Análisis multitemporal para la detección de cambios en el ...

PROFUNDIZACIÓN

ANÁLISIS MULTITEMPORAL PARA LA

DETECCIÓN DE CAMBIOS EN EL MUNICIPIO

DE SOCHA BOYACÁ Y POPAYÁN CAUCA

UTILIZANDO IMÁGENES DE ULTRA ALTA

RESOLUCIÓN ESPACIAL PROPUESTA DE PASANTÍA

Autor

David Eduardo González Herreño

Director

PhD Rubén Javier Medina Daza

Codirector

MSc. Carlos Andrés Franco Prieto

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS Maestría en Ciencias de la Información y las Comunicaciones

Énfasis en Geomática Bogotá, Colombia

septiembre de 2021

CONTENIDO

1. INTRODUCCIÓN ........................................................................................................ 2

2. PROBLEMA ................................................................................................................ 3

3. JUSTIFICACIÓN ......................................................................................................... 5

4. OBJETIVOS ............................................................................................................... 6

4.1 OBJETIVO GENERAL .......................................................................................... 6

4.2 OBJETIVOS ESPECÍFICOS ................................................................................. 6

5. MARCO TEORICO ..................................................................................................... 7

6. MARCO METODOLÓGICO ...................................................................................... 14

7. ÁREA DE ESTUDIO Y DATOS ................................................................................. 17

8. RESULTADOS ......................................................................................................... 20

9. CONCLUSIONES ..................................................................................................... 25

11. REFERENCIAS ......................................................................................................... 27

LISTA DE ILUSTRACIONES

Ilustración 1 Fases de entrenamiento y clasificación del clasificador Random Forest ........ 8

Ilustración 2 Metodología propuesta ................................................................................ 14

Ilustración 3 Mapa de localización caso de estudio Popayán Cauca ................................ 17

Ilustración 4 Mapa de localización caso de estudio Socha Boyacá .................................. 18

Ilustración 5 Mapa de detección de cambios Socha Boyacá ............................................ 23

Ilustración 6 Identificación cambios ................................................................................. 24

LISTA DE TABLAS

Tabla 1 Información general imagen Vexcel Ultracam D ................................................. 18

Tabla 2 Generalidades Sistema de percepción remota Sentinel 2 ................................... 19

Tabla 3 Características del sensor Sentinel 2 .................................................................. 19

Tabla 4 Evaluación de precisión clasificación imagen Vexcel Ultracam D Socha. ............ 20

Tabla 5 Evaluación de precisión clasificación imagen Vexcel Ultracam D Popayán. ........ 21

Tabla 6 Evaluación de precisión clasificación imagen Sentinel 2 Popayán. ..................... 21

Tabla 7 Evaluación de precisión clasificación imagen Sentinel 2 Socha. ......................... 22

Tabla 8 Resultados Detección de cambios imagen Vexcel Ultracam D Socha................. 22

Tabla 9 Resultados Detección de cambios imagen Vexcel Ultracam D Popayán ............. 24

Análisis multitemporal para la detección de cambios en el municipio de Socha Boyacá y Popayán

Cauca utilizando imágenes de ultra alta resolución espacial

Página | 2

1. INTRODUCCIÓN

Las aplicaciones de la percepción remota son diversas, con el procesamiento de

imágenes satelitales se puede obtener información espacial de alto nivel, es así que la

gestión de recursos naturales, los programas de planeación y monitoreo dependen de

información precisa acerca de la cobertura terrestre (Harish et al., 2017) incluso en los

procesos catastrales. Con base en datos de uso y cobertura se pueden realizar procesos

de elaboración y actualización de cartografía temática que en algunos casos resultan

dispendiosos y costosos, además por la dinámica de los territorios se requieren

actualizaciones constantes, consecuentemente los datos de percepción remota

representan un método único y eficiente para generar cartografía de grandes extensiones

proporcionando consistencia espacial e información multitemporal (Riedel et al., 2006).

Estudios previos han demostrado la incidencia de la resolución espacial y espectral de las

imágenes satelitales en los resultados de clasificaciones de uso y cobertura terrestre

(Gevaert et al., 2015) por lo que dependiendo del propósito de la investigación la

resolución espacial del sensor podría resultar insuficiente para discernir objetos

geográficos de menor tamaño, lo que dificulta la labor del interprete, de manera similar

baja separabilidad espectral de las bandas del sensor podría conllevar a la confusión de

clases temáticas. De lo que se deduce la necesidad de procesar imágenes con alta

resolución espectral como base para estudios de detección de cambios, con el

lanzamiento de más de diez satélites ópticos de muy alta resolución en los últimos 15

años (QuickBird, GeoEYE, WorldView, Pléiades, etc.), por lo que cada vez se dispone de

más imágenes de satélite de resolución métrica y submétrica (Regniers et al., 2016). Este

estudio emplea imágenes de ultra alta resolución provenientes de vuelos fotogramétricos

realizados por el Instituto Geográfico Agustín Codazzi- IGAC, además se propone de

manera paralela el uso de imágenes de acceso libre disponibles en la plataforma de

Google Earth Engine.

Con los métodos de detección de cambios se identifican los cambios espaciales usando

imágenes de satélite multitemporales debidos a fenómenos artificiales o naturales



Página | 3

, lo que resulta de gran importancia en percepción remota, el seguimiento de los cambios

medioambientales y la detección de cambios en el uso y la cobertura del suelo (Asokan &

Anitha, 2019).

En Colombia El IGAC es la autoridad catastral y su Centro de Investigación y Desarrollo

en Información Geográfica -CIAF han venido realizando investigaciones en este campo de

la detección de cambios usando imágenes de muy alta resolución espacial, con el objetivo

de automatizar procesamientos y obtener información espacial detallada de cambios en

determinados municipios con fines catastrales, estos resultados son datos base en el

marco del proyecto de Catastro Multipropósito que actualmente está siendo implementado

en el país (CONPES 3958).

