ÍNDICE

➤ INTRODUCCIÓN___________________5 ○​ Específicos
●​ MARCO TEÓRICO
➤ CAPÍTULO I: FIRMAS ●​ RESPUESTAS A LA GUIA
ESPECTRALES_______________________3 ●​ COMPOSICIONES DE COLOR
●​ INTRODUCCIÓN. ●​ ANÁLISIS DE RESULTADOS
●​ OBJETIVOS. ●​ CONCLUSIONES
●​ OBJETIVOS GENERALES.
●​ OBJETIVOS ESPECÍFICOS. ➤ CAPÍTULO IV - FILTROS___________25
●​ DESARROLLO ●​ INTRODUCCIÓN
○​ 1. Origen del sistema ●​ OBJETIVOS.
coordenado ○​ General
○​ 2. Firmas Espectrales ○​ Específicos
○​ Mejores Bandas para cada ●​ MARCO TEÓRICO
cobertura ●​ FILTROS
●​ CONCLUSIONES. ●​ ANÁLISIS DE RESULTADOS
●​ CONCLUSIONES
➤ CAPÍTULO II - CONTRASTE________10
●​ INTRODUCCIÓN ➤ CAPÍTULO VI - ÍNDICES DE
●​ OBJETIVOS VEGETACIÓN _______________________33
○​ General ●​ INTRODUCCIÓN
○​ Específicos ●​ OBJETIVOS
●​ MARCO TEÓRICO ○​ General
●​ RESPUESTAS A LA GUIA ○​ Específicos
●​ MEJORA DEL CONTRASTE ●​ MARCO TEÓRICO
●​ ANÁLISIS DE RESULTADOS ●​ ÍNDICES DE VEGETACIÓN
●​ CONCLUSIONES ●​ ANÁLISIS DE RESULTADOS
●​ APLICACIONES A LA INGENIERÍA
➤ CAPÍTULO III - COMPOSICIONES__18 CIVIL
●​ INTRODUCCIÓN ●​ CONCLUSION
●​ OBJETIVOS. ●​ BIBLIOGRAFÍA
○​ General
UNIVERSIDAD NACIONAL DE COLOMBIA

INGENIERÍA CIVIL

GEOMÁTICA APLICADA
Trabajo Final:
Procesamiento digital de imágenes de satélite

CONTENIDO:
- Introducción general:
Indicar cuáles imágenes se trabajaron, tipo de Satélite al que pertenecen,
características geográficas y climatológicas de la zona en estudio; incluir un mapa
de ubicación de la zona en estudio, dentro del departamento y del País.
Asimismo, se mencionarán los posibles usos o aplicaciones de las imágenes
satelitales, en proyectos de Ingeniería Civil.
- Artículo I: Firmas espectrales
- Artículo II: Mejoramiento del Contraste y estadísticas
- Artículo III: Composiciones de Color
- Artículo IV: Filtros
- Artículo V: índices de Vegetación
Contenido de cada Capítulo:
- Indice
- Objetivos
- Marco teórico de máximo una página
- Resultados generados y Análisis respectivos
- Conclusiones
- Bibliografía _ Enlaces WEB
La revista tendrá una Carátula alusiva al tema del procesamiento digital de
imágenes de satélite; asimismo, cada artículo relacionado con cada una de las
prácticas desarrolladas durante el semestre tendrá también una carátula
relacionada con el tema de la práctica.
Finalmente, cada grupo realizará un video mostrando y comentando el
contenido de la revista y las conclusiones generales del trabajo.
Fecha límite de entrega: vía correo electrónico a la dirección
[email protected], el 15 de noviembre del año en curso.
 Práctica 1: Firmas Espectrales

Juan Esteban Penagos Páez (1032509117)

Bogotá, Colombia
2023

Geomática aplicada
Universidad Nacional de Colombia
Departamento de Ingeniería Civil y Agrícola
Contenidos:
1.​ Introducción
2.​ Objetivos
a.​ General
b.​ Especificos
3.​ Desarrollo
a.​ Origen coordenado de bandas
b.​ Selección de zonas
c.​ Toma de datos
d.​ Valores de los Niveles Digitales por cobertura/ Banda
e.​ Firmas espectrales
4.​ Análisis de resultados
5.​ Conclusiones
 1.​ Introducción
El análisis espacial es un componente vital para el desarrollo cartográfico y descubrimiento
técnico del territorio, las herramientas actuales como satélites y sensores permiten la
interpretación y procesamiento digital de imágenes y firmas espectrales en función de la
reflectividad, el color, temperatura, composición, etc. Estos datos integrados a un software de
información geográfica y teledetección como lo es Idrisi, permiten el estudio de dichas imágenes
para determinar el comportamiento de la zona de estudio y desarrollar modelos acorde a sus
características espaciales geográficas.

