1

Análisis de firmas espectrales y determinación de patrones espectrales en imágenes satelitales

de Landsat 9 y Sentinel-2B

Andrés Jair Cruz Sánchez

20221025078

Presentado a
Ingeniero Servio Javier Contreras Guerrero

Universidad Distrital Francisco José de Caldas

Ingeniería catastral y geodesia
Procesamiento Digital de Imágenes
Grupo 025-65
Noviembre del 2024
 2

Introducción

En general, la humanidad ha tenido un afán por observar diferentes perspectivas de una

misma realidad. Esto genera contrastes en cuestiones conceptuales y, muchas veces, da
origen a teorías que describen, en esencia, el universo, como lo hizo Albert Einstein con la
teoría de la relatividad a principios del siglo XX. Dicha teoría permitió resolver la
compatibilidad entre la mecánica clásica de Newton y el electromagnetismo, dos teorías
parciales que describen fenómenos puntuales bajo condiciones específicas.
Por otro lado, como es de suponerse, aunque este descubrimiento formó los cimientos de
muchas otras teorías, incluso precursoras de libros como La historia del tiempo de Stephen
Hawking, estas teorías han permitido comprender el universo de una manera diversificada y
más puntual.
A mediados de la década de 1970 con los avances de las teorías físicas que describen las
observaciones, la teledetección dio un salto significativo. Los avances en los sensores
permitieron observar ciertos patrones, denominados firmas espectrales, que representan
variaciones en la radiación emitida o reflejada por los objetos. Es como si cada objeto
mostrara una huella dactilar única. Investigadores en el campo de la física de la radiación y la
óptica proporcionaron una base teórica para entender cómo los objetos interactúan con la
radiación. Gracias a esto, ahora es posible determinar la naturaleza de un objeto a distancia y
desde la comodidad de una oficina.

Objetivo general
• Comprender en funcionamiento de las firmas espectrales y como interpretarlas.
Objetivo especifico
• Realizar las composiciones respectivas de firmas espectrales.
• Analizar el funcionamiento de las herramientas destinadas a la adquisición y análisis
de firmas espectrales, así como sus distintos métodos de implementación y
configuraciones.
• Realizar un análisis comparativo de los resultados obtenidos para identificar cómo
varían las firmas espectrales.
Metodología
En el presente informe utilizaremos las imágenes trabajadas a lo largo del curso. Además,
se llevará a cabo un proceso simultáneo con el objetivo de crear un documento más legible y
sintético. Se generarán diferentes tipos de firmas espectrales, y aunque se presentarán

Procesamiento Digital de Imágenes – 2024/3

 3

conclusiones a medida que se avance en el documento, es importante destacar que,

teóricamente, el contexto en ambos sensores es equivalente. Por lo tanto, se describirá esta
teoría una sola vez, citándola cuando sea pertinente.
Por otro lado, las firmas espectrales seleccionadas corresponderán a los objetos de mayor
relevancia dentro de las imágenes y que de manera simultánea cuenten con respaldo
bibliográfico; permitiendo guiar el documento de manera más adecuada.

Marco teórico
En el presente se definirán los conceptos a utilizar durante el documento, es de conformidad
entender que algunas de las definiciones acá mencionados serán extendidas según sea
necesario, esto para efectos de simplicidad.

• Procesamiento de Imágenes: Conjunto de técnicas para el mejoramiento de las

imágenes satelitales, este proceso siempre un fin especifico.
• Satélite: Son objetos construidos por el ser humano y lanzados al espacio con el
propósito de realizar diversas tareas, e este caso de observación terrestre.
• Reflectancia: Se define como la fracción de radiación incidente que un objeto
cualquiera puede reflejar
• Emitancia: Se define como la capacidad de emisión de radiación electromagnética
(energía). Donde los estudiosos de la materia consideran propiedades tanto físicas
como térmicas del objeto
• Firma Espectral: Es un patrón de radiación electromagnética que un objeto refleja o
emite en la cobertura terrestre.
• Mejoramiento con firmas espectrales: Los componentes principales son
combinaciones lineales de las variables originales que concentran la mayor
información posible gracias a la transformación lineal que proviene de las matrices
varinza-covarianza; reduciendo dimensiones y maximizando la varianza para facilitar
la interpretación y minimizar redundancias.

