CORRECCIÓN DE IMÁGENES SATELITALES LANDSAT EMPLEANDO

HERRAMIENTAS DEL SOFTWARE ERDAS IMAGINE 2014.

Presentado por:

MIGUEL FERNANDO PINILLA TORRES

JOSÉ FELIPE CASTRO RODRÍGUEZ

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA

FACULTAD DE INGENIERIA

MAESTRÍA EN GEOTECNIA

ÁREA DE SENSORES REMOTOS

TUNJA, BOYACÁ

2015

CORRECCIÓN DE IMÁGENES SATELITALES LANDSAT EMPLEANDO

HERRAMIENTAS DEL SOFTWARE ERDAS IMAGINE 2014.

Presentado por:

MIGUEL FERNANDO PINILLA TORRES

JOSÉ FELIPE CASTRO RODRÍGUEZ

Presentado a:

IC MSC DIANA CATALINA MUÑOZ

UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA

SEDE SECCIONAL TUNJA

FACULTAD DE INGENIERIA

MAESTRÍA EN GEOTECNIA

ÁREA DE SENSORES REMOTOS

TUNJA, BOYACÁ

2015

INTRODUCCIÓN

La disponibilidad comercial en los últimos años de imágenes de satélite de alta resolución

constituye una inestimable fuente de información que puede ser usada en diversos campos

de las ciencias. La detección de cambios a partir de una secuencia multitemporal de

imágenes de satélite es unas de las aplicaciones más importantes en teledetección. Como es

bien sabido, este proceso requiere de una adecuada corrección radiométrica y geométrica de

las imágenes, de manera que los cambios detectados sólo sean atribuibles a verdaderas

modificaciones del paisaje.

En este tema trabajo se emplean diversos métodos numéricos empleados para la corrección

de errores comunes en imágenes satelitales. Se hace énfasis en el uso de métodos de

correcciones radiométricas y el mejoramiento espectral con el fin de obtener imágenes con

mayores índices de calidad que permitan un excelente análisis de las coberturas.

OBJETIVOS

Objetivo General

Emplear imágenes satelitales Landsat y realizar las correcciones radiométricas y

espectrales para cada caso.

Objetivos Específicos

Emplear información estadística de las imágenes para calcular el factor OIF.

Determinar la mejor composición de bandas espectrales de la imagen de acuerdo al

parámetro OIF.

Establecer los niveles digitales de diferenciación de vegetación para el caso de una

imagen de estudio.

GENERALIDADES

Una imagen de satélite está sometido a una serie de interferencias que hacen que la información que

quiere obtenerse aparezca perturbada por una serie de errores.

_ Fallos en los sensores, generan pixeles incorrectos (corrección radiométrica)

_ Alteraciones en el movimiento del satélite y el mecanismo de captación de los sensores, generan

distorsiones en la imagen global (corrección geométrica)

_ Interferencia de la atmósfera, alteran de forma sistemática los valores de los pixeles (corrección

atmosférica).

EJERCICIO 1. ANÁLISIS ESTADÍSTICO DE IMÁGENES LANDSAT.

Este trabajo de corrección de imágenes satelitales se basó en una imagen Landsat que

corresponde geográficamente a la región centro occidental de Colombia, en esta imagen se

puede apreciar hacia el Norte el Volcán Nevado del Ruiz que hace parte de la cordillera

central colombiana. Hacia el sur se puede notar una gran operación minera llevada a cabo

en esta región. (Véase figura 1.1)

Figura 1.1. Imagen de estudio.

Para efectos de este ejercicio se realizaron algunas combinaciones de bandas espectrales de

la imagen de estudio con el fin de observar cual combinación permite una mejor

discriminación de coberturas mediante una clasificación visual.

Figura 1.2. Combinaciones de bandas (321_Color Natural) Superior izquierda, (432_Falso

Color Natural) Superior derecha, (543_TM Falso color Natural) Inferior izquierda y

(742_Pseudo color) Inferior derecha.

De estas imágenes se puede decir que la imagen que permite una mejor discriminación de

las coberturas es la combinación de bandas 742, se puede apreciar en tonos de color verde

la vegetación de la región, en tonos color lavanda y rosa el suelo descubierto

Mediante el uso de la información estadística de cada banda de la imagen se procede a

calcular el Índice de Factor Óptimo (OIF). Para esto es necesario hacer uso de la

herramienta Metadata para conocer los valores de mínimos y máximos del histograma de

frecuencia, así como la media y la desviación estándar. En la figura 1.3 se puede observar

la ventana de metadatos desplegada para la banda 1 con su respectivo histograma.

