Análisis Multitemporal de la Cuenca del Río Nus, Antioquia, Colombia.

Ingeniería Catastral y Geodesia • Universidad Distrital Francisco José de Caldas • Diciembre 2014

Análisis Multitemporal de la Mineríaen el cauce de río Nus entre 1986 y

2014Multitemporal Analysis of the Minery in the riverbed of the River Nus between 1986 and 2014

Stiven Yezid Gómez Parraa,b, David Alejandro Martínez

a,c

aFacultad de Ingniería, Universidad Distrital Francisco José de [email protected], [email protected]

Resumen

En la actualidad la minería es uno de los mayores problemas ambientales en Colombia, másaún si esta se desarrolla cerca a las vertientes hídricas del país. Este atículo aborda los métodos,procesos, herramientas y propuestas teóricas, propios del Procesamiento Digital de Imágenes, pararealizar un análisis multitemporal del cambio físico−ambiental causado por los procesos minerosen una determinada zona del país, la cual en este caso será el Río Nus en las estribaciones deSan Roque y Yolombó, Antioquia, Colombia; esto entre los años 1986 y 2014. Se presentará comoresultado final las variaciones en las coberturas de la zona con la ayuda de un mapa temático.

Palabras clave: Clasificación, índice, tranformación, error de omisión, error de comisión, matrizde confusión, mapa temático.

Abstract

Actually mining is one of the biggest environmental problems in Colombia, even if it developsclose to the water springs in the country. This paper addresses the methods, processes, toolsand theoretical proposals, own of the Digital Image Processing, for a multitemporal analysis ofphysical−environmental change caused by mining processes in a particular area of the country,which in this case is the River Nus in the foothills of San Roque and Yolombó, Antioquia, Colombia;that between 1986 and 2014. The changes in the coverage of the area are going to be presented asa final result, with the help of a thematic map.

Keywords: Classification, index, transformation, omission default, commission default, confusionmatrix, thematic map.

c© 2014 Universidad Distrital Francisco José de Caldas. Todos los Derechos Reservados.

1

Ingeniería Catastral y Geodesia Stiven Yezid Gómez• David Alejandro Martínez

I. Introducción

La minería ha sido uno de los temas máspreocupantes y agobiantes de las últi-mas décadas, sobretodo cuando al tema

medio-ambiental se refiere, sin dejar de ladola infuencia que ella ejerce sobre a los temaspolíticos, económicos, sociales y culturares anivel mundial. La industria minera se basaen la extraccón de minerales no renobales, lacual requiere de una intensiva actividad deexploración para sostener la demanda de di-chos recursos y ya que ello afecta de manerasignificativa el ambiente, es necesario realizaranálisis detallados que muestren el desarrollode la industria, cuantificando los efectos porella causados y de esta manera tomar medidasde prevención o mitigación de dichas conse-cuencias.

Antioquia es una de las regiones de mayorproducción minera del país, en donde munici-pios como Yolombó y San Roque se destacanpor dichas prácticas; sin embargo lo que másllama la atención es que esta práctica se estéllevando a cabo cerca a los cauces de los ríos,como el río Nus; lo cual genera grandes efectosambientales tanto para la región como para elpaís. Es por esta razón (aunque no la única)que es necesario realizar una cuantificación delas áreas afectadas y de las consecuancias gen-eradas a través del tiempo por esta industria.

1. Área de estudio y contexto

La cuenca del río Nus es de 850,51 Km2 y seextiende en un 42,5% del área en la región deCornare (361.46 Km2), donde comprende losmunicipios de Santo Domingo y San Roque,y un 57,5% del área en jurisdicción de Coran-tioquia (489.05 Km2), correspondiente a losmunicipios de Cisneros, Yolombó, Maceo,Caracolí, Puerto Nare y Puerto Berrío, concarácter transicional entre el Nordeste y elMagdalena Medio antioqueño. La economíade los habitantes de la cuenca ha sido la min-ería y el comercio, y la agricultura basada en

el cultivo de la caña, ganadería y explotaciónde oro, la zona se caracteriza por un altogrado de concentración de la propiedad de latierra.(MinAmbiente,2014)

El Municipio de San Roque, está ubicadoentre las cuencas de los ríos Nus y Nare conunas coordenas aproximadas de 6◦29’07"N y75◦01’11"W, el municipio se encuenra ubicadoen el nordeste antioqueño (Véase Imagen 1),limita por el norte con Yolombó y Cisneros;por el oriente con Maceo y Caracolí; por el surcon San carlos, San Rafael y Alejandría y porel Occidente con Santo Domingo.

