CNR-0202 - Biblioteca digital CEDOC

COMISiÓN NACIONAL DE RIEGO
ESTUDIO:
CALCULO DE SUPERFICIE REGADA POR MEDIO DE
TECNOLOGíA DE SENSORES REMOrOS
CUENCA Río LIMARi
INFORME FINAL
?
loIullt...lullon SetJnentatlon
Il'oject
~...
_Ob;e<ls
SauPo<
0..>«.....
lools
~~ pt~ ~~;.'~~ ~
;=.Ecit=1oloe<
......
:..::we9U='
=--------,~;t-ddev-.
""oane<:cion.ing Ol (I\ios not..,q,od!
""oanoecion.ing (2) (I\ios not ...i<»edJ
""oanoecion.ing (3) (I\ios not..,q,od!
""oanoecion.ing (41 (I\ios not ..sipdJ
ootoc<IteCCiming lSl (I\ios not ••sipdJ
""oane<:cion.ing(61 (I\ios not ..sipdJ
""oaneccicn.ing (7) (I\ios not ••sipdJ
Scae palametl!f
O
SegnerlÓln roode
:0:1
D~píooI~
S..... Foclo<
Octubre, 2006
~2.4J
'.0
1.0
1.0
-
1 - 1-
-
-
-
¡0:5
~
r
r
U.. absolote(V2.11-..mr
CPRSIG Ltda.
~O.6)
{21.4]
(11.6)
1.0
1.0
1.0
1.0
CorrposUw'l d~crterion:
-
INamal
(1.3)
(S.2)
(8.S)
~w-.~
r
r
r
COIlJlsión NaclOllal de Riego
C,ilculo de Superficie Regada por Jl1ellío ele fccnulogHl de
fll1"(lmle Final
Sen~Ofl:::; R..:mulos.
Cuenca Río Limari
Septiembre 200t¡
CONTENIDO
1. ANTECEDENTES
2. OBJETIVOS
2.1 Objetivo General:
3. METODOLOGíA
4. RESULTADOS
4.1.- Introducción:
4.2.- Adquisición de Imágenes:
4.3.- Información Adicional:
4.4.- . Pre - Procesamiento de Imágenes:
4.4.1. Orto Corrección:
4.4.2. Calibración Radiométrica:
4.5. Interpretación Preliminar:
4.6.- Trabajo de Campo:
4.7.- Clasificación Final:
4.8. Estadística Final:
4.9. Conclusiones y Recomendaciones:
CPRSIG Llda. Av. Il de Seplembre 2155-A 01'.902
1
1
1
2
3
3
.4
10
12
12
13
19
26
35
42
46
Conllsinn
~dCllma¡
de Riego
CÚklllo de SlipLTlicie RcgalliJ plJr lllL'tlio ,le le(nolo~Ja
,k Scn;,Uf\;S .K..:mlJlos. Cuenca Rio [ im~1Il
In tónnc Final
COMISiÓN NACIONAL DE RIEGO
CALCULO DE SUPERFICIE REGADA POR MEDIO DE
TECNOLOGíA DE SENSORES REMOTOS
CUENCA Río LlMARí
INFORME FINAL
1.
ANTECEDENTES
Actualmente la Comisión Nacional de Riego se encuentra desarrollando el
programa "Capacitación en Gestión Integrada de Recursos Hídricos" en las
cuencas de Limarí, Maule, 3a Sección del Aconcagua y 3a Sección del Cachapoal.
Este programa tiene como objetivo desarrollar un plan a mediano plazo, a nivel de
cuencas hidrográficas, considerando los aspectos de gestión y manejo integral de
la cuenca, desarrollo productivo y fortalecimiento de sus organizaciones.
Dentro de las actividades a desarrollar, por este programa de capacitación,
se contempla la recopilación de datos primarios, sistematización de datos
secundarios, selección y generación de información de acuerdo a los objetivos del
programa y su posterior ingreso a SIG y Sistema de Base de Datos.
Como complemento a esta actividad, la Comisión Nacional de Riego,
determinará la superficie total cultivada en la cuenca del río Limarí, utilizando la
tecnología de sensores remotos que ha sido validada anteriormente a través de
consultorías en otras regiones del país.
2.
OBJETIVOS
2.1 Objetivo General:
Calcular las áreas de riego en la cuenca del río Limarí, además de identificar
y cuantificar los principales rubros o tipos de cultivos en ésta zona, considerando
la temporada de riego 2004 - 2005.
2.2 Objetivos Específicos:
a) Adquisición de 2 imágenes Landsat correspondiente al mes de octubre
2004 y marzo 2005 del área en estudio.
COllllsión NaclOnal de Riego
Cálculo dI.: Superiicic Regada por med.io d.e leCllologia de S..:l1sores Remotos. CUl.:m:a Rio Limari
Septiembre
Intonne Final
2()()(¡
b) Aplicar las correcciones pertinentes a las imágenes involucradas.
c) Determinación de criterios para identificar las áreas cultivadas en la
cuenca.
d) Determinación de criterios para identificar rubros de cultivos en la
cuenca.
e) Capacitación del equipo de terreno de la Comisión Nacional de Riego,
para la toma de puntos de entrenamiento para la clasificación
supervidas de las imágenes.
f) Aplicación de clasificación supervisada de las imágenes satelitales para
ia identificación de áreas de cultivo y rubros de cultivos.
g) Cálculo de las áreas de riego y las áreas cultivadas por tipo de cultivo.
3.
METODOLOGíA
a) Para el desarrollo del proyecto se utilizaron imágenes LANDSAT TM de
105 meses Octubre 2004, Enero 2005, Marzo 2005 y Abril 2005, las cuales fueron
seleccionadas en conjunto con la contraparte técnica de la CNR.
b) Una vez obtenidas las imágenes, estas fueron orto-corregidas, dándoles
una georreferencia en UTM, Huso 19 y datum WGS84. Además, se les aplicó una
corrección radiométrica, dejando sus valores en reflectancia.
e) Para el proceso de clasificación se utilizó el software e-Cognition,
tomando como mínimo 105 siguientes patrones de clasificación:
•
•
•
•
•
Frutales
Hortalizas
Cereales
Praderas
Viñas
d) Con el objetivo de validar lo que efectivamente fue posible identificar
mediante la metodología de clasificación digital utilizada, estos rubros fueron
revisados en conjunto con 105 especialistas de la CNR.
e) Se generó una metodología de clasificación que permitió identificar las
áreas de riego y 105 principales cultivos de las zonas de estudio, agrupados según
el punto d).
CPRSIG Llda,A\. I1 deScptcmbr..:2155-Aor 902
?
C01ll1~ión NaclOnal de Riego
Cálculo de SuperIicie Regada por medio de leClloJogla de Senson:s Remotos. Cllem:a Río Limarj
Tnll1l1ne Final
Septiemhre 200/)
f) Como apoyo para el desarrollo del proyecto, la Comisión Nacional de
Riego a través de su programa "Capacitación en Gestión Integrada de Recursos
Hídricos", generará la toma en terreno de puntos de entrenamiento para la
clasificación, para esto esta entidad consultora realizó dos visitas a terreno para
capacitar al grupo de trabajo, además de exponer la metodología y resultados
esperados.
g) Se realizarán talleres destinados a funcionarios de la CNR, para dar a
conocer las metodologías desarrolladas en el proyecto y la utilización del software
eCognition.
h) Una vez obtenidos los resultados se programarán en conjunto con la
contraparte técnica, reuniones con expertos de la CNR y visitas a terreno para
determinar y chequear las zonas cultivadas bajo riego y secano obtenidas del
proceso de clasificación.
i) Finalmente para mantener la claridad y orden en las actividades a
desarrollar se entregarán informes con la metodología a realizar e informes de
avance con los resultados obtenidos para terminar con un informe final que
contendrá todas las actividades desarrolladas y la metodología empleada.
4.
RESULTADOS
En este capítulo se describe la aplicación de la metodología y los resultados de
cada uno de los pasos realizados.
4.1.- Introducción:
El desafío de determinar la superficie regada en una cuenca, en el fondo "conocer
los cultivos en una temporada agrícola" era hasta hace poco una tarea casi
imposible de realizar digitalmente. Simplemente porque la clasificación digital, tal
como la conoce la mayoría de los usuarios de software de procesamiento de
imágenes, no da respuesta o más bien no entrega los resultados esperados que
reemplacen a una interpretación visual.
Con la aparición en el mercado del software e-Cognition, desarrollado por una
empresa Alemana, el panorama ha cambiado radicalmente. Este software fue
diseñado especialmente para extraer información de imágenes tomadas por
satélites de recursos naturales, donde además de la información espectral y
temporal aportada por las imágenes, se pueden introducir criterios de clasificación
que consideren otros factores como tamaño, textura, factores de forma, altitudes,
pendientes, exposición de laderas, índices (vegetacional, de brillo, etc.) y criterios
de entrenamiento especificados por el usuario, que reflejan características
especiales de los objetos a separar. Se habla entonces de un software de
CPRSKi Ltda, A\. 11 Je Seplembre 215 S-A
oc <)02
Conllsion NacIOnal de Riego
C,ilclllo de Sllpcriície Regada por medio deh:cnologIa de Sensores Remotos. Cuenca Río Li.mari
Tntónne Final
Septiembre 200ó
clasificación digital orientado a objetos y se hace una diferencia marcada con
respecto a los demás software que utilizan sólo métodos tradicionales de
clasificación digital, basados únicamente en las características espectrales que
entregan las imágenes.
En este sentido, el análisis de imágenes orientado a objetos permite hacer un uso
más inteligente de los datos de la imagen y superar, en gran medida, las
limitaciones de los métodos tradicionales de clasificación, incrementando su
productividad, reduciendo costos y mejorando la eficiencia de la producción
operacional de información geo-espacial.
El concepto que aquí se maneja es que la importancia de la información semántica
necesaria para interpretar una imagen no está representada por un dato espectral
simple sino en imágenes llenas de significado e interrelaciones espacio temporales. Así, la clasificación de imágenes se basa en objetos-imagen y no en
pixels individuales.
Las características de este análisis hace posible enfocar las tareas de análisis de
imágenes de manera hasta ahora no resuelta. Este análisis simula el proceso
cognoscitivo humano y aumenta el rango del análisis tradicional, convirtiendo los
datos en información geográfica clasificada con mayor exactitud.
Es un trabajo integrado que permite clasificación automática o semi-automática
permitiendo analizar datos de bajo contraste o notable textura.
