IMPLEMENTACIÓN METODOLOGICA ORIENTADA A PIXEL Y USO DE NDVI PARA EL MAPEAMENTO DE LA ARBORIZACIÓN DE VIAS

PÚBLICAS DEL BARRIO CHAPADA, PONTA GROSSA-PR, CON USO DE IMAGENES PLÊIADES

Jessika Zambrano1

Sílvia Méri Carvalho2

Gil Gonçalves3

Resumen

Este artículo tiene como objetivo principal proponer una metodología orientada a pixel (BLASCHKE, 2009), para contribuir en el análisis de la distribución espacial de la arborización urbana en las vías públicas. Para ello se tuvieron en cuenta dos metodologías y la implementación del NDVI. Las dos metodologías hacen referencia al método de análisis visual, (MÉNDEZ, 2007) y clasificación supervisada, (PINILLA, 2006) con el fin de mapear el número de árboles en las vías del barrio Chapada de la ciudad de Ponta Grossa – PR. El estudio parte de un mapeamiento previo del barrio realizado por (CRISPIM, CARVALHO, 2018), y posteriormente fue extraída la vegetación arbórea localizada en las vías, por medio del cálculo del NDVI y estableciendo un área de influencia de 10m a partir del eje central de las vías del barrio, para subsiguientemente, procesar esa información utilizando uno de los métodos, la clasificación supervisada y NDVI. Como resultados obtenidos, fueron identificadas inicialmente por el análisis visual 3101 árboles en 228 vías, para el caso del NDVI se presentó un 66% de similitud (2050 árboles) y la clasificación supervisada obtuvo un mapeo superior al obtenido por medio de la metodología del análisis visual, consiguiendo 3430 árboles. Vale aclarar que en algunas regiones se generaron árboles que no fueron registrados por el análisis visual y algunos registrados por ellos que no fueron reflejados en el NDVI ni en la clasificación supervisada. Por consiguiente se requirió de la identificación de los verdaderos positivos y los falsos positivos. En cuanto al NDVI es un índice que facilita la identificación de los árboles, mas sin embargo se hacen visibles algunas falencias, como por ejemplo la mistura de los pixeles (GARCÍA y MARTÍNEZ, 2010), la reclasificación de los intervalos aún posee un poco de subjetividad. Dicho lo anterior se hace la aclaración que el mejor método de clasificación para la extracción de árboles en el presente trabajo fue la clasificación supervisada, ya que ella permite realizar las firmas espectrales más definidas, por medio de áreas de entrenamiento que reconocen el comportamiento espectral del pixel mucho más certero. Por tal razón esta clasificación supera a la del análisis visual y la implementación del NDVI. Para confirmar estas afirmaciones se realizaron matrices de error (TELEDET, 2018) con el fin de observar la calidad de las clasificaciones, arrojando porcentajes aceptables y buenos.

Palabras claves: Clasificación supervisada, NDVI, Arborización urbana.

1 Estudiante del Programa de Pos-graduación en Geografía de la Universidad Estadual de Ponta Grossa.

Email de contacto: Jessika88271@gmail.com

2 Docente del Programa de Pos-graduación en Geografía de la Universidad Estadual de Ponta Grossa. Email de contacto: silviameri@brturbo.com.br

3 Docente de la Facultad de Ciencias y Tecnología de la Universidad de Coímbra. Email de contacto: gil@mat.uc.pt

IMPLEMENTATION OF PIXEL-ORIENTED METHODOLOGY AND USE

OF NDVI FOR MAPPING THE URBAN TREES OF PUBLIC ROADS OF

THE CHAPADA NEIGHBORHOOD, PONTA GROSSA-PR, WITH USE OF

PLEIADES IMAGES

Abstract: This paper aims to propose a pixel-oriented methodology (BLASCHKE, 2009), to contribute to

the analysis of the spatial distribution of public roads urban trees. For this, two methodologies and the

implementation of the NDVI were considered. The two methodologies make use of the visual analysis

method (MÉNDEZ, 2007) and supervised classification (PINILLA, 2006) in order to map the number of

trees of the Chapada neighborhood roads in the city of Ponta Grossa-PR. This study was based on a

previous mapping of the neighborhood, carried out by CRISPIM, CARVALHO (2018) and later the tree

vegetation located in the roads was extracted by NDVI calculation and an area of influence of 10m was

established from the central axis of the neighborhood roads, to then process that information using one of

the methods, supervised classification or NDVI. As results, were initially identified by visual analysis 3101

trees in 228 pathways, for the case of the NDVI 2050 trees, a similarity of 66% and for the supervised

classification, a higher mapping was obtained by the means of the visual analysis methodology, reaching

