CLASIFICACIN DIGITAL DE COBERTURAS VEGETALES A PARTIR DE DATOS SATELITALES MULTIESPECTRALES Speranza F. C.1y H. R.

Zerda2 RESUMEN: La elaboracin de inventarios de las coberturas del suelo, brinda informacin bsica para la planificacin, ordenacin y gestin del uso del mismo. Una herramienta fundamental para la elaboracin de esta cartografa son las imgenes satelitales brindando, a igual escala, una mayor cantidad de observaciones que un levantamiento terrestre. En este estudio se utilizaron las imgenes multiespectrales ETM+ del satlite Landsat 7 y combinaciones de bandas basadas en el comportamiento espectral de la vegetacin, denominados ndices de vegetacin. Mediante clasificacin digital supervisada, apoyada en informacin auxiliar mediante Fotografas Areas de Pequeo Formato (FAPEF), se gener la cartografa de especies forestales. La precisin de la misma fue de 80%, entre conferas y latifoliadas, sin embargo se observ una reducida discriminacin entre especies latifoliadas, condicionada por la incidencia de la resolucin espacial del sensor, siendo de 30 m x 30 m en el modo multiespectral. Estas imgenes estn formadas por una matriz de celdas de la dimensin citada, por lo cual en plantaciones de reas reducidas el efecto de borde es sumamente influyente, ya que estas celdas o pxeles contienen informacin del lote de plantacin y de las otras coberturas limtrofes. Palabras Clave: coberturas del suelo imgenes satelitales multiespectrales clasificacin digital supervisada. ABSTRACT: The inventories of ground covers offer basic information for soil management and planning. Satellite images are a strategic tool for the elaboration of this cartography, offering a greater amount of observations than a terrestrial survey, at the same scale. This study uses ETM+ multispectral images of the Landsat 7 satellite and combinations of bands based on the reflectance of vegetation, denominated vegetation indices. Cartography of forest species was generated through supervised digital classification and auxiliary information, such as Aerial Photographs of Small Format (FAPEF). The precision of the obtained cartography was about 80%, considering coniferous and latifoliadas. A reduced discrimination among latifoliadas was observed, due to the spatial resolution of the sensor. These images are formed by a matrix of cells of 30 m x 30 m in the multispectral mode, thus in plantations of small areas the edge effect is extremely important, because these cells or pixels contain information of the plantation field and of the bordering covers. Key words: covers of the ground - multispectral satellite images - supervised digital classification. INTRODUCCION La elaboracin de inventarios de las coberturas del suelo, brinda informacin bsica para la planificacin, ordenacin y gestin del uso del mismo. Por cobertura del suelo entendemos como la cubierta (bio)fsica sobre la superficie de la tierra (Di Gregorio y Jansen, 2000). Una herramienta fundamental para la elaboracin de cartografa es la teledeteccin espacial, tcnica que permite adquirir imgenes multiespectrales desde sensores remotos. Estas imgenes brindan una mayor cantidad de observaciones de las coberturas, que cualquier levantamiento terrestre, trabajando a una misma escala. A travs de los aos, la disponibilidad al pblico y los costos de las imgenes fueron ms accesibles, sumado a los avances en la resolucin tanto espacial como espectral. Por este motivo su interpretacin y anlisis se encuentran en creciente desarrollo. Los trabajos realizados en nuestro pas se vienen incrementando, apoyados principalmente en una metodologa de interpretacin visual, tal es el caso del Inventario Nacional de Bosques Implantados (SAGPyA Forestal, 2001), la cual est fuertemente condicionada por el conocimiento local del intrprete. En la cartografa correspondiente a la publicacin final del Inventario, se puede observar que las forestaciones con edades de 5 aos pertenecientes a la empresa Danzer Forestaciones S.A., no se encuentran inventariadas. Esta omisin pudo haber estado presente en otros sectores de la superficie total inventariada, constituyendo una limitante concreta en la metodologa usada. (1) Proyecto Picto 12931, INTA Manfredi, Ruta 9 Km 636, (5988) Manfredi, Crdoba. E-mail: cesarflavio@yahoo.com.ar. (2) Facultad de ciencias Forestales, UNSE, Av. Belgrano 1200, (4200) Capital, Santiago del Estero. E-mail: hzerda@unse.edu.ar.