Permite también entre otras cosas la fácil formulación y análisis de tareas
semánticas complejas, el análisis simultáneo de datos geo-espaciales de diferente
tipo y el intercambio de información de objetos y resultados de la clasificación para
integrarlos o para actualizar sistemas de información
4.2.- Adquisición de Imágenes:
En la Figura N°1, se muestra el esquema de cobertura de las imágenes satelitales
Landsat para la cuenca en estudio (Limarí). Para su localización se utiliza el
esquema mundial de referencia (WRS), el cual divide a la Tierra en órbitas (Path)
de Norte a Sur (233 órbitas) y define los centros de imagen en paralelos que
cortan a dichas órbitas cada 170 Km aprox. (Row). La numeración comienza con 1
en el hemisferio Norte y termina en 96 en el Sur. La información en una órbita es
fija, con un 10% de traslape en el Ecuador (aumenta hacia el Sur), pero dentro de
élla la información se puede pedir desplazada para ajustarla mejor al área de
estudio.
CPRSKi Ltda,A\. II deSeptembre2155-AOf
<,lO]
4
ComIsión NacIOnal d~ RIego
l:akulo de Superficie Re,!Bda por medio de 1cCllolo~B ,k .... cn"ores Remoto '. Cuellu, Río 1 unan
Tnt¡1I1n~ F1llal
Figura N° 1: Cobertura de imágenes Landsat del área de Estudio.
Para este trabajo se decidió utilizar la imagen 001-081 ya que cubre el 90% de!
área regada total y el 100% del área regada bajo los embalses Cogotí, Paloma y
Recoleta. La fechas solicitadas en los TDR fueron Octubre 2004 y Marzo 2005, sin
embargo, se adquirieron 4 imágenes, agregándose una en Enero 2005 (por
problemas de nubes en la imagen de Marzo) y otra en Abril del 2005 para tomar la
senescencia de viñas y parronales que pudiesen haber en la zona.
Las imágenes Landsat disponibles se pueden ver en la página Web de la Agencia
Espacial Argentina (CONAE) ( www.conae.gov.ar) y, en las siguientes figuras se
muestran las vista del catálogo (en rojo las imágenes seleccionadas):
CPRSl(J Lldu. A\. JJ 111.. Septembre 2J55-A or '-02
COml~lÓll Nilc10nal u~ Rlego
l akulo ue ,'[lJ.lCIfü;ie Regada por medio Je Icen Jo".w Je
Tn t ol1ne f11lal
íli'=_-9
s.,."
-.-.,.,"'ñTh1¡¡----~---::Oil'l~:::=::;::~~=:;::_--:_n __- - - - - - - - -
Di<.ocllln
Otl8CclÓfl
IL--'-;:"'--l RO'..
Ubicación
I
S3\éF1.
. DEse
,81
: Crnle
, LMlDSAT5
~::rde }nido ~ :NOV-2004
: DESe
P.th
.,
'[!]
1
1I
R n w : 81
. LMlDSAT 5
Sal.Ti.
Seo'" de ","Cla :. Th1
Fuha
C6-Dic~2004
lkBcclÓn
. DESe
P3\h
•1
61
. Chile
R"".·
o
Ub'Gact6i1
UbicaCión
: Chile
SatH"
, LMlDSAT 5
: LMlDSAT5
· "1M
Th1
Fecha delrnclo : 07·Ene-21D5
D¡".ccióo
Pa!ll
.
hu> : 23-Ene-21D5
R....
, DESe
. 1
; 61
.61
Ub'caciOn
. Chila
· Chile
S.,¡'I1.
. lANQSAT ~
S7étt.
. lANQSAT 5
Sensor
: 1M
SI!I"lSOf
:
Fecha de Inlcio .2,f·Feb--2005
Direc.ciÓn
POl"
""""'-....._ - ' RO'"
. DEse
P¡¡th
1
Ouaccoón
="''1<':''--' Se"'stIr
"'-.:-.:i...._ - '
~~----_.
Facha (le lnido . Q.t·Nov·20Q4
Path.
,
[]J
Sensor
Fecha de hlcí!'l . Q3..0ct·';!))4
• DEse
.1
[U
-
TM
DEse
.1
. 81
Prl
5olétó.
. lANDSAT 5
~:;:;rdeJnl:tO: :DIC-¿m4
[)uecCJÓn
.
Pelh
DEse
Re..,
. 1
.61
UbfcarlM
. Chile
Sa,e1ito
. lANOSAT6
se""o,
'TM
.
(SFe~20Ct5
Diteccién
:
DEse
P.'h
.1
: 81
F9C"¡;¡
te
Ini~1O
R....
UblUClón
f~r¡a de
. eMe
. LANDSAT5
'TM
Ini,:lo :
OU'ecovn
o
R....
Ubttion
: 81
_ Chile
5olél"o
senso<
F.... d. ""<lo 12-M'r--2005
. DESe
, 1
. 81
:
0
•
1
R....
~Mar·20J5
. DESe
[ ] P.th
: 1
Rcw
81
Figura N° 2: Imágenes Landsat 5 disponibles (Octubre a Marzo)
e a e mero
Ub,C3Clón
ne·
DESe
1
81
Chile
Sa'éHe
l.AI\DSAT5
Se'180r
F.echa ti, tnicie
Th1
24-feb-2005
Du'eCClÓh
DESe
Polh
1
RO'. .
81
UbicaCión
Chile
DlreCCJÓn
Path
Row
Sat~l.te
ee
•
· DEse
DEse
P.I~
.1
1
RDW
· 81
, 81
R~.....
lJblcotilm
12·Mar-2Q05
: DEse
.81
Chile
LANOSAT5
LANDSAT5
TM
1
.81
· Ch~e
1
81
. Chile
S~éJne
I.ANOSAT5
· TM
S01éti.
LANDSAT5
Sensor
1M
Sensor
Fecha de InicKI
31-M"Y"2005
DESe
1
81
Chil.
ferbo d, Irlc>o • l&Jun-nlS
-DlrecQt'in
Pelh
RO'"
Ubicación
[]
!).rect:6n
DESe
POlh
1
Ro.<
61
UOttaci6n
Chile
Salébte
LANOS.A.T5
1M
15-May·2005
DESe
!rico · 19-AIlr-21D5
· DEse
DEse
Otreee Óll
PaU-
Row
Ubi::ac;>én
• DEse
1
081
· Chae
l.ANOSA.T5
~::de lnleo ~Mar'2005
· TM
lrico
1
----
Sal.llle
· LMlOSAT5
Th1
Fecha de Inído 13-AIlr-21D5
Pa'h
ChIle
Chile
GtMcacttn
Sen$~
OlJeccltn
=---c-----~.--,-~-.....,-="...,,.,.,=-,,.e:FBl>2ID53=Ene-
ICD
t::irecc,ón
1
81
Ubic¡ci6rl
Chile
Salél~e
l.ANOSAT5
.......~-.,..,. Sanso,
Th1
FecMde lnit!O D2·Ju.2005
OJf~CCi6n
DEse
P-aih
1
;.--:..~'"-~ R...
81
l.Ítl!raciÓ:...
: Chile
Figura N° 3: Imágenes Landsat 5 disponibles (Marzo a Julio)
Las fechas de las imágenes y sus características son:
LOtl'I"1 '1 "IacJO!la] de R1t'j}O
Calculo dc Ilpc:rlIclc RL'i!aJd por 1l1.:Wo k 1 'mul
fntollll f na]
~ld
Je
-o oc" Rl: o 11 <. lcned R ) 1 11LI
Fecha
Elev Azimut
Solar Solar
N° filas
N°
Columnas
Resol.
N°
Bandas Espacial
19 Oct 2004
23 Ene 2005
12 Mar 2005
29 Abr 2005
54
54
45
34
7600
7600
7600
7600
8240
8240
8240
8240
7
7
7
7
62
81
60
41
25m
25m
25m
25m
Figura N° 4: Imágenes utilizadas en el estudio.
La siguiente figura muestra la Cuenca de Río Limarí sobre el mosaico Landsat del
área de estudio,
Figura N° 5: Cuenca Río Limarí,
C.t'R~lL;
LIJa. Av. II Je ·cpl.:mbn:2L -AO. qj)2
7
C01\1l~l()n
NaclOnal de RIego
l.alculo de :upl11icic Re~ada por medio le
Tnfnl1efl ~l
lCC1101o¡!H1
de
~\:l1sorcs R<:molo~. <..
ucm:a Rw LUJl<
'1
Las imágenes originales son las siguientes:
Figura N° 6: Imagen 001-081 del 19 de Octubre 2004.
Figura N° 7: Imagen 001-081 del 23 de Enero 2005.
CPRSIC
Lldu~
A\ 11 dc "cp cmbrc 21"' - A 01' l}O:!
C01l11S1Ón NaclOnal tlc RlcgO
Calct¡]o ele c'llpc::rfiúe: Re:gada por ll1úlw de
Jntonnc Fmal
le:enolo~d
Je: "I-:n:><.)fl; Rcmolos <. llene" Rio Lllll.
1
Figura N° 8: Imagen 001-081 del 12 Marzo 2005.
Figura N°9: Imagen 001-081 del 29 de Abril 2005
C.PRSl(, Licia, A\, 11 Je:
.~¡;pll:mbn:
21 55-A Of 902
-aClOllal de RIego
upcrli':ll:
RL'';/Ida pOI mcd.io dL 1cmologm J(;
-o OI(;
Rano
o
l
UL"Illd
Rí ) Lu
1 1
4.3.- Información Adicional:
La caracterización física de la cuenca del Río Limarí se realizó utilizando el
Modelo Digital de Elevación confeccionado por el proyecto SRTM de la NASA. A
partir de este modelo, se derivaron los mapas de pendientes y exposiciones
usados en el procesamiento digital de imágenes.
-
-
"-
Figura N°10: Modelo Digital de Elevación pintado por rangos de altitud.
Figura N°11: Exposición de ladera (tonos celestes
<.. PR:::'l<, Lida. Av.
11 ,k. \:plcm -.; _1
A O[ 1})2
=exposición Sur)
10
COllllS101. NaClOl1al d~ RIego
Caklllo ÜI.: ,'lIpcrfi':JI.: RI.:~ada por mecho tk !I:cr
11ltonne Fina
~:
üJOgld UI: \:U_OII:
Remolo'
(llL'J1l ..
Rw LlU.lIl
,¿.
Figura N°12: Pendientes (en rojo pendientes sobre 20 grados)
La información vectorial preparada para el área de estudio fue la siguiente:
•
•
•
•
•
•
•
•
•
•
•
•
•
Hidrografía (drenes MIDEPLAN - DGA)
Hidrografía (cuerpos de agua - MIDEPLAN)
Cuencas (DGA)
Sub Sub cuencas ( DGA).