Procesamiento Digital de Imágenes – 2024/3

 4

Procedimiento

Las firmas espectrales tendrán un mejor resultado si, previamente, se realiza un proceso de
discriminación de información, o lo que, en términos técnicos, se denomina mejoramiento
espectral. En esta ocasión, se considera que, para obtener resultados donde apliquemos todo
lo estudiado durante el curso, es importante relatar la utilidad del mejoramiento espectral por
componentes principales, detallado con mayor precisión en informes anteriores. Por ello, se
omitirán algunos pasos para enfocarse en el contexto analítico de las firmas espectrales. Cabe
resaltar que, dentro de la guía, se recomienda usar una combinación en falso color estándar,
pero, como se destacó anteriormente, es preferible obtener más información para analizar de
manera más completa las firmas espectrales. Sin embargo, si es necesario, se recurrirá a la
combinación recomendada, al IFOV y al Tesselad Cup.

La base de todo mejoramiento espectral por componentes principales recae en el álgebra

lineal y en la estadística descriptiva, ya que son conceptos fundamentales en cualquier
ingeniería. La transformación depende de valores y vectores propios, que definen el grado y
dirección del estiramiento en el espacio. Matemáticamente, los vectores son escalados según
los valores propios, alterando sus componentes y proyectando puntos hacia un nuevo
dominio, con menor dimensionalidad, pero preservando la mayor cantidad de información.
Esto facilita identificar la dirección con más información, optimizando el análisis y
reduciendo dimensiones sin perder datos relevantes. He aquí donde se encuentra la esencia de
hallar la componente principal o la componente con mayor medida informativa, puesto que si
tenemos cinco dimensiones podemos reducirla casi que a 3 o 2 dependiendo de los valores
propios. Puesto que en estas dos dimensiones las componentes es donde la información se
concentra, y se pierde lo más mínimo posible.

Ahora bien, con ayuda del complemento SemiAutomaticClassification, se dispondrán las

diferentes bandas para la formación de los componentes principales (Los cuales se limitan a
4). En términos generales los componentes a partir del cuarto no tienen una representación
significativa y la información que aportan no es tan relevante como para tenerlos en cuenta.
Se busca tener la mayor cantidad de información posible en 3 bandas. De esta manera se
obtiene la imagen 1 y la imagen 2 donde se evidencia la efectividad del método.

La varianza acumulativa describe el porcentaje de información que se encuentra en cada

uno de los componentes.

Procesamiento Digital de Imágenes – 2024/3

 5

Imagen 1. Ponderado de cada uno de sus CP Sentinel 2B

Imagen 2. Ponderado de cada uno de sus CP Landsat9

Y obteniendo estos resultados donde los primero 3 componentes tienen el mayor ponderado
de información, se obtienen las siguientes imágenes.

Imagen 3. Componentes principales Sentinel

Procesamiento Digital de Imágenes – 2024/3

 6

Imagen 4. Componentes principales Landsat.

Así, de manera resumida, la base matemática contemplada en QGIS se vuelve un

fundamento esencial para el entendimiento de los componentes principales. Por otro lado,
estos resultados de mejoramiento espectral se definen como los más viables y menos
redundantes, ya que se logra discriminar la información de manera más robusta. Como se
concluyó en el informe anterior, se resaltan objetos que, en una composición tradicional, sería
difícil contemplar.

De manera general, el proceso a realizar se resumirá en dos fases previas. La primera será la
fase de entrenamiento, donde se dispondrá de herramientas precisas para las muestras, lo que
llevará todo en pro de la clasificación supervisada dentro del software libre. Y la segunda fase
en su respectivo análisis, ara ello, dentro de la guía proporcionada, se hace la recomendación
de utilizar las siguientes clasificaciones:

1) Zonas artificiales: tejido urbano, zonas industriales

2) Cultivos, mosaico de cultivos
3) Cultivos de regadío
4) Vegetación 1: bosques frondosos
5) Vegetación 2: vegetación dispersa

Procesamiento Digital de Imágenes – 2024/3

 7

6) Vegetación 3: Zonas de matorral

7) Agua: láminas y cursos de agua
8) Nubes
9) Sombra de nubes

Entonces, para efectos de simplicidad, se explicarán brevemente las herramientas a utilizar.

Como se vio anteriormente, el complemento SemiAutomatic Classification Plugin es
fundamental para el procesamiento de imágenes satelitales. Sin embargo, tiene un potencial
más amplio. Durante el presente documento, trabajaremos con el ‘Panel SCP Dock’, el cual
se desplegará de la siguiente manera

Imagen 5. Panel SCP Dock.

En primer lugar, se deben agregar las correspondientes bandas a trabajar, ya sea de Landsat
o Sentinel, en el apartado de juego de bandas del mismo complemento, como se muestra en la
siguiente imagen.

