstante,
an sobre imgenes Landsat-ETM+, por ejemplo, puede permitirnos identificar algunas cubiertas artificiales, como seran las plantaciones forestales (que pueden presen-'
tar en la imagen una alternancia de caminos/vegetacin bastante particular), o los campos de golf, que ofrecen en el infrarrojo cercano una peculiar alternancia de sectores
de alta reflectividad (las calles y greens) y media (la vegetacin original del entorno:
fig. 5.12). Similar criterio puede emplearse para identificar tipos de cobertura del suelo, estructuras geolgicas o marinas.
2.7. FORMA - TAMAO
La forma de un determinado objeto es una clave determinante para identificarlo,
ya que su contorno nos permite asimilarlo a alguno de los patrones que nos resultan familiares. Al igual que en otros criterios visuales, la forma resulta ms determinante en
imgenes de alta resolucin espacial, ya que permite reconocer el perfil especfico de
muchos ms objetos, limitndose slo a los de gran tamao en las imgenes de resolucin media. A partir de la forma, por ejemplo, podemos determinar la presencia de
194
FlG. 5.13. Reconocimiento de formas a partir de imgenes espaciales: a) campos de deporte; b)

fbricas; c) plaza de Toros; d) puerto; e) tanques de combustible; f) aviones.
ciertos elementos urbanos: instalaciones deportivas, centros comerciales, aeropuertos

o fbricas (fig. 5.13). Tambin facilita la discriminacin entre carreteras y lnea de ferrocarril (de trazado menos sinuoso), o de los ros frente a los canales artificiales, que
ofrecern un aspecto ms geomtrico. Tambin permite reconocer estructuras geolgicas bien definidas: volcanes, domos o lincamientos, as como algunas perturbaciones meteorolgicas (ciclones tropicales, por ejemplo: fig. 5.14).
En caso de posible duda a partir de la forma, el tamao complementa bastante la
identificacin de una cubierta. Por ejemplo, la forma de un campo de tenis y de ftbol
es similar, pero no su tamao. El empleo de este criterio viene marcado por la resolucin espacial de las imgenes. En aquellas de mayor resolucin pueden identificarse
objetos particulares (edificios singulares), mientras en las de menor detalle slo pueden sealarse rangos de tamao para ciertos tipos de superficie (embalses, reas inundadas). A consecuencia de esa peor resolucin, en ocasiones no podremos identificar
la forma de un objeto determinado, pero s de una agrupacin de objetos, sirviendo a la
postre para identificar un tipo de cubierta. Por ejemplo, un pinar de repoblacin aparecer con un permetro ms geomtrico que un pinar natural (o fruto de una repoblacin
ya muy consolidada y transformada).
195
FlG. 5.14. Empleo de la variable forma sobre grandes tamaos: a.) relieve apalachiense
sobre una imagen MSS; b) cicln tropical en una imagen A VHRR.
2.8. VISIN ESTEREOSCPICA

Resulta fundamental para el reconocimiento geomorfolgico y de cubiertas del
suelo, pues aporta una visin tridimensional del espacio observado. Como ya hemos
sealado, la mayor parte de los sensores espaciales todava no poseen esta capacidad. Excepcin a esta norma son las imgenes adquiridas por sensores fotogrficos y
por el satlite SPOT, como ya vimos en el captulo 3. En el resto, slo puede obtenerse visin estereoscpica en las zonas de solape entre rbitas, restringiendo este criterio a una estrecha banda lateral del conjunto de la escena. Probablemente, la lista se
ample en un futuro inmediato si pasa a un plano central la elaboracin de cartografa
bsica a partir de sensores espaciales, si bien ya existen tcnicas alternativas a la estereoscopia para generar informacin sobre alturas (ldar de distancias, interferometra radar).
2.9. PERODO DE ADQUISICIN
La mayor parte de los especialistas estn de acuerdo en que la observacin sistemtica de la superficie terrestre es una de las principales ventajas de la teledeteccin
desde el espacio. Las caractersticas orbitales de un satlite permiten que las imgenes
sean adquiridas peridicamente y en condicione's similares de observacin, facilitndose as cualquier estudio que requiera una dimensin temporal.
Hasta el momento presente, este anlisis multi-temporal se ha abordado con una
doble orientacin (fig. 5.15):2
2. Ms tarde tendremos ocasin de profundizar en estos enfoques, dentro del captulo dedicado a
tcnicas de deteccin de cambios (cap. 7, apdo. 3).
196
Anlisis multi-estacional
Anlisis multi-anual
FlG. 5.15.
Dimensiones temporales en la interpretacin de imgenes.
1. Por un lado, con objeto de detectar cambios entre dos fechas de referencia,
deduciendo de ah la dinmica del medio natural o las repercusiones de la accin hu
mana sobre ese medio, y planeando, en consecuencia, las medidas adecuadas para evi
tar su deterioro o asegurar su mejor conservacin. Este enfoque podra denominarse
multi-anual, por cuanto se utiliza el factor tiempo para seguir la evolucin de una zona
en un perodo relativamente dilatado.
2. Por otro lado, podramos hablar de un enfoque multi-estacional, en donde la
dimensin tiempo se utilizara para perfeccionar la interpretacin de la imagen, gracias a
incorporar informacin sobre el ciclo estacional de las cubiertas vegetales. Este enfoque
resulta de gran utilidad para discriminar tipos de cultivos y especies forestales. Previa
mente, el intrprete debe conocer bien el calendario estacional de estas especies, con ob
jeto de seleccionar los perodos ms apropiados para discriminarlas, frente a otras que
pueden presentar un comportamiento espectral similar en algunos momentos del ao.
Algo similar ocurre cuando slo estamos trabajando con una imagen: la fecha elegida
debe ser la ms idnea para conseguir separar la cubierta de inters. Por ejemplo, una
cartografa de regados requiere trabajar con imgenes de la estacin seca, mientras un
estudio geomorfologico tender a enfatizar las imgenes de invierno, en donde son ms
evidentes los lincamientos estructurales por el efecto de sombras.
Independientemente del tipo de enfoque que pretenda seguirse, cualquier estudio
multi-temporal implica una labor previa de correccin, con objeto de combinar adecuadamente las dos o ms imgenes que van a intervenir en el anlisis. Conviene tener en
cuenta que los brillos-color-textura estn en relacin con las condiciones medioambientales y de adquisicin, por lo que no han de considerarse en sentido absoluto; esto
es, resulta recomendable aplicar esos criterios a la discriminacin de cubiertas en cada
imagen y no al conjunto de las diferentes fechas que intervengan en el proyecto.
Con estas salvedades, el factor multi-temporal representa un criterio de identifi-
197
cacin muy importante en anlisis visual, tanto en enfoques multi-anuales (Crapper y

Hynson, 1983; Eyton, 1983; Renz, 1985), como multi-estacionales (Bronsveid y Luderus, 1982; Chuvieco, 1986; Chuvieco y Martnez Vega, 1990; Hilwig, 1980).
Algunos estudios multi-temporales se han basado en tcnicas de composicin de
color para realzar cambios entre dos fechas de referencia. ste es el caso de un trabajo
dirigido a detectar espacios forestales sometidos a plagas de defoliacin en Canad, en
donde se aplic cada uno de los tres colores elementales a las bandas IRC y R de las
dos fechas de referencia (Hall et al., 1984).
3. Elementos de anlisis visual
Tras el repaso de los criterios sobre los que se basa la interpretacin visual de
imgenes nos centramos en una serie de elementos a considerar para cualquier trabajo
prctico a partir de este tipo de informacin.
3.1. CARACTERSTICAS GEOMTRICAS DE UNA IMAGEN ESPACIAL
Aunque una imagen adquirida desde el espacio presenta menos errores geomtricos que una fotografa area, como consecuencia de la mayor estabilidad y altura de vuelo de la plataforma, esto no quiere decir que est libre de distorsiones, por lo que no puede superponerse directamente sobre la cartografa bsica. Ms adelante trataremos de
los procesos que se aplican a la correccin de estos errores geomtricos. Basta aqu
apuntar que ese desajuste est originado por tres factores: 1) por errores, propiamente dichos, en la adquisicin de la imagen; 2) por la diferencia entre las proyecciones de la
imagen y el mapa (la primera cnica, y la segunda normalmente cilindrica), y 3) pot
la propia deformacin que cualquier mapa implica de la superficie terrestre.
Una vez resueltos estos problemas, la imagen de satlite puede servir para actualizar aspectos planimtricos de la cartografa, sobre todo a escalas pequeas y medias,
dependiendo de la resolucin espacial del sensor que se utilice. Existen abundantes ex.periencias en este sentido (Martnez Vega, 1996), no slo en reas de difcil acceso
con mtodos convencionales (Arbiol et al, 1994), sino tambin en pases con buena
cobertura cartogrfica (Arozarena et al, 1989).
3.2. EFECTO DE LA RESOLUCIN ESPACIAL EN EL ANLISIS VISUAL
Antes se indic que la resolucin espacial hfce referencia al tamao de la mnima
unidad discriminable sobre la imagen. Este concepto, en anlisis visual, se relaciona
tantocon el tamao del pxel, como con la escala a la cual se representa la imagen.
a resolucin espacial tiene una repercusin importante sobre la interpretabilidad de la escena. De entrada, como hemos visto, aquellos elementos por debajo del tamao del pxel no sern identificables en la imagen, lo que supone un elemento fundamental en la seleccin del sensor ms conveniente para cada objetivo. Adems, cuanto
mayor sea la resolucin, mejor podr definirse un pxel, ya que ser ms susceptible de
198
FIG. 5.16. Efectos de la resolucin espacial sobre la interpretacin

de imgenes: el mismo sector de la ciudad de Alcal se recoge por una imagen
Landsat-ETM+ (Banda 3:30 m), su canal paneromtico (15 m)
y una imagen KVR-1000 (2 m).
albergar una sola cubierta. Por el contrario, si el tamao del pxel es grande, la seal
detectada resulta frecuentemente de varios tipos de cubierta, haciendo mucho ms
compleja su interpretacin.
El efecto de la resolucin espacial sobre la calidad final de la imagen se pone de
manifiesto en el anlisis de la figura 5.16. Incluye tres imgenes adquiridas por los
sensores ETM+ (multiespectral y pancromtico) y la cmara KVR-1000 sobre un pequeo sector de la ciudad de Alcal. Resulta evidente el deterioro de la identificacin
de los edificios y sus sombras en las imgenes de menor resolucin.
La figura 5.17 incluye dos imgenes TM y MSS sobre el entorno urbano de Madrid. En ellas puede comprobarse el efecto de la resolucin espacial sobre la interpretacin de imgenes, en este caso a escala ms regional. Se sugiere realizar unos transparentes sobre la red hidrogrfica, autovas nacionales, estructura urbana, aeropuertos
(Barajas, Cuatro Vientos), y grandes objetos de referencia: parques y jardines, Mercamadrid, hipdromo, Palacio Real, etc. Todos estos elementos son claramente identificables sobre la imagen TM y muy complejos sobre la obtenida por el MSS, pues todos
ellos estn influidos por la diferente resolucin espacial que brindan estos sensores (30
y 80 m, respectivamente).
3.3. EFECTO DE LA RESOLUCIN ESPECTRAL EN EL ANLISIS VISUAL
El carcter multi-espectral de las imgenes espaciales resulta bsico para su interpretacin. La posibilidad de observar un fenmeno en diversas bandas del espectro
ampla notablemente nuestra capacidad de reconocerlo. Como vimos en el captulo 2,
cada cubierta ofrece un comportamiento espectral tipo, en funcin de las caractersticas de sus componentes, que denominamos firma espectral. All se indicaba que ese
comportamiento tipo se modifica por una serie de factores externos al sistema cubierta-sensor, establecindose una cierta variabilidad espectral en torno a ese comportamiento genrico.
En cualquier caso, el conocimiento de esos rasgos espectrales resulta muy interesante para proceder a una interpretacin ms razonada de la imagen. Un intrprete
FlG. 5.17.
199
Imgenes TM y MSS sobre la ciudad de Madrid.

t
puede acostumbrarse a observar las masas vegetales con tonos oscuros en las bandas
visibles y claros en el IRC, sin considerar los factores que inciden en ese fenmeno.
No ca>e duda que si stos se tienen presentes en la interpretacin de la imagen, resulta
ms fcil adaptarlos a zonas o categoras peor conocidas, convirtiendo la teledeteccin
en una tcnica aplicable a contextos ms amplios.
No quiere esto decir que los tonos de gris de las distintas bandas sean una traduccin estricta de las curvas de reflectividad previamente analizadas. Son, ms bien, una
representacin visual de los valores numricos almacenados por el sensor conse-
202
Fie. 5.19c-.
Fie. 5.19c-/.
203
204
Una vez completado el grfico ser posible responder a las siguientes preguntas:
es posible distinguir entre perennifolias y caducifolias considerando la fecha del ao
en que est tomada la imagen?, en qu bandas?, qu base fsica tiene esa distincin?,
qu banda es ms idnea para cartografiar los cultivos de secano frente al agua?, por
qu?, se mantendra en otra fecha del ao esa separacin, por ejemplo en verano?
Qu banda indica mejor las redes de transporte?
3.4. INTERPRETACIN DE COMPOSICIONES EN COLOR
A partir de este ejercicio y de la teora del color previamente comentada resultar
ms sencillo interpretar combinaciones multi-banda. Basta tener en cuenta que el proceso aditivo implica que los pxeles tendrn tanto mayor intensidad de un determinado
color cuanto ms blancos aparezcan en la banda a la que se aplique ese color. Si optamos, por ejemplo, por una composicin en falso color (IRC, R, V), un pxel aparecer
rojo cuanto mayor intensidad presente en el IRC y menor en las dos restantes. ste es
el caso de las zonas cubiertas por vegetacin vigorosa, que ofrecen un tono claro en el
IRC, oscuro en el R y medio en el V, por lo que tienden a teirse con un color rojo o rojo-magenta. Por el contrario, una lmina de agua, que aparece oscura en la banda espectral V y negra en las restantes, tender a mostrar un azul oscuro, ya que cuenta con
un dbil componente de azul y casi nulo de verde y rojo.
Siguiendo este razonamiento, el lector puede contestar a las siguientes preguntas:
en qu color aparecern las coniferas?, y las zonas urbanas?, qu combinacin de
color se requiere para que la vegetacin aparezca en verde? En esa nueva combinacin, cmo apareceran las zonas urbanas, el agua y las coniferas?, qu asignacin
de colores complementarios se requerira para lograr las mismas tonalidades?
En el CD-ROM adjunto a esta obra se incluyen algunas composiciones en color
para la imagen TorrelOO, que servirn al lector para verificar las hiptesis que haya
planteado en el prrafo anterior.
A partir de esas imgenes, o de las series cartogrficas que distribuyen varias
agencias cartogrficas nacionales, pueden realizarse una serie de ejercicios de interpretacin de la imagen. Por ejemplo, los siguientes:
1. Identificar tono y textura de las siguientes cubiertas: cultivos herbceos de
secano, cultivos leosos de secano, cultivos de regado (dependiendo de la fecha), pe
rennifolias, caducifolias, reas residenciales, zonas urbanas densas, agua.
2. Con ayuda de un transparente, recorrer cada una de las carreteras principales
de la imagen. Anotar qu tipo de coberturas atraviesan desde un determinado ncleo
urbano.
3. Delimitar los sectores urbanos de la imagen. Distinguir entre ncleos urba
nos densos y reas residenciales exentas. Ponerlas en relacin con la vegetacin prxi
ma, tipos de relieve y accesibilidad. Cul de estos factores es dominante?
4. Puede establecerse una gradacin de tipos de vegetacin en funcin de la al
titud? qu tipo de especies aparecen en: pie de monte, escaln inferior, escaln supe
rior, cumbre. Pueden detectarse estas gradaciones sobre la imagen?, por qu?
205
3.5. EJERCICIOS DE ANLISIS MULTI-TEMPORAL

Ya hemos comentado que el factor temporal puede abordarse con un doble objetivo: por un lado, reconstruir la variacin estacional de la zona; por otro, la deteccin de
cambios.
El primer aspecto supone utilizar la dimensin temporal para mejorar la interpretacin de la imagen, al aportar un valioso informe sobre el desarrollo fenologico de las
especies vegetales. El inters de utilizar este criterio puede orientarse a distintas aplicaciones: seguimiento de las condiciones del cultivo o el estado de los embalses podran ser dos claros ejemplos. Por ejemplo, la figura 5.20 recoge cuatro imgenes MSS
FIG. 5.20. Imgenes de varas estaciones tomadas sobre las cercanas del embalse del
Rosarito, en Cceres: enero; mayo; julio y octubre de 1981. (Banda IRC.)
206
tomadas en distintos meses del ao, que permiten seguir la evolucin estacional de la
lmina de agua en el embalse de Rosarito. Al tratarse de una represa de rgimen pluvio-nival, el mnimo anual se retrasa considerablemente respecto al centro del verano,
observndose un nivel bastante alto en el mes de julio.
La figura 5.21 permite realizar una observacin ms amplia de esta variedad estacional, al incluir dos imgenes tomadas en primavera y en verano sobre el rea de Torrelaguna. Permite determinar algunos rasgos de la evolucin estacional de la vegetacin natural, como el contraste entre perennifolios (A) y caduficolios (B), bien obvio
en la imagen de verano, pero no tanto en la de primavera; la senescencia de los pastizales (C), con menor brillo en la imagen de verano a consecuencia de su marchitez; los
cultivos de secano (D), que aparecen roturados en la imagen de verano, frente a los de
regado (E), que no se observan en la primera fecha. Tambin aparecen dos nubes, con
sus respectivas sombras, en la imagen de verano (F), y es evidente la reduccin de la
lmina de agua en algunos embalses (G).
El segundo enfoque del anlisis multi-temporal se dirige a detectar cambios entre
dos o ms fechas alejadas en el tiempo, estudiando el dinamismo temporal de una determinada zona: crecimiento urbano, transformaciones agrcolas, obras de infraestructura, etc. Tambin nos permite evaluar la superficie afectada por fenmenos efmeros,
como es el caso de inundaciones o erupciones volcnicas, as como seguir la evolucin
de sus efectos.
Como muestra de las posibilidades de este enfoque del anlisis multi-temporal se
presenta la figura 5.22, que incluye dos imgenes adquiridas por el sensor TM, con ocho
aos de diferencia (1984 y 1992), y otra ms reciente, del ETM (ao 2000). La resolucin espacial y espectral de las imgenes es la misma, por lo que podemos emplear esta
informacin para delimitar los principales cambios producidos en el rea metropolitana
de Madrid entre las tres fechas de referencia. Los cambios ms evidentes son la construccin de la M-40 e inicio de la M-45, autovas de circunvalacin exterior de la ciudad,
la apertura del recinto ferial de Madrid, situado entre la M-40 y el aeropuerto de Barajas,
la ampliacin del mismo aeropuerto, con la tercera pista, y el inicio de mltiples promociones residenciales (ver elementos de situacin en la fig. 5.23). En la imagen de 1992,
la M-40 se observa con un brillo oscuro en el tramo comprendido entre la N-IV y la N-I,
al este de Madrid, mientras aparece en tono claro hacia el oeste, ya que en esa fecha este
tramo an no se encontraba pavimentado. En 2000 ya aparece de color oscuro en todo su
trazado, al estar completamente pavimentada; en cambio aparecen en tono claro la M-45
y un tramo del AVE Madrid-Barcelona, en obras.
Como grandes construcciones, destaca el recinto ferial de Madrid, donde se distinguen ntidamente los pabellones de exposicin (por su gran tamao y tono pueden
discriminarse de las construcciones vecinas) y el estanque artificial del parque Juan
Carlos I, as como los nuevos terminales del aeropuerto de Barajas (slo e'n la imagen
de 2000). Tambin se delimitan perfectamente las nuevas reas residenciales en torno
a la M-40, con mayor intensidad en la ltima imagen, ya que se ha producido un notable desarrollo urbanstico de f ciudad en la ltima dcada.
207
D
FIG.'5.21. Imgenes de primavera (superior) y verano (inferior) del rea de Torrelaguna.
(Banda IRC.)
FlG. 5.22.
Deteccin de cambios por anlisis visual: imgenes TM y ETM adquiridas

en 1984, 1992 y 2000 sobre la ciudad de Madrid. (Banda IRC.)
209
FIG. 5.23.
Croquis de situacin de la ciudad de Madrid, con rasgos incluidos en

la figura anterior.
4. Algunos ejemplos de anlisis visual
Esta obra no se ha concebido para comentar las mltiples aplicaciones de la teledeteccin, sino slo para presentar sus fundamentos. Pese a ello, presentamos algunos
ejemplos de anlisis visual, a modo de ejercicios, para que el lector compruebe las posibilidades de este tipo de interpretacin.
4.1. CARTOGRAFA GEOLGICA
A partir de imgenes espaciales pueden detectarse rasgos geolgicos de gran radio
de cobertura. Un buen ejemplo sera el descubrimiento del abombamiento transversal
del bloque meseteo, determinado por Alia y colaboradores a partir del anlisis visual de
las primeras imgenes Landsat disponibles en nuestro pas (Alia et al., 1976). Junto a estos fenmenos de conjunto, merecen destacarse otros aspectos ms parciales, como son
la cartografa de lineamientos, el estudio de erupciones volcnicas, la localizacin de
acuferos o de yacimientos minerales, y el seguimiento de la dinmica fluvial.
-De estos aspectos, la cartografa de alineaciones ha sido el ms profusamente empleado en anlisis visual. Por alineacin o lineamiento se entiende cualquier rasgo lineal, simple o compuesto, de una superficie, que difiere claramente de los rasgos adyacentes y previsiblemente refleja fenmenos del subsuelo (Moore y Waltz, 1983).
Estos rasgos pueden reconocerse visualmente, a partir de la imagen original o, mejor
an, tras aplicarle alguna tcnica de realce. Una vez reconocidos, pueden realizarse
210
TELEDETECC1ON AMBIENTAL
FlG. 5.24.
Imagen MSS de la regin central espaola adquirida en enero de 1981.

(Banda IRC.)
grficos de frecuencia, indicando las direcciones dominantes, lo que nos permite ponerlos en relacin con la estructura geolgica de la zona.
Tomemos, como ejemplo, la imagen MSS que incluye la figura 5.24, correspondiente a un amplio sector del centro de Espaa. Con ayuda de un transparente, a
partir de ella pueden dibujarse todos los lincamientos reconocibles sobre la imagen
(fig. 5.25). Las direcciones dominantes estn claramente relacionadas con la tectnica general de la zona.3 Este ejercicio pasa por reflexionar, en primer lugar, sobre la
estacin y banda espectral ms idnea para este tipo de cartografa. Respecto a la
banda del espectro ms conveniente para esta aplicacin, se recomienda utilizar la
correspondiente al IRC (banda 7 en el sensor MSS), pues los lincamientos suelen
asociarse con concentraciones de humedad, ntidamente visibles en esta regin del
espectro. Similares trabajos se han planteado por otros autores, tanto sobre imgenes
Landsat (Short, 1982, pp. 1J8-131; Alia et al., 1976), como sobre imgenes radar
(Calvet y Pascual, 1987; WoWi, 1983).
3. Puede consultarse como referencia el Mapa Geolgico Nacional a escala 1:1.000.000, as
como la serie geolgica de mayor escala (1:200.000 y 1:50.000). Entre la bibliografa de referencia, basta
acudir a Tern, Sol y otros: Geografa General de Espaa, Ariel, Barcelona (varias ediciones).
211
4.2. COBERTURA DEL SUELO

Este trmino engloba un amplio rango de aplicaciones. Por cobertura del suelo
entendemos el tipo de ocupacin existente sobre l, ya sea sta vegetacin natural, cultivos agrcolas o espacios urbanos. Este tipo de cartografa resulta bsica en la planificacin del territorio, ya que es preciso conocer la dedicacin actual del terreno para
proponer cualquier mejora. Con las ideas vistas en el captulo 4, conviene organizar
una leyenda coherente, a la zona y al propsito del estudio, que gue los trabajos de interpretacin visual.
Con estas ideas, el lector interesado puede ensayar una cartografa de la ocupacin del suelo a partir de las imgenes en falso color que aparecen en el CD-ROM. Con
ayuda de unos transparentes, se tratar de ir delimitando manchas de color homogneas, que luego pueden identificarse sobre cartografa de apoyo, fotografa area o trabajos de campo. Sera recomendable, al menos, discriminar las siguientes categoras:
perennifolios, caducifolios, matorral, pastizales, zona urbana densa, zona residencial
exenta, cultivos de secano, suelos y lminas de agua.
El anlisis visual se ha empleado en numerosos trabajos referidos a la cobertura
del suelo. Las reas ms desarrolladas han sido la cartografa de especies forestales
(Marx y Hildebrandt, 1978; Morain y Klankamsorn, 1978; Sadar et al., 1982), la estra-
FlG. 5.25.
Croquis de lincamientos realizado a partir de la interpretacin visual de lafig. 5.24.
212
tificacin fisiogrfica (Astaras, 1984; Hilwig, 1980; Nikolaus, 1988), y propiamente

la cartografa de ocupacin del suelo (Chicharro, 1978; Chicharro y Martnez, 1992;
Chuvieco y Martnez Vega, 1990; Harnapp, 1978). Por su alcance europeo, merece especial atencin en este sentido la cartografa de ocupacin del suelo de los pases
miembros de la Unin Europea a escala 1:100.000 (proyecto CORINE-Land Cover),
realizada a partir del anlisis visual de imgenes Landsat y SPOT (European Commission, 1993; Lpez Vizoso, 1989a).
Un ejemplo de la variedad de criterios visuales que incluye la discriminacin de
las cubiertas del suelo puede seguirse en un trabajo de este tipo desarrollado sobre la
zona centro (Chuvieco y Martnez Vega, 1990). Para este caso se emplearon en la interpretacin los siguientes elementos: brillo, color, textura, emplazamiento y alternancia estacional. El trabajo pretenda realizar una cartografa de la cobertura del suelo a
escala 1:250.000 sobre dos imgenes TM, de mayo y agosto. En el ensayo cartogrfico
se delimitaron catorce categoras: espacios urbanos densos, reas residenciales, parques urbanos, herbceos de secano, olivar-viedo, cultivos de regado, suelos no cultivados, bosques de caducifolias y de perennifolias, praderas, pastos y matorrales, superficie improductiva y agua. Algunas de estas categoras fueron claramente discriminables a partir de su coloracin en la imagen de agosto, utilizada como referencia. Se
trataba del agua, bosques de perennifolios y matorral. Otras se delinearon tras comparar esta imagen con la de mayo: suelos no cultivados, zona urbana densa, praderas, olivar-viedo. El resto exigieron una conjuncin de diversos criterios. Estas categoras
problemticas fueron: caducifolios, cultivos regados, urbanizaciones residenciales y
parques urbanos. En este punto se puso en evidencia el inters de contar con otros criterios visuales de identificacin (fig. 5.26). La textura permiti aislar las reas residenciales, mucho ms heterogneas que el resto de las arriba indicadas. El contexto espacial permiti separar los parques urbanos, claramente identificables por su situacin.
Por ltimo, la dimensin estacional facilit la discriminacin de los cultivos regados
frente a los caducifolios, ya presentes en el suelo en la imagen de mayo.
4.3. MORFOLOGA URBANA
Teniendo en cuenta la gran complejidad espacial del fenmeno urbano, en donde
conviven actividades muy variadas sobre un reducido espacio, la aplicacin de la teledeteccin espacial a estos mbitos es reciente y an limitada, si bien se ha visto
notablemente beneficiada por la puesta en rbita de los sensores de alta resolucin
espacial.
Hasta la puesta en rbita de estos equipos los estudios urbanos con teledeteccin
se centraron sobre reas remotas, en donde la cartografa disponible es inadecuada.
Trabajos de este tipo son los emprendidos sobre Nigeria (Adeniyi, 1987; Olorunfemi,
1987) o China (Lo y Welchvl977). Incluso en pases ms desarrollados, la cartografa
de zonas urbanas ofrece importantes problemas de actualizacin, debido al dinamismo
que normalmente presentan. La cobertura temporal de las imgenes espaciales estimula su empleo en tareas de actualizacin, ya sea de los lmites censales (Dietrich y Lachowski, 1978), ya del espacio edificado (Crter y Stow, 1979; Herrera, 2001; Jensen
etal., 1983; Molina y Chuvieco, 1997). Las aplicaciones futuras sern mucho ms am-
213
No vigor en mayo
Regado
*
FlG. 5.26. Un ejemplo de clave jerrquica para organizar criterios visuales

en la interpretacin de imgenes. (Tomado de Chuvieco y Martnez, 1990.)
biciosas, al contar con la resolucin adecuada a este tipo de estudios (Bauer y Steinnocher, 2001; Hazel, 2001; Schiewe et al, 2001; Smits y Annoni, 1999).
El anlisis de la imagen para inferir rasgos de la morfologa urbana requiere utilizar criterios mixtos, integrando brillo, color, textura y emplazamiento. A partir del primero puede deducirse la densidad de edificacin, por cuanto aquellas zonas que alberguen menor influencia del trazado viario ofrecern un brillo ms oscuro. Asimismo, el
color indica si la zona cuenta o no con espacios verdes, bien sea continuos (manchas
uniformes), bien discontinuos (en tinte rojo salpicado en medio de los azules propios
de la edificacin en caso de tratarse de una composicin en falso color convencional).
En cuanto a la textura, indica el grado de mezcolanza propio de un determinado sector.
A partir de estos dos criterios puede ensayarse una delimitacin de sectores morfolgicos dentro de una zona urbana (Casas y Chuvieco, 1987). Ejercicios didcticos de este
tipo se han planteado por varios autores (Chicharro y Martnez, 1992; Chuvieco y Sancho,.1986).
CAPTULO 6
ANLISIS DIGITAL DE IMGENES:
CORRECCIONES Y REALCES
El desarrollo no comienza con los bienes; comienza con la
mente y su educacin, organizacin y disciplina.
E. J. SCHUMACHHR, Lo pequeo es hermoso
I.
La matriz de datos en una imagen digital
Como se coment previamente, el proceso de adquisicin de una imagen digital

difiere, sustancialmente, del empleado en la fotografa area. En cualquier sistema fotogrfico, la energa procedente de los objetos se registra sobre una superficie sensible
a la luz. sta puede componerse de una o varias capas, formando, respectivamente,
una pelcula pancromtica o en color.
En el caso de los equipos ptico-electrnicos no existe esta superficie slida de
grabacin. El sensor explora secuencialmente la superficie terrestre, adquiriendoa
intervalos regulares la radiacin que proviene de los objetos sobre ella situados. La
radiancia recibida estar en funcin de las caractersticas de la parcela del terreno que
observa el sensor en cada instante, y el tamao de sta ser una funcin de la resolucin espacial del sensor. La imagen finalmente almacenada corresponder a una traduccin numrica de esa radiancia (fig. 6.1).
Cada una de las parcelas en las que se divide el territorio observado constituyen la
unidad mnima de informacin en la imagen, que se denomina pxel (del ingls picture
demoil, elemento pictrico). En trminos sencillos, podemos identificar un pxel
como cada uno de los pequeos cuadrados que forman una imagen, visibles cuando se
ampla (fig. 6.2). El nivel de gris (o de color si se mezclan tres bandas) con el que aparece cada pxel en el monitor se define por un valor numrico, que corresponde a la codificacin de la radiancia que realiza el sensor cuando adquiere la imagen. Este valor
numrico se denominar, a partir de aqu, Nivel Digital (ND). El nombre se justifica
por tratarse de un valor numrico, no visual, pero que puede fcilmente traducirse a
una intensidad visual o, si se prefiere, a un nivel de gris, mediante cualquier convertidor digital-analgico (un monitor de visualizacin, por ejemplo). Cuando se visualiza
Conversin analgico-digital
FIG. 6.1.
Diagrama que Ilustra el proceso de adquisicin de una imagen digital.
Fig. 6.2.
46
50
50
43
39
36
46
39
43
39
32
25
21
10
18
36
18
18
39
33
36
33
27
27
36
30
33
30
15
15
12
13
14
14
12
10
11
11
Una imagen digital est formada por elementos pictricos (pxeles) codificados
por un valor numrico.
un pxel, la intensidad de gris o de color con la que aparece en el monitor depende de su

ND; la relacin entre ambos puede modificarse a voluntad del intrprete, de cara a mejorar la calidad visual de la imagen, como veremos ms adelante (5.1). En ese sentido,
conviene distinguir el ND de cada pxel, el original adquirido por el sensor y almacenado en la imagen bruta, y su nivel visual (N V i que corresponde a la intensidad de gris
o color con que se visualiza ese pxel en el monitor. Normalmente, los N V son efmeros, ya que slo se utilizan para operaciones de realce e interpretacin visual de la mayen, mientras los ND forman la base para las operaciones de interpretacin digital, especialmente cuando se intenta relacionar la informacin adquirida por el sensor con
algn parmetro fsico (reflectividad o temperatura, por ejemplo).
El ND se conoce con distintos nombres en la bibliografa anglosajona: Digital
Numher (Lillesand y Kiefer, 1994), Pixel Valu (Mather. 1987; Hord. 1986). Brightness Valu (Jensen, 1996), Grey Level (Schowengcrdt. 1983). o Digital Cornil ( R i chards. 1993). En nuestro idioma, nos parece ms apropiado el termino nivel digital
(ND) para expresar su significado, por cuanto se trata de un valor ( d ig i ta l) eon un claro
contenido pictrico (nivel de gris). En resumen, la unidad mnima de informacin en
una imagen digital se denomina pxel, definido por un nmero entero, ND, que puede
convertirse en una intensidad luminosa o nivel de gris.
Teniendo presentes estas ideas, la organizacin de los datos en una imagen digital
puede esquematizarse en la figura 6.3. Como vemos, se trata de una matriz numrica
Y
Banda 1
ND
ND, , ,
Localizador!
espacial Fig. 6.3.
Organizacin de dalas en una imagen digital.
2IX
de tres dimensiones. Las dos primeras corresponden a las coordenadas geogrficas de

la imagen, mientras la tercera indica su dimensin espectral. La orientacin aproximada Norte-Sur se obtiene variando las fi l a s de la matriz, que normalmente reciben el
nombre de lneas (row. Une), mientras el recorrido en el sentido de las columnas (column) indica la disposicin Oeste-Este de la imagen. En esta matriz, el origen de coordenadas se s i t a en la esquina superior-izquierda (lnea I. columna 1), en lugar del
borde inferior izquierdo, como ocurre en cualquier eje cartesiano. Fisto es debido a la
secuencia de adquisicin de imgenes, de Norte a Sur, de acuerdo a la traza del satlite. La tercera dimensin corresponde a la resolucin espectral del sensor. Hay tantos
planos en la imagen como bandas originalmente detectadas: 36 para el M0D1S. 7 para
el TM o 5 para el AVHRK
Considerando ese carcter matricial de cualquier imagen numrica son mas fcilmente comprensibles las posteriores transformaciones aplicadas sobre ella. stas son.
En muchos casos, operaciones estadsticas comunes a otras matrices numricas. Por
ejemplo, en una imagen digital podemos calcular medidas de tendencia central y dispersin (media y desviacin tpica en cada una de las bandas), cambiar su orientacin
geomtrica (rotacin de la matriz), realizar combinaciones aritmticas entre bandas
(p. ej.. cocientes), sintetizar varas bandas reduciendo la informacin redundante
(componentes principales), o discriminar grupos de ND homogneos dentro de la matriz (clasificacin).
Como es lgico, el anlisis digital de imgenes (ADI) se apoya en equipos informticos adaptados a esta aplicacin. Por e l lo se inicia este captulo con un repaso de
las caractersticas y componentes de este tipo de equipos, que van a marcar el rango
de posibilidades que se abra, en ltima instancia, al usuario. Adems, se ha introducido un epgrafe previo, dedicado a la estructura de almacenamiento de datos en estas
imgenes, con objeto de introducir al lector en el trabajo con este tipo de informacin
numrica.
2.
Soporte y organizacin de la imagen
Cualquier tratamiento digital aplicado a las imgenes requiere que previamente

stas sean introducidas en un sistema informtico; dicho de otro modo, que las imgenes sean accesibles al ordenador. Fisto depende de los soportes y formatos en los que se
ofrecen los ND que definen los pxeles de la imagen.
2.1.
SOPORTE
FSICO DE UNA IMAGEN
Hasta hace unos aos, las imgenes de satlite se distribuan de modo casi exclusivo en cintas magnticas compatibles (CCT). Se trataba de un soporte barato y muy
estndar, que era el ms apropiado para almacenar un volumen considerable de informacin. Habitualmente, las cintas tenan las pistas (tracks), con una longitud de 2.400 a
3.600 pies. Los principales problemas que planteaba una CCT eran su acceso secuencial que ralentizaba la lectura de los datos, el alto coste de los equipos lectores y su es-
ANLISIS DIGITAL D E I M A G E N E S CORRECCIONES Y REALCES
casa densidad de almacenamiento frente a las tecnologas actualmente disponibles,

por lo que hoy prcticamente han desaparecido del mercado.
Actualmente las imgenes se distribuyen principalmente en CD-ROM, que es el
medio mas compatible y econmico de transferir volmenes considerables de i n formacin entre ordenadores. Algunas agencias f a c i l i t a n tambin la opcin de
grabar Los dalos en cartuchos magnticos, de acceso secuencial como l a s
antiguas (CT. pero con mucha mayor capacidad (hasta varios ( i b ) . Gracias a las
mejoras en las velocidades de transferencia de informacin a travs de Internet,
tambin pueden adquirirse imgenes a travs de la red. utilizando protocolos tic
transferencia de ar-(FTP). Este ser, probablemente, el medio ms u t i l i z a d o en el
inmediato fu-para la distribucin de imgenes, ya que permite su adquisicin casi
en tiempo real
2.2.FORMATOS DE GRABACION
Independientemente del soporte fsico de la imagen es necesario conocer el formato de grabacin de los dalos, de cara a poder reconstruir posteriormente la informacin detectada por el sensor. En este sentido, conviene considerar la codificacin aplicada y la organizacin lgica de los datos.
En lo que se refiere al primer punto, los ND de la imagen se graban en cdigo binario (como bien es sabido, un bit indica una posicin binaria. 0 o 1 ). La mayor parte
de los sensores emplean grupos de 8 b it s para almacenar el ND correspondiente a cada
pxel. Por ello, cada pxel se define por un byte, lo que equivale a un rango de 256 niveles ( de 0 a 255). ste es tambin el rango admitido por la prctica totalidad de los
equipos de tratamiento digital, por lo que el acceso a las imgenes se simplifica notablemente. En el caso de algunos sensores, como el NOAA-AVHRR o el SAR del ERS,
la informacin se codifica en un rango ms amplio (10 y 16 bits, respectivamente), por
lo que se requiere una labor previa de compresin de datos para poder visualizar la informacin en pantalla.
Las imgenes digitales se organizan en una serie de archivos (files), cada uno de
los cuales se descompone en registros (records). Normalmente cada imagen incluye
un archivo de cabecera (henderfile), en donde se almacena el formato con el que estn grabados los ND que la componen, as como sus condiciones de adquisicin ( t i p o
de sensor, localizacin de la escena, da. elevacin y acimut solar, etc.). y. en su
caso, el tipo de correcciones aplicadas por la estacin receptora. Los registros son de
longitud variable, de acuerdo al t i p o de archivo y a la organizacin de los datos en la
imagen.
La distribucin de los archivos en una escena est en estrecha relacin con el
formato en que se graban los ND de la imagen. Los tres formatos ms habituales son
(fig. 6.4):
1. Bandas secuenciales (Baml SequentiaL BSQ). Implica que los ND de cada
banda se disponen uno a continuacin del otro hasta completar lodos los pxeles que la
forman. Tras ellos se sitan los ND de la siguiente banda y as sucesivamente hasta
completar todas las bandas espectrales de la imagen. Normalmente, entre banda y ban-
220
46
50
50
43
39
36
46
39
43
39
32
32
43
36
39
21
21
28
39
32
25
21
IO
18
18
14
10
B3
39
42
42
36
33
30
39
33
36
33
27
27
36
30
33
18
18
24
33
27
21
18
15
30
15
15
12
B4
13
14
14
12
11
10
13
11
12
11
12
10
11
11
10
USO
46
50
50
43
39
39
43
39
32 32
43 36
39 21
21
28
32
25
21
10
':
:
18
46
39
18
18
14
10 8
39 4,'
42 36
33
30
39
33
36
33
27
27
36
30
33
18
18 24
33 27
21 18
15
30
15
15
12
13
14
14
12
i 1 10
13 11
12
I;
12
i;)
11
11
10 5
9
0
BIL
46
50
50
43
39
36
39
42
42
36
46
39
43
39
32
32
39
33
36
33
43
36
39
21
21
28
36
30
33
39
32
25
21
10
I i
33
27
21
36
18
18
14
10
30
15
46
39
13
50
42
14
50
46
39
13
39
33
11
43
36
12
36
30
10
39
33
11
32
27
36
30
10
18
15
33 30
13 14
12
11
10
27
13 11
12
11
18
18 24
12 10
18
9 15
15
12
42
14
43
36
39
33
25
18
27
11
7 6
10 5
43
36 12
39 33
11 36
30
10
12
39
33 11
32 27
32
27
11
21
18 6
21 18
28
24
21
21
18 6
10 9
18
15
15
14
12 4
10 7
11
IIP
Fig. 6.4. Formatos de grabacin en una imagen digital: BSQ, bandas seeuenciales;
lili', bandas intercaladas por lnea; BIP, bandas intercaladas por pxel. Los pxeles en gris
indican dnde comienza una nueva banda en cada uno de h>s tres formatos.
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y REALCES
22 1
da se inserta un archivo de cola y otro de cabecera, con objeto de identificar la regin

del espectro sobre la que se est recogiendo informacin.
2. Bandas intercaladas por lnea {BCIIHI Interleaved bx Une, BIL). En este caso,
ios NI) se organizan por lneas en lugar de por bandas, disponindose consecutivamente los correspondientes a todas las bandas, para cada linca, antes de comenzar la lnea siguiente. En definitiva, tras los ND de la lnea I. banda 1. se sitan los correspondientes a la linea I. banda 2. para luego continuar los de la banda 3, 4. etc., hasta completar el nmero total de bandas. Tras la primera lnea de la ltima banda se s i t a la secunda lnea de la banda I, de la banda 2. y as sucesivamente.
V Bandas intercaladas por pxel i Hand Interleuve h\ Pixel, BU3). En lugar de
alternarse los ND en cada lnea, se alternan en cada pxel. As, tras el ND correspondiente al pxel de la lnea 1. columna 1, banda I, aparece el correspondiente a la lnea
i, columna I, banda 2. seguido del adquirido para la lnea 1. columna I. banda 3. etc.
liste formato es. hoy por hoy, poco frecuente, ya que fue ideado para agilizar la clasificacin de sub-imgenes, cuando se empleaban equipos de escasa memoria. Este formato se aplic a la distribucin de imgenes en disquetes de 8 pulgadas, para alimentar
los primeros equipos diseados sobre micro-ordenadores.
3.
Equipos de anlisis digital de imgenes
Si en todos los captulos de este libro resulta muy complejo mantener actualizado
el material que se comenta, la tarea resulta especialmente complicada cuando nos referimos a los componentes fsicos y lgicos de un equipo de ADI. ya que la dinmica del
mercado resulta realmente vertiginosa. Por esta razn, hemos preferido reducir sustancialmente este epgrafe frente a las ediciones anteriores de esta obra, dejando al lector interesado la labor de poner al da, en el momento que le resulte ms necesario, estos aspectos.
La divisin que realizamos en las pasadas ediciones entre equipos bsicos y
avanzados sobre ordenador personal, por un lado, y sobre estacin de trabajo, por
otro, se ha desvanecido bastante, gracias al notable crecimiento de l a s capacidades
de los equipos disponibles. Los avances en los sistemas operativos tambin han supuesto una creciente convergencia entre ambas plataformas, especialmente con la
notable popularidad del Linux (versin UNIX para ordenadores I n t e l ) , que permite
utilizar programas diseados para estaciones de trabajo sobre ordenadores personales.
Para abordar convenientemente las principales operaciones del ADI se requieren,
como en cualquier otra aplicacin informtica, una serie de componentes fsicos y lgicos. Entre los primeros (fig. 6.5) hay que analizar las unidades de entrada (hoy resultan imprescindibles slo el teclado y el ratn electrnico o similar), las de almacenamiento y proceso (memorias internas y externas) y las de salida (principalmente el
monitor, aunque tambin una impresora en color). En este momento, los equipos disponibles en la informtica personal cuentan, de modo estndar, con memorias internas
de 128 Mb, velocidades de proceso superiores a 1 GHz, y almacenamiento en disco
por encima de 20 Gb. Los equipos grficos ms estndar estn ya siendo los monitores
de 17 pulgadas, con un creciente empleo de las tecnologas de plasma lquido, que fa-
c i l i t a n muy buena calidad con menor radiacin. Entre los perifricos de salida, conviene c i t a r las impresoras de inyeccin de tinta, en este momento el estndar en impresin
a color, aunque las lser y de sublimacin trmica suelen ser ms comunes en centros
de investigacin.
En lo que se refiere al componente lgico (software), suelen distinguirse dos categoras bsicas: sistema operativo y programas de aplicacin. Como antes comentamos, existe una clara convergencia en lo que se refiere a sistemas operativos. Actualmente podemos dar por desaparecidos algunos (como el VMS. muy utilizado en ordenadores de cierta potencia en los aos setenta y ochenta, o el MS-DOS, el primer sistema que instal IBM en sus ordenadores personales), dominando el mercado los basados en el entorno Windows (principalmente la versin NT y XP) y las diversas versiones de UNIX (principalmente las basadas en entornos de ventanas. Xwindows. y la
ms reciente Linux, para procesadores I n t e l ) .
Los programas de aplicacin u t i l i z a n los recursos del sistema operativo para comunicarse con el ordenador. Como es bien sabido, el ordenador slo es capaz de procesar caracteres binarios, por lo que toda instruccin que el usuario pretenda ejecutar
ha de ser convertida a este cdigo. Esta tediosa labor la ejecutan los compiladores, programas que convierten una serie de instrucciones ms o menos cercanas al lenguaje
humano en un cdigo que entienda la mquina. Existen distintos compiladores para
cada uno de los lenguajes de programacin, y para los sistemas operativos ms comunes. Entre los lenguajes ms empleados en ADI cabe citar el C (con sus diversas va-
223
riantes), FORTRAN, Pascal (ms recientemente Delphi). Basic (ms recientemente

Visual Basic), IDL y APL.
Ahora bien, lo habitual no ser que el usuario redacte sus propios programas, sino
que utilice alguno de los muchos disponibles, tanto comerciales como de dominio pblico. Existe una variada oferta de programas de ADI que ofrecen las operaciones ms
comunes en este campo, por lo que el intrprete comnmente slo tendr que disear
sus propios programas cuando sea preciso atender una tarea muy particular, especialmente cuando se trata de Lina labor de investigacin. Estos nuevos desarrollos se facilitan gracias a que casi todos los programas disponen de una cierta capacidad de programacin. Puede tratarse de entornos de programacin grficos, que permitan al intrprete seleccionar y encadenar, en el orden que crea conveniente, distintas operaciones
que brinda el propio sistema, o bien de libreras de programas, que el usuario pueda engarzar mediante algn lenguaje de programacin estndar (Basic, por ejemplo). Finalmente, podra tambin ofrecerse la posibilidad de enlazar el programa de ADI con rutinas diseadas lucra del sistema, para realizar operaciones especficas no facilitadas de
modo estndar. Por ejemplo, un modulo de clasificacin externo al sistema, pero con
el que ste pueda compartir formatos.
Las tendencias ms recientes de los equipos de ADI mantienen la separacin entre
hardware y software (en otras palabras, son programas con configuraciones adaptables), insisten en el entorno amigable al usuario que viene observndose desde los aos
noventa, garantizan una buena conexin con bases de datos externas (amplia capacidad
de exportacin/importacin de archivos), cuentan con mayor interrelacin con los Sistemas de Informacin Geogrfica (SIG, cap. 9), y facilitan entornos ms abiertos. Entre
los programas comerciales, los ms conocidos siguen siendo ERDAS, PCI-Geomatics,
ER-Mapper, Envi e Idrisi (aunque ste propiamente se considera ms un SIG que un
programa ADI), mientras entre los de dominio pblico, disponibles habitualmente en
Internet, conviene citar el Multispec, diseado en la Universidad de Purdue. el SPRING.
producido por el Instituto Brasileo de Investigaciones Espaciales (INPE). y el programa GRASS. diseado inicialmente por el cuerpo de ingenieros militares norteamericano. En el CD-ROM anexo a esta obra se ampla la informacin de estos programas.
Finalmente, conviene aclarar que no existe un criterio absoluto para elegir entre
un sistema y otro. En otras palabras, para evaluar un equipo de ADI habr que pensar
en todo momento en la aplicacin a la que se destina. Un usuario con inters en aplicaciones geolgicas valorar la capacidad de visualizacin del equipo, as como las
transformaciones y realces que ofrezca. Por el contrario, uno interesado en cartografa
de la vegetacin o de la cubierta del suelo estar ms atento a los algoritmos de clasificacin que incorpora. Para uno y otro usuario, sin embargo, convendr tener en cuenta
algunas caractersticas generales:
Rapidez de proceso, en funcin del lenguaje de programacin y de la estruc
tura de los algoritmos empleados. Convendr anotar los tiempos empleados en realizar
operaciones comunes, como sera filtrar o clasificar una ventana de la imagen.
Dilogo con el usuario. La mayor parte de los equipos ms recientes mejoran
notablemente la facilidad de manejo, incorporando un sistema de mens y una serie de
instrucciones de ayuda en directo al usuario. Convendr tener en cuenta este aspecto
de cara a obtener resultados en el menor tiempo posible.
224
Id. 6.6.
Imagen correspondiente a ln banda ."> del sensor ETM+ sobre la zona de Torrelaguna
( 1 5 de marzo de 2000).
- Capacidades de exportacin/importacin de archivos, tipo de formatos a los

que accede para lectura o escritura, con especial inters en aquellos ms estndar.
- Capacidades de programacin. Lenguajes macros, libreras o lenguajes de
programacin disponibles.
4.
Operaciones de utilidad general
Se i n i c i a ahora el estudio de las operaciones ms comunes en AD1, siempre en el

contexto de las aplicaciones de la teledeteccin espacial.
A lo largo de ste y el siguiente captulo utilizaremos principalmente una imagen
adquirida por el sensor ETM+ del Landsat-7 el 15 de marzo de 2000 (i'ig. 6.6).' Corresponde a un sector situado al norte de la ciudad de Madrid, que incluye las poblaciones de Manzanares y Soto del Real, Miraflores de la Sierra y Torrelaguna. Hemos elegido esta imagen por tratarse de dalos relativamente recientes, adquiridos en buenas
condiciones de observacin, s in cobertura nubosa, y en una zona bastante variada, tanI. La zona incluye el rea abarcada por la hoja del mapa topogrfico nacional denominada Torrelaguna. por lo que en adelante la identificaremos como imagen Torrel 00, aunque abarca otros municipios.
ANLISIS DIGITAL DL IMGENES: CORRECCIONES Y REALCES
225
to desde el punto de vista de la topografa (desde 2.000 ni en el vrtice NW de la zona,

hasta los 700 m en el valle del Jarama). como de la ocupacin (pinares, caducifolias,
pastizales, zonas residenciales, cultivos, matorral, lminas de agua. etc.). Adems, se
cuenta con imgenes de otras lechas, para realizar comparaciones mullilemporalcs.
Elegir una sola imagen para ilustrar las diversas tcnicas de anlisis digital resulta un
arma de doble filo, ya que. por un lado, f a c i l i ta al lector la comprensin de dicha tcnica, al compararla con otras que ya ha visto o va a ver sobre la misma zona. Por otro,
puede introducir una cierta monotona, ademas de que. en algunos casos, la zona elegiila no sea muy apropiada para esclarecer la tcnica que se est comentando. Finalmenle. la decisin que hemos tomado es eclctica: utilizaremos como base una sola imagen, fiero se enriquecer la interpretacin con ejemplos tic otras imgenes cuando nos
parezca apropiado. En el anexo 4 se incluye una referencia ms completa de todas las
imgenes utilizadas.
Los procesos aplicados sobre esta imagen se basan en varios programas de ADI
disponibles en nuestro departamento: ERDAS Imagine, IDR1SI y, sobre todo. PCIGeomatics, con el que hemos realizado la mayor parte de las operaciones. Hl equipo
base para el proceso que presentamos es el habitual en un ordenador personal:
procesador Pentium I I I , tarjetas grficas de 8 Mb. monitor de 17 pulgadas, memoria
RAM de 128 Mb y memoria en disco de 5 Cib. Esta descripcin no implica, como es
lgico, que las operaciones incluidas en el texto sean exclusivas del programa
utilizado. Es obvio decir que el empleo de estos equipos no implica un menosprecio
hacia otros, sino slo un aprovechamiento de los recursos disponibles en nuestro
departamento.
Se i n i c i a el examen de las tcnicas de ADI con procesos que hemps calificado de
utilidad general, por cuanto pueden aplicarse a diversas finalidades y sirven de escaln
intermedio para otras operaciones ms especficas. Se incluyen en este apartado aquellas actividades que se relacionan con la manipulacin de archivos, clculo de estadsticas sobre la imagen y visualizacin.
4.1.
GESTIN DE ARCHIVOS
Cualquier sistema de ADI incluye una serie de utilidades generales que le permiten gestionar apropiadamente los archivos donde se alojan las imgenes, polgonos auxiliares y tablas de color, as como las distintas transformaciones que sobre e l l a s se
apliquen. Las ms elementales son los comandos propios del sistema operativo, como
copiar, cambiar el nombre o eliminar archivos.
Entre las ms especficas del ADI, la primera en orden cronolgico es la lectura
de los datos originales. Esta operacin implica contar con un programa que importe
los datos en el soporte y formato proporcionados por el organismo distribuidor de las
imgenes. Lo ideal es que permita leer la informacin almacenada en las cabeceras de
cada archivo, con objeto de poder importar automticamente los datos referentes al tamao de la imagen, condiciones de adquisicin y calibracin del sensor. Tambin re2. Utilizaremos los siguientes mdulos del software PCM: IW. lim\>c Works: XI'. X/xicf. (CP.
CCPWorks.
226
ThLDKTKCCIN AMBIENTAL
sulta muy t i l que el programa nos ofrezca la opcin de leer una pequea ventana de la
imagen (que incluya el rea de inters), extrayendo los ND correspondientes a las bandas originales sobre las que se pretenda trabajar.
lisa labor se facilita si el programa de lectura de imagen incorpora alguna rutina
para la visuali/acion del rea designada, lo que permite una localizador) interactiva de
las coordenadas i n i c i a l y final de esa ventana, agilizando bastante el proceso de bsqueda. Si no se conoce aproximadamente la localizador) de esa ventana en la imagen
resulta conveniente contar con alguna opcin para leer la imagen con un factor de reduccin, lo que permite visualizar una superficie mayor a la que admitira la resolucin de la pantalla. Esto implica, en definitiva, un muestreo sistemtico de la imagen,
eligiendo una columna \ l i n e a de cada /;. siendo n el factor de reduccin. Cuando se ha
localizado el arca de nteres sobre esa zona ms amplia puede aecederse a aquella con
la plena resolucin de la imagen (pxel a pfxel).
Una ve/ ledos los datos, el programa necesita generar una serie de campos para
la documentacin de la imagen, que le permitirn gestionar posteriormente su visualizacin y anlisis. Para reconocer apropiadamente un archivo de imagen, cualquier
programa necesita saber sus dimensiones (nmero de lneas y columnas), el nmero de
bandas y nmero de bits por pxel. de otra manera no podr reconstruir la estructura
original de los datos. Adems, si la imagen est georreferenciada es preciso conocer
los datos de la proyeccin, las coordenadas de sus vrtices y el tamao del pxel en x e
v. Otra informacin relevante sera la concerniente a las estadsticas de la imagen (descriptivas, histogramas, etc.), y a las condiciones de adquisicin.
En algunos programas esa informacin se asocia permanentemente a la imagen,
ocupando los primeros bytes del archivo; en otros se almacena en un archivo auxiliar,
con el mismo nombre de la imagen original. Esto facilita la lectura de la imagen por
otros programas, ya que el archivo slo contendr datos de imagen y no informacin
auxiliar. Tambin en funcin del programa de tratamiento elegido, ios datos pueden
almacenarse en formato BSQ o BIL. En el primer caso, cada banda ocupa un archivo
distinto, mientras en el segundo todas las bandas se incluyen en el mismo. Esta segunda opcin agiliza el clculo cuando se trata de generar combinaciones entre bandas de
la misma imagen, pero lo dificulta si se pretende relacionar informacin de dos imgenes. En el caso del programa 1W. toda la informacin se graba en el mismo archivo,
tanto las bandas detectadas por el sensor, como las estadsticas, documentacin, vectores o anotaciones que realice posteriormente el intrprete (fig. 6.7). Esto permite un
almacenamiento compacto, en donde todo lo referente a una escena se encuentra disponible en una sola ubicacin, pero tiene el problema de generar archivos que pueden
llegar a ser muy grandes.
Otra utilidad habitual en los equipos de ADI permite generar una composicin de
dos o ms imgenes, obteniendo una mezcla de informacin interesante para la representacin visual. Basta que un programa sea capaz de leer una imagen o banda y escribir su contenido en aquellas coordenadas de una nueva imagen que le indique el usuario. Por ejemplo, en la figura 6.8 aparece una composicin de cuatro bandas correspondientes a un fragmento de la imagen TorrelOO, que incluye el embalse de Santularia
y el ncleo de Colmenar Viejo. La posibilidad de verlas simultneamente nos ayuda a
interpretar la diversa informacin espectral que contiene cada una de las bandas originales. As, las bandas visibles (azul y rojo) presentan un aspecto muy similar, tendien-
227
ANLISIS DIGITAL I ) K IMAGHNHS: CORRI-CCIONKS V Kf Al ChS
S File Utility: C:\PCI_V70\user\torrel2000cor.

File
Edit View
Tools
Help
Fie. 6.7. Panel de utilidades de I'CI-IW que muestra lainformacion disponible en una
determinada imanen. En este caso se incluyen las bandas originales, vectores auxilales \
coordenadas de re/erencia.
do ambas hacia tonos oscuros, con especial contraste entre las zonas urbanas y de vegetacin. Por su parte, la banda 4 (IRC) presenta una tonalidad ms clara para los pastizales (mayor retlcctividad), mientras la 5 (SWIR) ofrece mejor contraste tierra-agua
y peor entre zonas construidas y de vegetacin natural.
Otra utilidad de inters en ciertas aplicaciones es aislar un sector de la imagen,
definido por un polgono irregular, de cara a aplicarle un tratamiento especfico. La
operacin recibe tambin el nombre de mscara, y se utiliza bastante asiduamente en
el contexto de los SIG (por ejemplo, para obtener resultados referidos a una determinada unidad administrativa). El trabajo con sectores irregulares de la imagen implica los
siguientes procesos:
228
TRUiDHTHCCION AMBIIiNTAL
I ; l ( i . 6.8.
Composicin de 4 bandas de la imagen TorrelOO: a) Banda 1 ( A ) : b )

Banda 2 (K): c) Banda 4 (IRC), v Banda 5 (SWIR).
1. Delimitar los lmites del polgono deseado, con ayuda de un digitizador, cur
sor, o ratn electrnico.
2. Aplicar ese polgono a la imagen original, aislando todos aquellos pxeles
que se siten en el interior de dicho polgono de los que se encuentren fuera. Hstos
ltimos pasarn a tener un ND de 0. por lo que son eliminados de posteriores trata
mientos.
La figura 6.9 ilustra la realizacin de este proceso para la imagen TorrelOO. Se ha
extrado un sector correspondiente al centro de la ventana, definido por la red local de
Fio. (I.9.
Ejemplo de mscara aplcenla a un sector de la imagen tic Tonelagiina.
ANLISIS DIGITAL H IMAGLNLS: CORRLCCIONKS Y RLAI ( LS
229
carreteras. Tras digitizar el polgono se extrajeron los NI) correspondientes a la banda

3 del interior de esa zona, aislndose del resto.
4 2.
l ' r i l IDA!)! S PARA LA VISl 'AL1ZACION
La capacidad para la visualizacin de la imagen debe considerarse como una de

Lis principales caractersticas de un equipo de AD1. lisa capacidad es dependiente del
hardware disponible y de las herramientas que ofrece el sistema para dialogar
con i monitor grfico. La relacin, en este sentido, sera muy amplia, puesto que una
de as tendencias de mayor desarrollo, en el momento presente, tiende precisamente a
construir sistemas mucho ms interactivos con el usuario.
En lo que se refiere al mbito que nos ocupa, las utilidades de visuali/acin ms
habituales son:
1. Conversin digital analgica de los ND almacenados en la imagen, lo que
permite su representacin en el monitor grfico. El proceso tcnico aplicado puede es
tudiarse en otras publicaciones (Richards. 1993, apndice H; Muller, IC)X8/). Basta
aqu indicar que supone convertir un valor numrico (el ND de cada pxel) en una se
al analgica que se enva a un monitor para su representacin visual. Con objeto de
que la imagen visualizada se mantenga en el monitor existe un dispositivo intermedio,
denominado memoria grfica o de refresco (rejresli buffer), que almacena temporal
mente los ND visualizados hasta que se enve una nueva imagen al monitor. A partir
de esa memoria intermedia se produce un barrido del tubo de imagen, a un ritmo de 25
o 30 veces por segundo, suficientemente alto para que no pueda apreciarse por el ojo
humano. Lo ms habitual es que se cuente con tres memorias de refresco, una para
cada uno de los tres colores elementales (RVA), gracias a lo que pueden visualizarse
tres bandas simultneamente.
2. Obtencin de coordenadas. Con ayuda del digitizador o del ratn electrnico
pueden conocerse las coordenadas de distintos puntos de inters, de cara a la correc
cin geomtrica de la imagen (6.3) o a la caracterizacin espectral tic distintas cubier
tas. La localizacin se facilita por la ayuda de un cursor grfico, normalmente en for
ma de cruz o de flecha.
3. Digitizacin de reas sobre la imagen, realizada al igual que en el caso an
terior con la ayuda de un cursor mvil. Lstas zonas pueden hacerse corresponder
con reas de entrenamiento para la clasificacin (cap. 7. apdo. 2.2). con elementos li
neales para anotar los resultados (carreteras o ros), o con sectores que pretenden ais
larse de la imagen (mscaras). En similares trminos cabe expresarse en lo que hace
referencia a la inclusin de rtulos o simbologa grfica (encabezamientos. Hechas de
orientacin, lneas, retcula U.T.M., etc.), de inters para la presentacin cartogrlica
de los resultados (7.2.4).
4. Cambios de escala, esta operacin se dirige a ampliar o reducir la imagen vi
sualizada para verla con mayor o menor detalle, respectivamente. Este proceso se realiza
en la memoria de refresco, por lo que se obtiene casi instantneamente, facilitando la interacti vidad con el intrprete. Adems de aumentar el tamao del pxel. el usuario puede
desplazarse sobre la imagen a esa nueva escala (pan, rail), facilitando notablemente la
230
Fl(. 6.10.
Comparacin cutre un /\wm ior expansin (izquierda) \ por interpolacin (derecha)

sobre una ventana de la imagen AlcalW.
localizacin de zonas de inters. Una ampliacin de mayor calidad visual puede lograrse
mediante un zoont interpolado. Aqu, en lugar de una simple rplica de los ND originales, se crea una nueva matriz de tamao equivalente al nivel de magnificacin. Hn esta
matriz se sitan los ND originales, y se calculan los otros por interpolacin lineal de estos valores. La impresin que causa sobre la pantalla es la de una imagen mucho ms ntida, puesto que mantiene una mejor transicin entre pxeles vecinos (t'ig. 6.10).'
5. Creacin de archivos de visualizacin. En muchas ocasiones resulta muy
conveniente contar con una copia de la informacin almacenada en el monitor. Esto se
consigue gracias a un programa auxiliar que salva la memoria de refresco en el disco,
generando una nueva imagen que puede visualizarse posteriormente. Por ejemplo, un
mosaico de cuatro bandas puede realizarse, adems de mediante extraccin de los 4 archivos y generacin de uno nuevo, mediante una composicin interactiva en el monitor. Gracias a ello pueden visualizarse un conjunto de imgenes y/o elementos grficos
asociados, s i n necesidad de repetir todo el proceso que llev a su creacin. Conviene
tener en cuenta, sin embargo, que en este caso la precisin de los datos depende de la
resolucin de la memoria grfica (en ocasiones la imagen tendr que comprimirse para
que puedan visualizarse varias bandas simultneamente), mientras con la creacin de
un archivo compuesto se mantiene la resolucin original de los datos. Existen numerosos programas en el mercado que permiten capturar la informacin visualizada en pant a l la (o una parte de ella), lo que resulta muy conveniente para fines didcticos.
3. Al tuial que ya comentamos en captulos anteriores, las versiones en color en muchas de l a s l'iMipas que aparecen en el texto en blanco y negro pueden encontrarse en l a s presentaciones incluidas en el
CD-ROM ad junto a esta obra.
ANLISIS DIGITAL DE IMGENES: CORRI-CCIONLS Y RI.ALCLS

4.3.
231
CLCULO DE ESTADSTICAS E HISTOGRAMA DL LA IMAGEN
Ya hemos indicado que cualquier operacin aplicada sobre la imagen parte de

comprender su carcter digital. Al igual que cualquier variable estadstica, la operacin mas elemental que podemos realizar con una imagen es describir su tendencia
central y dispersin. En oirs palabras, conocer cul es la tendencia general de la radiancia delectada en cada banda, y qu nivel de homogeneidad existe entre los pxeles
que la componen. Para ello, cualquier programa de ADI f a c i l i t a el clculo de las estadsticas elementales de la imagen, al menos de las medidas de tendencia central y dispersin ms habituales. Recordando aspectos de estadstica descriptiva, la media de
una banda A puede definirse como:
Estas medidas nos ofrecen una primera valoracin sobre el carcter de cada una
de las bandas y su grado de homogeneidad. Las correspondientes a TprrclOO aparecen
en la tabla 6.1.
De esta tabla se deduce que la banda 1 ofrece el mayor desplazamiento de stis ND
mnimos, lo que puede ser consecuencia del electo de dispersin atmosfrica, como
luego veremos. Los ND medios son ms altos para las bandas 4 y 5, bastante saturadas
a juzgar por los valores mnimo y mximo, muy prximos a 0 y 255. respectivamente.
La banda 5 acoge tambin la mayor heterogeneidad, aunque no muy distinta de la banda 4. Por su parte, la banda I ofrece la menor dispersin. Lgicamente, estos valores
numricos se relacionan con los parinetros de calibracin del sensor y con las regiones del espectro que abarca. Como resulta evidente, la banda 5 es la ms sensible a alteraciones de radiancia, mientras la I ofrece el peor contraste en la escena.
Adems de estos valores medios, tambin resulta de gran inicies contar con el histoTABLA 6.1.
Estadsticas elementales de a imagen de I"orre00
Mximo
Banda
Banda
Banda
Banda
Banda
Banda
1
2
3
4
5
6
24 7
23
25
25
25
25
Mnimo
45
27
17
14
X
5
Los nmeros refi ere n a ND. No se l i a i n c l u i d o l a b an d a t rm i ca.
Media
Dew. tpica
69.26
55.63
58.05
91.13
91.86
62,21
8,87
10.80
15.59
22.87
23.46
19.84
TF.LHDtntiCCION AMI311NTA1.
>32
grama de frecuencias de cada banda, que nos informa sobre cmo se distribuyen los ND
en una determinada imagen. Con objeto de facilitar la representacin del histograma. las
frecuencias absolutas suelen convertirse a relativas, de acuerdo a una sencilla frmula:
FR(Nl) ) =
NDi
[6.3]
siendo ni el numero de niveles digitales de esa banda.

fisto es. la frecuencia relativa de un determinado ND (p. ej., el valor 123) se calcula como el cociente entre el nmero de pxeles que presentan ese valor y el total de
pxeles de la imagen. Eisa proporcin sirve para escalar el histograma, a partir de la frecuencia r e l a t iv a mayor.
Varios autores han puesto de r e l i e v e el inters del histograma para realizar una
primera valoracin de la imagen (Castleman. 1978; Jcnsen, 1996). Su locali/acin
nos permite deducir la tonalidad dominante de cada banda; su anchura est relacionada con el contraste, mientras la presencia de picos relativos puede ser testigo de
determinadas clases de cobertura. Por ejemplo, para el caso de la imagen de nuestro
ejemplo, los histogramas de los ND i fig. 6.1 1) nos permiten realizar algunos comenBanda 4
Banda 1
I"K. 6.1 I.
Histoggramas de las bandas pticas de la imagen de Iorrelaguna.

La escala horizontal va de 0 a 255.
ANLISIS DIGITAL I)F. IMGENES: CORRECCIONES Y RLALCES
233
tarios interesantes. Por un lado, todos el l o s ocupan slo un pequeo margen del rango de variacin ofrecido por el sensor, o, si se prefiere, por el equipo de visuali/acin
(0 a 255). Esto implica la conveniencia de ajustar, de alguna forma, la variacin i n i c i a l a la mxima permitida, lo que supondr una mejora del contraste (ver 5.1). Entre
las bandas aqu incluidas, la 4 y la 5 se confirman como las que ofrecen mayor d is persin (recurdese que poseen la desviacin tpica ms alta), mientras la I y la 2
presentan el histograma ms estrecho. En cuanto al significado de los distintos picos
de frecuencia, resulta muy complicado identificar las cubiertas que los originan. En
aros casos puede resultar ms sencillo; por ejemplo, el mnimo relativo observado
. i ! las bandas 4 a 7. en los valores ms bajos, parece lgico que corresponda a las
arcas inundadas por embalses, ya que en esta banda el agua presenta su mxima absorcin.
Adems de la consideracin de cada banda por separado, tambin resulla de inters tener en cuenta las relaciones entre bandas, con objeto de analizar el grado de informacin original que aporta cada una. Este anlisis puede realizarse grficamente, mediante la construccin de dispersogramas. que presentan en un grfico bivariado la localizacin de los pxeles de la imagen a partir de sus ND en dos bandas. Cuando la
nube de puntos en estos grficos tiendan a formar una lnea (o una elipse de ejes muy
contrastados), las dos bandas tendern a estar muy relacionadas. En otras palabras,
puede ser suficiente trabajar con una de ellas reteniendo la mayor parte de la informacin original. Esto ocurre, tpicamente, entre las bandas visibles (1. 2 o 3) o las situadas en el SWIR (5 y 7). Por el contrario, si la nube de puntos ofrece a l t a dispersin, la
relacin entre las bandas ser pequea o. lo que es lo mismo, las dos ofrecen informacin contrastada y ambas son de inters para el anlisis, como ocurre con la relacin
entre el IRC y el VIS. Por ejemplo, en la figura 6.12 se recoge la correlacin grfica
entre las bandas I -2 y 3-4 de nuestra imagen de ejemplo. Las dos primeras se sitan en
el espectro visible, y tienen una elevada correlacin, pues muchas cubiertas terrestres
poseen una reflectividad muy similar entre ellas. En consecuencia, la nube de puntos
tiende a presentar una forma muy alargada. Por el contrario, entre las bandas 3 y 4 (R e
IRC) existe mucha menor similitud, al tratarse de dos bandas con mayor contraste espectral, especialmente en lo que se refiere a las cubiertas vegetales ( a l t a reflectividad
en la 4, baja en la 3). En consecuencia, a partir del anlisis de la nube de punios podemos incluso distinguir algunas cubiertas: bajos NDen las dos (A en la fig. 6.12) identificarn al agua; bajos en la 3 y altos en la 4 identificar la vegetacin (B), y altos en las
dos. identificarn el suelo (C).
Este anlisis grfico se completa con el clculo de algn ndice numrico de la relacin entre bandas. Uno de los ms empleados es el coeficiente de correlacin lineal
de Pearson, definido como el cociente entre la covarianza de las dos bandas d y /y el
producto de sus desviaciones tpicas:
de sentido anlogo a los smbolos incluidos en |6.1 ] y |6.2|. En este caso, la correlacin entre las bandas incluidas en la figura 6.12 ofrece un valor alto, como es espera-
rHl.HOKTt-rCION AMBIENTAL
234
'50
lie > . 1 2 .
250
Diagramas Je IS/H I WI>// </< A/.s lumilas I 2 ti~t/tlu.l v J--f (cic/ni.).
ble, entre la I y la 3 ir = 0.952). mientras la 3 y la 4 muestran una correlacin mucho

ms baja (/ = 0.248).
Otro aspecto que puede ayudar a entender la radiometra de la imagen es la construccin de perfiles espectrales. La tcnica parte de digitizar sobre la imagen una linca
que recoja las cubiertas que quieren inspeccionarse, de cara a analizar la variacin espacial de los ND en las distintas bandas. En nuestro caso, hemos seleccionado un pequeo transecto que atraviesa un sector de agua (el embalse de Santillunu), un banco
de arena, apenas perceptible, y una zona de pastizal, bastante vigoroso en esta poca
del ao (ig. 6.13). Las tres bandas parten de valores bajos, identificando al agua, para
Fifi. (6. I 3.
Perfil radiomctrico sobre una ventana de la imagen TorrelOO.
ANLISIS DIGITAL DF. IMGLNHS: CORRKCCIONHS Y RLALCLS

23
5
ir aumentando segn cruzan otros tipos de cobertura. Cuando se trata de suelos descubiertos, las tres suben al unsono, mientras que lo hace con mayor intensidad la banda 4
cuando atravesamos una zona de mayor actividad cloroflica, que presentar absorcin en la banda 3 y. en menor medida, en la 5.
s
Realces y mejoras visuales
En este captulo se consideran aquellas tcnicas dirigidas hacia la mejora de la cal id a d visual de la imagen. Tratan de disponer mejor los datos para su anlisis visual, de
lal lorma que sean ms evidentes los rasgos de inters que presenta la imagen. Se incluyen en este apartado los procesos de mejora del contraste, composiciones coloreadas, cambios de escala, y ultrajes.
5. 1.
AJUSTE DE CONTRASTE
Los procesos de ajuste del contraste tienden a adaptar la resolucin radiomtrica

de la imagen a la capacidad del monitor de visualizacin. Como ya vimos anteriormente, cada sensor codifica la radiancia recibida en un nmero determinado de ND, de
acuerdo a las caractersticas de su diseo. Esc rango digital puede no corresponder con
el nmero de niveles visuales (NV) que facilita la memoria grfica, por lo que resulta
preciso ajustar, por algn procedimiento, ambos parmetros. 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 visualizacin, y 2) que la imagen presente un mayor nmero
de NDque posibles NV. En el primer caso se deber aplicar una expansin del contraste original, mientras en el segundo una reduccin del mismo.
La idea de contraste digital puede ilustrarse con un smil fotogrfico. Una fotografa aparece con poco contraste, desvada, cuando no existe una gran diferencia entre sus tonos ms claros y ms oscuros. De la misma forma, podemos definir digitalmente el contraste por relacin a los ND mximo y mnimo de una imagen. Tal definicin puede apoyarse en cualquiera de las medidas de dispersin comnmente utilizadas en estadstica (Schowengerdt, 1983):
C, = NDnm/NDm11
|6.5|
C\ = ND,, m -ND mn
[6.6]
C, = .vN1)
[6.7
Aqu aparecen tres definiciones digitales del contraste: el cociente entre el

valor mximo y el mnimo, el rango, y la desviacin tpica de los ND de la imagen.
A partir de estas medidas puede juzgarse la necesidad de expandir o comprimir el
contraste, en funcin de las capacidades de visualizacin ofrecidas por el sistema.
Hasta el momento, el primer proceso ha sido empleado rutinariamente en la mayor
parte de las aplicaciones. Fin cuanto a la compresin del contraste, resulta una materia de creciente inters con objeto de reducir el volumen de almacenamiento de
TliLiDHTECCION AMBIENTAL
236
l a s imgenes y aprovechar ntegramente los equipos de visualizacin de bajo coste.

