MÓDULO

PROCESAMIENTO
DIGITAL DE IMÁGENES
FACULTAD DE
CIENCIAS E INGENIERÍA
UNIVERSIDAD DE MANIZALES

Autor del módulo

Ana María Giraldo Patiño

1
Presentación

Este módulo se enfoca en la adquisición, el procesamiento y el análisis de

imágenes digitales obtenidas a través de satélites y otras plataformas de percepción
remota. Este curso es fundamental para quienes buscan interpretar y manipular
imágenes con el fin de extraer información valiosa para diversos campos de estudio
y aplicación. La importancia teórica del PDI radica en su capacidad para convertir
datos brutos en información útil, facilitando el análisis de fenómenos geográficos,
ambientales y urbanos. Las técnicas de procesamiento digital permiten mejorar la
calidad de las imágenes, clasificar diferentes tipos de cobertura del suelo y detectar
cambios a lo largo del tiempo, conocimientos esenciales para la investigación
científica, la planificación territorial y la gestión de recursos naturales.
En términos prácticos, el PDI se aplica en áreas como la agricultura, la
gestión forestal, la hidrología, la geología, la ecología y la urbanización. Los
profesionales capacitados en estas técnicas pueden desarrollar mapas temáticos,
monitorear cultivos, evaluar desastres naturales y estudiar el impacto del cambio
climático. Mediante el uso de software especializado y la realización de talleres
prácticos, los estudiantes adquieren competencias clave que los preparan para
enfrentar desafíos en sus respectivas áreas profesionales. La estructura de la
asignatura combina fundamentos teóricos con aplicaciones prácticas,
proporcionando una formación integral en procesamiento digital de imágenes. Esta
combinación prepara a los estudiantes para el manejo y el análisis de datos
geoespaciales, asegurando una comprensión profunda y una habilidad práctica en
el uso de herramientas y técnicas avanzadas en PDI.

2
Resultados de aprendizaje

● Aplicar conceptos fundamentales del

procesamiento digital de imágenes, como
percepción remota y firmas espectrales.

● Utilizar software especializado (QGIS, ArcGIS,

ENVI, Google Earth Engine) para mejorar, corregir y
analizar imágenes digitales de manera eficiente y
autónoma.

● Detectar y analizar cambios en imágenes a lo

largo del tiempo, aplicando técnicas avanzadas y
proporcionando información valiosa para
estudios ambientales, urbanos y de gestión de
recursos.

3
Unidad 1. Generalidades y conceptos básicos

• ¿Qué es la geomática?
La geomática, compuesta por las disciplinas de geoposicionamiento,
cartografía y gestión de datos orientados espacialmente por medio de ordenadores,
ha evolucionado recientemente como una nueva disciplina a partir de la integración
de los planes de estudio de topografía y cartografía (ingeniería geodésica),
fusionados con las materias de teledetección y sistemas de información geográfica
(Konecny, 2002).
o ¿Qué es la Percepción remota?
La teledetección o percepción remota, se define como el arte, la ciencia y la
tecnología mediante los cuales se identifican, miden y analizan las características
de los objetos sobre la superficie de la Tierra sin que exista contacto directo entre
los sensores y los objetivos o eventos que se observan (Sholarin et al., 2015).
● Componentes y principios
La teledetección es una técnica que permite observar la superficie terrestre
o la atmósfera desde el espacio mediante satélites (transportados al espacio) o
desde el aire mediante aeronaves (transportados al aire). La teledetección utiliza
una parte o varias partes del espectro electromagnético. Capta la energía
electromagnética que la superficie terrestre refleja o emite. La cantidad de radiación
que emite un objeto (denominada radiancia) se ve afectada tanto por las
características del objeto como por la radiación que recibe (irradiancia). Los ojos
humanos perciben la luz solar reflejada por estos objetos, y nuestros cerebros
interpretan los colores, los tonos grises y las variaciones de intensidad. En
teledetección, se emplean diversas herramientas y dispositivos para hacer visible al
ojo humano la radiación electromagnética que está fuera del rango de 400 a 700

4
nm, en especial el infrarrojo cercano, el infrarrojo medio, el infrarrojo térmico y las
microondas. Las imágenes obtenidas mediante teledetección tienen múltiples
aplicaciones, como el mapeo del uso y cobertura del suelo, la agricultura, el mapeo
de suelos, la silvicultura, la planificación urbana, las investigaciones arqueológicas,
la observación militar y los estudios geomorfológicos, así como la detección de
cambios en la cobertura del suelo, la deforestación, la dinámica de la vegetación, la
calidad del agua y el crecimiento urbano. En la figura 1, se pueden observar los
componentes de un sistema de teledetección espacial: (A) Fuente de energía, que
ilumina el área de interés; (B) Atmósfera, que influye en la transmisión de energía;
(C) Suelo, que refleja o emite energía; (D) Sensor, que capta esta energía; (E)
Transmisión y procesamiento de datos, que prepara la información para su uso; (F)
Análisis, que interpreta los datos; y (G) Aplicación, que utiliza los resultados para
diversos fines prácticos (Bustos, 2014).
Figura 1
Componentes de un sistema de teledetección espacial

Fuente: Bustos, O. H. (2014).

o Espectro electromagnético
La teledetección se refiere a métodos específicos utilizados para obtener
información sobre la superficie de la Tierra. Estos métodos, que detectan la

5
radiación electromagnética (EM), no tienen contacto directo entre el sensor
(transportado por una aeronave o un satélite) y el objeto o los objetos que se
observan. La teledetección utiliza la radiación EM principalmente en las porciones
ultravioleta, de luz visible, infrarroja y de microondas del espectro EM.
● Firmas espectrales
Las firmas espectrales desempeñan un papel crucial en las aplicaciones de
teledetección, ya que permiten la identificación y clasificación de diversas
características de la Tierra. Se han desarrollado bases de datos para almacenar y
gestionar datos espectrales de múltiples regiones del espectro electromagnético
(Ruby, & Fischer, 2002). A continuación, en la figurara No 2 y 3 se relacionan los
enlaces para ingresar a dos de las bibliotecas espectrales más conocidas, como lo
es Ecostress de la Nasa (Figura 2) y USGS (Figura 3):
Figura 2
Biblioteca espectral Ecostress de la Nasa