Procesamiento Digital de Imágenes – 2024/3

 8

Imagen 6. Juego de Bandas

De esta manera se iniciará la formación de las firmas espectrales. De manera general, se

genera una nueva entrada de entrenamiento correspondiente a la imagen 5, donde se definirá
la carpeta en la que se almacenará toda la información. Además, se tendrán en cuenta las
clases y los subtipos de las respectivas clases; por ejemplo, para el número 1, se deben
considerar dos subtipos, los cuales estarán presentes en una sola clase. Al concluir este
proceso, se define el ROI, que es la región de interés específica dentro de la imagen. Este se
utilizará para delimitar las zonas correspondientes a cada uno de los numerales, lo que será
útil para identificar patrones de radiación electromagnética presentes en toda la imagen. Las
firmas espectrales se generarán de manera automática. Cabe resaltar que cada clase tendrá
una firma asociada basada en los valores de reflexión que posee cada uno de los objetos. Si es
necesario, se realizarán procesos comparativos con firmas existentes y conocidas por la
comunidad científica. Y para finalizar, se verificará que el análisis de las firmas espectrales
generadas corresponda realmente a los patrones esperados. Además, si se detectan
variaciones anómalas, se realizará un proceso de ajuste para cada firma.

1) Clasificación supervisada con Sentinel 2B

Se considera necesario realizar una organización por satélite, ya que esto facilita tanto
el proceso como los resultados obtenidos. Además, se presentará el procedimiento de
manera conjunta para cada una de las muestras utilizadas en el entrenamiento, mostrando
la previsualización correspondiente para realizar las correcciones necesarias.
Como fuente de contraste, utilizaremos combinaciones y otros mejoramientos
espectrales para evidencias las diferencias, las cuales permitirán comparar la información.
Comenzando con el proceso se especifican los 10 ítems los cuales se van según su clase,
para efectos de simplicidad se identificarán cada objeto, con su respectiva área de
entrenamiento y firmas espectral correspondiente, esto con el fin de aclarar los
respectivos procedimientos realizados y las limitaciones.

• Zonas artificiales: tejido urbano, zonas industriales

Lo que se busca es identificar aquellas áreas donde se dispone de materiales como

asfalto, concreto y metales, lo cual generalmente se encuentran en los cascos urbanos,
carreteras o áreas de industria apartadas. Pero teniendo en cuenta la imagen de

Procesamiento Digital de Imágenes – 2024/3

 9

estudio, los objetos que cumplen con las expectativas necesarias es el casco urbano de
San Vicente del Caguán. El cual se visualiza de la siguiente manera:

Imagen 7. Área de estudio para la caracterización de zonas artificiales

Imagen 8. Perfil Espectral de Superficies Artificiales

Las principales dificultades al establecer el área eran su fácil confusión con la firma
espectral de vegetación, puesto que en las zonas artificiales también se destacan los
espacios verdes, lo cual implicó la necesidad de un delineamiento más fino. Sin

Procesamiento Digital de Imágenes – 2024/3

 10

embargo, como se puede observar en la firma espectral, tiene la tendencia de la firma

espectral de la imagen 9 de un suelo.

Imagen 9. Firmas espectrales fuente:

[Link]

El constante crecimiento de la firma espectral nos hace entender este fenómeno de

radiación electromagnética. Y esto implicara unos problemas en posteriores análisis
del documento.

• Zonas Cultivos, mosaico de cultivos

Durante este se buscarán parcelas de terreno que obtengan un cierto patrón de color
y textura que corresponderá a diferentes tipos de vegetación. Generalmente estos
presentan unas texturas uniformes con divisiones bastantes marcadas y la geometría
de polígonos de forma irregular con ángulos cercanos a 90 grados.

Procesamiento Digital de Imágenes – 2024/3

 11

Imagen 10. Área de estudio para la caracterización de zonas de cultivos

Imagen 11. Perfil Espectral de Cultivos

La dificultad radica razonablemente en encontrar los patrones de los cultivos

correspondientes. Aunque, si bien son 'fáciles', realmente en el momento de
identificarlos es difícil encontrarlos de manera homogénea sin que otros objetos se
vean involucrados.
Por otro lado, teniendo en cuenta la imagen 9, se evidencia un claro parecido con la
firma espectral de la vegetación, puesto que se comportan de manera casi similar. Sin
embargo, existen algunas variaciones, ya que cabe resaltar que se desconoce el tipo de
cultivo. Aunque sería un buen punto para tocar, no es necesario dentro de la
contemplación del presente documento.