La extención total del municipio es de 441Km2; el municipio se encuantra a 1475 m.s.n.m.y su temperatura promedio es de 21◦C. La min-ería practicada en la región es la de veta y la dealuvión, en donde el dragado de cauces, gen-era alteraciones importantes en la calidad delagua, al involucrar grandes concentraciones demercurio y cianuro, no solo contamina agua ysuelos sino que generan patologías graves enla población involucrada.(Alcaldía San Roque,2014)

Imágen 1: División Administrativa de Antioquia, SanRoque. Fuente: Elaborado por los Autores.Datos (GADM, 2014)

2 Ingeniería • Universidad Distrital Francisco José de Caldas

Análisis Multitemporal de la Minería en el cauce de río Nus entre 1986 y 2014.

II. Marco Teórico

Ya que el objetivo propuesto ha sido realizarel análisis y cuantificación del área afectadapor la minería a cielo abierto en la cuenca delrío Nus en el municipio de San Roque; se de-cidió realizar una transformación de Compo-nentes Principales (PC), el Índice DiferencialNormalizado de Vegetación (NDVI), el ÍndiceDiferencial Normalizado de Agua (NDWI) y latransformación Tasseled Cap.

1. Componentes Principales

Es una técnica para comprimir datos multi-dimensionales, mediante una transformaciónlineal de tal manera que los datos tranforma-dos no se esten correlacionados; el primercomponente tiene la mayor parte de la varianamientras que la varianza restante es asignadaen proporciones decrecientes a los siguientescomponentes, (Yildirim et al., 1995). Esta trans-formación implica una reducción de la dimen-sionalidad de los datos originales así, algunosde estos componentes son suficientes para rep-resentar adecuadamente las fuentes ocultasde la variabilidad en el proceso, (Alvarez etal.,2012).

La idea principal de la transformación porcomponentes principales, es realizar el cálculode los nuevos valores para una matriz X confor-mada por el valor de cada píxel de la imágena transformar, haciendo uso de la matriz decovarianzas de dicha imagen, de la siguientemanera:

Y = WT ∗ X (1)

Y1Y2...

Yi

=

ϕ1,1 ϕ1,2 · · · ϕ1,iϕ2,1 ϕ2,2 · · · ϕ2,i

......

. . ....

ϕi,1 ϕi,2 · · · ϕi,i

T

∗

X1X2...

Xi

(2)

φi ∗ [COVx − λi ∗ I] = 0 (3)

|COVx − λ ∗ I| = 0 (4)

Uno de lo componentes de análisis másimportantes es a Matriz de Factores de Carga,esta matriz muestra la correlación que tienecada uno de los componentes resultantes dela transformación con cada una de las bandasoriginales, así:

Rpk =apk ∗

√λp√

Vark(5)

En donde apk es el autovector de la banda ky el componente p; λp es el p-ésimo autovalory Vark es la varianza de la banda k original.

2. Tasseled Cap

La transformación Tasseled Cap desarrolladopor Kauth-Thomas (Baig et al.,2014) está dis-eñada para analizar y representar cambios devegetación y de desarrollo urbano detectadospor diversos sistemas de sensor de satélite. Seconoce como la transformación Tasseled Capdebido a la forma de la distribución gráfica delos datos(Véase Imagen 2). Fue desarrolladaen 1976 por R. J. Kauth y G. S. Thomas delInstituto de Investigación Medioambiental deMichigan (ERIM). La utilidad de esta trans-formación se ha ampliado al seguimiento delos cultivos para al análisis y la representacióncartográfica de la vegetación, para apoyar unagran variedad de aplicaciones, como la silvi-cultura, la gestión de vegetación industrial,la representación cartográfica y la gestión deecosistemas, el inventario y el control del ais-lamiento del carbono, el desarrollo urbano, ymuchas más.