Con este trabajo se pretende implementar la técnica de detección de cambios Diferencia

post clasificación empleando diferentes algoritmos de clasificación de imágenes, basados

en métodos de Machine Learning, entre los años 2015 y 2020 en el municipio de Socha

Boyacá, además, de realizar la correspondiente evaluación los resultados obtenidos

mediante métricas de validación de calidad, los desarrollos necesarios se implementaron

en Google Earth Engine.

2. PROBLEMA

Con la implementación de la política pública de Catastro Multipropósito en Colombia el

IGAC como autoridad catastral del país está desarrollando nuevas metodologías que

faciliten la generación de información espacial útil en el barrido predial masivo, es así que,

en 2020 inicio la investigación para generar una metodología que permita la detección de

cambios de construcciones en entornos rurales y urbanos, esta propuesta se desarrolló

en la plataforma Google Earth Engine que admite el procesamiento en la nube de

múltiples colecciones de imágenes satelitales.

La información espacial de uso y cobertura del suelo obtenida a partir de imágenes de

satélite ofrece información sinóptica a los responsables de la toma de decisiones (Chang

et al., 2013). La clasificación de uso y cobertura terrestre es un componente importante



Página | 4

para entender las interacciones de las actividades del ser humano con el medio ambiente,

es necesaria para detectar y monitorear los cambios de uso en del suelo para mantener

un medio ambiente sostenible (Harish et al., 2017) para identificar cambios en uso y

cobertura de suelo se han desarrollado diversos algoritmos de clasificación que generan

cartografía temática en territorios determinados utilizando imágenes satelitales.

Con la necesidad latente de actualizar el territorio nacional1, a través del IGAC y de los

gestores catastrales autorizados son múltiples los municipios que podrían ser casos de

estudio para implementar la metodología propuesta para analizar los posibles cambios de

uso y cobertura, de manera particular el municipio de Socha en Boyacá ha presentado

cambios en el uso del suelo de su territorio en las últimas décadas y presenta

desactualización catastral por lo que este trabajo se realizara con imágenes satelitales de

este municipio.

Se espera identificar los cambios de uso y cobertura del suelo especialmente de nuevas

construcciones en el municipio de Socha Boyacá, con esta información se concentrarían

los operativos de actualización catastral en determinados sectores, además los resultados

de este trabajo podrían ser de utilidad en otros entornos como base para los tomadores

de decisiones, formulación de políticas públicas, planeación del desarrollo, salud pública,

programas agrarios, medio ambiente, entre otros.

1 Véase Catastro Multipropósito IGAC, https://www.igac.gov.co/es/subsitio/politicas

https://www.igac.gov.co/es/subsitio/politicas



Página | 5

3. JUSTIFICACIÓN

De acuerdo a estadísticas oficiales del DANE y del IGAC con fecha de corte 1 de enero

de 2019 el 66,00 % del territorio nacional tenía información catastral desactualizada, el

28,32% no contaba con formación catastral y solo el 5,68 % del territorio nacional tenía

información actualizada (IGAC, 2019), por lo que se requería de la formulación de una

política pública eficiente para la estructuración de un nuevo sistema catastral para

Colombia que no se enfoque únicamente en los fines fiscales tradicionales sino que se

oriente de manera multipropósito para generar información confiable y pertinente.

Consecuentemente, el gobierno de Colombia con la formulación documento CONPES

3958 estableció los lineamientos para la implementación de la nueva política pública de

catastro multipropósito, dicha política necesita como insumo base información espacial de

alto nivel, que permita focalizar los operativos catastrales en las zonas del país que por su

dinámica propia de mercado inmobiliario se han generado cambios en el uso y cobertura

del suelo en entorno urbanos y rurales, por ende se requiere de actualización catastral

dichos territorios. Para identificar zonas que requieran procesos de actualización o

formación catastral se podría optar por el uso de cartografía básica, trabajo de campo,

entre otros, sin embargo, los procesamientos podrían volverse dispendiosos y costosos

en territorios con dinámicas constantes de cambio o en zonas de difícil acceso.

ES una precondición de los algoritmos de clasificación de imágenes que sean rápidos y

de alta precisión para las aplicaciones prácticas (Xiaofang Liu et al., 2007), además, la

técnicas de detección de cambios usando imágenes de ultra alta resolución son muy

útiles especialmente en las aplicaciones de planeación urbana y actualización de datos

para SIG (Lv et al., 2017); teniendo en cuenta que los procesamientos de clasificación de

imágenes y detección de cambios son aplicaciones clave de la percepción remota, el uso

de imágenes de ultra alta resolución espacial podría resultar útil para la generación de

información espacial actualizada y pertinente en para la identificación de nuevos

desarrollos urbanísticos que deben ser incluidos en los procesos catastrales que lo

requieran en el marco de la implementación de la política pública de catastro



Página | 6

multipropósito para Colombia, y en general la metodología propuesta en este documento

puede ser implementada en cualquier proyecto de detección de cambios.

4. OBJETIVOS

OBJETIVO GENERAL

Analizar el cambio de uso y cobertura terrestre en el caso de estudio Popayán Cauca y

Socha Boyacá desde 2015 hasta 2020, mediante la implementación del método

Diferencia Post-Clasificación usando imágenes Vexcelultracam D de alta resolución

espacial.

OBJETIVOS ESPECÍFICOS

• Aplicar el algoritmo Random Forest y otras técnicas de Machine Learning para

realizar la clasificación de la imagen del área de estudio.

• Detectar y analizar posibles cambios espacio temporales con énfasis en

construcciones desde 2015 hasta 2020 en el área de estudio.

• Comparar los resultados obtenidos al implementar la metodología propuesta con

imágenes de resolución espacial media y de acceso libre como Sentinel 2A.