Figura 1.3. Despliegue de la información estadística individual de bandas espectrales.

La información estadística que contiene cada banda de la imagen de estudio se encuentra

resumida en la tabla 1.1.

Tabla 1.1. Información estadística de la imagen Landsat.

BANDAS Media Desv. Estándar Mínimo Máximo

B1 65.426 14.711 1 255

B2 30.517 8.931 1 255

B3 32.065 14.721 1 255

B4 68.214 14.997 1 255

B5 84.993 34.197 1 255

B6 143.644 12.358 1 239

B7 35.266 19.492 1 255

Fuente. Datos de estudio.

El uso de esta información es necesario para realizar el cálculo del factor óptimo de la

imagen. A continuación se emplea una ecuación matemática con el fin de determinar el

OIF.

OIF=𝐒𝐮𝐦𝐚 𝐝𝐞 𝐝𝐞𝐬𝐯𝐢𝐚𝐜𝐢ó𝐧 𝐞𝐬𝐭á𝐧𝐝𝐚𝐫 𝐝𝐞 𝟑 𝐛𝐚𝐧𝐝𝐚𝐬 𝐢𝐧𝐝𝐢𝐯𝐢𝐝𝐮𝐚𝐥𝐞𝐬

𝐒𝐮𝐦𝐚 𝐝𝐞 𝐜𝐨𝐞𝐟𝐢𝐜𝐢𝐞𝐧𝐭𝐞 𝐝𝐞 𝐜𝐨𝐫𝐫𝐞𝐥𝐚𝐜𝐢ó𝐧 𝐩𝐚𝐫𝐚 𝟑 𝐛𝐚𝐧𝐝𝐚𝐬 Ecuación (1)

Para el cálculo del coeficiente de correlación es necesario emplear la función Model Maker

de la herramienta Toolbox. Hecho esto se obtiene el modelo que se puede apreciar en la

figura 1.4.

Figura 1.4. Cálculo de coeficiente de correlación.

El uso de este modelo genera una matriz de valores para la imagen de estudio que se

pueden apreciar en la tabla 1.2.

Tabla 1.2. Matriz de correlación

BANDAS 1 2 3 4 5 6 7

1 1 0.96 0.93 0.24 0.82 0.64 0.84

2 0.96 1 0.96 0.29 0.87 0.64 0.88

3 0.93 0.96 1 0.20 0.90 0.66 0.93

4 0.24 0.29 0.20 1 0.30 0.26 0.15

5 0.82 0.87 0.90 0.30 1 0.71 0.96

6 0.64 0.64 0.66 0.26 0.71 1 0.66

7 0.84 0.88 0.93 0.15 0.96 0.66 1

Fuente. Datos de estudio

Una vez obtenidos estos valores numéricos para cada banda se procede a calcular el OIF

mediante la ecuación 1. Los valores que se obtuvieron se encuentra resumidos en la tabla

1.3., para efectos de este ejercicio se emplearon combinaciones de bandas conocidas por

nosotros para determinar cuál de todas es la mejor combinación a tener en cuenta en

análisis de clasificación usando el criterio OIF.

Tabla 1.3. Factor del Índice Optimo OIF

N° RGB

Suma de

desviaciones

Estándar

Suma Coef.

Correlación OIF Combinación

1 321 38.363 2.85 13.46 TM TRUE COLOR

2 432 38.649 1.45 26.25 TM FALSE COLOR

IR

3 453 63.913 1.9 33.63 TM FALSE

NATURAL COLOR

4 742 49.21 1.32 37.28 TM PSEUDO

COLOR

Fuente. Datos de estudio

Según el valor del Factor de Índice Optimo la mejor combinación de bandas para

discriminación de coberturas para esta imagen analizada es la combinación 742 TM

PSEUDO COLOR con el valor de OIF más elevado, de 37.28.

Con respecto al ejercicio anterior mediante clasificación visual se estimó que la mejor

combinación de bandas para discriminar algunas de las coberturas terrestres más

características era una combinación 742. En la figura 1.5 se puede observar esta

combinación de bandas.