Con el avance de los equipos y programas informticos, el anlisis apoyado en el tratamiento visual est dejando paso al complejo anlisis multidimensional basado en el tratamiento digital. El presente trabajo investiga la posibilidad de discriminar y cartografiar diversas especies de inters forestal a partir de la clasificacin digital supervisada de datos multiespectrales Landsat 7 ETM+, apoyada en informacin auxiliar mediante Fotografas Areas de Pequeo Formato (FAPEF). Sumado al set de bandas originales se incorporaron combinaciones de bandas que tienen en cuenta el comportamiento espectral de la vegetacin, denominados ndices de vegetacin. MATERIALES Y MTODOS rea de estudio La zona de estudio corresponde al lote llamado El Porvenir perteneciente al predio de la empresa Danzer Forestaciones S.A., localizado en las cercanas de la ciudad de Posadas, Provincia de Misiones, ubicado en Latitud 2727 S y Longitud 5559 E. El mismo se encuentra dentro de la Regin Fitogeogrfica de la Selva misionera. Datos satelitales multiespectrales Los datos satelitales multiespectrales corresponden al satlite Landsat 7, el cual posee un sensor ptico-electrnico de barrido (scanner) multiespectral, denominado ETM+ (Enhanced Thematic Mapper) Cartgrafo Temtico Mejorado, especialmente diseado para la cartografa temtica. Este posee 7 bandas ubicadas en diferentes longitudes de onda. A modo prctico, las bandas espectrales del sensor se nombran como TM1 hasta TM7, respectivamente. La escena utilizada es la 224 79, del sistema WRS II de Landsat, adquirida en la fecha 3 de Marzo de 2001. ndices de vegetacin Se generaron combinaciones matemticas entre bandas del satlite basados en el comportamiento espectral de la vegetacin. Los ndices que se incorporaron a la base de datos utilizada en la clasificacin digital son los siguientes, con sus correspondientes autores: Rouse et al. (1974): NDVI 43 = TM 4 TM 3 ; Rock et al. (1985): NDVI 54 = TM 5 TM 4 ; Ray (1994): y NDVI 53 = TM 5 TM 3 ; Lee y Nakane (1997): NDVI 75 = TM 7 TM 5 ; TM 7 + TM 5 TM 5 + TM 3 Schneider (1998): NDVI 51 = TM 5 TM1 y NDVI52 = TM 5 TM 2 . TM 5 + TM 2 TM 5 + TM1
TM 4 TM 7 NDVI 47 = TM 4 + TM 7

TM 4 + TM 3

TM 5 + TM 4

Informacin Auxiliar: Fotografas Areas de Pequeo Formato (FAPEF) La cmara fotogrfica empleada es una cmara reflex Minolta de 35 mm, portando una lente de 50 mm y pelcula Fujicolor 100 ASA. La fecha de toma de las fotografas fue el da 22 de Octubre de 2001. Se utilizaron copias de contacto con un factor de ampliacin 1:4, impreso en papel para fotografa, de 10 cm por 15 cm, obteniendo una escala media aproximada de 1:10.000. Las fotografas areas auxilian eficientemente la interpretacin de imgenes satelitales, disminuyendo considerablemente el costo y tiempo de cualquier trabajo a campo; la verdad terrestre es reemplazada por la verdad area (Kenneweg, 1992). Determinacin de clases temticas Las categoras temticas identificadas, sobre las cuales se realizarn los anlisis multivariados para su discriminacin, se detallan a continuacin: i) Paraso (Melia azedarach L.); ii) Grevillea (Grevillea robusta); iii) Kiri (Paulownia tomentosa); iv) Pino (Pinus Taeda), v) Selva en galera, incluyendo especies de la selva climax (Tortorelli, 1956); y vi) Pastizal natural caracterstico de la zona (Cabrera, 1976). Clasificacin digital La clasificacin implica categorizar una imagen multibanda en trminos estadsticos, esto supone reducir la escala de medida de una variable continua (niveles digitales), a una escala nominal o categrica. La imagen multibanda se convierte en otra imagen en donde los ND que definen cada pxel no tienen relacin con la radiancia detectada, sino se trata de una etiqueta que identifica la categora asignada a ese pxel (Chuvieco, 1996). Para realizar la clasificacin es necesario introducirle al programa informtico especfico una muestra de pxeles de la imagen que representen adecuadamente a cada categora, teniendo en cuenta su propia variabilidad, como ser su densidad, vigor, sanidad, calidad de sitio, tipo de suelo, etc. Este 2