2.​ Objetivos
General:
●​ Aplicar en Idrisi un análisis espectral de las diferentes coberturas presentes en las bandas
Landsat de Bogotá y establecer las relaciones teórico-prácticas de los resultados
Especificos:
●​ Analizar los niveles digitales de diferentes coberturas en las bandas correspondientes a
Bogotá (Landstat-7)
●​ Establecer las relaciones lineales entre la reflectancia y longitud de onda para las
diferentes coberturas estudiadas
●​ Comparar las firmas espectrales estándar con las obtenidas para la caracterización de las
diferentes coberturas
●​ Determinar las mejores prácticas y comportamientos para el estudio de fichas espectrales
en Idrisi Selva

3.​ Desarrollo
A.​ Origen coordenado de bandas
El origen del sistema de filas/columnas (0,0) y del sistema de coordenadas x/y de la imagen. para
el grupo de bandas Landsat está ubicado en la esquina superior izquierda como se indica en la
imagen y las respectivas propiedades de este punto;
 B.​ Selección de zonas:
Duplicar las capas y asignar diferentes
colores a cada una permitió la
caracterización de cada cobertura para
poder diferenciarlas y así seleccionar las
zonas de estudio según sus características
correspondientes, como se observa en la
imagen:

1.​ Mirador de Los Nevados (Árboles)

2.​ Zona residencial de Mazuren
(Asfalto)
3.​ Country Club (Pasto)
4.​ Mirador de La Calera (Suelo)
5.​ Humedal Juan Amarillo (Agua)
6.​ Salitre El Greco (Tejas metálicas)

En donde se identifica que las zonas con mayor reflectividad en colores amarillos y rojos están
relacionadas a zonas de concentración poblacional y de infraestructura mientras que las áreas
menos reflectivas en verde se componen de vegetación y suelos, además de las zonas oscuras
difuminadas que corresponden a cuerpos de agua.
 C.​ Toma de datos:
Después se identificaron las zonas con agua, pastos, árboles, concreto o asfalto y suelo
descubierto; tomando 3 datos de nivel digital para cada una de las coberturas y zonas con la
herramienta “Cursor inquiry mode”.

D.​ Valores de los Niveles Digitales por cobertura/ Banda

Después se calculó el Nivel Digital promedio para cada una de las coberturas terrestres por zona
promediando las 3 mediciones respectivas a cada una y determinando el rango de cada una de las
bandas para su longitud de onda
.

E.​ Firmas espectrales:

Se graficaron los niveles digitales promedio Vs. Bandas espectrales obteniendo las curvas
espectrales respectivas y determinando la relación práctica de los datos obtenidos, siendo el eje
X la longitud de onda en espectro electromagnético y el eje Y la reflectividad de los niveles
digitales.
Conociendo la firma espectral de la cubierta que necesitamos estudiar, podemos clasificarlas.
 ●​ Árboles ●​ Asfalto

●​ Pasto ●​ Tejas

●​ Suelo

●​ Concreto

●​ Agua

4.​ Análisis de resultados

Haciendo una comparativa teórico-práctica podemos observar que las firmas espectrales
obtenidas si tienen correlación con las teóricas. Los diferentes tipos de suelos tienen una notable
diferencia en la forma en cómo incide la energía en estos y su grado de reflectancia, siendo la
vegetación una de las que mayor energía absorbe, comparada a la nieve que refleja la mayoría de
energía.
 5.​ Conclusiones
Comprender y determinar la firma espectral es esencial si necesitamos diseñar instrumentos
que puedan detectar los rasgos reales de las cubiertas terrestres. El desarrollo de las actividades
vistas en cada uno de los puntos, permitió una mejor comprensión del comportamiento de las
coberturas terrestres en torno al espectro electromagnético.

Se observó que los niveles digitales de las bandas 1 y 2 ofrecen una mayor precisión en cubiertas
de árboles y agua. Lo anterior permite evaluar no solo las ventajas y desventajas de la
clasificación unianbada, sino la posibilidad de combinaciones que realmente permitan una mejor
discriminación de las cubiertas terrestres; el entender el comportamiento de la firmas espectrales
conlleva a una mejor toma de decisiones respecto a la banda empleada según el propósito del
análisis.

El ejercicio de generar las curvas espectrales para cada cobertura requiere hacer uso de los
elementos de interpretación visual para una correcta definición de éstas. Cuando en este
procedimiento se involucran datos externos de apoyo, como pueden ser interpretaciones o mapas
de cobertura elaborados por instituciones, se afianzan aspectos cómo son el entender que ciertas
coberturas pueden llegar a tener un rango de valores más amplio, evitando de esta manera,
muestras de pequeños grupos de píxeles con valores próximos entre sí. Este aspecto permite que,
en actividades siguientes como son la determinación de las zonas de entrenamiento para procesos
de clasificación supervisada, no se limiten al uso de espacios centrales y homogéneos dentro de
cada cobertura, lo cual aproxima a que las máscaras generadas se acerquen a una mejor exactitud
temática, aun cuando se exija más al algoritmo, aspecto en el que radica el desarrollo de estos
mismos. La asertividad en cuanto a la escogencia de las composiciones resulta vital para efectos
del apoyo de la percepción remota en proyectos de ingeniería, planeación y ordenamiento del
territorio.
 Práctica II: Contraste

Juan Esteban Penagos Páez (1032509117)

Bogotá, Colombia
2023

Geomática aplicada
Universidad Nacional de Colombia
Departamento de Ingeniería Civil y Agrícola
Introducción:
IDRISI 32, un software especializado, ofrece la capacidad de crear y examinar histogramas de
contraste de imágenes satelitales. Este proceso busca identificar la imagen más adecuada para la
observación detallada del terreno capturado en la fotografía correspondiente. En un documento
subsiguiente, se empleó el software IDRISI 32 para optimizar el contraste de las imágenes del
satélite LANDSAT-7. El objetivo era mejorar la distinción de detalles en las fotografías mediante
la aplicación de diversos métodos basados en estadísticas multibanda.

Objetivos:
●​ General:
○​ Optimizar la nitidez de dos capas de las capturas satelitales de Cajicá tomadas por
el satélite LANDSAT-7 utilizando la herramienta de software IDRISI para
mejorar el contraste.
●​ Específicos:
○​ Evaluar y comparar diversos métodos de realce de contraste para determinar cuál
ofrece mejores resultados.
○​ Analizar las disparidades entre los métodos de mejora de contraste aplicados a
una imagen específica mediante el estudio de histogramas y observaciones
visuales.
○​ Abordar las interrogantes formuladas en la guía de trabajo mediante un análisis
detallado.