Página | 7

5. MARCO TEORICO

5.1 CLASIFICACIÓN DE LA COBERTURA TERRESTRE

La clasificación de imágenes satelitales es una tecnología clave en las aplicaciones de la

teledetección (Xiaofang Liu et al., 2007), en este apartado se presentan los conceptos

básicos de las diferentes técnicas implementadas en este trabajo.

5.1.1 MÉTODOS DE CLASIFICACIÓN

Métodos como la mínima distancia, la máxima verosimilitud o el algoritmo

secuencial máximo a posteriori son frecuentemente usados para realizar la

clasificación de las imágenes provenientes de sensores remotos; Asimismo, los

métodos como el supervisado y no supervisado se presentan como los utilizados

con mayor frecuencia en este tipo de estudios.

Métodos de clasificación supervisados

Se requiere de cierto conocimiento de la zona de estudio, con el fin de establecer

las zonas piloto de entrenamiento. Con estas áreas de entrenamiento, el equipo

puede calcular los ND (niveles digitales) que definen cada una de las clases, para,

luego asignar el resto de los pixeles de la imagen a cada categoría, en función de

los mencionados ND. Las tres etapas fundamentales son: etapa de entrenamiento,

la selección del algoritmo de clasificación, y las operaciones de post clasificación.

Random Forest (RF)

Random Forest son una combinación de predictores de árboles de decisión de

manera que cada árbol depende de los valores de un vector aleatorio muestreado

independientemente y con la misma distribución para todos los RF (Breiman,

2001). Es necesario establecer dos parámetros para producir los RF: el número de

árboles de decisión que se generarán (Ntree) y el número de variables que se



Página | 8

seleccionarán y se probarán para la mejor división al crecer los árboles (Mtry)

(Belgiu & Drăguţ, 2016).

La decisión final de clasificación se toma promediando (utilizando la media

aritmética) las probabilidades de asignación de clase calculadas por todos los

árboles producidos. Un nuevo conjunto de datos sin etiquetar se evalúa con todos

los árboles de decisión creados y cada árbol vota por la pertenencia a una clase.

La clase de pertenencia con el máximo de votos será la será la que finalmente se

seleccione (Belgiu & Drăguţ, 2016), como se muestra en la ilustración 1.

Ilustración 1 Fases de entrenamiento y clasificación del clasificador Random Forest: i = muestras, j = variables, p = probabilidad, c = clase, s = datos, t = número de árboles, d = nuevos datos a clasificar, y valor = los diferentes valores que puede tener la variable j, (Belgiu & Drăguţ, 2016).

Máquinas de Soporte Vectorial

Las Máquinas de Soporte Vectorial son una técnica de aprendizaje estadístico

supervisado no paramétrico, por lo que no hay ninguna suposición. Los problemas

suelen implicar la identificación de múltiples clases (más de dos). Se realizan

ajustes en el clasificador binario simple SVM para que funcione como un



Página | 9

clasificador multiclase utilizando métodos como como uno-contra-todo, uno-contra-

otros, y gráfico acíclico dirigido (Knerr et al., 1990).

El principio subyacente que beneficia a las Maquinas de Soporte Vectorial es el

proceso de aprendizaje que sigue lo que se conoce como minimización del riesgo

estructural. Bajo este esquema, las Maquinas de Soporte Vectorial minimizan el

error de clasificación en datos no vistos sin hacer suposiciones previas sobre la

distribución de probabilidad de los datos (Mountrakis et al., 2011).

Naive Bayes (NB)

El clasificador Naive Bayes (NB) es un método de clasificación eficaz y sencillo

para la clasificación de imágenes que se basa en la teoría de la probabilidad

(Yang et al., 2017). Basándose en el supuesto de independencia condicional, el

algoritmo de clasificación Naive Bayes considera que cada atributo tiene el mismo

efecto sobre el atributo de la clase. De hecho, algunos de los atributos tienen una

gran influencia en la clasificación, mientras que otros tienen menos. Si se

considera que los atributos de propiedades no relacionadas, redundantes y con

ruido tienen igual que los demás, la precisión de la clasificación disminuirá (Yang

et al., 2017).

Máxima Entropía

La noción de entropía define un tipo de medida sobre el espacio de las

distribuciones de probabilidad, de manera que las de alta entropía se ven

favorecidas en cierto sentido sobre otras (Jaynes, 1982).

El hecho de que las distribuciones de máxima entropía se vean "en cierto sentido

favorecidas" se puede respaldar demostrando matemáticamente lo que ha venido

a llamarse llamado el teorema de la concentración (Jaynes, 1982). El resultado de

esto es que, para un conjunto dado de restricciones, si hay una familia de

densidades que podría darnos nuestra solución, la mayoría de las soluciones



Página | 10

están concentradas, o cercanas a la función de densidad de máxima entropía. Por

lo tanto, es nuestra mejor suposición (Kouskoulas et al., 2000).

Mínima Distancia

En la clasificación de mínima distancia, las plantillas y patrones desconocidos son

funciones de distribución y la medida de similitud utilizada es una medida de

distancia entre funciones de distribución. Así, una distribución desconocida se

clasifica en la clase cuya función de distribución es la más cercana a la

distribución desconocida: L y- términos de alguna medida de distancia

predeterminada. medida de distancia. En la práctica, las funciones de distribución

implicadas no suelen conocerse ni pueden observarse directamente. En su lugar,

se observa un conjunto de vectores de medición aleatorios de cada distribución de

interés y la clasificación se basa en la estimación en lugar de en las distribuciones

reales (Wacker & Landgrebe, 1972).