Procesamiento Digital de Imágenes – 2024/3

 12

• Cultivos de regadío
De manera similar al caso anterior, se busca identificar patrones que evidencien
planificación agrícola asociada a fuentes hídricas. La principal dificultad radica en la
resolución espacial, por lo que se opta por analizar zonas aledañas al río, ya que estas
suelen ser un buen indicador visual de cultivos de regadío. Además, en general, estas
áreas presentan un color uniforme, suelen estar bastante saludables y muestran niveles
de clorofila notablemente altos.
De manera complementario se mostrará una combinación en falso color que resalte
mas los niveles de clorofila.

Imagen 12. Área de estudio para la caracterización de zonas de cultivos de

regadío

Procesamiento Digital de Imágenes – 2024/3

 13

Imagen 13. Perfil Espectral de Cultivos de regadío

Teniendo en cuenta la imagen 9, vemos un comportamiento casi que idéntico a la

vegetación y esto nos hace entender que el proceso de asignación en el área de
entrenamiento fue correcto.
Se podría suponer que la mayoría de la imagen se va a comportar de esa manera, y
aunque la lógica se suponga eso, la realidad es muy diferente.

• Vegetación 1: bosques frondosos

La alta densidad de vegetación y la presencia de clorofila hacen que este tipo de

objeto tenga una dificultad mucho menor que las demás. Lo que realmente se busca es
una serie de patrones que se caractericen por una cobertura arbórea densa. En este
caso, la mayoría de la composición de la imagen hace referencia a los bosques.
Un aspecto importante para considerar es analizar un área donde la muestra
seleccionada para el área de entrenamiento sea representativa de todos los bosques en
general. Dado que la presencia de este tipo de objeto es abundante, la variabilidad en
términos de clorofila desempeña un papel fundamental en su identificación. No se
deben elegir áreas donde el nivel de clorofila sea único, ya que este varía dependiendo
de diversos factores.

Procesamiento Digital de Imágenes – 2024/3

 14

Imagen 14. Área de estudio para la caracterización de zonas de Bosque Frondoso

Imagen 15. Perfil Espectral de Bosque frondoso

Procesamiento Digital de Imágenes – 2024/3

 15

En este caso, como en el anterior, existe una similitud bastante estrecha con la
vegetación verde. Presenta el mismo comportamiento, pero una disminución por su
nivel de reflectancia en la clorofila. Tiene los mismos picos que en la imagen 9.

• Vegetación 2: vegetación dispersa

En general, lo que se busca en este tipo de objetos son los patrones irregulares, que
se destacan por una distribución poco homogénea y tienen características bastante
notables. Estas áreas suelen estar rodeadas por otros tipos de suelos. Además, no
forman un techo completo de cobertura vegetal.
Este tipo de vegetación tiene tonalidades verdes, pero refleja menos luz que otro
tipo de vegetación, ya que los niveles de clorofila suelen ser más bajos. Esto implica
que estas zonas no están completamente cubiertas por vegetación. De manera más
simple, lo que se busca son parches de vegetación dispersa.
Se puede visualizar el área de entramiento como se ve en la imagen 15, pero se ha de
tener en cuenta que el área de entramiento se efectúo alrededor de 5 veces, puesto que
las similitudes con zonas arboladas se veían clasificadas como vegetación dispersa.

Procesamiento Digital de Imágenes – 2024/3

 16

Imagen 16. Área de estudio para la caracterización de zonas de Vegetación Dispersa

Imagen 17. Perfil Espectral de Vegetación dispersa

Como se puede notar las firmas espectrales 17 y 15 tienen bastante similitud, pero
se diferencian en algunos máximos y mínimos.

• Vegetación 3: Zona de matorral

Las zonas de matorral se identifican como aquella distribución irregular, se destacan

por las tonalidades bajas en clorofila y una textura como rugosa o de etilo puntillosa.
En general los matorrales se encuentran rodeados por áreas descubiertas y amplias
(suelo desnudo).