Caminos (MOP - MIDEPLAN - CPRSIG)
Agroclimas (CIREN - CNR)
Uso Suelo (CONAF)
Tipos de Suelos (CIREN - CNR)
Cauces (CNR)
Canales (CNR)
Bocatomas (CNR)
Caminos (MIDEPLAN - MOP)
Cuerpos de agua pequeños (CNR)
(PRSIGLt,h,A\ ¡lUl: '..:penbn.:2J:'_--AOf<JU2
11
ConlJ '101
t <ikulo de
TI
"lCIOJW
de RIego
Rl:2 Ida poI In W JI.: 1..'Cn IO!lltl J"
l pcriiClc
~~
n.:,
R"mol
<- 1
'TILa Rlll
lll1lf'
J:'
4.4.- . Pre - Procesamiento de Imágenes:
Tal como se planteó en la metodología, el pre procesamiento de las imágenes
consiste en dos pasos paralelos:
A) Orto-corrección de las imágenes y
B) Calibración Radiométrica
4.4.1. Orto Corrección:
Para poder realizar un análisis multitemporal, multitemática y multiresolución,
es necesario que las imágenes, MDE e información temática calcen
perfectamente unas sobre otras. Esto es más importante aún si se quiere
caracterizar un cultivo con parámetros adicionales a lo que entrega la
información espectral pura, cuyos resultados son muy pobres. Por ejemplo, se
incluirán factores como la altitud, pendiente y exposición de laderas ya que con
esta información es posible separar cultivos que espectralmente tienden a
confundirse o también resolver el problema típico del efecto de las sombras y
cuerpos de agua (objetos que espectralmente siempre se confunden),
Esta necesidad implica que las imágenes deben corregirse geométricamente y
que la corrección geométrica considere los efectos de distorsión producidos
por el relieve. Es decir, las imágenes deben orto-rectificarse (proceso de pasar
de una proyección central (vista oblicua) a una proyección vertical).
a) Proyección Central
1111
b) Proyección OrtOlzonal
Figura N° 13: Proceso de Orto-rectificación.
El proceso de ortorectificación consiste en utilizar el modelo geométrico del
sensor, el cual se fija sobre el área de estudio mediante puntos de control
X,Y,Z donde la X e Y se obtienen de levantamientos GPS o cartografía de
buena calidad y el valor de Z, del Modelo Digital de Elevación o MDE.
Con este esquema es suficiente localizar de 7 a 9 puntos de control bien
distíibuidos en la imagen y asegurarse que su RMS (error medio cuadrático) no
supere 0.5 pixel. (Ver Anexo N° 2).
U'1
G Lld.,A
11 k
\;pl.-mbc~I)~
AOf
.2
17
C01l11:':10n NacIOnal de Riego
Calculo dc ~'llpcr[i¡:icRcgadd por lliL'ilio ,le iemol '21u d" \:ll"on:' R<:lliOlo
In "1nne Flll~'
<. ucnca RlO Liman
Este proceso se utilizó para las cuatro imágenes a procesar y sus puntos de
control se guardaron para ser utilizado en la ortorectificación del resto de los
productos iniciales (imágenes de reflectancia).
4.4.2. Calibración Radiométrica:
Para realizar la calibración radiométrica (eliminación de los efectos de ángulo
Solar y dispersión atmosférica), se utilizaron las formulas propuestas en la
metodología de trabajo (se adjunta en anexo documento oficial del USGS para
Landsat-5) y la conversión a reflectancia tomando en cuenta el Zenith Solar de
la toma de imagen, la distancia SOL- TIERRA para esa fecha y la radiación
exoatmosférica para la banda respectiva.
El primer paso es convertir las "Cuentas Digitales" (CD) de la imagen a valores
de radiancia y con ellos, al aplicar el modelo atmosférico, obtener los valores
de reflectancia de los objetos a nivel de la superficie terrestre.
El paso de convertir las CD de una imagen en radiancia recibida por el
detector, es simple pero requiere conocer los parámetros de calibración del
sensor para la época de toma de la imagen. La formula es la siguiente:
Li
= { __~~:~-=-~~':'.--
__J
* (CO - QCALmin) + Lmin
QCALmax - QCAL mif
Donde:
Li es la radiancia que llega al detector
Lmax y Lmin son constantes de calibración
QCALmax y QCALmin son los valores extremos de la
conversión análoga - digital (255 y O para Landsat)
Las constantes de calibración se obtienen de Tablas publicadas por NASA y
son específicas para un determinado sensor y período de calibración. Para
Landsat 5 (después de Mayo 5 2003) estos valores son:
Banda
Lmin
Lmax
1.52
193.0
2.84
365.0
1.17
264.0
1.51
221.0
0.37
30.2
1.2378
15.303
0.15
16.5
Figura N° 14: Parámetros Calibración para Landsat 5.
1
2
3
4
5
6
7
<.PR 1(.1 Ja A\
lJ,,'
plcm~rL21"-)-AO'
)2
e onu 101
• ClOJl1
e
~
e",
1 _ a J... •
L,U¡; tl..Hk qx:::finc R.:~ L. por m ili JI,; l.:m
Inh
n,; Rcm
(UCllL,
RIO 11m ul
T"'
La radiancia que llega al detector, esta compuesta por dos elementos
fundamentales: a) la radiancia directa desde el objeto, que es función de su
reflectancia alterada por la absorción atmosférica (componente que
queremos medir) y b) la radiancia indirecta que proviene de la atmósfera
(componente indeseado y que debemos eliminar con la corrección
atmosférica)
Li
=Lobjx + Lat
Donde:
Li es la energía que llega al sensor.
Lobjx, es la energía directa que proviene del
objeto
y
Lat, es la energía indirecta producto de la
dispersión atmosférica.
Este factor aditivo (Lat) se define a través del análisis de los histogramas
de cada banda y se le resta a la banda respectiva.
En este caso, el factor restado a cada imagen fue el siguiente:
Factor (Lat)
Banda
81
30
82
10
83
4
84
O
Enero 2005
81
35
82
10
83
5
84
O
Marzo 2005
81
24
5
82
83
2
84
O
Abril 2005
81
17
82
5
83
2
84
O
Figura N° 15: Valores para reducir dispersión Atmosférica
Imagen
Octubre 2004
y a su vez, la radiancia que sale del objeto es igual a la radiancia que
llega al objeto desde el Sol, multiplicado por el factor que representa la
proporción de energía que refleja el objeto (el resto lo absorbe o
transmite). La razón entre la energía que llega al objeto y la que sale de
él, se llama reflectancia.
14
L:01l11 Ion
aClOl1al d~ RIego
L alu lo d.: 'lIpcrllCJ': Rq!a la por mI.: ti ,k 1'cu 1 gJ. dI.:
'n r
R"mol
lllcn~a RJ
l.m.ul
1 ltonne vm 11
• t
tlt'l
·¡'-e
~rJÓ
La refiectancia para las bandas ópticas está dada por la siguiente relación:
R
= (PI * Li * d2) / (ESUN * cos(Ze))
Donde ESUN es la radiación exoatmosférica (parámetro astronómico que
indica la radiación por longitud de onda que llega del SOL antes de ingresar
a la atmósfera) y esta dada en la siguiente tabla:
Banda
1
2
3
4
5
7
Figura N°
ESUN
1957
1826
1554
1036
215
80.67
16: Radiación Exoatmosférica
Los parámetros de Zenith (Ze) (ángulo vertical del Sol al momento de tomar
la imagen) a y distancia SOL-TIERRA (d en unidades astronómicas, dato de
tablas astronómicas para el día y hora de la toma de la imagen) utilizados
fueron:
Imagen
Elev
Solar
19/10/04
23/01/05
12/03/05
29/04/05
54
54
45
34
Zenith
Solar
(Ze)
36
36
45
56
Día
Juliano
Dist. Sol Tierra (d 2)
292
23
71
119
0.9961
0.9844
0.9937
1.0070
Figura N° 17: Parámetros para calcular la Reflectancia
Para la Banda 6 (banda Termal), se convirtió las CD a valores de temperatura
brillante según la siguiente relación:
T = (K2 / Ln((k1/ Li) + 1» - 273
J
temperatura en ° Celsius donde:
=
K1 607.76 en W / m2*sr*um.
K2 = 1260.56 grados Kelvin
Las formulas finales utilizadas para transformar de CD a Radianza (considerando
que QCalMin = O) Y con ellos a Refiectancia (que se llevó a valores enteros en 16
bit unsigned, multiplicándolos por 10) fueron:
1'\
C01illSlOll J\¡ lCI0nal U~
RIego
Call1lio Je :lIpcrfiul: Rcg:Jl\u poI mc lto Je 1emolo..! d Je 'ellsufc R"molo' ( l crl 1 1{ o .
Intl nne FI a'
Banda
81
82
83
84
85
86
87
Lmin
Lmax
Factor
1.52
193.0
0.750900
2.84
365.0
1.420235
1.17
264.0
1.037060
1.51
221.0
0.860745
0.37
30.2
0.116980
1.2378
15.303
0.055158
0.15
16.5
0.064118
Figura N° 18: Radianza a la entrada
LJ
Irl
Li
0.750900 * CO + 1.52
1.420235 * CO + 2.84
1.037060 * CO + 1.17
0.860745 * CO + 1.51
0.116980 * CO + 0.37
0.055158 * CO + 1.2378
0.064118 * CO + 0.15
del sensor.
Para procesar las imágenes se construyó, utilizado EROAS Imagine, un modelo de
cáiculo donde a partir de la imagen original, se procesó cada banda y finalmente
se volvió a unir todo en un solo archivo.
La figura siguiente muestra dicho modelo:
Imagen Original
Funciones de Conversión
n2 b1
Bandas con Valores de
Reflectancia
Imagen final
n9_ocI1904_ref
Ejemplo Función para Banda 2: (PI * (1.442510 * $nU>etl92004(2) -2.84) * 0.9961 **2) / (1826 * COS (
0.628318))*
Figura N° 19: Modelo para procesar imágenes
CPRSll. lldu. A\
1 Je Scp cm n.: 21).- -A nf 901
lt1
COIllISIOl' NaClOllJI J~ Rlego
C¡¡!Lulo k
hltl
puficic RC!!1ll1" por m -dio UI: 1 cm •
'l
llU
,k
1<. ~ l ••
En resumen, los pasos seguidos durante el pre-procesamiento de la imágenes
fueron:
•
•
•
•
•
•
Lectura de los datos originales.
Eliminación de franjas radiométricas (destripe).
Eliminación de dispersión atmosférica (haze removal).
Paso a imagen de reflectancia (16 Bit signed)
Ortocorección de imágenes con haze removal.
Ortocorrección de imágenes de reflectancia.
Las figuras siguientes muestran la diferencia entre el producto original y la imagen
corregida radiométricamente (haze removal).