Ingeniería • Universidad Distrital Francisco José de Caldas 3


Imágen 2: Gráfico explicativo de la Transformación Tas-seled Cap.Fuente: (Baig et al.,2014)

Su formulación es la siguiente:

H =6

∑k=1

CkH ∗ pk (6)

En donde H es el componente de la trans-formción, k indica la banda, C es el coeficientede transformación (Tabla 1, par a LandSat 5)(Tabla 2, para LandSat 8) y p el píxel de labanda.

3. Índice Diferencial Normalizado deAgua (NDWI)

En inglés Normalized Difference Water Index(Gao, 1996) emplea la banda del infrarrojocercano NIR y de los infrarrojos medios SWIR .Se usa para determinar el contenido de aguaque hay en la vegetación o para determinar lasaturación de humedad que tiene el suelo.

Aquí se usa una banda en la que podamosobtener la mayor absorción de agua, por locual el agua tendrá valores positivos ya queabsorbe más luz, el valor del pixel por consigu-iente va a tener el valor de 1. Caso contrariopasa con la vegetación o con los suelos ya quereflejan una mayor cantidad de luz. El NDWItiene uso extendido en ciencias ambientales ehídricas, ya que brinda información relevantepara utilizar en modelos de balance hídricos,predicción climática, entre otros.

La formulación matemática de este índicees:

NDWI =NIR− SWIRNIR + SWIR

(7)

4. Índice Diferencial Normalizado deVegetaación NDVI

El índice NDVI, se usa para estimar con mayorclaridad la densidad de vegetación. Las plantasabsorben radiación solar en la región del espec-tro de radiación fotosintética, esta es usada porla planta, como fuente de energía para poderllevar a cabo el proceso de la fotosíntesis. Esteproceso se percibe en la banda del infrarrojocercano NIR (ArcGis, 2014).

La ecuación que se usa en este caso paraidentificar la vegetación mediante el NDVI esla siguiente:

NDVI =NIR− REDNIR + RED

(8)

En donde las variables RED y NIR estándefinidas por las medidas de reflexión espec-tral adquiridas en las regiones del rojo e in-frarrojo cercano, respectivamente. Estas reflex-iones espectrales son en sí cocientes de la ra-diación reflejada sobre la radiación entranteen cada banda espectral individual; por tanto,éstos toman valores entre 0.0 y 1.0. El NDVIvaría como consecuencia entre -1.0 y 1.0.

5. Clasificación Supervisada

La clasificación es el método por medio delcual se asigna un número de individuos aun número determinado de categorías; en elcaso del procesamiento digital de imágenes losindividuos que se clasificaran son lo píxelesde la imágen y las categorías son las claseso coberturas que define el usuario; para ellose debe tener en cuanta que el número deindividuos siempre es mayor que el númerode categorías definidas.

Uno de los algoritmos de clasificación másefectivos y que será implementado en este estu-dio, es el algoritmo de clasificación por Máxima



Matriz de Cofactores LandSat 5 TM

Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6Brillo 0.2909 0.2493 0.4806 0.5568 0.4438 0.1706

Verdor -0.2728 -0.2174 -0.5508 0.7221 0.0733 -0.1648Humedad 0.1446 0.1761 0.3322 0.3396 -0.6210 -0.4186

Tabla 1: Matriz de Cofactores LandSat 5 TM. Fuente: ERDAS IMAGINE 2013

Matriz de Cofactores LandSat 8

Banda 1 Banda 2 Banda 3 Banda 4 Banda 5 Banda 6Brillo 0.3029 0.2786 0.4733 0.5599 0.508 0.1872

Verdor âLŠ0.2941 âLŠ0.243 âLŠ0.5424 0.7276 0.0713 âLŠ0.1608

Humedad 0.1511 0.1973 0.3283 0.3407 âLŠ0.7117 âLŠ0.4559

Tabla 2: Matriz de Cofactores LandSat 8. Fuente: (Baig et al.,2014)

Verosimilitud; este es un algotitmo de clasifi-cación paramétrico el cual considera que elcomportamiento de las clases es el de una dis-tribusción normal; utilizando el promedio delas clases y la matriz de covarianza de la imá-gen, con lo cual crea criterios de desición paralos píxeles.6. Especificaciones de los Sensores

Para realizar el análisis que en este documentose presenta, las imágenes de satélite utilizadasfuerón obtenidas del Programa LandSat de laNasa, las misiones que se escogieron fueronLandSat 5 TM y LandSat 8 OLI. Misiones paralas cuales se muestran sus especificaciones semuestran en las Taablas 3 y 4, respectivamente.