Procesamiento Digital de Imágenes – 2024/3

 17

Imagen 18. Área de estudio para la caracterización de zonas de matorral

Imagen 19. Perfil Espectral de Zona de Matorral

Procesamiento Digital de Imágenes – 2024/3

 18

Una de las dificultades más notables a la hora de identificar este objeto es la

evidente similitud con las zonas de vegetación dispersa, como se ve en la imagen 20.
Ambas presentan geometría irregular, las tonalidades en general son muy parecidas,
ambas cuentan con texturas rugosas y se ubican en áreas semiabiertas. Las diferencias
con las que se trató este tipo de objeto para facilitar su identificación fueron las
características ecológicas y su asociación con el entorno. En resumen, si la vegetación
se denotaba pequeña y no presentaba cambios drásticos, se especificó como matorral

Imagen 20. Comparación entre vegetación dispersa y Matorral

• Agua: Laminas y Cursos de Agua

En la identificación del objeto no se encontró mayor dificultad, pero generalmente

tiene forma de curva irregular y alargada. En la imagen, se evidencia material
arcilloso en las zonas aledañas de los polígonos que la conforman, especialmente
cerca de los ríos. Por otro lado, las láminas generalmente corresponden a lagunas o
elementos de agua pluvial que se posan sobre la topografía cóncava.

Procesamiento Digital de Imágenes – 2024/3

 19

Imagen 21. Área de estudio para la caracterización de laminas de agua

Imagen 22. Área de estudio para la caracterización de cursos de agua

Procesamiento Digital de Imágenes – 2024/3

 20

Imagen 23. Perfil Espectral de Laminas de agua y Cursos de agua

Como se puede evidenciar, las dos firmas son parecidas, pero no iguales. Estas
variaciones pueden estar definidas por la acumulación de ciertos sedimentos, limo o
incluso materia orgánica. El movimiento que presenta también se ve reflejado en este
tipo de perfiles espectrales, ya que, si se considera turbia, será diferente por la
contextura física que presente en el momento de la toma.

• Nubes y sombras de nubes

Se sobre entiende como encontrar las nubes y las sombras de estas, que en los
componentes principales se visualiza esta ultima de mejor manera. De manera general
las nubes tienen varios tipos y se identifican fácilmente por sus formas, las sombras se
denotan en el suelo con formas similares a la de la nube original.

Procesamiento Digital de Imágenes – 2024/3

 21

Imagen 24. Área de estudio para la caracterización de nubes

Imagen 25. Área de estudio para la caracterización de sombras de nubes

Procesamiento Digital de Imágenes – 2024/3

 22

Imagen 26. Perfil Espectral de Nubes y Sombras de Nubes

Y como se visualiza es probablemente nubes tipo stratus, por otro lado, las sombras
tienen un comportamiento algo plano en lo que respecta indicando reflectancia similar
en la mayoría del espectro que lo compone.

Teniendo en cuenta todo esto, podemos obtener la siguiente imagen, que recoge todas las
firmas espectrales. Cabe resaltar que, dentro del informe, no se le dio enfoque a la
herramienta de previsualización ya que se utilizó principalmente de manera técnica para
afinar las firmas espectrales. No se considera necesario documentar su uso, pero se deja
constancia de que fue extremadamente útil para ajustar y corregir los diferentes elementos
seleccionados como áreas de entrenamiento.

Procesamiento Digital de Imágenes – 2024/3

 23

Imagen 27. Perfil Espectral De Clasificación en Sentinel

Imagen 28. Clasificación en Sentinel

En general, en la imagen 28 se identifican diversos problemas relacionados con la
clasificación. Aunque esta se ha realizado de manera minuciosa, es evidente que algunas
firmas espectrales presentan confusión, en particular la correspondiente a 'Tejido Urbano'.
Como se puede observar, clasifica áreas dispersas como si se tratara de cascos urbanoso
zonas industriales, lo cual no corresponde a la realidad básicamente. Con esto se concluye
que el software está aproximando los valores que considera similares o coincidentes con la

Procesamiento Digital de Imágenes – 2024/3

 24

firma espectral, en lugar de clasificarlos como no definidos, lo que podría derivar en

conclusiones técnicas erróneas.
Por otro lado, en el cauce del río también se observan inconsistencias, ya que no parece
funcionar adecuadamente. Esto podría deberse a que la firma espectral del tejido urbano
muestra similitudes con ciertos tipos de suelo, y, de alguna forma, los componentes
arrastrados por el río podrían tener propiedades espectrales similares a estos suelos. Por ello
no se ve completamente azul o de un color constante (que sería lógico).
En la siguiente imagen se visualiza con mejor precisión las discrepancias.

Imagen 29. Comparación entre la clasificación y mejoramiento espectral Sentinel

Procesamiento Digital de Imágenes – 2024/3

 25

Y hasta la fecha del presente documento no se reconoce como ni con que se realiza la
denominada ‘Unclassified’.
Cabe resaltar que en la imagen 29 se clasifica el material arcilloso como tejido urbano.
Para finalizar, se anexan las imágenes que fueron elementos comparativos para la adopción
de las áreas de entrenamiento. Se considera más práctico dejarlas al final para garantizar el
flujo y la coherencia, además de evitar la sobrecarga en las identificaciones de las áreas de
entrenamiento, facilitando su consulta en caso de ser necesario.