En este enfoque, los vectores de una zona arbitraria se agrupan en el espacio de

observación, y todos los vectores asignados a la misma agrupación constituyen

una muestra, independientemente de su ubicación en la zona arbitraria elegida. En

este caso, el término campos ya no parece apropiado y, en consecuencia, se

prefiere el término clasificador de muestras al de campos. Es evidente que los

esquemas de clasificación de muestras no pueden utilizarse en todas las

situaciones en las que es posible un enfoque vectorial. Un requisito básico es que

los datos que se van a clasificar puedan segregarse en muestras homogéneas o

que se presenten de forma natural en esta forma. Cuando se puede aplicar el

esquema de la distancia mínima puede aplicarse el esquema de distancia mínima,

intuitivamente tiene varias ventajas potenciales sobre un clasificador vectorial; en

particular en particular, es potencialmente más rápido y más preciso (Wacker &

Landgrebe, 1972).



Página | 11

Métodos de clasificación no supervisado

Su objetivo es definir las clases de firmas espectrales. No requiere de ningún

conocimiento previo acerca del área de estudio, por lo que la intervención de

usuario se limita exclusivamente a la interpretación, más que a la obtención de

resultados. El método para definir esta agrupación de firmas consiste en tres

procesos: la selección de las variables que intervienen en el análisis, la selección

del criterio para agrupar los casos similares observados, y la selección de un

criterio para medir la similitud a distancia entre los casos de estudio.

K-Medias

La extracción de características es el paso más importante de cualquier sistema

de reconocimiento. El objetivo de la extracción de es tomar las características

importantes de la imagen y clasificar la imagen global utilizando este pequeño

conjunto de información. La selección de características afecta directamente la

operación de clasificación. Unas buenas características dan como resultado un de

éxito en el proceso de reconocimiento y, viceversa. viceversa. El objetivo de k-

medias es reducir la variabilidad dentro del clúster. La suma de las distancias

cuadradas denominadas errores, entre cada píxel y su centro de clúster asignado

centro de clúster asignado se minimiza y se declara como función objetivo (Abbas

et al., 2016) .

Ecuación 1 K-medias (Abbas et al., 2016)

𝑆𝑆𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 = ∑[𝑥 − 𝐶(𝑥)]2

∀𝑋

Donde:

En donde 𝐶(𝑥) se asigna el píxel 𝑥 es a la media del clúster.



Página | 12

Índices espectrales

NDVI

El índice de vegetación diferencial normalizado (NDVI) se define como:

Ecuación 2 NDVI (Carlson & Ripley, 1997)

𝑁𝐷𝑉𝐼 =(𝛼𝑛𝑖𝑟 − 𝛼𝑣𝑖𝑠)

(𝛼𝑛𝑖𝑟 + 𝛼𝑣𝑖𝑠)

Donde 𝛼𝑛𝑖𝑟 y 𝛼𝑣𝑖𝑠 representan las reflectancias superficiales promediadas en

rangos de longitudes de onda en las regiones del espectro visible (𝜆~0.6 𝜇𝑚, rojo)

e infrarrojo cercano, IR (𝜆~0.8 𝜇𝑚) , respectivamente. De su definición se

desprende que el NDVI (al igual que la mayoría de los índices de vegetación

obtenidos por teledetección) no es una magnitud física intrínseca, aunque sí está

correlacionado con determinadas propiedades físicas del dosel vegetal: índice de

área foliar (LAI), cobertura vegetal fraccionada, estado de la vegetación y

biomasa. Como tales, los índices de vegetación son mediciones muy útiles a pesar

de sus limitaciones (Carlson & Ripley, 1997).

BAI

El Índice de área calcinada (BAI) utiliza los valores de reflectancia de la parte roja

y NIR del espectro para identificar las áreas del terreno afectadas por un incendio

(Chuvieco et al., 2002)

Ecuación 3 BAI, (Chuvieco et al., 2002)

𝐵𝐴𝐼 =1

((0.1 − 𝑅𝑂𝐽𝑂)2 + (0.06 − 𝑁𝐼𝑅)2)



Página | 13

NDBI

El Índice de áreas construidas de diferencia normalizada (NDBI) utiliza las bandas

NIR y SWIR para resaltar las áreas construidas por el hombre. Se basa en una

relación para mitigar los efectos de las diferencias de iluminación del terreno, así

como los efectos atmosféricos (Zha et al., 2003).

Ecuación 4 NDBI (Zha et al., 2003)

𝑁𝐷𝐵𝐼 =(𝑆𝑊𝐼𝑅 − 𝑁𝐼𝑅)

(𝑆𝑊𝐼𝑅 + 𝑁𝐼𝑅)

Cámara aérea digital de Vexcel Ultracam D

Cámara aérea digital de gran formato compuesta por dos partes: el Sensor Unit y

la unidad de almacenamiento (Storage Computing Unit), captura imágenes de un

tamaño de 11500 * 7500 pixeles en todas las bandas, con una resolución

radiométrica de 9 micras y una distancia focal de 101.4 mm (IGAC, 2015).



Página | 14

6. MARCO METODOLÓGICO

El flujo de procesos propuesto se muestra en la ilustración 1, con base en la metodología

propuesta por (Jensen, 2014) (IGAC, 2020a) se plantean cinco fases para el desarrollo de

este proyecto de detección de cambios, además, se tuvo en cuenta las métricas de

validación reconocidas en la literatura (Congalton, 1983) para la evaluación de resultados

de la clasificación como Índice Kappa y Exactitud General .

Ilustración 2 Metodología propuesta, tomada y adaptada de (IGAC, 2020c)

6.1 Fase preliminar

La fase inicial requiere la definición del área de estudio, en este caso Socha Boyacá con

el caso de validación Popayán Cauca, dado que son municipios prioridad para los

procesos de formación y actualización catastral definida por el IGAC, además se requiere



Página | 15

la identificación de las clases de interés teniendo en cuenta el sistema de clasificación

Corine Land Cover y la leyenda adaptada para Colombia (IDEAM, 2010).