A continuacin se presentan con mayor detalle ambos procesos. Se i n i c i a ese comentario con el a n l i s i s de la tcnica que permite aplicarlos operativamente: el diseo y
empleo de l a s tablas de color.
5.1 .1.
Tablas de referencia de color
Una tabla
ncia del color (('olor Look Li Idblc. CLUT). o simplemente
tabla de color, es una matriz numrica que indica el nivel visual (NV) con el que se representa en pantalla cada uno de los ND de la imagen. La CLUT se inserta entre la memoria de refresco \ el tubo de imagen del monitor, lo que permite modificar la relacin
entre el ND almacenado en disco y la intensidad de b r i l l o con que se visualiza (NV).
En otras palabras, ambos valores no tienen porqu ser iguales.
En la mayor parte de los equipos de ADI. la CLUT es una matriz numrica de 3
columnas por 256 l i l a s i v a que el rango de codificacin va de 0 a 255). El orden de la
f i la indica el ND de entrada, mientras el almacenado en la tabla expresa el nivel visual
(NV). con el que ese NI) ser representado en pantalla. Las tres columnas corresponden a los tres colores elementales (RVA: fig. 6. \4u).
Conviene recordar que los equipos de ADI u t i l i z a n el proceso aditivo de formacin del color, por lo que cuanto mayores sean los valores de NV en cada columna,
mayor componente de RVA tendr el pxel finalmente visualizado. Caso de que se
est manipulando una sola banda, lo normal es que la imagen aparezca en pantalla en
tonos de gris. Esto significa que cada ND tiene el mismo componente RVA. Un NV
de 0. 0, 0. indica que el ND al que se aplique ser visualizado como negro, mientras
que 127. 127, 127, supone un gris medio y 255, 255. 255, blanco. Caso de que los tres
valores sean distintos, se estar representando una imagen en color, ya sea con una o
con tres bandas.
Por cuanto una CLUT implica una relacin numrica entre ND y N V. sta puede
tambin representarse grficamente en un diagrama bivariado, en donde el ND de la
imagen se s i t a en el eje X, y el NV almacenado en la consola en el eje Y. Si se visualiza la imagen original, s i n ningn realce, la CLUT puede describirse grficamente
como una lnea recta, que pasa por el origen 0,0 y por el mximo 255. 255 (fig. 6.14b),
lo que supone que el NV sea igual al ND. Con los procesos de expansin o compresin
NV
NV
NV
(azul)
(verde)
(rojo)
2
3
2
3
2
3
255
255
255
255
255
min
ma
x
ND
[ ! ( , . 6.14.
Estructura tubular ( a ) y representacin grfica de una tabla de color (b) (CLUT)
ANLISIS DIGITAL DR IMGKNKS: CORRLCCIONLS Y KLAI ( L S

23
7
del contraste se modifica esa relacin, de tal forma que los N V se distribuyan adecuadamente en el rango de la imagen.
La utilidad de estas tablas numricas puede comprenderse fcilmente con un
ejemplo. Supongamos que se pretende expandir el contraste en una imagen que presente un rango de NI) entre 0 y 127. Para ajlistar dicho rango al que permite el equipo
tic visualizacin (0 a 255) bastara multiplicar por dos cada NI) de entrada, lo que
ampliara su contraste a un rango entre 0 y 254. Ahora bien, tal opcin conlleva dos
problemas importantes: por un lado, transformar los ND i n i c i a l e s para crear una nuea imagen de salida, lo que implica, o bien perder la informacin original, o bien aumentar las necesidades de almacenamiento: por otro lado, ese proceso supone un volumen de operaciones considerable: 786.432 multiplicaciones para una pequea
/ona ile s I 2 X 5 1 2 pxeles y tres bandas. Si consideramos que el realce es slo una
etapa intermedia, y normalmente efmera, del proceso, parece lgico buscar una a l ternativa a ese mtodo. Gracias a la C l . l ' T no es preciso transformar los ND para
modilicarel contraste visual de la imagen. Hasta nicamente transformar la relacin
entre N I ) y NV que incluye la C'LU I. de acuerdo al criterio que se estime ms oportuno. En el ejemplo anterior, podra generarse una sencilla funcin donde NV = 2
NI), con lo que se obtendra el mismo electo visual que la multiplicacin de todos
los ND, con un considerable ahorro de tiempo, pues la modificacin de una CLUT
slo supone 768 clculos (256 NV X 3 caones de color), independientemente del
tamao de la imagen.
A continuacin se presentan las tcnicas ms habituales en realce digital de imgenes. En pocas palabras, se trata de diversos procedimientos de obtener una CLUT
apropiada a un fin especfico: compresin o expansin del contraste, combinaciones
en color multi-banda, visualizacin seudo-coloreada y construccin de tablas de color
de significado temtico.
5.1.2.
Compresin del contraste
En caso de que el rango del sensor supere al nmero de niveles de gris que pueden
visualizarse en pantalla, resulta preciso comprimir los ND originales, ajustando el rango de la imagen al permitido por el terminal grfico. Estos ajustes son necesarios en
dos casos: 1) cuando se cuenta con un sistema grfico de reducida potencia, o 2) cuando se trabaja con un sensor de gran sensibilidad radiomtrica.
La mayor parte de los equipos de visualizacin cuentan con una resolucin en
pantalla de 8 bits para cada uno de los tres caones de color (rojo, verde y azul). Esto
permite visualizar una banda en 256 niveles de gris, o tres en unos 16,8 millones de tonos de color (= 256'). Hace algunos aos, las tarjetas de bajo coste slo disponan de
un nmero mucho menor de colores (habitualmente 256 por pxel), lo que les impida
visualizar todo el rango de ND recogido originalmente por el sensor. Por esta razn,
cuando se trabajaba con estos equipos resultaba necesario comprimir el contraste original de la imagen al nmero de NV disponibles. Asimismo, la compresin es precisa
cuando se pretende visualizar una imagen AVHRR. codificada en 10 bits. Ikonos en
I I bits, o una del SAR (16 bits), sobre un monitor grfico que slo admite 8 bits. El
problema puede solventarse de dos formas: eliminando una parte de la escala que no se
considere relevante, o estableciendo una funcin de compresin de datos. La primera
238
TF.LEDETECCIN AMBIENTAL
solucin es bastante obvia, aunque poco habitual, va que supone una eliminacin arbi
iraria de datos, La segunda puede abordarse por distintos criterios.
Lo ms habitual es reducir el rango original de ND a un nmero conveniente di
intervalos, de forma que la visualidacin en color resultante se asemeje en lo posible a
color real. Esos intervalos suelen sealarse en funcin de las caractersticas de la dis
tribucin de los ND. Pueden indicarse intervalos de igual anchura, que contengan c,
mismo nmero de elementos, o que tengan unos mrgenes delimitados por el intrprete,
fin cualquier caso, a cada uno de ellos se le asigna un nico NV. eliminando su variacin interna. Al reducirse el contraste de la escena, los colores se diferencian menos
entre s. reducindose la calidad de la visualizacin. No obstante, si la seleccin de colores es apropiada puede lograrse una visuali/acin de bastante calidad. Para el caso
de 3 bandas resulta habitual asignar niveles a cada can de color, con loque la composicin contar con 216 tonalidades en pantalla (6!). Existen otros algoritmos de
compresin de imagen algo ms refinados, que controlan el nmero de intervalos asignables a cada banda de la composicin en color mediante un proceso similar a la clasificacin no supervisada de la imagen, que luego veremos (Baudot, 1990; Mulla;
1988/?). Normalmente parten de establecer una serie de particiones en el espacio tridimensional formado por las tres bandas que forman una composicin en color. En
funcin de la anchura del histograma de cada banda se asignan ms o menos particiones por color. Para asignar un intervalo de ND a cada una de esas particiones se establece el rango de variacin ms significativo en cada una de las bandas, calculado a
partir de su media y desviacin tpica. Finalmente se clasifican los ND de la imagen en
la particin ms cercana en ese espacio. El resultado del proceso es una nueva imagen,
mono-banda, que se asocia a una CLUTpara representar, con la mayor semejan/a posible, la variacin cromtica de la composicin multi-banda. aunque slo precisa la
tercera parte de almacenamiento.
Actualmente, la mayor parte de los equipos cuentan con tarjetas grficas de mucha mayor potencia, por lo que la compresin de imgenes no ser una tarea vital, salvo por problemas de almacenamiento. En ese caso, es ms comn utilizar algoritmos
de compresin del color, que consiguen una calidad apenas diferenciable de la original
a una fraccin de su tamao. Son bien conocidos en la informtica grfica algunos algoritmos de compresin como el LZW, que permite crear imgenes GF (Graphics
Interchange Formal), muy utilizado en la edicin de pginas web, aunque limitado a
256 colores, el JPEG (Joint Photographic Expert's Group), que acepta hasta 24 bits
por pxel y garantiza ratios de compresin de hasta 20:1 sin apreciable prdida de calidad, y ms recientemente el PNG (Portable Nelwork Graphics), desarrollado por
Compuserve y W3C, que acepta tambin hasta 24 bits por pxel e incluso ima capa adicional para superposiciones, aunque los ratios de compresin no son tan altos como
los JPEG. ltimamente se han desarrollado nuevas tcnicas para la compresin masiva
de imgenes, de cara a su distribucin a travs de Internet. Entre ellas, estn teniendo
bastante aceptacin las basadas en onditas (wavelets), que consiguen ndices de
compresin bastante altos con baja prdida de informacin.
5.1.3.
239
Expansin del contraste
Ms habituales que los procesos de compresin son las tcnicas de realce del contraste, porque la mayor parte de las imgenes olrecen un rango real de ND inferior a las
capacidades del equipo de visualizacin. Aunque la resolucin radiomtrica de la ma\or parle tic los sensores actuales es de 8 bits por pxel, en la prctica ninguna imagen
aprovecha lodo ese rango, ya que difcilmente en una sola escena se encontrarn todos
ios posibles valores de radiancia para los que se calibr el sensor. De esta forma, el hisi'irama real de los ND de cualquier imagen nunca satura los 256 posibles ND de la
miagen. Visualmente esto implica que haya tonos de gris que no se utilicen, con lo que
imagen aparece en el monitor con poco contraste.
Por ejemplo, la figura 6.15a presenta la banda 3 de nuestra imagen de ejemplo, tal
y como corresponde a sus ND originales. Como puede observarse, la imagen ofrece
un bajo contraste, difuminndose algunas caractersticas de inters. Como ya vimos
al analiz.ar el histograma, esta banda presenta un rango de ND que ocupa slo un
pequeo sector de los 256 ND posibles, lo que confirma su reducido contraste.
De acuerdo a las ideas antes comentadas es posible realzar ese contraste, diseando una CLUT que haga corresponder el rango de ND presente en la imagen con el total
de los NV posibles. Varios procedimientos pueden conseguir este objetivo: I) distribuir los NV linealmente, entre el mximo y mnimo ND de la imagen (fig. 6.15/?),
Fl(. 6.15. Diversos realces del contraste sobre la imagen: a) sin realce; b) realce lineal;
c) realce frecuencia!; d) realce especial sobre reas de baja radiancia.
TliLKDHTRCCIN AMBIHNTAL
240
255
Fi(. 6.16.
127
255
Expansin lineal tlcl hslogrania v perfil tic la Cl.ll'l'. El histograma original aparca1
al fondo en gris.
2) distribuir los NV a partir del histograma de los ND originales (fig. 6.15c), y 3) distribuir los NV en un determinado rango de inters (fig. 6.15/). Estos son los tres procesos de expansin del contraste que a continuacin se analizan. Para presentar estos
realces consideraremos una CLUT de una sola columna. Si se pretende un realce para
una composicin en color se seguira un modelo similar para expandir cada una de las
bandas que la formen.
5.1.3.1.
Expansin lineal
Es la forma ms elemental de ajustar el contraste de la imagen al permitido por el

equipo de visualizacin. Basta disear una CLUT en la que el ND mnimo y mximo
de la imagen tengan asociados un NV de 0 y 255, respectivamente, distribuyendo linealmente el resto entre ambos mrgenes. En la figura 6.15^ aparece la imagen anteriormente presentada tras aplicarle una expansin lineal del contraste. Como puede
observarse, la imagen aparece ahora ms ntida, mejor contrastada. Su histograma
ofrece una distribucin ms equilibrada (fig. 6.16). Las colas del histograma se han fijado en los extremos del rango y los valores intermedios estn mejor repartidos en la
escala. La representacin grfica de la CLUT supone una lnea de mayor pendiente
que la anterior, comprendida ahora entre los ND mnimo y mximo de la imagen.
Para llevar a efecto esta transformacin se precisa encontrar una funcin lineal,
que ajuste la relacin ND-NV de acuerdo a la relacin antes comentada. Esa funcin
nos permite construir una CLUT apropiada, en la que se sustituya la correspondencia
NV = ND. por una nueva, en donde los NV ocupen el rango completo de visualizacin
y no slo el que ofrece la imagen original. En definitiva, se trata de establecer una
ecuacin lineal del tipo siguiente:
16.81
ANLISIS DIGITAL DE IMGBNHS: CORRLCCIONLS Y RLALCLS
241
en donde cada NV es una funcin de los ND originales, tras aplicarles dos constantes,
denominadas sesgo (bicis) y ganancia (gain), respectivamente. Para conocer el valor
de s y > basta aplicar un sencillo sistema de ecuaciones. Ya que sabemos que el mnimo
y el mximo ND deben igualarse a 0 y 255. respectivamente, puede expresarse:
0 = .v + ,i>'NDmin
-255- ND
,v =--------------------
NDmax - NDmin
|6.1() |
Aunque la transformacin puede expresarse en un solo trmino como:

ND-ND
N V = ----------- ----- 255
ND,,,:1, - NDmin
|6.11]
pero resulta ms apropiado utilizar f6.8|, por ser la frmula convencional en transformaciones lineales de datos. En lugar de igualar el NDmiv y el NDinin a los valores mximo y
mnimo, respectivamente, tambin pueden extraerse otros valores menos extremos,
como los percenliles del 95 y 5 %, o un cierto nmero de desviaciones tpicas por
encima y por debajo de la media. Esto permitir que tengan menos influencia posibles
valores anmalos que presente la imagen.
Un ejemplo concreto puede ayudar a comprender mejor el proceso. Para obtener
la expansin lineal del contraste antes presentada se parti de las medidas estadsticas
de la banda 3 (tabla 6.1) que sirvieron para aplicar las frmulas anteriores. Fin este caso
se estableci un umbral mnimo y mximo a partir de la media dos desviaciones tpicas. En consecuencia, el rango a expandir se situ entre 28 y 89 ND. De acuerdo a
[6.9 y 6.10]:
g =255/(89-28) = 4.18
s = (-255 * 28) / (89-28) = -1 17,049
242
TABLA 6.2.
Expansin lineal de la imagen Torre 100 (Media 2 S)

NV
V/
J
II
V/J
(1
65
154
1 l()
5
10
15
(]
70
7^
135
1'
|9<
SO
217
23X
20
25
30
35
40
45
50
55
60
1)
0
29
511
;
91
12
133
01
0i 10
i 15
!()
1 25
2:;^
255
255
255
255
255
255
2 ;< S
V/J
1 K)
1r
150
155
160
165
170
1 75
180
!S-191
NI)
NV
:^
i 95
255
!()()
25
5
25
25
25
,,;.-
255
255
255
255
255
255
255
255
255
205
210
1\?
220
230
235
240
245
250
2:: 5
2^5
252 5 -,
25
25
25
25
25
->s
Con eslos valores puede construirse la CLUT que aparece en la tabla 6.2. de
acuerdo a la siguiente expresin:
N V = ENT (-1 17,049 + 4.18 ND)
la expresin ENT indica que el resultado se redondea al entero ms cercano. Adems.
NV = 0 cuando N V < 0, y N V = 255 cuando N V > 255, puesto que la tabla de color slo
puede estar formada por nmeros enteros entre 0 y 255. Esta tabla puede representarse
grficamente, de forma similar a cualquier recta de regresin (fig. 6.16).
5.1.3.2.
Ecualizacin del histograma
La expansin lineal del contraste no tiene en cuenta la distribucin de los ND en

una imagen, sino slo sus extremos. Parece lgico, sin embargo, tener en cuenta la distribucin real de valores, aplicando una expansin proporcional a la frecuencia de aparicin de cada uno de los ND. Esto implica generar una CLUT en la cual cada NV tenga, aproximadamente, el mismo nmero de ND de la imagen. En otras palabras, aquellos ND con mayor nmero de pxeles sern los que, proporcionalmente, ocupen un
mayor rango de visualizacin en el monitor. El proceso es ms laborioso que el comentado previamente, pero ofrece mejores resultados, especialmente si la imagen original presenta una distribucin gausiana.
Como puede observarse en la figura 6.15c, la ecualizacin del histograma ha supuesto un realce ms equilibrado, mostrando menos contraste entre las zonas de alta
reflectividad y las de baja. A consecuencia de este realce, el histograma de la imagen
ofrece una mejor distribucin de los datos (fig. 6.17). Tambin se evidencia que el perfil
grfico de la CLUT no es recto sino curvilneo, similar al que tendra el histograma
acumulado de los ND originales.
La lgica de clculo pasa por igualar el histograma de los NV con el de los ND.
Para construir una CLLIT con un trazado similar al histograma de la imagen puede seguirse el proceso de la tabla 6.3.
ANLISIS DIGITAL DE IMGENKS: CORRECCIONES Y REALCES
243
255
Fio. 6.1 7.
127
255
Expansin frecuencial del histograma v perfil le la C.UT.
1. Calcular la frecuencia absoluta y acumulada de los ND de la imagen original.

2. Esta frecuencia se compara con una frecuencia objeto, que sera la que se ob
tendra si todos los NV de la imagen tuvieran la misma frecuencia (el cociente entre el
total de pxeles de la imagen y el nmero de N V posibles). En nuestro caso, la frecuen
cia objeto sera 736.136 / 256; esto es, 2875,53 pxeles por cada N V. Trabajando con
frecuencias relativas, cada NV debera albergar el 0,3906 % de los pxeles de la ima
gen. Estos valores tambin se acumulan para compararlos con la frecuencia acumula
da de los ND de la imagen.
3. De esta comparacin se selecciona, para cada ND, el NV que presente un va
lor ms prximo en la frecuencia objeto acumulada.
En la tabla 6.3 se incluye un resumen de los clculos necesarios para obtener una
tabla de color con expansin frecuencial. Para simplificar las cosas hemos seleccionado
nicamente rangos de 5 ND. En consecuencia, cada intervalo en la frecuencia objeto debera presentar 1,95 % de los pxeles de la imagen. Como observamos en esta tabla, el
N V correspondiente a todos los ND inferiores a 25 es 0. porque su frecuencia objeto ms
similar es la correspondiente al NV = 0 (la frecuencia acumulada de la imagen en todo
ese rango es 0,056 y la frecuencia objeto acumulada es 1.95). De la misma forma, al ND
= 40 le corresponde el NV = 30, porque su frecuencia acumulada (12,993) es ms similar a la del NV = 30 (13,672), y as sucesivamente hasta culminar el proceso.
5.1.3.3.
Expansin especial del contraste
Supone un caso particular de los mtodos anteriormente estudiados. La novedad

radica en restringir el contraste a un rango especfico de ND, en donde se manifieste
con mayor claridad una cubierta de inters. Por ejemplo, en una aplicacin sobre zonas
TABLA 6.3.
Realce frecuencia! de! contraste
ANLISIS DIGITAL DH IMGENES: CORRECCIONES Y REALCES

24
5
marinas convendr resaltar especialmente la visualizacin de los valores ms bajos del

histograma. aunque se pierda contraste en otros rangos de la imagen.
La expansin especial puede realizarse sealando un umbral mximo y mnimo,
acorde con el rango digital de la cubierta que pretende realzarse (mtodo l in e a l) , o limitando el histograma objeto a una ventana de la imagen donde est presente dicha cubierta (realce recuencial). En ambos casos, esta operacin supone afinar mucho ms
la representacin visual de esa cubierta, en detrimento del contraste en otras reas.
' na muestra de este realce puede observarse en la figura 6.15c/, que recoge una expansin parcial sobre las zonas de baja radiancia florestales y agua). Como puede observar se. queda ms en evidencia la variacin interna de estas cubiertas, especialmente
en i caso de los embalses de la imagen y las zonas forestales situadas en el lmite occidental. En estos sectores pueden observarse algunas diferencias internas apenas perceptibles en los anteriores contrastes. Como contrapartida, centrarnos sobre ese rango
implica perder definicin en el resto del rango tonal de la imagen, como consecuencia
de haber expandido un intervalo de visualizacin muy pequeo.
Un caso particular de este tipo de expansiones sera la binarizacin de la imagen. Su objeto es reducir el contraste de la imagen a dos tonos, blanco y negro, con lo
que la CLUT aparece con un perfil tpico de escaln. El primer peldao sita todos
los rangos que ocuparn un tono negro, y el segundo los que presentarn un tono
blanco. Este tipo de procesos se utilizan para aislar un sector de ND de inters para
un anlisis posterior. Por ejemplo, pueden separarse los ND correspondientes a la
zona de agua en un estudio oceangrafico, de cara a evitar los ruidos que podran llevar consigo las zonas costeras. Lgicamente en este caso, no se trata de una expansin, sino de una compresin del contraste, muy drstica, pues toda e l l a quedara reducida a dos niveles.
5.2.
COMPOSICIONES EN COLOR
A partir de la informacin multi-espectral que generan la mayor parte de los sensores

espaciales pueden obtenerse distintas composiciones de color. Basta para ello aplicar cada
uno de los tres colores primarios (rojo, verde y azul) a una banda distinta de la imagen, seleccionada con el criterio y en el orden que se estime ms oportuno. El proceso permite visualizar, simultneamente, informacin de distintas regiones del espectro, lo que facilita la
delimitacin visual de algunas cubiertas. Por tratarse de bandas distintas, la CLUT aplicada
a una composicin en color presenta tres columnas con distintos valores. Nonnalmen-le,
stos se corresponden con los obtenidos en una expansin del contraste aplicada por
separado a cada una de las tres bandas que intervienen en el proceso.
La eleccin de las bandas para realizar la composicin, y el orden de los colores
destinados a cada una, dependen del sensor sobre el que se trabaje y de la aplicacin
ltima del proyecto. Como ya vimos anteriormente (cap. 5, apdo. 2.2), la composicin
ms habitual es la denominada falso color o infrarrojo color, fruto de aplicar los caones de color rojo, verde y azul sobre las bandas correspondientes al IRC, R, V, respectivamente (fig. 12*). Esta composicin facilita la cartografa de masas vegetales, lminas de agua, ciudades, etc., de ah que se haya empleado profusamente en diversos estudios de anlisis visual.
246
TELEDETHCCIN AMBIENTAL
Con la creciente proliferacin de los sensores hiperespectrales. las posibilidades

de realizar composiciones coloreadas de bandas son prcticamente ilimitadas. Lgicamente, slo algunas tendrn un inters especfico para una determinada aplicacin, y
muchas de ellas sern casi idnticas. De cara a establecer algn criterio ms objetivo
para seleccionar las bandas ms adecuadas para una composicin en color se han propuesto algunos ndices estadsticos y cromticos, que permiten retener mejor la varianza original de los datos. De esta forma se define el denominado ndice ptimo
(Optimum Index hactor, OIF):
donde ,vt indica la desviacin tpica de cada una de las tres bandas que intervienen en la
composicin y r, el coeficiente de correlacin entre cada par de esas mismas bandas
(Jensen, 1996, pp. 97-100).
Otros mtodos propuestos para seleccionar la composicin en color idnea tienen
en cuenta el elipsoide de mxima variacin, que supone un planteamiento novedoso
frente a los mtodos estadsticos convencionales (Sheffield. 1985) y el valor de la divergencia (Mather, 1998), que luego comentaremos (cap. 7, apdo. 2). Los resultados
de estas tcnicas muestran una tendencia similar. Para las imgenes TM, con las que se
han aplicado profusamente estos ndices, la mayor parte selecciona una banda en el
VIS, otra en el IRC y otra en el SWIR. identificando as los tres ejes principales de variacin en una imagen TM (excluido el trmico).
5.3.
EMPLEO DEL SEUDO-COLOR
Varios autores han puesto en evidencia que el ojo humano es ms capaz de distinguir tonos de color que intensidades de brillo (Ruiz, 1994). Por tanto, el empleo del color
puede ayudar a la interpretacin de una imagen, incluso si slo disponemos de una banda. En estos casos, no podemos hablar propiamente de color, pues se requeriran tres
bandas, sino ms bien de seudo-color. Para una mezcla de tres bandas utilizamos distintos NV en cada can de color (R, V,A), siendo iguales cuando se visualiza una sola banda (en blanco y negro). Sin embargo, podemos disear tambin una CLUT en donde se
varen los NV para los tres colores, aunque slo haya una banda de ND de entrada. En
otras palabras, el seudo-color implica crear una CLUT que asocie el NDde una sola banda a distintos componentes de rojo, verde y azul. Esto puede tener sentido en dos casos:
1) cuando se pretenda obtener una clave de eolor en una imagen clasificada, y 2) cuando
se intente realzar el anlisis de una determinada banda de la imagen, sustituyendo los niveles de gris por tonos de color. Tambin se utiliza el seudo-color cuando se comprime
una imagen en color de 24 a 8 bits, generndose una paleta de color que se asimile a la
variedad cromtica original contenida en la composicin de las tres bandas de entrada.
A modo de ejemplo, aparece en la tabla 6.4 una CLUT diseada para representar
visualmente una imagen clasificada. En ella, cada ND indica una ciase temtica distinta (por ejemplo, una categora de ocupacin del suelo), que ser visualizada en panta-
ANLISIS DIGITAL Dil IMGENES: CORRECCIONES Y REALCES

24
7
l i a con distintos tonos de color. El ND I (supongamos que indique zonas urbanas) se

visualizar en color rojo, ya que aplicamos la intensidad mxima de rojo (recordemos
que la escala comprende de 0 a 255) y una mnima de verde y azul. De la misma forma,
el ND 2. que podra representar cubierta vegetal, se visualizara en verde, dando un valor mximo a esle can de color y mnimo a los otros dos. Lgicamente, se pueden
plantear colores por mezcla de distintas intensidades de R,V,A. Por ejemplo, el ocre
indica una mxima intensidad de rojo y media de verde, sin azul. La paleta de color
disponible permite visualizar, por tanto, combinaciones de 256 niveles RVA, o lo que
es lo mismo unas 16,8 millones de tonalidades (2561). Lgicamente, no todos estos colores pueden distinguirse en la prctica, por lo que bastar con seleccionar unos cuantos (entre 10 y 20 suele ser necesario) para construir una clave de color apropiada a
cualquier clasificacin temtica.
Tambin puede emplearse el seudo-color para visualizar en color alguna de las
bandas originales, realzando el anlisis de esa banda. El seudo-color puede aplicarse al
conjunto de los ND de la escena, diseando una CLUT formada, por ejemplo, por nmeros aleatorios entre 0 y 255, para cada uno de los tres colores. Ahora bien, esto complicar la interpretacin, pues no habr ninguna escala de referencia para el analista.
Por ello, lo ms habitual es aplicar una transformacin del color progresiva, en donde
la CLUT tiene una direccin determinada de gradacin: por ejemplo, desde los tonos
azules para los ND bajos hasta los rojos, para los ms altos. Una aplicacin concreta de
esta tcnica sera la visualizacin de imgenes de temperaturas (6.2.4) o de ndices de
vegetacin (cap. 7, apdo. 1.2), que tratan de representar la intensidad de dos fenmenos fsicos (calentamiento y vigor vegetal, respectivamente), y pueden representarse,
por ejemplo, por tonos de azul-rojo, en el primer caso, y de ocre-verde, en el segundo.
En estos casos, en lugar de aplicar una CLUT a toda la escala de ND original,
puede ser recomendable dividir antes el rango original en una serie de intervalos de
densidad (density slicing). Este nombre se emplea para indicar que cada uno de esos
grupos corresponde a valores de radiancia relativamente similares. Esto facilita la posterior interpretacin visual de los resultados, yaque el observador podr distinguir con
mayor claridad entre diversas categoras. Los umbrales que definen cada intervalo
pueden establecerse arbitrariamente o con algn criterio estadstico: por ejemplo, sealando una anchura constante a partir del rango, o seleccionando intervalos de la misma frecuencia. En cualquier caso, los umbrales elegidos pueden modificarse interacti-
248
TELHDKTKCCIN AMBIHNTAL
vamente, con lo que el usuario puede detectar, en cada banda, el rango de ND que
comprende un fenmeno de inters. Asimismo, le facilita un primer balance de los solapes con otras categoras, de cara a su clasificacin digital.
5.4.1 NATURALEZA DE UN FILTRO DIGITAL

Al igual que en ia > . nicas fotogrficas convencionales, el filtro se aplica en anl i s i s digital para a i s l a r componentes de inters. Hemos visto previamente tcnicas que
mejoran el contraste lona! en la imagen, esto es. la diferencia entre los valores ms oscuros y mas claros que se \ isuali/an en el monitor. El otro componente de la imagen es
el contraste espacial, o si se prefiere la diferencia entre el ND de un determinado pxel
y el de sus vecinos. Mediante tcnicas de ultraje se pretende suavizar o reforzar estos
contrastes espaciales, de tal forma que los NI) de la imagen se asemejen o diferencien
ms de los correspondientes a los pxeles que les rodean.
Como ya vimos anteriormente, si trazamos un perfil radiomtrico en una determinada zona de la imagen (fig. 6.13) observamos numerosos picos y valles, a consecuencia de cambios bruscos en las caractersticas radiomtricas de la cubierta del suelo. Como en cualquier serie estadstica, esa lnea podra considerarse como una suma
de dos componentes: las bajas frecuencias, que indicaran la tendencia general de la
variacin, y las altas frecuencias, que sealaran los contrastes ms locales. El propsito de los filtros digitales es retener unas u otras, en funcin del objetivo que persiga el
intrprete. Se denominan, respectivamente, filtros de paso bajo y paso alto. Hay dos
procedimientos para llevarlos a cabo: aplicar a todos los pxeles de la imagen una operacin aritmtica que tenga en cuenta el valor de los inmediatos (filtros en el dominio
espacial), o retener ciertos componentes de las frecuencias de la imagen (filtros en el
dominio de la frecuencia). Los primeros resultan bastante sencillos de comprender y
aplicar, mientras ios segundos requieren un aparato matemtico que excede el contenido de este manual. Baste aqu decir que se basan en las transformadas de Fourier, que
convierte una imagen en una funcin bidimensional con dos componentes de frecuencia (horizontal y vertical), asumiendo que la variacin de los ND en la imagen puede
aproximarse a una funcin continua compleja. Aplicada la transformacin, se obtienen los espectros de Fourier, que representan los componentes de fase y amplitud que
definen una determinada imagen. Sobre ese espectro pueden aplicarse ciertos filtros y
correcciones, especialmente valiosas cuando se trata de ruidos sistemticos (por ejemplo un bandeado), pues aparecern en una determinada direccin de la frecuencia ( P i n i l l a el ai, 1997; Richards, 1993). Una vez realizada la modificacin puede retornarse
al dominio de la imagen aplicando una transformada de Fourier inversa.
Hemos incluido los filtros digitales en este captulo porque las tcnicas de filtraje
se dirigen, directamente, al realce visual de la imagen. Al igual que las operaciones antes comentadas, pretenden mejorar la visualizacin de las imgenes, ya sea para eliminar valores anmalos, ya para resaltar rasgos lineales de inters. Sin embargo, a diferencia de las operaciones ya comentadas, el filtraje implica modificar los ND originales, y no slo la forma en que se representan visualmente. En otras palabras, no se trata
249
slo de transformar los NV almacenados en las CLUT, sino tambin los ND de la imagen (aunque habitualmente se realice en memoria grfica, para no perder los datos originales). Por tanto, si pretende abordarse una clasificacin digital, las imgenes filtradas no resultan, en principio, muy convenientes, aunque refuercen visualmente rasgos
de inters respecto a la imagen original.
Como hemos indicado, se suelen distinguir dos tipos de filtros de acuerdo al objet i v o
que se persiga: los filtros de paso bajo (low pass filtering) tienden a destacar el
imponente de homogeneidad en la imagen, subrayando aquellas reas donde la I re ncia de cambio es baja, mientras los filtros de paso alto (hii>h pass/Uterina) se dirialzar los componentes de alta frecuencia: esto es. aquellas reas de alta variabilidad,
donde el contraste espacial es intenso.
Ambos tipos de filtrado pueden abordarse con el mismo mtodo. Si el objetivo ltimo es ponera ios pxelesde la imagen en relacin con sus vecinos (ya sea para homogenei/arlos, ya para diferenciarlos), basta reali/ar una serie de operaciones aritmticas
entre cada uno de ellos y sus inmediatos. La forma concreta de efectuar este proceso es
aplicar sobre los NL) originales una matriz mvil de coeficientes de filtraje (CF). lista
matriz, (denominada, por algunos autores, kcnwl) puede tener un tamao variable, en
funcin del nmero de pxeles vecinos que queramos implicar en el proceso. Lo habitual es que se trate de una matriz de 3 X 3 CF, que se aplica sucesivamente a todos
los pxeles de la imagen. Puede tambin disponerse de matrices de filtraje mayores, de
5 x 5 o 7 X 7 pxeles. Cuanto mayor sea sta, el efecto de suavizado o realce espacial
es ms intenso, al considerar corno vecinos un mayor nmero de pxeles.
En cualquier caso, la matriz de CF se aplica sucesivamente a la imagen original,
desplazndose hacia la derecha tras calcular el nuevo valor del pxel central, que es el
nico que se modifica en cada desplazamiento (fig. 6.18). El siguiente clculo, s in embargo, se obtiene de los ND originales, y no de los ND ya filtrados, con objeto de que
loda la imagen tenga la misma funcin de filtrado.
El resultado de un filtro digital depende de los CF sealados por el usuario. Si stos tienden a ponderar el valor central en detrimento de los circundantes, el pxel refuerza sus diferencias frente a los vecinos. Por el contrario, si los coeficientes favorecen a los pxeles perifricos, el central se asemejar ms a los adyacentes. Es obvio
decir que en el primer caso nos encontraramos ante un filtro de paso alto, mientras en
el segundo sera de paso bajo.
En suma, el procedimiento matemtico del fillraje consiste en relacionar cada pxel
con sus vecinos, de acuerdo a unos coeficientes determinados por el usuario. En el caso
de una matriz de 3 X 3 CF, la formula para obtener el ND filtrado sera (Mather. 1998):
donde ND, / indica el ND original del pxel /,_/; ND., el ND de salida para ese mismo
pxel; CF. el coeficiente de filtraje correspondiente, y/y c la fila y columna central de
la matriz de filtraje. El resultado de esta frmula se aproxima al entero ms cercano.
Tambin se ha propuesto dividir el numerador por el nmero de pxeles de la ventana
de filtrado (9 si se trata de 3 x 3), independientemente de los CF que se sealen.
TEI.EDF.TECC1ON AMBIENTAL
250
Fifi. 6.1 S. Diagrama sobre el funcionamiento de un filtro espacial. Ett cuta momento
se aplica la operacin sobre el p.xcl central (en ;ris) de la matriz de filtraje.
El proceso abordado en un Ultraje puede ilustrarse con un sencillo ejemplo. Se

pretende aplicar un filtro de paso bajo a una pequea imagen de 5 x 6 pxeles, empleando la frmula anterior sobre una matriz de 3 x 3 CF (fig. 6.19). La observacin
del resultado permite extraer algunas consideraciones de inters. En primer lugar, se
constata que el rea filtrada se limita a los pxeles centrales. Los pxeles de borde no se
afectan por el proceso, puesto que no tienen los 8 vecinos necesarios para realizar el
clculo. Esta caracterstica es comn a cualquier filtraje, ya sea de paso alto o bajo.
Obviamente, en el caso de una imagen de mayor tamao ( 5 1 2 x 5 1 2 pxeles, por ejemplo), la prdida de esos pxeles de borde no supone una grave inconveniencia.1 Otros
autores prefieren aplicar algn promedio especial a estos pxeles. en lugar de igualarlos a cero.
12
14
24
32
34
10
18
21
35
38
40
17
21
29
35
25
15
17
27
40
43
17
21
28
35
18
16
18
24
29
39
18
19
25
31
14
16
20
20
27
36
Imagen origina
magen filtrada
Fie;. 6.19. Ejemplo de filtraje digital.

4. En una matriz de filtraje de 3 x 3 se pierden la primera y ltima t i l a y eolumna. Si empleamos
matriees de mayor tamao, la merma ser ms significativa: con 5 x 5 se perderan las dos primeras y ltimas; con 7 x 7 las tres, ele
ANLISIS DIGITAL DH IMAGKNHS: CORRKCCIONKS Y RLAl.CHS
251
Volviendo a nuestro ejemplo, el nuevo ND del pxel central se calcula por un promedio de los 8 vecinos, con una pequea ponderacin del valor central, lisos coeficientes se han aplicado a todos los pxeles centrales de la imagen. Por ejemplo, el situado en
la f i l a 3. columna 3. con un ND inicial de 17 se convierte en la nueva imagen en:
ND'3,3 = ( 1 8 + 21 +35 + 15 + 2 x 17 + 27 + 1 6 + 18 + 24)/ 10 = 20,8-21
que es un valor mas cercano al sector oriental de la imagen, con valores bajos. De igual
orina se procede con el resto de los pxeles hasta obtener la imagen filtrada. Al terminal
el proceso, el contraste global se ha reducido: mientras la desviacin tpica original de
los 12 pxeles afectados por el Ultraje es 8,91. la correspondiente a los filtrados es
indica una mayor homogeneidad espacial en la nueva imagen. Un efecto ms 1.1 aro
se hubiera obtenido al analizar una mayor superficie y/o aplicar un promedio simple en
la matriz de CF. Un proceso similar se empleara para cualquier otro tipo de filtra je.
5.4.2.Filtros de paso bajo

Tienen por objetivo suavizar los contrastes espaciales presentes en la imagen. Rn
breves palabras, se trata de asemejar el ND de cada pxel al de los pxeles vecinos, reduciendo la variabilidad espacial de la escena. En trminos visuales, esto supone que
la imagen filtrada ofrece perfiles menos ntidos, ms difuminados, como puede apreciarse en la figura 6.20, que recoge la banda 4 original y filtrada de la imagen que venimos comentando. Si comparamos ambos sectores de esta figura se observa ntidamente
el efecto del filtraje. Como vemos, la imagen filtrada se muestra bastante difumina-da,
se han perdido la mayor parte de los contrastes espaciales, especialmente en lo que se
refiere a la red vial de las reas residenciales (A en la figura 6.20). El efecto es ms
evidente cuanto mayor es el tamao de la ventana de filtraje. A cambio, la diferencia
en la seal radiometrica entre estas zonas y las no urbanizadas se habr hecho ms patente, al eliminarse gran parte del contraste interno.
Este tipo de filtraje se u t i l i z a para restaurar los errores aleatorios que pueden presentarse en los ND de la imagen, fruto de un defecto en la adquisicin o recepcin de
los datos. As mismo, se ha empleado para reducir la variabilidad espacial de algunas
Fio. 6.20.
Filtros de paso bajo sobre una ventana de TonelOO: de tzi/da. a deha.: original,
filtro de 3 X 3, filtro de 9 X 9.
TKLHDETliCCION AMBIENTAL
252
categoras, como paso previo a la clasificacin. En este caso se pretende atenuar el denominado ruido de la escena, producido en las zonas altamente heterogneas en relacin con la resolucin espacial del sensor. El caso ms claro, y el ms estudiado, es el
que se produce en las zonas urbanas, en donde se mezclan distintos tipos de cubierta en
un reducido espacio. Para disminuir esta variabilidad espacial se han propuesto diversos filtros de paso imjo, que tienden a homogeneizar los ND de esas zonas. El electo de
estos filtros M- ha mostrado bastante eficiente de cara a la clasificacin digital (Cushnie y Atkinson. 98 v Haack el al., 1987). Tambin el filtro de paso bajo puede u t i l i zarse para ohtenei la seal de fondo cuando intentemos comparar un ND con su
contexto, de cara a la deleccin de algn rasgo de inters que sea especialmente anmalo en su entorno, como ocurre con los fuegos activos (Flasse y Ceccato, 1996) o las
nubes (Saunders y Knebel. 1988). o para obtener la reflectividad caracterstica de una
zona de cara a corregir el electo de adyacencia (Richter, 1997).
El filtro de paso bajo puede obtenerse a partir de diversas matrices de ultraje.
Algunas de las ms habituales son:
1)
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1,00
1.00
1.00
1,00
1.00
2,00
1,00
1,00
1,00
1.00
2) 1.00
0 SO
0.25
0.50
1,00
0.50
0.50
0.25
3) 0.25
La primera es un simple promedio de los 9 pxeles que componen la ventana de

Ultraje, mientras las dos siguientes ponderan un poco el valor central para evitar una
excesiva prdida de detalle.
En los ltimos aos se ha aplicado con buen rendimiento otro t i p o de filtraje, basado sobre la mediana en lugar de la media. El filtro mediano consiste en sustituir el
ND del pxel central por la mediana de los ND correspondientes a los pxeles vecinos.
Su inters se corresponde con el propio de la mediana como medida de centralidad, ya
que es menos sensible a los valores extremos y entraa una menor modificacin de los
datos que la media aritmtica; de ah que se haya recomendado su empleo dentro de las
tcnicas de anlisis exploratorio de datos (Shaw y Wheeler. 1985). En el contexto del
ADI se ha empleado para eliminar valores anmalos aislados, fruto de ruidos aleatorios en la adquisicin de los datos. Preserva mejor los contornos que el filtro promedio,
pero demanda un mayor volumen de clculo. Se ha aplicado con xito para reducir el
moteado brillante (speckle) de las imgenes radar (Blom y Daily. 1982).
5.4.3.
Filtros de paso alto
Este tipo de filtros pretende aislar los componentes de alta frecuencia en una imagen. En trminos espaciales, esto supone remarcar digitalmente los contrastes espaciales entre pxeles vecinos, enfatizando los rasgos lineales presentes en la imagen, como
carreteras, parcelas o accidentes geolgicos. En definitiva, se intenta reforzar los contornos entre reas homogneas, evidenciando cualquier discontinuidad.
Varios mtodos pueden conseguir este objetivo. El ms sencillo pasa por restar
ANLISIS DIGITAL. DK IMGBNHS: C'ORRKCCIONliS Y R I . A 1 . C I . S
253
de la imagen original la obtenida por un filtro de paso bajo. La razn es bastante obvia:
si lo que se pretende es aislar los componentes de alta frecuencia ( a l t a variabilidad),
hasta restar de la imagen original aquellos correspondientes a la baja frecuencia, con
lo que slo quedaran los requeridos, que se aadiran a la imagen original. En suma:
ilonde ND' corresponde al ND de salida. NI) al original, y ND; al resultado de mi filtro

ik paso bajo.
Ms comn es. sin embargo, emplear matrices de filtraje. similares a las anteriormente analizadas. En este caso, los CF se disponen de tal modo que se retuerza el contraste entre el pxel central y los vecinos. Dos matrices frecuentemente utilizadas son:
41
5)
ambas se derivan del anlisis de gradientes de cambio en la imagen. El segundo filtro,

denominado Laplaciano, se recomienda para el realce de rasgos lineales en la ciudad
(Jensen, 1996).
Puede analizarse la aplicacin de este filtro sobre la imagen Torre!00 en la figura
6.21. El proceso implica un mayor realce de los abundantes rasgos lineales de la imagen: carreteras y lneas de ferrocarril, viario urbano, etc.. que aparecen con color claro,
quedando las reas homogneas en oscuro. Puede abordarse un filtro menos severo i n crementando el valor del pxel central, lo que permitir conservar mejor la radiometra
original de la imagen.
Para reforzar an ms las fronteras entre categoras puede ser recomendable aplicar
filtros no lineales, que se dirigen a realzar los gradientes de cambio en la imagen. Uno de
los ms empleados es el denominado detector de bordes de Sobel (Gonzlez y Wintz.
1977). que realza la variacin entre filas y columnas de la matriz de filtraje. En una ventana de 3 X 3 pxeles. el ND del pxel central se calcula de la forma siguiente:
. 6.2 1.
Filtros de paso alto sobre una ventana de TorrelOO: a) original,

b) filtro laplaciano de 3 X 3, c) filtro de Sobel.
254
THLKDKTECCION AMBIENTAL
El efecto de este f i l t r o sobre nuestra imagen puede observarse en la figura

6.21c. Se remarcan con claridad las principales vas de comunicacin, los lmites del
embalse y de los ncleos residenciales, mientras quedan en tonos oscuros nicamente los sectores de mayor homogeneidad. Hl resultado parece algo ms rgido que el
filtro laplaciano. pero recoge mejor los gradientes de cambio en este sector de la
imagen.
Adems de los filtros arriba expuestos, una forma sencilla de realzar los bordes sera
realizar una copia de la imagen, desplazarla una fila y/o columna sobre la original y restar
ambas. Aquellos pxeles que ofrezcan un valor cercano a 0 indicarn reas de escasa variacin, mientras cuanto mayor sea esta diferencia, mayor ser tambin el contraste especial
entre pxeles vecinos. Asimismo puede definirse una direccin de contraste, hacia valores
superiores o inferiores segn sea negativa o positiva la diferencia. Se han desarrollado otros mtodos de realce de bordes para aplicaciones especficas, como son la deteccin
de lincamientos (Moore y Waltz, 1983), el realce de plumas de agua (Jenscn. 1996.
pp. 162-165), o la delimitacin de calles en una ciudad (Gong y Howarth, 1990c/).
Las matrices de filtraje antes comentadas permiten subrayar cualquier rasgo fronterizo de la imagen, independientemente de su orientacin. La misma tcnica puede
emplearse para construir filtros direccionales. con el propsito de reforzar aquellas lneas que sigan determinadas orientaciones. Basta disponer adecuadamente los CF,
distribuyndolos en sectores de la matriz. Algunos ejemplos de matrices de filtraje
para conseguir este anlisis direccional son:
6) Norte
7) Sur
8) Este
9) Oeste
10) Sureste
I 1) Noroeste
1 2 ) Suroeste
13) Noroeste
Fl(i. 6.22.
255
Filtros direccionales: a) original; b) filtro este; c) filtro norte: d) filtro sureste.
Conviene indicar que el nombre de estas matrices es consecuencia de la direccin

del contraste que sealan, y no de la direccin que estn realmente realzando, que es
precisamente la perpendicular. Por ejemplo, la matriz norte estara reforzando lneas
situadas este-oeste (en concreto la frontera norte de esas lneas), mientras la este refuerza el borde oriental de las lneas norte-sur.
La figura 6.22 recoge la aplicacin de estos filtros direccionales al mismo sector
de la imagen que venirnos comentando. Son patentes las diferencias entre las tres direcciones que estamos realzando (especialmente claro el contraste entre el filtro norte
y el este), lo que permite analizar patrones direccionales referidos a vas de comunicacin o rasgos geolgicos de inters. Un ejemplo similar del inters de este tipo de f i ltros podemos observarlo sobre la fig. 6.23, que incluye un sector del centro urbano de
la ciudad de Madrid (imagen Madrid92). El lector podr comprobar por s mismo la influencia de las distintas matrices de Ultraje sobre la imagen, reforzando las calles que
siguen la principal direccin del borde realzado.
256
FlG. 6.23.
TKI HDKTECCIN AMBIENTAL
filtros direccionales sobre una ventana de la imagen Madrid92: a) original; b)

filtro norte; c) filtro oeste; d) filtro noreste.
6. Correcciones de la imagen
Con este nombre se indican aquellos procesos que tienden a eliminar cualquier
anomala detectada en la imagen, ya sea en su localizacin, ya en la radiometra de los
pxeles que la componen. Estas operaciones tienden a disponer los datos en la forma
ms cercana posible a una adquisicin idnea, por ejemplo, situndolos sobre su posicin geogrfica correcta (georrefereneiacin), o reconstruyendo la radiancia detectada
por el sensor a partir de los ND de la imagen. No obstante, el trmino correccin, que
da ttulo a este epgrafe, conviene manejarlo con ciertos matices, puesto que no todas
las operaciones aqu incluidas pueden calificarse propiamente como soluciones a defectos de adquisicin de los datos. De hecho, la georrefereneiacin cartogrfica de la
imagen implica introducir una nueva deformacin, ya que no es posible representar
coordenadas geogrficas (latitud, longitud) sobre un plano con total exactitud. Sin embargo, esta operacin es necesaria si se quiere que los resultados del anlisis tengan
validez cartogrfica o puedan conectarse con otros datos auxiliares almacenados en
un SIG.
Hemos incluido en este epgrafe dos grandes temas, las correcciones de la radiometra de la imagen (transformaciones de los ND para solventar los problemas de adquisicin), y las correcciones geomtricas (georrefereneiacin). Comentaremos antes
las principales fuentes de error que puede implicar la captura de la imagen.
257
FUENTES DE ERROR EN UNA IMAGEN ESPACIAL
Cualquier imagen adquirida por un sensor remoto, ya sea areo o espacial, presenta una serie de alteraciones radiomtricas y geomtricas debidas a muy variados
factores. Esto explica que la imagen finalmente detectada no coincida exactamente
con la radiancia-posicin-forma-tamao de los objetos que incluye. En el caso concreto de las imgenes espaciales, las deformaciones ms frecuentes pueden agruparse en
cuatro apartados (Bernstein. 1978; Mather, 1998):
Distorsiones originadas por la plataforma. Pese a la gran estabilidad de un salelile de observacin, muy superior a la que ofrece un avin, pueden producirse pequeas variaciones en la altitud de su rbita, en la velocidad, o en la orientacin de cualquiera
de sus tres ejes: alabeo (roll), cabeceo tpilch). giro lateral (yaw). En el primer caso se
producen cambios en la escala de la imagen, mientras, en el segundo, distorsiones de
distinto tipo en su geometra de adquisicin (fig. 6.24). Ambos tactores pueden considerarse como no sistemticos, puesto que aparecen de torma espordica y son, por ello, difcilmente predccibles y complejos de modelar (Welch y Usery, 1984).
Fie;. 6.24.
Algunas fuentes de error geomtrico en una imagen espacial.
258
2. Distorsiones provocadas por la rotacin terrestre. Teniendo en cuenta la alti

tud orbital y el rea abarcada por el sensor, el electo de rotacin de la tierra puede apa
recer claramente en la imagen. Por ejemplo, en el caso del MSS del satlite Landsat,
cada imagen de ! 85 x 185 km se adquira, en nuestras latitudes, en unos 28 segundos.
En este lapso de tiempo, desde la primera a la ultima lnea de barrido, la Tierra se des
plaza sensiblemente (unos 8 km), lo que causa, junto a la propia inclinacin de la rbi
ta, una orientacin de la imagen noreste-suroeste. Tambin provocada por la superfi
cie terrestre es la variacin del tamao del pxel por efecto de la curvatura terrestre.
3. Distorsiones provocadas por el sensor. Varios factores de distorsin geo
mtrica y radime!rica (Hieden deberse al propio funcionamiento del sensor. Como
ya vimos, los sensores de barrido electrnico realizan una exploracin perpendicular
a la trayectoria del satlite, gracias a un espejo oscilante que enva la radiancia regis
trada a una cadena de detectores slidos. Hste movimiento puede alterarse por ano
malas del sensor, provocando un efecto de barrido no lineal o cambios en el interva
lo de recogida de informacin, lo que implica transformar la resolucin efectiva de
la imagen.
Un segundo efecto debido al sensor se relaciona con el ngulo de barrido o campo
de visin global. En el caso de sensores con un ngulo ancho de barrido (AVHRR o
MODIS, por ejemplo), se presenta una distorsin panormica amplia, tanto mayor
cuanto ms nos alejamos del nadir. En consecuencia, el tamao del pxel vara sensiblemente desde el centro hacia los extremos de la imagen (en el caso del AVHRR, con
un tamao de pxel en el nadir de 1 , 1 x 1 , 1 km, se puede llegaren los extremos a un tamao de 2,4 X 6.5 km: Goward el al.. 1991). Esto implica, junto a las deformaciones
geomtricas, una notable variacin en las perturbaciones debidas a la atmsfera, ya
que el espesor ptico cambia del nadir a los extremos. Cuando se trata de sensores con
menor campo de visin (ETM o HRVIR), estos efectos son de menor calibre.
Otro problema frecuente que plantea el sensores la falta de calibracin entre detectores. En los sensores de barrido la exploracin se realiza en varias lneas simultneamente, por lo que requieren varios detectores por banda. Resulta muy importante
que todos ellos traduzcan uniformemente la seal detectada, con objeto de que la misma radiancia recibida no se codifique en ND distintos. En ocasiones ese ajuste entre
detectores se deteriora, provocndose un efecto de bandeado en la imagen final, especialmente perceptible en las zonas de baja radiancia (sombras, superficie marina).
Para el caso de los equipos de exploracin de empuje, el problema de calibracin es
an mayor, ya que cuentan con un gran nmero de detectores por lnea (6.000 para la
banda pancromtica del HRV). En este caso, un mal ajuste supondra un bandeado
longitudinal en la imagen resultante. Ms evidente todava resultan los fallos momentneos de alguno de los detectores, ya sea en la emisin (sensores activos), ya en la recepcin de la seal. Esto provoca la prdida de una serie de lneas o pxeles en la imagen final.
4. Distorsiones provocadas por las condiciones ambientales, principalmente el
efecto de la atmsfera y el relieve. Como ya se coment, los distintos elementos que
componen la atmsfera causan una modificacin de la radiancia original proveniente
de la superficie terrestre. El efecto ms importante es el de dispersin del flujo refleja
do desde la superficie, a consecuencia de la presencia de aerosoles, gases y vapor de
agua. Este efecto implica un aumento de la seal recibida por el sensor y es ms sensi-
259
ble en las longitudes de onda cortas, que tienden a presentar un menor contraste entre
coberturas de similar comportamiento radiomtrico. En cuanto al relieve, supone una
modificacin, a veces severa, de la posicin de los pixeles en la imagen, respecto a la
esperable a partir de la posicin del sensor.
Algunos de estos problemas se solventan rutinariamente en los centros encargados
de la recepcin o venta de las imgenes. Otros, sin embargo, persisten, haciendo precisas una serie de tcnicas para subsanarlos. Por ejemplo, las correcciones atmosfricas
son vitales para modelar parmetros fsicos a partir de la imagen (6.2.3), generar ndices
espectrales (cap. 7, apdo. 1.2) o abordar estudios multi-temporales (cap. 7, apdo. 3). En
este ltimo caso, tambin son necesarias las correcciones geomtricas, as como siempre
que se pretenda relacionar la imagen con algn tipo de informacin auxiliar.
6.2.
CORRECCIONES RADIME TRICAS
ste es un trmino muy genrico, que designa aquellas tcnicas que modifican
los ND originales, con objeto de acercarlos a los que habra presentes en la imagen
caso de una recepcin ideal. Dentro de este concepto hemos incluido el tratamiento de
los problemas radiomtricos derivados del mal funcionamiento del sensor, junto a la
obtencin de magnitudes fsicas y correccin atmosfrica de los datos.
6.2.1.
Restauracin de lneas o pixeles perdidos
Un mal funcionamiento del sensor o de la antena receptora de la imagen puede

llevar a que sta aparezca con algunas lneas o pixeles perdidos. En una visualizacin,
la imagen presentara una serie de lneas anmalas (negras o blancas), o incluso una
serie de pixeles aislados de aspecto muy contrastado con los vecinos (efecto conocido
como de sal y pimienta). En ambos casos se trata de informacin irreparablemente
perdida. No puede restaurarse lo que nunca se obtuvo: por tanto, los procesos de correccin se dirigen aqu a mejorar artificialmente el aspecto visual de la imagen, facilitando su posterior interpretacin.
La forma ms lgica de estimar los ND de estos pixeles errneos se basa en los
ND de los pixeles vecinos. De acuerdo al conocido fenmeno de la auto-correlacin
espacial, muchas variables geogrficas tienden a presentar una fuerte asociacin en el
espacio (Campbell, 1981; Cliff y Ord, 1973). La probabilidad deque aparezca una precipitacin similar a la de una determinada estacin, por ejemplo, es muy alta en estaciones cercanas, reducindose segn nos alejamos de aqulla. De igual forma, los valores de radiancia provenientes de una parcela de la superficie terrestre tienden a estar
positivamente correlacionados con los provenientes de parcelas vecinas. Por ello, parece razonable estimar los ND de las lneas perdidas a partir de los ND de las inmediatas. Este criterio de vecindad puede introducirse de distintas formas. La ms sencilla es
sustituir el ND de cada lnea/pxel por el de los precedentes:
ND, =ND, ,,
[6.16]
260
donde ND; corresponde al nivel digital del pxel de la lnea / ( l a defectuosa) y columna. /', y ND; , ;, indica el nivel digital del pxel situado en la lnea precedente. Tambin
podra incluirse / + I. para sustituir las lneas defectuosas por las posteriores.
Un segundo mtodo de sustitucin promedia los valores de las lneas anterior y
posterior a la dett tilosa. Esto es:
en dontle HN I j indica que el resultado de la operacin debe convertirse en el nmero entero ms cercano. De acuerdo con Mather (1998), este segundo mtodo resulta
ms arriesgado que el primero, sobre todo en aquellos casos en donde es menos claro
asumir una auto-correlacin espacial.
Un tercer mtodo de recuperar la informacin perdida utiliza una banda auxiliar,
altamente correlacionada con la que presenta problemas. A partir de esta banda auxiliar,
se estima el valor de los pxeles defectuosos de la forma siguiente (Bernstein el al..
1984):
Fie;. 6.25.
261
Efecto de bandeado en la banda trmica para la imagen AlcalW.
nocido como striping en la terminologa anglosajona, se debe a un mal calibrado entre

los detectores que forman el sensor; esto es, a que alguno de ellos codifique la radiancia que recibe en ND distintos a los dems. Los equipos de barrido multi-espectral exploran varias lneas simultneamente a cada oscilacin del espejo. Caso de que los detectores presenten inconsistencias, aparecern en la imagen unas lneas ms oscuras o
claras que el resto (fig. 6.25). El efecto, adems, es peridico, ya que cada detector registra 1 de cada p lneas, siendo p el nmero de detectores por banda. En el caso del
sensor MSS se registraban 6 lneas simultneamente, mientras este nmero se elev
a 16 para el TM. Para las imgenes lomadas por sensores de empuje, la calibracin
puede llega a ser an ms problemtica, ya que para explorar simultneamente una
franja de terreno amplia el sensor cuenta con una cadena de detectores muy numerosa
(varios miles, habitualmente). En este caso, una falta de calibracin entre detectores se
observar en una bandeado vertical, ya que cada columna de la imagen se adquiere por
un detector distinto. La figura 6.26 recoge un claro ejemplo de este efecto, en este
caso sobre una imagen tomada por el sensor ALJ (a bordo del satlite EO-1) sobre la
regin argentina de Mendoza. Los coeficientes de calibracin son especficos para
cada columna de la imagen.
Para ajustar digitalmente la seal detectada por cada uno de los detectores se asume
que todos ellos, caso de estar bien calibrados, tenderan a presentar similares histo-
262
FlG. 6.26. Problemas de calibrado en una imagen ALA. A la derecha los NI) originales,
a la izquierda los valores de radiancia calibrados. La mugen se adquiri sobre la provincia
de Mendoza (Argentina) el 27 de marzo de 2001. (Cortesa: Ruiliang Pu, U.C. Berkeley.)
gramas. Basta, por tanto, recomponer el histograma de cada detector, calculando la

frecuencia de los p grupos de lneas independientemente (fig. 6.27). Por ejemplo, caso
de trabajarse sobre una imagen MSS, con seis detectores por banda, se calcula, por un
lado, el histograma de las lneas 1, 7. 13, 19, 25..., estoes, las recogidas por el primer
detector; por otro, el correspondiente a las lneas 2, 8, 14, 20, 26... (segundo detector),
y as sucesivamente hasta completar los seis detectores.
El paso siguiente intenta ajustar estos hislogramas a otro que se elija como referencia. Lo ms habitual es que el histograma de referencia sea el del conjunto de la
imagen, formado por todas las lneas que la componen. La forma ms sencilla de realizar el ajuste se basa en aplicar unos coeficientes lineales (sesgo y ganancia) a los histogramas de cada detector, con objeto de igualar sus medias y desviaciones tpicas con
las del histograma de referencia. Aunque existen otros procedimientos no lineales
(considerando el histograma acumulativo), el mtodo lineal ofrece, en la mayor parte
de los casos, buenos resultados.
Su proceso parte de calcular la media y desviacin tpica de cada histograma parcial; esto es, del correspondiente a los pxeles codificados por un determinado detector. Posteriormente, para ajustar estos valores a los encontrados para el histograma de
referencia basta aplicar:
a, = ND-/>, ND,
[6.20]
263
Fl(i. 6.27. Pura corregir el bandeado de la imagen se calculan histogratnas parciales

de cada conjunto de p lneas de la imagen, siendo p el nmero de detectores.
(Adaptado de Campbell. 1996.)
donde s y .v, indican lasjdesviaciones tpicas del histograma de referencia y parcial, respectivamente; ND y D;. los ND medios para ambos, y a y >, los coeficientes de ajuste. A partir de estos coeficientes puede calcularse el valor corregido, aplicando una
sencilla funcin:
[6.21
en donde el ND de salida se calcula a partir de aplicar unos coeficientes de ajuste al ND

de entrada. Para reducir el volumen de clculos, este algoritmo suele aplicarse a partir de
una tcnica muy similar a las tablas de color (CLUT) que vimos anteriormente.
6.2.3. Clculo de reflectividades
La conversin de los ND almacenados en una imagen original a variables fsicas es un paso previo que resulta de gran utilidad en mltiples fases de la interpretacin de imgenes, ya que permite trabajar con variables fsicas de significado estndar, comparables en un mismo sensor a lo largo del tiempo, entre distintos sensores y
entre la teledeteccin espacial y otros mtodos de deteccin de energa electromagntica. El primer aspecto resulta relevante cuando pretendamos abordar tareas de deteccin de cambios; el segundo es clave para integrar informacin espectral procedente de distintos equipos (por ejemplo, en tareas de fusin de imgenes. Finalmente, el tercero es crtico si queremos comparar nuestros datos con los obtenidos por teledeteccin area o radimetros de campo (por ejemplo, con las libreras espectrales
que vimos en cap. 2, apdo. 5.5).
Naturalmente podemos afirmar que esa informacin ya est contenida en los ND
originales, pero conviene considerar que slo de modo relativo. En otras palabras, la
nninfri,--, ^ct'i r-irr-iini:rrit:\ n r:iH:i h:inrl:i rlp l;i im.'lpen (ah S es cierto UUC a
264
mayor ND, mayor reflectividad, sin considerar el efecto del relieve), pero no sirve
para comparar bandas entre s (un mayor ND entre dos bandas, no indica necesaria
mente mayor reflectividad), ni en imgenes de distintas fechas o sensores. Por el contrario, la reflecti\ alad o temperatura son variables fsicas comparables entre lugares y
lechas, lo que hace ms slida la interpretacin de los datos, garantiza la compatibilidad multilemporal y el anlisis integrado con imgenes de distintos sensores (lgicamente, siempre que abarquen las mismas bandas del espectro).
La obtencin de esas variables requiere resolver satisfactoriamente la accin de
vanos (actores. Algunos hacen referencia al propio sensor (calibrado de las radiancias), para lo que es imprescindible contar con informacin de la entidad que lo gestiona, otras a las condiciones de observacin (ngulos de iluminacin y adquisicin), y
otras a elementos del ambiente (efecto atmosfrico y topogrfico, iluminacin procedente de otras cubiertas). Intentaremos analizar estos diversos factores, proponiendo
tratamientos que. dentro de una cierta simplicidad, permitan solventar eficazmente sus
electos.
6.2.3.1.
Rcflectividad aparente: modelo simplificado
Definimos en el captulo 2 la reflectividad como la relacin entre la energa reflejada y la incidente. Vara, por tanto, entre 0 (superficie perfectamente absorbente) y 1
(superficie perfectamente reflectora). Como tambin sabemos, la reflectividad de una
cubierta depende de sus caractersticas fsicas y qumicas, as como de las condiciones
de observacin. Adems no es constante, sino que se modifica en las distintas bandas
del espectro, por lo que debemos aadirle el calificativo de espectral, acotando su medida a un determinado rango de longitudes de onda. Precisamente, en el anlisis de
cmo vara la reflectividad espectral de una cubierta eneonlramos la raz para poder
discriminarla.
De acuerdo a la definicin antes recordada, para conocer la reflectividad de una
superficie es preciso relacionar dos magnitudes: la energa reflejada y la incidente.
A partir de los datos medidos por el sensor podemos obtener la primera, ya que la radiancia espectral medida por ste es consecuencia de la reflexin de la radiacin solar
procedente del suelo. Esa medicin se codifica a un valor numrico (el ND). de acuerdo a unos coeficientes de calibracin especficos para cada sensor. Ya que estos coeficientes son conocidos, puede realizarse el proceso inverso, obteniendo los valores de
radiancia espectral detectada por el sensor a partir de los ND:
4,,, = .u + ..tNDt
|6.22|
donde LXi.llk corresponde a la radiancia espectral recibida por el sensor en la banda k (en
'" m 2 sr ' /mi '); a{) k y a] k son los coeficientes de calibracin para esa banda, y ND,
' al nivel digital de la imagen en la misma banda. Estos coeficientes de ca.cluirse en la cabecera de la imagen. En la tabla 6.5 aparecen los coa los sensores TM y ETM + .
lado, la radiancia que llega al sensorasumiendo que la superficie tein comportamiento lambertiano es una funcin de la irradiancia solar,
265
ANLISIS DIGITAL DE IMGENES: CORRECCIONES Y RHALCHS
TABLA 6.5.
Parmetros para la conversin a reflecllvulades de

imgenes Landsat*
Lundsat-5 TM
Liiid.tit-7 ETM+
/;,, v (Win : um : I
Haiidn
1.957 I
.829 1.5.57
1.047
219.3
74,52
1.5
2.8
i2
1.5
0.37
0.15
0.602
1.17
0.806
0.815
0.108
0.057
-6.2
-6.0
-4.5
-4,5
-1.0
-0.35
0.786
0.817
0.639
0,635
0.128
0.044
llores d e irradianci a solar \ cali bracin del TM se h an lomado de Price ( 1987 ). l i s i o s parm etro s de
calibracin c o r r e s p o n d e n a l a s i m g e n e s T M d e l L a n d s a t - 4 p o s t e r i o r e s a I ( . ) S 4 y a t o d a s l a s d e l I . a n d s a t - . P a r a
coeficientes de calibr acin pr e \ ios puede consultars e ese a r t i c u l o d e Pnce. Para HTM+. l o s valores de calibr acin se
lian lomadi d e l a c a b e c e r a d e l a i m a g e n .
Fio. 6.28.
Clculo simplificado de la reflectividad.
266
donde ,,, es la irradiancia solar en el techo de la atmsfera (para esa banda del espectro), conocida a partir de las tablas solares (tabla 6.5): p*( es la reflectividad aparente
de la cubierta en esa banda k: 0 es el ngulo cenital del f l u j o incidente, formado por la
vertical al terreno y los rayos solares. Hn modelos simplificados, como el que estamos
ahora presentando, esle ngulo se equipara al ngulo cenital solar (el complementario
del ngulo de elevacin solar, que se incluye en la cabecera de la imagen), lo que supone asumir que el terreno es llano. Finalmente, I) es el factor corrector de la distancia
Tierra-Sol, calculado como:
= ( 1 -f
().()1674(sen(27r(y~93,5)/365))r
16.24]
donde./ indica el da en el calendario juliano y el seno se asume que toma los valores
del ngulo en radianes. Este factor vara, aproximadamente, entre 0.983 (3 de enero)
en el perihelio y 1,017 (4 de julio) en el afelio.
En definitiva, la reflectividad aparente puede calcularse a partir de una sencilla
frmula:
[6.25]
cos()i
Por tanto, el proceso de traduccin de ND a reflectividades se realiza en dos fases: I) conversin de ND a valores de radiancia (Lst.n J, a partir de los coeficientes de
calibrado del sensor, y 2) estimacin de valores de reflectividad aparente (p*(), conociendo la irradiancia solar y la fecha de adquisicin (de la que se estima D y el ngulo
cenital 6,).
Como puede observarse en la figura 6.29. la transformacin simple de ND a reflectividad nicamente modifica las diferencias de calibracin entre bandas de la mis250
200
1 50
100
ETM1
Fi(. 6.29.
ETM2
ETM3
ETM4
ETM5
ETM6
Bandas
Comparacin entre las curras espectrales de los ND brutos v con rejleclividad

aparente para el agua, suelo descubierto y vegetacin.
ANLISIS DIGITAL DE IMGF.NBS: CORRF.CCIONHS Y RHALCHS
267
ma imagen y cambia la escala de medicin a un parmetro fsico, pero no permite corregir electos atmosfricos, o aqullos debidos a la influencia de cubiertas vecinas, a
los ngulos de observacin o las condiciones de iluminacin. En definitiva, la reflectividad aparente asume que la observacin se realiza en una atmosfera transparente, verticalmente. sobre suelo plano y superficies perfectamente lambertianas.
Como ya indicamos en el captulo 2, los componentes de la atmsfera producen un
efecto de absorcin y dispersin, que modifican, a veces notablemente, la seal
procedente de la cubierta. Adems, este efecto es dependiente de la longitud de onda
afectando especialmente a las ms cortas. por lo que no puede prescindirse de l. ni
siquiera para realizar transformaciones entre bandas. Tambin dependiente de la
atmosfera es el denominado electo de adyacencia, que implica que se reciba energa
procedente de cubiertas vecinas. Hste efecto reduce el contraste de la escena y puede
dificultar la discriminacin entre objetos vecinos (Htcn y Meyer, 1993). Por otra parte,
la obser\ acin vertical puede asumirse para buena parte de los sensores de inters ambiental (Landsat-MSS. TM, ETM + , IRS-LISS, ...). pero no siempre para oros que
poseen la capacidad de observar reas oblicuamente, de cara a mejorar su cobertura
temporal o plantear modelos estereoscpicos, como ocurre con el SPOT-HRV, o con
el NOAA-AVHRR, con un ngulo muy amplio de barrido. En tercer lugar, el terreno
plano slo es asumible cuando las pendientes sean realmente bajas (< 5") y no existan
variaciones de iluminacin por efecto de la vertiente. Finalmente, el carcter lambertiano de las cubiertas es tanto menos ntido cuanto menos rugosas sean.
En los siguientes epgrafes comentaremos el efecto de estos factores sobre la seal recibida por el sensor y plantearemos algunos mtodos prcticos para abordar su
correccin. Dividiremos este comentario en tres grandes factores: la atmsfera, el
efecto del relieve y el carcter direccional de la reflcctividad.
6.2.3.2. Correcciones atmosfricas
La influencia atmosfrica no afecta por igual a los dos componentes del clculo
de la reflectividad: flujo descendente (denominador) y ascendente (numerador), ya
que el espesor de la atmsfera que atraviesan es distinto. Adems, hay que considerar que a la irradianeia solar directa (la medida en las tablas) hay que aadir la difusa,
procedente de otros objetos vecinos (, en la fig. 6.30). En definitiva, la radiancia
que recibe el satlite no es la misma que sale del suelo (sta es la que interesa, pues
pretendemos medir la reflectividad de la cubierta, no la influida por la atmsfera),
sino que es fruto de los siguientes parmetros (Gilabert el al., 1994):
^ nA = L ilA T,,, + L :A
16.26]
donde Lm k es la radiancia que sale de la superficie; xk , la trasmisividad de la atmsfera para el flujo ascendente, y Lak la radiancia aportada por la dispersin atmosfrica.
La transmisividad en la direccin ascendente depende del espesor ptico de ozono
(T,,_ (), de aerosoles (r k ) , y del espesor ptico molecular (T, k) para esa misma banda, y
del ngulo de observacin (Oj:
TL o = exp ((-T , t - r, k - T,. k )
I eos 0o)
| 6.271
268
Fie;. 6.30.
Efectos atmosfricos sobre el clculo de la rejectividad.
El ngulo de observacin slo debe considerarse cuando la adquisicin no es vertical, como ocurre en algunas tomas del SPOT-HRV, o para ngulos de abertura muy
amplios, caso del AVHRR.
Respecto al flujo incidente, tampoco resulta fidedigno el parmetro indicado en
[6.25], ya que la irradiancia que llega al suelo (EmJ) no es la que medimos en el techo
de la atmsfera (E(] J, sino que tambin est afectada por la atmsfera y por el componente de luz difusa:
ElU
[6.28]
donde Efn y eos 0i tienen el mismo significado de [6.25]; xt/ es la transmisividad atmosfrica que afecta al rayo incidente, y En es la irradiancia difusa, como consecuencia
de la dispersin Rayleigh y Mi, que tambin depende de las condiciones de la atmsfera.
La transmisividad del rayo incidente tiene una expresin similar a la que afecta al
flujo reflejado, cambiando el ngulo de observacin por el de incidencia (#,):
rip, = exp((-r,,_ (.-r,,, -r, ,
[fi
ANLISIS DIGITAL. DE IMGIiNBS: C'ORRHCCIONHS Y RI AL.CHS
269
En suma, para conocer la reflectividad real de la cubierta, definida por:
DTI L .
Ih = "
'j.. *
16-30]
es preciso resolver la siguiente frmula (a partir de [6.26] y [ 6 . 2 8 ] ) :