Fuente: https://speclib.jpl.nasa.gov/documents/jpl_desc

6
Figura 3
Biblioteca espectral USGSS

Fuente: https://crustal.usgs.gov/speclab/QueryAll07a.php
● Resolución de las imágenes
Resolución espacial: describe cuánto detalle en una imagen fotográfica es
visible para el ojo humano. La capacidad para "resolver" o distinguir pequeños
detalles es una forma de describir lo que llamamos resolución espacial. La
resolución espacial de las imágenes obtenidas a través de sistemas de sensores
satelitales generalmente se expresa en metros. Por ejemplo, a menudo se refiere a
Landsat como teniendo una resolución de "30 metros", lo que significa que dos
objetos, cada uno de treinta metros de largo o ancho, colocados uno al lado del otro,
pueden distinguirse en una imagen de Landsat (Pushpa, 2019).
o Resolución temporal
La resolución temporal se define por la cantidad de tiempo (por ejemplo, días)
que transcurre entre las series de imágenes sucesivas para una ubicación
superficial específica. Describe la frecuencia con la que se observa un área o la
frecuencia con la que se recopilan datos para la misma región (Pushpa, 2019).
o Resolución radiométrica
La resolución radiométrica se define como la capacidad de un dispositivo de
imagen para registrar muchos niveles de brillo (por ejemplo, contraste) y la
profundidad del sensor en bits. La resolución radiométrica se refiere a cuánta

7
información hay en un píxel y se expresa en unidades de bits. Un solo bit de
información representa una elección binaria de sí o no, con un valor matemático de
1 o 0. Las imágenes en blanco y negro normales, como las de una cámara digital,
son de 8 bits, lo que significa que los datos se representan con un valor de 0-255 o
256 en total (Pushpa 2019).
o Resolución espectral
Representa la anchura de banda espectral del filtro y la sensibilidad del
detector. La resolución espectral puede definirse como la capacidad de un sensor
para definir intervalos de longitud de onda precisos o la capacidad de un sensor
para resolver la energía recibida en una banda espectral para representar
componentes específicos de la superficie terrestre (Pushpa, 2019).
Recursos de estudio

o Satellite Remote Sensing and GIS Applications in Agricultural Meteorology

Sivakumar, M., Roy, P., Harmsen, K. & Saha, S. (2004). Satellite Remote Sensing
and GIS Applications in Agricultural Meteorology. World Meteorological
Organization. https://www.preventionweb.net/files/1682_9970.pdf#page=28
Descripción: en el documento se incluye información adicional sobre los
fundamentos teóricos de la teledetección, su historia, componentes y aspectos
importantes de la radiación electromagnética, con el objetivo de obtener de manera
más específica los resultados de aprendizaje de la Unidad 1.
o ¿Qué es el espectro electromagnético?
Ministerio TIC Colombia (2014). ¿Qué es el espectro electromagnético? [Archivo de
vídeo]. YouTube. https://www.youtube.com/watch?v=uxSmgkO-qhM
Descripción: el video explica el espectro electromagnético, destacando las
diferentes ondas que lo componen, desde las ondas de radio hasta los rayos

8
gamma. Se mencionan sus aplicaciones y características principales, como la
longitud de onda y la frecuencia. También se resalta cómo las distintas partes del
espectro son utilizadas en diversas tecnologías, desde la comunicación y la
medicina hasta la astronomía y la teledetección.
o Geomática y Ecología del Paisaje (GEP)
Hernández, J. y Montaner, D. (2023). Lab. Geomática y Ecología del Paisaje (GEP).
Facultad de Ciencias Forestales, Universidad de Chile.
https://www.gep.uchile.cl/Publicaciones/Hern%C3%A1ndez%20&%20Monta
ner%202009%20SAF.pdf
Descripción: en la lectura se amplía el concepto de energía electromagnética y
firmas espectrales, proporcionando ejemplos de cómo se comportan diversas
superficies de la Tierra. Estos conceptos son fundamentales para los aprendizajes
de la Unidad 1, ya que permiten a los estudiantes comprender cómo se detecta y
analiza la información desde los sensores remotos. Al entender los principios de la
energía electromagnética y las firmas espectrales, los estudiantes pueden
interpretar mejor los datos obtenidos y aplicarlos en la identificación y análisis de
diferentes tipos de cobertura terrestre y usos del suelo. Esto es crucial para
desarrollar habilidades en la aplicación práctica de la teledetección en estudios
ambientales y geográficos.
Unidad 2. Labores preliminares de una imagen

● ¿Qué es una imagen satelital?

Las imágenes satelitales son representaciones digitales de la superficie de la
Tierra capturadas desde el espacio, que consisten en píxeles con números digitales
que representan la radiancia (Vani, 2017). El procesamiento de imágenes satelitales
desempeña un papel vital para la investigación y el desarrollo en astronomía,