objetivo se logr a travs del uso de la informacin auxiliar aportada por las FAPEF. Dependiendo de la variabilidad, se seleccionaron entre 3 y 6 parcelas de muestreo, con un rea total de 60 pxeles por cada categora, equivalente a una superficie de 5,4 hectreas. Este tipo de clasificacin, en donde se indica a priori cuales sern las clases temticas, se denomina supervisada (Erdas, 1990) El algoritmo de la clasificacin supervisada empleado es del tipo paramtrico, este asume que las mediciones estadsticas obtenidas para cada clase en cada banda espectral tiene una naturaleza Gaussiana. Dentro de este algoritmo se implement la regla de decisin de Mxima Probabilidad o Maximun Likelihood, este clasificador es el ms seguro del sistema Erdas ajustndose con mayor rigor a la disposicin original de los datos. Precisin de la clasificacin La evaluacin de la precisin se efectu comparando dos fuentes de informacin: i) el mapa derivado de la clasificacin digital, y ii) la informacin de referencia que comprende la interpretacin de las fotografas areas de pequeo formato, asumiendo esta informacin como verdad terrestre. Para la realizacin de esta etapa se ubicaron, sobre el rea acotada en donde se realiz la clasificacin, puntos de muestreo denominados pxeles de referencia (Jensen, 1996). Para seleccionar el nmero de pxeles de referencia, se debe tener en cuenta el tamao de la superficie a muestrear y la cantidad de categoras, en este sentido Congalton (1991) aconseja un umbral de 50 pxeles por cada clase temtica, as se extrajeron 300 pxeles de referencia distribuidos completamente al azar. A partir de estos puntos de muestreo se efectu la relacin entre los dos sets de informacin, que corresponde a la imagen clasificada y la informacin de referencia, generando una matriz de confusin. Esta matriz se conforma de filas y columnas en donde se ubican los valores que expresan el nmero de pxeles de referencia asignados a una categora particular, en relacin con la verdadera categora verificada con la informacin auxiliar. La informacin resultante de la matriz de confusin se evalu utilizando diferentes mediciones de la precisin. Estos se detallan a continuacin: Precisin global: Se calcula dividiendo el total de pxeles correctamente clasificados (suma de la diagonal mayor de la Tabla 1 por el nmero total de pxeles de referencia, a travs de la siguiente frmula: PG =

Xii
i =1

r: es el nmero de filas de la matriz. Xii: el nmero de observaciones en la fila i y columna i (diagonal mayor). N: el nmero total de puntos de muestreo. Precisin del productor: se calcul realizando la divisin entre el nmero total de pxeles clasificados correctamente en una categora y el nmero total de pxeles de esa categora, segn la frmula:

donde:

PP% =

PP%: es la precisin del productor en porcentaje. X+i: los totales marginales de la columna i. Xii: es el valor de la diagonal de dicha columna. Este estadstico indica la probabilidad de que un pxel de referencia sea correctamente clasificado. Es una medida del error de omisin (Jensen, 1996) que se produce cuando un pxel posee en el terreno una cobertura determinada y no es asignado en el mapa a esa clase. Precisin del usuario: El clculo se efectu dividiendo el nmero total de pxeles correctos en una categora por el nmero total de pxeles que son efectivamente pertenecientes a esa categora, utilizando la siguiente frmula: PU % =

Xii 100 X +i

donde:

Xii 100 Xi +

donde:

PU%: es la precisin del usuario en porcentaje. Xi+: totales marginales de la fila i. Xii: la diagonal de dicha fila. Esta medida muestra la probabilidad de que un pxel clasificado en el mapa verdaderamente represente esa categora en el terreno (Story y Congalton, 1986). La desviacin producida se denomina error de comisin. Anlisis categrico multivariado

Resulta de gran inters el anlisis de las relaciones mltiples entre las distintas coberturas. El estadstico Kappa (), mide el grado de ajuste debido solo a la exactitud de la clasificacin, prescindiendo del causado por factores aleatorios. La estimacin de se obtiene a partir de la siguiente frmula (Hudson y Ramn, 1987):

N Xii ( Xi + X
r r

+i

N 2 ( Xi + X
r i =1

i =1

i =1

)
en donde:

+i

r: es el nmero de filas en la matriz. Xii: nmero de observaciones en la fila i y columna i. Xi+: totales marginales de la fila i. X+i: totales marginales de la columna i. N: nmero total de pxeles de referencia. Un valor igual a 1 indica un acuerdo pleno entre la realidad y el mapa, mientras un valor cercano a 0 sugiere que el acuerdo observado es puramente debido al azar. RESULTADOS Producto del proceso de clasificacin supervisada con la regla de decisin de mxima probabilidad se obtuvo el mapa que se observa en la Figura 1.

Figura 1: Mapa producto de la clasificacin supervisada, indicando las diferentes coberturas vegetales

Validacin de la clasificacin Realizando la matriz de contingencia y el clculo de los diferentes tipos de errores se elabor la siguiente Tabla 1:

Datos

Tabla 1: Matriz de contingencia de las coberturas Datos de referencia

Kiri Grevillea Selva Pastizal Pino Total P Usuario % E Comisin %

clasificacin Paraso 89 Paraso 9 Kiri 4 Grevillea 3 Selva 9 Pastizal 3 Pino 117 Total P Productor % 76.07 E Omisin % 23.93 Error Global % 72.67