Resolución LandSat 5 TM

Espectral) Espacial Rad. Temp.Banda µ metros bits díasAzul 0.45-0.52 30 8 16Verde 0.52-0.60 30 8 16Rojo 0.63-0.69 30 8 16NIR 0.76-0.90 30 8 16

SWIR 1 1.55-1.75 30 8 16Termal 10.4-12.5 120 8 16SWIR 2 2.08-2.35 30 8 16

Tabla 3: Especificaciones LandSat 5 TM. Fuente:(NASA,2014)

Resolución LandSat 8 OLI

Espectral) Espacial Rad. Temp.Banda µ metros bits díasCoastal 0.433-0.453 30 16 16

Azul 0.450-0.515 30 16 16Verde 0.525-0.600 30 16 16Rojo 0.630-0.680 30 16 16NIR 0.845-0.885 30 16 16

SWIR 1 1.560-1.660 30 16 16SWIR 2 2.100-2.300 30 16 16Panc. 0.500-0.680 15 16 16Cirrus 1.360-1.390 30 16 16

Tabla 4: Especificaciones LandSat 8 OLI. Fuente:(NASA,2014)

III. Materiales y Datos

Las imágenes utilizadas durante todo elproceso de análisis multitemporal fueronobtenidas del Servicio Geológico de los Esta-dos Unidos (USGS) a través de la plataformaonline Earth Explorer; para ello se descargarondos imágenes de la zona, una de 1986 y otradel 2014. Las imágenes se muestran a con-tinuación (Imágen 3 y 4, respectivamente) enuna combinación de color RGB 4,5,6; la cuales la combinción con mayor OIF siendo estede 75,2499. Esta combinación de color permiterealizar una discriminación de las diferentes



coberturas como vegetación, agua y suelos min-erales.

Imágen 3: Zona de estudio, Imágen LandSat 5 TM,RGB(4,5,6). Fuente: Elaborado por lo au-tores, Datos (USGS, 2014)

Imágen 4: Zona de estudio, Imágen LandSat 8 OLI,RGB(4,5,6). Fuente: Elaborado por los au-tores, Datos (USGS, 2014)

IV. Metodología

Para cumplir el propósito del análisis multitem-poral, identificar y cuantificar el área afectadapor minería a cielo abierto en la cuenca delrio Nus, sedebió ejecutar o cumplir con unaserie de pasos los cuales se ilustran a través deldiagrama de flujo presentado a continuación(Véase Imagen 5).

Imágen 5: Diagrama de Flujo del Proceso de AnálisisMultitemporal. Fuente: Elaborado por losautores.

1. La adquisición de los datos, en estecaso las imágenes se realiza mediante ladescarga de las mismas a través de lapágina web del USGS, Earth Explorer; lasimágenes corresponden al municipio deSan Roque con Path 9 y Row 56. Lasimágenes escogidas de los años 1986 y2014 se seleccionaron mediante un filtrode Could Cover (cobertura de nubes) in-ferior al 20% para que de esta manera lavisibilidad sobre la zona de estudio fuerade mayor calidad. La imágen de Junio de1986 fué tomada por el sensor LandSat 5TM y la de Agosto de 2014 por el sensor



LandSat 8.

2. Luego de realizar la descarga de las imá-genes se procede a crear la imágen multi-espectral, esto con la ayuda del softwareERDAS 2013; en donde con la ayuda dela herramienta LayerStack se realiza elprocedimiento y luego de ello se procedea realizar el corte de la zona de estudio odel área que la contenga.

3. Para realizar la calibración de la imágen,es decir pasar de niveles digitales NDa reflectancia aparente pλ, se realiza unmodelo con la herramienta Model Makerde ERDAS, que me permita realizar esteproceso (Véase Imagen 6). En el caso dela calibración de la imágen tomada porel sensor LandSat 8 este proceso es mássencillo, puesto que el paso a radianciano se debe realizar.