Marco teórico:
El contraste se refiere a la disparidad de intensidad lumínica entre los tonos blancos y negros
presentes en una imagen (Mott Glosario, s.f.). Un alto contraste intensifica las sombras y las
tonalidades oscuras, haciendo que los tonos claros resaltan aún más. Por otro lado, un contraste
bajo reduce la intensidad de ambos tonos. Un ejemplo ilustrativo de contraste es una imagen a
contraluz, donde las sombras y las altas luces son los elementos predominantes (Rodríguez,
2018). En términos generales, al considerar una imagen como un conjunto de píxeles, se puede
identificar un punto máximo y mínimo, o una tonalidad más clara y otra más oscura. Si la
distancia entre estos puntos y/o tonalidades es pequeña, se puede concluir que el contraste de la
imagen es mayor, lo que indica una mejor calidad. Además, es importante destacar que existen
diversos tipos de contraste.
1.​ Por color: Juega con los colores complementarios y las variaciones de tono dentro de sus
matices.
2.​ Por tamaño: Contrasta los tamaños de tus objetos, por ejemplo si tu objeto es pequeño
agrega un complemento más grande para equilibrar los tamaños.
3.​ Por luminosidad: En este tipo de contraste, juega con los tipos de luz incluso con
ausencia de esta, dándole un significado profundo a la fotografía
4.​ Por significado: Este se da cuando ponemos un objeto opuesto al otro.
 5.​ Por formas: Aquí se usa el equilibrio para armar una fotografía con diferentes formas de
objetos.
6.​ Blanco y negro: donde se le da una mayor expresion al grado de contraste utilizando el
gris como punto medio
En una imagen capturada por un satélite como el LANDSAT 7, el contraste se evalúa
considerando los Niveles Digitales como puntos de referencia. Si la brecha entre los niveles
digitales máximos y mínimos es reducida, la imagen resultante carecerá de un contraste óptimo.
Además, los satélites tienen un rango específico de Niveles Digitales (0-255 en el caso del
LANDSAT 7), y se considera que una imagen tiene un contraste deficiente si no ocupa todo el
rango o ni siquiera se acerca a hacerlo. Toda la información sobre el rango de Niveles Digitales y
su distribución se puede visualizar a través de un histograma proporcionado por el software
IDRISI.

Respuestas a la guía:
●​ ¿Si la imagen HOW87TM4 tuviera un pixel con ND=0 y otro con ND=255 (y los
demás píxeles con los mismos niveles digitales que usted observó en el histograma), se
podría mejorar el contraste? Por qué sí o por qué no
La mejora del contraste sería factible, pero mediante métodos específicos. Esto podría lograrse a
través de una expansión lineal con saturación o mediante una expansión basada en la
ecualización de histogramas. Sin embargo, no sería posible mediante una expansión lineal, como
se explicará más adelante en el documento.
●​ ¿Cuáles son los ND mínimo y máximo en la imagen? ¿Qué observa en la forma de este
histograma? ¿Cómo explica que la función de autoescalamiento no mejora
significativamente el contraste?
Los valores de Nivel Digital (ND) mínimo y máximo en la imagen HOW87TM1 son 11 y 215,
respectivamente. Esto implica que al aplicar un autoescalado, que amplía los extremos de la
distribución, no se produce un cambio significativo en la imagen. La razón es que los valores
máximo y mínimo están cercanos a los extremos del rango completo, lo que limita la expansión
de los extremos de manera pronunciada, como se observa en la imagen HOW87TM4. Esta
limitación es evidente al examinar el histograma de la imagen, donde, a pesar de que los ND
estén acumulados entre 20 y 60, la imagen contiene valores más altos y más bajos. Esto dificulta
una mejora sustancial mediante un autoescalado.
●​ ¿Por qué el contraste empeora a medida que usted incrementa la cantidad de
saturación en el extremo inferior de la distribución?
Este fenómeno se produce al provocar una saturación en la imagen, lo que obliga a los niveles
digitales a elevarse; en este caso, un aumento excesivo en la saturación conlleva a una coloración
notablemente intensa de los colores puros de la imagen. Como resultado, es posible observar
algunos colores "irreales" que no están presentes en la fotografía original. Además, el aumento
de la saturación afecta al contraste de la imagen al obligar a los niveles digitales a reproducir un
mayor brillo, dando la impresión de que la imagen tiene ruido.
Mejora de contraste:
Para demostrar la mejora en la nitidez, se eligieron dos franjas de Cajicá capturadas por el
satélite LANDSAT 7, una correspondiente al espectro visible y la otra al infrarrojo (Banda 1 y
Banda 7). Se les aplicó tanto una expansión lineal básica como una expansión lineal con
saturación.

BANDA 1

Como se puede apreciar, en un primer vistazo la

Banda 1, identificada como "r_cajica1", presenta
un bajo contraste que dificulta la adecuada
visualización e interpretación de los diversos
elementos presentes en la imagen. Además, es
importante señalar que los Niveles Digitales (ND)
de esta banda tienen un rango de 0 a 255, lo que

sugiere que una expansión lineal podría no ser la

opción más adecuada en esta situación.

Cuando se realiza una ampliación básica en la Banda 1, no se observa ninguna mejora

significativa. Dado que la imagen original ya tenía un rango de ND (niveles digitales) entre 0 y
255, la expansión lineal no logró ampliar aún más estos niveles.
Esto se confirma al comparar los histogramas de las dos imágenes, donde no se aprecia ninguna
diferencia.