Imagen 30. Componentes Principales de Imagen Sentinel 2B

Procesamiento Digital de Imágenes – 2024/3

 26

Imagen 31. Combinación 7-3-2 Sentinel 2B

2) Clasificación Supervisada con Landsat

Por parte de este satélite, se ejecutará su procedimiento de forma similar a lo observado

en el primer numeral. Cabe resaltar que no es igual de ninguna manera, puesto que los
sensores que lo componen son de diferente fabricación. Además, la escena no
corresponde al mismo día, hora ni, mucho menos, a las mismas condiciones. Por ello, las

Procesamiento Digital de Imágenes – 2024/3

 27

firmas espectrales serán similares, pero teóricamente no podrían generar traslapes

exactos.
En consideración con lo anterior se presentan los siguientes resultados de la
clasificación supervisada.

• Zonas artificiales: tejido urbano, zonas industriales.

Se busca la identificación de zonas donde el material corresponda a zonas donde su

elemento predominante sea el asfalta o materiales de construcción propios de las
urbanizaciones y expansiones de los últimos años, como se mencionó anteriormente
asfalto, concreto y metales.

Imagen 32. Área de estudio para la caracterización de zonas artificiales

Procesamiento Digital de Imágenes – 2024/3

 28

Imagen 33. Perfil Espectral de Superficies Artificiales

En lo que respecta a la identificación de áreas, se presentan problemas similares a

los capturados en la escena de Sentinel. Además, su firma espectral muestra un
comportamiento muy similar al de un suelo como la imagen 9. Por lo tanto, se
considera que fue tomada de manera óptima el área de entrenamiento.

• Zonas Cultivos, mosaico de cultivos.

De manera particular se buscan grupos geométricos y homogéneos de vegetación,

que generalmente se encuentran muy cerca entre sí. Generalmente estos presentan
unas texturas uniformes con divisiones bastantes marcadas.

Imagen 34. Área de estudio para la caracterización de zonas de cultivos

Imagen 35. Perfil Espectral de Cultivos

Procesamiento Digital de Imágenes – 2024/3

 29

Evidentemente, como se puede inferir, la dificultad radica en la determinación de

estas zonas geométricas, ya que la resolución espacial de las imágenes es de 30
metros. Esto limita el proceso de identificar objetos con mayor precisión. Sin
embargo, se encontraron zonas de este tipo que corresponden a la vegetación, como se
puede observar en la figura 9.

• Cultivos de regadío.

En este tipo de zonas generalmente se encuentran cercanas a los cursos de agua,

además que presentan una reflectancia en mayor medida por su alto nivel de clorofila.
En resumen, se busca identificar patrones que evidencien planificación agrícola
asociada a fuentes hídricas.

Imagen 36. Área de estudio para la caracterización de zonas de cultivos de regadío

Imagen 37. Perfil Espectral de Cultivos de regadío

Procesamiento Digital de Imágenes – 2024/3

 30

En general, encontrar patrones alimentados por una fuente hídrica se vuelve una
tarea tediosa, ya que, aunque la imagen cuenta con una cobertura inmensa, está
limitada por factores discriminativos que dificultan la obtención de información. Por
esta razón, se utilizan los análisis de componentes principales (PCA) para representar
de mejor manera los objetos y, de esta forma, identificar zonas que correspondan a las
descripciones teóricas de este tipo de elementos.
• Vegetación 1: bosques frondosos.

El objeto a identificar son zonas con tonos oscuros o niveles de clorofila medios,
donde la densidad de vegetación suele ser bastante alta. Estas zonas presentan texturas
compactas. Mediante el uso de falso color, es posible resaltar las áreas con actividad
fotosintética.

Imagen 38. Área de estudio para la caracterización de zonas de Bosque Frondoso

Procesamiento Digital de Imágenes – 2024/3

 31

Imagen 39. Perfil Espectral de Bosque Frondoso

Como se puede observar, la firma espectral 37 se comporta de manera similar a la
firma espectral de la imagen 9. La dificultad radica en encontrar una muestra que
represente todos los bosques de la imagen. Sin embargo, como recomendación, se
sugiere buscar parches de bosque donde el nivel de clorofila o reflectancia sea mixto.

• Vegetación 2: vegetación dispersa.