~ VteW91 .:1 • oll!.-29.abIO"i~"n& {Lanlis.a' TU fá~l_f&IIl ...' t_6and_4H La... tI~cTM_fas.'_foJlnal_Belftd_3H land d't_lM_foM-t_f.4llllitl_Band_2
~
l.tlt-t
v.ew
_
~ ,..,.
AOl Rester ~
Figura N° 20: Imagen original, 29 de Abril
CPR.\lCJ 1\ l:.
\ l.
17
lOlnJ Ion
'ICIOIW.l d~ Rle~ o
lakul de
l p<.TliCH~
R '.!'IJa po
1 H;
11
k 1en 010gId Ul:
'1
Y_el
~l: Ilaze
19.I.. íl~",'I1.
FieW<y_AO.lR......
L.Y"I_~1\ LaY"',;..':=;,_J~II:.;:,L•.:.ye.:..;._::::l:..1_ _- - ~
_'bitiliiit!!~
~
~~ ~~
- +
~ k::
,'(;i El. ~
Figura N° 21: Imagen de Abril corregida radiométricamente.
Figura N° 22: Imagen de Radiancia del mes de Abril
CFR' l' L1lW. A\. 11
lR
COI 11 IOn
ICl n'¡ de R ero
<. d.kU o JL 'llpcrli':ll; R<:.!'¡Ja por me lia k Íl:u
Tntonn f11lill
Como se puede apreciar, la imagen con cuentas digitales (fig 21) Y la imagen de
radiancia (fig 22) no presentan ninguna diferencia visual. Sin embargo, los valores
que componen cada imagen difieren enormemente. Para la imagen de cuentas
digitales (CD), todas las bandas tienen valores entre O - 255 Y lo único que se
sabe es que son proporcionales a la energía que llegó al sensor,
Para la imagen de radiancia, las bandas 1 a 5 y 7 los valores corresponden al
porcentaje de energía que refleja el objeto en esas longitudes de onda
(amplificado por 10 para conservar un decimal y usar números enteros). Así, el
valor 54 significa que el objeto tiene una reflectancia de 5.4% y un valor de 372
significa una reflectancia de 37.2%.
Para la banda 6 (que corresponde al IR Lejano o Termal) los valores son
"Temperatura Brillante" en grados Celsius, también amplificado por 10 para
conservar un decimal. De esta forma, un valor de 121 significa una temperatura de
12.1 0 C. La diferencia entre "Temperatura Brillante" y Temperatura Cinética" (la
que uno mide con un termómetro) es un factor de emisividad que para objetos
como el agua y la nieve es cercano a uno y para el resto de los objetos es menor
que uno. El problema es que en la práctica, dado la mezcla de objetos dentro de
un píxel de 30m, es difícil determinar. Sin embargo esta información sigue siendo
útil porque el suelo desnudo siempre tendrá una temperatura muy superior al
suelo cubierto con vegetación y dentro de estos últimos, un suelo cubierto con
árboles tendrá una temperatura inferior a un suelo cubierto con pasto.
4.5. Interpretación Preliminar:
Con los productos obtenidos, se procedió a realizar las primeras calibraciones
para la "Clasificación Digital" a realizar con el software e-Cognition.
Se procedió por etapas desde lo más simple a lo más complejo, hasta llegar a un
punto donde es necesario contar con información de terreno para poder seguir.
Los pasos realizados se pueden resumir como sigue:
1.- Clasificación con una fecha, resultados muy malos por la gran confusión
espectral, imposible separa sombras de agua.
2. - Clasificación con 1 fecha más la capa de pendientes, mejora bastante y
se puede separar muy bien la zona de cultivos en el valle.
3. - Clasificación con 1 fecha, pendientes más criteros de textura y forma de
los predios. Resultados bastante más satisfactorios.
4.- Clasificación con dos fechas, pendientes, textura y forma. Se produce
una mejor separación de grupos de cultivos.
( 1 . )2
19
('mll1 101 • C1011J! de Rle_ o
C¡)¡;u!" de l1pc 11m; Re ,. tk
'1
f
R<:mo o
l Ul'lln Río llln,~J
1
A esta altura del proceso empieza a influir mucho la calidad de las muestras y la
habilidad para separar o entrenar al computador con variaciones de un mismo tipo
de cultivo. Por ejemplo, trigo recién cortado vs trigo sin cortar y trigo cortado hace
una o más semanas. También viñedos con sus hojas verdes de viñedos en estado
de senescencia o frutales en zonas planas y frutales en terrenos con pendiente.
En fin, son muchas situaciones especiales que hay que tomar en cuenta y para
ello se hace necesario tomar el máximo de muetras georreferenciadas en terreno.
Las figuras que siguen, muestran paso a paso los procesos realizados. Dado que
esta es una clasificación preliminar, no se explican con detalle los criterios
utilizados ya que seguramente cambiarán una vez que se cuente con información
de terreno de buena calidad.
Los rubros de cultivos a identificar son:
.:.
.:.
.:.
.:.
.:.
Frutales
Hortalizas
Cereales
Praderas
Viñas
Sin embargo, es necesario identificar otras coberturas de suelo (agua, sombras,
suelo desnudo) para que las reglas de decisión funcionen adecuadamente.
<. PRS u Lt h, A\ 11
. P err br~ _ y:;
(,.
02
7.0
COtllUOIl NaclOllaJ de Rl~gO
CaJuLlo dl: 'upcrltcll: R 'Ultla P r mcdit dl: k n
TI tOI ne F11\,
9Cog~n
1 'la
dL
-':1
Rdl1010_ (U~'lKa RIO Llln:ul
';O!l:
Idnbr~
,t
2(ut)
pror"ool·lpruebo.lp' ~ PbBts)
6'CtIKt- ~ "i!JQB~ 5aIPes 0Is5t¡caD0n Dx* Q;nt t'Dltt:d TtJobars+~ ~
o o o ¡;¡,
U~ ~ ¡;¡_ ¡
.,.." ."
(JIf
*
~;¡,
tfllb
/'.. 1\
e
Q)
ca -<1) e ~ --
¡
~
~~
.". ....
el ~ ... -I-
v
~883P1\;&111_¡¡''''''''''
ES
~l\
~18:JI
Figura N° 23: Carga de la imagen en e-Cognition
Una vez cargada la imagen, se pueden hacer muchas combinaciones de bandas y
filtros y el software no restringe esta operación a sólo 3 bandas, como lo hace el
común de los software.
nCognlliMP*-eIoBill-(prueba...,., -tr.ef 1 .. 1: PbeII)
&Olal ~ ~ObiBd:l Slwlll$ O<l5slO;.ibl Iods ~l Ptotocd Tooft:¡;,s+~.
I'fil~g I
,'!t ~
lB ~
'"
..
~
ijeb
~
""
~
~n~~ "Iff!.l..OOOlr. ~* ~..3-_.!!:.3: ~@~ ',=,'_3~_x...:::_
-.
111
.§ "-
••! .~_
ti, . - -
Figura N° 24: Segmentación inicial de los datos y definición de Clases a
utilizar.
C.PRSK,lldu.A\. II ....
cmbr... 2j)
7.1
nc ,);)1 de Rle'O
Caklllo Je IIp..:rfiue Re amI p r lllL-dlO c kcn l,..lU c
ln+ m F1ll 1
=
10* tmort P\:JltDCOI
---'"'--~
oOO
:~=nc,CilIot¡;.~
.l'llIl!l
-
o;f
uen.. I RlO 1. lffidIl
TCiClbn:+~
6Il"~
. . . . ti$
Il Po.
P- ~ ~ ¡;¡¡ ~
{jj
e
le.... ;
":;8
.~IQ
ti,
Figura N° 25: Definición de Criterios a utilizar para cada clase
eCognit:ionProfeníol1<ll-[prue.ba.tlpr . lewrel 1 of 1: C,-,,,ñlCatKm]
eJ'oJect
~
DMQe"ObJea:$ S!UPes
O&s~
Iooi5
~
~t
Ptatocot
Toobars+~
000=
6Il"~
Il
~'hdow
tiEtl
-'~p.P..-l!,
~
¡;¡
~
<ge ..... , ..::.
.-
....:.~-
."''''''''''
eCulttvo_AnuaI
""""",,,
...........
0efl\UMS
eSornbr.!ls
o'''''
.Yhdosl
O""'''''''
00
013
I1
D.20
'! ..
¡;:;;::;
Figura N° 26: Resultado de la clasificación preliminar
??
J I ' r. IOgllHk
'llli
R..., llm.~l
•
eC~t"OfemotN.l-[prueba ••"
~
eroted
~Ob~
~
I
~11hrc.2
'n
. lewel 1 01 1: Pi~"'J
0Jss(Jcatt.ln
~
~
f't:lJtocoI TICIObrs's+t!!ii*9 .WJdrM
~I!lilOOO!t:6\f*
~
~ p'p'p-f,~~~@e
~
ir
0.0
OIS
~
I
.".
O~
o
154't5ob)lld5
!3
ES
CIi1~22"
Figura N° 27: Imagen original para verificar resultados
De Elit lC_ 1...."'" G.aohct I!lr1dow
~eIo
~ ~ mlSJ~ 1IlliJ~ ~~ ~[gJ ~
_II:l'x!
Objecri!>h.. peUHlnto ..
_Agu&Z
_Anlu111
_A1bustO$
[:v!t¡"'o..,Anu¡
_Dd-I'''.td01
_Dunl,ldo2
_
DesltUdo3
_Flutalu
_Somblu
ídlle>
VihdM"'
VfbilH::2
~ Ob!t.$tl¡pGllnfo.,
_.40.,..2
_Arlu.. 11
Arbustos
_
CvttA09..,Anu ..
Oeuudot
_
D~nudo2
_Ounudo3
. f f 1 . l I..lu
_Somblu
T~. .
Vla.dll!l:1
-v¡ñtc.a
, [ Cone linO
"......,.,"""*.. 1-,2_- ....:1
Figura N° 28: Resultado Clasificación 1 fecha en ArcView
CP~lU
lld•. Av JI
7.1
(
l'll .. R1
lun,
1
Scolo,r----
\l1IilChlJ2
Duftudo4
Y1
Ob)t.ct5:h.p""tHlN
_Agu¿Z
_An.1I~1
_ArbUJltos
_Curttvo_Allu,
DUDues01
DaolHlo2
Des..u403
_frut.-Ju
SOll'lbr'J
111$0
vo;;"~Ol
,
vtllildos2
~ oa)e5h',.-JiJlfiof
_A.;o.t2
_Anu~ll
_Atbustos
.Clljti.O.,A.AIU
_ _ Ot:saUd01
a O - S n Udo2
_O"f\\J<:Io:3
_FlulJiln
_ _ S9mblili
Trioo
Vlfi.4os:t
VlJlildH2
.¡
COI~ lmll
""""'iode ""'...