Figura 1.5. Combinación 742 (Pseudo Color).

EJERCICIO 2. AGRUPACIÓN DE NIVELES DIGITALES

DENSITY SLICING

Density slicing es una forma de clasificación uní banda, basada en agrupación de los rangos

de Niveles Digitales (ND) a las clases temáticas que estas representan.

Empleando las herramientas que ofrece Erdas se generó un mapa de los atributos de la

imagen que corresponden a los Niveles Digitales que representan las clases temáticas de la

misma. Aquí se pueden apreciar en tonos de Amarillo y rojo zonas de vegetación y en

tonos magenta lo correspondiente a suelo descubierto y urbano. En la figura 2.1 se puede

apreciar la agrupación estándar que realiza el programa Erdas para los niveles digitales, y

en la figura 2.1 la asignación manual de acuerdo a una clasificación visual de las

coberturas.

Figura 2.1. Agrupacion estandar de niveles digitales según Erdas Imagine 2014.

Figura 2.2. Asignación de colores a coberturas características mediante clasificación

visual.

De acuerdo a la clasificación visual, se asignaron los siguientes rangos de niveles para las

coberturas estudiadas. Los resultados se pueden apreciar en la tabla 2.1.

Tabla 2.1. Rangos de Niveles Digitales

COBERTURA RANGO DE NIVELES

DIGITALES

COLOR

VEGETACIÓN 67– 254 AMARILLO

URBANO-SUELO 35 - 66 MAGENTA

AGUA 2 -34 AZUL

Fuente. Datos de estudio.

EJERCICIO 3. REALCES Y MEJORAMIENTOS

3.1. AJUSTE DE CONTRASTES.

El procedimiento de ajuste de contraste permite realzar el brillo o el contraste con el que

apreciamos una imagen. Esto genera un realce en los colores lo cual se aprecia en una

mejor identificación de coberturas. En la figura 3.1 se puede observar un realce de

contrastes para la imagen estudiada en una combinación de bandas 432.

Figura 3.1 Ajuste de contrastes en la imagen estudiada.

La imagen de la izquierda corresponde a la imagen ajustada por contraste, la imagen de la

derecha es la imagen con una configuración por defecto en combinación 432.

3.2. CONTRASTES GENERALES.

Haciendo uso de la herramienta Multiespectral y de la opción Ajuste radiométrico se

obtienen los siguientes resultados aplicando diversos métodos para la imagen Landsat

estudiada.

Figura 3.2. Ajuste radiométrico.

Figura 3.2. Ajuste Radiometrico_ Método histograma ecualización.

Figura 3.4. Ajuste Radiométrico _ Método Gaussian.

Figura 3.5. Ajuste Radiométrico _ Método Dynamic Range Adjust.

Figura 3.6. Ajuste Radiométrico _ Método Invert

.

Figura 3.7. Ajuste Radiométrico _ Método Gamma.

Los ajustes radiométricos por diferentes métodos generan sobre la imagen cambios de color

en las coberturas terrestres. Cada método imprime sobre la imagen cambios de contraste y

aumento de brillo, se puede apreciar que la aplicación de estos métodos aumenta o

disminuye una buena apreciación de las coberturas y pueden ser un soporte a implementar

para clasificar visualmente.

3.3. MEJORAMIENTO ESPACIAL.

Jensen (1986) define la frecuencia espacial como “el número de cambios de valores de

brillo por unidad de distancia de una porción de la imagen”.

ERDAS incluye los filtros para disminuir la frecuencia – filtros de Paso Bajo; y para

aumentar la frecuencia o resaltar los bordes- filtros de Paso Alto. También existe la opción

de filtros direccionales, que resaltan las características lineales de las imágenes.

Figura 3.8. Ventana CONVOLVE para elección de Filtros.

Figura 3.9. Comparación de imagen en combinación 432 (sin filtro) vs imagen en

combinación 432 (con flitro: 3x3 Summary)

Figura 3.10. Comparación de imagen en combinación 432 (sin filtro) vs imagen en

combinación 432 (con filtro: 5x5 High Pass).

Analizando las imágenes se establece que:

Imagen con filtro 3x3 Summary (Figura 3.9): Este filtro genera en la imagen una

disminución del brillo y de contraste pero analizando una cobertura detalladamente (mas

cerca) ofrece una mayor definición de las formas analizadas.