D
T
T
pk=
(
(L
E
-L
-
,,k
CS
)/ T , )
--------
^r*., +,/.*
[6.31]
Hn definitiva, para calcular la reflectividad de la superficie necesitamos estimar

la transmisividad de la atmsfera (descendente, r t / , y ascendente, r, ,,), la irradiancia
difusa (.'_, ,) \ la radiancia atmosfrica debida a la dispersin (L J.
Los procedimientos para abordar estas correcciones con exactitud son muy laboriosos y requieren datos sobre las condiciones de la atmsfera en el momento de lomar
la imagen, que no suelen estar disponibles. Adems, el efecto de la atmsfera no es
constante en la imagen, sino que determinadas zonas pueden haber sido ms afectadas
que otras, en funcin de la diversa presencia de aerosoles o vapor de agua.
Hasta el momento, las correcciones atmosfricas se han abordado siguiendo cuatro procedimientos (King el al, 1999; Robin, 1998; Sobrino, 2000):
1. A partir de medidas in situ, ya sean referidas a perfiles de la composicin at
mosfrica mediante radiosondeos, ya a estimaciones cualitativas del espesor ptico
(midiendo, por ejemplo, la visibilidad), o mediante mediciones en terreno de la radian
cia solar incidente o de la reflectividad en el terreno. Estos mtodos resultan, en gene
ral, los ms precisos, por cuanto facilitan una medicin de las condiciones atmosfri
cas durante la toma de la imagen, pero rara vez estn disponibles.
2. A partir de imgenes de otros sensores, que permitan estimar el estado de la
atmsfera en el momento de adquisicin de las imgenes. Pese a la gran lgica de este
planteamiento: dos sensores, uno mide los objetos de inters, y otro mide la atmsfera
cuando se toman los datos, este enfoque resulla bastante novedoso, ya que slo muy
recientemente se han diseado misiones con esta concepcin. Por ejemplo, la platafor
ma Terra, como ya hemos visto, incluye sensores que miden especficamente el espe
sor atmosfrico (el MISR). simultneamente a otros orientados a medicin de reflecti
vidad o temperatura (como el MOD1S). Si bien la resolucin espacial de esos sensores
no es la misma, la integracin entre estos datos resulta muy beneficiosa para obtener
productos calibrados de adecuada Habilidad (King el al., 1999). No obstante, todava
hay pocas experiencias prcticas de este planteamiento.
3. A partir de modelos fsicos de transferencia radiativa, que suelen basarse en
una serie de atmsferas estndar. La exactitud de los modelos depender, como es l
gico, de la solidez de las asunciones que se realicen y de la similitud entre los perfiles
tericos y las condiciones concretas de la atmsfera cuando se toma la imagen.
4. A partir de datos de la propia imagen. ste sera, sin duda, el mtodo ms
operativo, pues no requerira informacin externa y facilitara una correccin comple
ta de los datos.
270
Tlil.EDETECCIN AMBIENTAL
De las cuatro posibles soluciones al problema de la correccin atmosfrica nos

vamos a centrar en osle epgrafe en las dos ltimas, pues resultan, por el momento,
las ms accesibles. En lo que se refiere al empleo de modelos de transferencia radiatva con atmsferas estndar, existen ya algunos programas bastante operativos, que
realizan la estimacin del electo atmosfrico con bastante fidelidad, siempre y cuando se d una buena similitud entre las condiciones atmosfricas de la imagen y las estndar incluidas en el modelo. Sin duda, los modelos ms conocidos son el 6S (Vermote el al.. IW v el MODTRAN4 (Berk el al.. 1999). Ambos cuentan ya con
numerosas versiones i aqu se han citado las ltimas) que van enriqueciendo las asunciones que inicialmenle se plantearon en su diseo. Hl 6S (segunda simulacin de la
seal de satlite en el espectro solar) fue desarrollado inicialmente por el laboratorio
de ptica atmosfrica de la Universidad de Lille. En la ltima versin simula observaciones planas, considera la elevacin, permite tener en cuenta el carcter no
lambertiano de la superficie, e incluye nuevos gases (CH4, N,. O, CO) en el clculo
de la transmisin gaseosa. Facilita una estimacin del efecto atmosfrico para
todo el espectro ptico, con bandas de hasta 0.025 um de anchura. Por su parte, el
MODTRAN4 es una nueva versin de un modelo desarrollado por la fuerza area
norteamericana junto a una empresa privada (Speclral Sciences, /tic). Tambin considera los efectos de refleetividad bidireceional (BRDF) en terreno y de reflectividad
de objetos cercanos (adyacencia).
Desde el punto de vista de su clara operatividad tambin conviene destacar el
modelo ATCOR, desarrollado por Richter (1996; 1997). incluido entre los mdulos
del programa PCl-Geomatics. Este modelo basa la correccin en una serie de perfiles atmosfricos estndar, que se incluyen con el programa, aunque son fcilmente
adaptables por el usuario en caso de que se cuente con informacin ms detallada.
Estas definiciones incluyen el contenido de vapor de agua y el tipo de aerosoles. El
programa requiere nicamente una estimacin del espesor atmosfrico, indicando
un rango de visibilidad (en km), y una altura promedio de la zona (si bien tambin
puede incorporarse un MDT). Incluye los coeficientes de calibracin estndar para
el SPOT-HRV y el Landsat-TM, pero el usuario puede incluir fcilmente los correspondientes a otros sensores. Tambin se precisa introducir el ngulo cenital solar. El
programa incluye opcionalmente una estimacin del efecto de adyacencia, que es
causada por la dispersin procedente de cubiertas vecinas, a partir de considerar las
diferencias entre la refleetividad del pxel y la correspondiente a los alrededores (en
este caso se considera un rea de 1 X 1 km). El autor advierte que este modelo slo
funciona adecuadamente para sensores de observacin cuasi vertical (se acepta una
tolerancia de 8"). en zonas por debajo de 1.500 m de altitud y con pendientes moderadas.
Naturalmente, lo ideal sera poder derivar la correccin atmosfrica de los datos de la propia imagen, si consiguiramos encontrar alguna funcin que extrajera de
la seal detectada por el sensor la parte correspondiente a las condiciones atmosfricas. Las alternativas para llevar acabo esta tarea se pueden resumir en cuatro posibilidades: estimar la contribucin de la atmsfera a partir de cubiertas que deberan
presentar una reflectividad nula (mtodos basados en el objeto oscuro); estimar el
efecto atmosfrico a partir de las diferencias de absorcin y dispersin en distintas
bandas del espectro para la misma imagen; realizar una homogeneizacin multitem-
27 1
poral entre imgenes1 y observar la misma zona con distintos ngulos. Hsta ltima
va, que ya hemos comentado en anteriores captulos, slo ha estado disponible en
los ltimos aos, gracias a disponer de sensores con capacidad multiangular. El anlisis multitcmporal lo trataremos ms adelante (cap. 7, apdo. 3). La estimacin de las
condiciones de la atmsfera a partir de la observacin multibanda se ha desarrollado
ampliamente en la correccin de imgenes trmicas, como luego comentaremos
(6.2.4). En consecuencia, nos detendremos aqu nicamente en la primera opcin,
que resulta una de las ms sencillas.
La propuesta inicial de los mtodos basados en el objeto oscuro (clark object) fue
realizada por Chavez en 1975. con sucesivas mejoras en 1988 y 1996(Chavez, 1975.
1988. 1996). El punto de partida del mtodo consiste en asumir que las reas cubiertas
con materiales de fuerte absortividad (agua, zonas en sombra) deberan presentar una
radiancia espectral muy prxima a cero. En la prctica, el histograma de los NI) de la
imagen siempre presenta un mnimo superior a ese valor, que se atribuye al efecto de
dispersin atmosfrica. Asimismo, se observa que ese valor mnimo es mayor en las
bandas ms cortas, disminuyendo hacia el IRC y SW1R. Como ya vimos, la dispersin
Rayleigh la ms comn afecta principalmente a las longitudes de onda ms cortas, lo que confirma que ese valor mnimo puede corresponder ms al electo de la atmsfera que a la radiancia espectral proveniente de la superficie terrestre. En suma,
una sencilla aproximacin a la correccin atmosfrica consiste en restar a todos los
ND de cada banda el mnimo de esa misma banda, situando el origen del histograma
en cero:
ND;.M = NDM-NDm,,u
[6.32|
donde NDmin k indica el valor mnimo de cada banda. Esto, en definitiva, supone estimar
el parmetro Lu k en la frmula [6.311 a partir del valor mnimo del histograma. La
asuncin puede ser bastante correcta siempre que tengamos en la imagen zonas en
sombra o con agua profunda. Incluso se puede plantear establecer una red de superficies oscuras en la imagen y realizar luego una interpolacin para tener mejor en cuenta
la variedad espacial del espesor atmosfrico (Ouaidrari y Vermote, 1999).
El mtodo del objeto oscuro resulta muy sencillo, y es vlido para estimar el espesor atmosfrico de aerosoles, pero los errores pueden ser notables para valores de reflectividad altos (por encima del 15 %), al no considerar las transmisividades del flujo
incidente y reflejado. Para evitar este problema se ha sugerido complementarlo con estimaciones en el terreno de la transmisividad o con parmetros climticos auxiliares
(principalmente para estimar el contenido de vapor de agua y de ozono: Ouaidrari y
Vermote, 1999). De hecho, la ltima versin de la propuesta de Chavez sugiere estimar la transmisividad descendente a partir del espesor atmosfrico definido por el coseno del ngulo cenital (6) (Chavez, 1996). Adems, al igual que en la versin previa,
el autor sugiere no considerar la irradiancia difusa. En pocas palabras, para observaciones verticales, la frmula [6.31 ] quedara como:
5. En este caso puede que haste con corregir los electos atmosfricos slo de modo relativo, de tal
forma que las imgenes sean comparables entre s.
272
TELRDETECCIN AMBIENTAL
^k - L
a k
p = ------- ___
E i i k cosO:
l633
donde Lu , se esiiniara a partir del valor mnimo o de un objeto de reflectividad nula

(L k = a0 . + a, , NI )). Hl autor asume que la transmisividad ascendente es I, lo cual
parece razonable para observaciones verticales.
Este modelo solo se ha demostrado etica/ para las bandas TM I. 2, 3 y 4. La
transmisividad descendente aumenta con la longitud de onda. El valor de la transmisividad es independiente, segn el modelo, de la longitud de onda, por lo tanto en principio se corrige poco la banda TM 1 y mucho la banda TM4. Sin embargo, la correccin
resulta satisfactoria y este error no es significativo (Chavez, 1996). La transmisividad
se hace prcticamente I para TM5 y 7 (Gilabert el al., 1994). con lo que en estas bandas la correccin del coseno no sera aplicable porque dichas bandas quedaran demasiado corregidas. Finalmente, el mismo autor propone tambin utilizar unos valores de
transmisividad estndar, en lugar de la correccin del coseno. La formula propuesta,
en este caso, quedara finalmente como:
Dn(Lsi.n k - L k)
= --------- - - - - " E n t cos/,r ( ;
16.34]
donde rk, = 0,70 (TM I). 0,78 (TM2), 0,85 (TM3), 0.91 (TM4) y 1 para las bandas del
SWIR (TM5 y 7). Estos valores de rk son muy similares a los propuestos por otros autores. Gilabert el al. (1994) sugieren, respectivamente. 0.73. 0,79, 0,85, 0,91, 0.95 y
0.97 para las mismas longitudes de onda. Pons y Sol (1994) tambin proponen unos
valores promedio de transmisividad. similares a los anteriores, aunque se matizan en
funcin del ngulo cenital solar.
En la figura 6.31 se incluye una comparacin grfica entre las reflectividades calculadas por el mtodo de Chavez (con transmisividades promedio) y las que obtuvimos en el epgrafe anterior (rellectividad aparente). El efecto de la correccin resulta
bastante obvio, sobre todo en lo que se refiere a la banda azul, en donde los valores decrecen notablemente. Adems se observa el comportamiento tpico de la vegetacin
con las bandas de absorcin en el azul y rojo, que quedaban muy distorsionadas por el
efecto atmosfrico en la reflectividad aparente. Tambin el agua presenta una curva de
reflectividad ms similar a lo esperable, con valores bajos y descendentes hacia longitudes ms largas, si bien aqu puede haberse producido una sobre-correccin de la banda azul. En la siguiente figura (6.32) se comparan los mtodos de Chavez y Richter
(ATCOR) para las mismas cubiertas que hemos visto en anteriores grficos. Como
puede observarse, el efecto de la correccin es bastante comparable entre mtodos, especialmente en agua y vegetacin. No obstante, se observa que el mtodo de Chavez
infracstima la transmisividad en la banda roja, como se muestra en que la vegetacin
no ofrezca una banda de absorcin en relacin con el verde, y el trazado anmalo de la
curva del suelo. Ambas parecen sobre-estimar el efecto atmosfrico en la banda azul.
La comparacin entre ellas requerira un anlisis ms detallado, aplicado a imgenes
de distintas fechas. Se aplicaron estos dos mtodos a dos imgenes Landsat-TM sobre
273
0,6
Agua ref. Ch -- Suel o
ref. Ch. -- Veg. ret. Ch
{ Agua ref e Suelo
ref s Veg. ref.
ETM1
ETM4
ETM2
ETM5
ETM3
ETM7
Fi(. 6.3 I.
Comparacin entre
0
Bandas
las curvas de rejieclividad aparente v las corregidas

atmosfricamente (mtodo Chave:).
imgenes de verano en el centro de la Pennsula, observndose que el ATCOR sobreestimaba la correccin en las bandas cortas (ofreciendo incluso valores negativos),
frente a una infra-estimacin en el NR y SWIR (Riao, 2000).
6.2.3.3. Correcciones del sombreado topogrfico
Otro elemento importante que conviene considerar en el clculo de reflectividades es el electo del relieve. La reflectividad es muy dependiente de los ngulos de incidencia y observacin. Hemos asumido hasta aqu que el ngulo de la radiacin incidente slo depende de la elevacin solar, lo que implica considerar un terreno llano.
La asuncin, como es lgico, slo ser vlida si realmente se trata de una superficie de
escasa pendiente, siendo arriesgada cuando no sea as. Los electos derivados del gradiente y direccin de la pendiente son bastante notorios, especialmente en las zonas en
sombra. La creciente disponibilidad de modelos digitales de elevacin (MDE) permite
o.o
0,5
0,4
0,3
Suelo ref. Ch.

Veg. ref. Ch.
-A Agua ref. AT
Agua ref. Ch.
0,2
o Suelo ref. AT
a Veg. ref. AT
0,1
ETM1
ETM2
ETM3
ETM4
ETM5
ETM7
Bandas
FlG. 6.32. Comparacin entre las curvas de reflectividad obtenidas por el mtodo de
Chave:, v por el ATCOR.
274
TLZLEDETECC1ON AMBIENTAL
FlCi. 6.33. Efecto del relieve sobre la radiancia detectada por el .sensor.
abordar con ciertas garantas esta correccin, homogeneizando la seal de la misma

cubierta independientemente de la vertiente en que se encuentre.
Repasando la figura 6.28 podemos observar cmo la energa incidente est en
funcin del ngulo cenital solar (6>,). La mxima energa para una determinada banda
se obtiene cuando el ngulo cenital es de 0 grados (eos 0 = 1), esto es cuando el sol incide vcrticalmente. El ngulo cenital, como ya indicamos, se calcula como el complementario del ngulo de elevacin solar, que suele recogerse en la cabecera de la imagen. Ahora bien, en un terreno montaoso la pendiente modifica la geometra del flujo
incidente (fig. 6.33). Por un lado, en las laderas orientadas al sol el ngulo cenital no
coincide con el ngulo de incidencia, mientras en las opuestas puede ocurrir que no se
reciba en absoluto energa solar directa (cuando la vertiente est en umbra). Si no se
tiene en cuenta este efecto del relieve, la reflectividad medida para la misma cubierta
en distintas vertientes puede ser muy variada, implicando severos problemas en el reconocimiento y clasificacin de coberturas temticas.
Una manera muy sencilla de eliminar el efecto topogrfico sera realizar un simple cociente entre dos bandas de la misma imagen. Puesto que los ngulos de inciden-
ANLISIS DIGITAL 1)1; IMAGtNHS: CORRLCCIONLS Y RLAI (LS
275
eia son constantes entre bandas (el eos 0, en la frmula |6.221). cuando se reali/a un cociente entre bandas adquiridas simultneamente, este electo se elimina. Hn definitiva,
esto supone que el efecto de la topografa es constante en cada banda (Colby. 1991:
Shorl. 1982). o, lo que es lo mismo, que los efectos atmosfricos son independientes
de la longitud de onda (/.). lisio no es correcto, ya que hemos visto que la dispersin y
iransmisividad est en funcin de X (Leprieur el al.. 1988). Adems, al realizar el co-t
iente se reduce la mlormacin espectral, lo que es un inconveniente para realizar la
asilicacion. Finalmente, tampoco se considera el aporte de l u z difusa, que es distinto
ada banda.
Caso de que pueda disponerse de un MDH suficientemente preciso y bien ajustaimagen se puede estimar la variacin introducida en los NI) por el efecto topo-gralico a
partir de modelar las condiciones de iluminacin en el momento de adquirirse a
imagen. Para e l l o necesitamos en primer lugar calcular el ngulo de incidencia ( - )
de una vertiente, que depende de los ngulos solares y de pendiente (Civco. 1989; Colby,
1991: Conese el al., i 993):
eos y, = eos 6>. eos |, + sen 0i sen U eos (</> -<pj
|6.35]
donde y, corresponde al ngulo cenital del flujo incidente. 0 indica el ngulo cenital
solar, 0r el gradiente de la pendiente, (pn el ngulo acimutal solar y (p, el ngulo de
orientacin de la pendiente. Estos cuatro ngulos pueden obtenerse del MDH y de la
lecha y hora de adquisicin de la imagen. El eos y, nos sirve para valorar el electo de
iluminacin en la vertiente y es equivalente al sombreado que recogen numerosos programas SIG. Como es lgico, vara entre -1 y + 1. indicando para cada pxel del MDH
las condiciones de mnima y mxima iluminacin, respectivamente. La figura 6.34 recoge un fragmento de la imagen TorrelO, en su sector ms montaoso, unto con la
imagen de iluminacin (eos y,) para la misma zona y condiciones de adquisicin de
la imagen. Las flechas indican en qu sectores resulta especialmente evidente el electo
del sombreado sobre la imagen original.
A partir de haber calculado el ngulo de incidencia pueden plantearse distintos
F-IG. 6.34. Ventana de la imagen TorrclOO sobre un sector montaoso: a) banda 4 original.
h) sombreado derivado del MDE.
276
TELEDBTECCIN AMBIENTAL
mtodos para compensar la diferencia de radiacin incidente ende vertientes. Entre

los propuestos cabe dislinguir los que consideran las cubiertas como lambertianas, y
las que tienen en cuenta electos dircccionalcs (Itten y Meyer, 1993: Riao, 2000).
Entre los primeros el ms sencillo es el propuesto por Tcillet (1982):
/>=/>,
feos6 )
\cosy, j
[6.36|
donde/;,,, indica la r c l l e e t i v idadde un pxel /en terreno horizontal,/;, la misma en pendiente (la correspondiente a la imagen). 0, el ngulo cenital solar de la escena y y, el ngulo de incidencia correspondiente a ese pxel. Este mtodo se ha demostrado que sobre-corrige la imagen, sobre todo en las zonas de muy baja iluminacin (Duguay y
LeDrew, 1992; Holben y Justice. 198 I: Mcyer et ai, 1993), por lo que se ha propuesto
posteriormente ponderar la imagen de iluminacin en funcin de las condiciones promedio de iluminacin de la imagen (Civco, 1989):
(eos y eos y )
Pi, , = P , + P , ~ ~f------ ~ (eosy,,, )
[6.37|
donde el subndice ni indicara el valor promedio de la iluminacin en la imagen de inters.

Este modelo reduce el efecto topogrfico, aunque no todo lo que debiera. Tanto
en esta correccin como en la anterior se sigue suponiendo que el efecto topogrfico es
constante para todas las bandas.
Entre los mtodos no lambertianos, uno de los ms citados es el propuesto por
Minnaert para evaluar la rugosidad de la superficie lunar (Minnaert, 1941 ):
(cosO, V
Ph,=P,\~-\
\eosy, j
[6.38J
donde el parmetro / se introduce para modelar el comportamiento no lambertiano de

los cuerpos. Si / = 1, la superficie se comporta como un reflector lambertiano ideal. El
problema de este mtodo es conseguir un clculo certero de /, ya que vara en cada
banda y cada superficie. Una manera sencilla de tener en cuenta, al menos, la importancia del carcter lambertiano en cada banda es realizar un ajuste semi-emprco
como el propuesto en la correccin C (Teillet et al., 1982):
/cos? +c, )
p h .=p.\ -------i U
[6.39]
I eos y, +ck j
donde c\ es una constante emprica para cada banda k que se relaciona con la rugosidad
promedio de esa banda, y se obtiene a partir de:
277
[6.40]
siendo />, \ m, la constante y la pendiente, respectivamente, de la recta de regresin entre la imagen de reflectividad de la banda k y la imagen de iluminacin.
El problema de estas correcciones sencillas es la falta de consideracin de la irradiancia dilusa, que puede ser importante en las vertientes situadas a umbra. Se han
propuesto algunas alternativas para resolver esc problema, pero resultan ms complicadas en su aplicacin prctica. Por ejemplo, Conese el al. (1993) proponen utilizar
una variacin de la frmula para la radiancia incidente que considere los electos de la
pendiente:
[6.41
donde E\ul y E\n indican la radiancia que llega al suelo y la difusa, respectivamente, en
un terreno montaoso. Si el ngulo de incidencia (y,) supera los 90" (o, si se pidiere, el
eos y < 0), la vertiente est en sombra. No hay. por tanto, iluminacin directa, y la que
llega al suelo es nicamente la difusa (/:*,,,), que se calcula a partir de las condiciones atmosfricas en funcin del ngulo de incidencia, de la pendiente del terreno y de un coeficiente de anisotropa {Esu k I Eo k ) , dependiente de la banda y la lecha de observacin.
Para el mbito de trabajo presentado por estos autores, esta correccin topogrfica mejora bastante el clculo de reflectividades en zonas de topografa quebrada, reduciendo notablemente la variabilidad espectral de los tipos de cubierta. No obstante, los autores advierten que el algoritmo resulta poco adecuado para imgenes de invierno o topografa
muy abrupta, con ngulos de incidencia muy bajos (Conese el al., 1993). lista misma
conclusin se manifiesta por otros autores que han propuesto mtodos ms o menos similares para el clculo de la irradiancia difusa (Ittcn y Meyer. 1993; Richtcr, 1997).
Un ejemplo del efecto de las correcciones topogrficas sobre nuestra zona de estudio
se presenta en la figura 6.35, que incluye la misma zona de la figura anterior. En
*"lCi. 6.35. Efecto de la correccin del sombreado .sobre el sector de la figura anterior:
a) banda 4 original; b) banda 4 corregida.
J7.S
TliLHDHTlC'CION AMBIENTAL
Fl(. 6.36. Fragmento de la imagen CahaeroslJ7 antes di v despus b) de aplicarle

la correccin de iluminacin. Con flechas se indican los sectores mas afectados.
(Cortesa: David Riao.)
este casi) se compara la banda 4 antes y despus de aplicarle la correccin de iluminacin, utilizando el mtodo de Civco que, para esta fecha, da buenos resultados. Las flechas indican los sectores donde el efecto de correccin resulta ms evidente. Una manera de veri ficar el efecto de la correccin es calcular la correlacin entre la imagen de
iluminacin y las bandas de la imagen, antes y despus de corregir. Para nuestra zona
de estudio, la correlacin disminuye tras la correccin de 0.18 a 0,13 en la banda 4 y de
0,25 a 0.14 en la 5, indicando que se ha eliminado parte del efecto topogrfico sobre la
seal. Otra verificacin nos llevara a medir las diferencias de reflectividad en una serie de cubiertas situadas a distintas vertientes. Si la correccin es certera, deberan homogeneizarse los valores, eliminando sus diferencias debidas a la insolacin. Esta hiptesis se comprob por Riao (2000) en su estudio sobre cartografa de combustibles
forestales en el Parque Nacional de Cabaeros. Las correcciones topogrficas redujeron la desviacin tpica de la mayor parte de las especies vegetales, con especial intensidad en las bandas TM 4 y 5. La figura 6.36 nos muestra el efecto de la correccin sobre imgenes TM de j u l i o de 1997. De nuevo, las flechas nos indican los sectores ms
claramente modificados por la correccin.
6.2.3.4.
Correccin del efecto bidireccional (BRDF)
El ltimo aspecto que vamos a considerar en el clculo de la reflectividad hace

referencia al electo que los ngulos de observacin y de iluminacin tienen sobre la
reflectividad detectada por el sensor. Como ya hemos comentado a lo largo de las pginas precedentes es frecuente asumir en los modelos para el clculo de reflectividad
que una cubierta presenta un comportamiento lambertiano, lo que implica considerar
que la radiancia reflejada por esa cubierta sea igual en todas as direcciones. Esta
asuncin es razonable como primera aproximacin al clculo de la reflectividad.
ANLISIS DIGITAL I ) K IMGBNFS: CORRECCIONES Y RKALChS
279
pero dista bastante de ser correcta. Todos tenemos la experiencia directa de como
cambia la visin de un objeto segn se s i t u el observador en relacin con la l u / incidente ( fig. 6.37). por lo que parece razonable tener en cuenta este Tactor en clculos
ms detallados de la reflccti viciad.
Hasta hace relativamente poco, la mayor parte de los sensores ofrecan nicamente
\ ision vertical, por lo que se asuma que la seal que medan eran comparable en el tiempo (lgicamente con las variaciones atmosfricas y de iluminacin pertinentes). Sin emhargo, en el caso de otros sensores de ngulos mas amplios de barrido, como los meteouilgicos, las zonas observadas podan variar no slo por estos factores, sino tambin
poi la variacin en las condiciones de iluminacin y de observacin. En otras palabras,
cuando las observaciones no se realizan con los mismos ngulos (solares \ del sensor),
no son perfectamente comparables, por lo que las series temporales pueden ser bastante
inconsistentes. En el caso del AVHRR. uno de los sensores ms utilizados en anlisis
temporal de la vegetacin, este factor tenda a paliarse mediante mtodos que eligieran,
dentro de una serie de imgenes dianas, aquellos pxeles ms cercanos a Lina visin vertical, pero esto no siempre se garantiza por el problema de la cobertura de nubes. l:n consecuencia, s quieren utilizarse las senes diarias es preciso introducir algn tipo de correccin del electo direecional.
Para abordar estas correcciones se u t i l i z a n las llamadas funciones de distribucin
de reflecti vidad bidireccional ( BRDF, Bidirectioiuil Reflctame Distribution Factor).
Se trata ste de un concepto terico, que describe los efectos direecionales de la refleetividad comparando la radiancia reflejada en una determinada direccin con la i n c i dente en otra (Sandmeier e Itten, 1999):
dH0 ,
1 ( 0 . d > : 0 , , , A) = - -'
dE(0 ,
A)
16.421
' K i . 6.37. Variaciones en la rejleclividad de mu cubierta foresld por cid'I o de os ngulos

de observacin. En la foto de la iztjda.. el sol est detrs de la cmara; en la ilclia.. delante.
(Tomado de http://crsa.bu.edu/~nstrug/brdf/BRDF lixplained.htm)
280
Ti;i.BDliTECCIN AMBIENTAL
Flujo reflejado
Fluio incidente
Diroccit
de referencia
N*
l-'l(. 6.3S. ngulos i/uc intervienen en el edculo le la BRDF.
donde dL es la radiancia reflejada con un determinado ngulo cenital (fir) y acimutal (<pr)
y JE la irradiancia incidente con una detcrininada direccin: cenital (0) y acimutal (<p:)
(fig. 6.38). Le hemos aadido el parmetro para indicar que la BRDF es tambin dependiente de la longitud de onda, o, lo que es lo mismo, que las diferencias debidas a las
direcciones de observacin no van a afectar por igual a las distintas bandas del espectro,
siendo ms severos los efectos direccionales en las longitudes ms cortas (principalmente
en el azul y rojo para el caso de la vegetacin: Sandmeier e Itten, 1999). A veces puede
resultar ms grfico que la funcin BRDF el denominado factor de anisotropa, que relaciona la reflcctividad de un cubierta en una direccin determinada con la que se obtendra para una direccin de referencia (normalmente, para una observacin vertical):
A N l F ( 6 . , . ; 8 . . , X) = ------ -------
[6.43]
Estos factores son de gran inters para conocer mejor el comportamiento direccional de una determinada cubierta. Nos permitiran estandarizar las reflectividades
observadas a una base comn, siempre que conozcamos los ngulos solares y de situacin del sensor. Algunos ejemplos de estos grficos se incluyen en la fig. 6.39 para el
caso concreto de una cubierta herbcea. Se observa que la misma cubierta presenta
efectos direccionales muy distintos segn la longitud de onda. En las bandas de fuerte
absorcin (azul y rojo), esta cubierta tiende a ofrecer un claro componente direccional,
con mayores intensidades hacia ngulos prximos a la vertical y cuando se observa de
espaldas al sol. Por su parte, el IRC y, en menor medida, el verde tienen un efecto direccional menos marcado.
Para poder introducir estas correcciones en las imgenes necesitamos informacin sobre el carcter iso o anisotrpico de las cubiertas que observamos, en definitiva
contar con sus BRDF. Esta informacin no es fcilmente accesible, ya que hasta hace
relativamente poco no se contaba con sensores de observacin multiangular. La mayor
parte de los estudios disponibles se basan en gonimetros de campo (Sandmeier e
Factor anisotrpico
y:-
Factor anisotrpico
'jrs
Factor
Factor
anisotrpico
Factor anisotrpico
Factor anisotrpico
282
ThlHIMTIXCION AMBlliNTAI.
Itten, 1999). si bien se estn construyendo actualmente estas funciones a partir de algunos sensores mas modernos (como el MISR o el POLDBR). Conocer el BRDF de
una cubierta, no slo servir para mejorar su discriminacin, eliminando la parle de la
seal que proceda de los ngulos de observacin, sino que en s mismo ser una variable ms que pernu'j introducir discriminaciones ms sutiles (por ejemplo, debidas a
electos de sombra en determinadas especies forestales). De ah el inters por enriquecer la signatura espectral de una determinada cubierta aadiendo tambin lo que podramos llanuii si signatura angulai - o mejor an las variaciones angulares de las
signaturas espectrales i ste enfoque se ha desarrollado hasta el momento con sensores
aeroporlados iSandmeier \ Deering, 1999).
A electos prcticos es d i l c i l introducir este parmetro en ios clculos de rellectividad. ya que la BRDF depende del tipo de cubierta que estemos observando, la cual
ser habitualmente desconocida en una primera interpretacin. Para el caso de las imgenes AVIIRR se ha propuesto una correccin relativamente s e n c i l l a , basada en un
modelo fsico de transferencia radial i va denominado WAK (Dymond el al., 2001).
Este modelo permite estimar un factor de estandarizacin de la reflectividad. suponiendo una orientacin de referencia ( v i s i n vertical y -4-3" de ngulo cenital solar). En
definitiva, se trata de encontrar un parmetro p que permita convertir la reflectividad
observada (/;) en otra de referencia (p):
p = <pp
|6.44]
El factor./) se calcula de forma d i s t i n t a para el ReJRCdel AVHRR (bandas 1 y 2,

respectivamente). Los autores del mtodo proponen (Shepherd y Dymond, 2000):
[6.45|
|6.46]
donde 0iy t, indican los ngulos de incidencia y reflexin para la seal a corregir; tlny
(),t, los correspondientes a la visin de referencia (habitualmente 45" y 0". respectivamente), a y ao son los ngulos de fase (los que forman los rayos del sol con la posicin
del sensor, esto es la diferencia de acimut entre el sol y el satlite) de la seal a corregir
y de la visin de referencia (en este caso 45"). El trmino H considera las reflexiones
mltiples en el interior del dosel vegetal, y puede calcularse como:
|6.47]
283
para cada uno de los ngulos considerados (incidencia, reflexin, lano de la seal delectada como de la de referencia). El resto de los parmetros: vr, a, k son dependientes
de la cubierta observada y se calculan a partir de su BRDF. Si no esl disponible, w
pueden estimarse a partir de la reflectividad de la hoja (p; w = 2p), ya, k de un anlisis
de regresin a partir de datos procedentes de dos rbitas distintas del AVHRR sobre
las misma zona ( e n definitiva, tomadas con ngulos distintos), minimizando ios residuales ( R ) de la siguiente expresin:
16.48]
donde/; y ph indican las reflectividades de una determinada cubierta extradas de dos
imgenes AVURR (a y h) lomadas con distinios ngulos.
La figura 6.40 ofrece un ejemplo de la importancia de estos efectos direccionales
en las imgenes AVHRR. Incluye una serie de valores de reflectividad para las bandas
1 y 2 extrados de un sector de pinares en la provincia de Cuenca, as como los ngulos
solares en el momento de la adquisicin. Todas ellas son imgenes de la pasada diurna
del NOAA-16 adquiridas entre las 13 y las 14,22 GMT. La dependencia del ngulo
acimutal solar es bastante clara, observndose una tendencia cclica en la reflectividad
que se relaciona estrechamente con el ciclo orbital del satlite.
6.2.4.
Clculo de temperaturas
El clculo de la temperatura de superficie es un proceso rutinario en aplicaciones

oceangraficas, en donde este parmetro es clave para estudiar aspectos climticos, as
0,25
0,00
01 03 05 07 10 11 12 13 18 20 21 22 23 25 26 27 29 31
FlG. 6.40. Serie temporal de valores de reflectividad extrados a partir de los canales 1 x 2
del AVHRR en julio de 2001. Se incluyen los ngulos acimutal v cenital solar para observar
el efecto que tienen sobre la seal detectada por el sensor.
284
TELEDETECCION AMBIENTA!.
Fio. 6.41.
Esquema grfico sobre el clculo de la temperatura de superficie.
como en aplicaciones pesqueras. En lo que se refiere a temperaturas terrestres, la investigacin ha sido muy intensa en los ltimos aos, ya que, pese a la dificultad de la estimacin, se considera un elemento clave en los estudios de cambio climtico global.
De modo esquemtico (fig. 6.41), el proceso para el clculo de temperatura se inicia con los ND detectados por el sensor. Al igual que en el espectro ptico, esos valores codifican un valor de radiancia, en este caso correspondiente al infrarrojo trmico.
Aqu el objetivo no es encontrar la relacin entre el flujo incidente en el suelo y el reflejado al sensor, sino entre el flujo emitido desde el suelo (Lm) y el recibido por el sensor
(LseJ. Entre ambas magnitudes vuelven a interponerse los componentes de la atmsfera, que absorben y emiten su propia energa, distorsionando la radiancia recibida
por el sensor.
Supuesto que eliminramos las influencias atmosfricas, bastara conocer el flujo
emitido en el suelo para saber su temperatura, ya que, como vimos, la radiacin que
285
emite un objeto es una funcin de su temperatura, de acuerdo a la ley de Planck [2.4].

Ahora bien, esta ley est definida para cuerpos negros. Lin consecuencia, el segundo
problema en el clculo de la temperatura radiativa. y adems el ms espinoso, es estimar la relacin entre la emitancia de una superficie determinada y la que se produce en
un cuerpo negro a la misma temperatura; en definitiva, es preciso conocer la emisiviilad de la cubierta para calcular su temperatura.
Tras este comentario podemos ofrecer un esquema ms cuantitativo para abordar
ese clculo. Seguimos el mtodo propuesto por Coll el al. (1994), refinado por Caseles ('/ al. (1995) para obtener temperaturas de superficie [TS) a partir de imgenes
WHRR. Aunque tambin puede calcularse la TS desde imgenes Landsat-TM (que
i uenta con una sola banda trmica), el sensor AVHRR ha sido el ms utilizado para
este tipo de estudios, ya que son ms convenientes sus horas de adquisicin.'1 El mtodo propuesto en este epgrafe est ajustado a latitudes medias, en donde los autores
han encontrado errores por debajo de 1,1 K. para la determinacin de la temperatura superficial del suelo y de 0,7 K para la superficie del mar (Casclles el al., 1995).
Al igual que en el caso de las rcflectividades, el primer paso en el clculo de la
temperatura es convertir los ND en radiancias. Puede usarse la misma frmula antes
vista |6.22], si bien en este caso los coeficientes se cambian de lnea a lnea, aunque de
modo poco significativo, de acuerdo al sistema de calibracin que u t i l i z a el AVHRR
para sus dos bandas trmicas.
Una vez calculada la radiancia, puede estimarse la temperatura de b r il l o a partir
de la inversin de la ecuacin de Planck (Kidwell, 1991):
donde T indica la temperatura de brillo en Kelvin para un determinado valor de radiancia L, v corresponde a la longitud de onda central de la banda trmica que estemos
considerando (errf'). y c, y c, son constantes ( r , = 1,1910659 X 10 s mW m : sr ' cm 4
y c , = 1,438833 cm K).
Para esta regin del espectro, numerosos autores han sugerido basar la correccin
atmosfrica en los datos de la propia imagen. En este caso se utilizan las diferencias de
temperatura medidas en dos bandas cercanas del trmico para estimar la transmisividad atmosfrica. Estos mtodos se conocen con el nombre genrico de algoritmos de
ventana partida (split window), puesto que se necesita contar al menos con dos bandas
en la ventana del IRT. La frmula genrica de este tipo de correcciones sera:
T^ = T ] + A ( T ] - T ] ) ~ B
[6.50]
siendo Ts la temperatura del suelo, y T ] y T ' las temperaturas de brillo en dos bandas
contiguas del espectro. A y B son coeficientes dependientes del tipo de atmsfera.
Otros autores han propuesto formulaciones similares para la observacin biangular,
6. En los ltimos aos tambin cabe destacar los anlisis de temperaturas de superficie a par ir del
ATSR (Sobrino, 2000) o del MODIS (http://modis.gslc.nasa.gov/MODIS/inodisJront.htniri.
286
esto es la adquisicin de la misma banda del IRT pero con dos ngulos distintos, como
ocurre con el ATSR (Sobrino. 2000).
Sin embargo, son ms habituales las ecuaciones basadas en el algoritmo antes
mencionado |6.50|. ya que el sensor AVHRR ha sido la principal fuente de datos
para obtener temperaturas de superficie en las ltimas dcadas. Para las condiciones
promedio de nuestras latitudes podemos utilizar los coeficientes propuestos por Case I les y colaboradores (Caselles el al., 1995; Coll el al., i 994) para la correccin atmosfrica:
/
=-T\ + | 1 . 0 + 0.58(7Vr 5 )](7" 4 -7%)
[6.51]
donde T . indica la temperatura de brillo en la superficie: 7 ' 4 y 7", son respectivamente

las temperaturas de b r i l lo de las bandas 4 y 5 del AVHRR.
El ltimo paso para obtener la temperatura de superficie sera introducir la correccin de emisividad, que valora la eficiencia radialiva de una determinada superficie. La importancia de este factor se incorpora en la siguiente frmula:
/; = T \ + 0,51 + 40 (I - i) - 75 Af
16.52]
donde t corresponde a la emisividad promedio de un pxel en las bandas 4 y 5 del

AVHRR, y Af a la diferencia de emisividad para el mismo pxel en esas dos bandas
(Af = f 4 -t\).
El problema ms complejo a resolver aqu sera la estimacin de la emisividad de

la superficie terrestre, pues no es derivable directamente de los datos trmicos. La emisividad depende del tipo de cubierta que est observando el sensor, lo que frecuentemente no nos es conocido. Incluso cuando tengamos acceso a un mapa de cobertura
del suelo de la zona observada, la estimacin de la emisividad puede no ser muy correcta, por un lado por la variacin estacional de las cubiertas vegetales (por ejemplo,
una zona de cultivos aparecer como suelo descubierto en algunos perodos del ao), y
por otro, por la propia heterogeneidad del pxel, ya que aproximadamente en 1 knr ( l a
mejor resolucin espacial del AVHRR) puede haber una mezcla notable de tipos de
cobertura y, por tanto, de emisividades. Lgicamente, esto no ocurre en la determinacin de la temperatura del ocano, en donde la emisividad es fcilmente calculable.
Una manera sencilla de estimar la emisividad para zonas no marinas sera asumir que
un pxel est formado nicamente por suelo o vegetacin, calculando una emisividad promedio en funcin de la proporcin de superficie ocupada por estas dos cubiertas. Para estimar estas proporciones, Valor y Caselles (1996) sugirieron un mtodo basado en los datos
de la propia imagen, ms concretamente en las bandas del R e IRC, a partir de los cuales se
pueden calcular ndices de verdor (como veremos ms adelante: 7.1.2). De acuerdo a este
mtodo, la proporcin del pxel ocupado por vegetacin puede obtenerse a partir de la relacin entre su ndice de vegetacin (NDVI) y los mnimos y mximos de verdor detectados en una serie suficientemente larga de imgenes:
p _"
"
"
( l - ( NDVI/NDVI
5 ^ 1
))
Fie;. 3*. Mosaico de imgenes SPOT adquiridas el 27 de diciembre de 2001 mostrando

un amplio frente de incendios activos en el suroeste de Australia. Se observa ntidamente
el efecto de absorcin de los aerosoles producidos por el fuego.
(ACRES. Geoscience Australia. CNES 2001).
FlCi. 5*. Imagen NOAA-A VHRR tic la Peninsula I berica adquirida

por la antena URI'T instalada en el Departamento de (enfraila
(Universidad de Alcal).
Fie 6*.
Imagen Meteosat del disco visible de la Tierra adquirida en octubre de 998.

(Cortesa: EUMHTSAT.)
FlG. 7*.
Imagen ster del Estrecho de Gilaltar adquirida el 5 de julio de 2000.

(Cortesa: NASA, http://visiblcearth.nasa.gov.)
Fie. 8*.
Imagen Modis del Cono Sur adquirida el 24 de Abril de 2000. Composicin en color
red de los canales rcjlectivos. (Cortesa: NASA, http://visibleearth.nasa.gov.)
l i e i. i ) ' \
Altura medid de Id superficie ntiiriitii generada a purlir de dalos del EKS- i.
(Cortesa: Agencia Espacial liumpea.)
Fie;. 10*. Imgenes del contenido de clorofila en el dûti >ara los meses de enero {arriba)
x junio (ahajo) calculadas a partir de dalos Seauifs. (Cortesa: Orbimage. j
Fie;. I I*.
Proceso de formacin de las composiciones coloreadas.
FlG. I 2*. Diversas composiciones en color sobre la imagen TorrelOO.
Fie. 13*.
FlG. 14*.
Composicin en color de los tres primeros componentes principales

(rojo, verde y azul, respectivamente).
Composicin en color de los tres componentes Tasscled Cap: ; azul, humedad;

en rojo, brillo; en verde, verdor.
287
donde NDVIimx y NDVImm corresponden a los valores del ndice de vegetacin observados como mxima y mnima cubierta vegetal, respectivamente, y k es un factor de
normalizacin:
k = (P2V-Pu)l(pls-Pn)
16-541
siendop:, y pu las reflectividades de la vegetacin en las bandas 2 y 1 del AVHRR,

respectivamente, mientras p,( yph indican las reflectividades del suelo en esos mismos canales.
A partir de la proporcin de cobertura verde puede calcularse la emisividad
de cada pxel multiplicando esa proporcin por la emisividad media de la vegetacin
(f, = 0,952 para herbceos secos, 0,983 para rboles y 0,985 para herbceos verdes y
arbustos. Tambin puede aplicarse un valor promedio global de 0,985), y el resto por
la emisividad media del suelo descubierto {t\ = 0,968 para suelos arenosos; 0,972 para
limosos y 0,974 para arcillosos. Aqu el valor promedio sera 0,96). De esta forma,
tendramos (Caselles y Sobrino. 1989):
=f,.fl + ( 1 -/>,.),. + </
[6.55]
Ae = AevPv + (\ -Pt)Aes + dA?
[6.561
donde los trminos de y dAt: evalan, respectivamente, los efectos de cavidad de f y

Af, y pueden determinarse a partir de las caractersticas geomtricas de las plantas,
aunque tienen una contribucin muy pequea (los valores oscilan entre 0,004 y 0.0025
para las cubiertas vegetales ms habituales: Caselles el al., 1995). Otros mtodos para
estimar la emisividad se basan en las medidas de campo o laboratorio, en relaciones
empricas, tcnicas de inversin y medidas especiales (Sobrino. 2000, cap. 1 1).
En la figura 6.42 aparece un ejemplo de obtencin de la temperatura de superficie
para el conjunto de la pennsula Ibrica (imagen IbricaOI) utilizando el mtodo propuesto previamente sobre una imagen AVHRR. Hemos incluido la temperatura de brillo original de la banda 4, la imagen de emisividad y la temperatura de! suelo, ya corregida de atmsfera y emisividad. Adems, se seala un perfil, en el sentido norte-sur,
que atraviesa la mitad norte de la Pennsula, desde el Cantbrico hasta el Valle del
Tajo. Se observa el efecto de la correccin atmosfrica y de emisividad sobre la temperatura final, con amplitudes que superan los 7 "C en algunos sectores. Por otro lado,
la tendencia al aumento de la temperatura, de norte a sur, es bastante evidente, as
como los accidentes montaosos que atraviesa el perfil, como la Cordillera Cantbrica
y el Sistema Central, claramente diferenciados por el brusco decremento de la temperatura frente a los valles pre-cordilleranos (12-15 "C en la Cantbrica y unos 18-20 "C
en el Sistema Central).
La observacin trmica tiene gran inters para el seguimiento de fenmenos que
afectan a la vegetacin, como ya vimos en el captulo 2. La temperatura de superficie
est inversamente relacionada con el vigor vegetal, ya que la evapotranspiracin libera
calor y, en consecuencia, reduce la temperatura de la masa vegetal frente al suelo des-
288
TELEDKTbCCION AMBIENTAL
50
100 150 200 250 300 350 400

Original Corregida
Fio. 6.42. En la parle izquierda, temperatura de brillo (arriba) y corregida (ahajo)

de la imagen IbricaOl. En la derecha, emisividad (arriba), y perfil de temperaturas tomado
desde el Cantbrico, hasta la Meseta sur.
cubierto. Por tanto, la evolucin temporal de la temperatura de superficie nos permite

eslimar las condiciones de vigor o estrs de la planta, de cara a estudios de rendimiento
agrcola (Caselles y Sobrino, 1989) o de riesgo de incendios (Vidal el ai, 1994). adems de su clara aplicacin a estudios oceangraficos o pesqueros (Barreto. 2000).
6.2.5. Deteccin de nubes
La cubierta nubosa supone el principal obstculo para el anlisis de la variacin a
corto plazo de una determinada superficie terrestre cuando estemos trabajando con
sensores pticos o trmicos. Puesto que la presencia de nubes introduce una severa
distorsin en las series temporales de imgenes, en muchas ocasiones resulta imprescindible aplicar alguna tcnica que permita discriminarlas, ya sea para aislar ese sector
de otros anlisis (cuando el inters se centra en la cubierta que est debajo de la nube),
ya para retener estos valores (cuando precisamente el inters es la propia nube).
El problema de discriminacin de nubes es una tarea muy frecuente en teledeteccin que ha recibido la atencin de numerosos autores. Aqu lo trataremos nicamente
con un enfoque prctico, de cara a proponer algunas soluciones para aislar los pxeles

28
9
Una de las formas ms eficaces de discriminar las nubes se apoya en la interpretacin visual (Cracknell, 1997), ya que el interprete puede i n c l u i r una serie de criterios espectrales y espaciales que son complicados de definir en trminos digitales.
Ahora bien, este mtodo tambin presenta una serie de inconvenientes (Simpson y
Ciobat, 1996): se trata de una labor tediosa, ya que hay que visualizar las imgenes
para detectar las nubes; no es estadsticamente reproducible para otros lugares geogrficos ni otros investigadores, y requiere de conocimiento y experiencia en fotoinlerpretacin.
Forestas razones, habitualmente los criterios de deteccin de nubes se basan en la
aplicacin de distintas tcnicas de anlisis digital. Entre ellas, son ms numerosas las basadas en la aplicacin de una serie de tests consecutivos, que permiten discriminar un p\el como nuboso cuando cumple una serie de condiciones, ya sean espectrales ( l o ms
habitual). espaciales o una mezcla de las dos (Bastarrika. 2000). Otros criterios propuestos se basan en tcnicas de clasificacin no supervisada (por ejemplo, el mtodo ASMC
de agrupamienlo y separacin iterativa, ideado por Simpson y Gobat. 1996. o en ndices
espectrales, como el tasseled cap, que luego veremos: Labuto, 1991).
El principal problema de los algoritmos de umbrales mltiples es establecer unos
valores crticos que sean de validez universal. Dada la gran variedad de tipos de nubes,
espesores y reas donde se sitan, resulla complejo establecer unos lmites bien adaptados a cualquier situacin. Posiblemente el intrprete tendr, en algunas ocasiones,
que adaptar los umbrales propuestos hacia valores ms o menos conservadores, segn
se pretenda reducir al mximo los errores de omisin (nubes que no se detecten) o de
comisin (reas no nubladas que se etiqueten como tales). Si el objetivo es eliminar
con toda seguridad las nubes, los lmites pueden ser bastante amplios, mientras si se
pretende reducir los errores de comisin ser necesario restringir ms rigurosamente
esos umbrales.
Uno de los algoritmos de umbrales mltiples ms utilizados en la deteccin de
nubes es el propuesto porSaundcrs y Kricbcl (1988). Se basa en 5 pruebas para imgenes diurnas y otras 5 para imgenes nocturnas que se aplican pxel a pxel, determinando si est despejado, parcial o totalmente nublado. Por ejemplo, para las imgenes
diurnas estos cinco tests son (fig. 6.43: Bastarrika. 2000):
1. Prueba del umbral trmico: se aplica para la determinacin de nubes gruesas
a partir de un umbral de temperatura de brillo en 12 fim (banda 5 del AVHRR). La
temperatura de brillo de esa banda es ms adecuada para detectar nubes que la ofrecida
por la banda 4 (11 um) porque las nubes tienen una mayor profundidad ptica en esas
longitudes de onda. Si la temperatura es menor que un umbral absoluto, el pxel se
identifica como nuboso. Este mtodo, lgicamente, usa diferentes umbrales para tierra
y mar. Para determinar el umbral se identifican en la imagen las zonas ms fras libres
de nubes tanto en tierra como en mar. A la temperatura de esas zonas ms fras se les
resta una cantidad (normalmente mayor que 2 "C) y as puede obtenerse el umbral deseado, uno para mar y otro para tierra. El hecho de seleccionar un nico umbral puede
ser correcto para terrenos llanos u ondulados, pero hay que tener mucho cuidado al establecer umbrales en una imagen muy extensa, donde exista terreno montaoso: el decrcmento de la temperatura con la altitud puede provocar la clasificacin de pxeles
fros, pero libres de nubes, como nubosos. Este problema puede solventarse utilizando
Reflectividad de entrada banda 1, banda 2

y temperaturas de brillo banda 4 y banda 5
l i e ; . 6.43. Esquema del algoritmo de discriminacin de nubes.

(Adaptado de Saunders y Kriebel, 1988.)
umbrales dinmicos, por ejemplo basados en compuestos multitemporales de temperaturas.

2. Prueba de coherencia y uniformidad espacial. Intenta comparar la tempera
tura de brillo de un pxel en la banda 4 con la de su entorno, basndose en la desviacin
estndar (SD) de una ventana de 3 X 3 pxeles. La idea de este criterio es que la varia
bilidad de la temperatura de brillo sobre pxeles contaminados por nubes debera ser
mayor que para pxeles libres de nubes. Los umbrales de la desviacin estndar son
empricamente determinados y se mantienen constantes para todo el rea.
3. Prueba del umbral de reflectividad dinmica. Casi todas las nubes tienen alta
reflectividad en el visible e IRC. mucho mayor que la correspondiente a la superficie
i"<i on l:i handa 1 tiende a ser menor
2L) 1
que en la 2; por tanto, el contraste tierra-nube ser mucho ms acentuado en la banda 1.

S in embargo, en el mar suele utilizarse la 2, debido a que est mucho menos afectada
por los aerosoles y la dispersin Rayleigh.
4. Prueba del cociente entre las reflectividades de las bandas 2 y 1 (Q). Los va
lores de este cociente para pxeles nublados son cercanos a 1 debido a que los efectos
de dispersin (dispersin Mi) son parecidos para ambas bandas. Sobre tierra (zonas
ion vegetacin) los valores de Q son superiores a la unidad debido a la mayor rellecti\ idad en el IRC que en el VIS. Sobre el mar. en cambio, ocurre lo contrario. As. se deerminan dos umbrales; sobre tierra, si Q < 1.6 se supone que el pxel es nuboso, inicniras que sobre mar. si Q > 0,75 el pxel tambin se supone nuboso. Este mtodo no tra
baja bien en reas con reflejos solares, donde el valor (J es cercano a I y. por tanto, es
similar a los valores obtenidos para las nubes.
5. Prueba de la diferencia de temperaturas de brillo (banda 4-banda 5). Final
mente, el quinto criterio propuesto por Saunders y Kriebel u t i l i z a la diferencia de tem
peratura de b r i l l o entre las bandas 4 y 5. La variacin de las emisividades de las nubes
con la longitud de onda hace que haya diferencias de temperatura entre ambas bandas.
Estas diferencias de temperatura pueden usarse, por ejemplo, para detectar cirros bas
tante delgados porque las nubes tienen diferentes emisividades a diferentes longitudes
de onda. Sobre nubes, las diferencias de temperatura de brillo pueden ser de hasta 6 K.
Las diferencias sobre pxeles libres de nubes, sin embargo, suelen ser menores (a me
nudo menor que 1 K), aunque depender de la cantidad total de vapor de agua en la at
msfera y del ngulo cenital. Saunders y Kriebel proponen una serie de umbrales para
estas diferencias, basados en el ngulo cenital solar.
La figura 6.44 presenta un ejemplo de la aplicacin de estas pruebas sucesivas sobre una imagen AVHRR de invierno que incluye toda la pennsula Ibrica, con cierta
cobertura nubosa. Resulla evidente la buena discriminacin de las nubes que f a c i l i t a el
algoritmo de Saunders y Kriebel, si bien en este caso se ha modificado un poco los criterios para establecer los umbrales. Aqu, en lugar de valores absolutos, se han primado las diferencias de contexto espacial frente a imgenes sintticas de temperatura m-
FlG. 6.44. Ejemplo de aplicacin del algoritmo de Saunders v Kriebel a una imagen A VHRR
de la pennsula ibrica lomada el 12 de enero de 1999. (Cortesa: Ailor Bastarrika.)
292
xima mensual, de tal manera que en cada pxel se establece el umbral por relacin a los
valores de temperatura mximos que se hayan observado en ese pxel (y su vecindad)
en el perodo mensual que se considere (Bastarrika, 2000). Recientemente se han propuesto otros algoritmos automticos de deteccin de nubes en el contexto del anlisis
de imgenes MODIS. Este sensor, como ya vimos, proporciona una mayor facilidad
para distinguir diversos tipos de nubes, gracias a su buena resolucin espectral (modarch.gstc.nasa.mw/modis/atbd/).
6.3.
CORRKCCIOM-.S ( i H MTRICAS
6.3.1.
Introduccin
Las correcciones geomtricas de

la imagen incluyen cualquier cambio en la posicin que ocupan los pxeles que la
forman. Por contraposicin con las correcciones ra-diomtricas, aqu no se pretende
modificar ios ND de los pxeles de la imagen, sino slo su posicin, sus coordenadas.
Gracias a tratarse de un formato digital, esta transformacin puede basarse en funciones
numricas, que permiten modificar muy flexiblemente la geometra de la imagen. La
expresin general de este tipo de funciones sera:
f(c')=J\(c,l);f(x,y)
f(l')=f2(c,l);f(x,y)
Esto es, las coordenadas columna y linca (c' y /') de la imagen corregida son funcin de las coordenadas columna y lnea de la imagen de entrada (c, 1) o de las coordenadas del mapa al que se pretende superponer la imagen (x, y). Por tanto, esta transformacin puede emplearse tanto para corregir cartogrficamente una imagen, como para
superponer dos o ms imgenes entre s. En el primer caso se pretende encontrar una
relacin que transfiera los ND de la imagen a su posicin cartogrfica, en la proyeccin requerida (habitualmente la Universal Transversal de Mercator. UTM). Esto permite que la imagen resultante pueda combinarse con informacin auxiliar o integrarse
a un SIG (cap. 9). En el segundo caso, la transformacin geomtrica de la imagen tiene
por objetivo ajustara a otra imagen que.se considera como referencia, normalmente
con objeto de realizar estudios multitemporales o mosaicos para obtener una cobertura
ms completa del territorio.
La correccin geomtrica de imgenes puede abordarse de acuerdo a dos procedimientos. En el primero, denominado correccin orbital, se pretende modelar aquellas fuentes de error geomtrico conocidas, a partir de aplicar transformaciones inversas a las que realiza el sensor en el momento de la adquisicin. Para ello es preciso disponer, con bastante detalle, de las caractersticas orbitales de la plataforma y de las
especificaciones del sensor. Gracias a ellas pueden corregirse errores sistemticos,
como son los derivados de la rotacin o curvatura terrestre y de la inclinacin de la rbita. El segundo enfoque resulta ms emprico. Se trata de evaluar el error geomtrico
de la imagen a partir de una serie de puntos con coordenadas conocidas, que se denominan puntos de control. En este caso, el error se estima inductivamente, ya que en las
293
funciones de transformacin se incluyen simultneamente todas las fuentes de error,

asumiendo, como es lgico, que esos puntos sean suficientemente representativos de
la deformacin geomtrica que tiene la imagen.
Ambos mtodos tienen sus ventajas e inconvenientes. El primero es mucho ms
automtico, pues los datos orbitales se reciben directamente con las imgenes y apenas
se requiere intervencin humana. Resulta, adems, muy adecuado cuando el sensor no
proporciona informacin fiable para localizar los puntos de control, ya sea por tratarse
de imgenes marinas (sin referencias visuales), ya eon cobertura de nubes o con una resolucin tan grosera que apenas puedan identificarse rasgos cartogrficos. ste es el
procedimiento habitualmente empleado para corregir imgenes de baja resolucin (tanto
polares como geoestacionarios, aunque es ms sencillo en estos ltimos). Su principal
inconveniente es la escasa fidelidad cuando la posicin del satlite no se conoce con mucha exactitud (caso de algunos satlites polares de observacin global) o cuando la imagen incluye errores aleatorios, como los debidos a movimientos imprevistos del sensor o
al relieve local, que pueden llegar a suponer desplazamientos del orden de 5 pxcles
(Ho y Asem, 1986). No obstante, con modelos ms elaborados, que pueden incluir algn
punto de control terrestre, el orden de precisin se eleva hasta 1 pxcl (Emery el al..
1989; Rosborough el al., 1994). Las plataformas ms modernas incluyen sistemas de navegacin mucho ms refinados que permiten mejorar notablemente estas correcciones
orbitales (caso del SPOT-4). Por su parte, el mtodo de puntos de control resulta bastante
tedioso, pues requiere una notable intervencin humana para localizar adecuadamente
esos puntos, pero ofrece una alta exactitud cuando se trabaja sobre zonas e imgenes en
donde es clara la identificacin de rasgos comunes a la cartografa bsica.
6.3.2.
Correccin a partir de modelos orbitales
Como se ha indicado, estas correcciones resultan muy adecuadas para sensores

de baja resolucin o que trabajan sobre reas marinas, en donde resulta muy complicado buscar puntos de control. El creciente inters por el empleo de imgenes de sensores de observacin global ha subrayado el papel de estas correcciones, ya que son paso
obligado para su anlisis. Habitualmente, al aplicar correcciones orbitales se utiliza el
trmino navegacin de la imagen (Emery et al., 1989), ya que se pretende localizar
sobre una malla geogrfica cada uno de los pxeles que la forman.
En el caso concreto de la correccin de imgenes A VHRR, aunque es extensible a
otros sensores, la navegacin de la imagen implica un proceso matemtico complejo,
que excede el carcter introductorio de esta obra. Para una referencia completa pueden
consultarse otras referencias ms especficas (Bachmann y Bendix, 1992; Bordes el al.,
1992; Emery et ai, 1989; Ho y Asem, 1986; Krasnopolsky y Breaker, 1994; Rosborough el al., 1994). Baste aqu indicar que su principal escollo es localizar exactamente
la posicin geogrfica del satlite, de tal forma que puedan relacionarse automticamente
sus coordenadas de imagen con las coordenadas cartogrficas de inters. Es preciso
conocer la altitud de la rbita, que puede variar a lo largo de la traza, ya que no se emplean modelos circulares sino elpticas, su velocidad y meridiano de cruce con el Ecuador, as como la velocidad de barrido del sensor. A partir de esa informacin, los parmetros ms sencillos de corregir son los derivados de errores sistemticos en la adquisicin, como son los siguientes;
294
//<;. 6.45. Errores geomtricos causados por la rotacin terrestre,

(Adaptado de Richards, 1993.)
I. Inclinacin de la imagen. Tanto el NOAA como otros satlites de rbita polar adquieren las imgenes con un pequeo ngulo respecto al norte geogrfico. Esto
implica una inclinacin del eje de la imagen hacia el noreste. Adems, durante el tiempo de adquisicin de la imagen, la Tierra se desplaza hacia el este, en una distancia variable con la latitud, la velocidad angular del satlite y el tamao del rea cubierta en la
imagen. Estos problemas pueden obviarse de acuerdo a las siguientes frmulas (Richards, 1993, pp. 48-54: fig. 6.45).
|6.57|
16.58]
[6.59]
[6.60|
295
De la primera se deduce que el desplazamiento de la imagen en el eje A (AV) es

igual al desplazamiento debido al movimiento de la tierra (Av ) multiplicado por el coseno del ngulo de inclinacin de la rbita ( ) . A su vez, de (6.58] calculamos ese desplazamiento de la Tierra (Av) a partir de su velocidad angular (v,.) y del tiempo de adquisicin de la imagen (7\). La velocidad angular puede calcularse a partirde la velocidad rotacional de la Tierra (a>{ = 72,72 microradianes/s), del radio terrestre (i\ ~ 6.378
km) y de la latitud de la imagen {(p). Por su parte, el tiempo de adquisicin est en funcin del rea cubierta (L) y de la velocidad angular del satlite (). En definitiva, basla saber la inclinacin de la rbita del satlite, su velocidad angular y el rea que abarcan sus imgenes para posicionarlas aproximadamente hacia el norte.
Distorsin panormica. En cualquier sensor ptico las imgenes se adquieren desde un punto de observacin, por lo que los parmetros de adquisicin (sobre
todo la distancia sensor-Tierra) slo son exactos en la vertical del mismo (nadir). Entre
otros efectos de esta observacin panormica, uno de los ms agudos es la variacin
del tamao del pxel desde el nadir a los extremos, pues aumenta la distancia entre el
sensor y el punto observado. En el caso de imgenes de pequeo campo de visin
(como el Landsat-TM. SPOT HRV o IRS-1C) ese efecto es poco importante, pues adquieren imgenes casi verticales. No es as para las imgenes de los sensores globales,
que cuentan con un gran ngulo de barrido, lo que implica errores considerables hacia
los extremos del rea observada (t'ig. 6.46).
:"l(i. 6.46. Efecto de la observacin panormica sobre a geometra de la imagen.

(Adaptado de Richards. 1993.)
296
TKLHDETKCCIN AMBIENTAL
Una sencilla correccin de este efecto panormico viene dada por las frmulas siguientes:
/ > ' =p/ ros y
[6.61 ]
en la direccin y del pxel ( l a t i t u d ) , y

p'' = p/eos y
16.62]
en la direccin .\ del pixel t longitud), siendo/? el tamao del pxel en el nadir y y el ngulo de barrido (formado por la lnea de observacin y la vertical al sensor: fig. 6.46).
En este esquema se asume que el campo de visin instantneo (IFOV) es constante.
Esta correccin permite ajustar el tamao del pxel con la distancia al nadir, a lo largo
de cada lnea de barrido.
3. Efecto de la curvatura terrestre. Mientras en el caso de la fotografa area, el
rea observada permite asumir la Tierra como plana, en aquellos sensores que observan una superficie muy vasta, como es el caso del AVHRR. la esfericidad terrestre no
puede obviarse. Para mitigar este efecto puede abordarse la siguiente correccin (Richards. 1993: fig. 6.47):
donde/? indica el tamao del pxel corregido del electo de curvatura,/? es el ngulo de
visin instantnea, h la altura del sensor, r, el radio de la Tierra, y el ngulo de barrido
y (f el formado por el centro del pxel observado y el centro de la Tierra.
A partir de estas ecuaciones, conociendo la posicin geogrfica del satlite, puede navegarse la imagen, generando una malla de coordenadas x, y con los ND adquiridos por el sensor ms aproximados a cada posicin. Este proceso de interpolacin es
relativamente similar al que veremos para la correccin con puntos de control. El conjunto del proceso implica un volumen considerable de clculo, ya que las ecuaciones
de ajuste son bastante complejas. En ocasiones, los modelos orbitales se apoyan en la
localizacin de algn punto de control terrestre, para mejorar la estimacin de las condiciones de orientacin del satlite (attitude).
La figura 6.48 incluye una secuencia de imgenes AVHRR adquiridas en tres
das consecutivos. A la izquierda aparecen las imgenes originales, mostrando los
efectos de distorsin geomtrica que estas imgenes incluyen. Los extremos aparecen
severamente deformados, cambiando esa rea segn se desplaza el centro de la imagen
hacia el oeste. A la derecha aparece un sector prximo a la ciudad de Valencia, tras la
correccin orbital, referenciada en proyeccin UTM. Como puede observarse, pese a
la gran diferencia en la geometra de las imgenes originales, la correccin consigue
posicionar las imgenes de forma bastante similar entre ellas.
Esta solucin ser suficiente para aplicaciones globales, en donde se pretendan
analizar grandes extensiones. Sin embargo, para anlisis multitemporales ms detallados no facilita habitualmente la precisin requerida. Como veremos en el captulo de
ANLISIS DIGITAL DK IMGENES: CORRECCIONES Y REALCES
FlG. 6.47.
297
Errores provocados por la curvatura terrestre. (Adaptado de Richards, 1993.)
deteccin de cambios, un proceso previo imprescindible para determinar qu se ha

modificado entre dos o ms imgenes es que se refieran exactamente a la misma zona.
Pequeos desplazamientos entre los pxeles de las imgenes que se comparan estaran
mostrando cambios ficticios. La importancia de este factor puede llegar a ser muy considerable (Roy, 2000; Townshend et ai, 1992), por lo que resultar imprescindible
mejorar esa correccin con otros ajustes ms detallados cuando se pretendan analizar
superficies que ocupen pocos pxeles (Martn, 1998). El efecto es especialmente evidente en zonas costeras (fig. 6.49).
6.3.3. Correccin a partir de puntos de control
La segunda alternativa de correccin es ms inductiva. Asume que no se conoce
el origen de los errores, pero que stos pueden modelarse a partir de ajustar unas
298
TELEDETKCC1ON AMBIENTAL
[ ; l<. 6.48, Efecto de lu correccin orbital de imgenes.