Por otro lado, al implementar una ampliación lineal con saturación, se observa un cambio
significativo. La imagen muestra un contraste mejorado, facilitando la interpretación de sus
diversos elementos. Es importante destacar que la ampliación se llevó a cabo con un porcentaje
del 1.5, valor considerado apropiado para esa banda específica. Al comparar los histogramas de
la imagen original y la procesada, se nota una expansión en los valores de ND entre 0 y
aproximadamente 250, un fenómeno buscado en este proceso. Vale la pena señalar que la imagen
exhibe cierto grado de borrosidad, una característica que no se atribuye a la ampliación lineal con
saturación, ya que este aspecto también está presente en la imagen original.
Nota: La ampliación lineal con saturación es un procedimiento que requiere especificar un
porcentaje de expansión, por lo que este porcentaje puede variar de una banda a otra. Se sugiere
un rango óptimo de entre 1 y 3 por ciento al aplicar este método. No obstante, el usuario puede
experimentar con valores fuera de este rango, siendo su responsabilidad determinar el mejor
valor para la banda en cuestión.

BANDA 7

En la Banda 7, identificada como "r_cajica7",

se observa un contraste deficiente, similar al
de la Banda 1. Los valores de ND están
concentrados en un intervalo bajo,
aproximadamente entre 0 y 80, abarcando

todo el rango posible de ND. Por lo tanto, se

infiere nuevamente que una expansión lineal
podría no ser la opción más adecuada para
realzar el contraste.
Como se mencionó previamente, este método no resulta óptimo para mejorar el contraste, dado
que la imagen original abarca un rango total de ND, lo que impide llevar a cabo una expansión
lineal de manera efectiva. De nuevo, al comparar los histogramas de ambas imágenes, no se
aprecia un cambio discernible entre ellas.

Al emplear una expansión lineal con saturación, se

percibe un cambio significativo en el contraste de
la imagen. Este proceso se implementó con un
porcentaje del 0.5: inicialmente se había
considerado llevar a cabo la expansión con un
porcentaje superior a 1.5, pero a medida que se

redujo el porcentaje, se observó un equilibrio en

el contraste. Además, al analizar el histograma, se
notó que los ND se ampliaron exitosamente sin
distanciarse demasiado entre sí, lo que resulta en un mejor contraste.

Análisis de resultados:
Inicialmente, las Bandas 1 y 7 exhiben un rango completo de Niveles Digitales, variando de 0 a
255. Este espectro sugería que aplicar una expansión lineal no conduciría a resultados óptimos;
de hecho, este enfoque no generó cambios discernibles en ninguna de las dos bandas. En
contraste, la implementación de una expansión lineal con saturación produjo resultados
impactantes en la mejora del contraste de las bandas. Esta estrategia amplió los Niveles
Digitales, evidenciándose claramente en los histogramas correspondientes a cada banda (consulte
las figuras 6 y 3).

Conclusiones:
En resumen, resulta evidente que las herramientas dedicadas al procesamiento de imágenes
satelitales desempeñan un papel crucial en la identificación de terrenos y en la toma de
decisiones estratégicas para nuestros proyectos prioritarios. En última instancia, la habilidad para
gestionar el contraste de manera adecuada emerge como un método altamente efectivo para
seleccionar la imagen satelital idónea que satisfaga nuestras necesidades analíticas y alcance con
éxito nuestros objetivos. En conclusión, la aplicación experta de estas tecnologías no solo mejora
la eficiencia, sino que también potencia la precisión en el ámbito de la teledetección,
consolidando su importancia en el panorama actual de la investigación y el desarrollo.
 Práctica III: Composiciones

Juan Esteban Penagos Páez (1032509117)

Bogotá, Colombia
2023

Geomática aplicada
Universidad Nacional de Colombia
Departamento de Ingeniería Civil y Agrícola
Introducción:
Las imágenes satelitales capturadas por LANDSAT 7 abarcan tanto el espectro visible como el
infrarrojo. Al enfocarnos en bandas específicas, podemos resaltar aspectos particulares en una
imagen. Para mejorar la visualización de detalles específicos, resulta beneficioso combinar varias
bandas. En este contexto, se empleó el Software Idrisi 32 para llevar a cabo estas combinaciones
y analizar los resultados. Este documento documenta el proceso y análisis de diversas
combinaciones de bandas de las imágenes satelitales de Cajicá obtenidas mediante LANDSAT.

Objetivos:
●​ General:
○​ Generar las composiciones de color mediante la combinación de diferentes bandas
espectrales y examinar detalladamente las imágenes capturadas.
●​ Específicos:
○​ Evaluar cuáles combinaciones cromáticas son más apropiadas para examinar
detalladamente la región geográfica bajo análisis.
○​ Generar diversas composiciones de color que posibiliten el estudio de variadas
coberturas del terreno.
○​ Reconocer elementos diversos presentes en las imágenes satelitales, procediendo
a clasificar y asignar un color específico a cada uno de estos elementos
identificados.

Marco teórico:
●​ Composición de Color: Se trata de una metodología utilizada en teledetección para
discernir diversos elementos presentes en la región capturada por la imagen satelital. Este
método se aplica para la identificación de elementos como la vegetación, cuerpos de agua
y otros componentes del territorio.
 ●​ ¿Como se obtiene una composición de Color?: Una composición de color se obtiene
combinando tres bandas de los canales rojo, verde y azul., RGB por sus siglas en Inglés.
Esta combinación nos dará como resultado, una imagen en falso color

Respuestas a la guía:
●​ Examine la composición de color obtenida y observe el mejoramiento obtenido respecto
a la visualización de las bandas originales. Indique las coberturas que reconoce en la
composición de color y señale los colores en que aparecen.