4. Luego de realizada la calibración de laimagen se procede a realizar los ’índicesy transformaciones que se requieran; eneste caso puesto que el fenómeno aanalizar es la minería a cielo abierto yya que en las imágenes es complicadoapreciar el fenómeno a simple vista, sedecidió realizar una transformación deComponentes Principales en donde loslayer de entrada serán los índices NDVIy NDWI más los tres componentes prin-cipales de la transformación TasseledCap; esto con la ayuda de la herramientaModel Maker de ERDAS (Véase imagen6).

5. Realizada la transformación por compo-nentes principales lo que se obtuvo fuéuna imagen en la cual se puede observarde manera clara y exacta el fenómeno es-tudiado, de esta manera una de las com-binaciones que con mayor exactitud per-mite la visualización del fenómeno es laRGB (4,3,2) de componentes principales(Véase Imagen 13 y 14).

6. Partiendo del hecho que el fenómeno esde fácil visualización en la combinación

anterior, se procede a realizar la clasi-ficación supervisada con la ayuda delsoftware PCI Geomatics; proceso en elcual se realiza el muestro y definen lasclases Bosques, Rastrojo Bajo, Rastrojo Alto,Suelo Mineral, Urbano y Agua. Posterior-mente se realiza la clasificación super-visada aplicando el algoritmo de máximaverosimilitud, algoritmo que se escogió yaque los demás no permitian realizar unaclasificación con una exactitud alta.

Posteriormente se realiza l edición de laclasificación aplicando máscaras de cor-rección y seguido de esto se realiza unfiltro modal de 3 x 3 para de esta manerareducir los ruidos en la imagen, este fuéseleccionado debido a que es el filtro quemenor pérdida de datos genera. Final-mente se realiza la evaluación de la exac-titud de la clasificación en donde se sabrási la clasificación representa la realialidado no; allí se realiza la evaluación del co-eficiente Kappa mediante la generaciónde 200 puntos por muestreo estratificado.Teniendo en cuanta esta evaluación de-cidimos si es o no concordante la clasi-ficación y procedemos a exportarla paragenerar el mapa de coberturas de cadauna de las fechas.

7. Habiendo generado ya los mapas decoberturas de las fechas 1986 y 2014, seprocede a realizar el análisis multitempo-ral con la ayuda del software ILWIS, parael caso de análisis que en este paper sepresenta las imágenes poseen diferentedimensión (filas, columnas) por lo cual sedebió hacer un remuestreo de la imagende 2014, para poder superponer los ma-pas y realizar un análisis multitemporalcorrectamente píxel a píxel.

Las categorías definidas para el análisismultitemporal fueron:

• Deforestación

• Reforestaci”on



• Descenso

• inundación

• Expansión Urbana

• Enmarezamiento

Finalmente, teniendo las categorías delanálisis multitemporal se procede a re-alizar mapa de cambios para los años1986 y 2014 mediante el código:

Mapacambios20141986 = ”Cambio20141986[..., mapa2014]”(9)

Imágen 6: Model Maker de la Tranformación Com-ponentes Principles para LandSat 8 OLI.Fuente: Elaborado por los autores

V. Resultados

Finalizado el proceso de generación de ídicesy tranformaciones mediante el modelo presen-tado (Véase Imagen 6), se obtuvo las índicesNDVI (Imagen 7 y 8) y NDWI (Imagen 9 y 10),y las transformaciones Tasseled Cap (Imagen11 y 12) y Componente Principales (Imagen13 y 14); para los años 1986 y 2014 respecti-vamente. la transformación Tasseled Cap semuestra en una combinación RGB (5,4,4) lacual se escogió ya que es la que mejor aprecia-cion del fenómeno permite realizar al igual quela combinación RGB (4,3,2) para ComponentesPrincipales.

Imágen 7: Índice Diferencial Normalizado de Veg-etación, Caucel del Río Nus (Año 1986).Fuente: Elaborado por los autores, Datos(USGS, 2014)

Imágen 8: Índice Diferencial Normalizado de Veg-etación, Cauce del Río Nus (Año 2014).Fuente: Elaborado por los autores, Datos(USGS, 2014)

Imágen 9: Índice Diferencial Normalizado de Agua,Cauce del Río Nus (Año 1986). Fuente: Elab-orado por los autores, Datos (USGS, 2014)



Imágen 10: Índice Diferencial Normalizado de Agua,Cauce del Río Nus (Año 2014). Fuente:Elaborado por los autores, Datos (USGS,2014)