3430 trees. It is noteworthy that in some regions trees were generated that were not recorded by visual

analysis and some records, which were not reflected in the NDVI nor in the supervised classification. It

was therefore necessary to identify true positives and false positives. Although the NDVI is an index that

facilitates the identification of the trees, some flaws are still visible, such as the mixture of the pixels

(GARCÍA and MARTÍNEZ, 2010), and in the reclassification of the intervals there is still a little

subjectivity.That being said, it is noteworthy that the best method of classification for the extraction of

trees in the present work was the supervised classification, since it allows a better recognition of spectral

signatures, through training areas, which recognize the pixel’s spectral behavior more accurately. For this

reason, this classification exceeds visual analysis and implementation of NDVI. To corroborate these

statements, matrices of error were elaborated (TELEDET, 2018) in order to observe the quality of the

classifications, achieving acceptable percentages.

Keywords: Supervised classification, NDVI, Urban trees.

1- Introducción

La arborización urbana es una de las categorías dentro del espacio urbano, que

otorga el beneficio de disminución de las consecuencias que son presentadas por el

desarrollo industrial, poblacional, residencial, que poseen todas las ciudades del

mundo. La arborización urbana independiente de qué clase de arborización sea

siempre tendrá tres funciones, ecológica, estética y social (BIONDI, 2008). Los estudios

que se han venido realizando se centran en la importancia de plantar nuevos árboles,

conservar los antiguos, en el análisis y levantamientos sobre la presencia de espécies

endémicas, nativas y exóticas. Con respecto a la arborización de las vías, las cuales

hacen referencia a los árboles plantados a lo largo de las calzadas, Biondi (2008) afirma

que dicha vegetación, contiene el factor que establece más contacto con la población

urbana en general. La arborización de las vías es uno de los elementos de la

vegetación urbana que consigue hacer una simbiosis con los espacios libres, áreas

verdes y reservas forestales, logrando una biodiversidad. (SANTOS, LISBOA e

CARVALHO, 2012). Es una categoría que debe ser tratada con cuidado, pues su

planeación en el caso de algunas ciudades de Brasil, no es elaborada de forma

correcta, trayendo consigo daños a las vías, causando afloramiento de las raíces

impidiendo el correcto acceso de caminos, generando problemas con redes eléctricas, y

en determinadas ocasiones, generando perjuicios a la propia población.

El éxito de una arborización viaria radica, en un adecuado conocimiento de las

características y de las condiciones ambientales del lugar, esto debido a la cantidad de

factores relacionados con el espacio artificial. Por tal razón al realizar un plantío de

árboles este debe ser planeado y basado en criterios técnicos, con el fin de establecer

un equilibrio tanto con el árbol como con su entorno (SANTOS, LISBOA e CARVALHO,

2012). Es fundamental el inventario de la arborización urbana de cada ciudad, ya que

por medio de esta pueden ser hechos los planes de ordenamiento territorial que todavía

no estén encaminados o a su vez mejorar los existentes. (ARAUJO, 2011). El

levantamiento de la información es primordial para tener una aproximación real de la

ciudad. Este debe considerar el tamaño de la ciudad, el tamaño de la muestra, el

número de árboles, el diámetro, la altura del tronco, la condición del árbol, la presencia

de plagas, la ubicación de redes de servicios, etc. (ARAUJO, 2011). Actualmente las

ciudades del mundo están en la búsqueda de realizar inventarios de su arborización,

con el fin de establecer el estado de los árboles, los beneficios que están otorgando a

los espacios públicos y de igual manera por medio de estas compilaciones establecer

mejoras o nuevas plantaciones, si es el caso. Se ha planteado realizar estos censos de

arborización por medio de la implementación de la percepción remota, sin embargo se

debe tener presente que aún es una tarea con dificultades. (ARDILA et al., 2011). El

uso de estas nuevas alternativas, presenta restricciones al hacer el monitoreamiento,

por lo cual todavía esta distante de tener una precisión y exactitud igual a la que se

realiza en campo. Es válido aclarar algunas de las restricciones que la percepción

remota presenta cuando se quiere realizar un censo arbóreo, dichas limitaciones van

relacionadas a, la resolución espacial de las imágenes, la baja separabilidad espectral