I
2E"""'<>do< ..
··U
.. 1 .-PaintShop.. ·IIiI«
LitaEl~ aOS,o.pm.
Figura N° 29: Resultados con criterios de forma
•o
x
-
O!l}4'ctrll.. p__II·ll'
~ Ob.ctsll.lpt!5otrZ"f
_AQu.2
_ _ AlIII"11
_ArbU'tOI'
~C.tttve_Aftll.l
06nvdo1
_D6OUd¡;¡2
Dunu4~'3
_FI1lI,lu
$liImtllou
la;o
VlIildClS1
VUíl4os2
D","INOG4
-.:l -
_
-I:
...... I·,-p..."""'...I .
elll
Figura N° 30: Resultados utilizando 2 fechas
... "",.. l
~2 _ _ ...
e . p en bn: II
«
E
~ 05:35 p.m.-
).4
aClOna]
C01ll1 101.
l ákulo d
de
RH~I.'O
Ilpcrfi ']" RL '1 Id
(
L
a RIo lllTIdrI
Intonne ¡:; llIal
Ele
,
Y... 1heme 6,,,",, _
[<1
tJelllln~ 1¡ JI>
1:1""
@] ~ ~IS]~ ~E]~ ~~[!]Im~
~¡g) ~
s_ 1·r--
6.ill.~t3
r
_Ialxl
.,......
OtlJectstll~lltsot'asf
_AnIUlI1
_Arbustos
_
C-uttlvo...Anu
Dt!UhUIo1
_Ounudo2
_
Dunudo3
_Frutlles
Sornb,--"
Trlgo
VlII.!fos:1
v¡ñ.d0s2
_OHnulto4
.-1
Objeoeh.. p~oonfo
_AgU.12
_Anu~J1
_
_
Arbustos
Cultilf9..AnlU
o".. nudo1
o ti" I'lU do2
Desnudo3
_ftUWu
_SomlHu
Trill'o
V\l\"dO-S1
V¡i'ildM2
-.Ao.
atl)t.etf;h"p~"lnfor
.a
An\l~I'
_
_
Aro.v:FM
CuItnrG_Anu ..
Oan",do1
!!~~~~~~ ~
-1
'flD~
c:: 05'''''p.m.
Figura N° 31: Clasificación con 1 clase - VEGETACION
Estas últimas imágenes muestra la facilidad que entrega e-Cognition para exportar
los resultados a formato Shape. Se facilita enormemente la verificación de los
resultados y el cálculo de la superficie para cada una de las clases. El paso
siguiente es la visita a terreno para verificar la interpretación preliminar y definir
nuevos patrones de interpretación si fuese necesario,
O'
~Ol
Combl0n NaClO11:l1 Jt: Rl~gO
l'alwlo dc .'upt.Tl1Clc Rc.!' J¡¡ pur illlWO de lcwologw C 'usor" Remo.\) <. I 'lll<! RlO Llm~ul
Tlltol1l1t: f mal
4.6.- Trabajo de Campo:
El objetivo de este primer levantamiento de información en terreno fue definir patrones
espectrales de interpretación, de los principales cultivos del área de estudio.
De acuerdo a los resultados de la clasificación preliminar, se definieron rutas a recorrer de
manera de abarcar el máximo de elementos diferentes y determinar las causas que
producían estas diferencias. Los sectores que no fueron visitados en esta oportunidad serán
utilizados durante la segunda visita a terreno, como verificación y determinación de la
calidad de la clasificación final realizada con el software e-Cognition.
La figura 32 muestra el trayecto de las rutas realizadas en terreno (azul) y los puntos de
control tomados (verdes).
Figura N° 32: Recorridos durante el Terreno N° 1.
El terreno se realizó en 3 días y las figuras siguientes muestran los recorridos realizados en
cada día.
CPRSGLlJ.. ,A\ Ild.. 'c cmbrc21
(f
.2
?n
L "n
RI
11 IU
• 1 <:11hrc /,
Figura N° 33: Recorrido Primer Día.
Figura N° 34: Recorrido Segundo Día.
(PRSl< LIt
1.
A\ II 1 .
77
C0Il11.-ión NIClOnal
d~
RIego
l alwlo de _llpcrfi.:ie Rc..!ada
In tOI1n~ f< ll1 l!
r ml.-J.io d
iL'l:D
1 ~l¡j de en
Uf
Remo o l u 'llW RlO Lumul
Figura N° 35: Recorrido Tercer Día.
Para realizar el terreno se utilizaron 3 GPS Navegadores, 2 utilizados para las rutas y
ubicación de los puntos de control y el tercero, exclusivamente para grabar las rutas sin
ningún tipo de interrupción.
Los GPS son tipo compact flash, de 12 canales, con antena externa y conectados
directamente a una PDA Dell Axim SOv o Slv. Las PDA utilizadas para grabar los puntos
de control llevaban como fondo la imagen satelital de fecha Abril 2005, en formato MrSIO
yen coordenadas geográficas en Datum WGS84. La grabación de rutas y puntos de control
se realiza directamente en formato Shape y para el caso específico de los puntos de control,
se va llenado un campo tipo carácter, donde se escribe el tipo de cultivo y sus
características (ver Figuras N° 36 YN° 37).
l
P~I(
1I
. 01'
)2
?R
COllllsiOJ. N1CIOIW de R1ef o
Cakulo dc ~'llpcrfit:lc Rc '!tia por mc 110 lc lcer
III timne F1113'
1 ~:.J J~
-':1
n: Rcmolo_' '- UCllL, Ro 11111';J]
Figura N° 36: Equipo GPS utilizado en terreno.
Figura N° 37: Equipo GPS utilizado en terreno.
CPRSlU ltda, A
?9
COlIll IOll
nClO11al de RleOo
kulo de ,'Upc:rlidC RL'_~da
m
J" 1 . n I
e
1l J
(
'nG
RIO
1 na!'
El terreno permitió detectar que los cultivos permanentes que predominan el Valle del
Limarí son los Parronales, Paltos, Viñas en espaldera, Cítricos (principalmente Mandarinas)
yen menor cantidad Nogales y Olivos.
Con respecto a los cultivos anuales es lógico que no exista una coincidencia entre lo que se
ve en la imagen (abril 2005) y lo visto en terreno (Junio 2006) pero claramente predominan
las siembras de Alcachofas, Lechugas y Papas en potreros grandes y muchas otras
hortalizas en potreros más pequeños (Habas, Pimentones, Ají, Acelgas, etc.). Muy pocos
predios con Maíz y Trigo y el resto en praderas mejoradas de Alfalfa y Trébol.
Con la información recolectada en terreno se preparó un archivo de polígonos con todos los
cultivos detectados y sus variaciones. Este Shape se utiliza para definir las clases a separar
con e-Cognition y su posterior agrupamiento en las Clases definitivas. En este sentido, la
variación de la respuesta espectral, para un mismo tipo de cultivo, complica enormemente
el proceso de clasificación digital y genera confusiones difíciles de manejar. A
continuación se dan ejemplos de estas variaciones.
La figura N° 38 es una ampliación de la imagen en el sector centro-sur del valle y en ella se
indican los cultivos presentes (en azul las rutas grabadas con GPS).
Figura N° 38: Ejemplos de cultivos en la imagen.
En el ejemplo de la figura 38 se puede apreciar la gran variabilidad espectral que existe
para un mismo tipo de cultivo. Por ejemplo, en los Parronales, esta variabilidad está dada
por el tipo de Cepa de la Uva, la edad de la plantación y si fue o no injertada. En el caso de
los Paltos, la variabilidad está dada principalmente por la edad de la plantación. En ninguno
de los casos se detectan las plantaciones nuevas (menores a 3 años) y lo que se ve es el
suelo preparado (con la forma de reflejar del tipo de suelo de la zona).
(P
(1
10
COtnl Ion .').
nal de
RI
Cah-u o ue lIpLJiiuc RI:.!
por me
r
Por ejemplo, la Figura N° 39 corresponde a una foto tomada en terreno donde se aprecia
claramente un parronal que aún está con sus hojas (en estado de senescencia) y los
parronales a su alrededor están sin hojas. Esta diferencia está dada sólo por la diferencia de
cepa de la uva en cada parronal.
Figura N° 39: Diferencia espectral producto de la diferencia en las Cepas de
las Uvas.
Otro aspecto que complica la clasificación digital es la plantación en pendiente de
viñedos, parronales y paltos. El efecto de combinación entre la vegetación y
laderas en sombra o laderas de solana produce un cambio espectral importante al
compararlo con la misma plantación en zonas planas (ver Fig.N° 40). Esto se ve
alterado aún más por la orientación de la hileras para los casos de paltos y
viñedos.
A
11
C01l11 Ion "I,¡c~01l'll de RIego
l akulo de ,'updllm: RcpdIl por 1l1l't1I
Tnf0111 ~ F111ill
'mol' ' <.. u 'nUi RI<J Lllnlln
Figura N° 40: Vista de plantación de Paltas en laderas.
En otros casos, aprovechando que un parronal está recién plantado, utilizan e!
terreno para cultivar alcachofas por mientras esperan el desarrollo de las plantas,
(ver Figura N° 41)
Figura N° 41: Cultivo de Alcachofa intercalado en Parronal nuevo,
CPRSIG Llh A
1),
COUlI
01\
Cakul ) d
aClOnaJ dt: Rle",O
upcrfi 'h; Re ,. da
r m ili J.. 11.: n
.= a ti
l
en~
R.I 111n 1: 1
La Figura N° 42 muestra un parronal en ladera con un desarrollo foliar importante, seguido
de una ladera con paltos en hileras siguiendo las curvas de nivel (en otros casos, las hileras
están orientadas siguiendo la pendiente máxima) y en el sector más plano, un parronal sin
hojas aún.
Figura N° 42: Diferencias en Parronales
Otros casos, como se muestra en la Figura N°43 complican aún más una clasificación
digital. En este lugar, se han plantado Parronales en la parte superior del cerro y justo donde
empieza la sombra, se plantó Paltos (prácticamente dibuja la sombra) y donde se produce
nuevamente el cambio de pendiente, Parronales.
Por último, la Figura N° 44, muestra un terreno preparado para la plantación de Paltos, los
que se podrán detectar en 4 años más.