6.2 Adquisición de la información

En la etapa de adquisición las imágenes satelitales se acopian las imágenes de alta

resolución espacial de la cámara Vexcel Ultracam D proporcionada por el IGAC, además

las colecciones de imágenes Sentinel 2 disponibles en Google Earth Engine. Teniendo en

cuenta el cumplimiento de los requisitos necesarios para la clasificación (resolución:

espacial, espectral, temporal y radiométrica), también se estable el porcentaje máximo de

nubes presentes en la imagen (20%), así mismo, se consulta información ambiental

pertinente (atmosfera, ciclos fenológicos etc.), es necesario realizar un reconocimiento

previo en campo para capturar información de referencia (con base en estudio previo del

área).

6.3 Preprocesamiento de imágenes satelitales

La etapa de preprocesamiento implica el alistamiento de las imágenes para la

clasificación y detección de cambios: unión de las bandas, corte de las imágenes de

acuerdo al área de interés, entre otros procedimientos previos a la clasificación, la

selección de algoritmos de clasificación de imágenes indicados para la zona de estudio y

el caso de validación.

6.4 Procesamiento de imágenes satelitales

Clasificación de las imágenes satelitales de alta resolución espacial y espectral mediante

métodos supervisados (Random Forest, Support Vector Machine, Naive Bayes y Mínima

Distancia). Luego, con los resultados de esta se realiza la implementación de la técnica de

Detección de Cambios Diferencia Post-Clasificación, todo lo anterior se desarrolló en la

plataforma Google Earth Engine.



Página | 16

6.5 Validación de resultados

Entonces, se calculan los índices estadísticos de evaluación de calidad (Índice Kappa y

Porcentaje Global de Precisión) para cada una de las imágenes temáticas obtenidas de

los métodos de clasificación.

Finalmente, la comparación se hace basada en análisis visual y de las métricas de

evaluación de calidad para concluir con cual método de clasificación se obtiene la mejor

imagen temática y la correspondiente detección de cambios, esto con el fin de comparar

los métodos de clasificación de imágenes utilizados frecuentemente en el ámbito de la

Geomática.

Las actividades posteriores a la clasificación y detección de cambios consisten en la

validación del mapa de clasificación obtenido para verificar su consistencia, obtención de

información adicional de referencia basada en los siguientes criterios:

❖ Conocimiento posterior de la zona

❖ Evaluación de consistencia lógica del mapa de clasificación y detección de

cambios

❖ Porcentaje Global de Precisión

❖ Coeficiente Kappa

El coeficiente Kappa suele utilizarse para determinar el grado total de coherencia entre el

muestreo realizado por el intérprete y los resultados de la clasificación (Zhenmin Li et al.,

2014). Lo que conlleva a la aceptación o rechazo de la hipótesis de detección de cambio y

el respectivo análisis multitemporal de cambio de coberturas (aumento o pérdida),

integración de las capas de tipo polígono de los años T0 y T1 en la cartografía de la zona.



Página | 17

7. ÁREA DE ESTUDIO Y DATOS

El área de estudio esta compuesta por la zona urbana del municipio de Socha Boyacá,

con un caso de validación en la ciudad de Popayán Cauca, localizados en las

coordenadas 5°59′52″N 72°41′32″O y 2°26′28″N 76°36′22″O respectivamente como se

muestra en la ilustración.

Ilustración 3 Mapa de localización caso de estudio Popayán Cauca Colombia. Fuente: Elaboración

propia usando el software ArcGIS, cartografía base (IGAC, 2020b)

Las ciudades seleccionadas para este trabajo presentan diferentes dinámicas

inmobiliarias y entornos geográficos; Popayán la capital del departamento del Cauca con

una superficie de 512 𝑘𝑚2 se ubica entre las Cordilleras Oriental y Central, tiene extensas

áreas planas y onduladas en las proximidades el valle del Rio Cauca, además, es una de

las ciudades más importantes del sur del país.

Por su parte el municipio de Socha se ubica más al norte en el departamento de Boyacá,

sobre la Cordillera Oriental con una superficie de 150 𝑘𝑚2, con una topografía quebrada,

por lo que es necesario monitorear posibles cambios del uso y cobertura del suelo usando

imágenes satelitales.



Página | 18

Ilustración 4 Mapa de localización caso de estudio Socha Boyacá Colombia. Fuente: Elaboración

propia usando el software ArcGIS, cartografía base (IGAC, 2020b).

En este estudio se procesaron imágenes provenientes de la Cámara Vexcel Ultracam D,

tomadas por el sensor Unit, cuyas características principales se enuncian en la tabla 1.

Tabla 1 Información general imagen Vexcel Ultracam D (IGAC, 2020b)

Resolución espacial 50 cm

Resolución espectral 3 bandas

Resolución radiométrica 8 bits

Fecha de toma 30 de octubre de 2020

Como caso de validación, se propone implementar la metodología establecida en este

trabajo utilizando imágenes del programa Sentinel-2 de la ESA, con el fin de comparar los

resultados obtenidos a procesar imágenes de ultra alta resolución espacial como las de la

cámara Vexcel Ultracam D versus imágenes de resolución media, en la tabla 2 se

enuncian las generalidades del sistema de percepción remota Sentinel-2.



Página | 19

Tabla 2 Generalidades Sistema de percepción remota Sentinel 2A (ESA,2021)

GENERALIDADES SISTEMA DE PERCEPCIÓN REMOTA

SISTEMA Sentinel. (Proyecto Copérnico, Copernicus)

PROGRAMA Sentinel 2A

SENSOR Cámara Multiespectral con Sistema de barrido (push-broom). 13 canales espectrales

Sentinel-2 es una misión de Observación terrestre desarrollada por la ESA (del inglés

European Space Agency – Agencia Espacial Europea) dentro del programa Copérnico

para ampliar observaciones del planeta Tierra para dar servicios como el seguimiento de

la evolución de los bosques, los cambios en la corteza terrestre y la gestión de los

desastres naturales. Está compuesto por dos satélites idénticos: Sentinel-2A y Sentinel-

2B. Proporciona información sobre la contaminación de lagos y aguas costeras con el

debido análisis en procesamiento de imágenes e interpretación de las mismas

(ESA,2021).