entre las copas de los árboles y las otras superficies con la vegetación presentes en la

zona. (POULIOT et al., 2002). Además de lo anteriormente exaltado, se debe tomar en

consideración, que el espacio urbano, está conformado, por suelos urbanizados, vías,

plazas, lo que hace más difícil la identificación del árbol y el comportamiento que este

tiene en la imagen. Conjuntamente los árboles se observan en las imágenes

dependiendo de su especie, su estado de salud, forma de plantación, es decir en

algunas zonas los arboles están plantados de manera aislada o en conjuntos que al

observarse en la imagen tienden a fusionarse impidiendo su identificación individual con

certeza. (ARDILA et al., 2011).

De acuerdo con Ardila et al., (2011) como estos factores limitan la aplicabilidad

de los clasificadores espectrales para la identificación del árbol, es una solución

prometedora abordar la complejidad del espacio urbano mediante el uso de contexto de

la imagen. Contexto, definido como cualquier información que puede utilizarse para

caracterizar la situación de la entidad, es un elemento esencial para el reconocimiento

de la función. Cuando se habla del reconocimiento visual de los árboles en las

imágenes de satélite, estas otorgan ciertas ventajas para dicho procedimiento, puesto

que poseen características como el manejo de sus bandas espectrales en los canales

del RGB, que facilitan en mayor proporción la identificación de estos, permitiendo un

realce a los pixeles que se quieren destacar.

Para la realización de este artículo, se decidió implementar el método de análisis

basado en pixel, el cual consiste en la interacción local de pixeles individuales dentro de

una captura de un tamaño específico. (BLASCHKE, 2009). Dicha metodología es

conocida como, clasificación supervisada. De igual manera se incluyó el índice de

vegetación normalizada conocido como NDVI. El objetivo principal del artículo es

realizar una comparación, por medio de la implementación de tres metodologías,

análisis visual, NDVI y clasificación supervisada, con el fin de identificar la diferencia de

captura del número de árboles en las vías del barrio Chapada en Ponta Grossa-PR.

2. Material y Métodos

Para la elaboración de este artículo se tomó como recorte espacial el Barrio

Chapada, ubicado en la parte noroeste de Ponta Grossa, con un área aproximada de

17km2 (Figura 1).

La base de datos disponible por LAESA-Laboratorio de Estudios

Socioambientales está compuesta por archivos digitales de sus vías, el perímetro del

barrio y del mapeamiento (puntos) a partir del análisis visual, a su vez la imagen

satelital del sensor comercial Plêiades (ya con corrección geométrica). El satélite está

constituido de 50cm de resolución en color y ortorectificados 2m para imágenes

multiespectrales. (GEOSOLUCIONES, 2016).

Adicionalmente las imágenes satelitales necesitan ciertos procedimientos para

poder ser clasificadas, uno de ellos es conocido como el algoritmo panSharp (AMRO et

al., 2011), el cual es uno de los más empleados en la fusión de imágenes. El método

fue desarrollado con la finalidad de resolver unos de los mayores problemas

presentados en la unión de las bandas de imágenes que es la distorsión del color. Para

la realización del NDVI, no es necesario tener las bandas fusionadas, puesto que este

realiza una operación matemática con las bandas espectrales individuales. Por

consiguiente se realizó el NDVI a la ciudad de Ponta Grossa, para luego por medio del

perímetro del barrio solo obtener el NDVI de dicha zona.

A continuación a partir de una selección de atributos de acuerdo a los valores (-1

0 y 1) y a la reclasificación de estos, adicionalmente empleando la visualización del

profesional, se determinaron los rangos de discriminación para lo que es y no es

vegetación. Al momento de obtener el NDVI del barrio, se escogieron intervalos donde

se separara lo que es vegetación de lo que no es, posteriormente se añadió la capa de

vías, con el fin de establecer un buffer de influencia de 10m y extraer solo esa área.

Cuando se obtuvieron los resultados, se escogieron intervalos otorgados por el

NDVI, de tal forma que se visualizara y se obtuviera numéricamente, dentro de lo que

se tenía como vegetación, se extrajera lo que es arborización. Habiendo logrado

obtener la capa de la arborización dentro de las vías se llevó a cabo la conversión de

dicha clase a polígono, con el fin de determinar cuántos arboles habían sido

identificados. En seguida se realizó una depuración de polígonos debido a que la

conversión genera algunos excesos.