9
teledetección, SIG, monitoreo agrícola, gestión de desastres y muchos otros
campos de estudio. Las imágenes satelitales se registran en formatos digitales y
luego se procesan en las computadoras para extraer información. Las variaciones
en las características de la escena se representan como variaciones en el brillo de
las imágenes. Una parte particular de la escena que refleja más energía aparecerá
brillante, mientras que otra parte de la misma escena que refleja menos energía
aparecerá negra. La imagen digital consta de elementos de imagen discretos
llamados píxeles. Cada píxel es un número representado como DN (número
digital), que representa la radiancia promedio de un área relativamente pequeña
dentro de una escena (Vani, 2017).
● Descarga gratuita
Hay varias plataformas en línea donde puedes descargar imágenes
satelitales gratuitas para tus proyectos de Sistemas de Información Geográfica
(SIG). En la sección de recursos de estudio se encuentran los enlaces de descarga:
o Google Earth Engine
o USGS Earth Explorer
o Earth data search NASA
o Open Access Hub
o ASF Data search
o NASA Worldview
o Planet Scope
A continuación, se describen las plataformas más conocidas para la descarga
de imágenes:
o El Servicio Geológico de Estados Unidos (USGS) es un Repositorio de imágenes
de sensores remotos y datos. Explicación de los criterios de búsqueda:
o Criterios de búsqueda: Lugar, Path/Row, Coordenadas, Área predefinida,
Shapefile, KML.
o Conjunto de datos (Data sets): Landsat, Sentinel, Radar, Datos de elevación,
Imágenes aéreas, Coberturas de la tierra, algunos satélites comerciales, etc.
o Criterios adicionales: Path/Row, identificador, cobertura de nubes, sensor,
etc.

10
 o Resultados: Previsualización, solicitud y descarga
Las imágenes Landsat con nivel 2 de reflectancia de bandas se refieren a
imágenes procesadas que han sido corregidas para reflejar con mayor precisión la
cantidad de luz solar que es reflejada por la superficie de la Tierra en diversas
bandas espectrales.
o Corrección Atmosférica: para eliminar o reducir el efecto de la atmósfera en
las mediciones de reflectancia.
o Calibración Radiométrica: para asegurar que las mediciones de reflectancia
sean consistentes y comparables entre diferentes escenas y momentos en el
tiempo.
o Eliminación de Efectos de la Topografía: En áreas montañosas o con relieve,
se pueden aplicar correcciones para eliminar los efectos del terreno en las
mediciones de reflectancia. Esto permite una representación más precisa de
la superficie terrestre.
Una imagen Landsat con nivel 2 de temperatura de bandas se refiere a una
imagen procesada que representa las temperaturas superficiales de la Tierra en
diferentes bandas espectrales. Las imágenes Landsat de nivel 1, también conocidas
como "datos sin procesar" o "escena original", son las imágenes capturadas
directamente por los satélites Landsat sin ningún procesamiento adicional. Estas
imágenes reflejan la información tal como se recopiló en el sensor a bordo del
satélite y contienen datos radiométricos sin corrección atmosférica o geométrica.
o Copernicus Open Acces Hub es un ecosistema de datos abiertos y gratuito que
proporciona acceso a una amplia gama de datos y herramientas relacionados
con la observación de la Tierra.
Los niveles de procesamiento S2MSI1C, S2MSI2A se refieren a diferentes
etapas de procesamiento de los datos recopilados por los sensores Multiespectral
Instrument (MSI) de los satélites Sentinel-2. Cada nivel de procesamiento
representa un conjunto específico de pasos y transformaciones que se aplican a los
datos antes de que estén listos para su uso en diversas aplicaciones. Aquí hay una
breve descripción de cada uno de estos niveles:

11
o Nivel de Procesamiento (Nivel 1C): Este nivel se refiere a la corrección de datos
básica y la calibración radiométrica de las imágenes capturadas por el sensor
MSI. En el nivel 1C, los datos se corrigen por efectos atmosféricos y
topográficos, se aplican correcciones radiométricas y se convierten a valores de
reflectancia en la superficie terrestre.
o Nivel de Procesamiento (Nivel 2A): En el nivel 2A, se realizan correcciones
adicionales para mejorar la calidad de los datos, incluyendo correcciones
atmosféricas más precisas y la eliminación de efectos de la geometría de
observación.
Sentinel-2A (S2A): Es uno de los dos primeros satélites lanzados en el marco
del programa Sentinel-2. Fue lanzado el 23 de junio de 2015.
Sentinel-2B (S2B): Es el segundo satélite de la serie Sentinel-2, lanzado para
mejorar la cobertura y la frecuencia de observación. Fue lanzado el 7 de marzo de
2017.
● Software de procesamiento
En este sentido, se describen los diferentes programas de procesamiento de
imágenes satelitales más usados en la actualidad, destacando sus características y
aplicaciones en proyectos de teledetección y sistemas de información geográfica
(SIG).
o ENVI (Environment for Visualizing Images) es una potente herramienta de
software para analizar y procesar datos de teledetección, en particular
imágenes hiperespectrales y SAR. Ofrece una biblioteca completa de filtros
para la eliminación de manchas de imágenes SAR, incluidos filtros
adaptativos, de estadísticas de orden y no lineales (Khosravi et al, 2017).
o ERDAS IMAGINE, un producto de ERDAS, se utiliza ampliamente para el
procesamiento de imágenes y el mapeo temático en teledetección. El
software incluye potentes herramientas como Spatial Modeler Language y
ERDAS Macro Language, que permiten a los usuarios desarrollar
aplicaciones personalizadas para tareas como la detección automática de
nubes a partir de imágenes satelitales (Maguire, 1992).

12
 o PCI Geomática es una solución de software geoespacial integral
desarrollada por PCI Geomatics, que ofrece herramientas integradas para
teledetección, SIG, fotogrametría y cartografía. Incluye varios algoritmos de
clasificación para el análisis de uso/cobertura del suelo, compitiendo con otro
software comercial y de código abierto como ENVI, SPRING y ORFEO
(Teodoro A.C et al, 2012).
o SNAP (Sentinel Application Platform) es una herramienta de software libre
desarrollada por la Agencia Espacial Europea (ESA) para procesar datos
satelitales Sentinel de Copernicus (Gomarasca, et al, 2019).
● Operaciones generales
o Imágenes Landsat 8
Landsat 8, lanzado en 2013, cuenta con dos sensores: el Operational Land
Imager (OLI) y el Thermal Infra red Sensor (TIRS), que ofrecen una resolución
espectral y radiométrica mejorada (Xu, H. Q., & Tang, F. 2013). A continuación, se
describen cada una de las bandas de las imágenes Landsat 8 y adicional las landsat
7. Así mismo, en la Tabla 1 se ilustra las bandas espectrales y las longitudes de
onda correspondientes de las imágenes capturadas por el satélite Landsat. Esta
figura muestra la disposición de las diferentes bandas espectrales, que van desde
el azul, verde, rojo, infrarrojo cercano, hasta el infrarrojo medio y térmico. Cada
banda se asocia con una longitud de onda específica, y estas bandas permiten
diversas aplicaciones en teledetección, como la observación de la vegetación, el
suelo y las características del agua.