Tabla 3 Características del sensor Sentinel 2A (ESA,2021)

CARACTERÍSTICAS DEL SENSOR SENTINEL 2A

Banda RESOLUCIÓN

RADIOMÉTRICA

(µM)

RESOLUCIÓN

ESPACIAL (m)

Banda 2 (Azul) 490 nm 10

Banda 3 (Verde) 560 nm 10

Banda 4 (Rojo) 665 nm 10

Banda 8 (NIR) 842 nm 10




Banda 8a (NIR) 865 nm 20

Banda 11 (SWIR) 1610 nm 20


Banda 1 (Aerosol) 443 nm 60

Banda 9 (Vapor agua) 940 nm 60




Página | 20

8. RESULTADOS

8.1 Resultados clasificación imágenes Vexcel Ultracam D

Al implementar los métodos de clasificación supervisados: Random Forest, Support

Vector Machine, Naive Bayes y Distancia Mínima, en el caso de estudio Socha Boyacá y

de validación Popayán Cauca usando imágenes de la cámara Vexcel Ultracam D, se

consiguió una imagen temática por cada escena que permite discernir el área construida

de estos municipios, con base en esta clasificación se realizará el análisis de detección de

cambios en ambos casos.

Para validar los resultados obtenidos se utilizan diferentes métricas reconocidas en la

literatura que permiten evaluar la calidad de la imagen temática obtenida por los métodos

de clasificación, en la siguiente tabla se muestran los valores obtenidos para dichas

métricas.

Tabla 4 Evaluación de precisión clasificación imagen Vexcel Ultracam D Socha, elaboración propia.

CLASIFICACIÓN SUPERVISADA

Índice Random Forest

Support Vector Machine

Naive Bayes

Minimum Distance

Exactitud General 0,92 0,85 0,81 0,86

Índice Kappa 0,84 0,69 0,61 0,72

De la tabla 2, se interpreta que el método supervisado Random Forest permite mejores

resultados para la imagen de Socha, en términos de precisión de la clasificación obtenida.

Para el caso de Popayán también se realizó la evaluación y el análisis de los resultados

de la clasificación de la imagen, de lo que se encontró que los métodos Random Forest y

Support Vector Machine obtienen las mismas métricas de validación.



Página | 21

Tabla 5 Evaluación de precisión clasificación imagen Vexcel Ultracam D Popayán, elaboración propia.




Naive Bayes

Minimum Distance


Índice Kappa 0,79 0,79 0,73 0,85

8.2 Resultados clasificación con imágenes Sentinel 2

Con el fin de comparar los resultados obtenidos al utilizar imágenes de resolución

espacial media, se implementaron las técnicas de clasificación de imágenes y de

detección de cambios seleccionadas para este trabajo con imágenes Sentinel 2,

consecuentemente se realizo la evaluación de precisión de la clasificación mediante las

métricas establecidas, los resultados para el caso de estudio de Socha Boyacá y Popayán

Cauca se muestran las siguientes tablas.

Tabla 6 Evaluación de precisión clasificación imagen Sentinel 2 Popayán, elaboración propia.




Naive Bayes

Minimum Distance


Índice Kappa 0,948 0,928 0,890 0,948

De la tabla 6 se deduce que los clasificadores más precisos para las imágenes del área

de estudio de Popayán Cauca son Mínima Distancia y Random Forest, para el caso de

Socha Boyacá se encontró que las técnicas Random Forest y Naive Bayes generan las

imágenes temáticas más precisas.



Página | 22

Tabla 7 Evaluación de precisión clasificación imagen Sentinel 2 Socha, elaboración propia.



Support Vector

Machine Naive Bayes

Minimum Distance


Índice Kappa 0,948 0,929 0,948 0,89

Error de Cantidad 0,974 0,944 0,951 0,906

Error de Localización 0,974 0,940 0,948 0,897

8.3 Resultados Detección de Cambios Socha

La detección de cambios es de gran importancia para identificar las transformaciones en

la cartografía por satélite, observar los cambios medioambientales y el uso y cobertura del

suelo (Afaq & Manocha, 2021), como resultado de la implementación del método

Diferencia Post Clasificación en el caso de estudio de Socha Boyacá, se logró identificar

de manera masiva nuevas construcciones en el área urbana del municipio con base en el

procesamiento de la imagen de muy alta resolución espacial de la cámara Vexcel

Ultracam D.

Tabla 8 Resultados Detección de cambios imagen Vexcel Ultracam D Socha, elaboración propia.

Áreas Random Forest

Support Vector

Machine Naive Bayes

Distancia Mínima

Área Construcciones Final (ha) 40,32 40,99 35,08 23,93

Área Construcciones Inicial (ha) 12,19 12,19 12,19 12,19

Cambios-Diferencia Áreas (ha) 28,13 28,8 22,89 11,74

De la tabla anterior, se deduce que usando la clasificación obtenida con SVM se logró

identificar en mayor extensión nuevas construcciones, en la siguiente ilustración se

muestra un mapa, de donde se pueden identificar las zonas con cambios de nuevos

desarrollos de construcciones en el municipio de Socha, con base en el análisis detección

de cambios hecho para la imagen Vexcel Ultracam D del 2020.