Figura 1 Localización Barrio Chapada

Fuente: Los autores

Después de esto ya realizado se crea los centroides de cada polígono y se

compara con el archivo digital pre existente, con el fin de establecer la diferencia de

captura. Para el caso de la clasificación supervisada se realizó de manera general a

toda Ponta Grossa. Se generó un archivo digital con puntos distribuidos de manera

aleatoria, donde la imagen la cual tenía una combinación RGB 1 4 3. Para realizar esta

clasificación se usó las clases y colores RGB de la cobertura de uso de la tierra (IBGE,

2006), con el fin de tener un conocimiento anticipado de la distribución del suelo de la

ciudad en su totalidad. Centrados en el barrio, se realizó el mismo procedimiento

adoptado en la ejecución del NDVI, adicionando una reclasificación a la imagen que

correspondía a los 10m de buffer de las vías.

3. Resultados y Discusión

El objetivo principal de la generación del NDVI es obtener una discriminación por

medio de los valores, y observar de manera certera que es vegetación y que no. Con

una desviación estándar de 0.21 y la media que fue de 0.4, se puede interpretar que los

datos tiene una variabilidad significativa. Por lo tanto no se va a encontrar fácilmente

una homogeneidad en los pixeles. Se extrajo una máscara del NDVI total de la imagen

de la ciudad, con el fin de visualizar de mejor manera la vegetación y no vegetación

presente en el barrio. Se tomó la decisión de extraer por medio de una reclasificación,

valores negativos entre -0.57- 0.13, y entre -0.14 - 0.25 donde no se evidenciaba

presencia de vegetación. Nuevamente se reclasifico el resultado de la extracción de lo

que era vegetación y se generaron las siguientes capas: solo, solo expuesto, campo

con árboles, árboles, bosque con árboles.

Se hace la aclaración que, la similitud espectral entre los valores del NDVI de

árboles y bosque limito la discriminación basada únicamente en el cálculo del NDVI, por

lo cual se recomienda la incorporación de nuevas variables para obtener una

clasificación más acertada. (GARCÍA e MARTINEZ, 2010). Para la obtención de los

puntos extraídos del NDVI, se tomó las últimas tres clases es decir campo con árboles,

árboles, bosque con árboles, se realizó una depuración visual minuciosa para

posteriormente calcular su centro de y obtener los árboles. A partir de los resultados

anteriores se analizó que tan cercanos estuvieron los arboles extraídos desde el NDVI,

con 1680 árboles mapeados en comparación a los capturados por Crispim e Carvalho

(2018), con 3101 árboles. Vale aclarar que estos últimos fueron capturados de manera

visual y manual.

En la clasificación supervisada, o por pixel, se crean polígonos, que delimitan los

pixeles de acuerdo a su comportamiento espectral, para posteriormente ser ubicados

en una clase que será definida por el intérprete. Se podría indicar que esta metodología

es relativamente buena en cuanto se realiza en lugares de pixeles homogéneos, pero

se puede llegar a presentar una disminución de precisión cuando se encuentra una

mezcla de pixeles con comportamientos espectrales similares dentro de la imagen,

dificultando clasificarlos en la clase que les corresponde. Sus principales

inconvenientes son que no considera la información espacial de la imagen, al igual que

la existencia de pixeles mixtos que representan dos o más capas. También es debido a

que el tamaño del pixel supera el del objeto, esto se puede remediar empleando

imágenes de resoluciones altas. (RECIO, 2009).

Existen varios métodos de clasificación de la escena en función de las signaturas

espectrales, para el caso de la clasificación del barrio Chapada se tomó la decisión de

hacerlo por máxima probabilidad.

Se tiene la opción de depurar los polígonos generados al momento de la

conversión de raster a polígono, para este caso se tomó la opción de retirar los

polígonos generados, utilizando la metodología de análisis visual, realizando un paneo

minucioso y determinando que polígonos estaban dando información equivocada

respecto a los arboles ubicados en las vías.

La evaluación de la clasificación supervisada se realizó por medio de la

generación de una matriz de confusión. (CHUVIECO, 1995). Se registró en el análisis

visual 3101 árboles para el barrio Chapada, por medio del NDVI 1680 árboles (figura 2),

lo cual indica un 55% de cercanía al mapeo realizado en la clasificación de análisis

visual. De esos 1680 árboles solo 891 son verdaderos, es decir están dentro de un área

de influencia establecida por el intérprete de 5m de los arboles obtenidos por análisis

visual.