Imágen 11: Transformación Tasseled Cap, Cauce del RíoNus (Año 1986), RGB(5,4,4). Fuente: Elab-orado por los autores, Datos (USGS, 2014)

Imágen 12: Transformación Tasseled Cap, Cauce del RíoNus (Año 2014), RGB(5,4,4). Fuente: Elab-orado por los autores, Datos (USGS, 2014)

Imágen 13: Transformación Componentes Principales,Cauce del Río Nus (Año 1986), RGB(4,3,2).Fuente: Elaborado por los autores, Datos(USGS, 2014)

Imágen 14: Transformación Componentes Principales,Cauce del Río Nus (Año 2014), RGB(4,3,2).Fuente: Elaborado por los autores, Datos(USGS, 2014)

Es necesario tener encuenta que para re-alizar la clasificación en PCI se debe seleccionarla combinación con el mejorespacio de carac-terísticas, para ello se realiza un Layer Stackcon los índices NDVI y NDWI, y con la trans-formación Tasseled Cap; a partir de ello y conla ayuda de la herramienta Feature Space Im-age se obtienen los espacios de característicasde las bandas, de los cuales se seleccionó elde las bandas 2 y 4 (Véase Imagen 15); allíse aprecia la dispersión entre el NDWI y elcomponente de Brillo del Tasseled Cap.



Imágen 15: Espacio de Características Seleccionado paraClasificación. Fuente: Elaborado por los au-tores.

Para saber cual es el porcentaje de relaciónque poseen cada uno de los componentes dela transformacion Componentes Principales,con cada una de las bandas originales, en estecaso NDVI, NDWI, Tasseled Cap (Brillo, Ver-dor, Humedad, Componente 4 y Componente5); debemos calcular la matriz de factores decarga (Véase Imagen 16). De la cual se puedeapreciar que el componente 1 tiene un procen-taje de relación alto por encima del 90% con lasbandas de NDVI, NDWI y la de Verdor; el com-ponente 2 con un porcentaje de 95,8% poseeuna relación muy alta con la banda del Brillo.Los demás componentes no tienen relacionesque sean altamente sigificantes.

Imágen 16: Matriz de Factores de Carga, Transforma-ción Componentes Principales. Fuente:Elaborado por los autores.

Para realizar la clasificación supervisada es

necesario conocer la separabilidad de las clasesdurante el proceso muestreo en PCI , antesde generar la clasificación con el algoritmo demáxima verosimilitud; para de esta maneraobservar si el muestro es adecuado.

La matriz de Separabilidad de 1986 (VéaseImagen 17) muestra valores altos a excepciónde la separabilidad entre Rastrojos A. 1 y Ras-trojos A. 2, Rastrojos B. 1 y Rastrojos B. 2, yPastos 1 y Pastos 2; lo cual indica que dichasclases deberia unirse.

Imágen 17: Matriz de Separabilidad para la imagen de1986. Fuente: Elaborado por los autores,Datos (PCI, 2014)

La matriz de Separabilidad de 2014 (VéaseImagen 18) muestra valores altos con lo cual sepuede decir que el muestreo es aceptable pararealizar la clasificación.

Imágen 18: Matriz de Separabilidad para la Imagen de2014. Fuente: Elaborado por los autores,Datos (PCI, 2014)

Luego del proceso de clasificación se evalúala exactitud del mismo, mediante el calculodel coeficiente Kappa , para ello se generó 200puntos aleatoreamente por muestreo estratifi-cado; obteniendo así un Coueficiente Kappa parael mapa temático de 1986 de 0,804% y parael mapa temático de 2014 de 0,875%, de estamanera se puede concluir que la clasificaciónfue buena y que el mapa temático de 1986representa en un 80,4% la realidad mientrasque el mapa temático de 2014 representa en un87,5% la realidad.

Como resultado de la clasificación también



se obtiene la matriz de confusión (Véase Im-agen 19 y 22) para analizar los errores poromisión y comisión en la clasificación de losmapas temáticos de 1986 y 2014 (Véase Ima-genes 20, 21, 23 y 24).