13
Tabla 1
Bandas y longitud de onda de imágenes Landsat
Landsat – 7 ETM + Bands (µm) Landsat-8 OLI and TIRS Bands (µm)
30 m Coastal/Aerosol 0.435- Band 1
0.451
Band 1 30 m Blue 0.441 – 0.514 30 m Blue 0.452-0-512 Band 2
Band 2 30 m Green 0.519 – 0.601 30 m Green 0.533-0.590 Band 3
Band 3 30 m Red 0.631 – 0.692 30 m Red 0.636-0.673 Band 4
Band 4 30 m NIR 0.772 – 0.898 30 m NIR 0.851-0.879 Band 5
Band 5 30 m SWIR-1 1-547-1-749 30 m SWIR-1 1.566-1.651 Band 6
Band 6 60 m TIR 10.31 – 12.36 100 m TIR-1 10.60 – 11-19 Band 10
100 m TIR-2 11.50 – 12.51 Band 11
Band 7 30 m SWIR-2 2.064 – 30 m SWIR-2 2.107-2.294 Band 7
2.345
Band 8 15 m Pan 0.515 – 0.896 15 m Pan 0.503-0.676 Band 8
30 m Cirrus 1.363-1.384 Band 9
Fuente: adaptada a partir de https://landsat.gsfc.nasa.gov/satellites/landsat-8/
o Imágenes Sentinel 2
El sensor Sentinel-2 es un sensor multiespectral que se lanzó en 2015.
Sentinel-2 tiene 13 bandas que cubren la región VNIR con 8 bandas y la región
SWIR con 2 bandas que tienen una resolución espacial de 10, 20 y 60 m. El ancho
de franja es de 290 km. Consta de dos satélites multiespectrales, Sentinel-2A y
Sentinel-2B. Los satélites orbitan a una altitud de 786 km y a 180 grados uno del
otro (Pour, A. B, 2023). La Figura 5 muestra las bandas espectrales y las longitudes
de onda de las imágenes capturadas por el satélite Sentinel-2. Estas bandas cubren
un rango amplio del espectro electromagnético, incluyendo el visible, infrarrojo
cercano e infrarrojo de onda corta.

14
Figura 4
Bandas y longitud de onda de imágenes Sentinel 2

Fuente: Pour, A. B. (2023).

● Combinación de bandas
Se genera a partir de un proceso de compilación de bandas de tal manera
que se pueda trabajar toda la escena del satélite en un solo archivo (Fernández &
Rincón, 2020). En la Tabla 2 se presenta las combinaciones de bandas más
comunes para aplicaciones en imágenes satelitales de Landsat 5 a 7, Landsat 8 y
Sentinel-2:

15
Tabla 2
Composición de bandas más comunes
COMBINACION DE IMÁGENES SATELITALES
APLICACIÓN LANDSAT 5 a 7 LANDSAT SENTINEL
8 2
COLOR NATURAL B3-B2-B1 B4-B3-B2 B4-B3-B2
INFRARROJO Y ROJO B4-B3-B2 B5-B4-B3 8A-B4-B3
TIERRA Y AGUA B4-B5-B3 B5-B6-B4 8A-B11-B4
VEGETACION B5-B4-B3 B6-B5-B4 B11-8A-B4
INFRARROJO B7-B4-B3 B7-B5-B4 B12-8A-B4
AREA URBANA B7-B5-B3 B7-B6-B4 B12-B11-B4
GEOLOGIA B7-B3-B1 B7-B4-B2 B12-B4-B2
AGRICULTURA B5-B4-B1 B6-B5-B2 B11-8A-B2
NIEVE Y NUBE B1-B5-B7 B2-B6-B7 B2-B11-B12
Fuente: (Ramírez, 2022)
● Definición y alcances del PDI
El tratamiento digital de imágenes consiste en una serie de operaciones
realizadas con la ayuda de un ordenador y software especializado, destinadas a
efectuar filtrados, clasificaciones, así como la extracción y modificación de las
características de la información contenida en una imagen digital (Hernández,
O.H.A, 2010). El procesamiento de imágenes es una técnica para mejorar imágenes
sin procesar recibidas de cámaras/sensores colocados en satélites, sondas
espaciales y aeronaves o fotografías tomadas en la vida cotidiana normal para
diversas aplicaciones. Este campo del procesamiento de imágenes ha mejorado
significativamente en los últimos tiempos y se ha extendido a varios campos de la
ciencia y la tecnología. El procesamiento de imágenes se ocupa principalmente de
la adquisición de imágenes, la mejora de imágenes, la segmentación de imágenes,
la extracción de características, la clasificación de imágenes, etc. (Chitradevi, B., &
P. Srimathi 2014).