Figura 2 Mapeo de árboles del barrio Chapada por NDVI y Análisis Visual

Fuente: los autores

El clasificador tiene como falsos negativos 789 los cuales están fuera del área de

influencia pero son arboles verdaderos.

Para la metodología de la clasificación supervisada se obtuvo 3137 árboles

(figura 3), es decir supero el conteo de análisis visual realizado. Vale aclarar que en

algunas regiones se generaron árboles que no fueron registrados por el análisis visual y

si fueron generados tanto por la clasificación supervisada como por el NDVI. De esos

3137 árboles 2856 son arboles verdaderos, es decir se encuentran dentro del área de

influencia establecida.

En cuanto al cálculo del NDVI de todo el barrio se obtiene un total de

confiabilidad del 98,42% a partir de la generación de la matriz de confusión. El resultado

de confiablidad del proceso de la matriz de error es satisfactorio, pero se debe tener en

cuenta que el NDVI no es una clasificación simplemente es un índice que se empleó

para hacer una selección de la vegetación, que permitió resaltar la arborización en las

vías encontradas en el barrio Chapada. El resultado de la matriz de error realizada para

el NDVI de las vías, arroja una confiabilidad del 67.64%. Es comprensible este

resultado puesto que se presentó mistura en los pixeles debido a su similitud en los

niveles digitales y su vecindad.

Figura 3 Árboles extraídos a partir de clasificación supervisada - barrio Chapada

Fuente: los autores

La matriz de error de la clasificación supervisada de todo el barrio Chapada,

arrojo un mejor resultado, una precisión de clasificación del 81.42%. De igual manera

se realizó la matriz de confusión para el buffer vial establecido, obteniendo un 82.35%

de confiabilidad.

En cuanto al NDVI se observa una limitación en comparación con la clasificación

supervisada, puesto que el NDVI, trabaja con la resolución espacial de las bandas

multiespectrales, por lo tanto el área de pixel es más grande que los pixeles de la

imagen fusionada. El comportamiento de los niveles digitales en el NDVI presentó una

inclusión de pixeles clasificados como no vegetación arbórea, esto se dio debido a que

se encontraban muy próximos de los pixeles de dicha clase. Esto se diferencia de la

clasificación supervisada, que otorga la posibilidad de hacer capturas de pixel más

específicos, es decir con un área más pequeña debido a la inclusión de la banda

pancromática que da origen a una discriminación más certera.

Para ello se recurre a la teoría de los verdaderos positivos, los cuales hacen

referencia a los datos que el proceso declaro como arboles verdaderos y resultaron

siendo verdaderos. Luego se encuentran los falsos positivos, que hacen referencia al

número de árboles que el clasificador declaro verdadero y que en realidad no lo son. A

su vez se obtiene los falsos negativos, que son el número de árboles que el clasificador

declara negativos y que en realidad son verdaderos. (XLSTAT, 2017). Para obtener los

resultados se realizó una influencia de 5m a los arboles otorgados por la metodología

del análisis visual, se decidió realizarlo de esa manera porque los árboles que fueron

mapeados por medio de esta metodología se posicionaron en el centro de la copa de

los árboles, y los obtenidos por medio de la clasificación supervisada y NDVI, se

encontraban desplazados hacia los laterales e incluso fuera de la copa de los arboles

pero muy cerca de ellos.

4. Conclusiones

Sin embargo tanto el NDVI como la clasificación supervisada son ayudas que

facilitan la captura de árboles, pero aún se hacen visibles algunas falencias, como por

ejemplo la mezcla de pixeles que tiene el mismo comportamiento espectral para el caso

de la metodología de clasificación supervisada. Los resultados certeros obtenidos para

el reconocimiento de los arboles fueron logrados por el método de la clasificación

orientada a pixel, ya que ella permite realizar una escogencia de pixeles más detallada,

es decir cuanto más pixeles se puedan tomar en la etapa de la escogencia de clases de

entrenamiento más se obtendrá un mejor resultado, y generara menos polígonos de

tamaño de pixel.

Es por eso que el valor de reconocimiento de árboles es mayor que el NDVI.

Además se observó que la concordancia, o sea la sobre posición de puntos son

mayores entre la clasificación supervisada y el análisis visual. Se debe tener en cuenta

que el NDVI, es un índice que permite identificar lo que es vegetación y no vegetación.