Imágen 19: Matriz de Confusión, Mapa Temático 1986.Fuente: elaborado por los autores, Datos(PCI, 2014)

Imágen 20: Matriz de Omisión, Mapa Temático de 1986.Fuente: Elaborado por los autores. Datos(PCI, 2014)

Imágen 21: Matriz de Comisión, Mapa Temático de1986. Fuente: Elaborado por los autores.Datos (PCI, 2014)

La exactitud de la clasificación la podemoscalcular a partir de las matrices presentadasanteriormente (matriz de omisión y matriz decomisión).Con la matriz de confusión podemosinferir para el mapa temático de 1986 que estepresenta menor exactitud en la cobertura deAgua con un 50% de los píxeles clasificadosde forma correcta y, la cual se confunde en un50% con a cobertura de Pastos; por otro ladola cobertura con la exactitud más alta es la dePastos con el 100% de los píxeles clasificadoscorrectamente; las demás coberturas, Bosques

con el 89,01% de los píxeles clasificados deforma correcto se confunde un 2,20% con lacobertura de rastrojo bajo y un 8,79% con lade pastos; Rastrojo Alto cuenta con el 66,77%de los píxeles clasificados correctamente y esconfundida esta cobertura un 33,33% con losbosques; y Rastrojo Bajo con una exactitudmedia en donde el 71,05% de los píxees fueclasificado de forma correcta y confundiendoseun 10,53% con los bosques, un 263% con losrastrojos altos y un 15,79% con los pastos. Lacobertura de Zonas URbanas no se encuantraaquí mencionada puesto que no fué incluidadentro de la malla de puntos de la evaluación,a pesar de haber sido un muestreo estratifi-cado.

De la matriz de OmisiÃsn se puede inferirque la cobertura más exacta es la de Agua conun 100% de los píxeles clasificados correcta-mente, seguida de las coberturas de RastrojosBajos y Bosques, en donde el 93,1% y el 91%de los píxeles fué clasificado de forma correcta,repectivamente. Mientras que en las coberturasde Rastrojos Altos y Pastos fue clasificado demanera correcta el 88,9% y el 79,2%, respecti-vamente. Para las coberturas los Bosques seconfunde un 4,5% con los rastrojos altos y otro4,5% con los rastrojos bajos, los Rastrojos Altosse confunden n 11,1% con los rastrojos bajos,losRastrojos Bajos se confunden el 6,9% con losbosques, los Pastos suelen confundirse segúnla matriz en un 11,1% con los bosques , un 8,3%con los rastrojos altos y un 1,4% con el agua..

Imágen 22: Matriz de Confusión, Mapa Temático 2014.Fuente: elaborado por los autores, Datos(PCI, 2014)



Imágen 23: Matriz de Omisión, Mapa Temático de 2014.Fuente: Elaborado por los autores. Datos(PCI, 2014)

Imágen 24: Matriz de Comisión, Mapa Temático de2014. Fuente: Elaborado por los autores.Datos (PCI, 2014)

Las coberturas del mapa temático de 2014son mucho más exactas que las del mapa de1986, aquí la cobertura con menor exactituden la matriz de comisión es la de RastrojoAlto con un 88% de los píxeles bien clasifi-cados y la cual se confunde un un 10% conlos bosques y un 2% con los pastos, por otrolado las coberturas de Agua, Zona Urbana yRastrojo Bajo poseen el 100% de los píxelesbien clasificados, mientras que las coberturasde Pastos y Bosques poseen respectivamenteun 95% y un 92% de los píxeles correctamenteclasificados. La cobertura de Suelo Mineralno fué incluida puesto que ningun punto cayódentro de dicha cobertura, a pesar de habergenerado una malla de puntos aleatoria pormuestreo estratificado.

Analizando la matriz de omisión del 2014vemos que la exactitud del mapa es menor queen la de comisión, sin embargo es mayor quela de 1986. En ella los Bosques tienen el 96%de los píxeles clasificados correctamente y seconfunde un 4% con la cobertura de rastrojoalto, los Rastrojos Altos cuentan con un 88%de sus píxeles clasificados de forma correcta,confundiendose un 10% con los bosques y un

2% con los rastrojos bajos, para los RastrojosBajos el 75% de los píxeles fueron clasificadosde forma correcta y la confusión que genera esdel 17% con los bosques y 8% con los pastos;los píxeles de los Pastos fueron clasificados cor-rectamente un 92% y el 5% se confunden conlos bosques mientras que el 3% lo hace con losrastrojos altos; las Zonas Urbanas tienen unaexactitud del 67%, confundiendose el 33% conlos bosques; y el Agua presenta una exactituddel 100%.