(Imgenes adquiridas por el AVHRR en j u l i o de 1991.)
Fl(. 6.49. Mejora en los ajustes orbitales mediante correcciones con puntos de control: a)
ajuste orbital; b) aadiendo puntos de control. (Cortesa: M. Pilar Malln.)
2U9
ecuaciones empricas a un conjunto de puntos, de los que se conoce tanto l a s coordenadas de la imagen a corregir como las del mapa o imagen de referencia. En ambos
casos, la correccin se realiza en tres lases (fig. 6.50): 1) localizacin de puntos comunes a la imagen y al mapa (o a otra imagen de referencia), 2) clculo de las funciones de transformacin entre las coordenadas de la imagen objetivo ) las de referencia, y 3) trasferencia de los ND originales a la nueva posicin, definida por la transformacin previa.
Col = ao+ a, X + a,, Y

Un = i>()+ b , X + b , , Y
(2)
(3)
Fl(i. 6.50.
Fases de la correccin con puntos Je control: I) seleccin; 2) ecuaciones de ajuste, 3)

generacin de la imagen corregida.
300
6.3.3.1. Establecimiento de puntos de control

Para calcular cualquier funcin entre dos o ms variables es necesario contar
previamente con una serie de observaciones comunes a todas ellas. De la misma Corma, las funciones que permiten transformar coordenadas entre la imagen y el mapa
precisan localizar una serie de puntos comunes a ambos, que se conocen como puntos
de control. A partir de las coordenadas imagen y mapa de esos puntos se calculan las
funciones tic ajuste, de forma similar a como se obtienen en otras regresiones multivariables. En consecuencia, la calidad del ajuste depender del rigor con que se localicen
esos puntos, y de como definan realmente los errores geomtricos de la imagen. Una
inexacta locali/acion de esos puntos, tanto en la imagen como en el mapa, o una distribucin muy sectori/ada, implicar una estimacin inadecuada y. por tanto, una correccin geomtrica errnea. En definitiva, el establecimiento de puntos de control resulta
la fase ms crucial del proceso de correccin y la que demanda mayor dedicacin
humana.
Para que el ajuste entre imagen y mapa sea correcto se requiere atender a tres aspectos en la seleccin de los puntos de control: nmero, localizacin, y distribucin.
El nmero idneo de puntos de control depende de la complejidad geomtrica de
la imagen. Si se trata de zonas planas, adquiridas por un sensor de estrecho campo
de visin, la transformacin imagen-mapa puede basarse en ecuaciones lineales simples. Por el contrario, si se trata de un terreno rugoso o el sensor vara notablemente las
condiciones de observacin ser preciso aplicar funciones de transformacin ms
complejas, con polinomios de segundo o tercer grado. Lgicamente, cuanto mayor sea
el grado de la ecuacin de ajuste se precisar tambin un mayor nmero de puntos de
control. Matemticamente slo son necesarios 3 puntos para una funcin de ajuste
de I." grado. 6 para una de 2." grado y 10 para una de 3." grado. Ahora bien, conviene
superar con creces ese listn mnimo para garantizar una buena conformidad entre
imagen y mapa. Bernstein (1978) aconsejaba seleccionar entre 14 y 20 puntos para corregir una imagen MSS, mientras el National Remote Sensing Center ingls utilizaba
de 100 a 120 puntos para hacer lo propio con una imagen TM (Davison, 1984). Para
una zona pequea (512 X 512 pxeles, por ejemplo), 10 o 12 puntos y una transformacin de primer grado sern normalmente suficientes. En caso de que el contraste topogrfico sea importante convendr seleccionar un mayor nmero de puntos, y acudir a
polinomios de transformacin ms complejos.
En cuanto a la localizacin. se recomienda que sean puntos claramente identificables en la imagen y en el mapa, preferiblemente rasgos humanos del paisaje no sujetos
a dinamismo temporal: cruces de carreteras, caminos, vas de ferrocarril, etc. Siempre
que sea posible, no conviene sealar puntos en la lnea de costa, pues el efecto de la
marea puede modificar la localizacin exacta de un accidente geogrfico. La misma
idea puede aplicarse a los cursos de agua o embalses, que sufren alteraciones estacionales, en ocasiones de gran importancia. Algn elemento destacado de la vegetacin
podra utilizarse como punto de control, siempre que se disponga de la cartografa temtica apropiada y no se hayan producido cambios entre la fecha de la imagen y la del
mapa. En caso de que se pretenda el registro de dos imgenes, la bsqueda de puntos
comunes resulta ms sencilla, yaque hay rasgos visualizablesen una imagen que no se
recogen en la cartografa bsica, como es el caso de manchas caractersticas de vegeta-
ANLISIS DGITA!. DE IMGENES: CORRECCIONES Y REAI .CHS
30 I
cin o ciertas parcelas agrcolas. La mayor parte de los programas de interpretacin digital permiten visualizar las dos imgenes a corregir simultneamente, lo que facilita
mucho la seleccin de los puntos de control.
Respecto a su distribucin, conviene que estos puntos se siten uniformemente
sobre lodo el territorio abarcado en la imagen. Esto evitar errores debidos a una ponderacin excesiva de algn sector del rea de estudio, en donde el ajuste ser bueno a
expensas de otros sectores de la imagen. Esto es especialmente importante cuando la
zona presente contrastes topogrficos y se utilicen ecuaciones de segundo o tercer grado. Aunque el efecto de desplazamiento del relieve es menor que en el caso de la fotografa area (debido a la altura de la rbita), tambin en las imgenes de satlite existe
un electo de desplazamiento que puede causar serios problemas en su ajuste cartogrfico. Para intentar paliarlos, cuando no se disponga de un buen modelo digital de elevaciones puede ser recomendable tomar puntos de control sobre reas de distinta altitud, siempre que stas resulten bien identificables en la imagen ( I t t e n y Meyer. 1993:
Novak. 1992).
Nuestra propia experiencia indica que la seleccin de puntos de control es una tarea bastante laboriosa. En caso de un registro entre dos imgenes, el proceso se simplifica, puesto que es ms sencillo identificar puntos comunes entre dos imgenes que entre imagen y mapa. En el primer caso pueden utilizarse cruces de caminos y rasgos
destacados de la vegetacin, de difcil o imposible localizacin en un mapa. Adems,
en el caso de corregir distintas imgenes de la misma zona para un anlisis multitcmporal puede automatizarse el proceso de bsqueda de puntos comunes, a partir de sealar en una sola, de modo muy preciso, esos puntos, situando en las otras unas ventanas de bsqueda, en torno a cada punto de control (Diez de Arribas y Nicols, 2001:
Ort e/e//., 1979).
La figura 6.5 1 recoge la localizacin de los puntos de control seleccionados para
la imagen Madrid92. Se trata sta de una zona especialmente idnea para esta labor,
por cuanto existen mltiples rasgos humanos, claramente identificables sobre la imagen y el mapa. Para simplificar el comentario hemos sealado once puntos de control.
La tabla 6.6 incluye las coordenadas columna y lnea de la imagen, y A' e K del mapa
para esos puntos. La cartografa base se corresponde a una hoja 1:25.000 del Instituto
Geogrfico Nacional, realizada en proyeccin U.T.M.
6.3.3.2.
Clculo de las funciones de transformacin
Como se coment ms arriba, la correccin digital de la geometra de una imagen

se realiza estableciendo unas funciones, que pongan en relacin las coordenadas de la
imagen con las del mapa. De esta forma, a partir de las coordenadas X, Kdel mapa puede estimarse que columna y lnea de la imagen corresponde a esa localizacin. Esquemticamente esta transformacin puede expresarse como (Mather. 1998):
= 2 7 - =.,,. 2* = ., a ^ X ' Y "
B
16.64]
donde s indica la coordenada estimada de la imagen corregida, que se obtiene a partir

de las coordenadas del mapa X e Y. El subndice m indica el grado del polinomio de
ajuste. El caso ms simple sera el de una ecuacin lineal, en donde:
CAPTULO 7
ANLISIS DE IMGENES:
EXTRACCIN DE INFORMACIN TEMTICA
Profesor: que te ilusione hacer comprender a tus alumnos,
en poco tiempo, lo que a ti te ha costado horas de estudio llegar a
ver claro.
JOSEMARA ESCRIV, Surco
1. Generacin de variables continuas

Despus de comentar los diversos tratamientos que conducen a disponer los datos
de forma ms idnea para extraer de ellos informacin temtica de inters dedicamos
precisamente este captulo a comentar las diversas tcnicas que permiten extraer esa
informacin de las imgenes. Hemos dividido la exposicin en cuatro apartados segn
el objetivo principal del anlisis sea la obtencin de variables continuas (1), la categorizacin de la imagen en clases temticas (2), el anlisis de cambios (3) o la medicin
de la estructura espacial del territorio (4). Este captulo se complementa con los dos siguientes, dedicados, respectivamente, a verificar los resultados (cap. 8) y a conectarlos con otras fuentes de informacin en el marco de los SIG (cap. 9).
1.1.
TCNICAS DE MODELADO EN TELEDETECCIN
1.1.1. Teledeteccin cualitativa y cuantitativa

Es obvio que el inters de la teledeteccin viene dado por su capacidad de proporcionarlos informacin temtica, que cubra vacos en nuestro conocimiento del territorio o, al menos, actualice lo que ya se haba inventariado previamente.
En muchas ocasiones se restringe el contenido informativo de la teledeteccin a
la cartografa temtica propiamente dicha. En otras palabras, las imgenes de satlite
seran, bajo este punto de vista, slo una herramienta para clasificar el territorio en categoras homogneas, por ejemplo de cobertura del suelo, vegetacin o cultivos. Con
316
ser de gran inters este enfoque nos parece reduccionista. Conviene no perder de vista
que una imagen de satlite es un conjunto sistemtico de medidas cuantitativas sobre
el territorio, con un nivel de resolucin espacial inalcanzable en mustreos de terreno.
Si esas mediciones se relacionaran satisfactoriamente con ciertos parmetros ambientales de inters, a partir de una imagen podra obtenerse la distribucin espaciotemporal de dichos parmetros. Por ejemplo, en la mayor parte de los pases la observacin meteorolgica se realiza a partir de una serie de puntos bastante dispersos en
el territorio (donde se sitan los observatorios). A partir de las mediciones que la teledeteccin realiza de la temperatura del suelo disponemos de una representacin mucho ms exacta de cmo las temperaturas se distribuyen en el espacio, ya que una imagen incluye medidas sistemticas sobre el territorio (cada kilmetro, aproximadamente, en el caso del sensor AVHRR). La nica manera de obtener una cartografa exhaustiva del territorio a partir de sensores convencionales sera mediante tcnicas de interpolacin espacial (Mitas y Mitasova, 1999), que sern tanto mas certeras cuanto mayor densidad de observatorios dispongamos y el territorio sea ms homogneo. Por
ejemplo, la figura 7.1 nos permite comparar una mapa de evapotranspiracin (ET) del
cultivo de referencia obtenido mediante interpolacin espacial de 26 estaciones meteorolgicas en Andaluca, con el que se obtuvo mediante regresin lineal con variables derivadas de imgenes AVHRR (Snchez y Chuvieco, 2000). Resulta obvio el carcter mas realista de esta segunda estimacin y su mejor adaptacin a los rasgos del
relieve regional.
Bajo esa ptica, podemos considerar la teledeteccin como una de las herramientas ms potentes para generar informacin biofsica sobre el conjunto del territorio, a
intervalos regulares y en condiciones comparables (sensor, altitud, hora de adquisicin, etc.). Potencialmente las variables que pueden deducirse a partir de la teledeteccin son muy numerosas, siendo su rasgo comn que estn, de un modo u otro, relacionadas con las propiedades pticas de los objetos, con su distancia al sensor o con su
posicin.
Podemos aqu establecer una primera distincin entre unas variables que son medibles de modo directo y otras que se derivan a partir de aqullas. Las primeras son una
funcin de los datos adquiridos por el sensor, por lo que pueden extraerse directamente de ellos si conocemos los parmetros de adquisicin. Las ms importantes son: la
Reflectividad en el espectro solar (VIS, IRC, SWIR), la Temperatura en el trmico, el
FIG. 7.1.
Mapas de ET estimada a partir de interpolacin espacial (&) y regresin lineal (h)

con variables derivadas de imgenes AVHRR (Snchez y Chuvieco, 2001).
ANLISIS DE IMGENES: EXTRACCIN DE INFORMACIN TEMTICA
317
Coeficiente de retro-dispersin (micro-ondas), la Altitud, a partir de la visin estereoscpica en el ptico, la medicin de distancias con lidar y la interferometra radar, y la
Topografa de la superficie marina, a partir del altmetro de micro-ondas.
En cuanto a las variables indirectas, se trata de factores que se pueden derivar de
las anteriormente citadas, gracias a que suponen una modificacin de la seal recibida
por el sensor. Por ejemplo, el contenido de clorofila no es una variable directamente
medida por el sensor, pero modifica la reflectividad que ste recibe, por lo que puede
estimarse indirectamente observando en qu bandas su efecto es ms evidente y aislando ese componente de otros factores que tambin puede influir en tales bandas.
Otros ejemplos de estas variables que pueden estimarse indirectamente a partir de la
teledeteccin son el ndice de rea foliar, la radiacin absorbida por la planta, la humedad del suelo o de las hojas, la turbidez del agua, el contenido de CO2 en la atmsfera,
la ET o la productividad vegetal neta, entre otros que podran citarse. Para obtener estas variables, tan crticas para un conocimiento ms certero de nuestro medio ambiente, es preciso relacionarlas con la informacin contenida en las imgenes, estableciendo un modelo suficientemente fiable.
1.1.2. Tipo de modelos en teledeteccin
En teledeteccin, como en cualquier otra disciplina cientfica, podemos establecer una clasificacin de los modelos disponibles en dos grandes categoras, segn partan del diseo experimental para extraer principios tericos a partir de l (modelos inductivos o empricos), o propongan estimaciones a partir de analizar las relaciones
tericas entre los componentes de un determinado problema (modelos deductivos o
tericos). Las principales caractersticas de unos y otros, en el caso concreto de la teledeteccin, pueden resumirse como sigue (Danson et al, 1995; Lillesand y Kiefer,2000; Strahler etal, 1986; Verstraete, 1994):
1. Los modelos inductivos o empricos intentan establecer una relacin num
rica entre el parmetro a estimar y los valores del sensor, a partir de unas observacio
nes in situ, tomadas en el momento de adquirir la imagen. En otras palabras, se obtie
nen funciones de ajuste local que ponen en relacin los datos de la imagen con el par
metro de inters. La tcnica de ajuste ms habitual es la regresin, en sus diversas va
riantes (Aherne al., 1991; Alonso et al, 1996; Curran y Kupiec, 1995; Retal, 1992),
aunque tambin hay algunos ejemplos de ajustes mediante redes neuronales (Baret,
1995; Clark y Caas, 1995; Fourty y Baret, 1997).
Las principales ventajas de los modelos empricos son su sencillez (no requieren
planteamientos a priori complejos) y la posibilidad de estimar su exactitud, ya que se
contrastan con unas observaciones de la misma variable que se estima. Su principal inconveniente atae a su escasa capacidad de generalizacin, ya que slo podran aplicarse con las mismas o similares condiciones a la situacin en que se generaron (condiciones ambientales del lugar, sensor, rango de la variable que se estima, condiciones
de observacin o atmosfricas, etc.).
2. En cuanto a los modelos tericos o deductivos, pretenden establecer relacio
nes de validez general, lo ms independiente posible de unas determinadas condicio
nes de observacin. Parten de demostrar la relacin fsica entre el parmetro a estimar
318
(por ejemplo, contenido de clorofila, LAI o ET) y la informacin espectral contenida

en la imagen. Una vez comprobada esa relacin, con algunos ejemplos empricos, se
invierte el modelo, de tal forma que pueda estimarse esa variable a partir de las imgenes (Asrare al, 1989;Dymonde?a/.,2001;FourtyyBaret, 1997; Jacquemoud, 1993;
Zarco-Tejada et al., 1999). Esto implica un proceso de ajuste que, en muchas ocasiones, resulta muy complejo y no siempre suficientemente preciso, ya que es necesario
asumir condiciones que rara vez se dan en la naturaleza (p. ej., isotropa en las hojas,
terreno plano, reflectividad lambertiana, etc.). Incluso aunque esta relacin entre variable de inters e informacin espectral sea consistente, no resulta sencillo obtener
esas variables espectrales, ya que es preciso eliminar de la imagen cualquier efecto extrao a la seal procedente de la cubierta. Esto implica modelar los efectos atmosfricos, la geometra de observacin, el aporte del sustrato y las condiciones de mezcla
con otras cubiertas, por citar slo los ms significativos. No obstante, y pese a las dificultades que presenta, el modelado deductivo resulta un camino mucho ms firme que
el inductivo para estimar variables biofsicas a partir de la teledeteccin, ya que facilita un mejor entendimiento de las variables que estn influyendo en el proceso, adems
de requerir menos informacin colateral (trabajo de campo), simultnea a la adquisicin, que slo estar disponible cuando se haya planificado previamente un experimento con ese objetivo.
3. Algunos autores plantean una alternativa intermedia, que denominan modelos semi-empricos, en donde se asume un previo modelado de la variable a estimar,
aunque el ajuste se realice por ecuaciones empricas. Tambin se asigna esta denominacin cuando los ajustes locales se basan sobre variables derivadas, como es el caso
de los ndices de vegetacin (1.2), que ya cuenten con una relacin terica demostrada
con las variables que pretenden estimarse (Danson et al, 1995).
Como ilustracin de estas ideas vamos a revisar dos ejemplos de los distintos tipos de modelado que pueden realizarse en teledeteccin, emprico y terico, utilizando como caso de estudio la estimacin de la misma variable: el contenido de agua en la
vegetacin.
1.1.3. La estimacin emprica del contenido de agua en las plantas
Los modelos empricos tienen una larga tradicin en la investigacin cientfica.
Como es lgico, aunque se trata de ajustes locales, adaptados a las condiciones concretas que se miden, deben tambin tener una base fsica, ya que es necesario que las relaciones que se propongan estn apoyadas en un fundamento slido. Como decamos
antes, este tipo de modelado tiene las ventajas de ofrecer una evaluacin numrica de
la precisin alcanzada en el modelo, ya que se pone en relacin con datos medidos experimentalmente, adems de ser relativamente sencillos de calibrar. Entre sus inconvenientes figura, por un lado, la complejidad de realizar las mediciones (especialmente cuando hablamos del trabajo de campo), y, por otro, el escaso carcter generalizador
de los resultados. No obstante, cuando el modelo emprico est bien fundamentado, la
calibracin en diversos lugares permite finalmente plantear funciones mas generalistas, que pueden llegar a considerarse de validez global. Por ejemplo, el ndice de peligro de incendios utilizado por el Servicio Forestal Canadiense (Fire Weather Index:
Van Wagner, 1974) tiene un desarrollo fundamentalmente emprico y est calibrado
319
para las condiciones canadienses. Sin embargo, y hasta cierto punto sorprendentemente, funciona muy bien en otros entornos ambientales muy distintos al canadiense, por
lo que se est empleando operativamente en lugares tan diversos como Indonesia y la
cuenca mediterrnea europea.
Presentamos como ejemplo de cmo plantear este tipo de modelos empricos la
estimacin del contenido de agua en las plantas. Nuestro departamento ha dedicado un
considerable esfuerzo en los ltimos cinco aos a esta tarea, intentando entender mejor
las relaciones entre la reflectividad y temperatura estimadas por teledeteccin y la dinmica del contenido de agua en las principales formaciones vegetales del mundo mediterrneo (pastizales y matorral), de cara a mejorar los sistemas actuales de prevencin del peligro de incendio. Con este objetivo en mente hemos tomado muestras sistemticas en el terreno para la primavera y el verano del perodo comprendido entre
1996 y 2001. Las muestras se han tomado siguiendo un estricto protocolo (Desbois
et al, 1997'a), de tal manera que las series fueran comparables en el tiempo. La primera
dificultad que se plante en el estudio fue la eleccin del rea de muestreo, ya que se
requera contar con una zona relativamente plana y con suficiente homogeneidad para
realizar estimaciones consistentes a partir de imgenes de baja resolucin espacial
(concretamente AVHRR y Vegetation). Esto implicaba contar con grandes extensiones (entre 4 y 9 km2) de cubierta relativamente uniforme, lo cual resultaba bastante
complicado en un espacio tan heterogneo como el mediterrneo. Por otra parte, esas
superficies deberan cubrirse principalmente con pastizal y matorral, sin mezcla de terrenos cultivados, que modifican drsticamente la seal entre la primavera y el verano
(despus de la recoleccin). Afortunadamente, contamos con el apoyo de las autoridades del Parque Nacional de Cabaeros, que reuna las condiciones idneas para este
estudio, tanto desde el punto de vista topogrfico como de cubiertas vegetales.
Otro problema que se planteaba, y que puede ser comn a otros estudios empricos es la adecuada seleccin en terreno de las parcelas, de tal forma que sean suficientemente representativas del rea observada por el sensor, por un lado, y sean manejables, por otro. Recoger informacin exhaustiva y repetitiva de una parcela de 9 km2,
por ejemplo, resulta inabordable en terreno, por lo que es necesario aplicar algn criterio
de muestreo que permita obtener medidas suficientemente significativas. En nes- tro
caso se acotaron 3 parcelas para pastizal, a una distancia entre ellas de unos 5 km, y
otras 2 para matorral, separadas unos 4 km. Las diferencias encontradas en la variacin temporal del contenido de agua entre parcelas de la misma especie vegetal son
prcticamente despreciables, lo que indica que los datos tomados en campo recogen
adecuadamente las tendencias de las distintas especies que estamos analizando en el
rea de estudio.
El muestreo se realiz a intervalos regulares (cada 8 das) coincidiendo los das
con la adquisicin del Landsat, y la hora de recoleccin con el paso del satlite NOAA.
Como es lgico, en cualquier modelado emprico es importante que los datos de campo se tomen simultneamente a la adquisicin de las imgenes, siendo el requisito tanto ms estricto cuanto mayor dinamismo tenga la variable. En nuestro caso, el contenido de agua en las plantas presenta una cierta inercia temporal (Brown et al., 1989; Weber y Ustin, 1991), por lo que resultaba aceptable realizar simultneamente el muestreo para correlacionar con datos Landsat-TM, SPOT-Vegetation y NOAA-AVHRR,
pese a que las imgenes se toman con 3-4 horas de diferencia.
320
TELBDETECCION AMBIENTAL
Fie 7.2. Diseno experimental para las medidas con espectro-radimetro. La

muestra se pesaba y meda a intervalos regulares de secado.
Junto a los datos de campo, un modelo emprico precisa una buena fundamentacin terica y un sustento en observaciones espectrales controladas. En nuestro caso,
la bibliografa sobre relaciones entre contenido de agua y reflectividad es muy amplia,1 resumindose en el inters de las bandas del SWIR para una estimacin directa,
y las del IRC e IRT para una estimacin indirecta, no vlida en todas las especies
(Bowman, 1989; Crter, 1991; Cohn, 1991; Gao, 1996; Jackson et al, 1986; Leblon, 2001; Moran et al., 1994). Los resultados con sensores de micro-ondas no son
todava muy concluyentes (Leblon, 2001; Moghaddam y Saatchi, 1999; Paloscia y
Pampoloni, 1984). Para confirmar las experiencias de otros autores o matizarlas para
las especies mediterrneas bien adaptadas a la sequa estival nos pareci oportuno
realizar algunos anlisis sobre las variaciones de reflectividad en espectros continuos para distintos niveles de contenido de humedad y diversas especies. Se realizaron diversas campaas de medicin con un espectro-radimetro GER 2600, capaz de
observar un espectro continuo de 512 bandas en el rango de 0,4 a 2,5 jum. Se tomaron
medidas de diversas especies de matorral y pastizales, utilizando bandejas de hojas
con una geometra constante a lo largo de todo el experimento (fig. 7.2), para evitar
efectos incontrolados de otjps parmetros, como cambios en la morfologa de las hojas, que suelen acompaar a la prdida de humedad en algunas especies (Jackson y
Ezra, 1985). Los anlisis de las curvas espectrales para distintos contenidos de hu1. Los trabajos de Riaflo etal. (2000), Leblon (2001) y Cecalo et al. (2001) incluyen una amplia
revisin bibliogrfica sobre este tema.
321
medad de la misma especie permitieron observar cules eran las bandas ms sensibles a esta variable, confirmando el gran inters de la regin del S WIR para estos estudios (fig. 7.3: Vaughan, 2001).
Sobre esta base se plante el anlisis emprico que consisti en realizar ajustes de
regresin entre los datos de campo y las variables derivadas de teledeteccin. Como
hemos dicho, se emplearon datos del TM, Vegetation y AVHRR (Chuvieco et al,
2001). El primero tiene la ventaja de ofrecer canales pticos y trmicos, con dos bandas en el SWIR, buena resolucin espacial y consistencia radiomtrica, pero el inconveniente de su alto coste y baja resolucin temporal. El segundo ofrece buena resolucin temporal, coste intermedio y una banda en el SWIR, aunque no en el trmico. El
tercero es de libre adquisicin (nuestro propio departamento tiene instalado un sistema
de recepcin), y cuenta con buena resolucin temporal y espectral, con la salvedad de
no tener una banda en el SWIR hasta el lanzamiento del NOAA-15 (en 1998); adems,
es poco consistente en las series temporales, por el problema de los variados ngulos
de observacin que vimos anteriormente (cap. 6, apdo. 6.2.3.4).
Un ejemplo de las correlaciones empricas obtenidas, para el caso de las imgenes AVHRR en el ao 1999, se incluyen en la tabla 7.1 (Cocero et al, 2000). Esos datos permiten confirmar las hiptesis planteadas en cuanto a la relacin entre las variables de satlite y la dinmica del contenido de humedad (CH). A continuacin planteamos un modelo de regresin utilizando las variables ms significativas. Como ejemplo
de estos ajustes presentamos uno generado para el perodo estival (junio a septiembre)
con datos AVHRR. Se emplearon 2 aos consecutivos de datos para el ajuste (1996 y
1997), y otros dos para la validacin (1998 y 1999). La ecuacin planteada inclua especies de matorral y pastizal (Chuvieco et al., 2002a):
SCH = -21,032 + 11,504 NDVI/TS + 0,8297 GR
1,2
17.1]-
1,6
Longitud de onda
FlG. 7.3.
Curvas de
-0,2
(!.'
2,0
correlacin entre contenido de humedad del romero y su reflectividad para

distintas longitudes de onda. (Vaughan, 2001.)
322
TABLA 7.1. Correlacin de Pearson entre el CH y los derivados de las imgenes del satlite
NOAA-AVHRR para la primavera y el verano de 1999 (Cocero et al., 2000)
TS
NDVI
TS-TA
SAVI
GEM
SM
NDVI/TS
Pasto (1)
-0,65
0,76
-0,56
0,83
0,81
0,76
0,74
Pasto (2)
Pasto (3)
Pasto (promedio)
Brezo (4)
Jara N. (4)
Jara V. (4)
Romero (4)
Labirnago (4)
Brezo
Jara N. (5)
Jara V. (5)
Romero
Labirnago (5)
Matorral (promedio)
Quejigo (6)
-0,70
-0,67
-0,66
-0,77
-0,87
-0,81
-0,93
-0,85
-0,85
-0,78
-0,75
-0,93
-0,86
-0,88
-0,84
0,78
0,78
0,75
0,50
0,55
0,80
0,66
0,50
-0,59
-0,55
-0,55
-0,59
-0,82
-0,70
-0,79
-0,71
-0,73
-0,70
-0,71
-0,77
-0,71
-0,76
-0,63
0,89
0,82
0,82
0,74
0,72
0,84
0,74
0,60
0,69
0,52
0,43
0,55
0,51
0,71
0,50
0,89
0,83
0,81
0,72
0,71
0,79
0,70
0,57
0,59
0,44
0,31
0,46
0,43
0,65
0,37
0,82
0,82
0,77
0,56
0,70
0,89
0,78
0,71
0,77
0,64
0,79
0,71
0,60
0,77
0,65
0,78
0,78
0,75
0,69
0,85
0,93
0,93
0,82
0,83
0,77
0,75
0,92
0,80
0,88
0,88
0,69
0,53
0,28
0,62
0,46
0,66
0,69
* Las correlaciones significativas a! nivel 0,01 aparecen en cursiva. Entre parntesis se indicad nmero de la
parcela en el terreno. El significado de los acrnimos figura en el anexo 3.
donde SCH es el contenido de humedad estimado para pasto y matorral, NDVI un ndice de vegetacin que comentaremos en el prximo apartado, TS la temperatura de
Superficie, y GR un ndice de verdor, que expresa la relacin entre el NDVI de un momento determinado y los lmites mximos y mnimos que se han observado en la misma zona. El ajuste encontrado ofreci un coeficiente de correlacin de Pearson
de 0,683 (significacin < 0,001). La ecuacin fue validada con los otros dos aos de
muestras en terreno (1998 y 1999), obtenindose una buena estimacin (r = 0,804). La
figura 7.4 permite observar el grado de ajuste entre las tendencias observadas (CH) y
estimadas (SCH) para el pastizal y matorral en los dos aos de validacin. Adems de
en este rea de estudio, el modelo se ha verificado en otros lugares mediterrneos (el
sur de Francia y Andaluca), obtenindose tambin ajustes razonables (Chuvieco et
ai, 2002a).
1.1.4. Modelado terico: estimacin del contenido de agua
a partir de la simulacin de la seal
La alternativa a los ajustes empricos se basa en la aplicacin de modelos fsicos o
matemticos, que permitan estimar los parmetros de inters a partir de los datos adquiridos mediante teledeteccin. Se basan en el anlisis de los factores fsicos que intervienen en los procesos de reflexin, absorcin y dispersin de la radiacin incidente, planteando mtodos para estimar la reflectividad global observada por el sensor a
partir de una serie de parmetros de entrada (propiedades pticas de las hojas, arquitectura del dosel, ngulos de observacin, etc.). Suponiendo que esa estimacin de la
reflectividad sea correcta, el reto posterior sera invertir los modelos propuestos, de tal
jun1
FlG. 7.4.
jul1
jul4
ag3
sep2
jun1
jul1
jul4
ag3
sep2
323
Perodos
Ajuste entre valores observados y predecaos para la estimacin del contenido

de humedad (CH). (Chuvieco et al, 2002.)
manera que pudieran estimarse esos parmetros a partir de la reflectividad medida por
el sensor. En el ejemplo que venimos comentando, se tratara de estimar, en primer lugar, el efecto del contenido de agua de la planta sobre la reflectividad del dosel vegetal,
mezclando su contribucin con la de otros factores (como puede ser la clorofila o la
cantidad de materia seca). En un segundo paso se tratara de invertir el modelo, aislando de la reflectividad disponible en la imagen el componente de contenido de agua. La
operatividad de este mtodo frente a los ajustes empricos depender de tres factores:
contar con un buen modelo, con un buen mtodo de inversin y con reflectividades calibradas (Jacquemoud et al., 2000). Por un buen modelo nos referimos a que sea preciso, a que no requiera parmetros de entrada de muy difcil obtencin, y a que sea lo suficientemente sencillo como para que la inversin del modelo pueda realizarse en un
tiempo razonable (Jacquemoud et ai, 2000).
Entre los modelos que se han planteado en las ltimas dos dcadas podemos hacer
una primera distincin entre los que se centran en el nivel de la hoja {leaf ptica! properties models) y los que estiman la reflectividad del conjunto del dosel vegetal (canopy reflectance models). Entre los primeros, uno de los que ha tenido mayor aceptacin en la
literatura ha sido el denominado PROSPECT (Jacquemoud, 1990), que describe la reflectividad de una hoja a partir de considerarla como un pila de A/lminas compuestas de
elementos absorbentes y dispersores. Permite simular la reflectividad y transmisividad
de la hoja considerando una serie de variables de entrada, relacionadas con su estructura
y propiedades fsico-qumicas. Concretamente, en su ltima versin (simplificada por
Baret y Fourty, 1997), se requiere nicamente introducir la concentracin de clorofila
a + b (g era"2), el espesor equivalente de agua (EWT, Equivalent Water Thickness, en
g cnT2), el contenido de materia seca (g enr2), y el parmetro estructural N, que se refiere a
la estructura interna de la hoja. Este parmetro es el ms difcil de medir. Los mismos
autores del modelo proponen estimarlo a partir del rea especfica de la hoja SLA (Specific Leaf rea), calculada como el rea por unidad de peso seco de la hoja, utilizando
una relacin emprica, como la siguiente (Jacquemoud, 1990):
327
Software developi fcl Td- tk ty Mil Bamstoy, Dpotmnt c Geogrsplr', Ifiversity af Wsles Swsnsei
Versin 1,30 Septeniber 199$. Bnail: m.bamskyi@Ewsnie4.ac.uk
Fie 7.6. Grfico con curvas espectrales para distintas proporciones de vegetacin y suelo
realizado con el programa mixture realizado por el mismo autor de la figura anterior
(http://stress.swan.ac.Uk/@mbarnsle/research/sail.htm)
1.2. COCIENTES E NDICES DE VEGETACIN

Como su nombre indica, un cociente o ratio implica efectuar una divisin, pxel a
pxel, entre los ND almacenados en dos o ms bandas de la misma imagen. Se utilizan
ampliamente en dos situaciones: 1) para mejorar la discriminacin entre dos cubiertas
con comportamiento reflectivo muy distinto en esas dos bandas, por ejemplo para realzar suelos y vegetacin en el visible e infrarrojo'cercano, y 2) para reducir el efecto del
relieve (pendiente y orientacin) en la caracterizacin espectral de distintas cubiertas.
Como hemos visto, este objetivo no se satisface plenamente, pues los cocientes slo
eliminan parcialmente el efecto del relieve, al no considerar que los efectos atmosfricos son tambin dependientes de la longitud de onda. En consecuencia, para esta finalidad resulta ms recomendable aplicar correcciones del sombreado topogrfico, centrando el inters de estos ndices en mejorar la discriminacin de las cubiertas vegetales y estimar algunas de sus variables biofsicas.
El empleo de los cocientes para discriminar masas vegetales se deriva del peculiar comportamiento radiomtrico de la vegetacin. Como ya vimos en el captulo 2, la
signatura espectral caracterstica de la vegetacin sana muestra un claro contraste en-
328
tre las bandas del VIS y especialmente la banda roja (0,6 a 0,7 fim) y el IRC (0,7 a
1,1 /um). Mientras en el VIS los pigmentos de la hoja absorben la mayor parte de la
energa que reciben, estas sustancias apenas afectan al IRC. Por esta razn se produce
un notable contraste espectral entre la baja reflectividad de la banda R del espectro y la
del IRC, lo que permite separar, con relativa claridad, la vegetacin sana de otras cubiertas (fig. 7.7). Cuando la vegetacin sufre algn tipo de estrs (por ejemplo, por plagas o sequas intensas), su reflectividad ser inferior en el IRC, aumentando paralelamente en el rojo (al tener menor absorcin cloroflica), con lo que el contraste entre
ambas bandas ser mucho menor. En definitiva, podemos sealar que cuanto mayor
sea la diferencia entre las reflectividades de la banda IRC y R, mayor vigor vegetal
presentar la cubierta observada. Bajos contrastes indican una vegetacin enferma, senescente o con poca densidad, hasta llegar a los suelos descubiertos o el agua, que presentan una reflectividad muy similar entre el IRC y el R, o incluso inferior en esta ltima (caso del agua o algunas nubes).
En este principio se apoyan la mayor parte de los denominados ndices de vegetacin (IV). Los ms empleados son el cociente simple entre esas bandas (C), y el denominado ndice de vegetacin de diferencia normalizada (ND VI, Normalized Difference Vegetation Index):
PA
C,=
[7.3]
Pi.R
NDVI, =
Pi,
IRC
Pi.R
[7.4]
P,,IRC + P i . R
Reflectividad (%)
0,4
0,5
0,6
0,7
0,8
0,9
IRC
FIG. 7.7.
Contraste espectral de la vegetacin sana entre las bandas R e IRC del espectro.
329
dondep; 1RC yp, R indican las reflectividades del pxel / en la banda del infrarrojo cercano
y del rojo, respectivamente. Esos ndices se obtienen a partir de las reflectividades de
las bandas 7 y 5, para el caso del sensor MSS; las bandas 4 y 3 para el TM y ETM+; la
3 y 2, para el HRV, y la 2 y 1 para el AVHRR.
Si bien la definicin de estos ndices se realiza a partir de reflectividades (lo que
implica abordar las correcciones atmosfricas y topogrficas vistas previamente), algunos autores no tienen inconveniente en emplear directamente los ND de la imagen,
siempre que no se pretenda conceder un valor fsico a los resultados. En ese caso, el
cociente o ndice de vegetacin presentar una valoracin relativa, aunque sigue mantenindose el principio anterior: cuanto mayor sea el resultado, mayor vigor vegetal
presenta la zona observada.
Aplicando un modelo terico, Guyot y Gu (1994) concluyen que los valores del
NDVI para imgenes Landsat y SPOT calculados a partir de ND subestiman entre 0,05
y 0,20 el valor calculado con reflectividades, siendo este error mayor con valores de
NDVI inferiores a 0,5 y para las imgenes SPOT. En consecuencia, proponen una correccin que haga equivalente el clculo con ND o reflectividades:
'p NDIRC + 0,801 NDR para

imgenes Landsat-TM, y
NDIRC - 0,663 ND,,
NDVIHRV o = ------- S2 ---------.
HRVp
NDIRC +Q663ND^
[7.6]
para imgenes SPOT-HRV.

Un aspecto de gran inters del NDVI, frente al cociente simple, es que vara entre
unos mrgenes conocidos, entre 1 y +1, lo que facilita notablemente su interpretacin. Por ejemplo, podemos sealar como umbral crtico para cubiertas vegetales unvalor de NDVI en torno a 0,1 y para la vegetacin densa entre 0,5 y 0,7 (Holben,
1986).
Tanto el NDVI como el cociente simple se han empleado profusamente para estimar diversos parmetros de la cubierta vegetal, lo que les confiere un papel protagonista de cara a la evaluacin ambiental, especialmente con un enfoque global. Entre
los parmetros que se han relacionado satisfactoriamente con el NDVI estn los siguientes:
1. Contenido de clorofila en la hoja, es la variable ms directamente relaciona
da con este ndice, ya que la absorcin de la banda R est ntidamente influida por este
parmetro. En consecuencia, el NDVI presenta correlaciones altas y linealmente posi
tivas con la cantidad de clorofila en la hoja (Curran, 1989; Wesman, 1994; Zarco-Tejadaea/.,2001).
2. Contenido de agua en la hoja, a travs de correlaciones negativas y lineales,
segn algunos autores (Hardy y Burgan, 1999; Westman y Price, 1988), aunque para
330
otros, en realidad esta estimacin slo se hace de modo indirecto, a travs del efecto
del estrs hdrico sobre el LAI y el contenido de clorofila (Ceccato et al, 2001; Chuvieco etal, \999b; Hunt y Rock, 1989).
3. Flujo neto de CO2, tanto a nivel local (Hall et al, \99\b), como global (Tuckeretal, 1986).
4. Radiacin fotosintticamente activa absorbida por la planta, APAR, con una
relacin directa y casi lineal (Asrar et ai, 1989), especialmente cuando las hojas son
horizontales y el suelo es suficientemente oscuro (Sellers, 1989).
5. Productividad neta de la vegetacin, relacionada con la APAR a travs de un
factor de eficiencia para cada planta (Steven y Jaggard, 1995). De modo indirecto,
puede estimarse a partir del NDVI la biomasa verde y seca, aunque aqu los grados de
ajuste varan mucho con los estudios, desde los muy buenos (Holben, 1980; Kennedy,
1989) hasta los bastante discretos (Tucker, 1979).
6. ndice de rea foliar, LAI, que presenta una asociacin positiva con el NDVI,
especialmente cuando la vegetacin no cubre totalmente el suelo, ya que a ciertos va
lores de LAI (por encima de 4, habitualmente), el NDVI se satura (Baret, 1995; Se
llers, 1989). En consecuencia, ms bien hemos de considerar que se trata de una
relacin asinttica (Sellers, 1987). Relacionado con este ndice se ha comprobado
una alta correlacin entre NDVI y porcentaje de cubierta verde (Kennedy et ai, 1994;
Kerretal, 1992).
7. Cantidad de lluvia recibida por el dosel vegetal, lo que est directamente re
lacionado con su vigor vegetal, aunque habitualmente se presente un cierto desfase en
tre la precipitacin y la respuesta de la cubierta vegetal (Millington et al., 1994; Potter
y Brooks, 2000; Taylor et ai, 1985)
8. Dinmica fenolgica, a partir de seguir la evolucin estacional de los par
metros antes sealados (Sampson, 1993; Potter y Brooks, 2000).
9. Evapotranspiracin potencial, inversamente relacionada con los ndices de
vegetacin a travs del vigor de la hoja y el estrs hdrico (Cihlar et ai, 1991; Snchez
y Chuvieco, 2000).
Obviamente, si los ndices de vegetacin se relacionan bien con estas variables es
porque ellas mismas estn relacionadas entre s (Verstraete y Pinty, 1996), a travs de
los mecanismos vitales de las plantas. El problema que se plantea en la interpretacin
cuantitativa de estos ndices es la validez global de las funciones encontradas, ya que
la mayor parte de los estudios citados previamente se basan en ajustes empricos. El
reto de los prximos aos ser plantear relaciones ms generalizables, basadas tal vez
en modelos fsicos, que permitan extraer, a partir de estos ndices, las variables de inters de modo ms preciso y consistente.
Mientras se avanza en esa direccin, el NDVI gracias a su facilidad de clculo
y fcil interpretacin se estn empleando de modo rutinario en el seguimiento y evaluacin de la dinmica global de la vegetacin terrestre. Desde hace ms de una dcada el programa internacionaf para el estudio de la geosfera y la biosfera (IGBP), junto
a otros recursos nacionales, promueve la realizacin de mosaicos mundiales y diarios
de NDVI a partir de imgenes NOAA. Estos datos se utilizan para seguir el efecto del
cambio estacional en el vigor de las cubiertas vegetales, el efecto de procesos globales
continuos, como puede ser el calentamiento terrestre, o de fenmenos espordicos,
331
como pueden ser los provocados por El Nio (Curran y Foody, 1994a; Gutman, 1994).
Las series multitemporales de IV se estn empleado satisfactoriamente en el anlisis
de la desertizacin (Becker y Choudhury, 1988; Chen et al, 1998; Tucker et al,
1994), la deforestacin tropical (Malingreau etal, 1989; Nelson, 1994), la prevencin
de incendios forestales (Burgan et al, 1998;Chuviecoea/., 1999>;Illeraea/., 1996;
Paltridge y Barber, 1988), la cartografa de reas quemadas (Fernndez et al, 1997;
Fraser etal, 2000; Martn y Chuvieco, 1998; Pereira etal, 1999) y la cartografa global de la cobertura del suelo (Loveland et al., 1991; Millington et al, 1994; Tateishi y
Kajiwara, 1991; Tucker et al, 1985).
Varios autores han puesto de relieve el efecto de factores externos en el valor del
NDVI, por lo que se han propuesto numerosas alternativas que intentan paliar algunos
de estos problemas. De esta forma, la lista de IV disponibles es muy amplia (Bannari et
al, 1995), si bien la mayor parte presentan valores de correlacin muy altos (Perry y
Lautenschlager, 1984). No obstante, por su posible inters en distintas aplicaciones
ambientales, revisaremos algunos de estos ndices.
Entre los factores que modifican notablemente el comportamiento del NDVI figura la proporcin de vegetacin/suelo observada por el sensor. Los mismos valores
de NDVI pueden corresponder a cubiertas vigorosas pero poco densas, o a cubiertas
densas con poca vitalidad. Para incluir explcitamente el factor suelo, clave cuando se
trabaja en zonas ridas, Huete y colaboradores propusieron incluir en la frmula del
NDVI un parmetro (L), que ajuste el ndice a una reflectividad promedio de fondo
(Huete, 1988; Huete et al, 1992). De esta forma se calcula el ndice de vegetacin
ajustado al suelo (SAVI):
SAVI, ,
PiJ>SRC
PiJlR
(1 + L)
[7.7]
Pij.mc +P.J.R +L
donde L indica una constante para ajustar la lnea vegetacin-suelo al origen (los autores indican un posible valor en torno a 0,5: Huete et al., 1994). En estudios experimentales sobre campos de hierba y algodn se comprob que este ndice reduca sustan:
cialmente las variaciones inducidas por el suelo en comparacin con el NDVI y otros
ndices, en la mayora de las condiciones de la vegetacin (Huete, 1987).
Otro factor de importancia en el clculo del NDVI es el efecto de absorcin atmosfrica, que tiende en principio a reducir el valor del ndice (Cachorro et al., 2000;
Myneni y Asrar, 1994). Estos efectos se acentan para los pxeles extremos en caso de
observacin oblicua, como ocurre en las imgenes del AVHRR o de otros sensores de
mbito global. Con imgenes AVHRR, este problema tiende a solventarse mediante
tcnicas de composicin multitemporal, que intentan elegir en una serie de imgenes
diarias el valor del pxel ms cercano a una adquisicin ideal (con atmsfera transparente y cerca del nadir), al coste de perder la resolucin diaria (normalmente los compuest&s se forman para perodos de entre 7 y 15 das). Esto garantiza que el NDVI seleccionado est menos influido por ruidos externos a la cubierta observada. Entre las
tcnicas de composicin ms comunes se encuentra el mximo valor compuesto (Holben, 1986), que elige el valor mayor de NDVI de la serie diaria que se considere, si
bien se han propuesto otras tcnicas para intentar salvaguardar mejor la resolucin
332
temporal de las imgenes (Cihlar et ai, 1994; Moody y Strahler, 1994; Viovy et al,
1992).
Como es lgico, esta solucin para los problemas atmosfricos de los IV no resulta
razonable para las imgenes de mayor resolucin espacial (y menor temporal), ya que
supondran una inversin muy alta y perderamos demasiada informacin temporal.
Una alternativa sera ajustar el NDV1 a las condiciones atmosfricas, teniendo en
cuenta la diferente dispersin de los canales azul y rojo del espectro. De esta forma se
define el denominado ndice de vegetacin atmosfricamente resistente (ARVI: Kaufman y Tanr, 1992):
ARVI, = ^^f[7.8]
P IRC "" P RA
dondep\RC indica la reflectividad aparente en el infrarrojo cercano y p RA un factor que

considera la diferencia de reflectividad entre el azul y el rojo, y se define como:
p"RA =p"R -y(pA -pK)
[7.9]
donde pA y p*R indican las reflectividades aparentes en el azul y rojo, respectivamente, y

y es un parmetro de calibracin, que depende del tipo de atmsfera, aunque para la
mayor parte de los casos es igual a 1.
Otro ndice propuesto para reducir simultneamente el efecto atmosfrico y de
cambios en el color del suelo es el denominado GEM (Global Environment Monitoring Index), definido para imgenes AVHRR como (Pinty y Verstraete, 1992):
p.. -0,125
GEM = J7 x (1-0,25 X M )- -----------
[7.10]
donde
=
2x(pm,pK)+\,5XpUiC + Q,5KXpR
PlRC +PR +0'5
No obstante el inters de estos ndices, siempre resulta ms recomendable utilizar

una previa correccin atmosfrica de las bandas R e IRC. De esta manera los efectos
atmosfricos sobre el ndice pueden minimizarse considerablemente.
La figura 7.8 presenta el NDVI calculado para la imagen TorrelOO. Se observan
con nitidez las cubiertas de vegetacin ms vigorosa, como los pastizales prximos a
Colmenar y Soto del Real. Losbmbalses ofrecen los valores ms bajos de NDVI (A en
la figura), as como las zonas urbanas de densa edificacin (vase el casco urbano de
Soto, B, o de Colmenar, C). Por su parte, las reas de urbanizacin ajardinada presentan unos valores de NDVI ms altos (D), sobre un entramado regular ms oscuro
(viales).
Fie. 7.8.
333
Fragmento de la imagen TorrelOO mostrando el NDVIpara lminas de agua (A),

zonas urbanas (B, C) y reas residenciales (D).
Todos los ndices hasta aqu comentados se dirigen a realzar las cubiertas vegetales frente a otras superficies, a travs del contraste que presenta la reflectividad de las
plantas entre el IRC y el R. Ahora bien, en caso de que nos interese analizar otras variables en la vegetacin, u otro tipo de cubiertas no vegetales, estas bandas pueden no ser
las ms idneas. En esos casos convendr acudir a un anlisis de las variaciones espectrales que introduce la variable de inters para proponer ndices alternativos a los que
hemos visto hasta el momento. Por ejemplo, si lo que se pretende es realzar la discriminacin de las reas forestales quemadas frente a otras cubiertas no afectadas por el
fuego, los IV presentados no resultan una buena alternativa, ya que no estn diseados
para los rangos espectrales correspondientes a la vegetacin quemada. En consecuencia, ofrecen rasgos de discriminabilidad peores que otros ndices diseados especficamente para esta finalidad (Chuvieco y Martn, 1999; Martn, 1998; Percira, 1999;
Trigg y Flasse, 2001).
De igual manera, cuando se pretenda analizar el contenido de agua en la vegetacin, como ya hemos visto previamente, el espacio espectral ms idneo no est formado por las bandas IRC-R, sino ms bien por las S WIR-IRC, ya que la absorcin del
agua se produce en el SW1R y no en el visible. Por tanto, al aumentar el contenido
de agua en el suelo o la vegetacin disminuye paralelamente la reflectividad en el
SWIR. Por su parte, el IRC informa sobre el grado de deterioro de la hoja a partir de su
correlacin negativa con el apelmazamiento que pueden producir distintas fuentes de
334
estrs (como por ejemplo, el hdrico). Sobre esta base se han definido los denominados
ndices de contenido de agua, estrs hdrico o sequa (segn los autores) que remarcan
el contraste entre IRC y SWIR. Entre los propuestos cabe citar el NDII (Normalized
Difference Infrared Index), definido como (Hunt y Rock, 1989):
NDII=PlRC~PswiR
P IRC
[7.12]
' P SWIR
donde plRC y psmR son las reflectividades del IRC y SWIR, respectivamente. Se ha
comprobado en varios estudios que este tipo de ndices son ms adecuados que el
NDVI para estimar contenido de agua en vegetacin (Aldakheel y Danson, 1997; Ceccato et al., 2001; Chuvieco et al., 2002b; Cibula et al., 1992; Cohn, 1991; Gao, 1996;
Riao et al., 2000; Ustin et al, 1998).
Tambin se ha comprobado que estos ndices IRC-SWIR resultan ms eficaces
para cartografiar reas quemadas que los basados en el IRC-R, puesto que la seal quemada es ms ntida en el SWIR y hay menos alteraciones de otros factores externos,
como la atmsfera (Pereira, 1999; Pereira et al, 1997).
Finalmente se han propuesto otros cocientes de bandas para enfatizar cubiertas
no vegetales, especialmente en trabajos de exploracin minera. Este tipo de estudios
slo parecen viables en reas de vegetacin escasa, con objeto de obviar el efecto
pantalla de la cubierta vegetal. En un trabajo realizado a partir de imgenes TM sobre
el desierto del Mohave (California), se mostr el inters de los siguientes cocientes:
TM5/TM7, para detectar rocas alteradas hidro-trmicamente, con alto contenido de
arcillas, micas y rocas sulfatadas; TM5/TM4, para aislar las cubiertas vegetales del roquedo desnudo, y TM3/TM1, para aquellos materiales con importante presencia de limonita (Kruse et al, 1993a; Podwysocki et ai, 1985).
1.3. COMPONENTES PRINCIPALES
El Anlisis de Componentes Principales (ACP) es una tcnica bastante empleada
en ciencias sociales y naturales. Su objetivo es resumir la informacin contenida en un
grupo amplio de variables en un nuevo conjunto, ms pequeo, sin perder una parte
significativa de esa informacin.
El origen de esta tcnica parece arrancar del campo de la sicometra: al analizar
una serie de tests de inteligencia, se intua la presencia de una serie de factores, subyacentes a las variables medidas, que podran explicar gran parte de la variacin comn
en determinados grupos de variables. Por ejemplo, se comprob que las puntuaciones
obtenidas por los alumnos de fsica y matemticas tendan a estar bastante relacionadas, as como las obtenidas por otros en historia y literatura. Esto haca pensar en la
existencia de otras variables rhs complejas, como la habilidad para el clculo o la capacidad de abstraccin, que permitiran resumir la informacin contenida en las variables originales. Esas nuevas variables, los componentes o factores principales, podran
derivarse a partir de las variables originales, estudiando sus relaciones comunes tal y
como se miden en la matriz de varianza-covarianza. Los factores o componentes prin-
335
cipales vendran, por tanto, a ser como variables-resumen de las medidas inicialmente:
un menor nmero de dimensiones, preservando lo ms sustancioso de la informacin
original.
Esta capacidad de sntesis ha sido la base de la aplicacin del ACP en teledeteccin. La adquisicin de imgenes sobre bandas adyacentes del espectro, implica con
frecuencia detectar una informacin redundante, puesto que los tipos de cubierta
tienden a presentar un comportamiento similar en longitudes de onda prximas. Por
ello, las medidas realizadas en una banda pueden presentar una importante correlacin con las deducidas de otra, haciendo una o varias de ellas prcticamente irrelevantes. En este contexto, el ACP permite sintetizar las bandas originales, creando unas nuevas bandas los componentes principales de la imagen, que recojan
la parte ms relevante de la informacin original. Esta sntesis resulta muy conveniente cuando se pretende abordar un anlisis multitemporal (Joly et al., 1983; Maselli et al., 1995), o cuando se intentan seleccionar las tres bandas ms adecuadas
para una composicin en color (Chavez y Kwarteng, 1989; Green etal., 1988). Tambin se han utilizado bastante en la exploracin geolgica (Hervs, 1987). La seleccin de bandas no correlacionadas, o con mayor contenido de informacin, resulta
especialmente crtica en el entorno del anlisis hiperespectral (1.6), ya que al tener
disponibles una gran cantidad de bandas, resulta complejo extraer la estructura dominante de la imagen (Palacios-Orueta y Ustin, 1996; Palacios-Orueta et al., 1999;
Ustin y Trabucco, 2000).
Por otra parte, y desde el punto de vista meramente estadstico, el ACP facilita
una primera interpretacin sobre los ejes de variabilidad de la imagen, lo que permite
identificar aquellos rasgos que se recogen en la mayor parte de las bandas y aquellos
otros que son especficos a algn grupo de ellas (Palacios-Orueta y Ustin, 1996). En
definitiva, proporciona una mejor distribucin de los datos, frente a esos ejes de
variabilidad, lo que puede facilitar una identificacin ms atinada de las distintas cubiertas.
Como es bien sabido, el sentido y la fuerza de la correlacin lineal entre dos variables puede representarse grficamente mediante un eje bivariado. En nuestro contexto, la nube de puntos indica la localizacin de los ND en las dos bandas consideradas. La elipse que limita estos puntos, expresa grficamente la fuerza de la correlacin entre las dos bandas, tanto mayor cuanto ms se aproxime a una recta, o dicho
de otro modo cuanto mayor sea el contraste entre los dos ejes de esa elipse. En la figura 7.9 aparece una correlacin positiva elevada con dos ejes de variacin: el primero
en el sentido de la correlacin (A), y el segundo en el sentido de los residuales (B).
Conviene considerar que este segundo componente es ortogonal al primero, lo que indica, en trminos estadsticos, que los componentes principales no estn correlacionados; esto es, que la informacin que contienen es especfica.
Grficamente se intuye que una rotacin de los ejes X, Y hacia las direcciones A,
B, mejorar la disposicin original de los datos, y probablemente tambin la separacin entre los grupos de ND homogneos en la imagen. Esa rotacin se obtiene, simplemente, aplicando una funcin del tipo:
CPi=aliND + a]2NDk
[7.13]
336
FlG. 7.9.
Proceso para la obtencin de los componentes principales de una imagen.
donde CP indica el valor correspondiente al primer componente principal, obtenido a

partir de los ND originales de las bandas i y k, tras aplicarles unos determinados coeficientes ,, y an. Desde el punto de vista geomtrico, y como puede observarse en la figura 7.9, este nuevo eje slo supone una rotacin de los originales. En ocasiones puede
ser de gran inters acompaar la rotacin con una traslacin de los ejes, situando el origen de coordenadas en los valores mnimos de las dos bandas implicadas en el proceso. Basta, para ello, aadir dos constantes a0l y a02 a la ecuacin arriba sealada.
En trminos ms generales, los componentes principales de una imagen se obtienen de acuerdo a:
[7.14]
donde CP indica el ND correspondiente al componente principal j, a el coeficiente
aplicado al ND de la banda i para generar el componente j y /?. una constante que suele
introducirse en cada componente para evitar valores negativos. Otra posibilidad es escalar los valores resultantes, por ejemplo a 0-255, evitando la constante. Como hemos
indicado, hay tantos componentes (p) como bandas, pero la forma de extraer esos
componentes implica que slo los primeros tienen una informacin significativa.
La obtencin de los CP de una imagen implica una transformacin matemtica
compleja, que no parece oportuno detallar aqu.3 En trminos sencillos, el proceso
puede resumirse en los siguientes pasos. A partir de la matriz de varianza-covarianza
de las bandas que componen la imagen original se extraen los autovalores (,) que ex3. En el contexto del tratamiento digital de imgenes puede consultarse Short (1982, pp. 174
y ss.), Gonzlez y Wintz (1977). Thomas et al. (1987a) y Richards (1993).
337
presan la longitud de cada uno de los nuevos componentes, y, en ltima instancia, la

proporcin de informacin original que retienen. Este dato resulta de gran inters para
decidir qu componentes principales son ms interesantes; habitualmente los que mayor informacin original retengan. Tal y como se obtienen los CP, el autovalor va disminuyendo progresivamente, del primero a los ltimos, pues se pretende maximizar
sucesivamente la varianza extrada en el anlisis. La varianza original explicada por
cada componente se calcula como la proporcin de su autovalor frente a la suma de todos los autovalores:
vm
[1A5]
siendo p el nmero total de componentes.

Junto a la longitud de cada eje, nos resulta tambin de gran inters conocer su direccin. En definitiva, para poder interpretar el sentido de las nuevas variables se requiere conocer su relacin con las originales. De igual forma, para calcular las ecuaciones que servirn para obtener las nuevas imgenes se precisa contar con los coeficientes de la transformacin. Ambos aspectos pueden abordarse a partir de los autovectores. El autovector indica la ponderacin que debe aplicarse a cada una de las bandas originales para obtener el nuevo CP (a en la frmula |7.14]). Dicho brevemente,
equivale a los coeficientes de regresin en una transformacin lineal estndar, siendo
las bandas de la imagen las variables independientes y los CP las dependientes.
A partir de los autovectores se calcula la matriz de correlacin entre CP y bandas
de la imagen, lo que nos permite conocer el sentido espectral de estos componentes.
Basta aplicar:
[7,6]
V;
donde r, (indica el coeficiente de correlacin entre el componente y y la banda i; a el

autovector de ese componente en la misma banda; ., el autovalor del componente j, y
,la desviacin tpica de la banda i.
El ltimo paso es obtener una imagen de los componentes principales, a partir de
[7.14]. Obtenida la imagen de los CP, pueden stos representarse en blanco y negro o
color, obtenindose una nueva visualizacin de la zona de estudio. Para ello convendr
escalar los resultados en el rango ms comn en un equipo de visualizacin (0 a 255).
Una forma sencilla de abordar este proceso sera realizar una pequea muestra de los valores resultantes, con objeto de estimar los valores mximos y mnimos, aplicando luego
alguno de los procedimientos para expandir el contraste que se han mencionado anteriormente.
Para ilustrar el inters del ACP en la interpretacin digital de imgenes se aplic
esta tcnica sobre las seis bandas no trmicas de la imagen TorrelOO. A partir de una
muestra sistemtica de 1 de cada 8 pxeles se obtuvo la matriz de varianza-covarianza
para esas bandas (tabla 7.2). Sobre esa matriz se calcularon los autovalores de la ima-
338
TABLA 7.2.
Matriz de varianza-covarianza de la imagen TorrelOO
Bl
Bl
102,83
B2
B3
B4
B5
B7
107,91
156,30
71,71
148,94
141,22
B2
B3
B4
B5
B7
123,68
176,07
114,86
183,70
161,53
271,58
127,63
275,91
251,25
583,76
340,63
157,26
516,96
369,24
314,29
gen, realizando una previa estandarizacin, con objeto de paliar el efecto de la distinta
variabilidad entre bandas. Los autovalores (^) extrados fueron: 1.365,72, 410,24,
115,60, 9,64, 9,05 y 2,83. De acuerdo a [7.15], la varianza original asociada con cada
uno de estos componentes result ser 71,39 % para el primer componente; 21,44 %
para el segundo; 6,04 % para el tercero; 0,50 % para el cuarto; 0,47 % para el quinto, y
0,15 % para el sexto. De acuerdo a estos porcentajes se seleccionaron nicamente los
tres primeros componentes, que retenan un total del 98,87 % de la varianza original de
la imagen.
El sentido espectral de estos componentes se obtuvo a partir de la matriz de autovectores, en donde se evidencia la asociacin entre cada componente y las bandas originales. Como puede analizarse en la tabla 7.3, el primer componente ofrece un promedio ponderado de todas las bandas. Recoge, en consecuencia, una valoracin de las
caractersticas espectrales comunes a todas ellas, lo que puede asimilarse con el brillo
general de la imagen, similar al aspecto que podra presentar una banda pancromtica.
Esta interpretacin es bastante generalizable para el primer componente de la mayor
parte de las imgenes tomadas en el espectro solar, ya que el factor ms comn a la variacin espectral en estas longitudes de onda es la reflectividad promedio. El segundo
componente muestra una importante asociacin positiva con la banda 4, apenas perceptible con la 5 y moderadamente negativa con el resto. En definitiva, est evidenciando el contraste espectral entre el IRC y el resto de las bandas consideradas (VIS y
SWIR), lo que muestra una valoracin del vigor vegetal de la imagen. Finalmente, el
tercer componente ofrece un claro contraste entre el VIS-IRC y el SWIR, con correlaciones positivas para las primeras bandas y negativas para las segundas. Esto parece
indicar una valoracin del contenido de agua, por lo que le denominaremos como
componente humedad.
Las imgenes de los CP resultantes parecen demostrar esta interpretacin preliminar. El primero presenta una fisonoma muy similar a la de una imagen pancromtica, con valores promedio de las distintas cubiertas: bajos valores en el agua y la vegeTABLA 7.3.
CP\
CP2
CP3
Matriz de auto-vectores de la imagen TorrelOO
Bl
B3
B4
B5
B7
0,213
-0,213
0,381
0,258
0,171
0,400
0,374
-0,354
0,464
0,462
0,834
0,238
0,589
-0,041
-0,585
0,434
-0,321
-0,284
339
tacin, medios en los espacios edificados, y altos en los suelos descubiertos (fig.
7.10a). El segundo componente evidencia los sectores con una actividad cloroflica
ms intensa, como son los pastizales y cultivos de secano (recurdese que la imagen
est tomada muy cerca de la primavera), ofreciendo tonos medios para los pinares del
vrtice SWy las diversas urbanizaciones, y tonos oscuros para los suelos descubiertos,
agua y vas de comunicacin (fig. 7.10>). Por ltimo, el tercer componente remarca
con claridad las lminas de agua, vas de comunicacin y espacios edificados, que
ocupan el intervalo ms alto de la imagen. Ofrecen tonos medios los pinares y las reas
de caducifolias todava sin hojas, seguramente por el efecto de sombras en el suelo.
Por el contrario, la vegetacin manifiesta tonos gris-medio a oscuro, en funcin de su
vigor, mostrando los matorrales tonos intermedios y los cultivos de secano ms oscuros (fig. 7.10c).
Tambin puede generarse una composicin en color con los tres primeros componentes principales, de cara a facilitar una interpretacin ms sinttica de la informacin que incluyen. Para el caso de TorrelOO (fig. 13*) hemos asignado el can de color rojo al primer componente, el verde al segundo, y el azul al tercero. Las reas de
mayor vigor vegetal aparecen en verde o cian (alto verdor, bajo brillo y media humedad), mientras los suelos descubiertos o reas urbanas aparecen en magenta (alto brillo
y humedad), y las lminas de agua en azul.
La capacidad de sntesis propia del ACP la hacen una tcnica muy apropiada
como filtro previo para el anlisis multitemporal, cuando se van a utilizar varias imgenes en una sola clasificacin. En ese caso, el ACP sirve para retener la informacin ms significativa de cada perodo. Posteriormente, los CP de cada fecha se combinan, con objeto de facilitar una mejor discriminacin de cubiertas con perfiles estacionales marcados. Este tipo de planteamientos se siguieron en un trabajo de gran
inters sobre l'Anse de l'Aguillon, en donde se seleccion el primer CP de cuatro
imgenes MSS de la misma zona, adquiridas en distintas estaciones, abordando posteriormente la clasificacin sobre las cuatro fechas (Joly et al., 1983). En forma similar emplean esta tcnica otros autores (Maselli et al., 1995; Siljestrom y Moreno,
1995). Ms original resulta su aplicacin para estudiar series temporales de imgenes en estudios sobre cambio global de la vegetacin (Eastman y Fulk, 1993), lo que
permite obtener, adems de las tendencias generales de las cubiertas, informacin
residual de gran inters para detectar anomalas. Posteriormente analizaremos con
ms detalle el empleo del ACP como tcnica para la deteccin de cambios entre dos
imgenes de distinta fecha (ver 3.4.4).
Un problema inherente al ACP es la dificultad de establecer una interpretacin a
priori de los componentes, ya que la transformacin es puramente estadstica y, por
tanto, muy dependiente de las caractersticas numricas de la imagen. Algunos autores
sugieren que el primer componente siempre indica el brillo general y el segundo el
verdor (Ingebritsen y Lyon, 1985). No obstante, esta afirmacin asume que en la imagen existe una cantidad suficiente de cobertura vegetal. De otra forma, el componente
de vegetacin puede ser el tercero o cuarto. En definitiva, no pueden aplicarse reglas
generales para la interpretacin de los CP.
FlG. 7.10. Componentes principales de la imagen TorrelOO: a) CP1; b) CP2; c) CP3.
341
1.4. TRANSFORMACIN TASSELED CAP (TTC)

Al igual que el ACP, esta transformacin se dirige a obtener unas nuevas bandas,
por combinacin lineal de las originales, con objeto de realzar algunos rasgos de inters en la escena. La diferencia frente al ACP estriba en que la TTC ofrece unos componentes de significado fsico preciso, esto es, independientes del tipo de imagen que se
est analizando.
La TTC fue ideada por Kauth y Thomas en el marco del proyecto LACIE (Large
rea Crop Inventory Experiment), desarrollado por la NASA y el Departamento de
Agricultura estadounidense (USDA) en los aos setenta, con objeto de mejorar la prediccin de cosechas. Dentro de este proyecto se pretendi modelar los componentes
fundamentales de variacin en una imagen MSS, describiendo sus caractersticas fsicas desde el punto de vista del seguimiento de cultivos (Kauth y Thomas, 1976).
A partir de una serie de imgenes de zonas agrcolas se trat de sintetizar los ejes de
variacin espectral de los cultivos en una figura tri-dimensional, de aspecto parecido a
un gorro con borlas (tasseled cap). Considerando las bandas roja e infrarroja, la base
de ese gorro se define por la lnea de suelos, en donde se sitan los distintos tipos de
suelo, de acuerdo a su brillo y color (fig. 7.11). Segn el cultivo va ganando en vigor,
tiende a separarse de la lnea del suelo, aproximndose al eje de la banda infrarroja, y
convergiendo en un punto cuando se produce la mxima madurez. A partir de ah el
cultivo tiende a marchitarse, retornando hacia la lnea de suelos.
La TTC tiende a poner ms en evidencia el comportamiento espectral de la vegetacin y el suelo, a partir de crear nuevos ejes mejor ajustados a ese espacio fsico. En
ese nuevo sistema de coordenadas se pretende que sea ms ntida la separacin entre
ambas cubiertas. Para el caso de las imgenes MSS, sobre las que se desarroll esta
transformacin, los nuevos ejes se obtuvieron a partir de:
Infrarrojo
cercano
Lnea
de
Emergencia
Rojo
FlG. 7 . 1 1 .
Evolucin temporal de la vegetacin en las bandas IRC y R, segn el fundamento

de la transformacin Tasseled Cap.
342
[7.17]
uj=R'ixi + c
donde u indicaba el vector correspondiente a la imagen transformada; x, el vector de

entrada; R', el vector de coeficientes de transformacin, y c una constante para evitar
valores negativos. Los autores sugeran un valor c = 32.
Sobre el conjunto de imgenes de su muestra, los autores del trabajo distinguan
tres componentes: uno denominado brillo (brightness), suma ponderada de las cuatro
bandas originales; otro, denominado verdor (greenness), relacionado con la actividad
vegetativa; un tercero conocido como marchitez (yellowness), que pretenda relacionarse con la reduccin en el vigor vegetal, y un cuarto sin significado aparente
(nonsuch).
En un primer momento, esta transformacin no tuvo mucho eco en la literatura
cientfica, frente a otros ndices y transformaciones. En los aos ochenta, sin embargo,
se emple con mayor profusin. Crist y Cicone realizaron diversos trabajos a partir de
la TTC, mostrando su aplicabilidad a otros sensores, principalmente al TM y AVHRR
(Cicone y Metzler, 1984; Crist y Cicone, 1984a y b). Para el caso del sensor TM, la tabla 7.4 recoge los coeficientes propuestos por Crist y Cicone (1984) para derivar los
tres principales ejes de la TTC.
En trabajos comparativos sobre la aplicacin de la TTC a imgenes MSS y TM se
ha puesto de manifiesto la presencia en el caso de este ltimo sensor de un nuevo
componente, denominado Humedad (Wetness), estrechamente relacionado con la informacin que el TM proporciona del SWIR y que resulta original frente al sensor MSS. En
consecuencia, una imagen TM presenta tres ejes principales de variacin:
1. Brillo (Brightness), que refleja los cambios en la reflectividad total de la es
cena. Como puede apreciarse en la tabla 7.4, se trata de una suma ponderada de todos
los canales, excluido el trmico.
2. Verdor (Greenness), que indica el contraste entre las bandas visibles y el
IRC. Destaca la intervencin de la banda 4, la ponderacin negativa de las visibles y la
anulacin mutua de las dos en el infrarrojo-medio.
3. Humedad (Wetness), que se relaciona con el contenido de agua en la vegeta
cin y en el suelo, y se marca por el contraste entre el SWIR, en donde se manifiesta
con mayor claridad la absorcin del agua, y el resto de las bandas. Otros autores han
propuesto denominar a este componente Maturity, puesto que se ha encontrado una
clara relacin entre l y la madurez de la cubierta vegetal. Por ejemplo, en un inventa
rio forestal desarrollado en Oregn se obtuvieron muy buenas correlaciones entre este
componente y algunas variables forestales medidas en el terreno, siendo un magnfico
TABLA 7.4.
Brillo
Verdor
Humedad
Coeficientes propuestos para la obtencin de la TTC a partir de una imagen

Landsat-TM ([Crist, 1984 #212])
Bl
B2
B3
B4
B5
B7
0,3037
-0,2848
0,1509
0,2793
-0,2435
0,1973
0,4743
-0,5436
0,3279
0,5585
0,7243
0,3279
0,5082
0,0840
-0,7112
0,1863
-0,1800
-0,4572
343
Plano de los suelos
FlG. 7.12. Planos de variacin en la TTC.
indicador de la edad y densidad de la cobertura forestal. Adems se observ que era el

componente menos afectado por la topografa (Cohn y Spies, 1992).
La combinacin de estos ejes permite distinguir varios planos de variacin
(fig. 7.12), de gran inters para el estudio detallado de suelos y vegetacin. En este
sentido, suelen distinguirse tres planos: el de vegetacin, formado por el eje de brillo y de verdor, el de suelos, formado por el brillo y la humedad, y el de transicin,
formado por la humedad y el verdor (Crist y Cicone, 1984b).
344
Una de las ventajas de esta transformacin frente al ACP radica en su interpretabilidad fsica. En efecto, los componentes deducidos a partir de laTTC tienen un significado preciso, independiente de las condiciones de la escena, puesto que se apoyan
sobre las caractersticas del sensor y no sobre la radiometra de la imagen. Por tanto,
los coeficientes propuestos pueden aplicarse a distintas imgenes del mismo sensor,
con las salvedades propias de considerar que fueron extrados a partir de los rasgos
agrcolas del Mid-West americano.
La TTC cuenta ya con un importante rango de aplicaciones (Cicone y Metzler,
1984; Crist y Cicone, 19846; Garca et al, 1986; Perry y Lautenschlager, 1984). De
modo espordico se ha utilizado para la correccin atmosfrica (Labuto, 1991) y para
homogeneizar radiomtricamente una serie multitemporal de imgenes (Hall et al.,
1991a).
Hemos aplicado los coeficientes propuestos por Crist y Cicone a la imagen TorrelOO para derivar los componentes de la TTC (fig. 7.13). El primero de los componentes deducidos, conocido como Brillo, aparece como una imagen pancromtica, por
cuanto se trata de una combinacin ponderada de las diferentes bandas. En este sentido, presenta rasgos muy similares al primer componente del ACP. El componente de
Verdor refleja con gran claridad los dominios vegetales presentes en la imagen. Destaca el contraste entre los espacios edificados y suelos desnudos frente a las cubiertas
vegetales, principalmente en los cultivos y el pastizal, aunque tambin resultan evidentes las urbanizaciones ajardinadas. Los tonos ms oscuros aparecen en suelos descubiertos, reas edificadas y vas de comunicacin (nacional de Burgos, carretera de
Colmenar, Manzanares-Soto). Por ltimo, el componente de Humedad manifiesta con
claridad los cursos y lminas de agua, as como algunos sectores de vegetacin con
sombra y ncleos residenciales. Los tonos ms oscuros se presentan en los suelos descubiertos.
La composicin en color de estos tres componentes (fig. 14*) ofrece una tonalidad relativamente similar a la que observamos para los componentes principales de la
imagen. Se muestran tambin las reas de vegetacin en colores verdes, para los pastizales, y cian para los pinares (por su mayor contenido de sombra-humedad); las lminas de agua siguen apareciendo en azul, y los suelos descubiertos en rojo intenso (alto
brillo, bajo verdor y humedad), salvo las reas urbanas que ofrecen una tonalidad ms
magenta por la mayor proporcin de sombras.
1.5. TRANSFORMACIN IHS
En el captulo anterior vimos los fundamentos de la formacin del color en un sistema de ADI, indicando que estas composiciones se basan en la mezcla de tres caones
de color elementales: rojo, verde y azul (RVA). Una forma alternativa de representar
el color hace referencia, no a sus componentes sino a sus propiedades. Se trata de la
transformacin Intensidad, Tono, Saturacin (IHS, Intensity, Hue, Saturation), de reciente empleo en teledeteccin, pero que ya ha mostrado su inters para mejorar la discriminacin de algunos rasgos de marcado carcter cromtico (Koutsias et al, 2000;
Terhalle y Bodechtel, 1986) y para combinar imgenes adquiridas por distintos sensores, como luego veremos.
Fie 7.13.
Componentes TTC de la imagen TorrelOO: a) Brillo; b) Verdor; c) Humedad.
346
Blanco
FIG. 7.14.
Representacin grfica del color a partir de las coordenadas RGB e IHS.
El tono procede de la longitud de onda en donde se produce la mxima reflectividad del objeto: equivale al color que aprecian nuestros ojos. La saturacin refiere a la
pureza de dicho color, su grado de mezcla con los otros colores primarios. Por ltimo,
la intensidad puede identificarse con el brillo, en funcin del porcentaje de reflectividad recibido.
Es posible transformar las coordenadas de la imagen de los colores primarios
(RVA) a las propiedades del color (IHS). En el primer caso, cada pxel puede representarse en un diagrama tridimensional (cada eje define uno de los colores primarios).
En el segundo, por un hexgono, en donde la cara hexagonal sera el tono, el eje vertical la saturacin, y la distancia al eje vertical la intensidad (fig 7.14). La transformacin entre coordenadas RVA y IHS puede abordarse gracias a distintos algoritmos de
conversin (Pellemans et al., 1993). En primer lugar es necesario partir de una combinacin de bandas determinada, que se convertir a las coordenadas IHS. Denominaremos NDr, ND,, y NDa a los ND asignados al rojo, verde y azul, respectivamente. A partir
de ellos se calcula la Intensidad (/) como la media de los tres:
/ =
El tono se calcula como:
NDv + NDa
[7.18]
347
y la saturacin como:
Como ya comentamos, la transformacin IHS ha sido bastante utilizada con fines

geolgicos. Por ejemplo, Terhalle y Bodechtel (1986) ilustran el uso de esta transformacin para la cartografa de rasgos morfolgicos en zonas ridas. Tambin se ha empleado con xito en la determinacin de reas quemadas, gracias al muy bajo contraste
cromtico que presenta la vegetacin quemada frente a otras cubiertas terrestres
(Koutsias et al, 2000: fig. 7.15). Sin embargo, donde mas aplicacin ha tenido esta
Intensidad
%.
Tono
.
*
Quemado
20.000
18.000
16.000
14.000
Otras
categoras
12.000
10.000
8.000
6.000
4.000
2.000
0
# i" ."*" *'
LL
50
100
150
200
Componente de Tono
Saturacin
FIG. 7.15.
Empleo de la transformacin IHS para discriminar reas quemadas.