16
● Etapas del procesamiento digital
Las imágenes capturadas por los sensores satelitales pueden presentar
errores en su geometría y en los valores de brillo de los píxeles, conocidos como
distorsiones geométricas y radiométricas, respectivamente. Estos errores deben ser
corregidos para lograr un análisis preciso de los datos 8 (López Daniel & Aura C
Torres, 2017, p 2).
o Correcciones geométricas
Existen diversos factores que generan distorsiones geométricas en las
imágenes satelitales, los cuales se relacionan principalmente con el objeto
observado, el sensor utilizado y la plataforma desde la cual se realiza la captura
(López, 2017). Los factores relacionados con el objeto incluyen la rotación y la
curvatura terrestre durante el proceso de escaneo de la imagen. En cuanto al
sensor, las distorsiones son influenciadas por su geometría de visión, la cual puede
alterar los datos de la imagen debido a la interacción de componentes mecánicos,
eléctricos y ópticos. Por último, los factores de la plataforma están vinculados a su
ubicación y orientación en el espacio (López, 2017).
o Correcciones radiométricas
Este término abarca las técnicas utilizadas para ajustar los valores de los
datos originales, con el fin de acercarlos a los valores que se obtendrían en una
recepción ideal. Incluye el manejo de problemas radiométricos derivados de fallos
en el sensor, así como la conversión a magnitudes físicas y la corrección
atmosférica de los datos (Salinero, 2007).
o Eliminación de bandeamientos: En ciertas imágenes se observa un patrón de
bandas, especialmente en áreas de baja radiancia. Este fenómeno se debe a
una calibración incorrecta entre los detectores del sensor (Salinero, 2007).
o Componentes principales: La transformación en componentes principales es una
técnica que busca eliminar la redundancia en los datos. Puede aplicarse antes
de una interpretación visual o durante el procesamiento digital de los datos. Este
análisis estadístico convierte datos de múltiples bandas correlacionadas en un
nuevo conjunto de datos no correlacionados, mediante una combinación lineal
de las bandas originales (López, 2017).

17
o Cálculo de reflectividades: Este proceso convierte los valores de una imagen
original en variables físicas. Es una etapa preliminar valiosa en la interpretación
de imágenes, ya que permite trabajar con variables físicas de significado
estándar, lo que facilita la comparación entre diferentes generaciones del mismo
sensor y con otros sensores (Salinero, 2007).
o Eliminación de nubes: Las nubes son un obstáculo principal en el análisis de
variaciones a corto plazo de la superficie terrestre al utilizar sensores ópticos.
Algunas soluciones incluyen la separación de los píxeles nublados para
excluirlos de los tratamientos posteriores (Salinero,2007).
o Elaboración de mosaicos: es el proceso de combinar varias imágenes
satelitales o aéreas, que suelen tener solapamientos y diferentes
características, en una sola imagen continua y uniforme. Este proceso se
utiliza para crear una vista amplia y detallada de una región específica,
superando las limitaciones de cobertura y resolución de las imágenes
individuales.

18
Recursos de estudio

o Plataformas con imágenes satélites gratuitas

Se presentan varias plataformas en línea que ofrecen imágenes satelitales
gratuitas, útiles para proyectos de Sistemas de Información Geográfica (SIG). Estas
plataformas permiten acceder a datos que son fundamentales para el análisis y la
gestión espacial
Google Earth Engine (s.f.). A planetary-scale platform for Earth science data &
analysis. https://earthengine.google.com
Google Earth Engine: Una plataforma a escala planetaria para el análisis de datos
de la Tierra.
EarthExplorer (s.f.). USGS science for a changing world.
https://earthexplorer.usgs.gov
USGS Earth Explorer: Ofrece acceso a datos satelitales y geoespaciales
proporcionados por el Servicio Geológico de los EE. UU.
Earth Data. (s.f.). Earth Data Searsh. https://search.earthdata.nasa.gov/search
Earth Data: Search de NASA: Permite buscar y descargar datos de satélites y otras
observaciones de la Tierra.
Copernicus Browser (s.f.) https://browser.dataspace.copernicus.eu
Copernicus: Open Access Hub: Proporciona acceso a datos del programa
Copernicus, que incluye imágenes de satélites Sentinel.
Earth Data (s.f.). ASF Data Searsh Vertex. https://search.asf.alaska.edu/
ASF Data Search: Facilita la búsqueda y descarga de datos de radar y otras
observaciones espaciales del Alaska Satellite Facility.
NASA (2024). Worldview. https://worldview.earthdata.nasa.gov/

19
NASA Worldview: Herramienta interactiva para explorar imágenes de satélites en
tiempo casi real.
o Descargar Imágenes Satelitales Landsat 9 USGS
Laura Rojas Ingeniera (2023). Descargar Imágenes Satelitales Landsat 9 USGS.
[Archivo de vídeo]. YouTube.
https://www.youtube.com/watch?v=ekJ_YpApWlU
Descripción: Laura Rojas Ingeniera (2023), ofrece una guía detallada sobre cómo
descargar imágenes satelitales del Landsat 9 a través del portal de USGS. Laura
Rojas explica los pasos necesarios para acceder a datos del satélite Landsat 9,
facilitando el proceso para investigadores y profesionales que necesitan imágenes
satelitales actualizadas.
o Descargar las imágenes de Sentinel de su nuevo base de datos de
COPERNICUS
Wilder R. Quispe Rojas (2024). Descargar las imágenes de Sentinel de su nuevo
base de datos de COPERNICUS. [Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=H5Fb8SAfXg8
Descripción: Wilder R. Quispe Rojas (2024), muestra cómo descargar imágenes
del satélite Sentinel utilizando la nueva base de datos del programa Copernicus. El
video proporciona instrucciones claras sobre el proceso de búsqueda y descarga de
datos, esencial para quienes trabajan con imágenes de Sentinel para diversos
análisis geoespaciales.
o Características Principales De Las Bandas Espectrales En Imágenes
Landsat 8
Parra Narváez, A. (2023). Características Principales De Las Bandas Espectrales
En Imágenes Landsat 8. WiX
https://adrianaparranarvae.wixsite.com/eportafolio/single-
post/2018/04/12/caracter%C3%ADsticas-principales-de-las-bandas-
espectrales-en-im%C3%A1genes-landsat-8
Descripción: Parra, A. (2023), explora las características principales de las bandas
espectrales en las imágenes del satélite Landsat 8. El documento ofrece una
explicación detallada sobre cómo cada banda puede ser utilizada en diferentes