Página | 23

Ilustración 5 Mapa de Socha Boyacá, donde se pueden identificar cambios en construcciones. Fuente: Elaboración propia usando el software ArcGIS, cartografía base, imagen Ultracam D e

información de construcciones (IGAC, 2020b)



Página | 24

8.4 Resultados detección de cambios Popayán

De manera análoga, se implementó el método de Diferencia Post Clasificación para

identificar los cambios en la imagen de Popayán Cauca, los resultados se enuncian en la

siguiente tabla, de la que se interpreta que con la imagen temática proveniente de la

técnica Random Forest se logra identificar mayor cantidad de área con cambios para el

caso de estudio propuesto.

Tabla 9 Resultados Detección de cambios imagen Vexcel Ultracam D Popayán, elaboración propia.

Áreas Random Forest

Support Vector

Machine Naive Bayes

Distancia Mínima

Área Construcciones Final (ha) 626,73 636.9 631.81 567.93

Área Construcciones Inicial (ha) 381.41 381,41 381,41 381,41

Cambios-Diferencia Áreas (ha) 245.32 255.49 250.405 186.52

En la siguiente ilustración se muestra parte de la ciudad de Popayán y como con la

metodología propuesta se logró identificar áreas con cambios en términos de nuevos

desarrollos urbanísticos y construcciones.

Ilustración 6 Identificación cambios nuevas construcciones en parte de la ciudad de Popayán. : Elaboración propia usando el software ArcGIS, cartografía base, imagen Ultracam D e información

de construcciones (IGAC, 2020b)



Página | 25

9. CONCLUSIONES

Con este trabajo se logró analizar el cambio de uso y cobertura terrestre en el caso de

estudio de estudio Socha Boyacá y Popayán Cauca desde 2015 hasta 2020, mediante la

implementación del método Diferencia Post-Clasificación usando imágenes de la cámara

Vexcel Ultracam D de ultra alta resolución espacial. Los resultados evidenciaron que en

el periodo de tiempo establecido (2015-2020) se desarrollaron 12.19 Ha y 245.32 Ha

aproximadamente de nuevas construcciones para los casos de estudio de estudio Socha

Boyacá y en el caso de validación en Popayán Cauca (respectivamente); lo anterior indica

cambios en el uso y cobertura del suelo, pasando generalmente de ser territorios

agrícolas y zonas de bosques y áreas seminaturales a ser territorios artificializados, que

comprenden las áreas de las ciudades y las poblaciones y, aquellas áreas periféricas que

están siendo incorporadas a las zonas urbanas mediante un proceso gradual de

urbanización o de cambio del uso del suelo hacia fines comerciales, industriales, de

servicios y recreativos (IDEAM, 2010).

Al implementar técnicas de Machine Learning para la clasificación de imágenes satelitales

como el clasificador Random Forest, se consiguió generar una imagen temática que

permite identificar las construcciones presentes en la imagen de ultra alta resolución

espacial proveniente de la cámara Vexcel Ultracam D en el caso de estudio y de

validación seleccionado, los resultados de la clasificación fueron evaluados mediante

métricas de validación de exactitud reconocidas en la literatura como el Coeficiente

Kappa y Calidad Universal (Congalton, 1983), estos evidenciaron el cumplimento de

estándares de precisión y exactitud temática.

A pesar de que la técnica de Random Forest sea robusta y confiable se probó la

sensibilidad de esta técnica en la selección de los parámetros propios del algoritmo y el

muestreo realizado por el intérprete en términos de inferencia en la precisión de los

resultados de la clasificación. Consecuentemente se constató como en otros trabajos la

eficiencia al utilizar imágenes satelitales de ultra alta resolución espacial en la

implementación de técnicas de clasificación para la detección de cambios como



Página | 26

aplicaciones de Percepción Remota y la sensibilidad del algoritmo de clasificación (Afaq &

Manocha, 2021),(Belgiu & Drăguţ, 2016).

Con el fin de comparar los resultados obtenidos al implementar la metodología propuesta

con imágenes de resolución espacial media, se replicó el flujo de procesos con imágenes

del programa Sentinel 2 disponibles en Google Earth Engine del año 2015 y 2020, los

resultados evidencian que al implementar algoritmos de Machine Learning como Random

Forest se logran resultados satisfactorios para la clasificación de coberturas de acuerdo a

las métricas de validación seleccionadas (Exactitud General e Índice Kappa) de manera

análoga a lo que se encontró al procesar imágenes de ultra alta resolución espacial de la

cámara Vexcel Ultracam D, lo que confirma la precisión de este clasificador y su

versatilidad al generar imágenes temáticas consistentes y de alta calidad usando

imágenes de diferentes sensores.

Al procesar e interpretar imágenes de ultra alta resolución espacial se evidencio la

desactualización de la base catastral en términos de la formación y actualización (en

comparación con los datos disponibles de 2015) a la fecha de elaboración de este estudio

en los casos de estudio de Socha y Popayán, se infiere que esto se debe a la dinámica

demográfica e inmobiliaria de cada caso de estudio, con esta información el IGAC puede

focalizar sus operativos en las zonas identificadas con las técnicas de detección de

cambios de estos territorios para generar información de alto nivel confiable en el marco

de la implementación de la política publica de Catastro Multipropósito en el país.

La metodología propuesta mostro resultados consistentes y precisos al ser implementada

con imágenes de diferentes sensores y en otros casos de estudio, por lo que se espera

sea una herramienta eficiente para la detección de cambios con enfoque catastral para el

IGAC, de la misma manera la metodología puede ser aplicada en diversos estudios con

distintos enfoques como análisis ambientales, ordenamiento territorial, urbanísticos,

geológicos, entre otros al ser útil en la extracción de nuevas características del territorio

con base en el procesamiento de imágenes de satélite.