(Adaptado de Koutsias et al., 2000.)
250
348
tcnica es la referida a la fusin de imgenes de distintos sensores. Para facilitar una

exposicin ms ordenada dejaremos este comentario para el epgrafe dedicado a este
tipo de tcnicas (7.1.7).
Un ejemplo de transformacin IHS puede analizarse en la figura 7.16 correspondiente a nuestra imagen de ejemplo. La composicin original corresponde a un
falso color mejorado (ETM+ 4/5/3, RVA), a partir del cual se han generado los tres
componentes fsicos: Tono, Saturacin e Intensidad. La imagen de Intensidad ofrece
un aspecto similar al componente de brillo de la TTC, al mostrar las tendencias promedio en las tres bandas ms importantes del sensor ETM + . El Tono ofrece los valores ms altos para la superficie urbana y el agua, lo que indica que el color dominante de la imagen original corresponde a las superficies ms reflectivas en las bandas 3 y 5. La correspondiente a Saturacin muestra tambin valores altos para el
agua, mientras la ciudad y suelos desnudos aparecen en grises oscuros o negros. La
vegetacin ofrece valores altos en este componente, como consecuencia de su clara
cromaticidad.
1.6. TCNICAS DE ANLISIS HIPERESPECTRAL
Como ya vimos en el captulo 3, la resolucin espectral de los sensores espaciales
haba estado severamente restringida hasta hace muy pocos aos, cuando se han comenzado a lanzar al espacio los primeros sensores hiperespectrales. Hasta entonces,
las tcnicas de tratamiento de este tipo de datos estaban restringidas a las imgenes adquiridas por sensores aeroportados, y ms en concreto por el AVIRIS (Airborne Visible/Infrared Imaging Spectrometer), sin duda el sensor hiperespectral que ha supuesto
un mayor avance en esta disciplina. El lanzamiento del MODIS en 1999, y del Hyperion, en 2000, han abierto las puertas al empleo de estas tcnicas a partir de teledeteccin espacial. Las perspectivas son muy halageas en este sentido, ya que estn previstas otras plataformas espaciales que facilitarn en breve imgenes hiperespectrales
(MERIS a bordo del Envisat, Warfighter a bordo del Orbview-4, o el australiano
ARIES, adems de la continuacin de los proyectos ya activos de la NASA).
Lo que caracteriza a este tipo de sensores, como su propio nombre indica, es su
muy alta resolucin espectral, que les permite adquirir un espectro bastante continuo
de cualquier pxel observado en terreno (fig. 7.17). Adems del notable incremento de
los datos a procesar que esto implica (unas 40 veces ms datos por pxel que con un
sensor convencional: Richards y Xia, 1999), esa detallada definicin de cada pxel nos
permite introducir tratamientos bastante especficos a partir de estas imgenes, que no
seran abordables si contramos slo con unas pocas bandas. Por esta razn, nos ha parecido conveniente dedicarle un epgrafe propio dentro de esta obra, si bien algunas de
las tcnicas presentadas, como veremos en su comentario, podran tambin emplearse
en sensores ms convencionales.
1.6.1. Anlisis de espectros
Como hemos comentado, la primera caracterstica que define una imagen hiperespectral es la gran cantidad de bandas que contiene (habitualmente en el orden de va-
Fio. 7.16.
Componentes IHS de la imagen TorrelOO: a) Intensidad; b) Tono; c) Saturacin.
350
i Suelo
Vegetacin vigorosa
Vegetacin emergente
FlG. 7.17.
Concepto de imgenes hiperespectrales.
rias decenas a centenas). Esto le permite definir, en la mayor parte de los casos, espectros continuos para cada pxel de la imagen,4 de forma similar a las curvas que podemos obtener con un espectro-radimetro de laboratorio, con la diferencia de que en
este caso slo medimos un punto, mientras la imagen nos proporciona una representacin bidimensional de los espectros.
En consecuencia, la forma ms elemental de analizar una imagen hiperespectral
sera comparar los espectros que de ella se derivan con los que podemos obtener a partir de equipos de laboratorio, o de las bibliotecas espectrales disponibles al pblico
(cap. 2, apdo. 5.5). Lgicamente, esto supone convertir previamente los ND originales
en valores de reflectividad, para lo que es preciso aplicar la calibracin y las correcciones atmosfricas y topogrficas oportunas. A partir de ah puede identificarse la cubierta de un pxel comparando su espectro con otros de referencia, aplicando alguna
tcnica que permita ver a cul es ms similar. Entre los mtodos disponibles vamos a
comentar dos comunes: la codificacin binaria y la absorcin diferencial.
La codificacin binaria es una sencilla tcnica que calcula, para cada banda espectral, si la reflectividad observada es mayor o menor a la reflectividad media de ese
espectro, asignndole un valor 0 si es inferior y 1 si es superior. Si dos espectros son similares tendern a presentar la misma cadencia de ceros y unos a lo largo de las distintas bandas que forman esos espectros. Por tanto, al comparar la codificacin binaria de
un espectro desconocido con otro de referencia que corresponda a la misma cubierta
obtendramos un elevado porcentaje de parejas 0-0 o 1-1 (Mazer et al, 1988). Para
cuantificar la similitud entre espectros podemos calcular un sencillo ndice que denominamos ndice de acuerdo espectral (IAE):
4. Decimos en la mayor parte y no en todos, pues puede haber sensores hiperespectrales, por tener
muchas bandas, que no tomen espectros continuos, ya que esas bandas no son contiguas. ste es el caso
del MODIS.
351
2 t-i(CB/t-CB..
kf
[7.21]
donde CB, indica la codificacin binaria (0/1) del espectro / (el que queremos identificar) para la banda k, m el nmero de bandas, y CBj k la codificacin del espectro de referencia para la misma banda. Cuanto ms cercano a 0 el IAE, los espectros sern ms
similares y cuanto ms prximos a 1, ms distintos. En la figura 7.18 pueden observarse
unos espectros extrados de una imagen hiperespectral tomada por el sensor Hymap en
la zona agrcola de Barrax (Albacete) en junio de 1999. Este sensor cuenta con 128
bandas comprendidas entre 0,4 y 2,5 fim.
En la figura 7.18 se han representado tres espectros extrados de la imagen: uno
corresponde a vegetacin vigorosa (cultivos de alfalfa en este caso), otro a suelo
agrcola descubierto, y un tercero que nos interesa clasificar. A simple vista se observa que tiene mayores afinidades con el espectro de vegetacin, pero conviene cuantificar esa similitud, adems de servirnos de ejemplo para ilustrar el concepto de codificacin binaria. A la derecha de los espectros, en la misma figura, se inserta la
codificacin correspondiente a los espectros de vegetacin, suelo y pxel objetivo (el
que queremos asignar). Se confirma que el patrn espectral es mucho mas similar al
espectro de vegetacin que al de suelo. El valor del IAE para el espectro de vegetacin es 0,039 y para el suelo es 0,5625, confirmndose la mejor asignacin a la clase
vegetacin.
En la misma lnea de la codificacin binaria se encuentra la tcnica denominada
continuum removal (Kruse et al., 1993), que podramos traducir como anlisis de absorcin diferencial frente a la tendencia. Se trata de sealar en cada espectro una serie
de valores culminantes, que marquen los valores mximos de reflectividad en distintos
segmentos del espectro (mximos locales). Estos mximos sirven para sealar las tendencias del continuo. Estos valores se utilizan para normalizar los espectros extrados
de la imagen y/o de una biblioteca espectral de referencia dividiendo estos valores por
los de la tendencia, lo que permite eliminar el efecto del albedo, reduciendo la principal fuente de variacin de una imagen y centrndonos en lo que especfico de cada
banda (la absorcin diferencial). Comparando las bandas de absorcin con las que
ofrezca otro espectro de referencia podr asignarse un determinado pxel hiperespectral a una categora de inters. Esta tcnica se ha desarrollado con bastante xito en
imgenes AVIRIS para la exploracin minera (Kruse et al, 1993a).
Adems de la longitud de onda promedio de esas bandas de absorcin tambin es
interesante analizar cul es la intensidad de la absorcin, que vendra dada por la profundidad o, lo que es lo mismo, la magnitud de la diferencia frente a la tendencia, as
como su anchura y asimetra. Estos rasgos facilitan el anlisis de un espectro desconocido, delimitando rasgos de gran inters para determinar sus propiedades biofsicas
(un reciente ejemplo, en el mbito de la estimacin del contenido de agua en cultivos
puede consultarse en Tian y Tong, 2001). La figura 7.19 incluye un ejemplo de este
tipo de grficos, para el caso especfico del espectro de vegetacin que hemos visto
previamente. En este caso se observan una serie de bandas de clara absorcin centradas principalmente en torno a 0,46, 0,65, 1,4 y l,9,um.
353
Ajuste de
la
0,40
0 0,40
Fio.
0,80
7.19.
1,20
0,80
1,60
1,20
1,60
2,00
2,00
2,40
2,40 fim
Ejemplo de anlisis de la absorcin por diferencias frente a la tendencia

(espectro de vegetacin).
1.6.2. Clasificacin angular

Supone otra tcnica alternativa para el anlisis de espectros, por lo que propiamente cabra incluirlo en el anterior epgrafe. Ahora bien, puesto que para otros autores supone una alternativa a las tcnicas estadsticas de clasificacin que luego comeataremos, tambin cabe considerarla como un apartado especfico.
El clasificador angular (Spectral Angle Mapper, SAM) calcula la similitud entre
dos espectros a partir de su desviacin angular, asumiendo que forman dos vectores en
un espacio m-dimensional (siendo m el nmero de bandas disponibles). En sntesis, se
trata de un mtodo para comparar espectros desconocidos con otros de referencia, ya
sean tomados de la propia imagen, ya de bibliotecas espectrales. Puesto que esta tcnica
calcula la direccin relativa entre espectros, tiene la ventaja de ser bastante independiente
de las condiciones de iluminacin, ya que stas hacen referencia a la longitud del vector
pero no a su posicin, y por tanto los ngulos no cambian aunque cambie el albedo.
El algoritmo determina la similitud entre dos espectros calculando el ngulo espectral que los separa (d):
6 arcos
2*-!.- NDu
ND
[7.22]
354
siendo ND, k el valor del pxel i (el espectro objetivo) en una determinada banda k de la
imagen, ND, k el del espectro de referencia^' en la misma banda, y m el nmero de bandas. El criterio puede utilizarse para comparar pares de espectros determinados, por
ejemplo, muestras de suelos con distintos contenidos de materia orgnica, o para asignar un pxel desconocido a una clase de referencia en una clasificacin temtica. En
este caso, el pxel i se asignar a la clase de referencia y con un valor 8 ms pequeo.
Lgicamente, tambin pueden compararse los cosenos entre vectores, eliminando en
la frmula anterior la necesidad de calcular el arcoseno. Lo habitual para imgenes hiperespectrales es trabajar con valores de reflectividad, pero hemos indicado en su lugar ND ya que stos pueden estar escalados de la forma que estime oportuno el intrprete, siempre que, como es lgico, tengan la misma mtrica los de referencia y los que
se pretenden clasificar.
La figura 7.20 presenta un esquema del clasificador angular, para un caso sencillo de tres bandas. Aunque se ha desarrollado en el marco del anlisis hiperespectral,
esta tcnica tambin puede aplicarse a un menor nmero de bandas, siendo una alternativa a los clasificadores convencionales, que luego comentaremos.
1.6.3. Reduccin de la dimensionalidad de la imagen
Contar con un amplio nmero de bandas, no cabe duda, tiene un gran inters, pero
tambin lleva consigo una serie de dificultades, tanto en lo que se refiere al almacenamiento y proceso de la informacin, como a posibles problemas estadsticos que surgen cuando las variables analizadas tienen una alta correlacin entre s (Mather,
1998). Para paliar estos dos problemas (almacenamiento y redundancia) se recomienda
con frecuencia utilizar alguna tcnica de compactacin de datos, que permita retener
la mayor parte de la informacin original en un menor nmero de bandas. Con esta
Banda 1 FIG.
7.20.
Esquema del clasificador angular.
355
finalidad se utilizan varias tcnicas, que pretenden retener la informacin ms significativa contenida en la imagen hiperespectral.
Una de las ms conocidas est basada en el anlisis de componentes principales
(ACP), que comentamos anteriormente. Se denomina Fraccin de Mnimo Ruido
(MNF, Mnimum Noise Fractiori), y consiste en aplicar dos ACP consecutivos: el primero, basado sobre una estimacin de la matriz de covarianza del ruido, permite eliminar redundancias y re-escalar el ruido de los datos; el segundo es un ACP convencional de los datos ya depurados. El ruido se estima a partir de los componentes ms marginales de los autovalores, centrando el anlisis en aquellos que retienen la mayor parte
de la informacin original (Green et al., 1988).
Otra tcnica de reduccin del ruido en imgenes hiperespectrales es la denominada anlisis en primer y segundo plano (FBA, Foreground/Background Analysis), en
donde los espectros se dividen en dos grupos (primer y segundo plano). En el primer
plano se coloca la informacin que nos interesa realzar y se proyecta en el eje de unos,
mientras la informacin de menor inters se proyecta sobre ceros. De esta forma se recogen las principales fuentes de variacin en las caractersticas que pretenden medirse. Se proyectan estos dos grupos de tal manera que se maximicen las diferencias entre
ellos, minimizando la diferencia en el interior de los grupos. Esto se hace definiendo
un vector de pesos para cada banda que tienda a equiparar a 1 los espectros del primer
plano y a 0 los del segundo. La tcnica se utiliz con xito para estimar algunas variables biofsicas de las hojas a partir de espectros de laboratorio para distintas especies
vegetales (Pinzn et al., 1998).
1.6.4. Anlisis lineal de mezclas espectrales
El anlisis lineal de mezclas espectrales (ALME)5 parte de asumir que la seal
captada para un determinado pxel puede ser una mezcla de las reflectividades procedentes de varias cubiertas, en funcin de la superficie que ocupan en ese pxel, y pretende obtener precisamente esas proporciones. Por tanto, como fruto de esta tcnica
obtendremos tantas imgenes de salida como categoras pretendan estudiarse. En cada
una de ellas, el ND de un determinado pxel indicar el porcentaje de superficie que
ocupa esa categora (fig. 7.21).
Tradicionalmente la clasificacin de imgenes de satlite ha tenido por misin
asignar cada pxel a una, y slo una, de las categoras previamente definidas en la leyenda de trabajo. Con ser de gran inters este planteamiento, como veremos en el prximo apartado, resulta un enfoque algo limitado para ciertas aplicaciones. La necesidad de categorizar cada pxel de la imagen con un cdigo exclusivo implica asumir
que ese pxel es homogneo o, dicho de otra forma, que toda su superficie est cubierta
por la categora a la que se ha asignado. En definitiva, esa clasificacin de la imagen no
considera que la radiancia proveniente de un pxel, en la mayor parte de las ocasiones,
es una mezcla de distintas cubiertas, y que al clasificarlo simplemente optamos por
asignarlo a la cubierta dominante. A efectos de la representacin cartogrfica convencional, ste es el objetivo habitual, ya que los mapas temticos asumen que cada uni5. En ingls se utilizan los trminos Spectral Mixture Analysis (SMA) o Linear Mixture Analysis
(LMA).
356
Componentes puros
Clase 1
Clase 2
FIG. 7.21.
El ALME pretende extraer las proporciones presentes en cada pxel de

unas determinadas categoras o componentes puros.
dad es homognea: una misma parcela no puede asignarse a dos o ms categoras.

Cuando en realidad existe esa mezcla, que va ms all de la mnima unidad cartografiable a una determinada escala, las opciones ms empleadas son, o bien simplificar la
realidad, prescindiendo de las categoras menos representativas, o bien generar categoras mixtas, en donde la realidad se etiqueta considerando esa difcil separacin en
componentes. Las denominaciones mosaico de cultivos o matorral arbolado son
ejemplos de este segundo enfoque.
Una alternativa a ambos planteamientos es emplear tcnicas que permitan extraer informacin sobre el grado de mezcla presente en cada pxel. En otras palabras,
se tratara de obtener imgenes que nos indiquen la proporcin de cada categora de
inters en un pxel, asumiendo que la respuesta recibida por el sensor es, de alguna
forma, una combinacin de signaturas espectrales puras. La obtencin de estos componentes sub-pxel no es una tarea reciente en teledeteccin, pues ya se ofrecen soluciones de gran inters en los aos setenta (Marsh et al., 1980). Sin embargo, a partir
de los aos noventa se extendi su empleo, especialmente a partir del uso masivo de
imgenes de baja resolucin espacial, como las proporcionadas por el AVHRR, en
donde es especialmente crtico obtener informacin sobre la mezcla en el interior de
un pxel.
El ALME parte de algunos supuestos que conviene considerar antes de analizar el
gran potencial de esta tcnica, pues tambin nos ayudarn a valorar sus limitaciones.
En primer lugar se asume que la radiacin recibida por el sensor desde cada tipo de cubierta se restringe al mbito de la parcela ocupada por ese pxel; en otras palabras, que
no est influyendo en la radiacin reflejada la seal procedente de una cubierta vecina
(Settle y Drake, 1993). En caso de pxeles que contengan ms de un tipo de cubierta, la
357
segunda asuncin considera que su radiancia global es proporcional a la superficie

ocupada por cada cubierta. Esto equivale a que no exista una cubierta que tienda a, por
decirlo as, ensombrecer al resto, provocando una ponderacin superior a su propia
superficie en la radiacin finalmente reflejada al sensor. La linealidad de la mezcla es
asumible slo en las bandas del espectro ptico, no en el trmico. Por ltimo, y ms
importante an, se asume en el ALME que existen signaturas espectrales puras, vlidas para toda la zona analizada (Quarmby et ai, 1992).
Si estas tres suposiciones son admisibles podemos asumir que la reflectividad de
un determinado pxel con mezcla es una combinacin lineal de la reflectividad caracterstica de unas cubiertas o componentes bsicos (que denominaremos componentes
puros o miembros terminales: endmembers), en proporcin equivalente a la superficie
que ocupan. En definitiva, se cumple la frmula siguiente (Shimabukuro y Smith,
1991):
dondep, k indica la reflectividad observada en el pxel i,j en la banda k; FLh m es la proporcin del componente m en ese pxel i, j para cada uno de los p componentes puros;
pm k corresponde a la reflectividad caracterstica de ese componente m en la banda k, y e
es un trmino del error asociado a la estimacin de las proporciones en cada pxel i, j.
Esta frmula est sujeta a dos restricciones. Por un lado, la proporcin de cada
componente puro (Fm) debe estar entre 0 y 1:
0<FUm<\
[7.24]
esto es, no puede haber proporciones negativas, y

2wpFam=l
[7.25]
la suma de las proporciones para todas los componentes es igual a la superficie total
del pxel.
La ecuacin [7.23] tambin puede expresarse en trminos de ND, en lugar de
reflectividad, siempre que no se modifique la linealidad frente a la informacin inicialmente detectada por el sensor. El inters de presentar la frmula en magnitudes
fsicas se relaciona con la primera fase, y ms importante, del ALME: definir con
precisin los componentes puros de los que van a obtenerse las imgenes desmezcladas. Estos componentes son los tipos caractersticos de cubierta que explican la
seal reflejada hacia el sensor. Se asume que el resto de situaciones que se presenten
en la imagen son mezcla de ellas. Por ejemplo, los componentes puros podran ser la
vegetacin sana, el suelo y las sombras, para un estudio de deforestacin (Adams et
al., 1^95; Holben y Shimabukuro, 1993); las plantaciones forestales vigorosas, las
recientemente cortadas y las que ofrecen un proceso de regeneracin, en el caso de
un estudio forestal (Hlavka y Spanner, 1995); la vegetacin sana, la quemada y las
sombras, para una cartografa de incendios forestales (Caetano et al, 1994), o los tipos de cultivo para un inventario de cosechas (Quarmby et al., 1992). Los ms habituales han sido los de vegetacin vigorosa, suelo y sombra, si bien otros autores re-
358
comiendan aadir a estos tres bsicos un cuarto correspondiente a vegetacin seca (o

no fotosinttica: Riao et al., 200Ib; Roberts et al, 1993).
Una limitacin importante del ALME es que el nmero de componentes puros de
una imagen no debe superar al nmero de bandas ms uno utilizado para el clculo de
las fracciones. Esto se explica por los requerimientos del mtodo matemtico para solucionar el problema, que luego veremos.
Para obtener las reflectividades caractersticas de los miembros puros de la imagen pueden abordarse varios procedimientos que podemos dividir en dos grupos, segn se utilicen los datos de la propia imagen o informacin externa. En el primer caso,
podemos seleccionar los pxeles representativos de cada componente puro (pm k en la
frmula anterior) a partir de varios criterios:
1. El ms sencillo, sin duda, es seleccionarlo a partir del conocimiento del rea de
estudio (se entiende que de las condiciones del rea en el momento de la adquisicin de
la imagen). Esto implica que la seleccin se realice con gran cuidado, ya que si introdu
cimos como valores caractersticos de un componente puro valores extrados de un pxel
con mezcla, los resultados del ALME sern poco atinados. En caso de trabajar con im
genes de baja resolucin espacial (como el AVHRR), localizar reas homogneas resul
ta muy complicado. Como precisamente sobre estas imgenes resulta de notable inters
la aplicacin de esta tcnica ya que facilita informacin sub-pxel que enriquece mu
cho las posibilidades temticas de este sensor se ha propuesto en varios estudios ex
traer los componentes puros a partir de imgenes de alta resolucin, como SPOT o TM,
previamente registradas y calibradas con las AVHRR. A partir de ellas se generan los
valores caractersticos de cada componente puro, mediante tcnicas de regresin o de
gradando artificialmente las imgenes de alta resolucin hasta obtener el tamao del p
xel AVHRR (Caetanoetz/., 1994;FoodyyCox, 1994;Hlavkay Spanner, 1995;Holben
y Shimabukuro, 1993; Kerdiles y Grondona, 1995; Quarmby etal, 1992).
2. Otros autores recomiendan extraer los datos de la imagen con un procedimien
to ms objetivo, que permita asegurar la calidad de las estadsticas aun con un escaso co
nocimiento del territorio. Entre las tcnicas propuestas, tal vez la ms extendida es la de
nominada Pixel Purity Index (PPI: Boardman et al., 1995). El mtodo parte de represen
tar la nube de puntos de una determinada imagen en un espacio n-dimensional, que se va
reproyectando aleatoriamente. En cada iteracin se anotan los pxeles extremos de esa
nube, sealndose los ms puros como aquellos que alcancen con mayor frecuencia la
condicin de extremos. Un ejemplo de este algoritmo puede analizarse en la figura 7.22,
simplificando la representacin para 2 bandas. Se van rotando aleatoriamente los ejes, y
se anotan los pxeles extremos en cada rotacin, sealando luego los ms puntuados
como los vrtices del espacio que se va a desmezclar.
Finalmente, la alternativa para extraer los componentes puros sera utilizar espectros de laboratorio o los almacenados en las bibliotecas espectrales disponibles, prctica
muy comn en la exploracin minera (Kruse etal., 1993a). Esta opcin permite controlar mejor la pureza de los valores de entrada, evitando efectos anmalos a la cubierta,
como seran las condiciones topogrficas o del sustrato, ya que los espectros se toman en
condiciones muy controladas. Sin embargo, esta alternativa tiene otros inconvenientes,
como asumir que las imgenes estn adecuadamente calibradas y corregidas del efecto
359
Pxeles extremos
IRC
FlG. 7.22.
Fundamento del algoritmo PPI para buscar componentes puros de la imagen.
atmosfrico y topogrfico, lo que, como ya hemos visto, no resulta trivial. Por esta razn, en buena parte de los estudios publicados, la delimitacin de las radiancias caractersticas se realiza sobre la propia imagen, sealando en ella reas puras, y suficientemente representativas, de las cubiertas que se vayan a desmezclar.
Una vez obtenidas las reflectividades o ND caractersticos de cada componente
puro pueden generarse las imgenes de las proporciones (F m) solucionando para
cada pxel la ecuacin [7.23]. Normalmente, las proporciones se obtienen de tal forma
que se minimice el error residual de cada pxel (e k). Por ello, puede re-escribirse esa
frmula en funcin del error:
[7.26]
de tal forma que los valores a estimar (F , J permitan minimizar el error (o ms
concretamente, el cuadrado de los errores). ste es el criterio denominado de ajuste
por mnimos cuadrados, que tiene dos modalidades de solucin: el ajuste con restriccin y el ajuste ponderado (Shimabukuro y Smith, 1991). Precisamente, una de las
ventajas del ALME frente a otras tcnicas de interpretacin es que nos ofrece una
imagen de los errores del modelo en cada pxel, o dicho de otra forma, nos permite
conocer el grado de ajuste de nuestro modelo a la realidad de las cubiertas presentes
en cada pxel de la imagen. Lgicamente, si el error es alto para una determinada
zona de la imagen se deduce que hay componentes puros de importancia que no se
han considerado en el proceso.
Supongamos un ejemplo muy sencillo, como es el que aparece en la figura 7.23. Se
parte de los ND de dos bandas (Bl y B2) y se pretende deducir las proporciones, para
cada pxel, de dos miembros puros (c, y c2), definidos por unos ND puros en las dos ban-
360
Imgenes originales
43
51
55
47
55
59
51
63
80
Componentes puros
70
46
52
50
49
55
58
52
61
64
IRC
75
IRC
0,2
0,4
0,5
0,3
0,5
0,6
0,4
0,7
0,8
Proporciones
Clase 2
Clase 1
Imgenes
FIG. 7.23.
Ejemplo de aplicacin del ALME.
das (35 y 40, respectivamente, para la clase 1, y 75 y 70 para la clase 2). Con esos datos
deberan generarse dos imgenes de proporciones, una correspondiente a c, y otra a c2.
Para ello, suponiendo en el ejemplo que no existe error (esto es que las estimaciones son
perfectas en cada pxel) es preciso solucionar un sencillo sistema de ecuaciones con dos
incgnitas. Por ejemplo, para el primer pxel (superior, izquierda) tendramos:
43 = 30 F, + 75F2
46 = 40 F, +70F2
esto es, el ND observado para ese pxel en las dos bandas (43, 46) se asume que est
formado por una combinacin lineal de las categoras puras c, y c2, definidas por sus
ND caractersticos en esas dos bandas. Para conocer la proporcin de cada clase presente en ese pxel basta despejar en cada una de las ecuaciones F2 para obtener F:
(43-35 F,) / 75 = (46 - 40 F,) / 70
de donde se deduce que F, = 6,8 y, en consecuencia, que F2 = 0,2. De igual forma se
procede con el resto de los pxeles de esta imagen, obtenindose la matriz de proporciones resultante (figura 7.23). En este caso, asumiendo que no hay error residual en la
estimacin de las proporciones, bastara en realidad con una sola ecuacin, ya que, si
se cumplen las restricciones de no-negatividad y exhaustividad que require el ALME,
361
entonces F2 puede despejarse a partir de F, (F2 = 1 - F). En suma, podramos obtener

el valor de F, a partir de una sola banda:
43 = 35F, + 75(1-F,)
Como es necesario contar con tantas ecuaciones como incgnitas, podemos seleccionar hasta un mximo de tantos componentes puros como bandas haya disponibles. Sin embargo, si aadimos el requisito de exhaustividad (la suma de las proporciones es igual 1), estamos incluyendo una ecuacin adicional en el problema; de ah
que pueda incluirse hasta un mximo de m + 1 componentes, siendo m el nmero de
bandas. Esto siempre que supongamos nulo el error, de otra forma, se incluye una incgnita ms, y habra que limitar el nmero de componentes al de bandas.
El mtodo para solucionar esos sistemas de ecuaciones es ms complejo, lgicamente, al incluido en nuestro ejemplo. En consecuencia, es preciso abordar criterios
ms refinados para solucionar el sistema de ecuaciones planteado anteriormente.
Entre los diversos procedimientos que se han propuesto para ello, el estimador ms
sencillo es el ajuste por mnimos cuadrados sin restricciones. En notacin matricial,
este estimador se expresa como (Gong et al., 1994; Settle y Drake, 1993):
f = (MTMy1MTX
[7.27]
donde/indica el vector con las proporciones calculadas para cada pxel, M indica la matriz
con los valores de los componentes puros en las bandas de anlisis y X el vector con los valores del pxel en cuestin para esas mismas bandas. El superndice T indica la transpuesta
de la matriz y -1 la inversa. Este algoritmo es relativamente rpido, pero no satisface las
restricciones antes mencionadas. Para solucionar esto basta con poner a cero los valores
negativos de/y escalar el resto para que sumen 1. Otros criterios de solucin que incluyen
directamente estas restricciones pueden consultarse en Settle y Drake (1993) y Shimabukuro y Smith (1991). Mather (1998) apunta la importancia de que las bandas de entrada no
estn altamente correlacionadas; de lo contrario habr serios problemas para invertir la
matriz de entrada. Finalmente, tambin se han propuesto soluciones menos supervisadas,
en donde los valores de los componentes puros no se conocen, lo que implica aumentar el
nmero de incgnitas y acudir a soluciones no lineales, que se resuelven iterativamente
analizando en cada paso la variacin del error (Tompkins et al, 1997).
El ALME resulta de gran inters para extraer informacin compleja de las imgenes hiperespectrales, pero no se restringe a este tipo de datos, sino que se ha empleado en
contextos muy variados. Es muy apropiada para expresar el carcter continuo de los datos ambientales, que no tienen una clara solucin de continuidad en el espacio. Adems
implica una interesante alternativa para extraer informacin de los sensores de baja resolucin espacial, AVHRR, MODIS o Vegetation, ya que facilita estimaciones sobre las
mezqlas, tan abundantes en estos pxeles de gran tamao, manteniendo una alta frecuencia de adquisicin y bajo coste. El campo ms claro de aplicacin es el agrcola: superficie cultivada y rendimiento, en donde el ALME ha mostrado ya excelentes resultados
(Kerdiles y Grondona, 1995; Quarmby et al, 1992). Asimismo, resulta un aliado clave
en los estudios de deforestacin (Adams et al, 1995; Holben y Shimabukuro, 1993; Shimabukuro et al, 1994) para estudiar regeneracin de especies vegetales (Hlavka y
362
Spanner, 1995), densidad de cabida cubierta (Gong et al, 1994), cartografa de la vegetacin (Roberts et al, 1998), y en el seguimiento y discriminacin de reas quemadas
(Caetano et al, 1996; Martn y Chuvieco, 1998; Riao et al, 200Ib). Adems, se ha utilizado profusamente en cartografa de suelos y formaciones minerales (Adams et al,
1986; Palacios-Orueta y Ustin, 1998; Smith et al, 1990a; Smith et al, \990b).
Como ejemplo de esta transformacin hemos calculado los componentes ALME
de las categoras agua, vegetacin y suelo descubierto para la imagen TorrelOO. Para
ello hemos utilizado un programa incluido en el paquete XPACE de PCI, que incorpora un algoritmo de mnimos cuadrados con restricciones de no negatividad y exhaustividad. Los componentes calculados se incluyen en la figura 7.24, que recoge tambin
el trmino de error (RMS).
El comentario de estas imgenes de proporciones resulta bastante anlogo al que
hemos realizado de los componentes principales y tasseled cap, ya que estn reflejando
las tres dimensiones bsicas de informacin incluidas en una imagen ETM. En este caso,
cada componente tiene un sentido fsico: la proporcin de agua, vegetacin o suelo que
presenta, en un continuo desde la mxima cantidad (100 %) que aparece en las zonas espectralmente ms similares al componente puro, hasta las que ofrecen una proporcin
prcticamente despreciable. El componente de agua presenta los valores ms altos en los
embalses del rea de estudio, as como en algunos sectores de vegetacin perennifolia,
que muestran una afinidad intermedia entre el agua y la vegetacin herbcea vigorosa
(donde se defini el componente vegetacin). Precisamente estas zonas de pastizal son
las ms claramente recogidas en el componente vegetacin, as como los cultivos herb-
FlG. 7.24. Componentes ALME de la imagen TorrelOO: a) agua; b) vegetacin;

c) suelo; d) RMS.
363
ceos de secano, mostrando valores medios las especies esclerfilas, principalmente el

matorral y pinar. El suelo por su parte muestra valores ms altos para las parcelas con
poca o nula vegetacin, as como los bordes de los embalses, cuyos mrgenes estaban
secos en esta poca del ao. Este componente es ms abundante en el valle del Jarama,
en el sector oriental de la imagen, donde es ms frecuente la ocupacin agrcola del territorio. Finalmente, el componente de error muestra un patrn bastante aceptable, con tendencia a valores bajos en toda la imagen, excepcin hecha del rea de pinar, en el vrtice
NW, que ofrece valores ms elevados. Esto implica claramente que falt este tipo de
componente (podramos haberlo denominado vegetacin perennifolia, por ejemplo) en
la definicin de los componentes puros ALME, lo que hubiera facilitado una delimitacin ms clara de este sustrato espectral.
La figura 7.25 recoge otro ejemplo de aplicacin de esta tcnica, en este caso a
la delimitacin de los espacios verdes en una zona urbana. El objetivo ltimo de este
trabajo era extraer una serie de variables de la imagen para plantear modelos de calidad de vida urbana, tomando como ejemplo la ciudad de Maracaibo en Venezuela
(Molina, 1998). El ALME se emple en este contexto para extraer las proporciones
de reas ajardinadas dentro de la ciudad, ya que se consider que sera una variable
de inters para diferenciar sectores de calidad ambiental dentro de la ciudad. La ventaja del ALME en esta aplicacin es permitirnos obtener una imagen ms precisa de
la distribucin de jardines de pequeas dimensiones. En una clasificacin convencional, nicamente se clasificaran como reas verdes los jardines de cierto tamao
(varias veces superior al tamao del pxel), quedando infravaloradas las masas vegetales que se presentan en las urbanizaciones de mayor calidad residencial, que no
suelen ocupar grandes extensiones, o al menos no de forma homognea, ya que estarn imbricadas con superficies construidas. Para este anlisis planteamos un componente ALME relacionado con los materiales de construccin, otro con la vegetacin
fotosinttica (stos seran los jardines), un tercero con la vegetacin seca (la que no
recibe un aporte de riego en verano, y por tanto se relaciona ms con la vegetacin
residual urbana), y finalmente el margen de error. La distribucin del componente
vegetacin (fig. 1.25b) permiti obtener una imagen mucho ms realista de la distribucin de los espacios verdes.
Otra aplicacin de inters de esta tcnica ha sido la discriminacin de reas quemadas utilizando principalmente sensores de baja resolucin espacial, como el AVHRR
(Caetano et ai, 1996, Martn, 1998). El problema que se plantea con el AVHRR es que
slo cuenta con 2 canales en el espectro ptico, por lo que slo pueden deducirse 3 componentes (o con mas rigor dos), lo que dificulta la discriminacin del rea quemada con
otras cubiertas de similares caractersticas espectrales como el agua y las sombras. En la
figura 7.26 se comparan una imagen original AVHRR y el componente quemado de una
transformacin ALME (Martn y Chuvieco, 1998). Como puede observarse a simple
vista, la caracterizacin de los grandes incendios es bastante atinada, acogiendo el componente ALME valores bastante altos para estas reas quemadas.
Êl ltimo ejemplo que recogemos en este epgrafe est extrado de una investigacin sobre empleo de imgenes de satlite en el anlisis de procesos de desertificacin
(Collado, 1998). Hemos seleccionado la comparacin temporal entre los componentes
ALME correspondientes a lminas de arena para dos fechas separadas 10 aos en un
sector de la provincia de San Luis (Argentina) especialmente afectado por este fen-
364
FIG. 7.25. Componentes ALME para el sector urbano de Maracaibo (Venezuela): a)

materiales de construccin; b) vegetacin fotosinttica; c) vegetacin seca; ) RMS.
meno. Puede observarse en la figura 7.27 cmo el ALME ha permitido discriminar

con bastante detalle el rea cubierta por arena, y nos permite seguir la evolucin de
este fenmeno una vez que las dos imgenes estn registradas entre s. Una simple resta en los ND de las dos imgenes nos ofrece un anlisis de tendencia muy interesante,
ya que la direccin de avance de los frentes dunares est en clara relacin con los patrones de vientos dominantes en la regin.
365
FIG. 7.26. Componentes ALME de reas quemadas. Imagen AVHRR correspondiente al litoral
mediterrneo peninsular. A la derecha la imagen original con los permetros de las reas
quemadas superpuestos; a la izquierda, componente quemado ALME. (Martn, 1998.)
FIG. 7.27.
1.7.
Componentes ALME de lminas de arena: a.) 1982; b) 1992; c) resta de ambas.

(Collado, 1998.)
^CNICAS DE FUSIN DE DATOS
1.7.1.
Enfoques en la fusin de imgenes

Resulta patente el inters de abordar estudios de teledeteccin a distintas escalas
y con distintos niveles de detalle para entender mejor los procesos que afectan al conjunto del planeta. Gracias a los distintos grados de resolucin actualmente disponibles
podemos abordar mediante imgenes de satlite un rango muy amplio de escalas: desde la local en condiciones muy controladas, pero de escasa representatividad espa-
366
cial hasta el global, potencialmente menos fiable pero con mayor capacidad de generalizacin (Ehleringer y Field, 1993; Quattrochi y Goodchild, 1997).
Como es lgico, no existe ningn sensor que pueda facilitar ambos niveles de detalle simultneamente, acercndose ms a una escala local o global segn las caractersticas de su diseo. El inters de poder abordar estudios a distintas escalas hace que las tcnicas de integracin de datos provenientes de distintos sensores se consideren cada vez
con mayor atencin, dando lugar a toda una nueva lnea de trabajo en teledeteccin que
recibe el nombre genrico de fusin de datos, que incluye asimismo la integracin entre
las imgenes de satlite y otras variables espaciales (Gong, 1994; Wald, 1999).
El objetivo ltimo de estas tcnicas es aprovechar las ventajas particulares de los
datos que se ponen en relacin, paliando sus defectos; por ejemplo, podran combinarse imgenes de distintas resoluciones espaciales, temporales o que abarquen distintas
bandas del espectro (radar-ptico). ste sera el caso de generar una imagen sinttica a
partir de una pancromtica de alta resolucin espacial con una multiespectral con pxel
ms grosero: obtendramos la calidad espacial de la primera con el contraste cromtico
de la segunda. De igual forma, podramos integrar imgenes de satlite con mapas de
temperaturas, MDE, o series de vegetacin, en una clasificacin integrada, de cara a
mejorar la discriminacin de un determinado rasgo de inters.
En pocas palabras, lo que se pretende es mejorar la calidad de los datos, ya sea en
lo que se refiere a su aspecto visual, ya a la discriminacin digital de ciertas categoras,
ya a mejorar la fiabilidad de la estimacin de una determinada variable, o ya a demostrar la solidez de un determinado mtodo de anlisis.
La fusin de datos puede plantearse a distintos niveles. El ms intenso llevara a
generar imgenes sintticas, combinando informacin procedente dos o ms sensores
para producir una sola imagen resultado; el segundo implicara tratar informacin de
varias fuentes en paralelo, de cara a mejorar la discriminacin de un cierto rasgo de inters; similar a l tambin podramos plantear la integracin de los resultados obtenidos de varias fuentes independientes; finalmente, puede proponerse integrar varias
versiones de los datos (imgenes sintticas y originales, resultados de la interpretacin) al nivel de la toma de decisiones (Gong, 1994).
1.7.2. Obtencin de imgenes hbridas
De los objetivos arriba comentados, sin duda el ms habitual en las tcnicas de fusin de datos ha sido el que tiende a realzar el aspecto visual de una determinada imagen con informacin proporcionada por otra de mejor resolucin espacial. Al final del
proceso tendramos una imagen sinttica (multirresolucin), que alberga el detalle
cromtico de unas bandas sobre la calidad espacial de otra.
La llegada de los sensores de muy alta resolucin espacial (Ikonos, Quickbird,
IRS-1C, Kompsat) ha renovado el inters de esta aplicacin, ya que permite mejorar
considerablemente la definicin de una determinada imagen, de cara a su posterior anlisis visual o integracin con otros datos espaciales en el entorno de un SIG. Sin embargo, las primeras ideas para obtener este tipo de productos se remontan a los aos ochenta, cuando se propusieron las primeras tcnicas para fundir imgenes Landsat-MSS y
RBV (Short, 1982), o incluso Landsat y fotografas areas digitalizadas (Iverson et al.,
1989). Con el lanzamiento del SPOT en 1986 se comenzaron a producir imgenes sint-
367
IHS-RGB
FIG. 7.28.
Esquema para la fusin de imgenes.
ticas entre sus canales pancromtico (10 m) y multiespectral (20 m) (Carper et al,
1990), o incluso entre el SPOT pancromtico y el multiespectral Landsat-TM (30 m).
Actualmente, el mercado de los productos hbridos se centra sobre todo en combinar las
imgenes de sensores de muy alta resolucin (como el Ikonos pancromtico, con 1 m),
con los productos multiespectrales de ese mismo sensor (4 m), de cara a la cartografa
catastral de detalle. No obstante, para aplicaciones de escalas medias, la fusin del canal
pancromtico del sensor ETM+ (15 m) con los multiespectrales (30 m) tambin puede
resultar de gran inters. La creciente disponibilidad de sensores hiperespectrales tambin permite ampliar este objetivo hacia fusiones de distinta naturaleza segn el objetiv
ltimo de la interpretacin (Robinson et al, 2000).
Se han propuesto varias tcnicas para obtener imgenes hbridas de dos resoluciones espaciales distintas (Tapiador y Casanova, 2001). La ms empleada, hasta el momento, ha sido la transformacin IHS, que vimos anteriormente, por lo que nos centraremos aqu principalmente en ella. Este proceso de fusin se ilustra en la figura 7.28.
Esta fusin parte de realizar una composicin en color correspondiente a la imagen multiespectral de peor resolucin que se pretende realzar con otra pancromtica.
Como es lgico, esta ltima debera incluir condiciones de observacin similares a la
primera, siendo lo ms recomendable que se tomen simultneamente, como ocurre
con el sensor ETM+ o la cmara del Ikonos. El primer paso en la fusin de dos imgenes es asegurar que tengan el mismo tamao de pxel y se refieran a la misma posicin
en el espacio. Esto implica una previa georreferenciacin de esas dos imgenes, o al
menos un ajuste relativo entre ellas. En ese paso, el pxel de la imagen multiespectral
debe ampliarse hasta el tamao del pxel de la pancromtica (reduplicando el valor de
sus ND), lo que garantizar que puedan superponerse adecuadamente.
A continuacin se aplica una transformacin de coordenadas RVA a IHS, tal y
como vimos previamente (1.5). Puesto que el tono y la saturacin refieren al contenido
espectral de la imagen, mientras la intensidad se relaciona con las variaciones espaciales del albedo, que estn ms en relacin con las caractersticas espaciales de la ima-
368
FlG. 7.29.
Imagen de intensidad de una composicin ETM 4/5/3 (dcha.) y del canal

pancromtico (izqda.) de la imagen Alcal99.
gen, este componente tender a presentar una buena correlacin con la imagen pancromtica (fig. 7.29). En consecuencia, podemos sustituir una por otra, de tal forma que
se incorpore el detalle espacial de la pancromtica sin afectar a la tonalidad de la composicin en color original. Por ltimo, se aplica la transformacin inversa, de componentes IHS a RVA, obtenindose un producto visual muy mejorado (fig. 15*).
Este proceso resulta adecuado en muchas aplicaciones, pero puede ofrecer pobres
resultados si el rango espectral de la pancromtica no se ajusta bien al correspondiente
a las tres bandas que se mezclan en la composicin RVA. De hecho, se comprob hace
unos aos que el componente Intensidad de una composicin SPOT no estaba bien
correlacionado con el pancromtico (Chavez etal, 1991; Pellemans etal, 1993). En
consecuencia, se ha propuesto otras tcnicas alternativas para la obtencin de imgenes hbridas, como seran las siguientes:
1. Una integracin ponderada entre el canal pancromtico y el canal infrarrojo
cercano:
_
P
2Pan + ND ,RC
[7.28]
el resultado se sustituye por el componente Intensidad (Chavez et al, 1991).

2. Una suma ponderada del pancromtico con los canales multiespectrales,
aplicando previamente un filtro de paso alto para realzar el componente espacial de la
imagen pancromtica (Chavez et al., 1991).
3. Una sustitucin selectiva del pancromtico por las bandas espectrales verde
y roja, tras aplicarle unas correcciones radiomtricas para reducir las diferencias de
calibracin entre bandas (Pellemans et al., 1993).
4. Una regresin multibanda para las bandas que tienen poca correlacin con la
pancromtica. Esta regresin incluye la banda pancromtica y las otras multiespectra
les que intervienen en la composicin en color (Munechika et al., 1993).
369
Ms recientemente se han propuesto mtodos provenientes del mundo de la cartografa, que subrayan la diferente importancia de las variables visuales en la representacin de imgenes. ste es el caso de un mtodo propuesto por el Centro Canadiense
de Teledeteccin que permite integrar imgenes radar, modelos digitales de elevacin
e imgenes pticas, utilizando una variante del mtodo IHS para reforzar la visualizacin de rasgos tridimensionales (Toutin et al, 1998).
Tambin son recientes las aplicaciones de la transformacin de onditas (Wavelets) en el dominio de las frecuencias, para obtener imgenes hbridas con dos resoluciones distintas (Garguet-Duport, 1997; Yocky, 1996), y el empleo de tcnicas estadsticas para maximizar la informacin extrable de las imgenes utilizando el concepto de entropa (Tapiador y Casanova, 2001).
1.7.3. Interpretacin sinttica con datos de distintas fuentes
Una forma concreta de combinar informacin, que se ha venido aplicando casi
desde el inicio de la teledeteccin digital, es la clasificacin conjunta de datos de distintas fuentes, incluyendo no slo imgenes de varios sensores, sino tambin otras variables geogrficas, como pueden ser mapas de precipitacin, temperatura o suelos. El
desarrollo de los SIG a lo largo de los aos ochenta y noventa ha reforzado esta tendencia, que luego tendremos ocasin de comentar con ms detalle (cap. 9). Dejaremos
para este epgrafe aquellos aspectos de la relacin entre ADI y SIG que conciernen
ms a la integracin propiamente dicha.
Utilizar datos procedentes de distintas fuentes es una alternativa interesante para
mejorar la discriminacin de ciertas cubiertas de inters, que pueden ser difcilmente
discriminables si nos basamos exclusivamente en los datos de la imagen. Por ejemplo,
para diferenciar olivar y viedo puede ser necesario acudir a mapas de suelos para estimar la seal mixta que proporcionan, ya que esta mezcla resulta clave en la seal detectada por el sensor. En un inventario forestal, la situacin topogrfica (proporcionada por un MDE) o la textura (extrada de una imagen radar) puede ser crucial para distinguir distintas especies, difcilmente diferenciables de otra forma.
Naturalmente, esta integracin plantea tambin distintos problemas, ya que se
pretende analizar en conjunto datos que provienen de diversos orgenes y, por tanto,
pueden ofrecer distintos niveles de detalle y escalas de medida. Como veremos en el
siguiente epgrafe, la mayor parte de los mtodos de clasificacin digital se basan en
tcnicas estadsticas que no pueden aplicarse a variables categricas, donde los individuos se diferencian slo por pertenecer a categoras distintas sin relacin numrica
entre ellas (como ocurre, por ejemplo, mapas de suelos o de vegetacin). En consecuencia, si quieren emplearse estas variables en la clasificacin digital es necesario
emplear otro tipo de tcnicas, como pueden ser los clasificadores basados en criterios de decisin o en redes neuronales que luego comentaremos (2.3.4). El anlisis
de errores tambin se modifica notablemente cuando se plantean trabajos integrando
varias fuentes, ya que cada una contar con sus propios problemas e incertidumbres
(Gong, 1994).
No obstante, el recurso a contar con informacin de diversas fuentes ha sido frecuente en el ADI. Esta integracin puede realizarse con varios objetivos (Hutchinson,
1982):
370
1. Para estratificar la imagen, previamente a la clasificacin, de acuerdo a ras

gos fisiogrficos homogneos. Esto permite reducir la varianza espectral de las distin
tas categoras que pretenden discriminarse (Nez et al., 1983).
2. Para introducir nuevas variables en la clasificacin, combinando las bandas
originales, con MDE o cartografa convencional digitizada (Benediktsson et al., 1990;
Pons y Sol-Sugraes, 1994; Riao etal, 2001a; Salas y Chuvieco, 1995).
3. Para re-clasificar algunas categoras en caso de que no hayan sido discrimi
nadas correctamente a partir de informacin espectral (Hutchinson, 1982; Richards y
Xia, 1999; Skidmore, 1989).
Entre los trabajos pioneros en esta integracin de datos se encuentra el mtodo
para la realizacin de inventarios forestales que desarrollaron varios profesores de la
Universidad de California, Santa Barbara (Franklin et al, 1986). Este mtodo, aplicado a varios bosques de California, combinaba el tratamiento digital de imgenes
Landsat con MDE e informacin de campo. A partir de las imgenes se elaboraron
algunos ndices de textura, incorporados a la clasificacin junto a las bandas originales. Asimismo, se emple un MDE para obtener la altitud, pendiente y orientacin,
lo que permiti refinar notablemente la discriminacin, tanto de especies, como de
densidades y alturas. Trabajos similares se han desarrollado por otros autores en el
inventario forestal (Miller y Williams, 1978; Wu, 1980), y en la cartografa de modelos combustibles (Castro y Chuvieco, 1998; Riao et al., 2001a; Salas y Chuvieco,
1995: fig. 7.30). Estos enfoques integrados permiten abordar clasificaciones mucho
ms ricas, ya que se combinan criterios espectrales (propiedades pticas de las especies), espaciales (estructura, situacin) y temporales (dinmica atmosfrica, variedad fenolgica, productividad), ofreciendo una evaluacin ms completa del territorio en estudio.
En los ltimos aos se han propuesto nuevas tcnicas para integrar imgenes
con informacin procedente de varias fuentes. Entre ellas, puede destacarse la teora
de la evidencia, propuesta hace algunos aos por Shafer y Dempster como una extensin de la doctrina bayesiana de la inferencia estadstica. Esta tcnica permite trabajar tanto con variables cualitativas como cuantitativas (Richards y Xia, 1999, cap.
12), asignando una serie de pesos, en las distintas variables, a las categoras que intervienen en la clasificacin a partir de un cierto conocimiento de su certeza (Gong,
1996; Wang y Civco, 1994). Por ejemplo, pueden establecerse relaciones de distinta
intensidad, segn estemos ms o menos seguros de su fiabilidad. Esos pesos se transforman en lo que se conocen como funciones de plausibilidad (plausibility) y de
creencia (belief function: Srinivasan y Richards, 1990; Wilkinson y Mgier,
1990), que definen, respectivamente, la posibilidad de que una observacin pertenezca a una cierta clase y la seguridad que tengamos de que lo sea. Por ejemplo, podemos afirmar que un pxel con un determinado valor de NDVI cuenta con una probabilidad de ser vegetacin de 0,4 considerando los valores especficos de la vegetacin (funcin de creencia), b tambin que tiene un rango de probabilidades de ser vegetacin de 0,8 (funcin de plausibilidad) si se estima que la probabilidad de no ser
vegetacin es de 0,2. Estas estimaciones pueden generarse a partir de las probabilidades obtenidas en clasificadores estadsticos convencionales, o de otras fuentes
ms cualitativas, como el propio consejo de expertos. Richards y Ji (1999) indican
Textura
Correcciones
geomtricas y
.............................
Landsat-TM FlG.
combustible. (Riao et al, 2001.)
7.30. Esquema de integracin de variables para obtener mapas de modelos de
372
varios criterios para catalogar esas inferencias en distintas clases: definitivamente

verdadera, muy probable que sea verdadera, posible que lo sea, posible que no lo sea
y contradictoria. Siguiendo unas reglas de combinacin, propuestas por Dempster,
pueden combinarse las funciones de evidencia de distintas variables, facilitando una
integracin mucho ms matizada entre fuentes que pueden tener un carcter muy variado. La comparacin entre estos enfoques y otros estadsticos ms clsicos ha permitido verificar las posibilidades de esta tcnica, especialmente cuando se presentan
clases mixtas (Lee et al., 1987).
1.7.4. Integracin de resultados
En este ltimo apartado consideramos los procesos de integracin que se refieren
a los resultados del anlisis, cuando se pretenda poner en relacin dos documentos obtenidos a partir de la interpretacin de imgenes de distintos sensores. Por ejemplo,
podramos comparar mapas de cobertura del suelo generados en dos perodos distintos
a partir de datos MSS (aos setenta) y TM (aos noventa), o mapas de deforestacin
derivados a dos escalas distintas a partir de imgenes AVHRR y TM de la misma fecha. El primero sera un ejemplo de anlisis multitemporal, que luego tendremos ocasin de comentar con ms detalle, y el segundo de anlisis espacial multisensor, similar al muestreo estadstico en varias fases.
Aqu nos centraremos en este segundo enfoque, ya que puede resultar de inters
para poner en relacin modelos de interpretacin que se generan a distintas escalas.
Algunos ejemplos de este planteamiento podran ser utilizar una imagen de alta resolucin espacial para extraer los componentes puros del ALME en una imagen de baja
resolucin, o para simular la seal de una determinada cubierta que obtendra un sensor de peor resolucin, o para comparar los inventarios de superficies deforestadas a
distintos niveles de detalle. En varios trabajos sobre estimaciones de deforestacin en
la Amazonia (Shimabukuro et al., 1994; Skole y Tucker, 1993) se ha puesto en evidencia el inters de este tipo de trabajos, ya que permiten extrapolar estimaciones realizadas a partir de un cierto nivel de detalle (por ejemplo, desde imgenes TM o HRV para
sectores con buen control de campo), al conjunto de un amplio territorio que se pretende inventariar (utilizando imgenes AVHRR o Vegetation).
Una forma sencilla de fusin de datos a este nivel que venimos comentando sera la integracin entre resultados binarios, por ejemplo entre reas clasificadas
como quemadas/no quemadas a dos resoluciones distintas. La integracin de un producto de sntesis entre las dos podra realizarse de varias maneras (fig. 7.31 y tabla
7.5). Por un lado, podramos optar por retener nicamente lo que se haya identificado como quemado en las dos imgenes. ste sera un enfoque conservador, que minimizara los errores de comisin (detectar como incendio lo que no lo es), aun a
costa de perder posibles incendios bien clasificados en una de las dos imgenes. El
planteamiento opuesto sera retener lo que haya sido identificado por cualquiera de
los dos: esto reducira el nmero de incendios no detectados, pero aumentara el riesgo de falsas alarmas. En ambos casos, cuando coincidan las superficies catalogadas
por ambos sensores, habr que decidir de cul de las dos extraemos el permetro quemado. Parece lgico hacerlo de la imagen de alta resolucin, aunque tambin podra
haber razones para elegir la otra imagen.
373
FlG. 7.31. Esquema de integracin entre resultados obtenidos a partir de dos sensores
de alta aj y baja b) resolucin; c) coincidencias entre los dos; d) unin entre ambas,
pero prevalece la alta resolucin; ej unin entre ambas, pero prevalece la baja resolucin.
Otros posibles cruces primaran una de las dos imgenes, considerando que, por
cualquier razn, nos merece ms crdito que la otra. As, podramos decidir que prevaleciera la de mayor resolucin, en cuyo caso se retendran nicamente las reas catalogadas en esta imagen, si bien se retendran tambin los pxeles de la de menor resolucin cuando se puedan considerar pertenecientes a incendios detectados en la de alta
resolucin. Esto puede tener sentido si asumimos que la de alta puede haber detectado
slo la parte ms intensamente quemada, pero no los bordes del incendio, que podran
haberse detectado mejor en la de baja resolucin. Asimismo, podramos plantear que
prevaleciera la de baja resolucin; esto es, se retendran nicamente los incendios detectados en ella, si bien en aquellos que tambin se hayan discriminado en la de alta resolucin se retendran los pxeles de la de alta (si siempre eligiramos los de baja, sen-'
enlmente no haramos fusin).
Esto es un ejemplo de las posibilidades de integracin entre imgenes de distintos
TABLA 7.5.
Esquema para la integracin entre dos imgenes binarias de distinto sensor:

alta resolucin (A), baja resolucin (B)
Resolucin
Alt
a
1
1
0
0
Criterio de fusin
Baja
1
0
1
0
Ambos
prevalecen
Ninguno
prevalece
Alta
prevalece
1 (A + B)* 1
10
1(A) 0
00
KA)
* Se indica entre parntesis la fuente del pxel resultante de la fusin.
1
00
Baja
prevalece
1(B) 0
10
374
sensores, que puede dar idea de las perspectivas futuras que plantea un anlisis integrado de la informacin.
2. Categorizacin de imgenes: clasificacin digital
2.1. INTRODUCCIN
Todava para la mayor parte de los usuarios de la teledeteccin la clasificacin
supone la fase culminante del ADI. Hacia ella se orientan buena parte de los realces y
correcciones previamente analizados, as como algunas transformaciones.
Como fruto de la clasificacin digital se obtiene una cartografa e inventario de
las categoras objeto de estudio. La imagen multibanda se convierte en otra imagen,
del mismo tamao y caractersticas de las originales, con la importante diferencia de
que el ND que define cada pxel no tiene relacin con la radiancia detectada por el sensor, sino que se trata de una etiqueta que identifica la categora asignada a ese pxel. A
partir de una imagen como sta puede fcilmente generarse cartografa temtica, as
como un inventario estadstico del nmero de pxeles y por tanto de la superficie
asignados a cada categora (fg. 7.32).
De acuerdo a Cihlar et al. (1998) un mtodo de clasificacin debera contar con
las siguientes caractersticas: 1) exacto; 2) reproducible por otros, dadas las mismas
variables de entrada; 3) robusto (no sensible a pequeos cambios en las condiciones de
entrada, aunque permita explotar enteramente la informacin de esas variables); 4) exhaustivo, que cubra todo el territorio de estudio, y 5) objetivo, que no est marcado por
las decisiones del intrprete. A nuestro juicio, este ltimo punto es matizable, ya que el
conocimiento del intrprete puede resolver algunos problemas en la discriminacin de
cubiertas, si bien estamos de acuerdo en que obtener una buenos resultados en la clasificacin no debe depender nicamente de que el intrprete sea ms o menos experto en
el rea de estudio o en el manejo de los programas.
Imagen original
FIG. 7.32.
Fundamentos de la clasificacin digital.
375
La clasificacin de la imagen se beneficia notablemente de algunos procesos de

correccin y realce previamente estudiados. Sin embargo, conviene considerar que
puede abordarse una clasificacin exclusivamente a partir de los ND de la imagen,
ya que las categoras temticas suelen definirse de modo relativo a las condiciones
especficas de la escena a clasificar. En otras palabras, en principio la clasificacin
digital no busca una definicin absoluta de cada cubierta, que pudiera ser aplicable a
cualquier imagen, sino ms bien una caracterizacin relativa, vlida para una determinada imagen y un territorio concreto (Robinove, 1981). Si adoptamos este planteamiento, no resulta preciso conocer detalladamente las condiciones de adquisicin: basta identificar en la imagen las clases a discriminar, sin pretender que esa
identificacin sea extrapolable a otras situaciones. En resumen, en ese contexto no
se tratara de establecer un modelo entre medidas digitales y parmetros fsicos, sino
entre medidas digitales, para un sensor, una zona y una fecha determinados, y tipos
de cubierta. En este sentido, la clasificacin supone un enfoque ms cualitativo, si
bien, por tratarse de un proceso numrico, incorpora un aparato estadstico ciertamente importante. Lgicamente, esto supone el nivel de interpretacin ms elemental, aunque todo lo dicho en este captulo tambin es aplicable al trabajo con valores
calibrados de radiancia, reflectividad o temperatura. De hecho, las tendencias ms
modernas en clasificacin pretenden establecer leyes de validez general, aptas para
una interpretacin automtica de la imagen, y eso necesariamente requerira trabajar
con variables fsicas.
Como ya hemos indicado, la clasificacin digital implica categorizar una imagen
multibanda. En trminos estadsticos, esto supone reducir la escala de medida, de una
variable continua (los ND originalmente detectados por el sensor) a una escala categrica (tipos de vegetacin) u ordinal (densidades de vegetacin). La apariencia externa
puede resultar muy similar entre la imagen original y la clasificada, ya que presentan
el mismo tamao y pueden visualizarse en niveles de gris. Sin embargo, es importante
considerar que no pueden aplicarse ciertas operaciones estadsticas a una imagen clasificada, ya que, pese a ser digital, no est medida en una escala cuantitativa, sino generalmente cualitativa. Un sencillo ejemplo bastar para explicar este razonamiento.
El objetivo de los filtros espaciales (ver 6.5.4) es asimilar o reforzar los contrastes en"
los ND de pxeles vecinos. Esto implica que el ND de un determinado pxel se obtiene
mediante algn tipo de operacin aritmtica con los ND de los pxeles inmediatos,
lo que implica una escala de medida continua. En una clasificacin de tipos de cultivo,
por ejemplo, no puede realizarse ninguna operacin de este tipo, ya que la categora 1
(p. ej., cebada) y la 2 (p. ej., trigo) no tienen relacin numrica entre s (1 no es mayor o
menor que 2), y, en consecuencia, no tiene ningn sentido, entre otras cosas, promediarlas. Por tanto, en imgenes clasificadas las operaciones espaciales entre pxeles
vecinos deben basarse en parmetros estadsticos apropiados para variables nominales
(la moda o el ndice de variacin cualitativa).
ELND de un pxel clasificado, en definitiva, es el identificador de la clase en donde
se haya incluido. Estas clases pueden describir distintos tipos de cubierta (variable
nominal o categrica), o bien intervalos de una misma categora de inters (variable
ordinal). Una clasificacin de especies vegetales estara dentro del primer grupo,
mientras un intento de sealar niveles de afectacin en un incendio forestal o de humedad en el suelo, en el segundo.
376
Los primeros ensayos de clasificacin digital de imgenes de satlite se basaron

exclusivamente en los ND de la imagen (ya fueran originales o tras convertirlos a magnitudes fsicas). Como ya sabemos, estos ND son una traduccin digital de un flujo
energtico recibido por el sensor para una determinada banda del espectro. En consecuencia, una clasificacin basada exclusivamente sobre ND puede denominarse propiamente clasificacin espectral. Con ser muy rica esta informacin, no siempre es capaz de separar cubiertas, pues puede haber distintas categoras temticas con un comportamiento espectral similar. En ese caso se recomienda acudir a las otras dos dimensiones de informacin que contiene una imagen: la espacial y la temporal. En el primer
caso se tratara de incorporar a la clasificacin la estructura o el contexto espacial en el
que aparece cada pxel. En el segundo se aportaran datos sobre su evolucin estacional, lo cual es especialmente crtico para la discriminacin de cubiertas vegetales.
Finalmente, puede ocurrir que ninguna de estas tres dimensiones sea suficiente para
separar ciertas cubiertas, y sea preciso acudir a informacin auxiliar (topografa, suelos, etc.). A lo largo de este apartado veremos algunos procedimientos para abordar estos enfoques alternativos, si bien nos centraremos principalmente en la interpretacin
de los datos espectrales.
Simplificando las cosas, la clasificacin digital de imgenes sigue cauces anlogos a los que se emplean en foto-interpretacin. En esta tcnica, en primer lugar el intrprete identifica el patrn visual asociado a cada cubierta, de acuerdo a una serie de
criterios: tono, textura, forma, contexto, disposicin, etc., tal y como aparecen en unos
fotogramas tipo. Posteriormente, delimita sobre el resto de las fotografas las zonas
que se corresponden con ese modelo previamente definido. En otras palabras, asigna a
cada categora unas determinadas superficies, en funcin de la semejanza de stas con
el patrn-tipo identificado previamente. Por ltimo, verifica sobre el terreno la interpretacin realizada.
ste es tambin el esquema de la clasificacin digital. Basta traducir los criterios
analgicos por digitales, por cuanto se realiza sobre los ND presentes en la imagen. De
esta forma, pueden distinguirse las siguientes fases: 1) definicin digital de las categoras (fase de entrenamiento), 2) agrupacin de los pxeles de la imagen en una de esas
categoras (fase de asignacin), y 3) comprobacin y verificacin de resultados. Trataremos aqu de las dos primeras, reservando la tercera para un captulo independiente,
puesto que las tcnicas de verificacin son aplicables tanto a la interpretacin digital
como a la visual.
2.2.
FASE DE ENTRENAMIENTO
2.2.1. Conceptos bsicos

Para que una fotografa, area pueda ser interpretada en detalle es preciso que
exista una experiencia previa, que nos permita identificar cada una de las categoras de
inters por una serie de rasgos, como son tono, textura, situacin o tamao. Es posible
distinguir entre matorral y arbolado, gracias a que ste tiene una textura ms rugosa;
mientras la separacin entre agua y suelos descubiertos se realiza sobre la diferencia
de tonalidad. De la misma forma, la clasificacin digital se inicia caracterizando los