20
aplicaciones de análisis espacial, proporcionando una comprensión profunda de los
datos espectrales.
o Procesamiento de Imágenes satelitales
León-Fernández, L.T & Garavito-Rincón, L.N. (s.f.). Procesamiento de Imágenes
satelitales. L Esprit Ingenieux, 11(1), 33, 49
http://revistas.ustatunja.edu.co/index.php/lingenieux/article/view/2332/1972
Descripción: León-Fernández et al. aborda el procesamiento de imágenes
satelitales, presentando técnicas y metodologías para el análisis y la corrección de
datos. Es un recurso útil para estudiantes e investigadores que buscan entender
mejor las técnicas avanzadas en el procesamiento de imágenes satelitales. Este
recurso se articula directamente con los resultados de aprendizaje de la Unidad 2,
ya que proporciona una base sólida para que los estudiantes adquieran habilidades
prácticas en el manejo y análisis de imágenes satelitales. Al familiarizarse con las
técnicas y metodologías descritas, los estudiantes podrán aplicar estos
conocimientos en la interpretación de datos satelitales, mejorando su capacidad
para realizar análisis precisos y corregir posibles errores en los datos, lo cual es
esencial para estudios avanzados en teledetección y sistemas de información
geográfica.
o Análisis de datos tipo raster
López, G. y Torres, A. (s.f.). Análisis de datos tipo raster. Diplomado en Análisis de
Información Geoespacial
https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/182/1/12-
An%C3%A1lisis%20de%20Datos%20Tipo%20Raster%20-
%20Diplomado%20en%20An%C3%A1lisis%20de%20Informaci%C3%B3n
%20Geoespacial.pdf
Descripción: López, G. y Torres, A. (s.f.). ofrece un diplomado en análisis de
información geoespacial detalla los métodos para el análisis de datos ráster.
Destaca una visión integral sobre cómo trabajar con datos rasterizados en SIG,
siendo una herramienta educativa valiosa para el análisis espacial.
o Corrección radiométrica y atmosférica QGIS Plugin SCP

21
Geomática Espacial (2022). Corrección radiométrica y atmosférica QGIS Plugin
SCP [Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=JAqNngcbI94
Descripción: Geomática Espacial muestra cómo utilizar el plugin SCP en QGIS
para realizar correcciones radiométricas y atmosféricas en imágenes satelitales. Es
un recurso útil para quienes buscan mejorar la calidad de sus datos satelitales a
través de técnicas de corrección precisas.
o ¿Cómo solucionar error en imágenes Landsat 7? – QGIS
Tutorías SIG (2023). ¿Cómo solucionar error en imágenes Landsat 7? – QGIS.
[Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=GgQFpSiQwaY
Descripción: Tutorías SIG (2023), abordan soluciones para problemas comunes
con imágenes del Landsat 7 en QGIS. El tutorial proporciona técnicas para resolver
errores y asegurar la correcta visualización y análisis de los datos satelitales.
o QGIS 3.10: Principal Component Analysis
ΙΤΙ ILH (2021). QGIS 3.10: Principal Component Analysis. [Archivo de vídeo].
YouTube https://www.youtube.com/watch?v=-rqcKPs6sYg
Descripción: ΙΤΙ ILH (2021), explica cómo realizar un análisis de componentes
principales en QGIS 3.10. La técnica de PCA es fundamental para reducir la
dimensionalidad de los datos y mejorar la interpretación en estudios espaciales.
o Tutorial 5 - Calibrar de imágenes Sentinel 2 - Reflectancia en QGIS
Geoinformacion (2018). Tutorial 5 - Calibrar de imágenes Sentinel 2 - Reflectancia
en QGIS. [Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=rTlzSpbnnFg
Descripción: Geoinformación (2018), se demuestra cómo calibrar imágenes del
satélite Sentinel 2 para obtener reflectancia en QGIS. Es una guía práctica para
aquellos que buscan convertir datos de imágenes en medidas de reflectancia
precisas
o Aprende a eliminar nubes en QGIS con Cloud Masking
MasterGIS (2022). Aprende a eliminar nubes en QGIS con Cloud Masking. [Archivo
de vídeo]. YouTube https://www.youtube.com/watch?v=2OTxh4R_QoI

22
Descripción: MasterGIS (2022), enseña cómo utilizar técnicas de
enmascaramiento de nubes en QGIS para mejorar la calidad de las imágenes
satelitales. Es una herramienta esencial para la limpieza de datos antes del análisis
o Tutorial 6 como unir varias imágenes satelitales con QGIS
Cesar Augusto Perez Tafur (2017). Tutorial 6 como unir varias imágenes satelitales
con QGIS. [Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=TQbivatJW-0
Descripción: Cesar Augusto Pérez Tafur (2017), muestra cómo combinar múltiples
imágenes satelitales en QGIS. Es una guía útil para aquellos que necesitan integrar
datos de diferentes fuentes para un análisis más completo.
Unidad 3. Clasificación digital de imágenes

● Índices espectrales / reclasificación

Los índices espectrales son combinaciones matemáticas de bandas
espectrales que se utilizan para extraer información específica de los datos de
teledetección. Se emplean ampliamente para la caracterización de la cobertura
terrestre, la recuperación de parámetros biofísicos y el monitoreo ambiental
(Varade, D.M et al., 2018). Estas operaciones entre bandas buscan resaltar
variables específicas como vegetación, agua o minerales. Se basan en cómo estas
variables interactúan radiativamente para optimizar su distinción frente a otros
elementos. La imagen generada es cuantitativa y puede utilizarse como entrada
para modelos adicionales (OpenAI, 2024).