En la imagen 28, se distinguen claramente tres tipos

principales de coberturas. La primera, identificada
por su tonalidad "rojo-magenta", indica una
vegetación robusta o densa, abarcando áreas como
bosques, cultivos o prados. La segunda, en tonos
"azul-cian", representa zonas habitadas, como
ciudades o pueblos, destacándose una extensa área
urbana en la parte inferior derecha de la imagen. La
tercera cobertura, de tonalidad casi "negra", sugiere
presencia de agua, ya sea un río, canal, lago o
embalse. En la imagen no se aprecia una
interconexión entre estas fuentes hídricas, indicando
posiblemente su independencia.
Adicionalmente, se pueden distinguir coberturas menos evidentes, como áreas vegetales menos
densas y menos pobladas, así como pequeñas viviendas dispersas fuera del núcleo urbano. Estas
últimas muestran vegetación más ligera, representada por un tono "rosado".

Composiciones de color:
Se eligieron seis combinaciones cromáticas generadas a partir de las bandas 1, 2, 3, 4, 5 y 7 del
satélite LANDSAT_7 en Cajicá. Es importante destacar que se aplicó un procedimiento uniforme
a las seis composiciones, consistente en una composición cromática con una saturación del 2%.

●​ Composición RGB 321

La representación RGB 321 refleja

fielmente los colores originales de la
imagen, permitiendo así una percepción
auténtica de la zona geográfica en
cuestión.

●​ Composición RGB 432

La banda del infrarrojo cercano

desempeña un papel crucial en la
distinción entre el suelo y el agua en
imágenes satelitales. Además, su
capacidad para detectar la presencia de
clorofila permite la visualización de
variaciones en la vegetación,
manifestándose en tonalidades rojizas
(Jiménez, 2016). Los cuerpos de agua que
contienen sedimentos en suspensión se representan en tonos azul claro, mientras que aquellos
con bajos niveles de sedimentos aparecen en tonos azul oscuro. Las zonas urbanas y el suelo
expuesto, por otro lado, se destacan en la paleta de colores azules.

●​ Composición RGB 453

Esta composición permite la

diferenciación de la vegetación en
tonos marrones,
verdes y amarillos. Las áreas
urbanas y los suelos expuestos
aparecen en tonos de
azul claro, mientras que las áreas
inundadas y el agua aparecen en
tonos azul
oscuros. (Jiménez, 2016)

●​ Composición RGB 742

Los tonos de verde en la

representación de la vegetación se
deben a la presencia de la banda NIR
en la región verde del espectro. La
banda SWIR2, por otro lado, es
capaz de captar la humedad,
destacando especialmente los
minerales hidratados como las
arcillas, manifestándose en
tonalidades que van desde el rojo
hasta el naranja.

Las zonas urbanas se presentan en

tonos magentas, mientras que las
praderas se distinguen por tonalidades de verde claro. Desde un verde oliva hasta un verde
brillante, se pueden identificar áreas forestales, siendo los bosques de coníferas generalmente
más oscuros en comparación con los de hojas caducas (Jiménez, 2016).

●​ Composición RGB 541

La fusión de teledetección e
imágenes satelitales se revela como
una herramienta altamente
beneficiosa en el ámbito agrícola,
destacándose por su capacidad para
resaltar y reconocer de manera
sencilla la vegetación saludable, que
se manifiesta en un vibrante tono
verde.

●​ Composición RGB 754

Esta fusión no incluye ninguna

banda perceptible por el ojo
humano. Ofrece una penetración
atmosférica óptima. Las líneas
costeras y las orillas se presentan de
manera nítida. Se emplea para
identificar rasgos de textura y
niveles de humedad en el suelo. La
vegetación se representa en tonos
azules. (Adaptado de Jiménez,
2016)
Análisis de resultados:
Aunque las combinaciones de colores tienen diferentes propósitos e interpretaciones,
generalmente permiten distinguir diversas coberturas, algunas con mayor precisión que otras. Al
analizar la composición RGB 321 en Cajicá, se observa que una combinación que destaque la
vegetación y su estado, así como otra que diferencie claramente el área urbana de otras
coberturas, podrían ser especialmente útiles. En el primer caso, las composiciones RGB 742,
RGB 541 y, en cierta medida, la composición RGB 754 destacan eficazmente la vegetación
saludable. En cuanto al segundo caso, no se dispone de una composición específica entre las
mencionadas, pero sería de gran utilidad para un estudio detallado del casco urbano.

Conclusiones:

Las aplicaciones de las

composiciones de color son variadas,
destacando la capacidad de
proporcionarnos una representación
visual renovada. Esta nueva imagen
no solo nos ofrece la oportunidad de
observar, sino también de analizar
diversas tonalidades presentes en la
escena. Cada color resultante se
asocia a un elemento específico
capturado por las imágenes
satelitales. La elección de la paleta de
colores en la imagen influye en
nuestra capacidad para examinar con
mayor detalle los aspectos relevantes,
adaptándose a distintos propósitos
que asignemos a las fotografías.
 Práctica IV: Filtros

Juan Esteban Penagos Páez (1032509117)

Bogotá, Colombia
2023

Geomática aplicada
Universidad Nacional de Colombia
Departamento de Ingeniería Civil y Agrícola
Introducción:
Las imágenes satelitales, captadas desde el espacio, a menudo exhiben imperfecciones causadas
por diversos factores, como el ruido durante la adquisición, efectos atmosféricos, o incluso
errores y descalibraciones en los sensores. Para contrarrestar estos efectos, se recurre a los
filtros. El Software Idrisi 32 facilita la aplicación de una variedad de filtros a imágenes
satelitales.

