8/19/2019 Mejoramiento Visual Imágenes Landsat 8

1/15

Taller SIG III

Optimización visual de imágenes satelitales

Presentado por:

Lina López Rubio

Jeniffer Rodríguez Caicedo

Docente:

 Alejandro Salamanca

Universidad de Ciencias Aplicadas y Ambientales

U.D.C.A

Facultad de Ingeniería

Programa Ingeniería Geográfica y ambiental

Bogotá D.C., 7 de marzo 2016

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

2/15

1. Conceptos

a. Imagen satelital del caribe colombiano 2016-03-02 22:23:56, que incluye ciudades

como Cartagena, Barranquilla, El Cármen de Bolívar y Magangué.

Coordenadas tomadas del metadato del insumo: (NE - noreste, NW -nororiente, SE – sureste, SE – suroriente)

Latitud central 10°07'20.60"N

Longitud central 74°46'17.87"W

Latitud esquina NW 11°10'09.12"N

Longitud esquina NW 75°26'04.16"W

Latitud esquina NE 10°48'32.36"N

Longitud esquina NE 73°43'58.04"WLatitud esquina SE 9°03'59.47"N

Longitud esquina SE 74°06'53.28"W

Latitud esquina SW 9°25'45.70"N

Longitud esquina SW 75°48'25.49"W

b.

1. ¿Qué tipo de imagen descargó?

Landsat 8 OLI (Operational Land Imager)/ TIRS (Thermal InfraredSensor)

https://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degreeshttps://lta.cr.usgs.gov/landsat_dictionary.html#coordinates_degrees

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

3/15

2. ¿Cómo lo hizo?

Descargada del aplicativo de earthexplorer.usgs.gov, del data set “L8

OLI/TIRS” de Landsat Archive. 

Procedimiento:

1. Elegir la zona de la cual se desea descargar la imagen (Figura 1)

Figura 1: Elección zona por coordenadas.

2. Elegir el data set Landsat Archive/ L8 OLI/TIRS (Figura 2)

Figura 2: Elección data set.

3. Elegir la imagen deseada, teniendo en cuenta elementos que

dificulten el análisis de la imagen como la nubosidad (Figura 3)

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

4/15

 Figura 3: Elección imagen.

4. Descargar el archivo más pesado que es el insumo completo con elmetadato.

Figura 4: Descarga de la imagen

3. ¿Cuál es la resolución espacial, espectral y radiométrica de la imagen?

R. espacial:

i. OLI Banda multiespectral: 30 metros

ii. OLI Banda pancromática: 15 metrosiii. TIRS Bandas térmicas: 100 metros

R. espectral:

i. OLI Banda multiespectral

ii. OLI Banda pancromática

iii. 9 TIRS Bandas térmicas

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

5/15

R. radiométrica: 16 bits (A pesar de los datos encontrados anteriormente

que dice ser 12 bits, en las propiedades de la imagen observadas en

 ArcGIS se identifica 16 bits)

c.

a) ¿Cuál es el sistema de referencia espacial de las imágenes?WGS84 - zona UTM 18

b) ¿Cuál es el área efectiva de la imagen en kilómetros cuadrados?

37198.8 Km2, esta se calculó con la herramienta “mensuration”. 

Figura 5: Cálculo área efectiva.

d. Optimización de imágenes:

Una imagen satelital es la representación gráfica de un objeto emitida por un aparato

eléctrico u óptico. Estas imágenes están compuestas por celdas llamadas pixeles

correspondientes a un valor numérico que representan el color que tiene la imagen, este

puede ser representado en un histograma que muestra la variabilidad de estos datos.

(Usandivarias, 2002)

Para la combinación de bandas, los procesadores están compuestos por tres bandas

principales RGB, y al combinarlas se obtienen nuevas bandas, en las cuales se pueden

ubicar las del sensor y así generar nuevos tonos y colores (Figura 6). (Herrera, 2012)

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

6/15

 Figura 6: Gráfico tomado de

http://www.cartesia.org/data/apuntes/telede

teccion/landsat-analisis-visual.pdf

Para este taller se utilizó el software ArcGIS, que permite el tratamiento de imágenes, y

el análisis de los valores nombrados anteriormente que además representan los colores

que no son visibles para el ojo humano, y que tienen un valor en el espectro

electromagnético.

Estos valores permiten la identificación de ciertos elementos geográficos que no son

visibles con el color real de la imagen (vegetación sana, tipo de suelo, penetración

atmosférica).

Según ESRI, el software ArcGIS cuenta con

herramientas que permiten la optimización de estas

imágenes como lo es “Image Analysis” (Figura 7) que

en la sección “Display” permite manipular la apariencia

de la imagen, como por ejemplo el contraste o el brillo,

así como la visualización del histograma para observar

la variabilidad de los valores de estas características.