En general, lo que se busca en este tipo de objetos son los patrones irregulares, que
se destacan por una distribución poco homogénea y tienen características bastante
notables. Estas áreas suelen estar rodeadas por otros tipos de suelos. Además, no
forman un techo completo de cobertura vegetal.
Este tipo de vegetación tiene tonalidades verdes, pero refleja menos luz que otro
tipo de vegetación, ya que los niveles de clorofila suelen ser más bajos. Esto implica
que estas zonas no están completamente cubiertas por vegetación. De manera más
simple, lo que se busca son parches de vegetación dispersa.

Procesamiento Digital de Imágenes – 2024/3

 32

Imagen 40. Área de estudio para la caracterización de zonas de Vegetación Dispersa

Imagen 41. Perfil Espectral de Vegetación dispersa

En comparación con Sentinel, en la imagen Landsat identificar las áreas donde la

vegetación se encuentra variada y dispersa, caracterizada por espacios de suelo
desnudo, presentó una menor dificultad. Además, en general, la imagen cuenta con
varios espacios con estas características.
• Vegetación 3: Zona de matorral.
De manera comparativa con lo anterior, se identifican grandes dificultades para
obtener este tipo de objetos espaciales dentro de la escena de la imagen. Además, se
buscan espacios que se destaquen por tonalidades bajas en clorofila y una textura
rugosa o con un estilo puntilloso.

Procesamiento Digital de Imágenes – 2024/3

 33

Imagen 42. Área de estudio para la caracterización de zonas de Matorral

Imagen 43. Perfil Espectral de Zona de matorral.

De manera comparativa, podemos observar en la imagen 44 las estrechas

similitudes entre las zonas de matorral y las de vegetación dispersa. Estas áreas fueron
identificadas utilizando la misma estrategia previamente descrita para Sentinel.

Imagen 44. Perfil Espectral de Vegetación dispersa y zona de matorral

• Agua: Laminas y Cursos de Agua.

En la identificación de cursos de agua no hubo gran problema en su reconocimiento.
Sin embargo, al buscar las láminas de agua o algún polígono fuera de los cauces del
río, esta tarea, además de ser poco práctica, representó una dificultad alta. Identificar
este tipo de objetos, que no suelen tener más de 20 o 40 metros de ancho, requería
revisar píxel por pixel, lo cual resultaba poco eficiente. Por ende, solo se deja
referenciada el área de entrenamiento de los cursos de agua.

Procesamiento Digital de Imágenes – 2024/3

 34

Imagen 45. Área de estudio para la caracterización de zonas de Agua

Imagen 46. Perfil Espectral de Zona de agua.

En consideración con la imagen 9 queda en constancia que las firmas tiene un

comportamiento similar, aunque con algunas inconsistencia por el tipo de material
que arrastra el rio en cuestión.

Procesamiento Digital de Imágenes – 2024/3

 35

• Nubes y sombras de nubes.

De manera similar que en Sentinel la identificación de la nubes y de sus sombras se
hace de manera muy intuitiva, en una combinación 5-4-3, se logra identificar de
manera casi que inmediata este tipo de objetos.

Imagen 47. Área de estudio para la caracterización de zonas de Nubes

Procesamiento Digital de Imágenes – 2024/3

 36

Imagen 48. Área de estudio para la caracterización de zonas de sombra

Imagen 49. Perfil Espectral de Nubes y Sombras.

Y, de manera similar al numeral anterior, las nubes se comportan como en la

imagen 9 (Stratus). Sin embargo, las sombras tienen una cierta inclinación,
presentando de manera suave una firma del suelo.

Teniendo en cuenta todo esto, podemos obtener la siguiente imagen, que recoge todas las
firmas espectrales.

Procesamiento Digital de Imágenes – 2024/3

 37

Imagen 50. Perfil Espectral De Clasificación en Landsat

Imagen 51. Clasificación en Landsat

En la imagen 51 se pueden observar problemas de clasificación, más exactamente que el

área de entrenamiento escogida para las nubes se comporta como vegetación. En general,
todas las nubes presentaron este inconveniente. Además, el tejido urbano nuevamente se ve
involucrado, puesto que, como se mencionó anteriormente, el problema del valor no
clasificado es una cuestión que dificulta un análisis coherente. A pesar de haber trabajado de
manera detallada para seleccionar las mejores áreas que resaltaran y representaran una
muestra de todos los objetos específicos, encontramos problemas en los suelos desnudos, que
de alguna manera se clasifican como tejido urbano.
Por otro lado, la imagen Landsat presentó una respuesta peor que la clasificación realizada
en Sentinel, por las razones ya mencionadas. Se intentó corregir el problema tomando