Estos filtros emplean métodos para selectivamente suprimir o resaltar información en una
imagen, permitiendo descartar elementos no deseados o ocultar anomalías. Su función abarca
desde mejorar la visualización general hasta corregir pequeños defectos, como el efecto borroso
que puede afectar a algunas imágenes, mitigado eficazmente con filtros como el de "mediana".

En el contexto de este documento, se aplicaron cuatro tipos distintos de filtros a cuatro bandas
diferentes del espectro infrarrojo y visible. El objetivo es mejorar las imágenes y destacar los
efectos beneficiosos de estos filtros en la visualización de datos satelitales.

Objetivos:
●​ General:
○​ Optimizar la calidad de las imágenes satelitales mediante la aplicación de filtros
de paso bajo y paso alto, analizando detalladamente los resultados obtenidos.
Asimismo, se busca abordar la corrección de posibles imperfecciones presentes en
las imágenes procesadas, con el objetivo de obtener un conjunto final de datos
más preciso y visualmente mejorado.
●​ Específicos:
○​ Explorar y analizar los beneficios potenciales asociados con la aplicación de
diferentes tipos de filtros.
○​ Realizar una evaluación comparativa de diversos filtros con el fin de determinar
cuál sería más efectivo para mejorar las imágenes en cuestión.
○​ Definir y elucidar los posibles usos y aplicaciones de los filtros empleados en el
contexto de este estudio.

Marco teórico:

Según Emilio Chuvieco, un filtro constituye una técnica empleada para suavizar o resaltar el
contraste de imágenes, ajustándose a las necesidades de cada caso. Además, desempeña la
función de mitigar el ruido presente en imágenes satelitales debido a fenómenos atmosféricos o
limitaciones inherentes a los propios sensores (Chuvieco, 1991).

Los filtros se clasifican en dos categorías principales: filtros de paso bajo y filtros de paso alto.
 ●​ Filtros de paso bajo: se centran en suavizar una imagen al simular el valor de píxeles
vecinos, homogeneizando así la variabilidad espacial de la escena. Además, pueden
utilizarse para corregir errores aleatorios en los valores de píxeles, proporcionando
opciones como el Filtro de la media, de la media ponderada, de la mediana y Gaussiano.

●​ Filtros de paso alto: buscan atenuar las bajas frecuencias de una imagen, realzando sus
detalles. Este tipo de filtro aísla componentes de alta frecuencia y refuerza los contornos
entre áreas homogéneas, destacando cualquier discontinuidad. Ejemplos de filtros de paso
alto incluyen el Filtro de sustracción de la media, High Boost, filtros basados en
derivadas, filtros de detección de bordes y el filtro de realce de borde laplaciano.

La elección entre un filtro de paso bajo o paso alto depende de la naturaleza de la imagen a
analizar, considerando sus características y funciones específicas.

Además, surgen las matrices de filtros direccionales, las cuales refuerzan líneas y estructuras que
sigan orientaciones particulares. A continuación, se presentan estas matrices de filtraje, extraídas
del libro "Fundamentos de teledetección espacial" por Emilio Chuvieco. Estas matrices ofrecen
opciones adicionales para personalizar el tratamiento de imágenes satelitales según las
necesidades del análisis y estudio.

Filtros:
Se eligieron dos bandas del espectro visible y dos del infrarrojo (1-2 y 4-7, respectivamente) para
demostrar el uso de filtros en la mejora de imágenes satelitales. Cada banda fue sometida a
cuatro tipos de filtros distintos: Sobel Edge Detector, Mean, Mode y High Pass, aplicados
individualmente, sumando un total de 16 filtros. Es esencial destacar que todos los filtros se
implementaron utilizando una matriz de 3x3. A continuación, se presentan los resultados
obtenidos, revelando cómo estos filtros contribuyen a la mejora de la información visual en las
imágenes satelitales.

Adicionalmente, los filtros desempeñan un papel crucial en la resolución de problemas

específicos, como la detección de bordes con el Sobel Edge Detector, la mejora del contraste
con el filtro High Pass, y la suavización de la imagen con los filtros Mean y Mode. Este
enfoque exhaustivo en el análisis es fundamental para comprender cómo los filtros pueden
optimizar la interpretación y utilidad de las imágenes satelitales en diversas aplicaciones, desde
la cartografía hasta la monitorización ambiental.

Aplicación:
Análisis de resultados:
Al momento de analizar los filtros obtenidos se evidencia un patrón entre los distintos tipos de
filtros y las bandas aplicadas. Por ejemplo: se evidenció una pérdida de contraste y de detalles al
momento de aplicar un filtro High Pass en todas las bandas, sin embargo en la banda 4 se vio una
posible utilidad para analizar vías.
Por otra parte se evidencio que el filtro Sobel Edge Detector de alguna forma “suavizaba” la
imagen por medio de denotar en gran medida los bordes de figuras claras en la imagen, lo que
podría permitir una mejor interpretación de áreas grandes. Se evidencio que el filtro de la media
suavizaba la imagen de una forma negativa, quitándole nitidez a la misma y por ende haciéndola
más borrosa.

