MITRE

AGUIRRE

BELGRANO

GENERAL TABOADA

RIVADAVIA

AVELLANEDA

QUEBRACHOS

SALAVINA

Gruesa 13 - 14 Santiago del Estero / Belgrano - Mitre - Aguirre

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja

MORENO

COPO

ALBERDI

JUAN F. IBARRA

FIGUEROA

Gruesa 13 - 14 Santiago del Estero / Copo - Alberdi - Moreno

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja

JUAN F. IBARRA

GENERAL TABOADA

MORENO

BELGRANO

AVELLANEDA

AGUIRRE

Gruesa 13 - 14 Santiago del Estero / Ibarra - Taboada

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja

JIMENEZ

PELLEGRINI

COPO

BANDA

FIGUEROA

ALBERDI

RIO HONDO

Gruesa 13 - 14 Santiago del Estero / Pellegrini - Jimenez

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja

RIVADAVIA

MITRE

AGUIRREGruesa 13 - 14 Santiago del Estero / Rivadavia

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja

 

1 

Determinación de superficie cubierta con Maíz y otros cultivos en los departamentos de Santiago del Estero, campaña 13 – 14.

1º Caso: Departamentos, Jiménez y Pellegrini, sector Noroeste de Santiago del Estero. Datos Satelitales Para el desarrollo del trabajo fueron utilizadas dos imágenes correspondientes al Landsat 8 / sensor OLI. La combinación de bandas utilizada fue de tipo Falso Color Compuesto (FCC), considerando la banda del infrarrojo cercano (TM5); el infrarrojo medio (TM6) y el rojo (TM4), con la asignación de filtros rojo, verde y azul respectivamente (564 / RGB). Las mismas fueron obtenidas gratuitamente del sitio del USGS: http://glovis.usgs.gov/ Programas de procesamiento de imágenes y Sistemas de Información Geográfica: ENVI 5.0 y QGIS 2.4 Chugiak. El sistema de proyección utilizado corresponde al Transverse Mercator, Gauss Krüger, faja 4.

Satélite / sensor  Path Row  Fecha de adquisiciónLandsat 8 / OLI 230 / 78 09/03/2014Landsat 8 / OLI 230 / 79 09/03/2014

Tabla 1: SENSOR E IMÁGENES SELECCIONADAS

A las las bandas se les aplicó la corrección atmosférica: Reflectancia en el Techo de la Atmósfera (TOA) y a reflectividad de la superficie terrestre por el método sustractivo de cuerpo oscuro. Se compilaron, se obtuvo el mosaico de ambas y luego el recorte de los dos departamentos. METODOLOGÍA Para relevar el área de cobertura agrícola de los partidos se utilizó la estratificación realizada oportunamente en 2012, para la aplicación del método de segmentos aleatorios (1) del MINAGRI. Se trabajo solamente sobre la superficie agrícola y ganadera, enmascarando toda el área de descarte de los citados deptos. Para la realización de la clasificación supervisada se tomó como verdad de campo para las áreas de entrenamiento y verificación el operativo de relevamiento de información a campo realizado por el área de Estimaciones Agrícolas en Abril 2014, contando con 50 segmentos de 400 has. cada uno.

 

2 

De las ROI digitalizadas un 60 % correspondieron a áreas de entrenamiento del clasificador y un 40 % para validar los resultados. Se calculó la separabilidad espectral entre los ROIs seleccionados observando que superen el valor 1.8, teniendo especial cuidado entre el cultivo de maíz y otras coberturas tal el caso de diversos tipos de pasturas. 

Separabilidad Espectral: (Jeffries‐Matusita, Transformed Divergence)   

Maíz:       Pasturas: (1.75625011 1.84840104)       Poroto:….(1.97968880 2.00000000)       Soja: …….(1.99999422 2.00000000)       Sorgo: …..(1.85304971 2.00000000)       Rastrojos: (1.99978511 1.99999948)       Campo Natural: (1.98333219 1.99999984)  

Como método de clasificación se realizó una clasificación  supervizada, utilizando el algoritmo de máxima probabilidad (“maximum likelihood”)., luego del proceso de calculó la matriz de error tendiendo en cuenta lo siguiente: Normalmente se acepta como buen indicador un Kappa de 0.75 o bien una “overall accuracy” de 85%  (2) 

 

RESULTADOS. 