I
377
patrones que definen en la imagen las distintas categoras objetivo. Por cuanto se trata
de una clasificacin basada en los valores numricos de los pxeles, esta caracterizacin tambin debe ser numrica; esto es, se trata de obtener el ND, o mejor an el rango de ND, que identifica a cada categora, para todas las bandas que intervienen en la
clasificacin.
Como ya hemos visto a lo largo de esta obra, diversos factores introducen una
cierta dispersin en torno al comportamiento espectral medio de cada cubierta. Esto
implica que las distintas categoras no se definen por un slo ND, sino por un conjunto
de ND, ms o menos prximos entre s. En trminos de su clasificacin digital, esto supone que existe una cierta dispersin en torno al ND medio de cada categora, ms o
menos significativa segn las clases que se consideren y la propia complejidad del paisaje donde stas se asienten. Por ello, la fase de entrenamiento resulta ciertamente
compleja: se trata de definir con rigor cada una de las categoras que pretendan discriminarse, teniendo en cuenta su propia variabilidad en la zona de estudio.
Este objetivo se logra seleccionando una muestra de pxeles de la imagen, que representen adecuadamente a las categoras de inters. A partir de esos pxeles pueden
calcularse los ND medios y la variabilidad numrica de cada categora, en todas las
bandas que intervienen en la clasificacin. Al igual que en cualquier otro muestreo, el
objetivo de esta fase es obtener los resultados ms precisos con el mnimo coste. En
otras palabras, identificar debidamente las distintas categoras, reduciendo a lo imprescindible los trabajos de campo. Al igual que en otras aplicaciones del muestreo,
las estimaciones posteriores se basan sobre la muestra seleccionada, por lo que una incorrecta seleccin de sta conducir inexorablemente a pobres resultados en la clasificacin posterior. Varios autores han comprobado que los resultados de la clasificacin
estn mucho ms influidos por la definicin previa de las categoras, que por el criterio
con el que stas son posteriormente discriminadas (Gong y Howarth, 1990; Hixson.
et ai, 1980; Story y Campbell, 1986). En definitiva, la fase de entrenamiento constituye la columna vertebral de la clasificacin numrica.
Tradicionalmente se han dividido los mtodos de clasificacin en dos grupos:
supervisado y no supervisado, de acuerdo a la forma en que son obtenidas las estadsticas de entrenamiento. El mtodo supervisado parte de un conocimiento previo"
del terreno, a partir del cual se seleccionan las muestras para cada una de las categoras. Por su parte, el mtodo no supervisado procede a una bsqueda automtica de
grupos de valores homogneos dentro de la imagen. Queda al usuario, en este caso,
la labor de encontrar correspondencias entre esos grupos y sus categoras de inters.
Volviendo al paralelismo con la fotointerpretacin, podramos afirmar que en sta el
mtodo supervisado es el ms habitual, por cuanto se identifican sobre unos fotogramas-tipo las caractersticas de cada clase, para luego delimitar, en el resto, las zonas
que se ajustan a esas caractersticas. El mtodo no supervisado supondra, en primer
lugar, identificar sobre la fotografa area zonas homogneas en cuanto a tonos, textura, disposicin, etc., para luego asignarlas a una de las clases temticas establecidas en la leyenda.
Para iluminar el sentido de ambos mtodos, puede ser conveniente introducir una
pequea reflexin sobre el tipo de categoras que pueden intervenir en una clasificacin temtica. Suelen distinguirse, a este respecto, dos tipos de clases: informacionales y espectrales (Chuvieco, 1986; Labrandera, 1978). Las primeras son las que consti-
378
Agua
-------
Agua
-----
Caducifolias
Caducifolias
Perennifolias
Perennifolias
Agricultura regado
Agricultura regado
Agricultura secano
Agricultura secano
Urbano
Urbano
a)
c)
b)
d)
Agua
Caducifolias
Perennifolias
Agricultura regado
Agricultura regado
Agricultura secano
Agricultura secano
Urbano
Urbano
-----------
-----------
Agua
Caducifolias
Perennifolias
Clases informacionales
FlG. 7.33.
j Clases espectrales
Relaciones entre clases informacionales y espectrales.
tuyen la leyenda de trabajo que pretende deducir el intrprete (tipos de ocupacin del
suelo, por ejemplo). Las segundas corresponden a los grupos de valores espectrales
homogneos dentro de la imagen, en funcin de ofrecer una reflectividad similar, para
las bandas consideradas y en la fecha concreta de la imagen. Las categoras informacionales se establecen por el usuario, mientras las espectrales se deducen de los ND
presentes en la imagen.
Idealmente habra de producirse una correspondencia biunvoca entre las dos
(fig. 7.33a); esto es, que a cada clase de cobertura le corresponda un nico grupo espectral, y que cada grupo espectral corresponda a una sola clase temtica. Desgraciadamente, este caso es muy poco frecuente, producindose, normalmente, alguna de las
siguientes situaciones:
1. Que una categora de cubierta est expresada en varias clases espectrales
(fig. 7.33b). Por ejemplo, el pinar segn su emplazamiento podra aparecer en dos gru
pos: uno correspondiente a solana y otro a umbra; o el agua en distintos tipos, de
acuerdo a su profundidad o turbidez. Para evitar los problemas que puede implicar esa
dispersin espectral en los resultados posteriores convendra refinar el muestreo, bien
incluyendo en las clases esa heterogeneidad, bien creando sub-clases, que luego sern
fundidas tras la clasificacin en un solo grupo. Esto evita contar con clases muy
heterogneas espectralmente, fcilmente sujetas por tanto a confusin con otras simi
lares.
2. Otra cosa sera que dos o ms categoras informacionales compartan una sola
379
clase espectral (fig. 7.33c). Esto implicara, en pocas palabras, que algunas categoras
de la leyenda no sean discriminables, a partir de la imagen con que se cuenta, sin grave
peligro de confusin. En este caso se pueden plantear varias opciones para solucionar
el problema. La ms sencilla sera optar por una clave ms general, evitando descender
a un nivel de desagregacin no abordable a partir de esos datos. Por ejemplo, podra
optarse por una clase denominada coniferas, en lugar de distinguir distintos tipos de
pinar, o urbana, frente a distintas densidades de edificacin. Ahora bien, esa solucin
en algunos casos no es aceptable, bien porque la confusin se d entre categoras que
no son asimilables temticamente (por ejemplo, superposicin entre ncleos rurales y
rastrojeras, en imgenes de verano), bien porque las categoras objetivo sean un requisito imprescindible del trabajo (p. ej., un inventario forestal no puede aceptarse si no se
discriminan un cierto nmero de especies). En estos casos, habra que intentar otras
soluciones, como incluir en la clasificacin una imagen perteneciente a otra fecha del
ao, en donde la separacin entre categoras problemticas sea posible (contraste primavera-verano, para cubiertas vegetales), o acudir a criterios no espectrales, como
pueden ser los derivados de la textura o situacin espacial, o aadir alguna variable auxiliar (relieve, suelos, etc.).
3. Por ltimo, puede tambin ocurrir que varias clases informacionales
compartan clases espectrales (fig. 7.33J). En este caso convendra replantear la estrategia de trabajo, o acudir a las soluciones parciales comentadas en prrafos anteriores.
A la luz de este comentario, parece claro que el mtodo supervisado pretende definir clases informacionales, mientras el no supervisado tiende a identificar las clases
espectrales presentes en la imagen. De los prrafos anteriores tambin puede deducirse
que ninguno de los dos mtodos proporciona una solucin inmediata a todos los
problemas que entraa una clasificacin digital. Por un lado, el mtodo supervisado
puede tacharse de subjetivo y artificial, pues puede forzarse al algoritmo a discriminar categoras que no tengan una claro significado espectral. Por otro, el mtodo no supervisado proporciona en ocasiones resultados de difcil interpretacin, poco conectados con las necesidades del usuario final del producto. Asimismo, resulta poco claroque este mtodo sea realmente capaz de identificar las agrupaciones naturales de la
imagen. De ah la diversidad de algoritmos y de parmetros de control revisados en
la literatura, como ms tarde tendremos ocasin de analizar.
En resumen, la eleccin entre uno y otro mtodo depender de los datos y medios
disponibles y de las propias preferencias personales (Townshend y Justice, 1981).
2.2.2. Mtodo supervisado
El mtodo supervisado parte de un cierto conocimiento de la zona de estudio, adquiridQ,por experiencia previa o por trabajos de campo. Esta mayor familiaridad con el
rea de inters permite al intrprete delimitar sobre la imagen unas reas suficientemente representativas de cada una de las categoras que componen la leyenda. Estas
reas se denominan, en la bibliografa anglosajona, training fields (reas de entrenamiento). El trmino indica que tales reas sirven para entrenar al programa de clasificacin en el reconocimiento de las distintas categoras. En otras palabras, a partir de
380
FlG. 7.34.
Seleccin de pxeles de entrenamiento por semillado (a) y utilizando polgonos

regulares (b).
ellas se caracterizan cada una de las clases, para asignar ms tarde el resto de los pxeles de la imagen a una de esas categoras en funcin de la similitud de sus ND con los
extrados como referencia.
La mayor parte de los equipos de ADI permiten localizar interactivamente las
reas de entrenamiento. Con ayuda del digitizador o ratn electrnico, el usuario introduce sobre la pantalla los vrtices que definen cada una de estas reas, asignndolas a
una de las categoras definidas previamente en la leyenda. Tambin pueden seleccionarse los pxeles que formarn parte de un rea de entrenamiento a partir de un mtodo
semi-automtico, conocido como semillado (fig. 7.34). En lugar de digitizar un polgono completo, basta que el intrprete localice un pxel central, a partir del que se
agregan los pxeles vecinos, en funcin de su proximidad espectral y espacial al introducido como semilla, hasta formar un polgono completo. La ventaja sobre el criterio
anterior se basa en la garanta de que los pxeles seleccionados de esta forma tendrn
caractersticas espectrales similares al pxel semilla, evitndose as aadir ruido involuntario a la definicin de las clases espectrales. Los parmetros para asignar los pxeles vecinos al de origen dependen de cmo crezca la varianza global de la muestra, sealando el intrprete algn valor lmite, segn el conocimiento que tenga de la heterogeneidad de la categora que est delimitando.
Para una localizacin ms precisa de estas reas de entrenamiento pueden ser de
gran ayuda los trabajos de campo y otros documentos auxiliares como la fotografa
area o la cartografa convencional, teniendo en la mente que debe tratarse de ejemplos suficientemente representativos y homogneos de la clase que pretende definirse.
382
trales presentes en la imagen que no se hayan identificado con ninguna clase de entrenamiento.
Un ltimo aspecto a considerar en la seleccin de las reas de entrenamiento se
refiere a los requisitos estadsticos que garantizan el grado de representatividad de las
distintas categoras. Como antes se coment, este proceso implica una forma peculiar
de muestreo espacial. Por ello conviene tener en cuenta algunos criterios habituales en
este tipo de tcnicas para elegir el tamao y la distribucin ms idnea de la muestra,
as como para realizar estimaciones a partir de ella.
En cuanto al tamao, se requiere seleccionar un mnimo de m + 1 pxeles por categora, siendo m el nmero de bandas que integran el anlisis (Schowengerdt, 1997).
Conviene, no obstante, superar con creces este lmite mnimo. Diversos autores recomiendan seleccionar un nmero de pxeles comprendido entre 10 m y 100 m por categora (Jensen, 1996; Mather, 1998, sugiere 30 m). Este nmero parece fcilmente
accesible con los sensores que habitualmente han servido de entrada en la clasificacin, pero puede ser ms complicado si se parte de equipos hiperespectrales, en donde
el nmero de bandas de entrada sea muy numeroso. Esto sugiere, de nuevo, el inters
por seleccionar adecuadamente las bandas ms convenientes para la clasificacin.
Por otro lado, ese nmero mnimo de pxeles se relaciona estrechamente con el
grado de asociacin espacial entre los ND de la imagen. El muestreo convencional
considera que las muestras seleccionadas son aleatorias e independientes. Como antes
indicamos, esta asuncin no es vlida en nuestro caso, por cuanto una parcela de entrenamiento alberga a pxeles vecinos, afectados por el fenmeno de la auto-correlacin
espacial. En pocas palabras, esta asociacin, comprobada en diversos trabajos sobre
imgenes de satlite (Congalton, 1988a), supone que la informacin original extrada
de un nmero de pxeles contiguos es menor que si fue obtenida a partir de otros dispersos. En suma, resulta ms conveniente elegir varios campos de pequeo tamao
que uno solo de mayores dimensiones, ya que tender a infravalorarse la variabilidad
de esa categora. Tambin se puede optar por seleccionar pxeles aleatoriamente, dentro de campos de mayor tamao, en lugar de admitirlos todos (Campbell, 1996; Mather, 1998). Otros autores recomiendan seleccionar pxeles aislados de cada categora,
en nmero suficiente para estimar adecuadamente la variabilidad espectral de dicha
clase (Gong y Howarth, 1990&). Este criterio puede ser recomendable cuando existe
suficiente control del terreno. En zonas de difcil acceso resulta poco operativo.
Respecto a la distribucin, conviene tener en cuenta las propias caractersticas de
la imagen, intentando abarcar las variaciones espaciales que se presentan en cada categora: su orientacin, pendiente, densidad, vigor, contenido de humedad, tipo de suelo, etc. En este sentido, varios autores han subrayado que la variabilidad de una cubierta es directamente proporcional a la resolucin del sensor (Cushnie, 1987). Dicho de
otro modo, cuanto mayor sea el detalle espacial registrado en la imagen, mayor ser
tambin su sensibilidad para detectar las variaciones internas de una categora, ocultas
de otra forma bajo un pxel de mayor tamao. Por cuanto a mayor heterogeneidad, mayor mezcla con clases similaresy, en ltima instancia, mayor riesgo de confusiones
en la asignacin posterior, un incremento en la resolucin espacial puede complicar
la clasificacin digital. Este hecho, que parece contradecir el sentido comn (mayor
resolucin espacial, mayor fiabilidad), fue puesto de manifiesto ya hace algunos aos
por diversos autores, que lo denominaron scene noise, ruido de la escena (Markham
383
y Townshend, 1981). El efecto se ha comprobado con ms nitidez en los tipos de cubierta ms heterogneos, como es el caso de las reas urbanas, en donde un pxel de
mayor tamao facilita adquirir una seal promedio de distintos componentes, mientras
cuanto ms se reduzca el pxel, los efectos de frontera son ms intensos (Toll, 1984).
Por el contrario, en categoras agrcolas y forestales, ese efecto es menos ntido, siendo
ms convenientes las imgenes de alta resolucin (Hopkins et ai, 1988; Irons y Kennard, 1986).
La delimitacin de las reas de entrenamiento sobre la imagen TorrelOO se realiz
en nuestro caso a partir del trabajo de campo. Para facilitar el carcter didctico de la
exposicin, solamente hemos seleccionado 7 categoras: reas urbanas, pastizales, pinar-encinar (los caducifolios no tienen todava hojas en esta fecha), matorral, lminas
de agua, suelos descubiertos y cultivos de secano (los de regado no estn presentes en
esta poca del ao). La figura 7.36 recoge la localizacin de los campos de entrenamiento seleccionados; como podr observarse se trata de pequeas superficies, intentando recoger adecuadamente la diversidad de rasgos espectrales en el rea de estudio.
2.2.3. Mtodo no supervisado
Este mtodo se dirige a definir las clases espectrales presentes en la imagen. No
implica ningn conocimiento del rea de estudio, por lo que la intervencin humana se
centra ms en la interpretacin que en la consecucin de los resultados.
En esta estrategia se asume que los ND de la imagen forman una serie de agrupaciones o conglomerados (clusters), ms o menos ntidos segn los casos. Estos grupos
FlG. 7.36. Localizacin de los campos de entrenamiento sobre la imagen TorrelOO.
384
equivaldran a pixeles con un comportamiento espectral homogneo y, por tanto, deberan definir clases temticas de inters. Desgraciadamente, como se vio ms arriba,
estas categoras espectrales no siempre pueden equipararse a las clases informacionales que el usuario pretende deducir, por lo que resta a ste interpretar el significado temtico de esas categoras espectrales.
El mtodo para definir los agrupamientos espectrales es muy similar al empleado
en otras tcnicas de clasificacin automtica de datos (Hand, 1981; Johnston, 1978).
Se basa en la seleccin de tres parmetros: 1) variables que intervienen en el anlisis;
2) criterio para medir la similitud o distancia entre casos, y 3) criterio para agrupar los
casos similares.
En nuestro contexto, las variables son las bandas espectrales seleccionadas para
la clasificacin, ya sean stas originales o fruto de alguna transformacin. Los casos
son los pixeles que componen la imagen, cada uno de ellos definido por tantos ND
como bandas intervienen en el anlisis. En este espacio multivariado se trata de encontrar los grupos de pixeles con ND similares, para luego equipararlos con alguna de las
clases informacionales de nuestra leyenda.
El mtodo para encontrar esos grupos homogneos puede ilustrarse con el caso
ms simple, en el que estuviramos trabajando con dos bandas (IRC y R, por ejemplo).
En un grfico bivariado apareceran tantos puntos como pixeles, localizados de acuerdo a sus ND en cada banda (fig. 7.37). El grfico evidencia la existencia de agrupaciones de pixeles, con ND similares en las dos bandas, que podran identificar clases temticas de inters. Por ejemplo, los puntos situados en el vrtice inferior izquierdo corresponderan a pixeles con ND bajos en las dos bandas (c), los situados en el superior
derecho seran pixeles con altos valores en ambas bandas (b), mientras los correspon-
FlG. 7.37. Esquema de la clasificacin no supervisada.
385
dientes al extremo superior izquierdo implican ND bajos en la banda R y altos en el

IRC (a). En estas regiones del espectro podramos identificar estos grupos como pertenecientes a agua, suelos desnudos o vegetacin, respectivamente, aunque en esta fase
slo nos interesa conocer que se trata de grupos homogneos y distintos entre s.
La delimitacin de cada grupo espectral se inicia sealando dos criterios: uno que
mida la similitud entre pxeles, y otro que marque las condiciones del proceso de agrupamiento. En cuanto al primer aspecto, se han propuesto diversos criterios para medir
la distancia entre pxeles. El ms utilizado se basa en la distancia euclidiana:
[7.29]
donde da b, indica la distancia entre dos pxeles cualquiera ay b; NDa, y NDfc los niveles digitales de esos pxeles en la banda i, y m el nmero de bandas. Tambin pueden
utilizarse otros criterios para medir la distancia entre pxeles, como sera el caso de la
distancia media o la de Mahalanobis (Rebollo y Orti, 1980), si bien la distancia euclidiana resulta la ms habitual en este tipo de aplicaciones.
En cuanto al algoritmo de agrupamiento, las opciones tambin son muy numerosas. Uno de los ms extendidos es el denominado ISODATA (Duda y Hart, 1973), gracias a contar con un mecanismo iterativo bastante slido. En esencia, este algoritmo
procede a partir de las siguientes fases:
1. Se sealan una serie de centros de clase, de acuerdo al nmero y forma indi
cados por el usuario.
2. Se asignan todos los pxeles de la imagen al centro de clase ms prximo, uti
lizando el criterio de distancia antes comentado.
3. Se calculan de nuevo los centros de clase, teniendo en cuenta los valores de
todos los pxeles que se le hayan incorporado en la fase anterior.
4. Se reordenan los centros de clase en funcin de los parmetros de control in
dicados por el usuario (distancia mnima entre grupos, tamao mnimo de un grupo,
varianza mxima de un grupo y nmero de grupos).
5. Se vuelven a asignar todos los pxeles de la imagen al centro ms cercano, el
cual debido al desplazamiento registrado en (3) no tiene por qu coincidir con la
asignacin realizada en (2).
6. Si el nmero de pxeles que han cambiado de categora es inferior al sealado
por el usuario se termina el proceso; en caso contrario, se retorna a la fase (3).
En cada iteracin el algoritmo se pregunta: se ha alcanzado el nmero mximo
de grupos para interrumpir el agrupamiento?, algn grupo tiene un nmero de pxeles
inferior al mnimo sealado, en cuyo caso se suprime?, algn grupo est a una distancia inferior a la mnima sealada entre grupos para realizar una fusin?, algn grupo
cuenta con una varianza superior a la mxima sealada para que sea dividido?
Desde el punto de vista estadstico, este algoritmo parece bastante adecuado para
delimitar los grupos de valores homogneos dentro de la imagen (Rebollo y Ort,
1980; Mather, 1998), si bien pueden darse en ocasiones bucles indefinidos, cuando los
386
parmetros de control no estn bien definidos y el algoritmo entra en una cadena de separaciones y fusiones interminable.
Otro problema, ms habitual para el usuario, atae a la eleccin de los parmetros
de control ms convenientes para la imagen que se interpreta, puesto que habitualmente no conocemos, de partida, el nmero de grupos espectrales presentes en la imagen,
ni el valor idneo de dispersin interna o de distancia entre grupos. De esta forma, el
anlisis no supervisado se convierte en un proceso exploratorio, en donde el intrprete
establece unos valores arbitrarios que se van modificando a la vista de los resultados.
Finalmente, el mtodo no supervisado tambin presente como inconveniente el
notable volumen de clculo que precisa. Habitualmente, un buen agrupamiento se
consigue tras un nmero alto de iteraciones, por lo que este criterio resulta muy lento
para clasificar imgenes muy extensas. Parece ms razonable, en consecuencia, extraer una muestra sistemtica de pxeles (1 de cada 4,8 o 16, por ejemplo) para calcular
sobre ellos los centros de clase, que luego se clasifiquen con alguno de los criterios de
asignacin que veremos en el siguiente epgrafe. En este caso, no se clasifica la imagen completa, pero s pueden identificarse los grupos presentes en ella, objetivo ltimo del mtodo no supervisado.
Con este enfoque, si bien algunos autores consideran el mtodo no supervisado
como una forma especfica de clasificacin esto es, como una estrategia completa,
que abarca tanto la fase de entrenamiento como la asignacin de los pxeles de la imagen a las categoras de la leyenda, a nuestro juicio supone ms bien una forma alternativa de obtener las estadsticas de entrenamiento. En otras palabras, el anlisis no supervisado se orienta no tanto a la clasificacin de la imagen, como a definir precisamente los grupos o categoras que intervendrn en la clasificacin propiamente dicha.
En este sentido, el mtodo no supervisado podra considerarse como exploratorio
(Mather, 1998), dirigido a deducir las clases espectrales presentes en la imagen. Eso es
especialmente importante cuando se adoptan criterios de clasificacin que asumen
una distribucin normal de los datos. El anlisis no supervisado podra indicarnos si
efectivamente esas clases informacionales tienen un sentido espectral claro o, por el
contrario, algunas de ellas presentan una distribucin bimodal o multimodal (o, lo que
es lo mismo, se presentan en varias categoras espectrales).
Como en el caso del mtodo supervisado, es necesario analizar los pxeles incluidos en cada grupo para obtener sus medidas estadsticas elementales: media, desviacin tpica, mnimo, mximo, etc., que servirn para abordar la fase posterior de clasificacin.
En el caso de la imagen TorrelOO, el anlisis no supervisado se realiz sobre las 6
bandas no trmicas del sensor, extrayendo una muestra de 1 de cada 8 lneas y columnas. Se sealaron como parmetros de control los siguientes: 30 iteraciones, entre 12 y
20 grupos, 5 como umbral de tamao mnimo de cada grupo, 2 desviaciones tpicas
como dispersin mxima en un grupo para dividirlo, y 1 como distancia mnima entre
grupos para que fueran unidos'.>Con este esquema se generaron 17 clases temticas,
que fueron comparadas con las estadsticas generadas del proceso supervisado para
proceder a la fase de asignacin.
387
2.2.4. Mtodos mixtos

Como ya apuntamos, tanto el mtodo supervisado como el no supervisado cuentan con ventajas e inconvenientes (Cihlar etal, 1998; Hoffer y Swain, 1980; Justice y
Townshend, 1981). El primero resulta muchas veces subjetivo, pues el usuario establece a priori unas categoras sin valorar las caractersticas espectrales de la imagen.
El segundo no garantiza que las clases deducidas tengan significado para el usuario del
producto, adems de ser de difcil verificacin.
Con objeto de paliar los inconvenientes de ambos mtodos se han propuesto diversas alternativas que los combinan de alguna forma. Estos mtodos mixtos pueden
agruparse en dos bloques:
1. Por un lado, se sitan aquellos trabajos que emplean el anlisis supervisado
para guiar al no supervisado. En este caso, el conocimiento del intrprete se utiliza
para orientar la bsqueda de esos grupos espectrales homogneos. Por ejemplo, puede
aplicarse el mtodo no supervisado a reas de la imagen con una cobertura conocida,
lo que facilitara la definicin espectral de dicha cubierta (Hoffer y Fleming, 1978;
Justice y Townshend, 1981). Otra forma de orientar el anlisis no supervisado consiste
en introducir los ND medios de las categoras de inters obtenidas a partir de las
reas de entrenamiento como centros iniciales de grupo. Gracias a ello, el proceso
iterativo de bsqueda se reduce notablemente, a la vez que se predispone la formacin
de grupos con un significado temtico.
2. Por otro lado, el anlisis supervisado y el no supervisado pueden combinarse
gracias a aplicarlos separadamente sobre la misma imagen, para luego sintetizar las
medidas extradas por ambos. Se asume que las categoras deducidas por los dos mto
dos pueden complementarse mutuamente, ganando en significado espectral e informacional las clases resultantes. Algunos autores, por ejemplo, emplean el anlisis no
supervisado para estratificar la imagen, quedando el supervisado para las reas no cla
sificadas previamente (Bruneau y Gautier, 1981; Nez etal., 1983). Tambin pueden
combinarse categoras deducidas por los dos mtodos, empleando un algoritmo de
agrupacin jerrquico. Esto permite crear un nuevo conjunto de categoras en donde se'
combina la informacin obtenida por ambos mtodos (Chuvieco y Congalton, 1988).
En breves palabras, se trata de clasificar conjuntamente las categoras deducidas por el
anlisis supervisado y no supervisado sobre la misma imagen. Esta clasificacin con
junta permite obtener tres tipos de grupos: unos formados por categoras supervisadas
y no supervisadas; otros, slo por categoras supervisadas, y un tercero, slo por cate
goras no supervisadas. El primer grupo identifica aquellas clases seleccionadas por el
intrprete que cuentan con un significado espectral claro. El segundo corresponde a
clases informacionales con escaso significado espectral. stas, al menos a priori, re
sultarn de difcil asignacin, ya que no se identifican con agrupaciones naturales de la
imagen. Por ltimo, el tercer grupo se refiere a clases espectrales no'asimilables a la le
yenda propuesta por el usuario. A partir del anlisis de estos dos ltimos grupos, el in
trprete puede refinar el esquema de clasificacin propuesto inicialmente.
Otro mtodo hbrido propuesto en los ltimos aos parte de generar una compresin espectro-espacial de las bandas de entrada utilizando la distribucin de frecuen-
388
cias en cada banda y tcnicas de contexto, de cara a generar centros de grupo automticamente. Estos centros sirven de semilla para el primer agrupamiento, que se realiza
desde cada pxel de la imagen al centro ms cercano. Los grupos resultantes se combinan utilizando criterios de mnima distancia espacial (adyacencia) y espectral (ngulo
del vector que une los centros y diferencia cuadrtica entre sus ND). Una vez obtenidos los grupos deseados, que en su ltima fase se combinan de acuerdo a la supervisin que realiza el intrprete, ste etiqueta el resultado final (Cihlar et al., 1998).
2.2.5. Anlisis de las estadsticas de entrenamiento
Independientemente del mtodo empleado en definir la fase de entrenamiento,
antes de abordar el proceso de clasificacin propiamente dicho conviene reflexionar
sobre la separabilidad real de las categoras seleccionadas. En otras palabras, es preciso evaluar la viabilidad de que esas categoras puedan clasificarse sin grave riesgo de
error. Si se comprueba que dos o ms son muy similares, sera muy probable que haya
confusin entre ellas, por lo que resultara aconsejable: 1) confirmar que las estadsticas de entrenamiento han sido correctamente deducidas; 2) adoptar una leyenda ms
general, con nuevas categoras que supongan una mezcla de las que ofrecen mayor
riesgo de confusin; 3) recabar informacin auxiliar o imgenes de otras fechas.
Existen varios mtodos tanto grficos como numricos para evaluar las estadsticas de entrenamiento. Entre los grficos, el ms elemental es un diagrama de signaturas,
donde figuran, en abscisas, las bandas que intervienen en el anlisis, mientras en ordenadas los ND medios de cada categora. Conviene no confundir este grfico con las curvas
espectrales presentadas en el captulo 2. Por un lado, aqu no se incluyen valores de reflectividad, sino ND, salvo que se haya hecho una previa conversin de ND originales a reflectividad, como vimos en el anterior captulo. Por otro, la seal recogida por el sensor
corresponde a la anchura completa de la banda, y no slo a su centro. Con estas salvedades, este grfico resulta muy til para proporcionar una primera valoracin de las tendencias espectrales de cada categora. Identifica, adems, aquellas bandas en las que manifiesta
un comportamiento peculiar respecto a clases vecinas. Las lneas paralelas y prximas
indican un probable solape entre categoras, mientras las intersecciones entre lneas manifiestan las bandas donde es ms probable separar a las categoras que representan.
En el caso de la imagen de Torrelaguna, la tabla 7.6 recoge las medidas estadsticas elementales de las reas de entrenamiento previamente seleccionadas. En este caso
TABLA 7.6.
Media (x) y desviacin tpica (DT) de las categoras seleccionadas (ND

= reflectividad 100)
Urbano
Banda ETM
Pastizal
DT
Matorral
DT
Pinar-encinar
DT
DT
Suelo
X
Cultivo
DT
Agua
DT
DT
10,45
2,20
5,57
0,77
5,31
1,95 1,35
0,61 13,16
5,03 4,49
0,83 2,82 0,41
2
3
4
5
7
11,12
15,65
19,33
21,88
17,04
1,93
2,66
2,54
2,59
2,70
7,51
9,44
28,80
26,50
15,54
0,68
1,12
3,85
1,26
1,54
6,29
9,52
16,80
22,62
15,18
2,32
3,94
4,02
6,67
4,73
0,79
0,83
3,86
1,75
0,94
5,66
7,64
4.77
8,71
8,15
1,08
1,28
3.28
2,11
1,15
2,49
3,32
17,53
9,39
5,42
15,74
22,76
25,71
34,34
26,76
5,39
5,84
30,84
14,87
7,75
3,21
3,29
1.60
2,95
2,65
0,2
0,3
0,1
0,1
0,2
7
TABLA 7.7.
Banda ETM
389
Coeficiente de variacin de las categoras seleccionadas
Urbano
Pastizal
Matorral
Pinar-Encinar
Suelo
Cultivo
Agua
21,02
13,83
36,70
45,05
38,24
18,44
14,67
2
3
4
5
7
17,37
16,98
13,14
11,81
15,85
9,07
11,86
13,37
AJ
9,88
36,86
41,37
23,92
29,50
31,13
31,83
25,86
22,01
18,64
17,26
35,97
33,58
18,55
25,37
30,47
19,98
21,88
10,63
14,17
14,84
8,99
11,51
11,54
6,11
10,14
trabajaremos con las imgenes ya corregidas a reflectividad (utilizando el mtodo de

Chvez: cap. 6, apdo. 6.2.3.2), por lo que los valores s son comparables a los que obtendramos a partir de bibliotecas espectrales o espectro-radimetros.
En esta tabla, el valor medio nos informa de la tendencia espectral de esa cubierta, mientras la desviacin tpica refiere al grado de homogeneidad que aparece en torno a ese valor central. Hemos incluido tambin el coeficiente de variacin (definido
como la importancia de la desviacin tpica en relacin a la media de cada categora),
puesto que nos permite entender mejor la variabilidad relativa de las distintas cubiertas (tabla 7.7).
Siendo consciente de la gran heterogeneidad de las categoras urbanas, procuramos seleccionar nicamente reas de cobertura construida homognea, con objeto de
evitar una sobre-dimensin de esta categora. Gracias a eso, los valores de desviacin
tpica de las reas urbanas son bastante bajos. Entre las categoras de vegetacin destacan los altos valores de la mezcla pinar-encinar, lo que nos indica que se trata de una
categora mixta que puede presentar problemas para su posterior discriminacin. Los
suelos tambin ofrecen ND bastante heterogneos, en este caso por la diversidad decondiciones litolgicas en el rea de estudio. El agua, como parece lgico, ofrece los
valores ms homogneos, pese a haber seleccionado muestras en varios embalses.
A partir de estos parmetros puede construirse el grfico de signaturas (fig. 7.38),
tal y como se describi ms arriba. Se aprecia ya una primera valoracin de los rasgos
Urbano
- Pastizal
Matorral
Pinar-encinar
Suelo
Cultivo
- Agua
FIG. 7.38.
Grfico de signaturas espectrales para las categoras seleccionadas.
390
espectrales de cada tipo de cobertura. El agua ofrece el comportamiento ms peculiar,

con valores inferiores segn se avanza hacia el SWIR. Los cultivos tambin ofrecen una
clara diversidad, al ser grande su contraste entre las bandas 4 y 3-5. Similar patrn ofrecen los pinares-encinares, aunque los valores de reflectividad son ms bajos. Los suelos
descubiertos presentan el ND ms alto en todas las bandas, salvo la IRC, siendo ms prominente en la 5, mientras las superficies urbanas presentan un comportamiento similar,
aunque con menor reflectividad en todas las bandas. Los pastizales ofrecen un comportamiento similar a los cultivos en esta poca del ao, si bien con valores ms altos en las
bandas cortas.
Desgraciadamente, la realidad es ms compleja de lo que ofrece este grfico,
puesto que aqu slo se refleja la tendencia media, sin considerar la variacin propia de
cada categora, principal responsable de las confusiones con otras clases vecinas. Una
idea ms clara de estos problemas puede obtenerse a partir de un grfico de solape espectral. Se trata de un diagrama de barras que recoge, en cada banda y para cada categora, el rango digital cubierto por la media una o dos desviaciones tpicas. En el
caso de la figura 7.39 hemos recogido los solapes entre tres bandas bastante contrastadas (1, 4 y 5). Observamos cmo ciertas cubiertas muestran rangos similares en algunas bandas (p. ej., el agua y las cubiertas vegetales en la banda 1), pero se separan
ntidamente en otras (en la 4, especialmente), mientras otras manifiestan una mayor similitud en todas ellas (urbano-matorral). El suelo descubierto tiende a presentar los
valores mas altos, lo que permite separarlo bien en la mayor parte de las bandas, aunque hay pequeas confusiones en todas ellas, debido a su alta variabilidad.
Otra forma de representar los solapes entre categoras consiste en realizar un histograma de frecuencias de los ND que la componen. Por cuanto aqu slo se cuenta
con una muestra (los pxeles de las reas de entrenamiento) y no con el total de esos
ND, una alternativa para representar esta distribucin de frecuencias parte de asumir
que los ND en el seno de cada categora se distribuyen normalmente. Esto permite estimar su distribucin, a partir de conocer su media y desviacin tpica. De esta forma
se construye la figura 7.40, que ofrece otra visin de los problemas de superposicin
entre clases, dibujando la elipse de la distribucin normal para todas las clases que estamos considerando. La extensin de la elipse se ha fijado a 2 desviaciones tpicas de
la media. Este grfico permite observar con mayor nitidez los posibles solapes entre
categoras, y el gran efecto que tiene trabajar con categoras muy dispersas, ya que tendern a invadir el rango espectral de otras. Eso es lo que ocurre con el suelo (la elipse mayor) que prcticamente ocupa todo el espacio de variacin de la clase urbano, y,
en menor medida, el correspondiente al matorral. En el extremo opuesto estara el
agua, que no muestra confusin con ninguna categora.
Junto a los procedimientos grficos existen algunos criterios cuantitativos que
permiten evaluar numricamente la posibilidad de discriminar las distintas categoras.
El ms sencillo consiste en calcular la distancia normalizada entre dos categoras
(dnAB) (Swain y Davis, 1978):
[7.30]
391
20
FlG. 7.39.
Diagrama de solape espectral entre cubiertas.
calculada como la diferencia absoluta entre las medias de dos categoras (A y B), en
proporcin a la suma de sus desviaciones tpicas. Este clculo se aplica a cada par de
bandas que intervienen en la clasificacin, promedindose su valor para obtener una
matriz de separabilidad.
Un poco ms compleja, y tambin ms verstil es la divergencia estadstica
(Swain y Davis, 1978; Thomasea/., 1987a). Parte de asumir que los ND en una cate-
392
Suelo
Matorral
Pinar-encinar
Banda 3
FIG. 7.40.
Elipses de dispersin espectral de las categoras seleccionadas

para las bandas 3 y 4.
gora se distribuyen normalmente, considerando la separabilidad como medida del solape entre categoras vecinas. Por cuanto se trata de calcular ese valor para un espacio
multivariado (tantas variables como bandas intervienen en el proceso), se considera el
vector de medias y la matriz de varianza-covarianza entre pares de categoras. La frmula de clculo se sintetiza de la forma siguiente:
[7.31]
donde DivAB indica la medida de la divergencia entre las categoras A y B;Tr se refiere a
la traza o suma de los elementos de la diagonal de la matriz indicada [ ]; VA y VB son las
matrices de varianza-covarianza de las categoras A y B; MA y MB son los vectores de
medias correspondientes a las mismas categoras y bandas, y T indica la matriz traspuesta de la indicada entre parntesis. Cuanto mayor sea el valor de la divergencia,
mayor tambin la separabilidad entre clases, basada, lgicamente, sobre las bandas
que se han considerado en su clculo.
B
393
El problema fundamental de esta medida es que no se satura. Si se pretende relacionar la divergencia con la exactitud de la posterior clasificacin, esto implica que la
exactitud aumentara constantemente al aumentar el nmero de bandas utilizadas para
clasificar, lo cual no es muy realista. Por esta razn se recomienda acotar este valor en
unos mrgenes conocidos, definindose la divergencia transformada como (Kumar y
Silva, 1977):
DTAB = c(l- exp(-D/vAi/8))
[7.32]
donde c indica el valor mximo de la divergencia, sealndose habitualmente un valor

de 2.000, aunque algunos autores recomiendan utilizar un valor de 100 (Mather,
1998), para que los resultados puedan interpretarse como porcentajes.
La divergencia tambin se ha empleado como medida para seleccionar el conjunto de bandas que proporciona la mejor separacin entre clases. En este sentido se calcula un valor promedio de divergencia, de acuerdo a Richards y Xia (1999):
d= 2M.m 2/-i.- Mw,Xw.)L>v,,,.
[7.33]
donde p{w) y p(w) indican las probabilidades a priori de las clases i y y, m el nmero
de clases, y Divi:J es el valor de la divergencia entre esas clases. La divergencia promedio
se calcula para cualquier combinacin de m bandas, siendo la combinacin ideal la que
maximiza el valor global de separacin entre clases (Jensen, 1996, pp. 220-224).
Adems de la divergencia, se han propuesto otras medidas de separabilidad, como la
distancia de Bhattacharyya o de Mahalanobis (Thomas et al, 1987>).
La tabla 7.8 incluye el clculo de la divergencia transformada (en este caso, escalada de 0 a 2) para las clases seleccionadas en nuestro ejemplo. Esta tabla nos permite
confirmar las valoraciones previamente efectuadas sobre posibles confusiones entre
clases. La clase ms ntida es el agua, fcilmente separable del resto de las cubiertas,
por su peculiar comportamiento espectral. Los suelos descubiertos ofrecen una notable confusin con la clase urbana, como ya comentamos en los grficos de dispersin.
Tambin se observan problemas entre las clases matorral-urbano y pinar-encinar corr
cultivos.
Como antes indicamos, la divergencia tambin puede utilizarse para indicar la
combinacin idnea de bandas para la clasificacin. En nuestro caso se calcul para
todas las combinaciones de una, dos, tres y cuatro bandas, utilizando como bandas
TABLA 7.8.
Pastizal
Matorral
Pinar-encinar
Agua
Suelo
Cultivo
Divergencia transformada entre las categoras de la imagen TorrelOO

Urbano
2.000
1.998
2.000
2.000
1.942
2.000
Pastizal
Matorral
1.999
2.000
2.000
2.000
2.000
2.000
2.000
1.999
2.000
Pinar-encinar
2.000
2.000
1.993
Agua
2.000
2.000
Suelo
2.000
394
de entrada las corregidas de reflectividad por el mtodo de Chvez, como estamos

haciendo en este epgrafe. La primera banda seleccionada por este mtodo es la
ETM-5 (SWIR), que ofrece la mayor divergencia promedio a las categoras que hemos seleccionado. Las dos bandas ms discriminantes seran la 5 y la 3 (R, SWIR);
mientras se seleccionan la 2,4 y 5 (R, IRC y SWIR) para el caso de tres bandas. ste
sera el espacio ideal de separacin considerando las caractersticas espectrales del
sensor ETM+ .
Como principal conclusin de este epgrafe, parece deducirse que el anlisis de
las estadsticas de entrenamiento resulta muy conveniente para reflexionar sobre la
conveniencia de la leyenda empleada, del tipo de informacin disponible, o del mtodo emprendido para conseguir los resultados deseados. Salvado este anlisis, puede
iniciarse la fase de clasificacin propiamente dicha, en la que no deben producirse resultados muy distintos a los deducidos a partir de este previo estudio.
2.3. FASE DE ASIGNACIN
En esta fase se trata de adscribir cada uno de los pxeles de la imagen a una de las
clases previamente seleccionadas. Esta asignacin se realiza en funcin de los ND de
cada pxel, para cada una de las bandas que intervienen en el proceso. Fruto de esta
fase ser una nueva imagen, cuyos ND expresen la categora temtica a la que se ha
adscrito cada uno de los pxeles de la imagen original.
En este captulo se tratan los criterios ms empleados para realizar este proceso,
en el contexto de las aplicaciones de la teledeteccin. Desde un punto de vista estadstico, todos ellos definen un rea de dominio, en torno al centro de cada categora a discriminar, mediante un conjunto de funciones discriminantes. Estas ecuaciones pueden
considerarse, por tanto, como las fronteras que definen cada categora. El pxel ser
asignado a una clase i, si sus ND se encuentran dentro del rea de dominio sealado
para dicha clase.
Los criterios ms comunes para establecer estas fronteras estadsticas entre clases son: 1) mnima distancia, por el cual el pxel se asigna a la clase ms cercana; 2) paraleleppedos, que permite sealar al usuario unos umbrales de dispersin asociados a
cada clase, y 3) mxima probabilidad, en donde el pxel se asigna a aquella clase con la
que posee mayor probabilidad de pertenencia. Frecuentemente se suelen agrupar en
mtodos no paramtricos, los dos primeros, y paramtricos, el ltimo, en razn de si
asumen o no que los ND en cada categora se distribuyen normalmente. A continuacin se describen, con ms detalle, cada uno de estos criterios.
2.3.1. Clasificador de mnima distancia
El criterio ms sencillo para asignar un pxel a una de las categoras consiste
en incluirlo en la ms cercana; esto es, en aquella que minimice la distancia entre
ese pxel y el centroide de clase. Lgicamente, no se trata de una distancia geogrfica, sino espectral, consecuencia de comparar los ND de cada pxel con los del
centro de las distintas categoras, para todas las bandas que intervienen en el anlisis (fig. 7.41).
395
IRC
FIG. 7.41.
Algoritmo de mnima distancia.
Pueden considerarse varias formas de medir esa distancia espectral entre pxeles y
clases. La ms empleada, en este sentido, es la distancia euclidiana:
[7.34]
donde dx A es la medida de la distancia entre el pxel x y la categora A; NDX, el valor correspondiente al pxel a clasificar en la banda i, y NDA , el valor medio de esa categora
en la misma banda. Tras calcular esta medida para todas las categoras, puede obtenerse
el valor dx A ms pequeo, asignando el pxel x a esa categora. Como se trata de realizar
comparaciones entre distancias, la frmula anterior puede simplificarse eliminando la
raz cuadrada, ya que si un pxel es ms cercano a una categora por la distancia lineal
(hipotenusa de sus valores espectrales), tambin lo ser por la suma de sus catetos.
Este algoritmo es bastante sencillo y rpido de ejecutar, y puede ofrecer buenos
resultados cuando no se observe un gran solape entre categoras. Puesto que siempre
existe una clase ms cercana, no deja lugar a pxeles sin clasificar, incluso aunque stos se alejen notablemente del centro de clase. Esto puede provocar errores de comisin importantes, sobre todo cuando no se incluya en la leyenda alguna categora claramente presente en la imagen.
La distancia que calcula este algoritmo es lineal; adems, no considera la dispersin de cada categora o la correlacin que exista entre las bandas. Tiende, por tanto, a
delimitar grupos circulares de radio proporcional a la situacin de cada categora.
Algunos autores han propuesto modificaciones en el clculo de la distancia, de tal
forma que se considere la varianza de las clases (Lo et al., 1986; Schowengerdt, 1983).
De una u otra forma, el mtodo de mnima distancia se ha empleado con frecuencia en
396
aplicaciones temticas, especialmente cuando el rea de estudio no presentaba una

gran complejidad. Una excepcin interesante a esta idea general es su aplicacin exitosa a la cartografa de paisajes gallegos (Lpez Vizoso, 1987).
2.3.2. Clasificador de paraleleppedos
En este mtodo, el usuario fija un rea de dominio para cada categora, teniendo
en cuenta sus valores de centralidad y dispersin. Posteriormente, un pxel es asignado
a dicha clase si sus ND estn dentro de ese rea de dominio, en todas las bandas consideradas (fig. 7.42). Esquemticamente, el pxel x ser asignado a la clase A si sus ND
en las distintas bandas (NDX k) estn incluidos en el rea de dominio de esa clase:
NDAl.-/?Ai<NDJ,i 2
[7.35]
para todo i, variando de 1 hasta el nmero de bandas. RA , indica el rango de dispersin

sealado para la categora A en cada banda i.
En suma, un pxel es asignado a una determinada clase si sus ND se encuentran a
menos de una determinada distancia del centro de esa clase. Esa distancia se fija por el
intrprete, aunque suele identificarse con la desviacin tpica, o con un mltiplo suyo.
Tambin pueden emplearse otros criterios como la desviacin media, desviacin intercuartlica o rango de la categora. En cualquier caso, conviene considerar que cuanto mayor sea ese umbral, mayor tambin el nmero de pxeles incluidos en esa clase,
pero tambin ms grande el riesgo de confusiones con categoras vecinas. De igual
forma, un valor pequeo garantiza mayor fiabilidad en las asignaciones, pero supone
un mayor nmero de pxeles sin clasificar.
FIG. 7.42.
Clasificador de paraleleppedos.
ANLISIS DE IMGENES: EXTRACCIN TJBTOPORM ACIN TEMTICA
Este criterio de asignacin tiende a delinear unos polgonos multidimensionales

de lados paralelos, de ah su nombre, en torno al centro de cada categora. Es un algoritmo bastante rpido de ejecutar, puesto que slo requiere operaciones lgicas sencillas (del tipo IF... THEN...). Por esta rapidez, se ha utilizado con frecuencia como primer acercamiento a la variabilidad de las distintas categoras (Miller y Williams,
1978). Asimismo, se ha utilizado para lograr una primera estratificacin de la imagen,
aislando las categoras ms singulares, para aplicar posteriormente otro criterio de
asignacin sobre los pxeles ms problemticos (Nez et al., 1983).
Los principales problemas de este mtodo parten de su misma concepcin. El
diseo de reas de dominio puede implicar, por un lado, que haya pxeles en zonas
comunes a dos o ms categoras, y, por otro, que algunos pxeles queden sin clasificar (fig. 7.42). Respecto al primer problema, el solape entre paraleleppedos supone
que un pxel pueda asignarse a dos categoras. Si el programa no cuenta con otro criterio, lo incluir en la primera que cumpla los requisitos marcados en [7.35]. En consecuencia, algo tan intrascendente como el orden en el que se produce la asignacin
tiene una importante repercusin sobre los resultados. Algunos autores han propuesto modificar el criterio de asignacin para estas reas en conflicto, bien introduciendo la regla de mnima distancia (Cosentino et al, 1981; Mather, 1998), bien ajustando interactivamente las fronteras entre clases (Lillesand y Kiefer, 2000), bien
creando clases mixtas.
Respecto a los pxeles sin clasificar, la solucin pasa por ampliar paulatinamente
el rango de dispersin, estableciendo un equilibrio entre los pxeles no clasificados y
los solapes entre clases vecinas. Tambin conviene, en estos casos, repasar la definicin espectral de las categoras, puesto que la presencia de pxeles sin asignacin es indicio de clases espectrales mal definidas o no incluidas en la leyenda de trabajo.
2.3.3. Clasificador de mxima probabilidad
Este mtodo considera que los ND en el seno de cada clase se ajustan a una distribucin normal. Esto nos permite describir esa categora por una funcin de probabilidad, a partir de su vector de medias y matriz de varianza-covarianza. En pocas palabras, esa funcin asemeja la distribucin real de los ND en esa categora, por lo que
nos sirve para calcular la probabilidad de que un pxel (con un determinado ND) sea
miembro de ella. El clculo se realiza para todas las categoras que intervienen en la
clasificacin, asignando el pxel a aquella que maximice la funcin de probabilidad.
El clasificador de mxima probabilidad es el ms complejo y el que demanda mayor volumen de clculo. Sin embargo, es el ms empleado en teledeteccin, por su robustez y por ajustarse con ms rigor a la disposicin original de los datos.
Para comprender mejor su funcionamiento basta poner un sencillo ejemplo ideado por Swain y Davis (1978). Supongamos que se cuenta con dos pares de dados, uno
normal (caras numeradas de 1 a 6) y otro con un par de puntos adicionales en cada cara
(numerados de 3 a 8). Conociendo el valor de una tirada, el problema sera estimar de
cul de los dos pares de dados procede. Un criterio razonable de asignacin sera calcular la probabilidad de que esa tirada se haya realizado con los dados normales o con
los modificados, asignando la tirada desconocida al par de dados ms probable. Por
ejemplo, si obtenemos un tirada de 7, la probabilidad de haber tirado con los dados
398
10
11
12
13
14
15
16
Puntuacin
Normal Aumentado
9
10 11
14 15 16
Puntuacin
0,36
b)
0,32
0,28
0,24
f 0,20
9
f 0,16
0,12
0,08
0,04
0
FIG. 7.43.
Fundamentos del algoritmo de mxima probabilidad.
normales es 6/36 (6 casos favorables, frente a los 36 posibles).6 Para los dados aumentados, la probabilidad es menor, 2/36,7 por lo que la tirada se asigna al par de dados
normal. El mismo criterio podra seguirse para decidir la asignacin de cualquier otra
puntuacin. Basta construir las funciones de probabilidad asociadas con cada par de
dados. Para el par normal tendramos una distribucin centrada en el valor 7 (mxima
probabilidad), con un mnimo de 2 y un mximo de 12. Para el par modificado, el valor
ms probable se encontrara en 11, situndose la curva entre 6 y 16 (fig. 7.43a). A partir de esta grfica se observa que la probabilidad de haber usado los dados normales es
mayor que la de haber usado los aumentados si obtenemos una tirada inferior a 8, es
6. Podra haberse obtenido un 7 por las siguientes combinaciones de los dos dados: 1 y 6,6 y 1,2 y
5, 5 y 2, 3 y 4, y 4 y 3.
7. Slo puede obtenerse un 7, en este caso, por combinacin de 3 y 4 o 4 y 3.
12
13
399
menor si la tirada super 10 y es idntica si la tirada fue 9. En definitiva, la frontera

para asignar la tirada a un par de dados u otro se establece en la interseccin entre sus
respectivas funciones de probabilidad.
Esto no significa, obviamente, que no pueda producirse una tirada mayor a 9 con
el par de dados normal, ni inferior a 9 con el aumentado. En otras palabras, la regla no
es completamente certera, pero s bastante razonable. Slo es plenamente fiable para
valores superiores a 12 o inferiores a 6, puesto que ah no existe solape entre categoras. En suma, si existe conflicto natural entre clases, no es posible separarlas con total
fiabilidad. Los errores sern tanto mayores cuanto mayor sea el solape entre las funciones de probabilidad.
Extendiendo el ejemplo propuesto por Swain y Davis, supongamos que al par de
dados normal le modificamos alguna cara, para que las puntuaciones vayan de dos a
cinco, en lugar del 1 y el 6, repitiendo las puntuaciones 3 y 4. Esto no implicara modificar el valor central de la distribucin, que seguira siendo 7. Sin embargo, s cambia
la anchura de la curva, las puntuaciones estn ms cercanas a la media, hay mayor homogeneidad. Eso conlleva que las asignaciones que se hagan a partir de la distribucin
de probabilidad sern ms seguras. El punto de corte sigue estando en 9, pero a partir
de ese valor la probabilidad de encontrar puntuaciones superiores con el par de dados
normal se reduce drsticamente (fig. 7.43). Esto implica que a mayor homogeneidad,
o si se prefiere menor varianza, la discriminacin de categoras resulta ms certera.
El ejemplo puede aplicarse fcilmente al contexto de la clasificacin digital. El
par de dados a estimar puede sustituirse por las distintas categoras que quieren discriminarse, y las tiradas por los ND de los pxeles a clasificar. En el caso de los dados, podemos calcular a priori la probabilidad de pertenencia asociada con cada tirada, pues
conocemos la distribucin de todas las posibles tiradas. Para el caso de la clasificacin
de categoras temticas es preciso estimar esa distribucin de probabilidad para cada
categora, a partir de las medidas realizadas sobre las reas de entrenamiento. Con este
fin se considera que los ND en el seno de cada clase se distribuyen normalmente, por
lo que basta conocer la media y la desviacin tpica de cada categora para calcular la
probabilidad asociada con un determinado ND. En el caso de trabajar con una sola
banda podramos calcular esa probabilidad de acuerdo a:
Esto es, la probabilidad de que un pxel x, definido por un determinado ND^, pertenezca a la clase A, puede calcularse a partir de la media (ND) y la varianza (o^) de
esa clase. Una vez determinada la probabilidad de pertenencia al resto de las categoras que intervienen en la clasificacin, ese pxel ser asignado a la clase A, slo si:
p(x/A)>p(x/B)
[7.37]
para todo A & B, variando B desde 1 hasta c, siendo c el nmero de categoras.

Con el propsito de agilizar el clculo, habitualmente se transforma la frmula anterior en una funcin lineal, mediante el empleo de logaritmos (Schowengerdt, 1983):
400
= -0,5ln(2jt)-0,5lno-{NDx-NDA)2/2o}
[7.38]
La expresin puede simplificarse an ms si eliminamos el primer trmino (0,5 ln (2JT)), por cuanto nos interesa slo un clculo de la probabilidad relativo a las
distintas clases, y ese valor es una constante para todas ellas. Por la misma razn, no
resulta necesario reconvertir a antilogaritmos el valor calculado, ya que si el logaritmo de la probabilidad es mayor en una categora que en otra, tambin lo ser su antilogaritmo. Por ltimo, el segundo trmino (0,5 ln al) puede calcularse inicialmente
para cada categora, quedando as reducido el clculo, para cada pxel, a la ltima expresin.
Volviendo al ejemplo anterior, podra tambin ocurrir que contramos con dos
pares de dados normales y slo con uno aumentado. En este caso, no slo tendremos
que considerar el valor de la tirada para identificarla como perteneciente a uno u otro
tipo de dados, sino tambin la probabilidad apriori de que aparezca una tirada de cada
par de dados, en funcin de su nmero. En muchas aplicaciones de la teledeteccin
tambin se produce este fenmeno. Algunas de las categoras cuentan con mayor extensin superficial, y, por tanto, presentan mayor probabilidad de albergar pxeles desconocidos. Al considerar la probabilidad a priori de cada categora p(A) se introduce
un nuevo factor en el criterio de decisin arriba enunciado [7.37]. De esta forma, un pxel pertenece a la clase A si:
p(x/A)p(A)>p(x/B)p(B)
[7.39]
para todo A ^ B, dondep(x/A) indica la probabilidad de que un pxel x con un ND determinado pertenezca a la clase A, y p (A) la probabilidad a priori de que un pxel cualquiera se incluya en esa clase.
La figura 7.44 expresa grficamente el efecto de introducir esta opcin. El punto
de corte entre las distribuciones de probabilidad se desplaza hacia un lado u otro del
original, en funcin del valor de la probabilidad a priori. Recurdese que la interseccin entre curvas marca la frontera en el rea asignada a cada categora, por lo que este
factor puede modificar significativamente los resultados.
Con ser de gran inters, el empleo de este parmetro resulta bastante complejo,
especialmente para establecer un criterio riguroso que permita estimar los valores de
probabilidad apriori para cada clase. Un posible criterio sera conceder a cada categora una probabilidad equivalente a la superficie que ocupa en la zona de estudio. Esto
requiere, naturalmente, contar con un inventario previo, que raras veces est disponible. Indirectamente, sin embargo, puede calcularse la importancia superficial de cada
clase mediante trabajos de campo, datos auxiliares o empleando los resultados de una
clasificacin previa. Por ltimo, tambin puede optarse por obviar este criterio, simplemente otorgando la misma probabilidad a priori a todas las categoras.
El inters de ponderar la probabilidad de cada clase se ha puesto en evidencia por
distintos autores (Strahler, 1980). En aquellas ocasiones en las que se cuenta con un
criterio slido para estimar esas probabilidades se ha comprobado que mejoran la asignacin significativamente (Mergerson, 1981; Valerio y Ledesma, 1981).
Hasta el momento hemos analizado el criterio de mxima probabilidad para el
caso de una sola banda. Lo habitual ser, no obstante, que se empleen varias bandas
401
(Kx/A) > p{xlB)
FIG. 7.44.
Efecto de considerar la probabilidad a priori. En lnea discontinua las nuevas

funciones de probabilidad y la interseccin entre las dos categoras.
para la clasificacin, por lo que resulta preciso extender a varias dimensiones lo hasta
aqu comentado. Para el caso de dos bandas, los lmites de las categoras tienen una
forma elipsoidal (fig. 7.45). Cada una de estas elipses define un determinado nivel de
probabilidad asociado a una categora. Cuanto mayores sean las zonas de solape entre
ellas, tanto mayor el riesgo de confusin mutua.
Con ms de dos dimensiones no es posible representar grficamente este criterio
de clasificacin. Basta extender la frmula de la probabilidad normal arriba apuntada:
I -0.5
exp{-0,5 {MX-MA)TVA] (MX-MA)}
[7.40]
donde m indica el nmero de bandas, \VA I la determinante de la matriz de varian-zacovarianza para la clase A; Mx el vector de ND asociado con el pxel x; MA, el vector de
ND medios de la categora A, y los superndices 7 y -1, la traspuesta y la inversa de las
matrices a las que afectan, respectivamente. Esta frmula tambin puede simplificarse
mediante el uso de logaritmos (Schowengerdt, 1983):
\np(xlA) = (-0,5 ln VA)-(0,5 (MX-MA)TVAl (MX-MA)
[7.41]
una vez suprimidos los trminos constantes de la frmula anterior.

Pese a estas simplificaciones, este mtodo de asignacin exige un gran volumen
402
FlG. 7.45.
Extensin a dos bandas del algoritmo de mxima probabilidad.
de operaciones. Con el fin de reducir el tiempo invertido en el proceso, algunos autores

han propuesto mtodos alternativos para el clculo de la probabilidad. Las tablas de
probabilidad, similares a las CLUT vistas anteriormente (cap. 6.5), parecen ser la solucin ms ventajosa a este respecto (Mather, 1998, pp. 304-307). Gracias a la mayor
potencia de clculo que facilitan los ordenadores ahora disponibles, este tipo de clasificacin ya no implica una inversin de tiempo considerable.
Una vez que se culmine la asignacin de los pxeles de la imagen es posible establecer unos umbrales de probabilidad para cada categora, de tal forma que se rechacen aquellos pxeles con una probabilidad de pertenencia muy baja (fig. 7.46). Este
proceso, posterior a la clasificacin propiamente dicha, pretende evitar aquellos pxeles con un grado de asociacin muy bajo, reduciendo as los errores de comisin debidos a una mala definicin espectral de algunas categoras.
Esto llevar consigo la aparicin de pxeles no clasificados. Si su nmero es considerable, convendr retornar a la fase de entrenamiento, con objeto de deducir nuevas
categoras o perfeccionar la definicin de las ya existentes. En la figura 7.47 se incluye
un ejemplo de la aplicacin de este criterio, en este caso a la imagen Barrax99. Se ha
utilizado un criterio bastante exigente de probabilidad a posteriori, que elimina la
asignacin a los pxeles con menos del 95 % de probabilidad de pertenencia. A consecuencia, la mayor parte de la imagen aparece como no clasificada, pero las zonas s
asignadas identifican las ms similares a las caractersticas de las reas que se utilizaron para el entrenamiento.
El criterio de mxima probabilidad asume que las categoras presentan una distribucin normal, requisito que ha sido comprobado en numerosos estudios. No obstan-
FIG. 7.46.
403
Efecto de considerar la probabilidad a posteriori.
te, aun en el caso de que las bandas de entrada no cumplan este criterio, algunos autores han mostrado que los resultados siguen siendo bastante consistentes (Swain y Davis, 1978).
Para la imagen TorrelOO, la aplicacin del criterio de mxima probabilidad permiti generar una clasificacin bastante atinada (fig. 16*). Las principales confusiones se observaron entre las categoras urbanas y los suelos descubiertos, si bien las primeras se discriminan razonablemente bien, tanto en los cascos de los municipios,
como en sus reas residenciales. Los matorrales y encinares tienen una clara yuxtaposicin, mientras la categora pinar-encinar en realidad slo se refiere a los pinares de
Alfalfa
Trigo
Legumbres
Suelo
Agua
IZH Rechazado
FIG. 7.47.
Clasificacin de cultivos en la imagen Barrax99: original y despus de rechazar

los pxeles < 95 % de probabilidad.
404
P. sylvestris situados en las zonas de mayor relieve. Los cultivos se cien exclusivamente al valle del Jarama, en el borde oriental de la imagen, mientras los pastizales
ocupan la mayor parte de los fondos de valle en los municipios de Soto del Real, Miraflores y Guadalix. Por su parte, los matorrales-encinares se localizan en las laderas del
cerro de San Pedro, en el centro de la imagen y en el piso inferior de la sierra, al norte y
oeste de la zona de estudio. En este ltimo sector se confunden en ocasiones con caducifolios que an no han echado la hoja.
Comparando estos resultados con los generados de la clasificacin no supervisada, a partir del algoritmo ISODATA (con 18 clases finales, de un mximo de 20 previamente fijado) se pudo observar que se separaban mejor algunas clases informacionales, como las correspondientes a pinar y encinar, bastante solapadas en la clasificacin de mxima probabilidad, mientras el matorral se ci mejor a las reas que realmente ocupaba. La categora urbana, por el contrario, apareci un poco ms difuminada en la clasificacin no supervisada, confundida con suelos en el caso de los ncleos
ms densos. No todas las reas residenciales-ajardinadas aparecan, pero s una buena
parte de ellas. Tambin se realiz una buena discriminacin de los suelos descubiertos
y del agua.
2.3.4. Clasificadores en rbol
Si bien el clasificador de mxima probabilidad es el ms ampliamente utilizado
en clasificacin digital de imgenes, sus limitaciones en cuanto al clculo y la exigencia de contar con distribuciones normales hacen que se hayan buscado criterios alternativos, menos sensibles a esos requisitos.
Uno de los mtodos ms sencillos, pero tambin ms eficientes de clasificacin
alternativa es el denominado clasificador en rbol (decisin tree classifier). La idea de
fondo consiste en discriminar secuencialmente cada una de las categoras, basndose,
bien en valores espectrales de la imagen, bien en variables texturales, temporales o en
informacin auxiliar (suelos, MDE, etc.). Para cada clase se establecen unas reglas dicotmicas de interpretacin, que permiten concentrar la discriminacin de cada clase a
partir de las variables en que mejor se discrimina, en lugar de utilizar todas indistintamente. Por ejemplo, puede reconocerse las lminas de agua por un ND inferior a un
cierto umbral en la banda IRC, o la vegetacin por una combinacin de cierto umbral
en el visible e infrarrojo cercano. En su origen, estos criterios estaban basados exclusivamente sobre los datos espectrales de la imagen, pero en los ltimos aos se ha promovido el empleo de este tipo de criterios de decisin considerando igualmente variables auxiliares, como mapas de suelos o modelos digitales de elevacin (Friedl y Brodley, 1997; Hansen et ai, 1996).
Bajo ese punto de vista, el clasificador en rbol puede considerarse como un sencillo ejemplo de sistema experto (Skidmore, 1989), tan extendido en los ltimos aos
en el marco de las denominadas tcnicas de inteligencia artificial. En pocas palabras,
un sistema experto est formado por un conjunto de reglas que permiten al algoritmo
tomar una serie de decisiones en funcin de los valores que observa en la imagen y/o
en informacin auxiliar de la misma zona. Esas reglas se introducen al algoritmo en
forma de operadores lgicos condicionales, del tipo IF... THEN..., que intentan simular la toma de decisiones que realiza un intrprete (Richards, 1993, cap. 12). Por ejem-
405
po, podramos distinguir la vegetacin forestal de la herbcea a parte de asociar criterios de tono y textura, utilizando una regla del tipo siguiente:
IF NDIRC / NDR > 2 AND Textura = Rugosa THEN Bosque IF
NDIRC / NDR > 2 AND Textura = Lisa THEN Prados
El primer trmino lo podra tomar de una imagen ptica y la textura de una imagen radar de la misma zona. De forma similar se pueden introducir variables no obtenidas por teledeteccin, como cartografa temtica, lmites administrativos o modelos
digitales de elevacin. El establecimiento de los criterios de decisin se realiza por un
experto en el reconocimiento de cada categora de inters, que conozca sus condiciones ambientales para la zona en la que se trabaja. Por ejemplo, para el reconocimiento
de una especie forestal seran relevantes el calendario fenolgico, la situacin topogrfica, el tipo de litologa asociado, o la rugosidad. Con este enfoque, Skidmore (1989)
realiz un inventario de eucaliptos en Australia, a partir de imgenes de satlite e
informacin auxiliar. Este autor observ una mejora significativa en la clasificacin,
mediante el empleo de una tabla de probabilidades asociada a la ocurrencia del eucalipto en distintas variables auxiliares. Tambin podran incorporarse criterios temporales o espaciales, como sera la probabilidad de que un cierto cultivo suceda a otro o
est prximo a otro (Middelkoop y Janssen, 1991).
Los clasificadores en rbol se han utilizado en los ltimos aos con cierto xito,
tanto en la cartografa de especies forestales (Saura y San Miguel, 2001), como para
asignar tipos de vegetacin y cobertura del suelo, con especial relieve en aplicaciones
de mbito global (Friedl y Brodley, 1997; Friedl et al, 1999).
Naturalmente, los sistemas expertos tambin pueden aplicarse a otras operaciones de anlisis de la imagen, como son los realces o las correcciones radiomtricas y
geomtricas (Schowengerdt y Wang, 1989).
Un sencillo ejemplo de clasificacin en rbol sera el incluido en la figura 7.48. El
criterio de decisin se basa en unas hipotticas estadsticas de entrenamiento para una
serie de clases de cobertura del suelo (tabla 7.9). En este caso, el anlisis se realiza sobre cuatro bandas espectrales: V, R, IRC y SWIR, a las que se ha aadido informacin
altitudinal extrada de un MDE. A partir de estos valores puede disearse un grfico de
dispersin espectral, considerando el rango como la media 2 desviaciones tpicas.
Con ayuda de este grfico podemos disear un rbol de decisiones que nos permita separar las cinco categoras. El primer paso consiste en separar los pxeles pertenecientes a la categora ms fcilmente discriminable, el agua. Para ello se emplea el IRC,
utilizando un umbral mximo de reflectividad del 10 %. Por tanto, los pxeles con una
p< 10 en esa banda sern etiquetados como clase agua y extrados de la imagen para
evitar que intervengan en pasos sucesivos.
Posteriormente se emplea la banda V para discriminar las clases regado y caducifolios del resto, indicando como valor lmite lap del 30 %. Con las categoras urbano
y cereal es preciso realizar el ajuste en dos bandas, puesto que existe un cierto solape
en todas ellas. Sin embargo, la separacin es mayor en la banda del SWIR, sealando
sobre ella un umbral del 40 % dep para la discriminacin, completndolo con otro umbral del 30 % en la banda R. Finalmente, entre las clases caducifolios y regado, bas-
406
TABLA 7.9.
Medidas estadsticas para distintas cubiertas (reflectividad 100)

Verde
X*
Rojo
D. T.
xmed
IRC
D. T.
SWIR
D. T.
xmed
D. T.
Agua
13
12
Cereal
Regado
Caducifolios
Urbano
35
14
16
42
5
5
4
7
28
19
21
36
8
4
6
5
50
60
54
48
12
10
12
10
42
14
18
34
8
2
3
7
tante mezcladas espectralmente, utilizamos un criterio basado en la altitud: asumiendo

que en la zona slo se dan cultivos en regado por debajo de 800 metros, utilizamos el
modelo digital de elevaciones para establecer esta distincin.
Los problemas de clasificacin reales son ms complejos, pero tambin pueden
enriquecerse notablemente las reglas de decisin. Una vez ajustadas adecuadamente,
resulta un criterio muy rpido de clasificacin, y permite introducir informacin auxi-
Agua
< 3 0%
SWIR
RO
JO
> 30 %
< 30%
< 40 %
> 40 %
Urbano (muy
probable)
Cereal
(probable)
Urbano
(probable)
Cereal (muy
probable)
<800 m
Regado
FIG. 7.48.
Ejemplo de clasificacin en rbol.
>800 m
Caducifolios
407
liar que resulta ajena a los clasificadores estadsticos convencionales (Friedl y Brodley, 1997). Un ejemplo ms realista de clasificacin en rbol es el algoritmo de deteccin de nubes propuesto por Saunders y Kriebel (1988), que tuvimos ocasin de analizar en el anterior captulo, o los diversos algoritmos propuestos para deteccin de incendios activos (Martn et al., 1999).
2.3.5. Clasificadores basados en el contexto espacial
A lo largo de esta obra hemos visto en diversas secciones que los rasgos espectrales de una determinada cubierta pueden presentar notables afinidades con otras, aunque posea componentes distintos. La aparente paradoja se relaciona con varios factores:
1. Resolucin espectral del sensor, bien por contar con pocas bandas espectra
les, bien por ser stas excesivamente anchas para detectar variaciones en rangos muy
especficos de variacin espectral.
2. Resolucin espacial, que da lugar a la aparicin de seales mixtas entre dos o
ms cubiertas.
3. Resolucin temporal, que conlleva la confusin de ciertas cubiertas en mo
mentos especficos de su desarrollo fenolgico.
En consecuencia, para discriminar dos cubiertas puede ser necesario acudir a criterios no estrictamente espectrales, como seran los derivados de la variacin espacial
de cada pxel, en una cierta rea de vecindad, o su situacin respecto al resto de los pxeles que forman la imagen. Hasta aqu hemos analizado criterios de clasificacin basados exclusivamente en los ND de cada pxel; en ocasiones ser preciso incorporar
otros criterios de identificacin, como son la textura o el contexto, afines a las relacio:
nes espaciales entre los pxeles de la imagen, de modo similar a los utilizados en anlisis visual (cap. 5).
La distincin entre los criterios de textura y contexto hace referencia al rea que
se considera en la medicin de las relaciones espaciales (Gurney y Townshend, 1983).
El primer concepto se relaciona con la variacin espacial dentro de grupos contiguos
de pxeles. El segundo ira encaminado a medir las relaciones espaciales de cada pxel
con el resto de la escena. Por simplificar las cosas incluiremos ambos en el mismo epgrafe, ya que los dos estn encaminados a aportar criterios espaciales a la clasificacin
de imgenes.
Hasta el momento, los mtodos para introducir el contexto espacial en la interpretacin digital pueden agruparse en funcin de la fase de la clasificacin en la que intervienen. As, podemos distinguir entre aquellos que generan bandas texturales previas
a la clasificacin, los que emplean el contexto durante la clasificacin y los que lo consideran despus de la asignacin, con objeto de refinar los resultados.
Ms adelante tendremos ocasin de comentar algunas tcnicas para obtener informacin textural de la imagen (4.2). Por el momento, baste decir que se trata de mtodos
que generan una nueva imagen en la que el ND mide el grado de contraste espacial con
los pxeles vecinos (habitualmente con los 8 circundantes). Estas medidas de textura se
han desarrollado especialmente en el campo de las aplicaciones urbanas, ya que la clasi-
408
ficacin de estas zonas resulta muy problemtica por la gran variedad espectral de las
superficies que las componen. Entre los criterios ms interesantes est el propuesto por
Gong y Howarth (1990a). Estos autores pretendan discriminar reas urbanas y rurales
en la frontera rur-urbana de una ciudad canadiense. Para ello incorporaron a la clasificacin una imagen de densidad de bordes, obtenida a partir del siguiente proceso:
1) aplicar un filtro laplaciano a la banda 1 de una imagen SPOT-XS, 2) segmentar el resultado para dejar nicamente las fronteras entre cubiertas, 3) hallar la densidad de bordes a travs de una ventana mvil (nmero de pixeles fronterizos dividido por nmero
de pixeles en la ventana; en este caso de 25 X 25 pixeles), y 4) incorporar esa banda textural a la clasificacin multibanda. Esa incorporacin mejor significativamente los resultados al reducir la confusin entre clases rurales y urbanas de similares caractersticas
espectrales (p. ej., cultivos y jardines). Tambin resulta de gran inters el clasificador de
contexto propuesto por Moller-Jensen (1990), que parte de delimitar polgonos en una
zona urbana mediante la localizacin automtica de segmentos lineales (calles anchas o
ros). Los segmentos se clasifican de acuerdo a sus ND medios, as como a medidas de
textura, contigidad y distancia al centro de la ciudad.
El anlisis del contexto previo a la clasificacin puede abordarse tambin en la
fase de entrenamiento. Un enfoque original, en este sentido, fue el denominado clasificador ECHO (Extraction and Classification of Homogeneous Objects), propuesto en
la primera etapa de la interpretacin digital de imgenes (Ketting y Landgrebe, 1975),
pero que se ha enfatizado mucho en los ltimos aos, ante el inters por la generacin
de clasificaciones ms robustas especialmente.
Este criterio propona clasificar una imagen, no a partir de pixeles, sino de reas
compuestas por pixeles de similares caractersticas. En resumen, se trataba previamente de extraer objetos homogneos, para luego ser asignados a las categoras de inters para el usuario. La delimitacin de esas reas homogneas se basaba en criterios
de similitud espectral y contigidad. Tras localizar un pequeo grupo de pixeles con
ND similares, el algoritmo iba incorporando progresivamente pixeles vecinos, siempre que estuvieran dentro de un criterio de homogeneidad sealado por el usuario (por
ejemplo, a menos de una determinada distancia espectral). Cuando los pixeles vecinos
no eran suficientemente homogneos se identificaba una frontera o un rea pequea de
distinta ocupacin (isla). Estas zonas se clasificaban posteriormente de acuerdo a los
criterios tradicionales, antes comentados. El proceso de crecimiento de las reas continuaba hasta que se encontraban pixeles muy contrastados, con lo que el proceso se detena. En este punto, la imagen apareca segmentada en reas homogneas, aunque stas an no se hubieran asignado a ninguna categora temtica. La asignacin se realizaba
posteriormente calculando las estadsticas elementales de los pixeles incluidos en
cada rea, y aplicando sobre ellas uno de los criterios de asignacin antes comentados.
En ese punto, no eran asignados pixeles individuales, sino las reas completas, por lo
que la posibilidad de discontinuidad espacial de los resultados tenda a reducirse considerablemente (Campbell, 1996; Hoffer y Swain, 1980).
El planteamiento pionero del clasificador ECHO se ha subrayado bastante en los
ltimos aos, estudindose las ventajas e inconvenientes que presenta la clasificacin
sobre pixeles (per pixel classifiers) o sobre polgonos (perfield classifiers: Aplin et
al., 1999). Como ya hemos indicado, los clasificadores ms tradicionales realizan la
asignacin de cada pxel por separado, en funcin de los ND que presenta en las distin-
FIG. 7.49.
409
Segmentacin espectro-espacial de la imagen TorrelOO.
tas bandas. Los clasificadores contextales prefieren categorizar aglomerados espaciales de pxeles, que previamente se han obtenido aplicando algn algoritmo de contexto espacial. Esto implica, en pocas palabras, cambiar la unidad de anlisis, del pxel
a polgono, mediante una segmentacin espectro-espacial de la imagen, que tiende a
definir objetos espectralmente similares y contiguos. El proceso es especialmente idneo para imgenes de alta resolucin espacial, que de otro modo ofreceran un notable
ruido para la clasificacin temtica (Schiewe et al, 2001). Se han propuesto diversos
criterios para realizar esa segmentacin previa de la imagen, siendo los ms habituales
los que parten de reducir la resolucin radiomtrica de la imagen, aplicando posteriormente algn criterio de agregacin espacial basado en la adyacencia (Lobo, 1997).
La figura 7.49 incluye un ejemplo de segmentacin de la imagen TorrelOO. Es
fruto de aplicar el algoritmo de segmentacin propuesto por Gong y Howarth (1992),
el cual, a partir de una imagen multibanda genera una imagen de un solo canal, con un
nmero reducido de categoras, utilizando criterios de compactacin similares a los
que vimos para la clasificacin no supervisada. Este algoritmo se utiliza para alimentar un clasificador de contexto, desarrollado por los mismos autores, que parte de los
grupos espectro-espaciales generados en esta fase.
El segundo grupo de clasificadores de contexto refiere a aquellos que incorporan
este criterio en el propio algoritmo de asignacin. Se trata, en trminos sencillos, de
realizar la asignacin de un determinado pxel de la imagen no slo a partir de sus ND,
sino tambin de los correspondientes a los pxeles vecinos. Una manera concreta de
aplicar este criterio sera incorporar alguna variante de la vecindad espacial a alguno
de los criterios de clasificacin que vimos anteriormente. Por ejemplo, en el caso del
algoritmo de mxima probabilidad puede considerarse la probabilidad de asignacin
de los pxeles vecinos (Richards, 1993):
[7.42]
donde indica la probabilidad de que el pxel x pertenezca a la categora c, para todas

las categoras m y q(x I c) una funcin de vecindad, definida por el usuario, que habitualmente est relacionada con la distancia. ste o similares criterios se han empleado
410
con buenos resultados en distintas clasificaciones temticas (Danjoy y Sadowski,