<'R(Lt
11
L'OlnNOn N1CIOtlal
de Rleeo
CukuloJe 'Up<:rfiULRl:_itlU
TI tI:111 Fmal
fm
od.: lem
J¡
Rcrn
1
(:nl..l Rl )
L illl,l[
Paltos
Figura N° 43: Mezcla de Paltos y Parronales
Figura N° 44: Terreno preparado para plantación de Paltos
(PRSIG Ltda. A\
14
COll11.1Im 'acJOna! de Rlego
Calculo de ,'LLpLTfi¡;ie Rqm,I.1 por medIO de le llolo.:m al: ,\:n
fl: l{Ln
oto <. le G1 1<]0 ilnan
rnt0n e f %11
4.7.- Clasificación Final:
La información obtenida en terreno fue procesada de tal forma que se generaron
polígonos de muestreo para todas las clases de cultivos a identificar, separando
diferentes muestras para un mismo tipo de cultivo. Por ejemplo, en la categoría
Frutales se identificaron Mandarina, Viñas, Parronales y Paltos, pero estos cultivos
presentaban diferencias en densidad de cobertura y firmas espectrales producto
de diferentes edades de la plantación y variedad del cultivo, especialmente en
viñas y parronales (cepa). Por lo tanto, las muestras generadas fueron Viñas_1,
Viñas_2, Paltos_1, Paltos_2, Paltos_3, etc.
La figura N° 45 muestra el archivo digital con las muestras las que, convertidas en
archivo Raster en formato de ERDAS Imagine, se leen con e-Cognition para
generar las Clases sobre la cual se basará la clasificación.
Vle.wl
!1
CI,ues_terreno.s:hp
_Agua
B
Al\ual
Barbecho
~ Bosque. Nativo
O
O
c=J
c:J
Caja d. Río
C.r•• Ie..
CitricQs Nuevos
Eu ca Ilptus
OF"J1a1
. . Humedal
O
t:=J
Lader. Solana
Lidera Umbría
Mandarinas
CJ Matorr.1les
O
O
Nie ••
Nogales
DOI\~0'5
Paltos
B
r::J
B
Paltos Nuevos
c==J. Parro nal
Parro nal Nuevo
Pradera Natural
Sombra
Suelo De.snudo
[=:J Suelo Poca Vegeta
CJ Vegetación de Sec
[=:J Vegetación N.ativa
[=:J Vegetación OlJebra
Viñedos
-.1
PO&'~LhHeno.shp
--l
H ~os _Iim._utm",gsS4.s h
...J
PbtimarD3070B_u1:mh1Q
--l
PtodlaO<10706_utm .. gsS<
O
•
•
•
Figura N° 45: Muestras de Terreno preparadas para e-Cognition
CPRSlL; Ud,!. A\ li
u..:
\:p cmbr\,; 21)
lO1n1 101\ nC101\nl de Rle.'o
L, kulo 11c upcrfille R '!ladu por medio c 1cm lo..!w J.: .:n re Rell1 l
( UClll 1RIO I
En e-Cognition el primer paso consiste en segmentar la imagen en al menos dos
niveles. El primer nivel de detalle, prácticamente a nivel de potrero, que coincidirá
con las muestras tomadas en terreno y el segundo nivel, más general, donde se
separan los grandes usos del suelo, por ejemplo; Zona Agrícola, Zona de Secano
y Agua.
Esta jerarquía en la segmentación permite controlar el proceso de clasificación de
forma tal que las muestras en terreno deberían estar todas incluidas dentro del
segmento mayor "Zona Agrícola".
Para este proyecto, utilizamos tres niveles de segmentación:
Nivel 1: (Nivel detalle) clasificación por tipos de cultivos, según las muestras de
terreno.
Nivel 2: (Nivel semi detalle) Zonas de cultivos permanentes, cultivos anuales,
Bosques y Matorrales, Zonas Urbanas, Zonas de Secano, Agua Limpia, Agua con
Sedimentos.
Nivel 3: (Nivel general) Área Agrícola, Área No Agrícola, Cuerpos de Agua.
La figura N° 46, muestra el resultado obtenido del nivel 3, con la delimitación
hecha con e-Cogition y cortado según el área de estudio (Cuenca Río Limarí). En
verde se muestra la zona con cultivos.
r
Jeracquia_1.shp
Agrieola
- A g ••
Tef1~no S~oano
..J
CLases_aglioola.:shp
D·
"Agu,¡
c=J CuJL Anual
c=J Descanso
rlUtAl
•
,
No,gal
Oli'l(os
Dpdos
_
Pono.a1
[:J
Suelo Desnudo
Veg_ N atjya
\liñe.do
..J
Cuencal_linari_wGs84.st
O
..J
Ndví_cls:aifieaci1Jn3.shp
Agri.oola
.Aguo
OS."""O
-J
Agricola.shp
-.J
The.m e1..s hp
-.1
e Las es Jl'2..s hp
O
~
_Agua
Figura N° 46: Area cultivada en la Cuenca del Río Limarí.
(PRSl(· Ud.I.A\. II
u
·~pt.:mbr
2
A('
l2
01111 ton 'JetOna de Rtego
lakulo le: l p<:rfid>: R 'pJa por me:wo de:
1
n e Fl 'u
l<:Cll
lopa de: . 'n or.. RLmot
(Ul'llc;.1
Rio Lml.1f
' ...
\,.
....
Según esta clasificación general, las superficies totales son las que se muestran
en la figura N° 47.
Clase
Agrícola
Agua
Secano
Superficie en Ha
67.691
3.553
597.948
Figura N° 47: Superficies Nivel General
Esta superficie es válida para la zona de estudio, que corresponde a la parte
central de la cuenca según la siguiente distribución (Fig N° 48):
Superficie en Ha
Cordillera
494.571
1.800
Costa
669.193
Area de Estudio (zona central cuenca)
Figura N° 48: Superficies Nivel General
Area de la Cuenca
El límite de la cuenca se baso en la información original DGA, corregida a escala
1:50.000 especialmente para este proyecto.
A este nivel, separación entre terrenos con vegetación y sin vegetación, el
software funciona bastante bien. Sin embargo, al comenzar a separar tipos de
cultivos y por las razones antes explicadas, es cuando comienzan los problemas al
usar los métodos de clasificación digital.
Esto llevo a tener que modificar la metodología utilizada y finalmente se optó por
una combinación entre clasificación digital e interpretación visual, utilizando esta
última para corregir las deficiencias esperadas en la separación automática de
clases.
Esto es una tarea relativamente lenta pues hay que revisar prácticamente todos
los polígonos y cambiar sus atributos cuando corresponda. Para facilitar esta
tarea, se programó en Avenue (lenguaje macro de AcrView) una aplicación que
con sólo pinchar el polígono se le cambia su atributo seleccionado desde un panel
de control donde están todos los cultivos a clasificar (ver figura N° 49).
( PRSIG Lld.a. A\. 11 le: • 'P e:mbre: .. 155-A 01' <Jo.:!
17
C01ll1~1()J' NacIOnal tle Rlego
Calclllo de Sllpcrlil'Je RqwJa por medio Je lc:mo1ogw de en: ore:> Remolo'
(UCllG
RJo 11111,Ul
"el tlembr<:' ".(;1 JI)
Inti1l1ne Final
x
Cultivos
=
tt-
TEMA8CTJVg DE TRABAJO
Campo para Atributar
1SegmentacionJevel2.shp
J Best~lass
Clase de Cultivn - - - . , . . . . . , . . , . . . . . , - . , . . . - - - . . , . . - - - - - - - - - - - - - - - - - - - - - - . ,
r
e
r
Barbecho
r Frutal
r.- :fNo;.;-ai'1:
Pradera Natural
(" Palto
r
PradeIa Mejorada
r
Cllltivo Anual
~
Olivo
Limpia Selección····»>
O
r
Viña
r
Bosque
(" Caja Río
("
Panana!
r
Arbusto
r
Nubes
rAgua
e
No Definido
r
Sombras
r
r
Otro Uso ..>
Urbano
Henamienta de Ingreso .--->~
Figura N° 49: Panel de Control para revisión de Atributos de Cultivos
A continuación, se muestran una serie se ampliaciones de las imágenes Landsat
donde se puede apreciar la variabilidad espectral para un mismo tipo de cultivo.
Las líneas de colores corresponden al recorrido de terreno grabado con GPS.
Figura N° 50: Ampliación sector Nor-oriente de Oval le
CPRSIG Ud;. . A
11
C01l1hlOP 'i1CJ0I ,11 de RIego
,11.: ,upcrfiric Rt:¡!a,la por mI.: lío tk 1 CCL <>logw de cnsorc Rcr10lo' (. ucn~, Rw 1 illl,UJ
Intonne Fina'
l akulo
Figura N° 51: Ampliación imagen Abril 2005
Figura N° 52: Ampliación imagen Octubre 2004
CPR~lC,
Ltda.A\. 11 le ·cplcmbn.:21 --AOf
O()~
19
C01l11~10n N,lc~o11al J~ RIego
('alLlllo ele ,'upcrlil:JC RC.laJa por ll1L'illO de leen ¡loma d" \:u ;on.:" Rcml:
111 tónne F11'al
J' (.
JCIlL,1 Rm l
lll,lfl
Figura N° 53: Ampliación imagen Abril 2005
Figura N° 54: Ampliación imagen Octubre 2004
CPRSIG LIJa. A\. 11
\,k~·cptcmbr.;21~"-AOr
'lO:!
40
lOllll Ion Tacl0nnl de Rle"o
Culculo de :upt:rfi¡;ie Re¡!adH pOf memo de 1 'cnolo~w de \:n I.lfe. R"mol
Figura N° 55: Ampliación imagen Abril 2005
Nótese el cambio en el nivel de agua del Embalse Paloma. El GPS es la cota de
canal.
CI:'RSKi Ltda. A\ 11
ue
',p crnbn.: 21
A O[ )02
41
C'o1l1L"ión NacIOnal d~ RIego
l-:alculo d.: ,'llpcr1ÍÓ': Rq.::ad.. por m.:ilio d" 1.:mologHl le \;u.urc R"lllOlo.· l
Tnhnne Fl 1, I
U':llG
RlO Lun
'J
4.8. Estadística Final:
La estadística final se obtuvo de la tabla asociada a la Clasificación final.
Utilizando el comando de Estadística de ArcView, se generó un archivo DSase con
el total de la superficie por cada rubro Clasificado.
Como ejemplo, las figuras 57, 58 Y 59 muestran la imagen original en una fecha,
los polígonos de Clasificación y las Clases temáticas asociadas a cada polígono,
pintadas según la leyenda que aparece al lado derecho, en la leyenda de ArcView.
Viewl
o
Cultivos_nívali.shp
_AyUiI
_Albusto
9arb • .cho
_
Bosque
Caja R10
~Canhl'¡
Culti...o AnuilIl
rrutal
___ Mina
Nieve
No Clasificado
Nogal
Ollvo
_
PaftD
PlInonal
Plad!!ra Mejorada
Pr,;¡de.r-:.J Na1ural
.Somblolu
Urbano
Viña
.-J
Cultivos_nivel2dexp.shp
CJ
-.J
_J
Cuttivos..)ltw'et2c1shP
Cuttivo.s_ouenoa.shp
CJ
Figura N° 57: Imagen Original, 29 de Abril
('t'RI)l(; Ud,. A\ II de 'cp mbre 21 - A (l1' 'J02
4).