 

 

 

3 

Superficie de cultivos: 

Cultivo Superficie en Has.Maiz 108892Poroto 51624Pasturas 99133Soja 65179Sorgo 11587Rastrojos 37661CampoNatural 69168Total 443244  

Matriz de Error: 

Overall Accuracy = (12604/14014) 89.9386% Kappa Coefficient = 0.8694  

Ground Truth (Percent) Class Maiz Poroto Pasturas Soja Sorgo Rastrojos CampoNatural TotalUnclassified 0 0 0 0 0 0 0Maiz 90.57 0 8.61 0 0 0 4.79 26.57Poroto 0.63 88.89 0.27 0.73 54.64 0 11.98 6.22Pasturas 0.32 0.79 89.97 0 0.71 0 15.96 16.55Soja 0 0 0 98.87 0 0 0 33.77Sorgo 7.96 10.32 0 0.4 44.64 0 0 3.56Rastrojos 0 0 0.27 0 0 100 0 4.85CampoNatural 0.53 0 0.89 0 0 0 67.27 8.5Total 100 100 100 100 100 100 100 100  

 

 

(1) Método de Segmentos Aleatorios” para la estimación de la superficie sembrada con cultivos extensivos. (2) Pablo Vazquez, Claudio Fonda, Florencio Moore. “Protocolo de trabajo en el área de Teledetección y SIG” 

 

4 

Bibliografia:

1. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index. Remote Sens. Environ. 62: 241‐252. 

2. Caselles V. y López M. J. (1989). An alternative simple approach to estimate atmospheric correction in multitemporal studies. Int. J. Remote Sensing. 10: 1127‐1134. 

3. Chuvieco  E.  (2000).  Fundamentos  de  teledetección  espacial.  Capítulo  7.  Tratamiento digital de imágenes: II. Generación de información temática Ediciones Rialp, S.A. Madrid. Tercera edición. 406‐408. 

4. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y.  (2002). Vegetation and soil lines in visible spectral space: a concept and technique for remote estimation of vegetation fraction. Int. J. Remote Sensing. 23 (13), 2537–2562. 

5. Matsushita B. y Tamura M.  (2002).  Integrating remotely sensed data with an ecosystem model to estimate net primary productivity in East Asia. Remote Sens. Environ. 81: 58–66. 

6. NASA.  (2001).  Landsat  7  Science  Data  Users  Handbook: http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.html  

7. Rivas, R., Weizetel, P. y Usunoff E.  (2005). Resultados preliminares de  la estimación del estrés hídrico a partir de  temperatura de superficie y NDVI. Actas  II Seminario Hispano‐Latinoamericano  sobre  temas  actuales  en  Hidrología  Subterránea  –  Relación  aguas suoperficiales – aguas subterráneas. Río Cuarto – Cordoba. 195‐202. 

8. Skidmore A. K. (1989). An expert system classifies eucaliptus forest types using Thematic Mapper data and digital  terrain model. Photogrammetric Eng. and Remote  Sensing. 55: 1149‐1464. 

9. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S. Department of Interior. 8 pp. 

10. Vázquez,  P., Massuelli,  S.  y  Platzeck G.  (2006). Determinación  de  patrones  espectrales para  distintos  usos  del  suelo  en  ambientes  heterogéneos.  Publicación  técnica  nº1. Ediciones INTA. ISSN 1850‐6496. 34 pp. 

  

RIVADAVIA

MITRE

AGUIRREGruesa 13 - 14 Santiago del Estero / Rivadavia

Ü

Imagen Landsat 8 del 9 Marzo 2014: Tonos rojizos: Maíz, Amarillo - anaranjado: Soja