1978; Gonzlez y Lpez, 1991).
Finalmente, podemos sealar aquellos criterios que introducen el contexto para
refinar los resultados de la clasificacin. Resulta bastante frecuente que los resultados
de una clasificacin digital adolezcan de una excesiva fragmentacin. Manchas de una
cierta categora se encuentran salpicadas por pxeles asignados a otras categoras, perdindose su unidad geogrfica y dificultando la interpretacin y posterior representacin cartogrfica de los resultados. Este fenmeno se denomina coloquialmente en la
bibliografa anglosajona efecto de sal y pimienta (salt andpepper) y se debe, por un
lado, a que la mayor parte de los criterios de asignacin no tienen en cuenta la pertenencia de pxeles vecinos y, por otro, a la propia complejidad del paisaje, directamente
relacionada con la aparicin de pxeles mixtos fronterizos a dos o ms categoras,
que son los principales responsables de la discontinuidad visible en el mapa.
Para solventar este problema suele aplicarse una tcnica de suavizacin de resultados, similar en la concepcin, aunque no en la ejecucin, a los filtros de paso bajo.
Como ya hemos visto, sobre la imagen clasificada no puede aplicarse un filtro aritmtico, ya que sus ND no guardan una relacin cuantitativa entre s, sino que slo son etiquetas que definen las distintas categoras. Cualquier promedio de pxeles vecinos introducira cambios imprevisibles en la clasificacin, ya que no se trata de una imagen
de tono continuo, sino de una imagen categorizada, en donde no tiene sentido establecer anlisis de gradientes. Por esta razn se aplican sobre la imagen otros esquemas de
filtraje, basados sobre medidas categricas en lugar de sobre promedios (Thomas,
1980). El objetivo ltimo es reasignar aquellos pxeles aislados o poco significativos,
facilitando una distribucin espacial ms ntida de las distintas categoras. Para ello se
procede a comparar la clase asignada a cada pxel con la que ofrecen los vecinos. Si
esa clase es la misma de la mayor parte de los pxeles del entorno se mantiene la asignacin original; caso contrario, se modifica. Normalmente esta comparacin se realiza
a partir de una ventana mvil de 3 X 3 pxeles, si bien la tcnica es independiente de su
tamao. En la terminologa habitual se distinguen, a este respecto, dos tipos de filtros
(fig. 7.50):
1. Filtro modal. El pxel situado en el centro de la matriz se asigna a la categora
ms frecuente entre los pxeles vecinos, siempre que, lgicamente, no pertenezca ya
a ella.
2. Filtro de mayora. El pxel central se asigna a la categora que cuente con la
mitad ms uno de los pxeles vecinos. En caso de que ninguna categora rebase ese va
lor, el pxel central mantiene su asignacin primitiva.
La eleccin entre uno u otro mtodo depende del tipo de paisaje analizado y del
algoritmo que se haya empleado en la clasificacin. Lgicamente, el primero ofrece
una mayor generalizacin que el segundo, por lo que puede ser conveniente su empleo
en caso de paisajes muy complejos y cuando la escala de trabajo sea regional o global.
Se ha comprobado por diversos autores que la aplicacin de esta tcnica proporciona
un aumento significativo de la exactitud conseguida en la clasificacin (Booth y
Oldfield, 1989; Castro y Chuvieco, 1995). Este efecto es debido, principalmente, a la
eliminacin de asignaciones anmalas debidas a pxeles de borde. Uno de los proble-
411
Matriz original
2
13
13
13
Matriz filtrada (mayara)

2
13
13
13
Matriz filtrada (moda)
FlG. 7.50.
13
Reduccin del ruido de la escena mediante filtros categricos.
mas que presenta este mtodo, sin embargo, es la difcil decisin sobre el tamao de la
ventana y el criterio de filtrado, ya que pueden provocar el efecto deseado en unas zonas de la imagen, pero ser excesivo o insuficiente en otras. Para solventar este problema se ha propuesto realizar la reasignacin a partir de unos umbrales de tamao variable, que filtren o no cada categora a partir de un umbral de superficie crtico fijado
para cada clase. Por debajo de ese valor se considera que la fragmentacin de la imagen implica ruido en la clasificacin y el polgono es asignado a otra categora (Barr y
Barnsley, 2000). En el ejemplo propuesto por Barr y Barnsley, este esquema funcion
mucho mejor que los filtrados de mayora convencionales para un ejemplo de cartografa urbana realizado a partir de imgenes areas de alta resolucin.
Otros criterios de re-clasificacin pueden basarse en las propiedades espaciales
de los pxeles, como su distancia, conectividad o inclusin. Un sencillo ejemplo del inters de estas relaciones es la discriminacin entre cultivos herbceos de regado y par-
412
ques urbanos. Ambas cubiertas presentan un comportamiento espectral similar, ya que

de hecho ambas se riegan en verano y estn compuestas por vegetacin herbcea. Por
tanto, para separarlas es preciso acudir al contexto espacial: un parque estar emplazado
en el interior de un rea urbana, por lo que puede considerarse como tal si los pxe-les
situados a un cierto radio han sido asignados a la categora urbana, asignndose a
cultivos de regado en caso contrario.
Pueden proponerse otros anlisis basados en el contexto para realzar la clasificacin temtica. Por ejemplo, aplicando ciertos indicadores de idoneidad en funcin de
la categora contigua a cada pxel. Habitualmente, estos anlisis se basan en matrices
de aptitud, que ponderan el inters de que una categora se presente junto a otra para un
determinado objetivo. Un campo interesante de aplicacin es la cartografa de hbitats
idneos para ciertos animales (Congalton et al, \993b). La mezcla entre ciertas cubiertas vegetales complementa su dieta, haciendo esos lugares ms atractivos para establecerse.
2.3.6.
Redes neuronales
Entre las nuevas tcnicas de clasificacin de imgenes, una de las que cuenta con
ms potencialidad es el empleo de redes neuronales artificiales (RNA). En esencia, las
RNA se utilizan para predecir un cierto comportamiento complejo, habitualmente a
partir de una muestra de entradas y salidas observadas. Con los datos de esa muestra, la
red aprende a reconocer el resultado a partir de los valores de entrada, clasificando
el resto de las observaciones de acuerdo a esas reglas. Intentan, no siempre con mucho
xito, simular el comportamiento del cerebro humano (de ah su nombre), mediante la
interconexin mltiple entre unidades de activacin (llamadas neuronas).
Aunque la descripcin completa de esta tcnica rebasa el enfoque de este libro,
nos parece conveniente dedicar unos prrafos a explicar los conceptos generales de las
RNA, as como su empleo en el contexto de la clasificacin de imgenes.
Una RNA est formada por un conjunto de elementos simples (neuronas, unidades de proceso), distribuidas en capas (fig. 7.51). Las unidades que forman una capa
estn conectadas con la capa o capas inmediatas a travs de unas funciones de activacin (sigmoidales, habitualmente). Esas funciones se definen a partir de una serie de
pesos (w j), que se calculan de modo iterativo en el proceso de aprendizaje de la red. El
objetivo de este aprendizaje es estimar unos resultados conocidos a partir de unos datos de entrada (muestra de control), para posteriormente calcular resultados desconocidos a partir del resto de datos de entrada. El aprendizaje se realiza a partir de todas las
unidades que forman la red, variando el conjunto de los pesos en iteraciones sucesivas.
Cada unidad de la red proporciona un valor de salida a partir de los valores de entrada,
del modo siguiente (Richards, 1993):
o=f(wx + 6)
[7.42]
donde o indica el resultado, 6 es un umbral (en muchas ocasiones se deja a cero), w un

vector con los pesos que unen las distintas unidades de la red, y x el vector de entradas.
Ese valor de salida puede ser a su vez la entrada de unidades situadas en la capa siguiente o en la anterior, dependiendo del tipo de red.
413
Capa de entrada
Capa de salida
Capa oculta
FIG. 7.51.
Esquema de una red neuronal.
El nmero de unidades y de capas depende de las condiciones del problema en estudio, siendo ms complicado el proceso de aprendizaje cuanto mayor dimensin tiene
la red. En clasificacin de imgenes es frecuente que las RNA estn formadas por tres
capas, denominadas de entrada, oculta y de salida. El objetivo de la capa oculta es lograr funciones que permitan generar funciones de discriminacin ms flexibles. El nmero de las unidades de entrada est en relacin con los valores que sirvan para entrenar a la red, habitualmente una por cada banda empleada en la clasificacin, si bien esnecesario utilizar una cadena de unidades por banda para poder codificar el rango
completo de ND (0 a 255) (Benediktsson et al., 1990). El nmero de unidades de salida
coincide con el de clases que pretendan clasificarse, mientras el nmero en la capa
oculta puede variar, aunque se recomienda sea al menos igual al de la capa de entrada
(Richards, 1993).
El punto ms lgido de las RNA es el denominado aprendizaje de la red, esto es
la adecuada configuracin de las conexiones y pesos entre las unidades de la red para lograr un resultado ptimo. Entre los diversos criterios de aprendizaje, el ms conocido es
el denominado de retro-propagacin. Tiene por objetivo encontrar un conjunto de pesos
que asegure que cada vector de entrada producido por la red sea el mismo, o muy similar, al de salida conocido. Su formulacin puede sintetizarse de la siguiente forma (para
un anlisis ms detallado, vase Rumelhart etal, 1986 y Richards, 1993, pp. 207-224):
1. Asignar unos pesos arbitrarios a la red para obtener unos resultados a partir
de los valores de entrada (en nuestro caso, los ND de las reas de entrenamiento en las
414
distintas bandas). Esos resultados se contrastan con la categora a la que pertenece

cada pxel de entrenamiento (introducida por el usuario). Esto permite obtener una
tasa de error inicial. La medida habitual del error es la desviacin cuadrtica entre el
resultado esperado (tk) y el producido por la red (ok):
[7.43]
para todo resultado esperado m (en nuestro caso para las c categoras) en todas las unidades de entrada k (en nuestro caso las bandas, n, a introducir en la clasificacin).
2. A partir de ah se van modificando iterativamente los pesos en las distintas
capas, desde la de salida hasta la de entrada, con el objetivo de reducir el error global
(se propaga el error hacia atrs, de ah el nombre del ajuste), hasta que ste sea muy
pequeo o nulo (en ese caso, todas las muestras introducidas en el aprendizaje estaran bien clasificadas), o bien se hayan cumplido el nmero de iteraciones indicadas
por el intrprete. El nmero de iteraciones para lograr el objetivo marcado por el
usuario (el nivel de convergencia de la red) puede ser muy elevado, dependiendo de
la complejidad del problema (en clasificacin de la cubierta del suelo se han propuesto hasta 250.000 iteraciones: Civco, 1993).
Para ilustrar el proceso de aprendizaje puede ser de inters estudiar un sencillo
ejemplo de clasificacin propuesto por Richards (1993, pp. 219-223). En ese caso se
trata de un conjunto de seis elementos que forman dos categoras (c, y c2) que tratan de
discriminarse por funciones lineales (fig. 7.52). Los valores de estos seis elementos son:
c , = (-4,3) M,-3) (-1,0)
Claramente
se
observa en la fig. 7.52b
que estas dos clases no
son separables por
ecuaciones lineales sin cometer algn error en la asignacin. Para clasificarlas se establece una RNA con tres capas: dos unidades de entrada, dos ocultas y una de salida, lo
que implica seis conexiones y, por tanto, calcular seis pesos y el valor del error (0). Siguiendo los criterios antes indicados se inicia el entrenamiento de la red con unos pesos arbitrarios, que dan lugar a un margen relativamente grande de error (0,461: tabla 7.10). Como puede observarse, los pesos se modifican en cada iteracin (aqu se ha
resumido la tabla de resultados), as como el error residual, que va disminuyendo hasta
un valor que consideramos adecuado. En ese momento, los pesos sirven para calcular
las conexiones entre las unidades de la red:
De la capa de entrada a la capa oculta:
o, = 2,901 x,- 2,976 x2
o2 = 2,902 x, - 2,977 x.
FIG. 7.52.
415
Ejemplo de aplicacin de una red neuronal. (Richards, 1993.)
y de la capa oculta a la de resultados:
La asignacin de una unidad de la muestra a una de las dos clases se hace en fun-.
cin de los resultados que ofrezca o3. Como se trata slo de dos categoras, la entrada se
asigna a la clase 1 si el resultado o est ms cerca de 0, y a la 2 si est ms cerca de 1.
Si igualamos a cero las dos primeras ecuaciones resultan entre ambas un marco
idneo para separar las dos categoras de nuestro ejemplo (fig. 7.52c). Ahora bien,
esas rectas pueden considerarse como un paso intermedio (estn en la capa oculta)"
para obtener la ecuacin final, en la cual se discriminan las dos categoras perfectamente con una funcin lineal. Simplificando las cosas, esas ecuaciones intermedias
pueden concebirse como un medio de transformar el espacio de medida original para
TABLA 7. 10.
Valores de los coeficientes de ponderacin y del error en la red del ejemplo

para distinto nmero de iteraciones (Richards, 1993)
Iteracin
W,
0,050
1
5
10
50
150
250
0,375
0,606
0,642
2,224
2,810
2,901
W2
W}
W4
W,
wk
Error
0,100
0,300
0,150
1,000
0,500
0,461
0,051
0,007
-0,072
-2,215
-2,834
-2,976
0,418
0,570
0,641
2,213
2,810
2,902
0,121
0,117
0,196
2,216
2,835
2,977
0,951
1,240
1,464
3,302
4,529
4,785
0,520
0,909
1,034
3,259
4,527
4,784
0.424
0,391
0,378
0,040
0,007
0,005
416
lograr una separacin idnea entre los miembros de cada clase. Habitualmente no se
utilizan ecuaciones lineales para obtener los valores de salida de una neurona, sino
funciones ms complejas, como sigmoides (el valor de salida est comprendido entre
0 y 1), o hiperblica-tangente (valor de salida de -1 a +1) (Civco, 1993).
Una vez realizado el aprendizaje, pueden introducirse nuevos casos de asignacin desconocida, para que la RNA los clasifique en funcin de las ponderaciones previamente calibradas. En este ejemplo se aaden algunos casos en las proximidades de
los inicialmente planteados; en todos ellos la asignacin es correcta (fig. 1.52d). El
proceso de clasificacin se realiza simplemente asignando valores a las variables de
entrada JC, y x2. Como ya hemos indicado, el valor de salida o3 se redondea al entero
ms cercano para asignar el caso a la primera o segunda categora.
En el contexto de la clasificacin de imgenes se ha comprobado la potencialidad
de las RNA como alternativa a los clasificadores estadsticos tradicionales, especialmente cuando no pueden asumirse distribuciones normales de las categoras (Bendiktsson et al., 1990), ya que las RNA son independientes del tipo de distribucin. En varias ocasiones se ha contrastado su utilidad frente a estos clasificadores, logrndose resultados comparables o an mejores. En general, la discriminacin de las muestras de
entrenamiento resulta ms adecuada que con los clasificadores convencionales (Benediktsson et al., 1990; Foody, 1995), pero la asignacin propiamente de la imagen
muestra una gran dependencia de la calidad del entrenamiento. Las RNA pueden incluir bandas auxiliares no espectrales, que pueden ser incluso nominales, como mapas
de suelos o de propiedad de la tierra. En algunos trabajos se ha comprobado la gran robustez de esta tcnica (poco sensible a valores extremos) y su habilidad para incluir
elementos texturales, ofreciendo as una clasificacin con menos ruido que la basada
en los mtodos pxel a pxel convencionales (Bischof et al, 1992; Civco, 1993; Hepner et al, 1990). Tambin se ha sugerido su aplicacin a la estimacin de parmetros
fsicos, como el ndice de rea foliar y el contenido de clorofila (Fourty y Baret, 1997),
as como tcnica alternativa de ajuste para modelos de evaluacin de riesgo (Carvacho, 1998; Vega-Garca et al, 1996).
Entre los problemas de las RNA cabe citar la falta de criterios generales para disear la estructura de la red (nmero de capas, unidades en cada capa), reducindose
su empleo a una cuestin de prueba y error; su lento y tedioso entrenamiento (que desaconseja su empleo cuando el nmero de clases o de bandas es muy grande: Clark y
Caas, 1995); la posibilidad de que se encuentre mnimos locales y de que se produzca
un sobre-entrenamiento de la red. Esto ocurre cuando se ajustan muy bien los datos de
entrada, pero la red es poco generalizable a otros datos (Mather, 1998). Para evitar esto
suele dividirse la muestra de aprendizaje en dos grupos, uno para calcular los pesos y
otro para verificar el ajuste. Tambin pueden plantearse las redes para la clasificacin
no supervisada, ya que existe algunos criterios de aprendizaje que no requieren una
previa definicin de las clases deseadas.
En la fig. 17* se incluye un ejemplo de clasificacin con redes para la imagen TorrelOO. Se emplearon tres programas para obtener la clasificacin. En el primero se
crean las condiciones generales del anlisis: nmero de unidades de entrada (6 en
nuestro caso, una por banda), nmero de capas ocultas (1 en nuestro caso), nmero de
clases de entrenamiento y valor temtico de cada clase. En nuestro caso se trata de las
7 categoras de cobertura previamente descritas. El siguiente programa se dedica a en-
417
trenar a la red a reconocer las categoras que quieren discriminarse. Existen algunos
parmetros de control que modifican el proceso de aprendizaje, como el ndice de momento, el ndice de aprendizaje, el error mximo normalizado, el individual y el nmero mximo de iteraciones. Para nuestro caso se aceptaron los valores recomendados
por el programa: 0,9 para el momento; 0,1 para el aprendizaje; 0,01 para el mximo
error; 0,001 para el mximo error individual, y 1.000 iteraciones. Despus de completar el nmero de iteraciones, el error mximo se situ en 0,0354. Aunque no garantizaba el indicado previamente, nos pareci suficiente para este ejemplo didctico. Tras
entrenar a la red, el paso siguiente es asignar los pxeles de la imagen a cada categora
temtica, conociendo los pesos obtenidos previamente. La clasificacin por RNA fue
ms rpida que la realizada con el algoritmo de mxima probabilidad, descontando lgicamente el lento proceso de aprendizaje. Comparndola con las clasificaciones antes comentadas se observa una mejor discriminacin del pinar, que aparece mejor representado en las zonas serranas del NW de la imagen, mientras el suelo descubierto,
principalmente roquedo en esos sectores, se asigna en algunos sectores al matorral,
por lo que ste incrementa su extensin. En el resto de la imagen, el suelo descubierto
se clasifica bien, as como los pastizales y cultivos de secano, excesivamente representados en la clasificacin de mxima probabilidad. La combinacin matorral-encinar
sigue sobre-dimensionada, especialmente en el centro y norte de la imagen (fig. 17*).
2.3.7. Clasificacin borrosa (fuzzy classification)
Previamente hemos sealado el inters de las tcnicas que permiten obtener informacin sobre la mezcla en el interior de un pxel. Considerar un pxel como un
compuesto de varios elementos resulta cada vez ms comn, si se considera el espacio
como un continuo, sin barreras muy precisas, al menos en lo que se refiere a la mayorparte de las variables ambientales (Mather, 1999).
En el campo de la clasificacin, este enfoque lleva consigo modificar los planteamientos convencionales, en donde cada pxel se asigna a una sola categora. De ah que
ltimamente se denomine a estos clasificadores como rgidos (hardclassifiers). Estos
clasificadores pueden conducirnos a errores notables, cuando existan pxeles mixtos.
Por ejemplo, en el criterio de mxima probabilidad, un pxel se asigna a la clase ms probable independientemente de que la probabilidad de pertenencia a esa categora sea muy
superior a pertenecer al resto (digamos que 0,9 sobre 0,1) o que slo la supere por un estrecho margen (0,55 frente a 0,45). En el primer caso, el error de clasificar ese pxel es
bastante bajo, mientras en el segundo la asignacin es muy arriesgada.
Las nuevas tcnicas de clasificacin borrosa (fuzzy) permiten aliviar este problema. En pocas palabras, se considera una pertenencia borrosa a una categora cuando se
admite un grado de pertenencia. En este enfoque, cada pxel se etiqueta en varias categoras, con un valor ms o menos alto en funcin de su similitud espectral (fig. 7.53).
Convencionalmente, la funcin de pertenencia corresponde a una distribucin binaria
(0 no pertenece, 1 pertenece), pero puede concebirse un funcin de pertenencia comprendida entre 0 y 1, lo que permitira una asignacin simultnea a varias categoras,
con diferentes grados de pertenencia (Wang, 1990):
[7.44]
418
Clase 1
Clase n
70 % Clase 1
15% Clase 2
10% Clase
5% Clase 4
FlG. 7.53.
La clasificacin borrosa permite asignaciones mltiples en el mismo pxel.
donde UUj indicara el grado de pertenencia del pxel x a la clase i, y puede ser un nmero real comprendido entre 0 y 1.
En aplicaciones de teledeteccin, los mtodos ms habituales para obtener esos
valores de pertenencia son la variante borrosa de mxima probabilidad (Maselli et al,
1995; Wang, 1990) y una variedad de anlisis no supervisado, denominado c-medias
borrosas (Fisher y Pathirana, 1990; Foody, 1992). Por simplificar la exposicin nos
vamos a centrar en el primer criterio, ya que es muy similar al de mxima probabilidad
antes analizado. En el trabajo de Fisher y Pathirana (1990) se incluye la formulacin
completa del criterio c-medias borrosas.
En un enfoque de lgica borrosa, para calcular el grado de pertenencia de un pxel
a las distintas categoras de la leyenda, asumiendo una distribucin de probabilidad
normal en las categoras, podemos emplear las siguientes definiciones del vector de
medias y la matriz de varianza-covarianza (Wang, 1990):
[7.45]
[7.46]
donde UA indica el grado de pertenencia a la clase A, M el vector de ND formado por
los n pxeles utilizados en la muestra, y VA la matriz de varianza-covarianza para esa
clase. El asterisco en el vector MA y la matriz VA indica que se trata de medias y varianzacovarianza para un espacio borroso (fuzzy).
A partir de esos dos valores puede calcularse la probabilidad de pertenencia a ese
espacio, variando ligeramente las frmulas de la probabilidad bayesiana:
p (x/A) = {7jtyma I V I *>exp {-0,5 (M-M)T V? (Mx-M)}
419
[7.47]
El resultado de este clculo permite conocer la probabilidad de incluirse en cada

categora A. Esa probabilidad se considera el grado de pertenencia de ese pxel a dicha
categora. Por tanto, se obtienen tantas imgenes clasificadas como categoras se consideren. El ND de cada una de esas imgenes indica el grado de pertenencia a las distintas categoras.
Las reas para estimar las estadsticas de entrenamiento pueden ser homogneas
como en la clasificacin convencional o, ah la novedad, heterogneas, con componentes mixtos, siempre que se conozca su grado de mezcla. Las aplicaciones de esta
lgica borrosa son de especial inters cuando se pretenda analizar coberturas con alto
grado de mezcla, como es el caso de las categoras urbanas o cuando se aborden inventarios de vegetacin. En varios trabajos se ha obtenido una buena correlacin entre el
grado de cobertura de distintas clases, observado en fotografa area de alta resolucin, y los grados de pertenencia ofrecidos por la clasificacin borrosa, tanto para clases urbanas (Fisher y Pathirana, 1990), como para densidades de vegetacin (Foody,
1992). Un interesante campo de aplicacin es el inventario forestal, donde este tipo de
clasificacin puede facilitar datos de gran inters para la estimacin global de densidades y superficies. En un trabajo piloto realizado en Italia, los ajustes entre las observaciones de terreno y los componentes fuzzy son mucho ms altos que para las bandas
originales (reducidas mediante componentes principales), especialmente en la estimacin del rea basal (Maselli et al, 1995).
Aunque en el origen esta tcnica procede de una concepcin bastante distinta al
anlisis lineal de mezclas espectrales (ALME) previamente analizado, los resultados
que ofrecen tienen bastante en comn. Ambas tcnicas pretenden derivar informacin
sub-pxel, expresando el grado de pertenencia (fuzzy) o la proporcin (ALME) de una
determinada categora. Son pocos los trabajos que han comparado las ventajas e inconvenientes de ambas tcnicas, en cuanto a eficacia para resolver las mezclas, tiempo
de clculo y limitaciones. Cuando se han abordado simultneamente, los resultados
parecen ofrecer una gran coincidencia entre los dos mtodos (Foody y Cox, 1994).
Este concepto de asignacin borrosa puede extenderse a la integracin de variables de"
distintas fuentes o a la comparacin multitemporal, permitiendo la posibilidad de sealar distintas intensidades de cambio (Foody, 2001).
En la figura 7.54 aparece un ejemplo de clasificacin utilizando un algoritmo no
supervisado de k-medias borrosas incluido en el programa XPACE. Se introdujo un
valor intermedio, entre los recomendados por el programa, para los parmetros de
control del agrupamiento (normalizacin de las medias borrosas y distancia entre las
mismas). Se seal un mximo de 3 grupos, 20 iteraciones y un 0,01 para el porcentaje
de pxeles que podan cambiar de grupo entre iteracin. Puesto que se trata de un proceso bastante lento, se seleccionaron para el anlisis nicamente las bandas ETM+ 2,
3,4 y 5. La figura recoge los grados de pertenencia de los pxeles de la imagen a dos de
las categoras identificadas por el programa, que corresponden a vegetacin con distintos grados de densidad y actividad cloroflica.
La figura 7.55 muestra otro ejemplo, tal vez ms obvio, de este enfoque borroso
en la clasificacin. Recoge una asignacin mltiple realizada a partir de una clasificacin de mxima verosimilitud de la imagen Barrax99. En este caso se grabaron los
420
FIG. 7.54. Resultados de una clasificacin borrosa sobre la imagen TorrelOO para dos
categoras: arriba, vegetacin perennifolia; abajo, suelos con escasa vegetacin.
421
Al/Leg/Tr
Alf/Tr/Leg
Tr/Alf/Leg
Leg/Alf/Su
Leg/AltfTr
Leg/Su/Alf
Su/Leg/Alf
FIG. 7.55. Clasificacin borrosa de la imagen Barrax99

(Alf: Alfalfa; Leg: Legumbres; Tr: Trigo; Su: Suelo).
clculos de probabilidad para cada pxel, de tal manera que pueden reconstruirse sus
asignaciones potenciales al resto de categoras de inters. Por ejemplo se distinguenlos pxeles que se asignaron a la categora alfalfa en funcin de a qu categora lo hicieron en segunda y tercera opcin (legumbres, trigo y suelo son las alternativas). De
esta forma podemos distinguir entre los pxeles que aun clasificndose como alfalfa
tienen una mayor tendencia a ser trigo, legumbres o suelo, en distinto orden, y por tanto
qu tipo de estado vital tenan en el momento de adquirirse los datos. Por ejemplo, si un
pxel es categorizado como alfalfa y suelo se tratar de una zona con menor cobertura
vegetal que otra clasificada como alfalfa y trigo.
2.4. OBTENCIN Y PRESENTACIN DE RESULTADOS
Independientemente del mtodo empleado en la clasificacin digital, los resultados se almacenan en una nueva imagen, similar a las originales, en cuanto a estructura
y tamao, pero con la importante diferencia de que el ND de cada pxel no corresponde
a un valor de reflectividad, sino a la categora a la que se asign. En definitiva, obtenemos una nueva matriz numrica, similar a la original, aunque de dos dimensiones,
pues se ha condensado la informacin espectral (varias bandas) en una sola clase
temtica. Esa nueva imagen puede ser el producto final del trabajo, o servir como estadio intermedio de un proyecto ms amplio, en donde la teledeteccin se combine con
otro tipo de variables espaciales.
422
Esa nueva imagen puede dar lugar a dos tipos de productos: cartogrficos y estadsticos. En el primer caso se trata de convertir la imagen clasificada en un mapa; en el
segundo, de realizar un inventario a partir de los ND que componen esa imagen.
2.4.1. Productos cartogrficos
La imagen clasificada puede convertirse en un mapa temtico, similar a los convencionales, empleando algunas tcnicas ya comentadas en anteriores captulos. En
primer lugar conviene simplificar los resultados de la clasificacin aplicando algn
filtro modal, de tal forma que se generalicen los polgonos que forman la clasificacin.
Esto facilita tambin su conexin con un SIG como luego veremos.
Seguidamente se requiere dotar a esa imagen de una validez cartogrfica, de tal
forma que se ajuste a un sistema de coordenadas determinado. Por cuanto el resultado
de la clasificacin es tambin una imagen digital, pueden aplicarse sobre ella los mtodos de correccin geomtrica antes comentados (cap. 6, apdo. 6.3). Basta identificar
puntos comunes entre la imagen y el mapa de referencia, aplicar algn polinomio de
transformacin, y proceder al trasvase de los ND a su nueva posicin. Conviene recordar que, en este caso, ese trasvase debe realizarse con el criterio del vecino ms prximo, puesto que cualquier otro que implique promediar las categoras invalidar
los resultados de la clasificacin. Obvia decir que los puntos de control pueden localizarse sobre las bandas originales, ya que tienen la misma geometra de las clasificadas,
y aplicar luego sobre stas el modelo de correccin. Localizar puntos sobre una imagen clasificada sera muy problemtico, ya que se pierden la mayor parte de los rasgos
lineales de la imagen original.
Una vez posicionada correctamente, la imagen clasificada requiere contar con una
serie de elementos grficos, que faciliten su lectura. Uno importante es generar una tabla
de color apropiada al significado temtico de cada una de las categoras. En este sentido,
conviene respetar las convenciones establecidas en la asignacin temtica de colores:
por ejemplo, rojo para las zonas urbanas, verde para las forestales, ocre para las agrcolas, etc. (Anderson et al, 1976; Coleman, 1968), en lugar de atribuir colores arbitrarios
a las categoras.
Como ya se coment, la manipulacin numrica del color ofrece al intrprete una
amplia paleta de colores: de 0 a 255 niveles, por cada uno de los tres caones de color.
De esta forma, para disear un color apropiado a cada categora basta indicar tres valores numricos, entre 0 y 255, que expresen el nivel de R, V, A, asignado a dicha
clase. En clasificaciones temticas, quince o veinte colores, bien discriminables entre
s, sern suficientes para visualizar el resultado. Un mayor nmero de categoras complicara notablemente la interpretacin y, en consecuencia, la legibilidad del documento final.
Basta aadir al mapa un conjunto grfico apropiado para que se culmine el proceso de edicin. Elementos de inters, en este sentido son: una leyenda de color, que
identifique las categoras presentes en el mapa y el color que se les asigna; una escala
grfica, para identificar adecuadamente la proporcin del rea representada, y una serie de rtulos identificativos de la zona y/o del proceso realizado. Caso de que se disponga de informacin vectorial complementaria, como carreteras o ros, puede ser
conveniente superponerlos a la imagen como lneas de referencia. La figura 7.56 reco-
423

Titulo
Mapa de coberturas del suelo del rea deTorrelaguna
Norte
Orientacin
Leyenda de color
Agua
Urbano
H Pinar-encinar
Pastizal
Matorral
Suelo
Cultivos
Vectores de referencia
Retcula UTM
Metros
^ 5.000,00
Escala grfica
FIG. 7.56.
Elementos cartogrficos incorporados a la clasificacin de la imagen TorrelOO.
ge un ejemplo de algunos elementos cartogrficos que pueden asociarse a una imagen

clasificada.
Una vez que el resultado es satisfactorio, el ltimo paso se dirige hacia la reproduccin de la imagen clasificada en un soporte permanente, ya sea papel o pelcula,
utilizando cualquiera de los perifricos disponibles. Para productos cartogrficos de
amplia cobertura, la impresin puede realizarse en lnea, si uno dispone de un perifrico de gran formato, o bien salvar la composicin cartogrfica como archivo e imprimirlo posteriormente en un centro que disponga de ese equipo. Actualmente hay formatos grficos bastante estndar (.TIF, .EPS) que permiten acceder fcilmente a perifricos de gran calidad que no tienen por qu estar relacionados con aplicaciones
especficas de teledeteccin. Muchas empresas de artes grficas, por ejemplo, disponen de estos equipos {plotters de inyeccin de tinta de diverso tamao y resolucin).
En consecuencia, puede ser ms conveniente acudir a ellos cuando, espordicamente,
sea precisa una salida grfica de mayor tamao, en lugar de realizar la fuerte inversin
que implican. Lgicamente, eso depender de la intensidad de uso que se vaya a realizar de estos aparatos.
2.4.2. Productos estadsticos
El inventario superficial de los resultados es una de las principales ventajas de
la clasificacin digital. Una simple tabulacin de frecuencias permite obtener el inventario del rea clasificada; esto es, el nmero de pxeles incluidos en cada una de
las categoras. Puesto que es conocida la dimensin superficial de cada pxel, resulta
inmediato obtener la extensin ocupada por cada categora. Por el contrario, para alcanzar el mismo objetivo el anlisis visual requiere planimetrar cada una de las zo-
424
as delimitadas por el intrprete, lo que resulta una labor lenta, fatigosa y, frecuentemente, inexacta.
El tratamiento digital permite calcular superficies sobre toda la imagen, o sobre
polgonos determinados. Si esos polgonos coinciden con unidades administrativas
(municipios, comarcas), puede obtenerse un inventario de gran inters para las estadsticas oficiales. Por ejemplo, una clasificacin agronmica de la imagen puede facilitar estadsticas de cultivo a veces inaccesibles por medios convencionales. Varios
trabajos han ensayado el uso alternativo de esta metodologa frente a las fuentes de informacin tradicionales, como el catastro o las hojas de cultivos (GDTA-CEE, 1982).
A modo de ejemplo, la tabla 7.11 recoge el inventario de los tipos de ocupacin
de la imagen de nuestro ejemplo, tal y como aparecen clasificados mediante mxima
probabilidad y RNA. Vemos las notables diferencias entre ellas, especialmente para
las categoras ms dominantes: matorral, pastizal y cultivos, que no son tan evidentes
en el anlisis visual de los resultados.
3. Tcnicas de anlisis multitemporal
3.1. EL FACTOR TIEMPO EN LOS ESTUDIOS DE TELEDETECCIN ESPACIAL
Una de las aportaciones ms destacadas de la teledeteccin espacial al estudio del
medio ambiente es su capacidad para seguir procesos dinmicos. Al tratarse de informacin adquirida por un sensor situado en una rbita estable y repetitiva, las imgenes
de satlite constituyen una fuente valiossima para estudiar los cambios que se producen en la superficie terrestre, ya sean debidos al ciclo estacional de las cubiertas, y a
catstrofes naturales o a alteraciones de origen humano.
En el seguimiento de la dinmica de un determinado fenmeno conviene distinguir dos aspectos relacionados con el cambio (Rodin, 1998): por un lado, la rapidez
:on que el fenmeno se produce, y por otro la pervivencia del cambio que implica
fig. 7.57). El primer aspecto hace referencia a la escala temporal en la que se maniesta un fenmeno o, dicho de otra forma, a su duracin en el tiempo. En este sentiTABLA 7.11.
Inventario de la ocupacin del suelo en la imagen Torre 100

de acuerdo a dos criterios de clasificacin
Clasificacin de mxima probabilidad

Psceles
Hectreas
Clasificacin por RNA

Pixeles
Hectreas
rbano
110.553
6.909,56
13,27
67.365
4.210,31
8,08
astizal
[atorral
nar-encinar
jelo
178.735
275.265
9.839
9.133
236.848
12.907
833.280
11.170,94
17.204,06
614,94
570,81
14.803,00
806,69
52.080,00
21,45
33,03
226.811
380.854
16.766
12.150
97.519
31.815
833.280
14.175,69
23.803,38
1.047,88
759,38
6.094,94
1.988,44
52.080,00
27,22
45,71
2,01
1,46
11,70
3,82
100,00
altivo
i*ua
TOTAL
1,18
1,10
28,42
1,55
100,00
425
Ciclones tropicales
Desertificacin
Crecimiento Urbano
Inundaciones Cambios
agrcolas Erupciones
volcnicas
P
ervivencia FlG.
7.57.
Escalas temporales de cambio para algunos fenmenos ambientales.
do, el rango de los fenmenos ambientales que se estudian en teledeteccin puede ir

desde unas pocas horas (ciclones tropicales, terremotos, erupciones volcnicas) hasta
varios aos (desertificacin, crecimiento urbano). El segundo aspecto se relaciona
con la permanencia de los efectos de esa perturbacin, que tambin puede variar en
un ciclo de pocos das hasta varios aos. El efecto de una inundacin puede ser breve, si sta fue superficial, o bastante permanente, si ha supuesto la modificacin de
algunos rasgos geomorfolgicos (deslizamientos, por ejemplo). En definitiva, la
pervivencia de los efectos y la duracin del fenmeno no tienen por qu estar relacionados, o, dicho de otro modo, un fenmeno de corta duracin puede tener una larga continuidad y viceversa.
La frecuencia ms idnea para observar un determinado fenmeno depender de
ambas variables: duracin y pervivencia. Algunos procesos requieren una observacin prcticamente continua, como puede ser la cartografa de nubes, mientras para
otros bastar un inventario anual (cultivos) o quinquenal (cobertura del suelo). La tabla 7.12 presenta algunas cadencias de observacin recomendables, segn los fenmenos que se pretenda observar (Jensen et al., 1983).
Como ya hemos visto, la frecuencia de observacin depende de las caractersticas
orbitales y anchura del rea observada por el sensor, si bien en trminos prcticos ese
perodo se alarga si consideramos la cobertura nubosa o carencias del sistema sensor
(falta de antenas receptoras, fallos en la adquisicin o transmisin). Los sistemas actuales de teledeteccin proporcionan una amplia variedad de cadencias de observacin, desde pocos minutos para los satlites meteorolgicos de rbita geo-estacionaria
y amplia cobertura, hasta varias semanas para los de recursos naturales, con rbitas
ms bajas y cobertura territorial mucho ms limitada. Si en los primeros aos de la teledeteccin, la resolucin espacial del sensor se consideraba el elemento ms crtico
para valorar su potencialidad, la cobertura temporal cada vez se califica como un crite-
426
TABLA 7.12.
Cadencia de actualizacin para estudios multitemporales
Fenmeno
Perodo de observacin recomendable
Dinmica atmosfrica
Seguimiento de desastres
Evaluacin de desastres
Prediccin de cosechas
Anlisis de la deforestacin
Actualizacin de mapas de cobertura
Dinmica urbana
Actualizacin de mapas topogrficos
15-30 minutos
2-24 horas
1-7 das
2-3 meses
1-3 aos
3-5 aos
5-7 aos
10-20 aos
rio ms protagonista, al subrayarse la necesidad de contar con informacin suficientemente actualizada. Por ejemplo, para evaluar las condiciones vegetales a corto plazo,
de cara a predecir el rendimiento de un cultivo o el peligro de incendios por poner
dos ejemplos de gran inters territorial, de nada servira una alta precisin espacial
sin el adecuado ciclo de cobertura. Un fino detalle espacial no es suficiente para estimar operativamente el riesgo de incendio si slo contamos con una imagen cada 16
das. Ser preferible, en este contexto, emplear imgenes menos detalladas, siempre
que proporcionen informacin ms frecuente.
Para que puedan abordarse estudios multitemporales con teledeteccin es preciso
que el sistema sensor proporcione una cobertura peridica, en las mismas bandas espectrales, y con condiciones de observacin similares (altura, hora, ngulo de adquisicin). Estos requisitos los cumplen la mayor parte de los satlites de recursos naturales, excepcin hecha de los sensores instalados sobre el Space Shuttle que no ofrecen
una cadencia y homogeneidad adecuadas, si bien permiten comparaciones visualescualitativas de gran inters. ste es tambin el caso de los sensores aerotransportados,
singularmente de la fotografa area, que se ha utilizado profusamente para analizar la
dinmica de la cobertura del suelo (Martnez Vega, 1989).
Como ya vimos en el captulo 5, la dimensin temporal puede considerarse en teledeteccin con un doble objetivo: multiestacional y multianual (Chuvieco, 1998). En el
primer caso, la dimensin temporal sirve para refinar la discriminacin de algunas categoras, que pueden no ser separables espectralmente, pero s atendiendo a su variedad
fenolgica. Con este objetivo se seleccionan imgenes adquiridas en distintas estaciones, de acuerdo al calendario fenolgico de esas cubiertas. Habitualmente se combinan
las bandas de todas las imgenes en un solo archivo, de tal manera que se enriquezca la
clasificacin espectral incorporando un componente temporal (Lo et al, 1986). Tambin hay ejemplos de comparacin entre clasificaciones realizadas para distintas estaciones, comparando las categoras que en cada una se pueden separar (Schriever y
Congalton, 1995). Los resultados suelen mejorar notablemente la clasificacin monotemporal (Girard, 1981; Mergerson, 1981), siempre que exista un buen ajuste geomtrico entre fechas.
El segundo enfoque, que hemos denominado anlisis multianual, tiene por objetivo detectar los cambios producidos entre dos o ms fechas, para lo que suele partirse
de imgenes adquiridas en distintos aos, que se comparan visual o digitalmente (Gopal y Woodcock, 1996; Lucas et al, 1993; Sader y Winne, 1992). En este caso, por
427
contraposicin al enfoque multiestacional, se procura que las imgenes sean de la misma poca del ao, con objeto de aislar ms fcilmente lo que las imgenes manifiestan
de cambios en el terreno. Con este objetivo, el anlisis multianual requiere una homogeneizacin radiomtrica y geomtrica de las imgenes para minimizar la influencia
de la atmsfera, las condiciones del sensor, o la geometra de iluminacin.
3.2. REQUISITOS PREVIOS PARA EL ANLISIS MULTITEMPORAL
La comparacin multitemporal entre imgenes se realiza, en la mayor parte de los
casos, comparando pxel a pxel los ND de las distintas fechas. En consecuencia, es
necesario eliminar previamente, en la medida de lo posible, cualquier cambio en los
ND de la escena que no sea debido a cambios reales en la cubierta. Esto implica asegurar que estemos situados en la misma zona para ambas fechas, y que la variable que estamos comparando se refiera a la misma escala de medida. En definitiva, la comparacin temporal requiere una previa correccin geomtrica y radiomtrica de las imgenes que estamos cotejando.
3.2.1. Ajuste geomtrico
Para la comparacin multitemporal es preciso que las imgenes se ajusten con
gran nivel de detalle, ya que de otro modo estaramos detectando como transformaciones lo que sera slo fruto de una falta de ajuste entre imgenes. El efecto puede llegar
a ser muy grave, especialmente cuando se trata de detectar categoras con una gran variabilidad espacial, como es el caso de las urbanas (Gordon, 1980), dependiendo tambin de la resolucin espacial del sensor (Nelson y Grebowsky, 1982; Roy, 2000).
Para sensores de baja resolucin espacial se ha comprobado que hasta un 50 % del
cambio observado entre dos imgenes puede deberse a errores de superposicin cuando el ajuste entre imgenes tiene un error superior a 1 pxel (Townshend etal, 1992).
Varios autores han demostrado que se requiren precisiones de ajuste superiores a 0,2
pxeles para asegurar un error inferior al 10 % en la comparacin multitemporal (Dai-y
Khorram, 1998; Townshend etal., 1992).
Para ilustrar este tema hemos realizado un sencillo ejercicio, simulando el cambio en una clasificacin de coberturas despus de aplicarle un desplazamiento intencional. La clasificacin corresponde a una imagen Landsat-TM sobre una zona forestal de la provincia de Valencia. Para simplificar las cosas incluye nicamente cuatro
categoras. La clasificacin original se desplaz un pxel hacia el oeste y el sur, generndose posteriormente una tabulacin cruzada con la clasificacin inicial. Como es
lgico, en este caso todo el cambio observado en ese cruce resulta debido exclusivamente al desplazamiento geomtrico que hemos introducido. Como podemos observar en la figura 7.58 y tabla 7.13a, ese porcentaje de cambio ficticio es bastante
notable, alcanzando el 34 % del total del rea de la imagen.
Menos severa resultara la comparacin entre clasificaciones que tuvieran algn tipo de generalizacin previa, ya que se eliminaran pequeos grupos aislados
que introducen mayor ruido cuando existe ese desplazamiento. Por esta razn hemos
realizado la misma comparacin entre la clasificacin original y la desplazada, des-
428
FlG. 7.58.
En la parte superior, clasificacin de cobertura del suelo utilizada como ejemplo.

En la inferior, la misma clasificacin con un desplazamiento sistemtico.
pues de aplicarles a ambas un filtro modal de 5 X 5 pxeles. En este caso, los desplazamientos son mucho menos severos, alcanzando el 19 % de la imagen (tabla 7.13>).
Si bien los desplazamientos reales entre imgenes no sern tan sistemticos como
los aqu indicados, el ejercicio nos sirve para entender la importancia de conseguir
un ajuste muy preciso entre imgenes, de cara a garantizar la eficacia de la comparacin multi temporal. La idea de generalizar las imgenes antes de compararlas resulta
evidentemente una precaucin a tener en cuenta. Algunos autores han propuesto incluso comparar imgenes previamente segmentadas, de tal forma que se comparen
parcelas de una cobertura homognea en lugar de pxeles individuales (Bruzzone y
Fernndez-Prieto, 2000).
Como ya indicamos en el anterior captulo, la mayor parte de las imgenes basan
el ajuste geomtrico en la localizacin de una serie de puntos de control imagen-mapa.
TABLA 7.13a.
429
Efecto del desajuste geomtrico para la comparacin multitemporal.

Datos originales
Imagen desplazada
1
1234
TOTAL
Imagen original
TABLA 7.13b.
94
251
43 3
391
247
20.653
9.512
755
31.167
42 9.315
51.449
15.560
76.336
6
897
15.337
27.897
44.137
Total
389
31.116
76.341
44.215
152.061
Datos filtrados (filtro modal de 5 x 5 pixeles) *

Imagen desplazada
;
1234
TOTAL
Imagen original
98
132
39 0
269
100
23.556
5.196
259
29.111
30 4.954
66.982
8.962
80.928
41 387
8.681
32.361
41.470
Total
269
29.029
80.898
41.582
151.778
* La no coincidencia en los totales con la tabla anterior se debe a que no se consideran en ambos casos los
pixeles con clase 0, fruto del desplazamiento.
Para el anlisis multitemporal, los puntos se toman entre imgenes, eligiendo una
como referencia. En este caso, el proceso de seleccionar puntos comunes resulta ms
sencillo, ya que son muchos ms los rasgos comunes entre dos imgenes, que entre
una imagen y un mapa. Para dos imgenes pueden emplearse formas caractersticas de
la vegetacin, del trazado parcelario o la hidrografa, visibles entre imgenes pero que
habitualmente no son localizables en el mapa, adems de caminos o carreteras. Elegir
unos u otros elementos de referencia depender, lgicamente, de la resolucin espacial de la imagen.
Tambin para el anlisis multitemporal resulta de inters el proceso de seleccin semi-automtica de puntos de control. A partir de ventanas mviles en torno a
cada punto localizado en la imagen de referencia, el punto en la homologa se obtiene
por correlacin entre los ND de las dos imgenes (Diez de Arribas y Nicols, 2001;
Ortetal., 1979).
3.2.2. Homogeneizacin radiomtrica
Otro importante problema en la deteccin de cambios es el producido por las variaciones que introducen las condiciones de observacin, situaciones atmosfricas o la
calibracin del sensor. Estos efectos modifican la signatura espectral de un pxel, aunque se mantenga constante la cubierta. En consecuencia, es preciso homogeneizar los
430
ND de las imgenes que intervienen en el anlisis. Para ello puede optarse por un doble enfoque:
1. Calibrar los ND de modo absoluto, convirtindolos a medidas de reflectividad o temperatura del suelo.
2. Equiparar los ND entre imgenes.
En el primer caso es preciso acudir a los modelos de conversin a parmetros fsicos vistos previamente, incorporando los parmetros de correccin atmosfrica y de
iluminacin ms propios para cada fecha. En el segundo enfoque basta una correccin
relativa entre fechas, ya que slo se trata de facilitar las comparaciones entre ellas. Con
esta ptica, los mtodos de correccin propuestos se basan en situar una serie de pxeles de radiancia constante entre fechas, preferiblemente que recojan reas de baja reflectividad (sombras, aguas claras y profundas) y alta reflectividad (suelos descubiertos, estacionamientos, pistas de aterrizaje). A partir de los ND de esos pxeles pueden
estimarse unos coeficientes de sesgo y ganancia, para cada banda, que permitan corresponder los ND entre fechas distintas. El mtodo se ensay con buenos resultados
en un estudio multitemporal sobre la Albufera de Valencia (Caselles y Lpez, 1989),
comparndolo con modelos atmosfricos estndar (Tanre et al, 1986). La viabilidad
de estas correcciones para homogeneizar las condiciones atmosfricas entre imgenes
tambin se ha demostrado en el marco de la estimacin de cosechas (Hill y Sturm,
1991) y en el inventario forestal (Coppin y Bauer, 1994), facilitando ajustes con una
correlacin superior a 0,98 (Coppin y Bauer, 1994; Hall et al, 1991a).
Puesto que la variacin temporal entre pxeles puede alterar esos coeficientes de
regresin, otros autores han propuesto utilizar los ND ms oscuros y ms claros entre
fechas, obtenidos a partir de los componentes de brillo y verdor de la transformacin
tasseled cap (7.1.3):
ND^skmt + gt
[7.48]
esto es el ND corregido en la banda k se estimara a partir de unos coeficientes de sesgo

y ganancia para esa banda, que se obtienen a partir de:
6, - NDO,,, t NDd, r k) I (NDrt , k - NDM ,k)
[7.50]
donde ND0S r 4 y NDcl r k indican el ND medio de los pxeles ms oscuros y ms claros,

respectivamente, de la imagen de referencia, y NDOS e, y NDcl c k lo mismo en la imagen a
corregir. El mtodo se comprob muy slido para homogeneizar el efecto atmosfrico
entre imgenes para un estudio multitemporal. Caso de que la imagen de referencia se
hubiera corregido atmosfricamente, el mtodo tambin sirve para eliminar el aporte
atmosfrico en las imgenes de otras fechas, obteniendo coeficientes de correlacin
muy adecuados con correcciones atmosfricas de precisin (Hall etaL, 1991a). Otros
431
autores proponen, en ausencia de superficies invariantes entre fechas, utilizar aquellos

que cuenten con NDVI ms bajos y ms altos (Hill y Sturm, 1991).
Recientemente se ha propuesto un mtodo de correccin multitemporal que ha intentado estandarizar los procedimientos de ajuste entre imgenes (Heo y Fitzhugh,
2000). En primer lugar se establecen unos criterios bastante estrictos para seleccionar
las superficies como invariantes entre fechas. Debe tratarse de reas con la misma elevacin, para que el espesor atmosfrico sea similar; con similar topografa, preferentemente
plana, para que los ngulos de iluminacin entre fechas sean similares; con poca vegetacin, para minimizar los efectos de los cambios fenolgicos; que mantengan el patrn
espacial, y que recojan un amplio rango de ND para que la regresin sea consistente. Los
autores proponen eliminar puntos con residuales muy altos, pues puede tratarse de reas
de cambio o afectadas por algn tipo de ruido, y contemplan la posibilidad de utilizar
distintos puntos en cada banda para considerar el distinto sesgo que puedan incluir. Sugieren utilizar pxeles concretos en lugar de promedios de ventanas de 3 X 3 pxeles.
3.3.
TCNICAS PARA EL ANLISIS ESTACIONAL
Cuando el fin ltimo del anlisis temporal es determinar perfiles estaciones en las
cubiertas vegetales de inters, habitualmente la interpretacin se realiza sobre las distintas fechas de modo simultneo. Por ejemplo, si se pretende mejorar la clasificacin
de un determinado cultivo se acude a imgenes de momentos clave dentro de su ciclo
fenolgico, que permitan separarlo con nitidez de otros cultivos espectralmente similares (Prados, 1995). La clasificacin, en este sentido, se realiza con todas las fechas
simultneamente, ya que se pretende caracterizar una categora a partir de curvas espectro-temporales.
Una muestra sencilla de este enfoque sera la discriminacin entre cultivos de secano, de regado y suelos en barbecho (fig. 7.59). En una imagen de verano, ser senci-
FIG. 7.59.
Fragmento de dos imgenes TM del valle del Henares (Guadalajara) tomadas

en agosto (izqda.) y mayo (dcha.).
381
Acabada la delimitacin de una parcela de entrenamiento, pueden seleccionarse otras

para la misma categora, o bien culminar con ella la definicin de esa clase. En general, resulta conveniente seleccionar varias reas por categora, a fin de reflejar adecuadamente su variabilidad en la zona de estudio.
Independientemente del mtodo elegido para seleccionar las reas de entrenamiento, conviene que exista un control de campo suficiente, en fecha prxima a la adquisicin de la imagen, y mejor an si es simultnea, para garantizar la consistencia
entre lo medido en el terreno y por el sensor. En estos trabajos ser muy interesante
realizar algunas medidas radiomtricas, aprovechando la creciente disponibilidad de
radimetros porttiles (fig. 7.35), lo que permite interpretar con ms rigor la seal recibida por el sensor o seleccionar las bandas ms adecuadas para el tratamiento (Barret
y Curts, 19996; Milton et al, 1995).
Finalizada la seleccin de las reas de entrenamiento, se calculan las estadsticas
elementales de cada categora: media, rango, desviacin tpica, matriz de varian-zacovarianza, etc., a partir de los ND de todos los pxeles incluidos en las reas de entrenamiento de esa clase. Lgicamente, este clculo se aplica a todas las bandas que intervendrn en la clasificacin. En definitiva, se asume que las reas de entrenamiento
son fieles representantes de las distintas categoras, y que, por tanto, las medidas extradas a partir de sus ND definen convenientemente a esas clases. De aqu que sea crucial su correcta seleccin, ya que de otro modo se estara forzando al algoritmo a clasificar reas heterogneas. En consecuencia, la clasificacin estara viciada de partida,
al pretender discriminar categoras con escaso significado espectral. Conviene especialmente evitar reas de entrenamiento que puedan ser heterogneas, o clases espec-
FlG. 7.35.
El empleo de un radimetro de campo permite verificar el comportamiento espectral

de una cubierta.
432
lio separar los cultivos regados (A), pero no tanto las parcelas con cultivos de secano
(B) y las que descansan (C), lo que s es factible en la primavera, aunque en esa fecha
no resulte tan clara la separacin entre secano y regado. En consecuencia, ser conveniente utilizar las dos fechas de modo integrado.
Como el incremento en el nmero de fechas implica aumentar el volumen de
clculo, ha sido bastante frecuente aplicar previamente alguna tcnica de compactacin, como el anlisis de componentes principales o los ndices de vegetacin. De esa
forma pueden procesarse slo las bandas con mayor contenido informativo, evitando
redundancias innecesarias (Joly et ai, 1983; Maselli et al., 1996).
Un aspecto especfico del anlisis estacional es el seguimiento de las condiciones ambientales en un ciclo corto de tiempo. En este mbito entrara el anlisis de fenmenos atmosfricos o de las condiciones vitales de la vegetacin, por ejemplo de
cara a estimar demandas de riego, predicciones de rendimientos o situaciones de peligro de incendios. Por ejemplo, la figura 18* muestra dos imgenes de primavera y
verano sobre el sector central del P. N. Cabaeros, mostrndose el contraste estacional que experimentan las especies herbceas dominantes en el valle. Este anlisis estacional puede abordarse con pocas imgenes (p. ej., una por estacin), o con una serie ms numerosa, intentando recoger las variaciones temporales de ciclo inmediato.
ste es el caso de emplear imgenes AVHRR, que se adquieren diariamente, y permiten reconstruir con ms detalle las tendencias del crecimiento o senescencia de las
comunidades vegetales (Millington et al., 1994). La figura 7.60 muestra un serie de
imgenes del NDVI de Andaluca para la primavera y el verano de 1994, que permiten analizar la evolucin estacional de esta variable, as como las variaciones espaciales de esa evolucin.
21 - 31 marzo
21 - 30 abril
21-31 mayo
10-19 agosto
20 - 29 agosto
30 agosto - 8 septiembre
21-30
-iyi-
150
FIG. 7.60.
300 km
Variacin estacional del NDVI para la regin de Andaluca en la primavera

y el verano de 1994. (Alonso et al., 1996.)
433
Cuando se trabaja con este enfoque de alta resolucin temporal lo ms frecuente

es procesar imgenes de satlites meteorolgicos, ya que proporcionan la mejor resolucin temporal, a un coste aceptable para conseguir series largas de datos. Lgicamente, su baja resolucin limita el anlisis a escalas regionales o globales, si bien la
gran informacin temporal puede compensar la carencia de detalle espacial para reconocer ciertos tipos de cubiertas vegetales. Gracias a ello, pueden plantearse clasificaciones con cierto nivel de detalle temtico, a partir de las series multitemporales (Loveland et al, 1991; Tucker et al, 1985). La integracin de estas imgenes con informacin meteorolgica puede enriquecer notablemente nuestro conocimiento sobre la
actividad fisiolgica de las plantas, de cara a mejorar los modelos existentes de productividad vegetal (Chladil y Nunez, 1995; Nemani et al, 1993), o plantear estimaciones de su estado hdrico (como ya vimos en 7.1.1.3).
Frecuentemente, en el anlisis de estas series suelen emplearse ndices relativos,
que permiten medir las condiciones de un momento frente a una tendencia tipo, ya sea
el mximo anual o un promedio de una serie larga. Uno de los ms sencillos es el verdor (greenness), definido como (Kogan, 1990):
NDVI -NDVI
VERDOR = ---------------------2 ^ - 1 0 0
' NDVImax - NDVImin
[7.51]
donde NDVI, indica el valor del ndice de vegetacin para el perodo i, y NDVImax y
NDVImin los valores mximos y mnimos de los ndices en cada pxel para la serie de
imgenes analizada. El verdor, en principio, est ms relacionado que el NDVI absoluto con los cambios debidos a las condiciones atmosfricas, ya que se enfatiza el cambio temporal en el vigor y densidad vegetal frente al cambio espacial que tambin est
incluido en el valor absoluto del NDVI. Esa variacin temporal se considera precisamente en funcin de los umbrales de variacin propios de cada pxel. Este ndice se ha
comprobado de gran inters en la estimacin del peligro de incendios (Burgan et al,
1998) o condiciones de sequa (Peters et al, 1991).
Tambin se ha propuesto calcular el decremento temporal de los ndices de vegetacin, de cara a medir el efecto acumulado de las variaciones estacionales en el vigor
vegetal. Una manera sencilla de obtener este ndice es calcular la pendiente de la lnea
que define la evolucin temporal del ndice (Hiera et al, 1996):
donde PT indica la pendiente del perodo i, y t el perodo de tiempo considerado. Este

ndice parece bastante relacionado con las variaciones del vigor vegetal desde la primavera hasta el verano, identificando situaciones de deterioro en la vegetacin (Lpez
et al, 1991).
De forma similar, tambin puede estimarse la desviacin de una serie de imgenes respecto al valor medio de ese perodo, en una serie previa de varios aos:
434
NDVI( )
Ai. = ------- ^ - 1 0 0
' NDVI(r)
[7.53]
donde NDVI(0 indicara el valor del ndice correspondiente a un determinado perodo

i y NDVI() el valor medio para ese perodo, para un conjunto de aos suficientemente
representativo. Esto permitira ver si las tendencias de un momento determinado son
las esperables o se registran valores anmalos (ya sean superiores o inferiores a la tendencia promedio).
Otra tcnica utilizada para series temporales de imgenes es el ACP. En este
caso, los primeros componentes de una serie normalmente indican una situacin promedio, la tendencia estable, mientras los componentes secundarios informan sobre aspectos del cambio que se observe en el perodo. A partir de componentes principales
estandarizados se abord un interesante anlisis de las tendencias de la vegetacin en
frica, sobre una serie temporal de 36 imgenes que cubran todo el continente. Se observ que los primeros componentes recogan la tendencia promedio, mientras los restantes marcaban algunos rasgos de inters en la fenologa de la vegetacin, detectando
eventos anmalos de sequa, e incluso algunos errores en la adquisicin de las imgenes, difcilmente detectables sobre los valores originales (Eastman y Fulk, 1993).
3.4. TCNICAS PARA LA DETECCIN DE CAMBIOS
Los estudios de deteccin de cambios pueden aplicarse a una gran variedad de
disciplinas (Mouat et al., 1993). Tienen por objeto analizar qu rasgos presentes en un
determinado territorio se han modificado entre dos o ms fechas. Como en otras fases
de la interpretacin de imgenes, la localizacin de esos cambios suele implicar un
compromiso entre los errores de omisin y de comisin, esto es desechar un cambio
que realmente existe, o detectar un cambio que no ha ocurrido, respectivamente. En el
primer caso tendramos un carencia de informacin y en el segundo una falsa alarma.
La importancia de uno u otro tipo de errores marcar, en buena medida, la tcnica ms
conveniente a utilizar en cada caso. En algunos estudios, el objetivo preferente ser
evitar las falsas alarmas (aplicar tratamientos sobre un cultivo que no est afectado por
una plaga, por ejemplo), pero lo ms habitual ser poner ms bien el nfasis en reducir
las omisiones (por ejemplo, resulta preferible asistir a una zona que no ha sido realmente afectada por una inundacin, que arriesgarse a que no se atiendan algunas efectivamente daadas).
Otro aspecto de inters en el anlisis de cambios hace referencia al tipo de transformaciones que pretenden delimitarse en una imagen, segn se transformen los rasgos espectrales o espaciales de una imagen (Robin, 1998). Los primeros son los que se
detectan ms habitualmente en teledeteccin y hacen referencia a modificaciones en la
seal reflejada o emitida por una determinada parcela, ya sea como consecuencia de
cambios en la cubierta, ya debido a alteraciones en su densidad o estado fenolgico.
Por ejemplo, un nuevo cultivo en la misma explotacin implica mantener la estructura
espacial pero alterando la respuesta espectral. Por su parte, los cambios espaciales implican transformaciones de la forma o el tamao de las parcelas, aunque pueda mante-
435
nerse su cobertura previa (por ejemplo, igual cultivo sobre una parcela ms grande o
pequea). Estos ltimos estn menos desarrollados en teledeteccin, pero se estn comenzando a analizar gracias a las tcnicas de segmentacin multitemporal (Bruzzone
y Fernndez-Prieto, 2000; Smits y Annoni, 1999).
Intentando resumir la amplia relacin de estudios que utilizan tcnicas de anlisis
multitemporal (Chuvieco, 1998; Eastman et ai, 1994; Jensen, 1981; Mouat et al,
1993; Singh, 1986), podemos establecer dos grupos, segn utilicen imgenes continuas o categorizadas. En el primer caso se emplean tcnicas cuantitativas: diferencias,
regresin, componentes principales, etc., mientras en el segundo se comparan imgenes previamente clasificadas, mediante tablas de contingencia. A continuacin vamos
a repasar las tcnicas ms empleadas, presentando algunos ejemplos prcticos de su
utilizacin.
3.4.1. Composiciones de color multitemporales
En esta tcnica se trata de detectar las reas de cambio mediante el anlisis visual
de imgenes en color provenientes de varias fechas. Ya hemos visto en esta obra que
cualquier sistema de ADI permite obtener mezclas en color de tres bandas de una imagen, aplicando a cada una de ellas uno de los caones de color disponibles (R,V,A). Si
la imagen resultante aparece en tonos de color es debido a que las tres bandas que se
combinan presentan comportamientos espectrales diferentes. Dicho de otra manera, si
vemos un pxel en color es porque cuenta con un ND distinto en las tres bandas que estamos utilizando (o al menos en dos de ellas), ya que de otra manera se vera en tonos
de gris.
Si en lugar de combinar tres bandas distintas del espectro mezclamos tres fechas
de la misma banda estaramos viendo en tonos de color aquellos pxeles que tuvieran
distintos ND en alguna de ellas, mientras apareceran en tonos de gris los que no hubieran cambiado entre fechas. La interpretacin del color resultante depender, lgicamente, de qu bandas combinemos y en qu orden temporal. Para una composicin
de dos fechas resulta frecuente que se aplique el can rojo a la primera fecha y el verde
a la segunda, dejando el azul vaco o repitiendo la segunda fecha (fig. 19*), as se
simplificara la interpretacin del color resultante. Con este criterio apareceran en tonos grises las reas estables, en rojos las zonas que hayan reducido su ND entre las dos
fechas y en cian (V + A) las que lo hayan ganado. El sentido de la transformacin que
muestren esos colores depender de qu bandas estemos comparando entre fechas. En
caso de que estemos combinando el NDVI de los dos perodos (manteniendo el criterio de rojo a la primera fecha y verde + azul a la segunda), los tonos rojos revelaran
decrementos de NDVI (en definitiva, prdidas de cobertura vegetal debidas a talas, cosechas, incendios, etc.), mientras los cian indicaran aumentos de NDVI (ganancias de
vegetacin, por ejemplo, a causa de la puesta en cultivo de suelos previamente descubiertos o por desecacin de una lmina de agua). Lgicamente, tambin pueden usarse
los ND originales o los valores de reflectividad de alguna de las bandas de la imagen.
En ese caso, la interpretacin diferir de la indicada para el NDVI.
La tabla 7.14 recoge un ejemplo de posible interpretacin cruzada entre composiciones multitemporales en color de dos bandas distintas (la IRC y SWIR). Como puede analizarse, los incrementos o decrementos en una banda tendrn significados dis-
436
TABLA 7.14.
Modelo de interpretacin para dos composiciones

multitemporales en el IRC y el SWIR
IRC Color en pantalla
Banda espectral
SWIR
Color en pantalla
Tonos amarillos
Tonos rojos
Tonos verdes
Tonos rojos
Suelo a agua Vegetacin

a suelo Vegetacin
senescente
Tonos verdes
Suelo a vegetacin Agua

a suelo Vegetacin
emergente
Tonos amarillos
Suelo seco a hmedo

Suelo hmedo a seco
Sin cambios
(Los tonos corresponden a lo que se observara en una composicin multitemporal de cada banda, asumiendo
que el color rojo se aplica a la primera fecha y el verde a la segunda.)
tintos segn las tendencias observadas en otra/otras. Por lo dems, el mtodo resulta
bastante sencillo y tiene la ventaja de incorporar el conocimiento y los criterios de anlisis del intrprete, lo que resulta muy ventajoso en categoras urbanas (Martin, 1989;
Sadery Winne, 1992).
Un ejemplo de estas composiciones en color multitemporal aparecen en la figura 19*, mostrando las tendencias del crecimiento urbano de Madrid entre 1984 y
2000. Los tonos cian indican superficies en construccin, ya sea por nuevas infraestructuras (M-45, trazado del AVE, aeropuerto) o expansiones residenciales (bastante
evidentes al norte del ncleo urbano, as como algunos sectores del Este.
3.4.2. Diferencia entre imgenes
Una simple resta entre las imgenes de dos fechas, previamente homogeneizadas
radiomtrica y geomtricamente, permite discriminar aquellas zonas que han experimentado cambios entre esas fechas. Las zonas estables presentarn un valor cercano a
cero, mientras las que hayan experimentado cambios ofrecern valores significativamente distintos a cero (positivos o negativos). Si el equipo de ADI no permite visualizar valores negativos conviene aadir al clculo una constante para evitar stos. En resumen:
= N,2-ND,, + C
[7.54]
donde NDr indica el ND correspondiente a la imagen de cambios, ND,, y ND,2 los correspondientes a las imgenes del primer y segundo perodo, respectivamente, y C es
una constante para evitar valores negativos.
Como fruto de este clculo se obtiene una imagen de cambios, que presentar valores bajos o negativos (tonos oscuros) para las zonas que hayan reducido su ND,
mientras los ms altos (tonos claros) correspondern a aquellas que hayan ganado y
los intermedios indicarn zonas estables. El clculo puede realizarse sobre los ND de
alguna de las bandas originales (en ocasiones se ha utilizado la banda roja: Piln etal,
1988), aunque es ms frecuente aplicar esta operacin sobre ndices de vegetacin. En
este caso, el valor de la diferencia nos permite sealar las zonas que han perdido o ganado vigor vegetal, o simplemente la que han cambiado su cobertura por efecto de la
rotuacin, talas o incendios (Coppin y Bauer, 1994; Martn y Chuvieco, 1995). El histograma de esa imagen de cambios suele revelar un perfil gausiano, con las mximas
FlG. 7.61.
437
Histograma terico de una imagen de cambios.
frecuencias para las zonas estables (en el centro del histograma) y las dinmicas ocupando las colas de la distribucin (fig. 7.61).
Las figuras 7.62 y 7.63 incluyen dos ejemplos del empleo de esta tcnica para detectar cambios en la vegetacin. En ambos casos se incluye el NDVI como variable de
entrada. El primer ejemplo, tomado de un estudio de deforestacin en los Llanos Occidentales venezolanos (Vargas, 2000), revela las zonas que han perdido cubierta forestal entre 1993 y 1997, perodo de especial intensidad de este fenmeno. Por su parte, la
figura 7.63 muestra la diferencia entre imgenes de NDVI adquiridas antes y despus
de un incendio en el interior de Valencia (prxima a Buol). Se observa en tonos oscuros las zonas donde el decremento de NDVI ha sido ms intenso, que coincide bastante
bien con las zonas quemadas, mientras los grises medios corresponden a zonas que no
han alterado su cubierta vegetal entre ambas fechas.
3.4.3. Cocientes multitemporales
La diferencia entre imgenes resulta una tcnica sencilla para observar cambios
entre fechas, si bien tiene el problema de reflejar nicamente las diferencias absolutas, pero no ofrece la significacin del cambio frente a los valores originales. Por
ejemplo, una reduccin de 20 ND entre fechas puede significar una alteracin significativa si el ND original era 40, mientras resultar menos importante si el ND de la
primera fecha era de 200. Para subsanar ese problema puede ser ms conveniente en
ocasiones emplear cocientes multitemporales, que ofrecen una valoracin relativa
del cambio:
NDC=(ND;2/ND,,)XC
[7.55]
438
-1,42
-1,18
-0,93
-0,69 -0,44
-0,20
0,05
0,29
0,54
0,78
Diferencia (1997-1993)
Histograma de la imagen de diferencias
FlG.
7.62.
Diferencias entre NDV1 de 1997 y 1993 para detectar procesos

de deforestacin.
con el mismo significado de la frmula anterior, o tambin los ndices multitemporales

normalizados:
ND,,,f = ((ND,2-ND,,)/(ND,2 + ND,,)) + 1) X 127
[7.56]
en este caso se aade al ndice 1 y se multiplica el resultado por 127 para escalar el resultado entre 0 y 254.
Los cocientes multitemporales se han empleado en inventarios agrcolas (Lo etal,
1986; Mussakowski, 1985) y forestales (Howarth y Wickware, 1981; Singh, 1986). En
aplicaciones ambientales es frecuente que estos cocientes se calculen a partir de los ndices de vegetacin, lo que permite simplificar la variacin vegetal en una sola banda. En
este contexto se han empleado con gran xito los cocientes en estudios de deforestacin
439
(Grover et al, 1995; Singh, 1986; Vargas, 2000), e incendios forestales (Kasischke et
al, 1993; Martn y Chuvieco, 1995).
El principal problema de los cocientes multitemporales es su carcter no simtrico. En otras palabras, el resultado es dependiente de qu fecha elijamos para el numerador. Una reduccin a la mitad del ND (p. ej., de 100 a 50) ofrece un valor de 2 o
de 0,5 segn el orden en que introduzcamos las fechas. En definitiva, implica una
transformacin no lineal de las relaciones temporales. Para solucionar este problema, algunos autores recomiendan realizar una conversin logartmica del resultado
(Eastman et al, 1994).
La figura 7.63& nos ofrece una imagen del cociente normalizado de los NDVI correspondientes al incendio de Buol, junto a la imagen de diferencias simples. En este
caso, la delimitacin del rea quemada es bastante clara y similar en ambas tcnicas,
observndose tanto el permetro propiamente dicho, como sectores dentro de la mancha quemada donde el incendio fue menos severo o haba menor presencia vegetal.
3.4.4. Componentes principales
Como antes sealamos, en el caso de aplicaciones multitemporales el ACP se utiliza
de un modo un tanto particular, ya que no se pretende retener la informacin comn
entre fechas, sino precisamente la que cambia. Para aplicar esta tcnica en la deteccin
de cambios se genera un archivo multitemporal con las bandas correspondientes a las
dos fechas, sobre el que se aplica el ACP. En este caso, los primeros componentes resultantes del anlisis no son los ms interesantes, ya que recogern la dimensin de estabilidad en la imagen. Por su parte, los componentes secundarios ofrecen la informacin no
comn: el cambio, que es precisamente lo que ms interesa en este contexto.
El ACP se ha utilizado frecuentemente en deteccin de cambios. Para 2 imgenes
MSS (4 bandas cada una) se ha comprobado que los componentes 3,4 y 5 recogen ha-
FlG. 7.63. Imgenes de NDVI antes (a) y despus del fuego (b) en el rea de Buol.
Diferencias (c) y cocientes (d) entre ambas imgenes, que evidencian el rea quemada.
440
TABLA 7.15.
Autovectores de los componentes principales para las imgenes de Torrelaguna

(TM = 1984; ETM = 2000)
bitualmente el cambio entre fechas (Byrne et al, 1980). Algunos autores interpretan
que los dos primeros componentes de ese conjunto de 8 ofrecen informacin sobre el
brillo y el verdor estables en la imagen, mientras el 3. indica cambio en el brillo y
el 4. cambio en el verdor (Fung y LeDrew, 1987; Fung y LeDrew, 1988; Ingebritsen
y Lyon, 1985). Tambin en ocasiones se han comparado los componentes principales
deducidos para cada fecha, por separado, aplicando una diferencia o cociente entre
ellos (Coppin y Bauer, 1994; Singh, 1986).
En la tabla 7.15 aparecen los autovalores y autovectores correspondientes a la
comparacin multitemporal de dos imgenes adquiridas en el rea de Torrelaguna,
que venimos utilizando en este captulo. Aqu se han mezclado las bandas 1, 2,4, 5 y 7
de dos pequeas ventanas extradas de dos imgenes tomadas con 16 aos de diferencia (verano de 1984 y primavera de 2000), por los sensores TM y ETM+, respectivamente.8 Los cuatro primeros CP suman ms del 95 % de la varianza, por lo que se puede
afirmar que recogen lo ms sustancial de ambas fechas. La interpretacin de los
componentes se realiza de forma similar a como comentamos en el epgrafe 1.4, si
bien en este caso, adems del contraste espectral que marquen los coeficientes tambin
hay que observar el temporal. El primer CP corresponde claramente al sustrato comn
entre todas las bandas y las dos fechas, ya que todos los coeficientes son positivos, lo
que podemos simplificar denominndolo brillo estable. El segundo corresponde
con nitidez al cambio entre fechas, ya que los coeficientes son negativos en la primera
imagen y positivos en la segunda. Ya que no se hace una distincin entre bandas, dentro de cada fecha, podemos denominar a este componente como cambios en el brillo, o mejor an, considerando el signo de los coeficientes, incremento de brillo. El
tercero muestra para las dos fechas el contraste entre el IRC y las dems bandas, por lo
que podemos calificarlo como verdor estable. Ntese que los coeficientes son algo
ms altos en el IRC de la segunda fecha por tratarse de una imagen de primavera y, por
tanto, contar con mayor vigor vegetal que en la primera. Finalmente, el cuarto componente resulta ms complicado de interpretar, pues si bien se refiere a cambio entre fechas (los coeficientes tienen signos distintos en el IRC y en una de las bandas del
SWIR), no es ntido a qu tipo de contraste especial est refirindose, tal vez a la transicin de vegetacin seca a vigorosa.
La figura 7.64 proporciona una valoracin grfica del sentido de estos componentes. Aparece en la parte superior la banda 4 de las dos fechas, para que se nos facilite
la observacin visual de los cambios. A continuacin se sitan los 4 primeros CP del
8. La banda 3 de la imagen TM de 1984 estaba daada, por lo que no se ha podido utilizar en este
anlisis. No obstante, su variacin espectral se cubre bastante bien con las bandas 2 y 1.
441
FlG. 7.64. Imgenes originales de Torrelaguna: a) Banda 4, 1984; b) Banda 4, 2000.