“Image Analysis” cuenta con otra sección que es

“Processing” que brinda técnicas de análisis de los

datos de la imagen, tales como la combinación de

capas, crear el índice diferencial de vegetaciónnormalizado (NDVI), mosaicos o filtros. Y una tercera

sección “Mensuration” que permite hacer medidas de

puntos, distancia, ángulo, altura, perímetro y el área de

una imagen.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

7/15

 Figura 8 : “Processing” y “Mensuration”. 

Figura 9: Marco conceptual.

e. Conjunto de datos discreto o continuo:

a) Datos discretos: Las variables de este grupo solo pueden tomar valores

posibles. (Orellana, 2001)

Según ESRI son denominados como datos temáticos, categóricos o

discontinuos que representan objetos en los datos ráster y vector. Estos

tienen límites definibles y conocidos.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

8/15

Ejemplos: Lagos, edificios, carreteras, parcelas, tipos de suelo.

b) Datos continuos: Por lo general, son el resultado de mediciones que se

expresan en unidades. Este conjunto puede tomar distintos valores

dentro de un rango según el tipo de medición. (Orellana, 2001)

Según ESRI representan fenómenos que permiten su medición a partir

de un punto fijo en el espacio o una fuente de emisión. Estos también

son llamados datos de campo, no discretos o de superficie.

Ejemplos: Elevación, orientación, dispersión de población, propagación

de enfermedad.

2. ¿Qué elementos puede reconocer sobre la superficie terrestre?

Con la banda 8 (pancromática) podemos identificar ciudades principales tales como

Barranquilla, Cartagena y otras más pequeñas como Tolú, Fundación, Soledad,

Magangué, Santa Ana, Mompós identificadas gracias a otra herramienta (Google Maps).

 Así como algunas carreteras que conectan las dos grandes ciudades en esta área, pero

muy pocos caminos.

El nivel de detalle para estos elementos en todas las bandas es moderado, pues debido

a la nubosidad de la zona sur y la resolución espacial no se pudo identificar muy bien

otros centros poblados, que por conocimiento previo del territorio sabemos que están en

esta zona.

Figura 10: Identificacion de Barranquilla, Cartagena y otros centros poblados.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

9/15

Con la banda 7 podemos identificar los cuerpos de agua como la gran ciénaga de Santa

Marta, el rio Magdalena que atraviesa la imagen y algunos canales o ciénagas que están

conectados a este.

El nivel de detalle proporcionado por esta banda es muy bueno, pues todo cuerpo de

agua o zona húmeda se identifica con color negro (Figura 11), se puede observarclaramente el límite agua-tierra, esto fue verificado por la herramienta mencionada

anteriormente.

Figura 11: Identificación de cuerpos de agua, Ciénaga de Santa

Marta y rio Magdalena.

3. Ejecución de mejoramientos globales: Los mejoramientos que se utilizaron fueron

combinación de bandas (Figura 14, 15 y 16) y contraste/brillo (Figura 17).

Combinación de bandas y contraste/brillo:

La composición de bandas permite combinar capas ráster con las diferentes bandas

RGB y así realizar otros análisis como el NDVI. El contraste y brillo por medio de la

modificación de los valores de los píxeles permite la posible mejora de la imágen.

(ESRI, 2015) 

Procedimientos:

1. Cargar bandas en ArcMap.

2. Habilitar ventana “Image Analysis” 3. Consultando previamente la combinación de bandas para Landsat 8,

seleccionarlas manteniendo oprimida la tecla shift.

4. En la sección “Processing” seleccionar el icono de “Composite bands” 

5. Si se desea guardar la nueva imagen.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

10/15

 Figura 12: Procedimiento combinación de bandas.

Figura 13: Combinación de bandas 7, 6 y

4 para el falso color (urbano). 

Figura 14: Imagen Falso color

(urbano). 

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

11/15

 

Figura 15: Penetración atmosférica Bandas 76 5.

Figura 16: Vegetacion saludable 5 6 2.

Figura 17: Procedimiento y el Antes y después de la ciudad de Cartagena (1:62000) ejecutando

mejoramientos de contraste y el brillo.

4. Ejecución de mejoramientos locales: Los mejoramientos que se utilizaron fueron

Pan sharpened (Figura 19) y sharpening 3x3 (Figura 21)

Pan Sharpened y sharpening 3x3:El pan sharpened permite mejora la resolución espacial de la multiespectral con la

pancromática, y los detalles de la multiespectral a la pancromática. El sharpening

3x3 aumenta el pan sharpened. 

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

12/15

 

Procedimientos:

a) Cargar bandas en ArcMap.

b) Habilitar ventana “Image Analysis” 

c) Consultando previamente la combinación de bandas para

Landsat 8, con la herramienta “Create pan-sharpened rásterdataset” seleccionar la banda multiespectral y pancromática

d) Para el Sharpening 3x3 Seleccionar en la ventana “Imagen

 Analysis” la imagen pansharpened y seleccionar el filtro. 

e) Si se desea guardar la imágen.