Procesamiento Digital de Imágenes – 2024/3

 38

diferentes áreas de entrenamiento, pero el resultado en general solo empeoraba con cada
intento.
¿Podría ser este un problema propio del sensor? Estas preguntas se relacionan con los
errores de clasificación, o quizá el nivel de procesamiento también esté involucrado. No se
encontró bibliografía que describiera este fenómeno. Sin embargo, una de las soluciones más
obvias a las que se llegó fue tomar diferentes áreas de entrenamiento de nubes, lo cual mejoró
el resultado

Imagen 52. Nubes en diferentes partes de la escena

Que como se puede observar, en 3 diferentes partes de la escena presenta discrepancias

notables al ser mismo objeto clasificable.
Agregando estas correcciones la imagen se ve en la imagen 53. También se realiza una
pequeña muestra de la clasificación contrastándola con una imagen en falso color en la
imagen 54
Para finalizar, se anexan las imágenes que fueron elementos comparativos para la adopción
de las áreas de entrenamiento. Se considera más práctico dejarlas al final para garantizar el
flujo y la coherencia, además de evitar la sobrecarga en las identificaciones de las áreas de
entrenamiento, facilitando su consulta en caso de ser necesario (imagen 55 e imagen 56)

Procesamiento Digital de Imágenes – 2024/3

 39

Imagen 53. Clasificación en Landsat corrección

Imagen 54. Comparación entre la clasificación y mejoramiento espectral Landsat

Procesamiento Digital de Imágenes – 2024/3

 40

Que como se puede observar también el problema con los cursos de agua, los cuales
tienen tendencias de suelo desnudo como se vio en su firma espectral con picos anormales.

Imagen 55. Imagen falso color 5-4-3 Landsat

Procesamiento Digital de Imágenes – 2024/3

 41

Imagen 55. PCA Landsat

Procesamiento Digital de Imágenes – 2024/3

 42

Conclusiones
Como se pudo evidenciar a lo largo del documento, se analizaron las capacidades y
limitaciones de los procesos de clasificación supervisada en los sensores más importantes a lo
largo de la historia, utilizando software libre. Esto se realizó mediante observaciones y
procesos de identificación de áreas de entrenamiento.
Los principales problemas de clasificación en los dos satélites estudiados se relacionaron
con la firma espectral de los suelos, la cual fue identificada de manera errónea en ciertas
áreas que no correspondían. Además, las sombras de las nubes y las nubes mismas generaron
las mayores dificultades en este tipo de clasificaciones. Este problema fue particularmente
notorio en Landsat, que presentó más conflictos en comparación con Sentinel, el cual mostró
mayor estabilidad en toda la escena frente a las variaciones de radiación electromagnética.
Por otro lado, identificar ciertos patrones fue complicado debido a la resolución espacial de
los sensores. Landsat, en particular, requirió un esfuerzo mayor durante un tiempo
prolongado en comparación con lo previsto inicialmente. Sentinel, por su parte, demostró un
desempeño más estable en términos de exactitud de clasificación, aunque esto no implica que
los resultados obtenidos sean los mejores posibles, solo que fueron menos problemáticos en
comparación con Landsat.
La calidad de los resultados estuvo directamente influenciada por la selección de las áreas
de entrenamiento. Se evidenció que no es óptimo elegir áreas muy pequeñas y específicas. Lo
ideal en este tipo de procesos es seleccionar áreas donde la variación de los elementos no sea
tan significativa, ya que la clasificación se somete a un número limitado de píxeles que no
siempre representan toda la información de un objeto.
El conocimiento adecuado sobre el uso de combinaciones de bandas y análisis de
componentes principales (PCA) para el mejoramiento espectral desempeñó un papel
fundamental. Aunque se logró cumplir el objetivo del documento, persiste la sensación de
insatisfacción debido a la escasa bibliografía disponible en estos procesos de teledetección.
Es necesario un enfoque interdisciplinario para resolver estas limitaciones. Por lo tanto, una
combinación de metodologías avanzadas, procesamiento optimizado y una sólida
comprensión teórica del software serán claves para superar estas dificultades en futuros
trabajos.

Procesamiento Digital de Imágenes – 2024/3

 43

Bibliografía
1. Ingeoexpert [@ingeoexpert2870]. (s/f). Firma espectral. Curso de SIG y
Teledetección aplicados a la gestión del medio litoral. Youtube. Recuperado el 23 de
noviembre de 2024, de [Link]

Procesamiento Digital de Imágenes – 2024/3