Imágen 25: Exactitud de Clasificación - Imagen 1986.Fuente: Elaborado por los autores, Datos(PCI, 2014)

Imágen 26: Exactitud de Clasificación - Imagen 2014.Fuente: Elaborado por los autores, Datos(PCI, 2014)

La exactitud promedio para la clasificaciónde 1986 fué de 87%, su índice Kappa fuéde 0.8004% y un intervalo de confianza de(82,089% - 91,911%), con estos resultados pode-mos concluir que el muetreo fue bueno y portanto la clasificación. Los valores de exactitudpromedio para la clasificación de la imagende 2014 fueron del 92% confiabilidad, un co-eficiente Kappa de 0,875 y un intervalo deconfianza de (87,990% - 96,010%).

Teniendo en cuenta los valores de la ex-actitud para cada uno de los años los mapastemáticos obtenidos fueron:



Imágen 27: Mapa Temático, Cauce del Río Nus - Juniode 1986. Fuente: Elaborado por los autores.Datos (PCI, 2014).

Imágen 28: Mapa Temático, Cauce del Río Nus - Agostode 2014. Fuente: Elaborado por los autores.Datos (PCI, 2014).

Finalmente, teniendo los mápas temáticosde la zona de estudio ara los años 1986 y 2014se realiza la tabla de análisis de cambio multi-temporal; en esta tabla se observa los combioocurridos desde junio de 1986 hasta agosto de2014, haciendo énfasis en el cambio de cober-tura a Suelo Mineral. Allí se muestran las es-tadísticas del análisis y la cuantificación delfenómeno (Véase Tabla ...)

VI. Conclusiones

Bibliografía

[1] Hülya Yildirimi, Erhan Alsparlslan

y Mehemet Emin Ösel, Temporal ChangeDetection by Principal Component Transfor-mation on Satellite Imagery , IEEE, De-partamento de Tecnologías Espaciales deTübíak, Geben, Turquía, 1995.

[2] Gao B.C NDWI - A normalized differencewater index for remote sensing of vegetationliquid water from space., Remote Sensingand Enviroment, Vol. 58 Centro Conjuntopara Sistemas de Ciencias de la Tierra, laNASA Goddard Space Flight Center enGreenbelt, Maryland, EE.UU., 1996.

[3] D. Gracia-Alvarez, M.J. Fuente y G.I.Sainz, Fault detection and isolation in tran-sient states using principalcomponent anal-ysis ,Journal of Process Control, Vol. 22Departamento de Sistemas de Ingenieríay Control Automático,Universidad de Val-ladolid, Valladolid, España, 2012.

[4] Muhammad Hasan Ali Baig, Lifu

Zhang, Tong Shuai y Qingxi Tong,Derivation of a tasselled cap transformationbased on Landsat 8 atsatellite reflectance , Re-mote Senssing Letters, Academia de Cien-cias, Universidad de China, Beijing, China,2014.

[5] MinAmbiente, Ministerio de Ambiente

y Desarrollo Sostenible Corporación

Auntónoma de las Cuencas de los

Ríos Negro y Nare, Cuencas, Cuenca delRío Nus, Antioquia, Colombia, 2014. Con-sultado 01 de Diciembre de 2014 en http ://www.cornare.gov.co/corporacion/division−socio− ambiental/cuencas

[6] Alcaldía de San Roque, NuestroMunicipio, Información General, SanRoque,Antioquia, Colombia, 2014.Consultado 01 de Diciembre de2014 en http : //www.sanroque −antioquia.gov.co/in f ormaciongeneral.shtml

[7] ArcGis, Función NDVI, ArcGis Resources,ESRI. Consultado 11 de Diciembre de 2014en http : //resources.arcgis.com/esIngeniería • Universidad Distrital Francisco José de Caldas 13

Análisis Multitemporal de la Cuenca del Río Nus, Antioquia, Colombia.

Documents

Transcript of Análisis Multitemporal de la Cuenca del Río Nus, Antioquia, Colombia.