,le onal de Rlel'O
l:a1t:ulo l.1e ,llp.;.! fíeic Regada pur medIO ,1.: 1'e:Clloll)gJd de: S-:nsorc_ Re:ll1o[o '.
T1Ito lne F u 1
COmhlOJ1
ClH.'lld R¡l)
1 ¡ un
-=.illJ.
Violwl
Xi
..J
Cultívos_níweI1.sbp
CJ
-
-1
Cultlvos_eoognltfon ... hp
Lal\dsa'C3'tut\as_34lS.lma
OrtCJg.brO,.Im-lil~_~':;;;~~!l~~~~
Figura N° 58: Poligonos de Clasificación hechos por e-Cognition
~ CultlvosJ)rveJj.sh",
_AgU<1
•
Arbusto
8~/t)eohO'
_SOS"CfWiP.
C~aRi.
c-oll'lt.'"
Cullj...o A,nu;J1
Fnll:a1
-"Iina
Nie:"~
".0 Cb.slicad"
Nog,,1
OlIVo
Pollo
.Pomon.:.1
Pud.u W.joJildil
Pradel:l Na\u.al
.SomlHu
UI1).~o
Viña
-:l-.
-
CUeflCilLlima,i.shp
..J> Zooa_"gricol.-.-tm.ri,,,hp
EJ
.J
Culttvos_eoognltfon.shp
Figura N° 59: Simbología aplicada a la Clasificación
CPRSlG Llda,A\. 11 dc \:p cmbr" 2155-A Of
90~
41
Cn1ll1~l()1 NacIOnal de Rlego
Caklllo dc .'llpc:rl!nc Regada por m olio ,1<: 1cCllologw dc \:llson:s Remolos, <- uenL, R10 Lun,. ]
Tnfonne Fmal
La base de datos de los polígonos, contiene la siguiente información (ver Figura
N° 60), para un total de 126.102 polígonos:
-=.loJB
ultiv{}s_oivel1.shp
1~~J
Cf-:9Jy'gQ,:;:J
Id
I
I
.?i.1IJa
I
2342 ~ Pradera N a t u r a l :
~
2358 ~ Pradera Natural
~
Sl-p"-m,?
1
2532.9:~
~~[~~=~=~:Sli~li~~~~:ª~:::l::~tl~
Polygon :
~
66.8:
Figura N° 60: Base de Datos del Shape con las Clases.
En la figura N° 61, se muestra la estadística obtenida de la base de datos anterior.
A esta tabla se le agregó un campo que muestre la superficie en Hectáreas.
Cabe hacer notar lo siguiente:
a) "No Clasificado", corresponde al área que queda fuera de la clasificación
con las 3 fechas.
b) "Frutal", se incluye en esta clase todos los frutales que no se pudieron
separar entre sí (olivos, paltos, parronales, viñas y otros).
c) "Barbecho" son zonas de cultivos anuales que no presentan cultivos en las
últimas fechas analizadas. Normalmente corresponden a zonas dedicadas
a Cereales (Trigo, Avena)
d) Dentro del rubro Frutales, los Olivos son los más difíciles de separar, sólo
se pueden ver cuando son paños muy grandes (> a 20 há) y antiguos.
e) Es muy difícil separar Praderas Mejoradas de los Cultivos Anuales.
CPRSIG Llda, A\ II de :ep e'ubn: 2155-A 01' L102
44
NaclOnal de RIego
akll!o dcupcrL.:ic RC2!Jda por ll1L-mO k lClll JI
flltOllllc mal
l 01111 1011
';1.
de \:nsorc Rcrnolo (ucnl.l RlO lUI
J
1 1lb <?' ,
~J.DL~
{lO al. dbf
I
L Count ~ I Sum Sup m2 1
Cbse
~
............................................................................................ ••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••<
Ag.Ja
641 i 3EB33382.6000
2649 t~ 111293359.2000 ¡
855 ¡ 43]37075.00DO ~
.
Arbusto
j
oo
0.0
::883.24 i
11123.34 ~
43m.71 ¡
~
":
oo • • • Oo
oo
o
oo
'"
~
"; • • • • • • • • • • • • • • • • • • • o
~
·B·~q~~····_·············· ·····················T···················B47r······3!ii"19~Ü3:2·0n(JT························:E".:~n
Babecro
.
..............................................................,...........•.................
¡
¡
C~a
Río
Ccntera
~
.......•......................•..........,....•.....•....•.......................... /
47(
13 ¡
......................................................................................................... <00
24407500.0000 ¡
2440.75 i
53.25 ¡
.". •••••••••••••••••••••••••••••• _ ••• (
5~500.0000 ¡
. ·.. . ·······..·..·..·T.. .·..·. · · . ··S7S7-r"'"2249ffi792:3"ODÓt"·· · . . ·.. .··i·24·9:i'Eá1
......·..···············..··.. ···········.. ···..T··········..
.
. ·· ····..····..····iiffi"."iIi'1
'.IInl."".'III'."'".''''.'''''.''''.'''''.''''.'''''••
.•... ¿
Mina
¡
59 ¡
1917113.5000 i
191.71 ¡
'N'¡~~~""""""""""""""""""""""""T"········ . . ·······¡2"r·····.. ·,74261·¡:o·oooT···.. ·········.. ·········Ú4·,·~·j
.~.~.~~~!~~~9.~ __ __ _L..__?ºº?~.!. . ~.~~?~~~~.?:~-º~-º-L.._ _ !.?~.~:.~.J
·C·Jt¡~~·A~~j"·········
·Fr·üt~i
·······~B~r· ···2¡;;~750ÜOj)·oT
It'~""'.'''''.III'.''''I.UI'.I¿''.''''.I''I'.I''I.''''I.""'."".""'~"".""'."".'I"I."".""'.""
•••••••••••••••••••••••• _
_ •••••••••••••••• _ •••• _ ••••• _ ••••• _ •••• _ ••••• _ •••• _.'0'
Ncga
1
_ ••••• _ •••• _ ••••••••••• a
a •••••••••• a
15 ~
1676250.0000!
366 ¡
170075DO.0000 :
(
167.63 ¡
j~j¡~Q~:::::~:::~~::::~:::::~::::~:::::~::::~:::::~:::T:::~:::::~::::~:::::~~ªr~::::~:::~~§~~;º:º~:º:L:~:::::~::::~:::::~:::::4:~:·:~]
Pato
.a
.
a ••••• _ ••••• _
_ •••• _ •••••••••••••••• _ •••• _
¡
_.,o, •••••••••••••••••• _
_.~
Paronal
267r
................................................................................. _
Pradera Meiorada
....... _ •••••••••• _ ••••• _ •••• _ ••••• _
_ ••••• _ •••• _ ••••• _
.E.~~g~~.~_~.~.~.~~!_
_
~
j
42 i
1233784B6.1 000 ¡
2]73125.0000 1
_ ••••• _ ••••• _
_
L
~º~~~.l §l~~!!.!.??~:ª.º~.º.l
17m.75 ¡
a ••••• a •••• a ••••• _ •••••••••• _
. . . . . . . _ •••• a
.Y..i.~~
_
_ •••• _ ••••• _ •••• _
_ •••• _ ••••• _
•
_ ••••• _
_
L
t
(0
/
a
~ºª.l...
a
•
a
••••• _ ••• (
12337.lE ¡
207.31 ¡
a ••••• .,
78 ¡
~7S000.0000 ~
Urba~o
~
1841 11417500.0000 ~
••n"'."".'''''.'''''.''''.'''''.''''.'''''.''''.'''.II.''''.""'.'''''.''''.'''''.1111.'0''.''''.'''''.''''.1111'.1''''."',.",.'.'1" ••,111••11
SanCtas
~
_.'0'
a
~!..~.~:.J?j
a
~~?~º:º.º~.º.L.
(
397.00 ¡
1141.75
¡
,'.1••11.'1... '(
_ ••• (
'
•
ª.~:.~.j
I
..
Figura N°61: Resumen Estadístico Final.
A partir de esta tabla, se reagrupó la información de acuerdo a lo solicitado en los
términos de referencia para los cultivos bajo riego, obteniéndose la tabla que se
muestra en la Figura N° 62. La fila con el "Total" en dicha tabla, es el área regada
para la temporada 2DD4-2DDS,de 45.361 Hectáreas.
(PR lU ll<41 Av 11 de ·cplembrc ... l 'i A 01 '!()2
C01l1l"1011 NJclOnal d.:: RIego
( a1wlo de .'llpcrlicJC Re~a,la por me lio de l"ecnOl0!!ld .le ~\:nsore", Remotos (.
Tnt011nc Fl
l/CilLa
Río Lun úJ
lil'
Cutivo
Superficie (Ha)
Frutales
Hortalizas
Cereales
Praderas
Viñas
Total
5133.32
22490.68
4303.71
207.31
13226.48
45361.5
Figura N° 62: Total Área Regada en el Valle del Río Limarí, Temporada 20042005.
4.9. Conclusiones y Recomendaciones:
Las conclusiones que se derivan del presente estudio, se pueden resumir en los
siguientes puntos:
•
•
•
•
El software e-Cognition presenta un salto importante en el manejo de
digital de imágenes, entregando una segmentación de la imagen en
base a forma y textura bastante acertada. Sin embargo, es un
software que fue pensado para ser utilizado con imágenes de alta
resolución, donde la textura si tiene un significado importante en la
separación de clases temáticas. Al utilizarse con Landsat, se tiende a
perder esta ventaja y al no tener una relación cierta entre textura y la
parte espectral, los resultados no son tan buenos como se podría
esperar.
Aún así, con todos los problemas asociados a Landsat, la
clasificación digital con e-cognition es muy superior al mejor
algoritmo de clasificación implementado en software como LeicaImagine (ERDAS), ENVI, ERMAPPER o PCI.
Es fundamental un buen apoyo de terreno y claramente también es
necesario muchas horas hombres en la revisión y corrección de los
resultados de la clasificación digital. Simplemente los algoritmos
disponibles, aunque han mejorado bastante, no reemplazan al
análisis que un interprete puede hacer en la imagen. Se recomienda
que a futuro la interpretación visual sea la forma final de obtener
información temática, apoyada por técnicas digitales (clasificaciones,
índices, etc.), en la medida que sea necesario.
Lo anterior es apoyado en el hecho de la existencia de una enorme
variabilidad espectral en un mismo cultivo producto de las diferencias
de edad, forma de plantación, diferencia en su variedad o cepa y en
la mezcla de dos cultivos en un mismo potrero o predio.