Por medio de una reclasificación se pueden realizar intervalos de pixeles que el

intérprete visual puede otorgar como clases, y posteriormente emplear la metodología

del análisis visual, mas no es una metodología para clasificar, sin embargo en el

presente trabajo se utilizó para realizar una comparación teniendo la certeza de lo que

era vegetación y no vegetación. Todos estos resultados se lograron porque se contaba

con el mapeamiento previo, por medio de la metodología de análisis visual para el

barrio. No todos los barrios de Ponta Grossa tienen disponibles estas informaciones, y

es aquí donde se deben buscar complementaciones a las mencionadas metodologías.

Más vale aclarar que ninguna de estas metodologías reemplaza al agregado que le da

el trabajo en campo, además se debe tener en cuenta que los software, siempre

tendrán un porcentaje de incertidumbre al momento de hacer cualquier proceso.

5. Referencias

AMRO, I.; MATEOS, J.; VEGA, M.; MOLINA, R.; KATSAGGELOS, A. A survey of classical methods and new trends in pansharpening of multispectral images. EURASIP Journal on Advances in Signal Processing, Granada, p. 1-33, 30 sep. 2011. ARDILA; Juan P. Tolpekin, V.; Bijker, W. Context-sensitive extraction of tree crown objects in urban areas using VHR satellite images, International Journal of Applied Earth Observation and Geoinformation, Netherland, V. 15, p. 57-69, jun. 2011. ARAUJO, A. Arborização Urbana, serie de cadernos técnicos. Paraná, 2011. BIONDI, D. Arborização Urbana Aplicada à educação Ambiental nas escolas. Curitiba, 2008. BLASCHKE, T. Object based image analysis for remote sensing. Revista ISPRS Journal of Photogrammetry and Remote Sensing, Austria, n. 65, p. 2-16, aug, 2009. RECIO, J. A., Técnicas De Extracción De Características Y Clasificación De Imágenes Orientada A Objetos Aplicadas A La Actualización De Bases De Datos De Ocupación Del Suelo. 2009, 310 f. Tesis (Doctoral en Ingeniería Cartográfica, Geodesia Y Fotogrametría), Universidad de Valencia, Valencia, 2009. CHUVIECO, E. fundamentos de Teledetección Espacial, 2 ed. Madrid, 1995 449 p.

CRISPIM, M.; CARVALHO, S. Distribuição espacial da arborização de vias públicas no bairro Chapada e Piriquitos em Ponta Grossa-pr. In: ENCONTRO ANUAL DE INICIAÇÃO CIENTÍFICA, 27.2018, Ponta Grossa. Resumos…Ponta Grossa: UEPG, 2018, p 1-4 GARCÍA, S.; MARTINEZ, L. Método para identificación de cultivos de arroz (Oryza sativa L.) con base en imágenes de satélite. Revista Agronomía Colombiana, Colombia, v.28, n.2, p 1-12, jul. 2010. GEOSOLUCIONES. Soluciones Integrales en Geomática. Ingeniería Geoespacial, Imágenes de Satelitales de Alta Resolución, 2016. Disponible en: https://www.geosoluciones.cl/documentos/imagenes-alta-resolucion.pdf. IBGE. Brasil em Síntese. 2006. Disponível em: <https://cidades.ibge.gov.br/brasil/pr/ponta-grossa/panorama>. Acesso em: 12 nov. 2018. MENDEZ, E. ANÁLISIS VISUAL DE IMÁGENES. ESPAÑA, 2017. No publicado.

POULIOT, D.A.; KING, D.; BELL, F.; PITT, D. Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration, Remote Sensing of Environment, Ontario, v. 82, p. 322-334, mar. 2002. PINILLA, C. PRÁCTICAS DE TELEDETECCIÓN, Jaen, 2006. Anotaciones de clase. SANTOS, T. O. B.; LISBOA, C. M. C. A.; CARVALHO, F. G. Análise da arborização viária do bairro de Petrópolis, Natal, RN: uma abordagem para diagnóstico e planejamento da flora urbana. Revista da Sociedade Brasileira de Arborização Urbana, Piracicaba, v.7, n.4, p.90-106, 2012. TELEDET. Disponivel en http://www.teledet.com.uy/tutorial-imagenes-satelitales/clasificacion-matriz-confusion.htm. Acceso en: 13 nov 2018

XLAT su solución de análisis de datos. Análisis detallado de sensibilidad y especificad. Disponible en: https://www.xlstat.com/es/soluciones/funciones/analisis-detallado-de-sensibilidad-y-especificidad. Acceso en: 2 mayo. 2019.