23
• Índices de vegetación y suelos
o NDVI: El Índice de Vegetación de Diferencia Normalizada (NDVI, por sus
siglas en inglés) es un índice que permite crear una imagen que indica el
verdor o biomasa relativa de una región. Este índice se basa en el contraste
entre dos bandas de un dataset ráster multiespectral: la absorción de la
clorofila en la banda roja y la alta reflectividad de las plantas en la banda NIR
(ESRI, 2024, p1).
La ecuación del NDVI documentada y predeterminada es la siguiente (ESRI,
2024, p1):
NDVI = ((NIR - Red) / (NIR + Red))
- NIR = valores de píxel de la banda infrarroja cercana
- Rojo = valores de píxel de la banda roja
Este índice científico asigna valores entre -1.0 y 1.0 para indicar la densidad
y el vigor de la vegetación. Los valores negativos generalmente representan nubes,
agua y nieve, mientras que los valores cercanos a cero indican principalmente rocas
y suelo desnudo. Los valores muy bajos de NDVI (por debajo de 0.1) corresponden
a áreas áridas con rocas, arena o nieve. Los valores moderados (0.2 a 0.3)
representan arbustos y praderas, mientras que los valores altos (0.6 a 0.8) indican
bosques y selvas tropicales (ESRI, 2024, p1).

24
Para conocer más acerca de los diferentes índices espectrales, se deben remitir a
las lecturas de los recursos de estudio
● Clasificación no supervisada
Este método se basa en la búsqueda automática de grupos de valores
homogéneos. La intervención humana se enfoca en interpretar los resultados
obtenidos, en lugar de generarlos. Es básicamente un análisis de clústeres donde
los píxeles se agrupan según la similitud de sus valores espectrales (López, 2017).
Los clasificadores no supervisados emplean algoritmos en lugar de datos de
entrenamiento para realizar la clasificación. Estos algoritmos analizan los píxeles
desconocidos en una imagen y los agrupan en varias clases basándose en los
patrones naturales presentes en los valores de la imagen. Este método no requiere
tener un conocimiento previo del área de estudio (López, 2017).
● Clasificación supervisada
En esta forma de clasificación, el analista de imágenes supervisa el proceso
de categorización de los píxeles. Esto implica especificar el algoritmo a utilizar y
definir los descriptores numéricos de los distintos tipos de cobertura presentes en la
escena (López, 2017). Para lograr esto, se emplean muestras representativas de
clases de coberturas conocidas, denominadas áreas de entrenamiento. Estas
muestras permiten crear una clave de interpretación numérica que describe los
atributos espectrales de cada una de las características de interés (López, 2017).
● Análisis estadísticos
Independientemente del método utilizado para definir la fase de
entrenamiento, antes de iniciar el proceso de clasificación es importante considerar
la separabilidad real de las categorías seleccionadas. Es decir, se debe evaluar si
estas categorías pueden clasificarse de manera precisa sin un alto riesgo de error.
Si se descubre que dos o más categorías son muy similares, es probable que se
produzca confusión entre ellas. En tal caso, sería recomendable verificar que las
estadísticas de entrenamiento se hayan deducido correctamente, adoptar una
leyenda más general con nuevas categorías que combinen las que presentan mayor
riesgo de confusión, y obtener información adicional o imágenes de otras fechas
(Salinero, 2007).

25
Recursos de estudio

• Galería de índices
ArcGIS PRO (s.f.) Galería de índices. Esri. https://pro.arcgis.com/es/pro-
app/latest/help/data/imagery/indices-gallery.htm
Descripción: el recurso proporciona una galería de índices espectrales en ESRI,
detallando diversas métricas utilizadas en el análisis de imágenes, como el NDVI,
entre otros. Esta galería ofrece descripciones y aplicaciones de cada métrica,
ayudando a los usuarios a seleccionar la más adecuada para sus necesidades de
análisis geoespacial.
• Clasificación no supervisada
Carlos Julian Mestanza Novoa (2021). Clasificación no supervisada. [Archivo de
vídeo]. YouTube https://www.youtube.com/watch?v=YjqMXUqaPh0
Descripción: en el video se explica el proceso de clasificación no supervisada en
análisis de imágenes, detallando los pasos y conceptos esenciales para llevar a
cabo esta técnica en QGIS. Esta explicación es fundamental para los estudiantes,
ya que la clasificación no supervisada es una técnica clave en el procesamiento y
análisis de datos de teledetección. La articulación con los resultados de aprendizaje
de la Unidad 2 es evidente, ya que el video permite a los estudiantes entender los
principios y conceptos básicos de la clasificación no supervisada, aplicar técnicas
prácticas en QGIS y mejorar sus habilidades en el uso de software de SIG para
realizar análisis de imágenes satelitales. Además, les ayuda a desarrollar
competencias en la interpretación y validación de los resultados de la clasificación
no supervisada, cruciales para la toma de decisiones informadas en estudios
geoespaciales. Estos conocimientos y habilidades son esenciales para que los

26
estudiantes puedan implementar y aprovechar eficazmente la clasificación no
supervisada en sus propios proyectos de análisis geoespacial.
• Tutorial Clasificación Supervisada ENVI 5.3 - Solo Científicos
Geospatial Industry (2017). Tutorial Clasificación Supervisada ENVI 5.3 - Solo
Científicos. [Archivo de vídeo]. YouTube
https://www.youtube.com/watch?v=Fb_KHgx-mUk
Descripción: el tutorial de Geospatial Industry muestra cómo realizar una
clasificación supervisada utilizando el software ENVI 5.3, dirigido específicamente
a científicos que requieren una comprensión profunda de este proceso.
• Análisis comparativo de cambios de área en coberturas en la parte alta de
la subcuenca río Palacé, a través de imágenes Landsat entre 1989 y 2016
Chantre Velasco, Mabel (2017). Análisis comparativo de cambios de área en
coberturas en la parte alta de la subcuenca río Palacé, a través de imágenes
Landsat entre 1989 y 2016. [Tesis de pregrado]. Repositorio Universidad de
Manizales. Obtenido de https://ridum-umanizales-edu-
co.biblioproxy.umanizales.edu.co/xmlui/handle/20.500.12746/3203
Descripción: adicional, la tesis de Chantre Velasco, Mabel (2017), titulada "Análisis
comparativo de cambios de área en coberturas en la parte alta de la subcuenca río
Palacé, a través de imágenes Landsat entre 1989 y 2016", es una lectura esencial
para afianzar los conocimientos en clasificación supervisada. A través de una
revisión de conceptos y técnicas, la autora ofrece una comprensión profunda de los
métodos y algoritmos empleados en este tipo de clasificación en ENVI 5 ArcGIS
10.2, proporcionando tanto fundamentos teóricos como aplicaciones prácticas.