4f)
COlll1S1Ón NaclOnal de RIego
l:alllllo ek Supc:rficil.: Re~lldH pOI memo dc lccnologId de ~\:ll~orcs Rc:mol _' CumUl RlO Lun.m
Tntonl1e Final
ANEXO 1: Vista de Procesos
CPRSK, L'da, A\. 1I de Seplembre 2155-A 01'.902
~eJ
tI elll
'1't' '( , ,
CLASIFICACION GENERAL DE IMAGEN USANDO TRES NIVELES
eCognition Professional - [procesIUotdLdred. dpr - lewl1 of 3: Classif1Céltion]
er<>Ject
-----
:tjew
~~riiI
Image Objects
i
--
•
~iIllZ:l
-------~ ~
~
.;J
5a!!Jples
=n
C>ll(~ ~
~-
011
IIAI Levels]
Agricola
o
O
O
A,
Agua
Entry 16
Entry24
Entry 29
Entry32
Entry 35
Entry 37
Entry 4
•
Entry42
•
Entry45
•
•
Entry46
O Entry43
O Entry48
Entry49
O Entry5
O Entry50
O Entry51
• Entry52
O
Entry53
O Entry54
•
EntrySS
Entry 56
O
Entry57
Entry 58
•
Entry59
•
•
Entry6
Entry60
•
Entry61
O Entry62
Entry63
O Entry6'l
O Entry65
•
Entry 66
O Entry67
Ent
•
68
Inher~ance
...
Groups ~ /
-
Render dassification of CUTent level
!ooIs
~
ptotocol
Toobars + QiaIogs
-:t~ OOOií:>
.~fI@¡
AcfHeclau
•
dassitication
ti,
3
G.f*
l(
~
!ieIP
---.,---
~p.p-,g,
~
~ ~ @6
..:
ASIGNACION DE NIVELES DE SEGMENTACION ZONA AGRICOLA
II#!"ojed
j!ew
_Obie<fs" _
~
r-
~
~Jjl;
g;t:'""'
_
Tooban;+ _ _
oOO!!,:6'd'*
!:!OI>
1<'p";:¡p".@,~gBee ~ ~ ~ ........
Compare clan
AMPLlACION VALLE AGRICOLA y ASIGNACION DE ESCALA VALOR 10
(PRIMER NIVEL UTILIZADO)
IAul1iresolution SegmentatiDo
04S]
1.0
118.1)
IV.l)
1.0
11~.51
12ll8)
131.0]
144.S]
I~~)
1.0
1.0
1.0
1.0
1.0
1.0
~"ho_e<iori<n
ShapeFacloo
.:r--S~OOO1JIJde-----:.
1""""'"
~t,;, ~
3
-e:i'!-
,O~ .... ....,;rotoood
;o:s---
C~u
r
r
U.. _ ( \ I 2 . . 1 l _ r
-
1-1- - - - -
jt----
RESULTADO DE LA SEGMENTACION
SEGUNDO NIVEL DE SEGMENTACION APLICANDO VALOR DE ESCALA 50
(NIVEL 2)
l
_.
n2.51
14451
_ !~~l
r
W'
10
1.0
1.0
1.0
1.0
1.0
10
11117}
(27.7)
114.51
12Il8)
131 O)
1.0
Edl
~<i_~~~----­
ShapeF.rS~n:de~
IN......
3
¡os-
e..-tn=
r
r
u.._1\I2.1J_r
-11-------
Jt----
RESULTADO SEGMENTACION SEGUNDO NIVEL
Tocf¡ers + QOOgs
o o o lb
11íl~1OI
f1ó'
~
I
'*
~ndow
~ JI.
t!a~
P.. -B ~ ~ ~
@
e
"""2
x
.3.
il~
-j
AdNedass
...J hl.e'~1J
TERCER NIVEL DE SEGMENTACION APLICANDO ESCALAMIENTO DE
VALOR 100
SoJPo<
Oassij<""'"
r.... _
""""'"
T.......
o o o It:
I\:l
Gd'
+_
'*
~
~
~
Po. B
~ ~ ~
@
e l'''~; - :::..
X
~u
i'f:'Ac#ve cl<:m
~ 111.''''''J
Mutt'tresolution SetJnentatto.:.cn'--
...
(12.5]
na7)
(21.7)
n'51
(20.8)
(310)
144.5)
~~)
,..
Sc~par~--
¡-;ro
5_""",,-
t-
_
_
E....... _
3
1.0
1.0
1.0
1.0
1.0
1.0
1.0
1.0
-1i!wI2-
-""'"
--
-leven -
-->
EtRwei¡¡tis:; 1
eon.>o- d'~<ñerion.
S..... F""'"
-
t¡-------
ro:s-
---J¡..t- - ~ "."...===.=,.~~=
3690biects
RESULTADO DE LA TERCERA SEGMENTACION
RESULTADO DE LA TERCERA SEGMENTACION SOBRE LA IMAGEN
SATELlTAL
No 00sses avallable
RESULTADO DE LA SEGUNDA SEGMENTACION SOBRE LA IMAGEN
SATELlTAL
eú>gJñUa. Professolll"l- [NeWProject -le....! 2 al:l: Pixels)
i!!le'l
g
..
-t~
=
n
-
f'S~
~
G M ~ [.. .q
lJl
DI"=-
.J !r:---.....................-
lífJ O • • :::;
6\r
*
~.P" Po I!..j!,
\!l
¡;J)
0
e
....... 2
, -
~ ~
-
,~!tIl
• ;¡ ~
ti,
.......---------;;.:.:¡,,--'-""--,
ASIGNACION DE CLASES PARA LA CLASIFICACION
1:l~1iI
l-t lZl
r-
ll€I ~
!.f
.J
Iioov>_ """""
~ r....
a=nGtl(,t,-¡¡;.q
- . lJl , ~
r------."1j ••
-
~ ~
ActIVecia$$
l[lo.",)
.:.
.J
lmen Exptessioft
4"
Sl!rdaId reaMl fIlIirito
~ Ne5le:lt ned'bor
• Objed leahJle!
l~rvaLles
• 'O so-
• SI r......
: . Hief«dy
• 06u1e1atedfe~
"'t
• .., Rdationz lo neVto l:tJietU
•
CoriMWl
4rld{mi1)
- ••" Slandald naarelt ~Df (genelaled)
Mean~abinlil(1)
MMlI'\Ifl'I8gfN'LlIbmgf2)
Mean inavert.. ab irv (3J
MMnIllllgll!ll"l_IDIftIg(4)
Me.7l~eoe.ing(lJ
MM'1IMQ1WLene.mg 12'.1
.. .&.
AMbons:to~
MCWllIJdUI!fLeI1e'.iDsJ (3)
...
Rr.WmIo3l.P'~
MMI"IIMgllI'I_ene.mgl4]
~
¡
~.
·GIobaI~
..
..
• GIobclII ¡cene I~ed
• Glcbaldaalei:tetJ
- Ei LogcaItenns
• ard[""1
• ondl"J
.. Ol'[ITlIIK}
• me/)f't(ertin.J
• ..........1
Mean~oc.ilv(1)
Mean lI'legMU)C.r.l!J (21
Mean mQgC'l'LCJC.,ing (3)
Mean maglrLllC.q 141
Mean rJt.oLeh.ing
Mean ncM_enamg
MeMI ndowi..ocüng
Mean pendíenteung
C'Oll11SlOJ1
aClOllal de Rlego
Ca!Lulo de :llp..:TliCle Regadu por ll1eUlO de
leCllolo~w
de ~'crlson; R....mol L" <. Ul'ill.t Rio LUl1 U]
. el' e1llhrc.
flltonne Fíml
ANEXO 2: Puntos de Control y Error Asociado a la
Georreferencia de Imágenes Landsat
\ PR'SKi Lltb. Ay 1 de
~eplembn:
2155 A Of 902
~(lI
'f"
Conllsión NaclOnal de R1ego
Calculo de ~llpc:rficie Rq?1JJa por mcdio ck lccnolog.¡a UC_'CllStJr.."" R"lllotos
Il1tol1ne Final
CUCllLa
Rro LIDl
1
Ubicación Puntos de Control para la Ortorectificación
-
-@)
~
~;
Poinl# l.,CoioJ;
g
"
$_ 'Aw z
-~
Xlnpct
Ylnpul
4530.ffiO
7'327.fJ5I
2
~.255
4
5
5375.257
5999,149
3Sn.184
7
8
9
lO
7255216
4429.315
4480.399
6134.511
4349820
7598.315
P=!l
_ _'_2
.
-
Edil. Holp
FIe VIew
13 >
/
Coordenadas en la
Imagen
1f
·74.4n
·7345,754
-4147.169
-5749,867
·1800,652
·2234.764
·1346.105
·6219283
·2754.493
·7365.244
·1m.975
·244.711
~
~
lConlrol Point Enoc M 0.5994
Coa ,_ XRef,
2
I~I
>1'
~Rel.
2B04-4S.347
323439.125
242715hOO
295817.600
3105.(7,504
248976.m
343004.hOO
255973600
269623600
293955hOO
270075.n3
355416.265
::JI
6694283,576
6504442.825
6596\loI7.4OO
6548715.400
6646320.415
6644261.191
6653113.400
6542590.400
6628165.400
65(18199.400
6654143.289
8679123.455
4
/
Mtl3115
Coordenadas en el
Mapa
(ToloI)tl6755 ~
ZRef,
Tl'De
9,(0)
131(1(0)
33.(0)
1031.000
805.000
59(0)
2435.(0)
599.000
825.000
1151.(0)
105(0)
2162.000
•
CoMoI
CoMoI
CoMoI
Contrd
Control
CoMoI
CoMoI
Con~oI
Con~oI
CoMoI
CoMoI
CoMo!
Con~oI
\
y Re~dual
:-... XResidual
'\
-0.775
0,094
'\
'\ 0.574
'\ 0.634
1I,424
(1'4.0
tl9llQ
·0124
·0.217
·1.U3G
-0.319
-ll.G57
-o,o·n
0091
·0,263
·0.211
0.1(12
-0.056
·m09
0.504
0.300
\
'\
'\
-u 756
'\ 0.177
(1819
(1103
0581
(1666
(1474
(1413
Cl~
0165
(1548
1.078
(1820
0.681
Contrib,-
Match
1.212
0.153
0.860
1.016
0.701
0.611
1.453
0.244
0.812
1.596
1.214
'.007
'\
-\
,----,
Error Medio Cuadrático
(RMS) obtenido
Altitud del Punto obtenida
del SRTM (Modelo
nioitJ'll rlp. FlpvJ'l(',iAn
(PRSIG LId" A\, 11 de Seplembrc 215:,-A Of. 902
RMSrHor
0,255