Figura18: Procedimiento Pansharpen.

Figura 19: Resultado Pan- sharpening Ciudad de Cartagena Escala 1:62000.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

13/15

 Figura 20: Filtros Figura 21: Pan-sharpened a Sharpening

3x3

5. Análisis de resultados

Mejoramientos globales:

  Falso color urbano (bandas 7,6,4): En esta imagen (Figura 14) las zonas urbanastienden a los azules claros, esto se debe a que los materialesde construcción usados, emiten ese espectro. En algunas zonasson difíciles de diferenciar, pues los materiales naturales como el barro y lamadera suelen confundirse con el entorno.

  Penetración atmosférica (bandas 7, 6,5): En esta imagen (Figura 15) los coloresnaranja nos indican aquellas zonas donde la penetración de la radiación solar esmayor, si aumentamos su contraste, estas zonas tendrán una coloración másintensa ; con el brillo controlamos la cantidad de luz, esto quiere decir que amayor brillo, más opaca se verá la imagen y entre menos brillo, esta se tornaráoscura); con la transparencia los pixeles llegaran a tener una fusión con el fondo(tomando características mate); y con el control deslizante gamma podemosllegar a maximizar en ancho de banda en bits relativos, ya sea para codificarvalores brillantes u oscuros.

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

14/15

 

Mejoramientos locales:

  Pansharpening: Mejoramos la resolución espacial de nuestra imagen con labanda multiespectral. Esto sucede fusionando una imagen una de

alta resolución (pancromática) y una de menor resolución (multiespectral), lo cualnos da una imagen a color con alta resolución. La resolución espacial de lamultiespectral se baja a la a la resolución de la pancromática, en este caso de30m a 15m.

  Sharpening 3x3: En este caso se resta una imagen borrosa de la original y, acontinuación, se aumenta su contraste de nuevo a gama completa. Un 3*3 es unfiltro de suavizado, así que cada pixel se sustituye con la suma o media de símismo y sus ocho vecinos.

Figura 22: Esquema

6. Conclusiones

  A partir del conocimiento previo del territorio (condición climática, relieve, nubosidad)se determina cual es la mejor técnica para analizar la imagen que se tiene.  

  Si se tiene mayor conocimiento sobre el espectro electromagnético, y las curvasde reflectancia del elemento a analizar, esto permite realizar cambios manuales en elhistograma y así obtener el producto que se desea. 

  Para mejorar características de tipo espacial en una imagen, podemos agregar

diferentes filtros a la imagen cruda. 

  Las mejoras radiométricas de una imagen aumentan los contrastes en ciertos rangosespectrales.

  Para la combinación de bandas usadas se puede definir la siguiente fórmula:Vegetación saludable + falso color (urbano) = protección zonas verdes, crecimientourbano, detalles que no son visibles por el ojo humano.

  La mejora “Sharpened more” sobre el sharpened, aumenta el detalle de la imagen por

medio de la resolución. 

8/19/2019 Mejoramiento Visual Imágenes Landsat 8

15/15

  La mejora del brillo y contraste en este caso permite observar con mayor facilidad el

limite mar-tierra. 

  La mejora Sharpening 3x3 permite observar con claridad las manzanas catastrales,vías, caminos, cálculo de áreas perímetros. 

REFERENCIAS

ESRI. (2015). Datos continuos y discretos. ArcGIS for Desktop. Recuperado: 5 Marzo

2016, de http://desktop.arcgis.com/es/desktop/latest/manage-data/raster-and-

images/discrete-and-continuous-data.htm

ESRI. (2016).  ArcGIS:  For image display and analysis | ArcGIS Resource Center.

Resources.arcgis.com.  Recuperado 7 de Marzo 2016, de:

http://resources.arcgis.com/es/communities/imagery/018500000008000000.htm

Herrera, E. (2012). El satélite Landsat. Análisis visual de imágenes obtenidas del sensorETM+ satélite Landsat. Cartesia.org. Recuperado de:

http://www.cartesia.org/data/apuntes/teledeteccion/landsat-analisis-visual.pdf

NIST (2016). Sharpen. Recuperado de: http://www.nist.gov/lispix/imlab/filter/sharpen.html

Orellana, L. (2001). Estadística descriptiva. Buenos Aires: Universidad de Buenos Aires.

Facultad de ciencias exactas y naturales. Departamento de matemáticas.

Recuperado de:

http://www.dm.uba.ar/materias/estadistica_Q/2011/1/modulo%20descriptiva.pdf

Usandivarias, J. (2002). Optimización del uso de imágenes satelitarias en situaciones de

riesgo.  Párrafos Geográficos, 1, 20-27. Recuperado de:http://igeopat.org/parrafosgeograficos/images/RevistasPG/2002_V1/1-4.pdf