Las imágenes de satélite se han implementado eficazmente en la clasificación, la

detección de cambios extracción de características, y muchas otras aplicaciones



Página | 27

10. REFERENCIAS

Abbas, A. W., Minallh, N., Ahmad, N., Abid, S. A. R., & Khan, M. A. A. (2016). K-Means and ISODATA Clustering Algorithms for Landcover Classification Using Remote Sensing. SI NDH University Research Journal (ScienceSeries), 4.

Afaq, Y., & Manocha, A. (2021). Analysis on change detection techniques for remote sensing applications: A review. Ecological Informatics, 63, 101310. https://doi.org/10.1016/j.ecoinf.2021.101310

Asokan, A., & Anitha, J. (2019). Change detection techniques for remote sensing applications: A survey. Earth Science Informatics, 12(2), 143-160. https://doi.org/10.1007/s12145-019-00380-5

Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Breiman, L. (2001). Random Forests. Kluwer Academic Publishers. Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation

cover, and leaf area index. Remote Sensing of Environment, 62(3), 241-252. https://doi.org/10.1016/S0034-4257(97)00104-1

Chang, C. W., Shi, C. H., Liew, S. C., & Kwoh, L. K. (2013). Land cover classification of very high spatial resolution satelite imagery. 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS, 2685-2687. https://doi.org/10.1109/IGARSS.2013.6723376

Chuvieco, E., Martín, M. P., & Palacios, A. (2002). Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination. International Journal of Remote Sensing, 23(23), 5103-5110. https://doi.org/10.1080/01431160210153129

Congalton, R. G. (1983). Assessing Landsat Classification Accuracy Using Discrete Multivariate Analysis Statistical Techniques. PHOTOGRAMMETRIC ENGINEERING, 8.

ESA, (2021). MSI Technical Guide – Sentinel Online—Sentinel Online. Recuperado 8 de agosto de 2021, de https://sentinels.copernicus.eu/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument

Harish, B., Manjulavani, K., Shantosh, M., & Supriya, V. M. (2017). Change detection of land use and land cover using remote sensing techniques. 2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI), 2806-2810. https://doi.org/10.1109/ICPCSI.2017.8392231

IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Metodología CORINE Land Cover adaptada para Colombia Escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales, 72.

IGAC. (2015). Instructivo operación de la cámara Vexcel Ultracam D. Grupo Interno De Trabajo Imágenes Geoespaciales.

IGAC. (2020a). El Instituto Geográfico Agustín Codazzi. Recuperado 8 de agosto de 2021, de https://www.igac.gov.co/es/que-hacemos

IGAC. (2020b). Ficha técnica ortoimagen Socha. IGAC. (2020c). Manual de usuario Versión 1.0 CIAF - Subdirección de Catastro Aplicativo

detección de cambios en construcciones.



Página | 28

Jaynes, E. (1982). On The Rationale of Maximun-Entropy Methods. Procedings of the IEEE, 70(9).

Jensen, J. R. (2014). Remote sensing of the environment: An earth resource perspective (Second edition [exclusive edition only for the benefit of students outside the United States and Canada]). Pearson.

Knerr, S., Personnaz, L., & Dreyfus, G. (1990). Single-layer learning revisited: A stepwise procedure for building and training a neural network. Ecole Superieure de Physique et de Chimie Industrielles de la Ville de Paris.

Kouskoulas, Y., Ulaby, F. T., Pierce, L., & Dobson, M. C. (2000). Applying maximum entropy methods to aid in classification of polarimetric SAR imagery. IGARSS 2000. IEEE 2000 International Geoscience and Remote Sensing Symposium. Taking the Pulse of the Planet: The Role of Remote Sensing in Managing the Environment. Proceedings (Cat. No.00CH37120), 5, 2114-2116. https://doi.org/10.1109/IGARSS.2000.858313

Lv, P., Zhong, Y., Zhao, J., Ma, A., & Zhang, L. (2017). Change detection based on structural conditional random field framework for high spatial resolution remote sensing imagery. 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 1059-1062. https://doi.org/10.1109/IGARSS.2017.8127138

Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247-259. https://doi.org/10.1016/j.isprsjprs.2010.11.001

Regniers, O., Bombrun, L., Lafon, V., & Germain, C. (2016). Supervised Classification of Very High Resolution Optical Images Using Wavelet-Based Textural Features. IEEE Transactions on Geoscience and Remote Sensing, 54(6), 3722-3735. https://doi.org/10.1109/TGRS.2016.2526078

Riedel, T., Thiel, C., & Schmullius, C. (2006). Multi-scale analysis of c-band SAR data for land use mapping issues. 7.

Wacker, A. G., & Landgrebe, D. A. (1972). Minimum Distance Classification in Remote Sensing. 27.

Xiaofang Liu, Xiaowen Li, Ying Zhang, Cunjian Yang, Wenbo Xu, Min Li, & Huanmin Luo. (2007). Remote sensing image classification based on dot density function weighted FCM clustering algorithm. 2007 IEEE International Geoscience and Remote Sensing Symposium, 2010-2013. https://doi.org/10.1109/IGARSS.2007.4423224

Yang, J., Ye, Z., Zhang, X., Liu, W., & Jin, H. (2017). Attribute weighted Naive Bayes for remote sensing image classification based on cuckoo search algorithm. 2017 International Conference on Security, Pattern Analysis, and Cybernetics (SPAC), 169-174. https://doi.org/10.1109/SPAC.2017.8304270

Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583-594. https://doi.org/10.1080/01431160304987

Zhenmin Li, Aixia Dou, & Xiaoqing Wang. (2014). Study on the precision evaluation index in building seismic damage information extraction from remote sensing image. 2014 IEEE Geoscience and Remote Sensing Symposium, 2862-2865. https://doi.org/10.1109/IGARSS.2014.6947073

Análisis multitemporal para la detección de cambios en el ...

Documents

Transcript of Análisis multitemporal para la detección de cambios en el ...