5 20 3 0 1 0 29 68.97 31.03

2 2 13 0 2 0 19 68.42 31.58

4 3 4 8 0 2 21 38.10 61.90

7 8 4 2 68 0 89 76.40 23.60

1 0 2 2 0 20 25 80.00 20.00

108 42 30 15 80 25 300

82.41 47.62 43.33 53.33 85.00 80.00

17.59 52.38 56.67 46.67 15.00 20.00

Se aprecia en la tabla 13 que la precisin de la clasificacin para la cobertura de pino muestra valores elevados tanto en la precisin del productor como en el usuario. Esto podra indicar que las coberturas con conferas lograran clasificarse sin grave riesgo de confusin con las especies latifoliadas y viceversa. Las bajas precisiones para las especies latifoliadas sealan confusiones mutuas. El coeficiente Kappa () posee un valor de 0.6356, lo que indica que las clasificaciones son 63% mejores que las esperables al azar. CONCLUSIONES La metodologa de clasificacin supervisada, apoyada en informacin auxiliar aportada por Fotografas Areas de Pequeo Formato (FAPEF), es sumamente efectiva para discriminar coberturas forestales latifoliadas y conferas, con una exactitud del 80%, constituyendo una herramienta efectiva para la elaboracin de una cartografa de estos dos grupos de coberturas. Las precisiones del proceso de clasificacin son bajas entre coberturas de latifoliadas, tanto para el usuario, como para el productor. Esta baja precisin es producto principalmente por el inconveniente de pxeles mixtos, es decir de pxeles ubicados en el lmite o borde de la cobertura seleccionada, los cuales contienen un porcentaje de esta cobertura a cartografiar y un porcentaje de las coberturas lindantes, mostrando un nivel digital promedio que no corresponde a ninguna de las coberturas anteriores. Este efecto de pxel mixto es acentuado para la resolucin espacial de 30 m x 30 m en el modo multiespectral del sensor ETM+ del satlite Landsat 7, en donde se emplazan plantaciones de reducidas dimensiones, como ocurre en el lote en estudio, o bien minifundios forestales. Esta limitante indica que la metodologa propuesta se adecua prioritariamente a estudios regionales donde las categoras o coberturas a clasificar participan de una considerable superficie y no estudios a nivel de lote o minifundio. Sin embargo este condicionante es atenuado mediante la implementacin de fotografas areas de pequeo formato (FAPEF), constituyendo un excelente elemento de complementacin para las imgenes satelitales, aumentando notablemente la potencialidad de ambas. Estas combinan la cobertura global-peridica, y la informacin sobre regiones no visibles del espectro que ofrecen las imgenes, con el mayor grado de detalle que brindan las fotografas areas, pudiendo de esta manera planificar zonas de vuelo en donde la discriminacin de coberturas sea confusa o poco precisa. Por otro lado, las FAPEF brindan detalles importantes para la seleccin de las reas de entrenamiento de las clasificaciones digitales supervisadas, mejorando la precisin de la localizacin as como la distribucin espacial de las mismas. BIBLIOGRAFA - Cabrera, A.L. 1976. Enciclopedia Argentina de Agricultura y Jardinera. Segunda. Edicin. Tomo II. Fascculo I. Regiones Fitogeogrficas Argentinas. Buenos Aires, Argentina. - Chuvieco, Emilio. 1996. Fundamentos de Teledeteccin Espacial. 3 Edicin revisada. Madrid, Espaa. - Congalton, R.G. 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment, Vol. 37, pp. 35-46. - Di Gregorio, A. y L.J.M. Jansen. 2000. Land Cover Classification System (LCCS), classification concepts and user manual, FAO, Roma. 5

- Erdas. 1990. Field Guide. Erdas Inc., Atlanta, USA, 410p. - Hudson, W.D. y C.W. Ramn. 1987. Correct formulation of kappa coefficient of agreement. Photogrammetric Engineering and Remote Sensing, vol 53, pp. 421-422. - Jensen, J.R. 1996. Introductory digital image processing: a remote sensing perspective. 2nd. Ed., Prentice Hall Series in Geographic Information Science, Upper Saddle River, New Jersey. - Kenneweg, H. 1992. New approaches of forest inventory and monitoring techniques integrating aerial photography, Proceedings of the IUFRO Centennial Meeting in Berlin, 1992. Japan Society of Forest Planning Press, Faculty of Agriculture and Technology, Japan. Edit.: G. Preto y B. Koch. - SAGPyA Forestal. 2001. Publicacin trimestral de la Secretara de Agricultura, Ganadera, Pesca y Alimentos. N 20, Septiembre 2001. Buenos Aires. - Story, M. y R.G. Congalton. 1986. Accuracy assessment: a users perspective. Photogrammetric Engineering and Remote Sensing. Vol. 52, pp. 397-399. - Tortorelli, L.A. 1956. Maderas y bosques argentinos. Edit. Acme, SACI, Buenos Aires.