Finalmente se observó que el filtro de la moda reducía el número de píxeles de la imagen, ya que
al momento de comparar el filtro con las imágenes originales se observaba con si se le hubiera
reducido el tamaña de los píxeles, sin embargo se conservó de cierta forma las diferencias entre
las distintas coberturas de la imagen, lo que permite un estudio de las mismas. A continuación se
presenta un cuadro comparativo con los análisis de todos los filtros aplicados a las bandas.

Conclusión:
En resumen, la aplicación de diversos filtros a imágenes satelitales permite ajustar de manera
más efectiva diversas cualidades de las imágenes que presentan irregularidades o
imperfecciones. Además de esto, se ha observado un patrón consistente en la aplicación de filtros
a cada banda, ya sea en el espectro visible o infrarrojo. Se destacaron algunos filtros que
mostraron resultados superiores, como el filtro Sobel Edge Detector, que demostró utilidad al
diferenciar coberturas en las imágenes y mejorar su calidad al resaltar detalles de manera más
efectiva que otros filtros, como el High Pass.

En el contexto específico de las imágenes satelitales, la aplicación de estos filtros tiene como
objetivo principal mejorar la calidad visual, permitiendo una observación más detallada de los
elementos presentes en las fotografías aéreas. La elección entre un filtro de paso bajo o uno de
paso alto dependerá de la cualidad que se desee mejorar. Por ejemplo, para un mayor
reconocimiento de los límites de los elementos visualizados, se recomienda aplicar el filtro
"Detector de Bordes". Adicionalmente, se destaca que los filtros "media y moda" proporcionan
un ligero mejoramiento en la visión de los elementos, aunque este cambio no es tan evidente en
comparación con la imagen original. Estos filtros también se utilizan para suavizar el ruido
presente en la imagen.

Finalmente, la variedad de filtros disponibles brinda flexibilidad para abordar diferentes aspectos
de mejora en las imágenes satelitales, permitiendo un análisis más detallao y preciso de cada
elemento capturado en estas fotografías aéreas.
Práctica V: Índices de vegetación

Juan Esteban Penagos Páez (1032509117)

Bogotá, Colombia
2023

Geomática aplicada
Universidad Nacional de Colombia
Departamento de Ingeniería Civil y Agrícola
Introducción:
Las imágenes satelitales desempeñan un papel esencial en el análisis y estudio de la vegetación,
proporcionando información detallada sobre su naturaleza, ubicación y estado. Con el fin de
facilitar este proceso, se recurre al uso de herramientas digitales para resaltar la vegetación en las
imágenes satelitales.

IMG 1: Tomado de “Apuntes de Teledetección”, Muñoz Aguayo, 2013, CIREN

En este contexto, el presente documento emplea el software Idrisi 32 para aplicar índices de
vegetación a tres conjuntos de imágenes LANDSAT 7 - Cajicá. Este enfoque se lleva a cabo
mediante tres procesos distintos, con el objetivo principal de resaltar y identificar los diversos
parches de vegetación presentes en las fotografías satelitales.

Los índices de vegetación utilizados ofrecen una visión más precisa y detallada de la
distribución y salud de la vegetación en la región analizada. Estos índices pueden incluir, entre
otros, el Índice de Vegetación de Diferencia Normalizada (NDVI) y el Índice de Vegetación
Mejorado (EVI), los cuales proporcionan información valiosa sobre la cantidad y la salud de la
vegetación, permitiendo así un análisis más profundo y específico de la cobertura vegetal en el
área de interés. Este enfoque avanzado no solo facilita la identificación de parches de vegetación,
sino que también contribuye a la comprensión más completa de la dinámica vegetal en el paisaje
capturado por las imágenes satelitales.

Objetivos:
●​ General:
○​ Identificar y aplicar índices de vegetación en un par de fotografías aéreas con el
propósito de mejorar la precisión en el análisis de la cobertura vegetal. Se busca
emplear índices especializados, como el NDVI y EVI, mediante herramientas
 digitales y software avanzado, para obtener una representación más detallada de la
distribución y salud de la vegetación en las imágenes satelitales.
●​ Específicos:
○​ Determinar el índice de vegetación más apropiado para resaltar características
específicas en un par de imágenes satelitales.
○​ Examinar la ubicación y estado de los parches de vegetación identificados en las
imágenes mediante la aplicación de índices específicos.
○​ Comprender las aplicaciones potenciales de resaltar índices de vegetación en
imágenes satelitales, explorando las utilidades y beneficios que esta técnica puede
ofrecer en el análisis y estudio de la vegetación.

Marco teórico:
Los Índices de Vegetación se destacan como herramientas cruciales en la mejora de imágenes
satelitales al combinar diversas bandas espectrales registradas por los satélites de Teledetección.
Su principal función radica en resaltar la cubierta vegetal al considerar su respuesta espectral y,
al mismo tiempo, atenuar detalles de otros componentes, como el suelo y la iluminación.

IMG 2: Ejemplificación de índices

Estos índices son el resultado de operaciones algebraicas entre dos bandas espectrales, que
pueden pertenecer tanto al espectro visible como al infrarrojo. Es importante señalar que la
combinación de estas bandas no está necesariamente predeterminada, aunque existen
combinaciones específicas que ofrecen resultados particulares y precisos.

Dentro de la amplia gama de índices de vegetación disponibles, uno de los más utilizados y
relevantes es el NDVI. Este índice se emplea para estimar la cantidad, calidad y desarrollo de la
vegetación mediante la medición de la intensidad de radiación en ciertas bandas del espectro
electromagnético que la vegetación emite o refleja. Otros índices valiosos incluyen el EVI
(Índice de Vegetación Mejorado), SAVI (Índice de Vegetación Ajustado al Suelo), ARVI (Índice
de Vegetación Resistente a la Atmósfera), GCI (Índice de Clorofila Verde), SIPI (Índice de
Pigmentación Insensible a la Estructura) y NBR (Índice de Calcinación Normalizado).