Imagen con filtro 5x5 High Pass (Figura 3.10): Este filtro agrupa los ND de las coberturas

se puede apreciar que el Circo del volcán (Cono glaciar) se encuentra mas definido en sus

bordes y no tan disperso como en la imagen sin filtro, esto mismo se puede apreciar para la

cobertura vegetal.

3.4. MEJORAMIENTO ESPECTRAL.

INDICE DE VEGETACIÓN

Recomendado para realzar las áreas con mayor vigor vegetal y para reducir el efecto de las

sombras originado por el relieve.

Índice de vegetación de diferencia normalizado (NDVI) es más utilizado para la

discriminación de cubiertas vegetales y la actividad fotosintética de las plantas. Su cálculo

se basa en la comparación de la cantidad de luz reflejada en el visible rojo y el infrarrojo

cercano para una zona en particular de estudio.

𝑵𝑽𝑫𝑰 =𝑩𝑰𝑹𝑪−𝑩𝑹

𝑩𝑹+𝑩𝑰𝑹𝑪 Ecuación (2)

Donde:

BIRC = Banda del Infrarrojo cercano.

BR = Banda del Visible Rojo.

Los valores del NDVI son valores numéricos reales, que van desde -1 a +1, donde la

vegetación está presente en el rango de 0.1 (menor vigor vegetal) hasta 1.0 (mayor vigor

vegetal), los valores menores de este rango representa ausencia de vegetación.

Se genera el NVDI de la imagen el algoritmo empleado es:

NVDI = (NIR-RED) / (NIR+RED)

Este proceso junto con el algoritmo se puede apreciar en la figura 3.11.

Figura 3.11. Cálculo del índice de Vegetación de diferencia Normalizada (NVDI).

Figura 3.12. Imagen de estudio aplicando el Índice de Vegetación Normalizada (NVDI).

Se genera el TNVDI de la imagen el algoritmo empleado es:

TNVDI = SQRT [(NIR-RED) / (NIR+RED)+5]

Este proceso junto con el algoritmo se puede apreciar en la figura 3.13.

Figura 3.13. Cálculo del Índice de Vegetación de diferencia Normalizado Transformado

(TNVDI).

Figura 3.14. Imagen de estudio aplicando TNVDI.

Figura 3.15. Imagen NVDI (izquierda) vs Imagen TNVDI (derecha)

Para los dos casos es difícil percibir cambios significativos de una a la otra. Realizando un

análisis de clasificación visual se puede decir que los tonos rojos y amarillos corresponden

a una cobertura vegetal, en tonos magenta se presentan los suelos descubiertos. Los índices

de vegetación como los calculados y empleados en la imagen anterior, son de vital

importancia para facilitar el análisis visual en la clasificación de coberturas, estos generan

un realce en las áreas con mayor vigor de vegetación, y al igual ayudan a reducir el efecto

de sombra causado por la topografía.

CONCLUSIONES

Los filtros son herramientas que nos permiten realizar ajustes a las imágenes satelitales con

el fin de determinar cuál es la mejor opción cuando deseamos realizar clasificaciones

visuales de coberturas, por lo general los filtros aumentan o disminuyen características en la

imagen.

La información estadística contenida en las imágenes satelitales es una fuente de aporte

pues nos permiten determinar la mejor combinación de bandas mediante el IOF con el fin

de realizar una mejor clasificación en base a una mejor discriminación de coberturas

terrestres.

Los Índices de Vegetación Normalizada (NVDI) y Transformada (TNVDI), mediante sus

algoritmos distinguir la cobertura vegetal, en las imágenes analizadas se pueden observar

un rango de colores desde el rojo, amarillo y verde lo cual puede ser un indicio de cuan

vigorosa se encuentra la vegetación según la escala de colores o qué tipo de vegetación está

siendo analizada.

REFERENCIAS

Diapositivas asignatura Sensores Remotos, Corrección de imágenes, IC MSc Diana

Catalina Muñoz.

Moré, G. & Pons, X. Corrección radiométrica automática de imágenes Landsat TM

mediante áreas pseudoinvariantes y modelización MODTRAN. España: Departamento

de Geografía. Universidad Autónoma de Barcelona.

www.usgs.gov/imagery