Cuatro primeros CP multitemporales (c, d, e, f) de ambas imgenes. En el segundo componente
se observan algunos cambios en el brillo de la imagen.
archivo multi temporal. Se confirma que el primero recoge la informacin estable a las
dos fechas, con la excepcin del sector del embalse del Velln que aparece parcialmente desecado en la segunda fecha y no se aprecia en la imagen de estabilidad, posiblemente por el fuerte peso de la absorcin del agua en la primera. En el segundo, que
habamos denominado incremento de brillo, esa zona se observa con gran nitidez,
ya que es precisamente la que presenta los valores ms altos (mayor incremento de brillo entre las dos fechas, al pasar de agua a vegetacin). Asimismo, hemos destacado
con crculos dos recientes urbanizaciones en construccin (o recientemente construidas), que ofrecen valores ms altos de brillo por pasar de vegetacin a suelo construido. El tercer componente muestra los sectores de vegetacin ms vigorosa entre fechas, que corresponden generalmente a pastizales. Finalmente, el cuarto nos informa
de cambios que se han producido en el vigor vegetal, de reas de vegetacin seca a vigorosa. Esta dimensin nos permite caracterizar con claridad algunas zonas residenciales ya consolidadas, que han pasado de vegetacin arbrea-arbustiva a especies ornamentales, con mayor vigor, no obstante la interpretacin de este componente, como
hemos visto, resulta un tanto confusa.
442
t2 = a + b x f1
Cambio = f2 - /2
FlG. 7.65. Esquema de la regresin multitemporal.
3.4.5. Regresin
Como es bien sabido, las tcnicas de regresin se emplean para estimar valores de
una variable de inters a partir de otra que est fuertemente asociada con ella. Esa asociacin se mide a partir de unas observaciones comunes a ambas variables, a partir de
las cuales se ajusta una funcin que las relaciona numricamente. En el marco de la correccin geomtrica de imgenes p, ya tuvimos ocasin de comentar esta tcnica, por
lo que aqu slo nos detendremos en su aplicacin al anlisis de cambios.
En este contexto, las tcnicas de regresin se utilizan para estimar cules sean los
ND de la imagen de la segunda fecha caso de que no hubiera habido cambios entre ellas.
En definitiva, se considera que la segunda fecha es una funcin de la primera, y que toda
desviacin de la funcin estimada estara representando el cambio. Siguiendo la notacin
convencional, los ND de la segunda fecha se estiman a partir de la primera, utilizando:
ND,, =a + b-ND,
[7.57]
donde D,2 estara indicando el valor estimado de la segunda fecha (2), calculado a
partir de los coeficientes de regresin (a, b) sobre los ND de la primera fecha (ti).
Estos valores estimados sern muy similares a los reales de la segunda fecha, siempre
que no se haya producido cambio, sirviendo adems para homogeneizar la radiometra
entre las dos fechas. En caso de que hayan ocurrido cambios entre imgenes, los ND
reales de la segunda fecha presentarn valores alejados de los estimados por la regresin, o lo que es lo mismo contarn con altos residuales:
ND - ND,2 - ND,2
[7.58]
Los coeficientes de regresin pueden calcularse para todos los ND de la imagen o a

partir de un muestreo. En el primer caso, puede violentarse algn requisito de la regresin, ya que los ND presentan una clara autocorrelacin espacial (Congalton, 1988a;
Eastman et al., 1994), adems de complicar los clculos. La regresin multitemporal se
ha utilizado para determinar cambios en reas urbanas (Molina y Chuvieco, 1997), y forestales (Martn y Chuvieco, 1995; Vargas y Chuvieco, 1991), con buenos resultados.
Un ejemplo de la aplicacin de este tipo de tcnicas aparece en la figura 7.66 que
Original 2000
Estimada 2000
FlG. 7.66. Regresin multitemporal sobre las imgenes de Madrid.
Residuales
444
muestra una comparacin entre la banda ETM+3 de una imagen de Madrid adquirida
en marzo de 2000 y la estimada a partir de la TM-3 de agosto de 1992, as como la
imagen de residuales. Se observan con claridad los desarrollos urbanos que han ocurrido en esta ciudad a lo largo de la ltima dcada, principalmente la ampliacin del aeropuerto de Barajas (al NE), la urbanizacin de los sectores comprendidos entre la M-30
y la M-40 al norte de la ciudad y la construccin de la M-45 y la lnea de alta velocidad
Madrid-Barcelona, ambos al este de la ciudad.
En el caso de la imagen de Torrelaguna, la regresin entre la banda 2 de las dos fechas facilit un coeficiente de determinacin (r2) de 63,38 % con la siguiente regresin:
ND/2= 13,436 + 0,584 ND(1
Esta funcin se ha aplicado para obtener la imagen estimada de la segunda fecha
(en este caso de 2000), que se ha restado de la imagen original para obtener los residuales. Esta imagen de residuales nos informa de los principales cambios producidos,
tanto en su intensidad (valor), como su sentido (signo). Se observan nuevas reas residenciales, al Este, Norte y Centro de la imagen, as como la prdida de buena parte del
rea embalsada en el Velln.
La figura 7.67 recoge la aplicacin de la misma tcnica a la misma ventana de
FlG. 7.67. Regresin multitemporal de la imagen de Torrelaguna: a) banda TM2 1992;

b) banda ETM2 2000; c) imagen de residuales. Se sealan con crculos
los cambios ms evidentes.
445
la imagen TorrelOO que hemos analizado a travs del ACP. De nuevo se observa en la
imagen de residuales los cambios ms destacados entre fechas: alteraciones del nivel
del agua, crecimiento urbano de Guadalix y apertura de nuevas urbanizaciones.
3.4.6. Vectores multitemporales
Es una tcnica que intenta incorporar no slo la importancia, sino tambin la direccin del cambio entre imgenes. Si representamos en un eje bivariado dos bandas
originales (por ejemplo, la rojo e infrarrojo cercano), cada pxel viene definido por
un punto (localizacin de sus ND en las dos bandas). Si ese pxel cambia su cobertura entre dos fechas, tambin modificar su emplazamiento espectral. La magnitud
del cambio vendr dado por la longitud del vector que separa ambos puntos. Por su
parte, el sentido del cambio se define por eJ ngulo que forma con el eje de referencia
(fg. 7.68). Caso de que el pxel haya reducido el vigor vegetal, tender a disminuir
su ND en el infrarrojo cercano y aumentarlo en el rojo. En consecuencia, el vector
presentar una direccin descendente y hacia la derecha del grfico (en trminos
geogrficos tendra direccin SE). Por el contrario, si aumentara su cobertura vegetal el vector presentara una direccin NW.
Con este sencillo ejemplo, podemos introducir el inters de este tipo de anlisis
para la deteccin de cambios, ya que nos ofrece una imagen de su magnitud y sentido.
La intensidad del cambio se identifica con la longitud del eje, que puede obtenerse a
Rojo
FlG. 7.68. Ejemplo de vectores de cambio entre dos fechas de referencia.
446
partir de calcular la distancia entre la localizacin espectral de cada pxel en las dos fechas
(fig. 7.69):
dtJ,t = A/(ND,,^LT^+ (ND,,,, - ND,,,2 Y
[7.59]
donde d c indica la intensidad del cambio espectral en las bandas i,j entre los dos perodos considerados (t y t2). Por su parte, la direccin del cambio puede calcularse a
partir del ngulo que forma el vector de cambio con la vertical (a):
a = arct
[7.60]
En la figura 7.69 aparecen los dos componentes de intensidad y direccin del

cambio para la imagen del incendio de Buol. La imagen de intensidad muestra los tonos ms claros para las reas afectadas por el fuego, ya que son stas las que han experimentado un cambio ms intenso entre las dos fechas. Adems se muestran en el vrtice NE de la imagen unas pequeas zonas afectadas por nubes en la segunda fecha, por
lo que tambin ofrecen un cambio bastante intenso y, en consecuencia, tonos claros.
La imagen inferior muestra la direccin del cambio. Como puede observarse, las dos
clases que ms intensamente han cambiado (de vegetacin sana a quemada, y de vegetacin a nubes) muestran ahora tonos muy distintos, en funcin del sentido del cambio.
En el primer caso, los tonos son oscuros, indicando que los ND de la segunda fecha son
inferiores a los de la primera.
Direccin
Intensidad
FlG. 7.69. Vectores

multitemporales para la
deteccin de incendios
(Buol).
447
3.4.7. El problema de delimitar los umbrales

Todos los mtodos hasta aqu analizados facilitan imgenes continuas del
cambio. En otras palabras, el resultado de los clculos es una imagen en donde el ND
indica el grado de cambio, desde la mayor prdida a la mayor ganancia, en una escala
gradual. Habitualmente, el intrprete pretende ms bien generar una imagen categorizada, en donde se separen las clases de cambio y no cambio. En consecuencia, es preciso segmentar la imagen resultante de las tcnicas anteriores, de tal forma que se delimiten las zonas dinmicas de las que han permanecido estables. El lmite entre ambas
resulta complicado de trazar, ya que no contamos con criterios objetivos y de aplicacin general. En teora, el histograma de la imagen de cambios debera permitir esta
segmentacin, ofreciendo un perfil bimodal correspondiente a los pxeles estables y
dinmicos.
Sin embargo, en la prctica, los histogramas no definen con tanta claridad ese
umbral, ya que los cambios en la naturaleza no se producen de modo abrupto sino gradual, como ocurre con la imagen de cambios de Torrelaguna (fg. 7.70). En consecuencia, es preciso arbitrar algn criterio slido que permita segmentar esa imagen de
cambios en dos (p. ej., cambios / no cambios), tres (p. ej.: incremento / estable / decremento), o ms categoras (p. ej., alto incremento / moderado incremento / estable / moderado decremento / alto decremento).
Se han propuesto distintas opciones para establecer esos umbrales, ninguna de
ellas plenamente satisfactoria y objetiva. Con frecuencia se han utilizado criterios estadsticos, basados en la media y algn mltiplo de la desviacin tpica, o la propia distribucin del histograma (Hervs y Rosin, 2001). Lgicamente, el problema en ese
caso sera fijar qu mltiplo es ms apropiado, ya que no se conoce qu porcentaje de
cambio incluyen las imgenes y por tanto no sabemos las unidades tipificadas que le
corresponden. Algunos autores han ensayado la aplicacin sucesiva de distintos mltiplos de la desviacin tpica para delimitar cambios urbanos entre dos imgenes. En
cada iteracin, las zonas de cambio y no cambio se separaban a partir del lmite fijado
por n desviaciones tpicas ( la media), variando n desde 0,1 hasta 2. Las reas categorizadas como de cambio se verificaban con parcelas delimitadas en el terreno, calculndose la fiabilidad para cada iteracin hasta encontrar el valor ptimo (Fung,
60.000 50.000 40.000 30.000 20.000 10.000 -
40 50 60 70 80 90 100 110 120 130 140150 160 170 180 190 200 210 FIG.
7.70.
Histograma de la imagen de diferencias multitemporales de Torrelaguna.
448
] 992; Fung y LeDrew, 1988). Los lmites idneos variaban con cada tcnica de deteccin utilizada, si bien se encontraban en torno a una desviacin tpica de la media. Ese
lmite puede considerarse estadsticamente razonable, pero no sabemos si el resultado
es extrapolable a otra zona o a otro tipo de aplicacin.
Ms recientemente se ha propuesto ajustar los umbrales de cambio considerando
la funcin seal/ruido de un determinado sensor. Ese ruido puede provenir del incorrecto ajuste entre fechas, o de la propia radiometra del sensor. Se propone estimarlo a
partir de una biblioteca de imgenes histricas de cambio, que permitan delimitar los
umbrales de evidencia ms apropiados para ese tipo de imgenes. Para un estudio de
cambios urbanos con imgenes SPOT-P, los autores utilizan una biblioteca con 711
pares de cambios, extrados de imgenes del mismo sensor para distintas zonas y fechas (Smits y Annoni, 2000).
Un segundo criterio parte de sealar umbrales de cambio a partir de valores crticos de incremento o decremento de una determinada variable fsica. Por ejemplo, puede dictaminarse que una disminucin de temperatura superior a 10 C entre dos imgenes tomadas en das consecutivos indicara la presencia de nubes en la segunda imagen, o que un decremento mayor de un cierto umbral de NDVI manifiesta un cambio
abrupto en la vegetacin que slo puede deberse a un trnsito de vegetacin a suelo.
Este ha sido de hecho un criterio habitual para delimitar reas quemadas a partir de
imgenes TM y AVHRR (Martn y Chuvieco, 1995). El valor especfico de esos umbrales puede derivarse a partir de medidas de laboratorio tomadas con espectroradimetro.
Tambin puede optarse por sealar umbrales de cambio adaptados al entorno,
aplicando tcnicas de contexto espacial. Por ejemplo, pueden determinarse como cambios aquellos pxeles que superen un cierto umbral de desviaciones tpicas sobre el
cambio observado en una ventana que les circunde. Esto es lo que se denomina desviacin frente a la tendencia (departure from background), y es una tcnica bastante utilizada para deteccin de incendios activos (Flasse y Ceccato, 1996) y delimitacin de
reas quemadas (Fernndez et al., 1997).
Finalmente, se pueden seleccionar los umbrales de cambio a partir de una clasificacin de las imgenes de cambio obtenidas con distintas tcnicas, con objeto de establecer grupos homogneos de pxeles estables y dinmicos. Pueden realizarse clasificaciones supervisadas, a partir de reas que se conozcan como estables o dinmicas, o
no supervisadas, dejando al programa que seleccione los grupos naturales presentes en
esas imgenes. El criterio ha dado buenos resultados en aplicaciones forestales (Coppin y Bauer, 1994) clasificando imgenes de cambio generadas a partir de la transformacin tasseled cap, ndices de vegetacin y anlisis de componentes principales, y urbanas (Wang, 1993), en este caso sobre las bandas originales de las dos
fechas.
Sea uno u otro el criterio que se utilice, conviene recordar que la mayor o menor rigidez de los umbrales implicar incrementar o disminuir los errores de omisin, o inversamente los de comisin, por lo que el usuario tendr que decidir en primer lugar qu
tipo de error resulta ms tolerable. Volviendo al ejemplo de la delimitacin de reas quemadas, los umbrales muy exigentes reduciran las reas no quemadas que se discriminen
como tales, a la vez que aumentaran los pxeles realmente quemados que no se detectaran con ese algoritmo (fig. 7.71). En este caso concreto, pensamos que resulta ms ade-
449
d)
FIG. 7.71. ndice de rea quemada para la imagen de Buol, antes (a) y despus del incendio (b).
Aplicacin de umbrales laxos (c) y estrictos (d) para discriminar rea quemada.
cuado optar por la segunda opcin, de cara a reducir los errores de comisin, y aplicar
posteriormente un algoritmo de contexto para delimitar con mayor nitidez las reas realmente quemadas. Otro aspecto interesante en la delimitacin de umbrales es el carcter
fragmentario que puede tener la imagen resultante, ya que los lmites se establecen por
cortes en el histograma de cambios y no por criterios espaciales. Para solventar este problema puede resultar conveniente aplicar algn filtro modal a las imgenes resultantes
(fig. 7.72) o eliminar aquellos grupos de pxeles que sean ms pequeos de un determinado tamao (Fernndez-Gustz, 2001).
3.4.8. Anlisis multitemporal de imgenes clasificadas
La deteccin de cambios puede tambin abordarse empleando las tcnicas de clasificacin antes comentadas. En este caso, no se presenta el problema de delimitar umbrales, ya que clasificar lleva consigo discretizar la escala continua de las imgenes
originales, por tanto comparaciones multitemporales se realizan entre categoras.
La deteccin de cambios a partir de tcnicas de clasificacin puede abordarse empleando dos grupos de tcnicas: 1) por un lado, comparar imgenes previamente clasificadas, y 2) por otro, clasificar conjuntamente las imgenes de las dos fechas.
En el primer caso se aborda una clasificacin para cada imagen por separado,
cuidando de emplear la misma leyenda temtica en las dos fechas, con objeto de que
450
Fie 7.72.
El empleo de filtros modales restringe las reas de cambio detectadas

entre imgenes. (Fernndez, 2001.)
puedan compararse posteriormente. A continuacin se genera una tabla multitemporal

de cambios, en donde se presentan las transiciones que se producen entre las dos fechas (tabla 7.16). En la diagonal de esta tabla aparecen los pxeles estables (que cuentan con la misma categora en las dos fechas), mientras los cambios se detectan en el
resto de las celdillas. El gran inters de esta tabla es ofrecernos las transiciones que se
han producido. En otras palabras, no slo observamos las zonas estables y dinmicas,
sino tambin cul era la cobertura original y cul la actual, lo que nos indica las tendencias del cambio en la zona de estudio. En un estudio de deforestacin, esto nos permitira conocer qu tipo de especies forestales estn siendo ms afectadas; en una
evaluacin de incendios, qu especies se han quemado, o en un estudio urbano, qu es-
451
TABLA 7.16.
Cambios urbanos en la ciudad de Madrid a travs del anlisis

de dos imgenes Landsat-TM y ETM (en hectreas)
1992
MatorralVegetacin
Vegetacin
o
Matorral-pastizal
Secano
Suelo
reas urbanas
Agua
TOTAL
*
pastizal
reas
Secano*
Suelos
urbanas
Agua
Total
10.775,38
4.681,44
666,31
77,81
1.669,19
14,13
17.884,25
793,31
468,63
134,63
1.209,56
60,50
5.188,75
2.566,81
1.182,69
1.778,81
9,00
5.924,94
2.507,44
3.992,75
2.034,63
9,50
346,38
130,50
816,06
603,13
5,31
5,50
1,25
1,00
3,13
151,44
13.864,31
6.131,50
7.078,06
13.104,56
255,56
13.442,00
15.407,50
15.135,56
1.979,19
1.605,44
456,88
950,94
7.475,31
19,81
12.177,56
176,44
58.318,25
La imagen de 2000 se tom en primavera, de ah algunos cambios en esta categora entre las dos fechas: Fernandez (2001).
pacios estn experimentado un mayor proceso de urbanizacin (Adeniyi, 1985; CoppinyBauer, 1994;Howarthy Boasson, 1983; Jakubauskas e a/., 1990; Molina y Chuvieco, 1997).
En este sentido, puede aplicarse algn estadstico para medir el grado de cambio entre las dos fechas, a partir de calcular su grado de asociacin. Por ejemplo, el
ndice Kappa que permite calcular el grado de acuerdo entre filas y columnas de
una matriz cuadrada, como luego veremos en el contexto de la verificacin de imgenes (cap. 8) permite medir el grado de cambio entre las dos fechas: cuanto ms
alto sea el valor, indicara una mayor estabilidad.
En un anlisis posterior podra analizarse el origen de estos cambios, acudiendo a
informacin auxiliar almacenada en un SIG. Por ejemplo, abandonos de tierras podran explicarse por factores relacionados con la productividad del suelo, con la topografa o con la accesibilidad (Bosque et al., 1991).
El principal problema de esta tabla es su gran dependencia de la fiabilidad de las
clasificaciones individuales. En otras palabras, si las clases no se han discriminado correctamente en cualquiera de las dos fechas, los cruces entre categoras resultarn errneos, ofreciendo una informacin imprecisa del cambio. En cualquier caso, la fiabilidad de la tabla multitemporal siempre es inferior a las fiabilidades de cada clasificacin.9 El empleo de tcnicas de clasificacin borrosa puede paliar algunos de estos
errores, ya que ciertas transiciones imposibles (p. ej., de urbano a rural) pueden solventarse observando el grado de pertenencia de cada pxel a esas categoras en las dos
fechas (Wang, 1993). Este enfoque borroso en el anlisis temporal resulta especialmente beneficioso cuando pretendemos analizar la dinmica de un fenmeno que presenta una distribucin gradual en el espacio, como podra ser la densidad y estado de la
vegetacin (Foody, 2001).
Otro aspecto a considerar en la comparacin entre clasificaciones afecta a la cartografa de resultados. Puesto que podemos encontrar cruces mltiples entr las categoras
de las dos fechas, el nmero de clases a cartografiar puede ser bastante elevado. Por
ejemplo, con una sencilla clasificacin de 8 categoras por fecha tendramos 64 clases
9. Concretamente es su producto. Si las clasificaciones individuales cuentan con una exactitud de
0,85 y 0,90, la fiabilidad de la multitemporal ser de 0,85 x 0,90 = 0,76.
452
FlG. 7.73. Ejemplo de cartografa dinmica sobre una ventana de Torrelaguna (1984-2000):
a.) procedencia del suelo; b) procedencia del pastizal. En ambos casos el 1 indica agua; el 2
matorral; el 3 pastizal y el 4 suelo descubierto. En blanco, se sealan las zonas estables.
resultantes posibles. Aunque puede haber algunas de ellas que estn vacas (ya que hay
cruces temporales prcticamente imposibles), la representacin grfica de esas concurrencias resulta bastante complicada. Una alternativa para representarlos sera recoger
varios mapas del mismo cruce, por ejemplo uno por categora de la segunda fecha, indicando con tramas o colores su origen en la primera fecha. Esto es lo que se presenta en la
figura 7.73, que recoge la dinmica de dos categoras entre 1984 y 2000 en una ventana
de la zona de Torrelaguna. Los tonos blancos indican zonas estables y los de gris sealan
cul es la cobertura de la primera fecha. En consecuencia, pueden observarse tanto las
reas estables, como las transiciones que se han producido entre las dos imgenes.
El otro enfoque de la clasificacin multitemporal considera la asignacin conjunta
de las dos fechas. En este caso, la clasificacin resultante estar formada por categoras
multitemporales, definidas por su estabilidad o por su cambio entre las dos imgenes
que se consideren. Nombres apropiados a estas clases podran ser, por ejemplo,
transicin de zonas rurales a urbanas, cambios de agricultura de secano a regado, o
urbano estable. Esas clases pueden deducirse de una clasificacin supervisada, en
donde el intrprete seale como reas de entrenamiento aquellos sectores que hayan
experimentado las transformaciones ms interesantes. Esa leyenda de trabajo, por tanto,
tiene que ser dinmica, incluyendo categoras de estabilidad y de cambio (por
ejemplo, reas que eran rurales en la primera fecha y pasaron a urbanas en la segunda, o
zonas de cultivo estable). Tambin puede optarse por la clasificacin no supervisada,
donde el algoritmo de agrupacin identificar los grupos de estabilidad y cambio ms
importantes de la imagen, quedando luego al intrprete la tarea de asignar esos grupos
a categoras multitemporales significativas. En este caso, la fiabilidad de la
comparacin temporal no depende de la obtenida en cada imagen, sino que se mide sobre
la clasificacin resultante, ya que las dos fechas se agrupan conjuntamente. Algunos
trabajos recientes sealan el inters de realizar estas comparaciones temporales no
supervisadas incluyendo explcitamente el componente textural, de cara a obtener productos ms robustos espacialmente (Bruzzone y Fernndez-Prieto, 2000).
453
4. Determinacin de la estructura espacial del territorio: la

imagen como mosaico paisajstico
4.1. TELEDETECCIN Y ECOLOGA DEL PAISAJE
Frente a la ptica tradicional de la ecologa de campo, preocupada por los anlisis
a escala de detalle, ha crecido en los ltimos aos el inters por extender estas observaciones a un marco ms amplio, de tal forma que se incluya explcitamente la variacin
espacial en el anlisis y gestin integral de ecosistemas. En este enfoque, la teledeteccin y los SIG pueden jugar un papel muy destacado, ya que son tcnicas que permiten
gestionar informacin georreferenciada, facilitando el anlisis espacial de los datos,
as como la obtencin de variables crticas para un entendimiento ms completo del
medio ambiente (Hoffer, 1994; Wilkie y Finn, 1996).
Hemos visto en anteriores captulos que el anlisis de imgenes de satlite proporciona la distribucin espacial de algunas variables que son claves para entender el
funcionamiento de un ecosistema, como son la temperatura de superficie, la radiacin
interceptada por la vegetacin, el contenido de clorofila o de agua en las hojas, o el ndice de rea foliar.
En este captulo vamos a centrarnos en los mtodos para obtener informacin sobre las relaciones espaciales entre los elementos que forman la imagen. Una imagen de
satlite puede considerarse como una representacin digital del mosaico que forma un
determinado paisaje. Por tanto, a partir de estas imgenes pueden medirse las relaciones espaciales entre los elementos de ese mosaico, denominados, en ecologa del paisaje, manchas o teselas (patches). Al tratarse de una imagen digital pueden aplicarse
sobre las bandas originales, sobre alguna transformacin de ellas o sobre una imagen
ya clasificada, medidas que permitan evaluar cmo se configuran las distintas cubiertas en un territorio concreto.
El patrn espacial con el que se presentan las diversas coberturas terrestres tiene
gran inters para entender ciertos procesos ecolgicos, como la dispersin de organismos, el uso de los recursos por parte de la fauna local (Congalton et al, 1993a), la comunicacin gentica o la extensin espacial de ciertas alteraciones, como son las causadas por fuegos o plagas (Hargrove et al, 2000; Muchoki, 1988; Sample, 1994), adems de estar directamente relacionada con la biodiversidad (Roy y Tomar, 2000). Por
ejemplo, la fragmentacin espacial del paisaje, que est relacionada con la conectividad/aislamiento que presentan las distintas manchas, puede dificultar la migracin de
especies, lo que implica un deterioro, o incluso una desaparicin de las mismas, al degradarse su composicin gentica (Griffiths et al., 1993. De igual modo, la proximidad a carreteras o reas agrcolas est relacionada con situaciones de desequilibrio,
pues implica una alteracin del nmero y/o tipo de especies que aparecen en esos bordes. Obviamente, esto no es aplicable por igual a cualquier especie, por lo que es preciso reforzar la investigacin sobre las relaciones entre estructura espacial y funcionamiento de los ecosistemas. En consecuencia, la gestin integrada de los mismos implica
contar con informacin no slo sobre el tipo de cubiertas presentes en el territorio,
sino tambin sobre su disposicin espacial. La reciente tendencia a asegurar un medio ambiente sostenible implica considerar varios aspectos, como son minimizar la
fragmentacin del habitat, mantener la biodiversidad, identificar y gestionar efectos
454
acumulativos, y analizar, predecir y vigilar impactos a varias escalas espaciales y temporales (Green, 1994; Haines-Yaung etal, 1993; Quattrochi y Goodchild, 1997; Wilkie y Finn, 1996; Saura 2002).
El empleo de imgenes de satlite en ecologa del paisaje tiene una historia reciente, pero ya cuenta con interesantes ejemplos (Gulinck et ai, 1991; Walsh et al.,
1998). En este campo la teledeteccin ofrece una visin sinptica del paisaje, constituye un conjunto homogneo de medidas y facilita el seguimiento multitemporal de fenmenos que afectan a la composicin del territorio (Delbaere y Gulinck, 1995). De
acuerdo a Walsh et al. (1998), la teledeteccin ofrece en este mbito de trabajo las siguientes ventajas:
1. Permite verificar la composicin del paisaje para unidades espaciales de infor
macin (pxeles), unidades biofsicas (p. ej., cuencas) y para su agregacin espacial.
2. Ofrece una representacin espacial de la estructura del paisaje.
3. Facilita una anlisis de la autocorrelacin espacial de diversas variables pai
sajsticas, como la cobertura del territorio, la humedad del suelo, la geologa superfi
cial, a distintas escalas espaciales.
4. Permite calcular ndices del patrn espacial de diversas variables paisajsti
cas de cara a mejorar la planificacin espacial del territorio.
El anlisis de la estructura espacial que contiene una imagen de satlite ha sido
hasta hace unos aos un tema mas o menos marginal, tal vez como consecuencia de la
escasa resolucin espacial que proporcionaban las imgenes. Temas como el reconocimiento automtico de ciertas formas slo se estn aplicando desde la disponibilidad
de imgenes de muy alta resolucin espacial. No obstante, los aspectos de variacin
espacial en las imgenes se han venido analizando desde los aos ochenta, sobre todo
orientados a entender mejor las relaciones entre resolucin espacial y escala (Woodcock y Strahler, 1987;Woodcock>cz/., 1988a; Woodcockej/., 1988?). No obstante,
son ms numerosos los trabajos que utilizan la variacin espacial para mejorar la discriminacin de algunas cubiertas, como ya indicamos en nuestro comentario de los
clasificadores de contexto (2.3.5). Respecto a los estudios de estructura espacial del
territorio, los ejemplos no son muy abundantes. Tambin aqu podramos hacer una divisin entre aquellos trabajos que se basan sobre las imgenes medidas en escala continua, ya sean originales, ya aplicando alguna transformacin aritmtica (ndices de
vegetacin o componentes principales, por ejemplo), y aquellos que se basan sobre
imgenes clasificadas, esto es, medidas en escala nominal. Sobre estos dos grupos dividiremos la exposicin.
4.2.
TCNICAS PARA MEDIR LA ESTRUCTURA ESPACIAL DE UNA IMAGEN
4.2.1. Medidas de la variacin espacial en imgenes de intervalo

Hace referencia este trmino a imgenes en las que los ND estn medidos en una
escala numrica continua, por lo que pueden aplicarse sobre ellas tcnicas estadsticas
apropiadas a variables de intervalo. El objetivo de estas tcnicas es medir la textura o
FlG. 7.74.
455
Ejemplo de dos imgenes con el mismo patrn espacial pero distinto contraste tonal.
contraste espacial entre los pxeles que componen la imagen. Si en trminos de interpretacin visual, la textura hace referencia a la diversidad espacial de los tonos de gris
en una imagen, los ndices numricos de textura se dirigen a medir ese contraste en la
vecindad de los ND de la imagen. Algunos de estos ndices operan sobre toda la imagen y proporcionan una sola medida del contraste, mientras otros calculan la textura
local, normalmente comparando el ND de un pxel con el de los que le circundan. Los
primeros son tiles para comparar la complejidad espacial de distintas zonas, o para
analizar la evolucin en el tiempo de un determinado sector. En cuanto a los segundos,
permiten generar imgenes de textura espacial, sirviendo tambin como variable auxiliar para la clasificacin de categoras temticas.
Entre los ndices aplicables al conjunto de la imagen podemos comentar los siguientes:
1. Desviacin tpica (DT) a lo largo de perfiles. La DT del conjunto de la
imagen no resulta apropiada para medir el contraste espacial de la imagen, ya que no
mide realmente el contraste espacial sino ms bien el tonal (anchura del histograma).
Dos imgenes pueden tener el mismo patrn espacial pero DT muy distintas, por con
tar con una cubierta que presente un marcado contraste espectral con el resto (fig.
7.74). Por esta razn, es preferible emplear la DT calculada para los ND de los pxeles
que atraviesen uno o varios transectos de la imagen. En este caso, con algunas de las li
mitaciones antes apuntadas, la DT resulta ms apropiada para ver el contraste espacial,
pues informa sobre la variedad entre pxeles que estn prximos. Imgenes que hayan
perdido diversidad espacial, como consecuencia de cambios en la cobertura del suelo,
tendern a presentar un perfil ms plano, con menor aparicin de crestas y valles mar
cados (fig. 7.75).
2. Dimensin fractal. La geometra fractal asume que la dimensin de un
objeto no es entera, sino real. En la geometra clsica, una lnea posee una dimensin
de 1, una superficie de 2 y un volumen de 3. En trminos fractales, una lnea posee
una dimensin comprendida entre 1 y 2, con valores tanto ms altos cuanto ms com
plejo sea su trazado. En el contexto del anlisis de imgenes, la dimensin fractal
456
puede facilitar una valoracin numrica del grado de complejidad espacial de una
determinada escena. Al tratarse de una superficie, una imagen tendr una dimensin
fractal entre 2 y 3, aproximndose ms a 3 cuanto mayor heterogeneidad espacial
presente. Aunque esta medida se ha empleado en diversos estudios de ecologa del
paisaje, su clculo no es muy evidente sobre una imagen de intervalo. En una aplicacin pionera de la geometra fractal al anlisis de imgenes Landsat, Lam (1990) midi la dimensin fractal de imgenes TM correspondientes a distintos paisajes. De
acuerdo a lo esperable, el valor ms alto calculado correspondi a una imagen de un
rea urbana, frente a otras con mayor predominio de espacios rurales. Las bandas
ms heterogneas espacialmente resultaron la 1, 2 y 3, y la ms homognea la 6 (trmica), por contar con menor resolucin espacial y radiomtrica que las visibles. En
todos los ejemplos se encontr que la dimensin fractal de una imagen no clasificada
es bastante alta, superando el valor 2,6 (salvo la trmica, con un valor de 2,2), lo que
indica que las imgenes de satlite son espacialmente mucho ms complejas que
otras variables geogrficas, como los modelos digitales de elevacin (Lam, 1990).
Estudios recientes han aprovechado estas medidas fractales para caracterizar la variacin espacial de las alturas de los rboles, de cara al inventario forestal (Drake y
Weishampel, 2000), y a analizar los patrones de regeneracin post-incendio a partir
de imgenes de NDVI (Ricotta et al, 1998).
3. Auto-correlacin espacial (AE). Las tcnicas de AE pretenden medir la
asociacin entre variables debida a la distancia (Cliff y Ord, 1973). Resulta lgico
pensar que los rasgos de la cubierta terrestre se parecen ms entre s cuanto ms cerca
estn, ya que en el paisaje son poco comunes los cambios bruscos. La medida de esta
asociacin espacial puede obtenerse a partir del ndice (/), ideado por Moran (1948),
que mide la correlacin que existe entre cada pxel y sus vecinos:
[7.61]
FIG. 7.75.
Cambio en el perfil de los valores de NDVI de una zona como consecuencia de

un incendio. (Chuvieco, 1999a.)
457
donde n indica el nmero de pxeles considerados, A el nmero de posibles uniones entre esos pxeles, z la desviacin del pxel i frente a la media de la imagen (ND, - NDJ,
y ij las desviaciones frente a la media de todos los pxeles adyacentes al pxel i. Al
igual que el coeficiente de correlacin de Pearson, el ndice de Moran oscila entre -1 y
+ 1, aumentando cuanto mayor sea la uniformidad espacial del paisaje. Puede calcularse para cualquier direccin (de modo similar al movimiento del rey sobre un tablero
de ajedrez), o para algunas direcciones (caso del alfil o de la torre). Este ndice se ha
utilizado como medida de la uniformidad del paisaje, as como para estudiar los efectos que provocan distintos fenmenos exgenos (Congalton, 1988a; Henebry, 1993;
Pickup y Foran, 1987).
4. Semi-variograma. Basado sobre el mismo concepto de autocorrelacin espacial, puede obtenerse un grfico que muestre cmo se modifica la varianza espacial
(esto es, la dispersin de un conjunto de valores vecinos) con la distancia, lo que permite tener una idea bastante precisa de la variacin espacial de una imagen. El semivariograma se obtiene a partir de la siguiente funcin (Chica, 1988):
donde y (h) indica la varianza espacial para una distancia h, NP (h) el nmero de pxeles incluidos en ese radio h, y ND (x,) el ND correspondiente al pxel x. El semivariograma se puede calcular en una direccin determinada o, lo que es ms habitual
en teledeteccin, en un radio, considerando todas las direcciones. La representacin
grfica de y (h) nos muestra cmo aumenta la varianza en funcin de la distancia (fig.
7.76). Inicialmente la curva tiende a un trazado ascendente, ya que al considerar
pxeles cada vez ms alejados la varianza aumenta. Sin embargo llega un momento en
que se estabiliza, de tal forma que al incrementarse el radio de clculo no aumenta la
varianza significativamente. Esa distancia crtica se denomina alcance (range), y el
valor al que se estabiliza la varianza, meseta (sill). Alcance y meseta son de gran inters para entender la estructura espacial de una imagen. Cuanto mayor contraste espacial presente, tanto el rango como la meseta tendern a ser mayores. La proporcin en
la que vara una y otra depende de la disposicin del mosaico paisajstico de la imagen.
En un trabajo de gran inters sobre discriminacin de morfologa forestal se calcul
el semi-variograma para varias imgenes obtenidas por videografa (con resolucin de
1 m) sobre diversas plantaciones de coniferas. Los autores del estudio observaron que el
alcance estaba directamente relacionado con la anchura de la copa siendo mayor
para las parcelas con rboles aejos, muy desarrollados, mientras la meseta haca
referencia a la estratificacin del dosel vegetal (Cohn et al, 1990). Conviene
considerar que estas observaciones dependen directamente de la resolucin de la imagen y, ms en concreto, de la relacin entre el tamao de los objetos que se estudian
(en este caso, la anchura de las copas) y el tamao del pxel. De hecho, estos autores
comprobaron cmo las imgenes de vdeo reducan notablemente su capacidad para
discriminar rasgos espaciales al degradarse a 10 m la resolucin del canal pancromtico del SPOT, mientras no permitan deducir una relacin significativa entre se-mivariogramas y caractersticas del dosel forestal al degradarse a la resolucin del
458
--------- v
Y(h)
Alcance (range) FlG. 7.76.
Representacin grfica
de un semi-variograma.
Landsat-TM (Cohn et al., 1990). En este sentido, el semi-variograma se ha comprobado que resulta de gran inters para describir las relaciones entre el tamao de los objetos y la resolucin espacial del sensor, encontrndose que el mximo de varianza local se produce entre Vi y 3 del tamao medio de los objetos (Woodcock y Strahler,
1987). En estudios tericos y empricos tambin se ha observado que la altura del semi-variograma se relaciona con la densidad de la cubierta y el alcance con el tamao
de los objetos (Woodcock et al., 1988a y b).
En consecuencia, el semi-variograma tambin ayuda a seleccionar la resolucin
ptima para abordar un determinado estudio, facilita el diseo de redes de medida in
situ y de campaas de muestreo, al proporcionarnos una imagen de la distancia mxima a la cual los ND de la imagen se parecen excesivamente entre s (Caselles, 1987).
Se ha aplicado con xito para analizar la estructura espacial de la vegetacin, de cara a
diferenciar el impacto territorial de una determinada perturbacin (Viedma et al,
1999). Asimismo, como luego veremos (cap. 8), puede aplicarse al estudio de la estructura espacial de los errores, ya sean debidos a la clasificacin temtica (Congalton,
1988a), ya al registro geomtrico (Dai y Khorram, 1998).
Adems de estos ndices que facilitan una evaluacin global de la textura de la
imagen, tambin podemos comentar otros mtodos que permiten generar imgenes de
textura, analizando la heterogeneidad espacial en las inmediaciones de cada pxel.
Normalmente, estas tcnicas se basan en ventanas mviles, ms o menos grandes dependiendo de la distancia de la vecindad que consideremos. A partir de ellas se calcula
la textura en torno al pxel central que se evale en cada momento, de modo similar a
las operaciones de filtraje previamente vistas (cap. 6, apdo. 5.4). Conviene insistir en
que estas nuevas bandas de textura pueden utilizarse como entrada en la clasificacin
digital, facilitando la discriminacin de algunas cubiertas que pueden ofrecer valores
espectrales similares, pero espaciales muy diferenciados. Este enfoque puede resultar
especialmente interesante para discriminar rasgos urbanos, que cuentan con mayor heterogeneidad espacial que cualquier otra cubierta (Molina y Chuvieco, 1996; Smits y
Annoni, 1999), pero tambin se ha mostrado de gran inters en la cartografa de la ve-
459
getacin, especialmente cuando resulta de inters extraer informacin sobre sus caractersticas estructurales (Riao et al, 2001a; Salas y Chuvieco, 1995; Yool et al.,
1985). Entre las tcnicas ms utilizadas para generar imgenes de textura podemos citar las siguientes:
5. Desviacin tpica local. Se calcula como la dispersin de los ND de una
ventana de pxeles en relacin con su promedio. Esta medida resulta muy sencilla y se
ha comprobado eficaz en el inventario forestal, como indicador de la densidad y ho
mogeneidad de especies, logrndose significativas mejoras frente a clasificaciones
slo espectrales (Strahler, 1984; Strahler etal., 1978). Como puede observarse en la fi
gura 1.11b, en una ventana de la imagen TorrelOO prxima al embalse del Velln, esta
medida de textura facilita valores ms altos para las zonas ms contrastadas espacialmente, pudiendo delimitar con cierta claridad los ncleos urbanos y reas residencia
les de las superficies vegetales.
6. Diferencias absolutas entre los ND mximos y mnimos de la ventana consi
derada:
[7.63]
siendo i cualquiera de los pxeles adyacentes al central de la ventana. Este sencilla medida se ha empleado para estimar la textura en zonas de praderas afectadas por distin-
FlG. 7.77. Diversas medidas de textura sobre la imagen de Torrelaguna: a) Banda 2 original; b)
Desviacin tpica local; c) Contraste sobre la matriz de concurrencia, direccin vertical;
) dem, direccin promedio.
460
tos procesos ambientales (Briggs y Nellis, 1991). Gracias tambin a estas medidas de
textura ha sido posible discriminar entre frutales de regado y caducifolias, empleando
las bandas TM3 y TM4 (Gordon y Philipson, 1986).
7. Entropa. Se define como la relacin entre la frecuencia de un determinado ND (Fm) y la frecuencia mxima esperable en la ventana de pxeles considerada:
[7.64]
donde p el rango de ND en la imagen (256 para una imagen de 8 bits) y n el nmero de
pxeles en la ventana. Esta medida se ha utilizado en la clasificacin de reas urbanas
(Gong etal, 1992).
8. Medidas sobre la matriz de concurrencias. Se trata de una matriz cuadrada,
en la que se incluye la frecuencia relativa {Fuj I n) de cada combinacin espacial entre un
determinado ND, y otro ND (esto es, cuantas veces en la imagen el ND es contiguo al
ND,.). Para reducir el tamao de la matriz, y simplificar los clculos suele reducirse el
rango original de la imagen (256 distintos ND), compactndolo en un menor nmero
(habitualmente 16). Pueden calcularse las distintas medidas para una determinada
direccin (ngulo entre el pxel central de la ventana y los vecinos) o promediarse las
conexiones posibles para 0,45, 90 y 135 (fig. 7.78). La matriz de concurrencia fue
propuesta por Haralick et al. (1973), y se ha utilizado ampliamente para valorar las
propiedades espaciales en tareas de clasificacin. Sobre esa matriz de coincidencias
pueden calcularse varias medidas de textura. Algunas de las ms utilizadas en teledeteccin son las siguientes (Gong et al, 1992; Moller-Jensen, 1990; Musick y Grover,
1991; Smits y Annoni, 1999):
Valor del pxel
\
Imagen original
Matriz de concurrencia
FIG. 7.78. Ejemplo de una matriz de coincidencias sobre una imagen simulada de 5 X 5 pxeles
con 5 ND distintos. Izqda.: imagen original; dcha.: matriz resultante. (PCI, 1994.)
donde /?,_, indica la posicin i, j de la matriz de concurrencia (esto es la frecuencia de

los cruces entre el ND i y el y), F y C indica la posicin en filas y columnas, respectivamente, de esa matriz de concurrencias (en definitiva, cules son los ND que se estn
comparando), M seala el valor medio en filas y n el nmero de columnas y lneas de
la matriz (esto es, con cuntos ND distintos se ha realizado el clculo). En definitiva,
pj mide la probabilidad de que un ND con un valor i sea contiguo a otro con un valory.
Hemos incluido dos ejemplos del clculo de textura sobre la imagen TorrelOO. Se trata
del contraste [7.66], calculado a partir de la banda 2, utilizando la direccin vertical (fig.
7.77c) y el promedio de las cuatro direcciones (fig. 1 .lid). Por comparacin con la
textura obtenida mediante desviaciones tpicas mviles (1.11b) se observa que ambas
resaltan bastante bien los contrastes espaciales, siendo tal vez ms preciso el obtenido a
partir de la matriz de concurrencias para subrayar los bordes, mientras la desviacin tpica destaca el conjunto de la zona heterognea. La medida direccional resulta de inters
para remarcar los contrastes en ciertas lneas de variacin de la imagen.
462
9. Dimensin textura!. Las medidas de la matriz de coincidencias son de gran inters, pero presentan algunos problemas, como estar influidas por el contraste tonal de la
imagen (y no slo por el espacial), y resultar algo subjetiva la decisin sobre la distancia
mxima para considerar dos pxeles como contiguos (Wang y He, 1990). Para solventar
estos problemas, otros autores proponen una medida alternativa basada en las desviaciones locales encontradas en una ventana mvil de 3 X 3 pxeles, el central y los ocho circundantes. El valor de la unidad de textura se calcula a partir de la siguiente frmula:
[7.72]
donde NUT indica nmero de unidad de textura y E es la medida de textura para cada pxel de la ventana. E vale 0 cuando el ND de ese pxel es inferior al ND del pxel central
de la ventana, 1 cuando es igual y 2 cuando es superior (fg. 7.79). Los NUT pueden ordenarse de varias formas, dependiendo de qu pxel de la ventana inicie el clculo y en
qu sentido se cuente (a favor o en contra de las agujas del reloj). En cualquier caso, el
NUT puede variar entre 0 y 6560 (38). A partir de ese valor puede calcularse el denominado espectro de textura; se trata de un histograma que indica la frecuencia de pxeles
de la imagen en cada NUT, y permite observar los rasgos globales de su contraste espacial. A partir de l se han sugerido calcular algunos ndices, como el de simetra entre los
valores ms bajos y ms altos del espectro, o el grado de direccin que presentan las texturas (Wang y He, 1990). Se ha comprobado que estas medidas permiten distinguir algunas cubiertas con escaso contraste espectral, como tipos de minerales o de especies forestales. En este segundo caso se observ una notable correlacin entre los valores de
textura derivados a partir de una imagen pancromtica SPOT, y algunos parmetros medidos en terreno como el dimetro de copa, altura del rbol, rea basal, edad y dimetro a
la altura del pecho (Cohn et al, 1995). Tambin se han empleado para reconocer formas de terreno producidas por deslizamientos de ladera (Hervs y Rosin, 2001).
4.2.2. Medidas de la variacin espacial en imgenes clasificadas
En este caso partimos de archivos en los que el ND de cada pxel es una etiqueta
que identifica la categora a la que se ha asignado. En consecuencia, aunque se trata de
una imagen digital, no pueden aplicarse sobre ella operaciones aritmticas, ya que el
ND no indica una relacin cuantitativa, sino categrica.
En el campo de ecologa del paisaje se han propuesto numerosos ndices para medir la estructura espacial de un determinado territorio (Frohn, 1998; O'Neill et ai,
1988; Riitters et al., 1995; Saura, 2002). Algunos de ellos se aplican sobre toda la ima4
5
6
6
5
7
8
8
7
8
8
4
9
7
7
8
5
6
9
6
6
Unidad de textura para el pixel (2,2)
1
2
2
Valor de E
463
gen, como los sealados para imgenes cuantitativas; otros se calculan para ventanas
mviles, normalmente de 3 X 3 pxeles, que se van desplazando sobre la imagen.
Entre los primeros cabe destacar los siguientes:
1. Densidad de manchas, calculada como el nmero de teselas por unidad de
superficie. Como antes indicamos una mancha o tesela (patch) se define por un
conjunto de pxeles contiguos con la misma categora. Mediante tcnicas de agrega
cin espacial (dumping), puede convertirse una imagen clasificada en una imagen
de teselas, etiquetando con el mismo nmero aquellos pxeles que pertenezcan a la
misma categora temtica y sean contiguos. En definitiva, se trata de generar una
nueva imagen en donde se identifiquen las manchas de la misma categora, o dicho
de otra forma, se obtenga una numeracin del mosaico espacial presente en la escena
(fig. 7.80). Esta tcnica es bastante comn en el entorno de los SIG, en donde se apli
ca a mapas temticos con pocas categoras, pero resulta menos frecuente en el ADI.
Habitualmente se calcula para imgenes clasificadas, pero tambin podra hacerse
sobre alguna imagen continua, por ejemplo ndices de vegetacin o temperatura,
previamente segmentada en un nmero determinado de intervalos (Chuvieco,
1999a). El cociente entre el nmero de manchas y la superficie de la imagen nos
ofrece una primera valoracin sobre la complejidad paisajstica de la zona (Dillworth et al., 1994; Ricotta y Retzlaff, 2000). Un rea con una densidad alta de man
chas indicar un espacio muy fragmentado.
2. Tamao. Adems del nmero, tambin parece interesante considerar el
rea media de las manchas, lo que puede fcilmente calcularse a partir de un simple
histograma de la imagen de manchas (nmero de pxeles en cada parcela). Cuanto ma
yor sea el rea media, en principio contaramos con un espacio ms homogneo.
1
FlG. 7.80.
Una imagen clasificada (parte superior) puede convertirse en una imagen de

manchas (inferior) aplicando tcnicas de agregacin espacial.
464
3. Forma: compacidad. Se ha puesto de manifiesto por varios autores el inters

de analizar la forma de las manchas presentes en la zona, ya que con la misma superficie
un polgono ms alargado presenta mayores opciones a la transmisin de especies y menores obstculos a la influencia mutua entre las manchas que divide. Los ndices de forma ms habituales tratan de medir la compacidad de los polgonos, como una relacin
entre su rea y permetro. ste es el caso del ndice F (Gulinck et al., 1991):
[7.73]
donde A indica el rea y P el permetro.

Otros ndices de compacidad se basan en la relacin entre la forma de una mancha determinada y la de una figura geomtrica estndar. As se define el denominado
cociente C, que relaciona la relacin rea-permetro de un polgono con los de un
crculo, la figura geomtrica ms compacta:
[7.74]
donde Ap indica el rea del polgono y Ac el correspondiente a un crculo que tuviera el

mismo permetro de ese polgono. Al aumentar C el polgono sera ms compacto, menos alargado. Para calcular valores promedio de forma para una determinada zona, algunos autores han propuesto ponderar esos ndices de compacidad por el tamao medio de las teselas, de tal forma que el valor resultante sea menos sensible al cambio de
escala o de resolucin (Saura y Martnez Milln, 2001).
4. Forma: dimensin fracial. Como ya hemos indicado, esta medida intenta
cuantificar la complejidad de las formas de lneas, superficies o volmenes. En caso de
tratarse de imgenes clasificadas, su clculo es ms sencillo que con las originales,
pues se basa en la relacin entre el permetro y el rea de los polgonos que forman el
mosaico paisajstico. Una forma sencilla de calcular la dimensin fractal (D), de cada
polgono, es la siguiente expresin (Ripple et al., 1991):
[7.75]
,P~A D ' 2
donde A indica el rea y P el permetro. El valor medio del conjunto de la imagen se

obtendra simplemente promediando D para todos los polgonos que la formen. Otros
autores proponen calcular la dimensin para el conjunto de un mapa o imagen clasificada, con objeto de comparar la complejidad geomtrica de las manchas que forman el
mosaico paisajstico (O'Neill et al, 1988). Bajo esta ptica, la dimensin fractal (D)
utilizando una regresin los logaritmos del rea (A) y el permetro (P) de los polgonos
presentes en el mapa:
A
la constante de la ecuacin
ocasiones, constante de proporcionalidad.
(a) se denomina, en
465
Algunos autores han observado que la dimensin fractal est directamente asociada con la complejidad paisajstica. En un amplio sector del este de EE. UU. se comprob que D ofreca una valoracin numrica de los distintos patrones de uso del suelo; cuando D era pequeo, indicaba que las formas resultaban bastante geomtricas, lo
que apuntaba a una utilizacin humana del territorio, frente a otros sectores con mayor
presencia de espacios naturales, en donde D ofreca un valor mucho ms alto (O'Neill
etal, 1988; Ricotta et al., 1998). Asimismo, se ha comprobado que la dimensin fractal aumenta al disminuirse la resolucin espacial del sensor, especialmente si la imagen presenta escasa heterogeneidad inicial (Benson y MacKenzie, 1995).
5. Forma: cuadratura. Algunos autores han comprobado que la constante
de proporcionalidad (a en la frmula [7.76]) vara a distintas escalas (Frohn, 1998).
Por esta razn se ha propuesto una alternativa que se denomina cuadratura (SqP:
Squared-pixel), calculndose como:
SqP=l-(4Am/P)
[7.77]
Este ndice vara de 0, cuando el polgono es un cuadrado, a 1 cuando la forma es

muy compleja. De acuerdo a Frohn (1998), este ndice es ms constante a distintas escalas y resoluciones espaciales que la dimensin fractal.
6. Dispersin. Hace referencia a la fragmentacin de la imagen, y se calcula
como la distancia promedio entre los centroides de las distintas manchas (fig. 7.81).
La fragmentacin del paisaje es un aspecto de gran importancia en la resistencia al movimiento de especies (Ripple et al., 1991).
Hasta aqu las medidas aplicables al conjunto de las manchas que forman el mosaico de cobertura. Junto a ellas se pueden calcular otros ndices para ventanas locales
(normalmente de 3 X 3 pxeles) que se van desplazando consecutivamente en la imagen, midiendo la variabilidad local en las categoras, de forma similar a como vimos
con las imgenes de intervalo. En este mbito, los ndices ms conocidos son los siguientes:
FIG. 7.81.
Clculo de la dispersin promedio entre manchas.
466
7. Diversidad. Indica la variedad de categoras que pueden encontrarse en

una ventana de la imagen (Turner, 1989):
[7.78]
D = -1,k=hmpkln(pk)
donde pk corresponde a la proporcin de la categora k en la ventana considerada y m al

nmero de categoras presentes en esa ventana. Cuanto mayor sea la diversidad media,
mayor variedad espacial estar presente en la distribucin de las cubiertas, o, dicho de
otra forma, la zona ofrecer un mosaico ms variado (fig. 7.82). La diversidad est directamente relacionada con la escala de las imgenes, siendo menor al bajar la resolucin (Turner et al, 1994).
8. Dominancia. Representa la desviacin del valor calculado respecto a la
mxima diversidad (O'Neill et al, 1988):
[7.79]
con la misma significacin de la frmula anterior. Cuanto ms alto es el valor del ndice, mayor predominio tiene una categora sobre las otras en esa ventana.
9. Fragmentacin. Estos ndices intentan medir el grado de ruptura espacial
que ofrece el territorio. Uno de los ms utilizados, con esta finalidad, es el ndice de
Contagio (Con), que mide la adyacencia entre categoras frente al mximo posible (Li
y Reynolds, 1993; O'Neill et al, 1988):
[7.80]
donde pik indica la proporcin de pxeles en esa ventana en donde la categora i es limtrofe a la categora k, y m es el nmero de clases. Frohn (1998 propone dividir toda esta
frmula por 2 ln(m), lo que permite escalar el resultado entre 0 y 1. Cuando ms prximo a 1 indicar una mayor agregacin, mientras valores cercanos a 0 supondrn manchas ms pequeas y dispersas.
El mismo autor propone un indicador ms sencillo de fragmentacin, que denomina
mancha por unidad (Patch per Unit, PPU), definido como:
[7.81]
1
1
1
1
FIG. 7.82.
Div = 0,6365
Dom = 0,0566
Div = 0,3183
Dom = 0,0283
Div = 0,4900
Dom = 0,0299
Div = 0,6870
Dom = 0,0062
Valores de diversidad y dominancia para imgenes simuladas.
467
donde q indicara el nmero de manchas, n el nmero de pxels y TP el tamao del pxel. Para este autor, esa medida es ms resistente que la compacidad a las variaciones
debidas a cambios en la resolucin espacial, nmero de clases, y tamao de la imagen,
mostrando su eficacia en rea afectada por procesos de deforestacin (Frohn, 1998).
10. Matriz de comparacin binaria (MCB). Tambin se dirige a medir la contigidad de las categoras presentes en una ventana. Se define como (Murphy, 1985):
[7.82]
donde/ indica la frecuencia de aparicin de la categora / y m el nmero de categoras.

El ndice MCB aumenta cuanto mayor es la complejidad espacial, pues considera tanto
el nmero de categoras como su frecuencia. Sin embargo, no tiene en cuenta si las
categoras son contiguas o no, por lo que el autor propone complementarlo con algn
indicador del nmero de cambios de categora que se producen en la ventana considerada.
4.2.3. Dinmica de la estructura espacial del paisaje
Las medidas anteriormente revisadas pueden utilizarse tanto para comparar diversos paisajes, como para estudiar la evolucin de una zona determinada. En este
caso, se tratara de estudiar cmo se transforma la configuracin espacial del territorio
como resultado de ciertos cambios, debidos a la actividad humana (efecto de ciertas
polticas sobre el uso del suelo), o de algn evento espordico (inundaciones, erupciones volcnicas o incendios). Con este enfoque multitemporal se han abordado numerosos trabajos en ecologa del paisaje (Ne'eman et ai, 1999; O'Neill et al, 1988;
Reinhardt y Ringleb, 1990; Turner et al., 1994). La explicacin de esos cambios se
basa en factores de ndole socio-econmico, o en las propias variables geogrficas
(suelo, topografa, litologa, etc.: Pastor y Broshart, 1990).
Un marco para la aplicacin de estas medidas a imgenes de satlite es el segurmiento del efecto del fuego sobre la estructura espacial del paisaje (Chuvieco, 1999a),
tomando como ejemplo el incendio de Buol, antes comentado. Para evaluar este efecto
paisajstico a distintos niveles de resolucin se compararon imgenes Landsat-TM y
NOAA-AVHRR, adquiridas casi simultneamente antes y despus del fuego. La figura 20* recoge un sector de estas imgenes sobre la zona afectadaôr el incendio.
Junto al evidente efecto de la resolucin espacial se muestra una tendencia comn entre ambas imgenes, mostrndose con claridad el patrn del rea quemada.
Para homogeneizar las medidas antes comentadas y evitar el efecto subjetivo de
una clasificacin se aplicaron directamente sobre los ndices de vegetacin (NDVI),
calculados para ambos sensores, a partir de los valores de reflectividad. Sobre las imgenes de los NDVI se calcul la media de unos perfiles y el ndice de autocorrelacin
de Moran. Tras segmentar los NDVI a 12, 10, 8, 5 y 3 intervalos,10 calculamos sobre
10. Fue necesario segmentar la imagen TM del NDVI porque, con el rango original de categoras
(250), el nmero de manchas que se obtenan exceda la memoria dinmica del programa.
468
TABLA 7.17. Variacin de la estructura del paisaje a consecuencia del fuego
(medidas aplicadas a las imgenes de los NDVI: Chuvieco, 1999)
I de Moran
Desviacin tpica del perfil
Media textual
TM-Antes
delfuego
TM-Despus
delfuego
0,871
11,66
18,05
0,919
10,14
15,68
AVHRR-Antes
delfuego
AVHRR-Despus
delfuego
0,714
2,73
7,59
0,90
3,77
6,56
ellos el nmero de manchas, su compacidad, la diversidad promedio y la dimensin

fractal. Los clculos se realizaron de la misma forma para las imgenes TM y
AVHRR.
Las tablas 7.17 y 7.18 recogen los resultados de esta comparacin. Como puede
observarse, prcticamente en todas las medidas calculadas, la imagen posterior al fuego presenta una mayor homogeneidad espacial, tanto en las imgenes TM como en las
AVHRR. La nica excepcin es la desviacin tpica del perfil, que aumenta tras el incendio en la imagen AVHRR. Este dato no tiene una gran relevancia, ya que puede ser
originado por ruido, puesto que esa lnea slo tiene 15 pxeles AVHRR, lo que resulta
poco significativo.
El ndice de Moran indica una mayor homogeneidad para la imagen posterior al
fuego. El valor de la autocorrelacin espacial aumenta tanto en la TM como en la
AVHRR, de forma ms brusca en esta ltima (un 125 % frente a un 105 % de la imagen TM). Por el contrario, disminuye la textura media, obtenida a partir de la matriz
de coincidencias antes comentada, lo que tambin indica una mayor homogeneidad
despus del fuego. La figura 7.83 incluye el semi-variograma de las imgenes TM
anterior y posterior al fuego. Este grfico se construy a partir de una muestra aleatoria de 1.000 pxeles, considerando un promedio de todas las direcciones. En el trazado general, se observa cmo la imagen posterior al incendio ofrece una mayor varianza, especialmente para las distancias superiores a 500 metros. Esto indica que
hay mayor contraste tonal en la segunda imagen, como consecuencia de la presencia
de un gran sector quemado. Podra deducirse, por tanto, que la imagen post-incendio
es ms heterognea espacialmente, contradiciendo las conclusiones que proporcionan otro tipo de ndices. Sin embargo, esta mayor heterogeneidad no es tan clara para
las distancias ms cortas, por debajo de 210 m (7 pxeles), en las que la imagen de juTABLA 7.18. Variacin de la estructura del paisaje a consecuencia delfuego
(medidas aplicadas a 8 intervalos de NDVI: Chuvieco, 1999)
TM-Antes TM-Despus
rea media
Compacidad media
Desviacin tpica de la compacidad
Diversidad media
Dimensin fractal
AVHRR-Antes
AVHRR-Despus
delfuego
47,48
delfuego
84,01
delfuego
1.060,00
delfuego
1.986,00
0,289
0,458
0,766
2,250
0,171
0,210
0,491
2,272
0,57
0,19
1,06
2,26
0,58
0,15
0,81
2,29
469

120
30
330
630
930
1.230
1.530
90
150
210
Antes
FlG. 7.83.
2.130
2.430
2.730
Distancia (m)
Despus
Antes
30
1.830
270
330
390
450
510 Distancia (m)
- - Despus
Semi-variogramas para las imgenes TM anterior y posterior al incendio.
lio equipara o supera la varianza espacial de la de agosto. Podramos concluir, en

este caso, que la aparicin de una mancha quemada incrementa la textura espacial
para el conjunto del mosaico, pero no para las relaciones de vecindad, que aparecen
como ms similares a consecuencia del fuego, confirmando los anlisis de los otros
ndices.
Respecto al nmero de manchas, en todas las segmentaciones de la escala original del NDVI que hemos realizado se observa una disminucin para las imgenes
posteriores al fuego (fig. 7.84). Para los datos TM, la cada ms brusca entre las dos
fechas se registra con una segmentacin en 12 niveles de NDVI. En esas imgenes se
observa una reduccin del 58 % en el nmero de manchas en la imagen posterior al
fuego.
Para la imagen AVHRR, la reduccin del nmero de manchas tambin es consistente, tanto para los 250 valores originales del NDVI, como para las distintas segmen-
1.000 -i
12
10
3
-O- Antes -^- Despus

1
255
12
10
100
10
Intervalos de NVDI (NOAA-AVHRR)
1.000
FIG. 7.84.
Disminucin del nmero de manchas tras el incendio.
taciones (de 12 a 3 grupos). El mximo decremento ocurre con 10 rangos de NDVI, en

donde se pierde el 42 % del nmero de manchas previo al incendio.
Para el caso concreto de segmentar las imgenes en 8 niveles de NDVI calculamos algunas medidas de compacidad y diversidad (tabla 7.18). La superficie media de
las manchas, por ejemplo, indica la formacin de un mosaico ms homogneo en la
imagen TM post-incendio, que casi duplica la superficie media por mancha previa al
fuego. En otras palabras, los polgonos de vegetacin quemada tienden a ser mayores
que los previos, lo que implica que el fuego homogeneiza el territorio, al menos a corto
plazo. La imagen AVHRR ofrece la misma tendencia que la TM, con un notable aumento de la superficie media para la imagen posterior al fuego.
En cuanto a la compacidad, para el caso concreto de los 8 rangos de NDVI, se observa una disminucin del valor medio a consecuencia del incendio, de modo ms claro en la imagen TM que, gracias a su mayor resolucin, ofrece mejores posibilidades
para el anlisis de formas. Las manchas, en consecuencia, tienden a ser ms alargadas,
probablemente por el efecto del relieve en la dispersin del fuego. La desviacin tpica
de la compacidad tambin es menor despus del fuego, indicando una mayor homogeneidad en la forma de los grupos.
La geometra fractal se incrementa tras el fuego, tanto para la imagen TM como
para la AVHRR, indicando que los polgonos son ms irregulares a consecuencia del
incendio, lo que es coherente con la disminucin de la compacidad.
Finalmente, la diversidad media de las manchas es tambin mucho menor tras el
incendio, confirmando una vez ms el efecto homogeneizador del fuego. Este efecto
se observa tanto en alta como en baja resolucin espacial, aunque en sta resulta menos evidente.
Similares anlisis podemos realizar sobre otro tipo de aplicaciones. Por ejemplo,
pueden aplicarse medidas de cambio en la forma y tamao para evaluar la evolucin
de las dunas en un estudio de desertificacin (Collado, 1998: fig. 7.85), o analizar el
cambio en la estructura espacial del territorio que producen los fenmenos de deforestacin (Frohn, 1998). En este contexto puede resultar de gran inters comparar los pa-
FlG. 7.85.
471
Cambios en los valores de compacidad de tos cuerpos dunares entre 1962 y 1992.
rea de San Luis (Argentina): Collado, 1998.
trenes reales, para distintos marcos espaciales, niveles de resolucin o grados de abundancia, con simulaciones de estructura espacial del paisaje, realizadas utilizando mtodos estocsticos, lo que facilita ver la sensibilidad de las distintas medidas comentadas a los cambios en esos factores de control (Saura, 2002).

Chuvieco - Fundamen de Teledeteccion

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Chuvieco - Fundamen de Teledeteccion

Загружено:

Авторское право:

Доступные форматы

CAPTULO 4

BASES PARA LA INTERPRETACIN DE IMGENES

Como ya sealbamos en la introduccin, el objeto de esta obra es facilitar el

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo

EL DILOGO CON LOS USUARIOS

Si la teledeteccin no ha penetrado con mayor fuerza en muchos mbitos de la

FlG. 4.1. La interpretacin de imgenes en teledeteccin implica tomar una serie de

1. Limitaciones para el empleo de la teledeteccin

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

do la validez de una determinada metodologa. A este respecto, existe ya un buen grupo

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Tipos de anlisis que pueden abordarse en una imagen de satlite.

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

variable fsica determinada (radiancia espectral, ordinariamente). No est disponible,

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION

Relaciones entre resolucin y tamao de la MUC. (Adaptado de Robin, 1998.)

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Clasificacin propuesta para el proyecto de Ocupacin del suelo de Espaa

La fecha ms conveniente para seleccionar la imagen est en estrecha relacin

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Soportes ms habituales de los productos fotogrficos.

3.3.3. Soporte de las imgenes

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCION

Inversin inicial escasa

Costes se reducen con la superficie

Requiere conversin digital analgica

Permite trabajo con informacin original

No precisa alta especializacin

Buena precisin en clases heterogneas

Baja precisin en clases heterogneas

Correccin geomtrica sencilla y rpida

Inventario tedioso e inexacto

Requiere digitalizacin para conectarse a

Conexin directa (formato rster) o vectorizacin (formato vectorial)

Ventajas e inconvenientes del anlisis visual frente al digital en la interpretacin

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

Fases que incluye un proyecto de clasificacin de imgenes.

BASES PARA LA INTERPRETACIN DE IMGENES DE TELEDETECCIN

La obtencin de datos sobre el terreno resulta clave para calibrar modelos

cin de la interpretacin visual o, en caso de tratamiento digital, las modificaciones

1. Familiarizacin con imgenes analgicas

INFORMACIN INCLUIDA EN LOS PRODUCTOS FOTOGRFICOS

Una interpretacin detallada de imgenes requiere tener en cuenta los principales

Imagen Landsat de la costa portuguesa en el formato original de NASA.

INTERPRETACIN VISUAL DE IMGENES

Marcas fiduciarias en las esquinas para localizar el nadir, cruzndolas de dos

ROCESSED BY TELESPftZIO FOR ESR-

Imagen Landsat en el formato original de la ESA.

82 fiUG 1984 LflNDSflT 5 TM <"-\

118 124 129 135 253 253"

Imagen Landsat-TM en el formato posterior de la ESA.

INTERPRETACIN VISUAL DE IMGENES

1.2. IDENTIFICACIN DE ALGUNOS RASGOS GEOGRFICOS SOBRE LA IMAGEN

Sombras - Contexto - Asociacin

Fenologa: Condiciones estacionales

Organizacin jerrquica de los criterios de interpretacin visual.

INTERPRETACIN VISUAL DE IMGENES

onda, su brillo caracterstico tambin variar en imgenes adquiridas para diversas

INTERPRETACIN VISUAL DE IMGENES

Procesos de formacin del color: a) aditivo, b) sustractivo.

El proceso aditivo es el utilizado en los sistemas electrnicos de visualizacin,