IMG 3: Interpretación de índices

En la aplicación práctica de estos índices, se abre la puerta a una variedad de análisis, desde la
evaluación de la salud de la vegetación hasta la detección de cambios ambientales. Esta
diversidad de índices permite adaptarse a diferentes objetivos y proporciona una visión más
completa y detallada de las condiciones de la vegetación en entornos satelitales.

Índices de vegetación:
Con el objetivo de potenciar la utilidad de imágenes satelitales, se eligieron tres parejas de
bandas (3,4 - 3,5 - 3,7) para la aplicación de índices de vegetación, específicamente el NDVI,
TTVI y NRVI. Este enfoque generó un conjunto de 9 imágenes resultantes, cada una destacando
diferentes aspectos de la vegetación y la salud de las plantas.

Adicionalmente, al analizar estas imágenes, se optó por desplegarlas utilizando la paleta de filtro
estándar proporcionada por IDRISI. A diferencia del filtro NDVI, que puede ofrecer una imagen
más nítida pero no resalta de manera significativa los índices de vegetación en comparación con
el filtro estándar, esta elección se basó en maximizar la visibilidad y la interpretación de la
información vegetal presente en las imágenes satelitales.

Esta estrategia de emplear índices de vegetación no solo permite una mejor comprensión de la
distribución y salud de la vegetación, sino que también facilita la identificación de áreas de
interés para aplicaciones como la agricultura, la gestión ambiental y el monitoreo del cambio en
el uso del suelo. La combinación de índices y paletas de filtros optimizadas contribuye así a una
interpretación más precisa y valiosa de las imágenes satelitales en diversos contextos.
Análisis de resultados:
Al emplear el Índice NDVI para mejorar imágenes satelitales, se evidencia una notable
homogeneización de la imagen, logrando niveles visuales más uniformes y una apariencia
visualmente agradable. Sin embargo, esta mejora estética puede afectar la capacidad de resaltar
elementos específicos en la fotografía. Contrariamente, al aplicar el Índice NRVI, se enfatizan
los bordes de los elementos, proporcionando una visualización más nítida y brusca de la imagen.

En el caso del Índice TTVI, se observa una reducción de la presencia del color verde,
acompañada de una disminución en los tonos cálidos como rojos, amarillos y naranjas. Este
efecto se debe a la naturaleza del índice, que corrige la saturación de los tonos verdes, ofreciendo
una representación más precisa de la vegetación.

Es interesante destacar que las imágenes mejoradas con el Índice NDVI son especialmente
efectivas para identificar la salud de la vegetación, ya que este índice es sensible a los cambios
en la cobertura vegetal, proporcionando una información más detallada en las fotografías
satelitales. Este enfoque integral en el uso de índices de vegetación amplía la comprensión de
cómo estas herramientas específicas pueden optimizar la interpretación y utilidad de las
imágenes satelitales, especialmente en el contexto del monitoreo ambiental y la evaluación del
estado de la vegetación.

Aplicación a la ingeniería civil:

Los índices de vegetación desempeñan un papel crucial en nuestra carrera al mejorar el análisis
de imágenes satelitales con el objetivo de estudiar, analizar, observar y tratar el terreno de
manera más precisa. Estas imágenes proporcionan una visión detallada del relieve de la zona,
permitiendo la identificación de características específicas, como variaciones en el terreno.
Además de revelar detalles artificiales, como construcciones humanas, cuerpos de agua y
vegetación, estas imágenes se convierten en herramientas esenciales para la toma de decisiones
en proyectos de ingeniería civil.

La aplicación de cálculos matemáticos y software especializado en el análisis de índices de

vegetación brinda una comprensión más profunda de la vegetación presente, la salud de los
cultivos y otros aspectos cruciales del entorno geográfico. Esta información detallada es
invaluable para la planificación y ejecución de proyectos de ingeniería civil, ya que permite una
toma de decisiones informada basada en la comprensión completa de la zona de trabajo. En
resumen, la integración de índices de vegetación en la ingeniería civil no solo optimiza la calidad
de las imágenes satelitales, sino que también potencia la eficacia y precisión en la
implementación de proyectos.

Conclusión:
El análisis de la vegetación es esencial para evaluar, analizar y monitorear los recursos naturales,
así como la calidad y salud de las masas vegetales en una determinada zona. En este contexto,
los avances tecnológicos contemporáneos permiten aprovechar las imágenes satelitales como una
valiosa fuente de información sobre elementos naturales, ofreciendo insights sobre la salud,
crecimiento, evolución y reproducción de la vegetación, entre otros aspectos relevantes.

Particularmente, el uso de Índices de Vegetación emerge como una herramienta crucial en el

procesamiento de imágenes satelitales. Estos índices, como el NDVI, proporcionan medidas
cuantitativas de la salud vegetal, permitiendo una evaluación más precisa y detallada. La
utilización de software avanzado, como IDRISI, facilita el acceso rápido y eficiente a estos
datos, convirtiéndose en una herramienta indispensable para la realización de análisis más
profundos y completos.

En resumen, este informe destaca la riqueza de información contenida en las imágenes digitales,
enfatizando la importancia de los Índices de Vegetación y el papel crucial de herramientas como
IDRISI en el procesamiento y análisis de imágenes satelitales para comprender mejor la
dinámica y la salud de la vegetación en un entorno específico.