27
Referencias bibliográficas

Bustos, O. H. (2014). Introducción a los procesos markovianos en el análisis y

procesamiento de imágenes. CIEM, FaMAF, Universidad Nacional de
Córdoba, Argentina.
Chitradevi, B., & P.Srimathi (2014). An Overview on Image Processing Techniques.
International Journal of Innovative Research in Computer and
Communication Engineering, 2, 6466-6472.
ESRI. (2024). Galería de índices. ArcGIS Pro. https://pro.arcgis.com/es/pro-
app/latest/help/data/imagery/indices-gallery.htm
ESRI. (2024). Función NDVI. ArcGIS Pro. https://pro.arcgis.com/es/pro-
app/latest/help/analysis/raster-functions/ndvi-function.htm
Fernández, L. T. L., & Rincón, L. N. G. (2020). Procesamiento de imágenes
satelitales. L'esprit Ingénieux, 11(1), 33-49.
Gomarasca, M. A., Tornato, A., Spizzichino, D., Valentini, E., Taramelli, A., Satalino,
G., ... & Villa, F. (2019). Sentinel for applications in agriculture. The
International Archives of the photogrammetry, Remote Sensing and Spatial
Information Sciences, 42, 91-98.
Hernández, O. H. Á. (2010) CURSO “FUNDAMENTOS DE TELEDETECCIÓN
AEROESPACIAL Y PROCESAMIENTO DIGITAL DE IMÁGENES”.
Khosravi, M. R., Akbarzadeh, O., Salari, S. R., Samadi, S., & Rostami, H. (2017,
September). An introduction to ENVI tools for synthetic aperture radar (SAR)
image despeckling and quantitative comparison of denoising filters. In 2017
IEEE International Conference on Power, Control, Signals and
Instrumentation Engineering (ICPCSI). (pp. 212-215). IEEE.

28
Konecny, G. (2002). Recent global changes in geomatics education. International
Archives of Photogrammetry Remote Sensing and Spatial Information
Sciences, 34(6), 9-14.
López Daniel & Aura C Torres (2017). Análisis de los datos tipo raster, diplomado
en análisis de información geoespacia. Centro público de investigación
CONACYT
Maguire, D. J. (1992). The raster GIS design model—A profile of ERDAS.
Computers & Geosciences, 18(4), 463-470.
Pour, A. B., Ranjbar, H., Sekandari, M., Abd El-Wahed, M., Hossain, M. S., Hashim,
M., ... & Muslim, A. M. (2023). Remote sensing for mineral exploration.
In Geospatial Analysis Applied to Mineral Exploration (pp. 17-149). Elsevier.
Pushpa R.N. (Marzo de 2019). International Journal for Research in Applied Science
& Engineering Technology.
https://www.ijraset.com/fileserve.php?FID=20702
Ramírez, I. G. (2022). Universidad Laica Eloy Alfaro de Manabí.
Ruby, J. G., & Fischer, R. L. (2002, November). Spectral signatures database for
remote sensing applications. Imaging spectrometry VIII, 4816, 156-163.
SPIE.
Salinero, E. C. (2007). Teledetección ambiental: La observación de la tierra desde
el espacio (3ra ed.). Ariel Ciencia.
Sholarin, E. A., Awange, J. L., Sholarin, E. A., & Awange, J. L. (2015). Remote
Sensing. Environmental Project Management: Principles, Methodology, and
Processes, 231-238.
Teodoro, A. C., Ferreira, D., & Sillero, N. (2012, October). Performance of
commercial and open source remote sensing/image processing software for
land cover/use purposes. In Earth resources and environmental remote
sensing/GIS applications III, 8538, 373-384). SPIE.
Vani, K. (2017, March). Satellite image processing. In 2017 Fourth International
Conference on Signal Processing, Communication and Networking (ICSCN)
(pp. 1-3). IEEE.

29
Varade, D.M., Maurya, A.K., & Dikshit, O. (2018). Development of Spectral Indexes
in Hyperspectral Imagery for Land Cover Assessment. IETE Technical
Review, 36, 475 - 483.
Xu, H. Q., & Tang, F. (2013). Analysis of new characteristics of the first Landsat 8
image and their eco-environmental significance. Acta Ecologica Sinica,
33(11), 3249-3257.

30
 Apreciado lector, nos complace presentarle estos
documentos, los cuales contienen información valiosa y de
relevancia para nuestro proyecto. Deseamos hacerle saber
que todos los contenidos y elementos incluidos en estos
documentos están protegidos por los derechos de autor y la
legislación vigente en materia de propiedad intelectual.

La protección de estos documentos y su contenido

abarca, pero no se limita a, textos, gráficos, imágenes,
ilustraciones, diseños, logotipos y cualquier otro elemento
original presente en ellos. Estos documentos son propiedad
exclusiva de la Universidad de Manizales y su autoría
corresponde a nuestros expertos y colaboradores.

Queda estrictamente prohibida cualquier reproducción,

distribución, modificación o utilización no autorizada de
estos documentos, ya sea de forma parcial o total, sin el
consentimiento previo y por escrito de la Universidad de
Manizales. Cualquier infracción a los derechos de autor y la
propiedad intelectual será objeto de las acciones legales
correspondientes.

Le instamos a tratar estos documentos con la debida

confidencialidad y a utilizarlos únicamente con el propósito
para el cual han sido proporcionados. Si tiene alguna
pregunta o requiere permisos específicos para el uso de
estos documentos, le recomendamos ponerse en contacto
con nuestro equipo legal.

Agradecemos su comprensión y respeto hacia nuestros

derechos de autor y propiedad intelectual. Valoramos su
cooperación y confianza en nuestro trabajo.

31