UNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE AGRONOMIA

POSTGRADO EN CIENCIA DEL SUELO ESPECIALIZACIÓN EN GEOMÁTICA

APLICACIÓN DE TÉCNICAS HIPER-ESPECTRALES A IMÁGENES

MULTI-ESPECTRALES (ASTER), PARA IDENTIFICAR SUPERFICIES

CULTIVADAS CON MAÍZ, EN LA LOCALIDAD DE SABANETA,

ESTADO BARINAS

Trabajo Especial de Grado

Jesús Alejandro Ruiz Curcho

Tutor: Msc. Ramiro Salcedo

Caracas, Julio 2008

i i

ii ii

iii

DEDICATORIA

El presente trabajo está dedicado a:

- La memoria de Mis Padres.

- Norma, Adriana Carolina y Gustavo Alejandro.

- Mis Hermanos.

- Mis Suegros.

- Todas aquellas personas que me dieron ánimo para continuar.

- A Dios.

iv

RECONOCIMIENTO

- A la Fundación Instituto de Ingeniería (FII).

- A María Elena Fernández, Ramiro Salcedo, Freddy Flores, Elio Suárez y Gustavo Aguerrevere por su gran apoyo.

- A la Gerencia de Recursos Humanos de la FII.

- A la UCV por darme cabida en la Especialización.

- A todos los Profesores del Postgrado em Geomática, en especial al Profesor Jesús Viloria.

- A la Asociación de Productores Agropecuarios de Sabaneta de Barinas (APROAPSA).

- A la Bolsa de Productos e Insumos Agropecuarios de Venezuela (BOLPRIAVEN).

v

RESUMEN

Los productores agrícolas hacen estimaciones de producción a lo largo del Ciclo de Vida de los Cultivos de manera empírica o formal. Ésto permite a gerentes y autoridades planificar y aplicar políticas agro-alimentarias. Por más de dos décadas la Teledetección ha hecho grandes aportes en la identificación de elementos incluyendo cultivos. En busca de un método idóneo para la detección de cultivos de maíz se propuso la utilización de técnicas Hiper-Espectrales, aplicado a imágenes Multi-Espectrales ASTER. Se seleccionó el maíz por la importancia que tiene en la cadena alimenticia, bajo costo y alto contenido nutritivo. Las bases teóricas que sustentan el trabajo son La Teledetección y la Espectroscopía. La identificación de los cultivos de maíz se hizo en base a la respuesta espectral del sensor ASTER. A las imágenes se les aplicaron los pasos del tratamiento Hiper-Espectral y del procesamiento de imágenes en general: Corrección Atmosférica; Corrección Geométrica; Elaboración de Mosaico y Extracción de Sub-Imagen; Generación de Máscaras; Selección de Áreas Muestra; Aplicación de Fracción Mínima de Ruido, Creación de Firmas Espectrales, Identificación de Rubros, Llenado de Matriz y Evaluación de Resultados. La Identificación del Maíz, consistió en comparar espectros conocidos (firmas espectrales generadas a partir de las áreas muestra) con espectros de la imagen, por diferentes métodos. También se identificaron cultivos de Caña y Arroz. Se ponderaron los resultados para evaluar tanto el poder de identificación del Maíz, como la confusión con el Arroz y la Caña. Los métodos que lograron una mejor identificación con menor confusión, fueron el Filtro de Coincidencias aplicado a las bandas en reflectancia, el SAM aplicado a la Fracción Mínima de Ruido y el SAM aplicado a las bandas en reflectancia. Todas las técnicas Hiperespectrales utilizadas, presentan algún grado de subjetividad en su aplicación. Se Recomienda hacer seguimiento al la incorporación de nuevos Sensores Hiperespectrales satelitales.

Palabras Clave: Teledetección, Espectroscopía, Identificación de Cultivos, Hiper-Espectral, Imágenes ASTER.

vi

ABSTRACT Agriculture workers make estimates of production along crop cycle in an empiric or formal way. Managers and authorities use this information to plan and achieve alimentary policies. In the last twenty years Remote Sensing has made big contribution to target and crop detection. In order to find a better way to crop detection it was proposed to use Hyper-Spectral Techniques applied to Multi-Spectral ASTER imagery. Corn was selected because of its importance for alimentary chain, low cots and high amount of nutrients. Remote Sensing and Spectroscopy are the basis of this study. Corn identification was made using spectral response of ASTER sensor. The following steps were applied to ASTER images: Atmospheric Correction, Geometric Correction, Mosaic, Mask, Training Areas selection, Minimum Noise Fraction, Spectral Signature Generation, Crop Identification, Matrix Creation and Results Evaluation. Corn identification consisted in comparing known signatures (spectral signatures generated from training areas) with imagery signatures, using different methods. Rice and sugar cane were also identified. The best results were obtained by Matching Filtering applied to reflectance bands, SAM applied to Minimum Noise Fraction, and SAM applied to reflectance bands. All Hyper-Spectral techniques show some subjectivity in its application. It is recommended to monitor new Hyper-spectral satellite sensors. Key Words: Remote Sensing, Spectroscopy, Crop Identification, Hyper-Spectral, ASTER Images.

TABLA DE CONTENIDO

pp CAPÍTULO I - EL PROBLEMA DE INVESTIGACIÓN 1. Introducción 1

1.1. Planteamiento del Problema 3 1.2. Objetivos 4

1.2.1. Objetivo General 4 1.2.2. Objetivos Específicos 4

1.3. Importancia y Justificación 5 1.4. Marco Teórico 10

1.4.1. Consideraciones Generales 10 1.4.2. Antecedentes 10 1.4.3. Bases Teóricas 11

1.5. Marco Metodológico 14 1.5.1. Consideraciones Generales 14 1.5.2. Materiales 14 1.5.3. Métodos 14

1.5.3.1.Corrección Atmosférica 16 1.5.3.2.Corrección Geométrica 18 1.5.3.3.Elaboración del Mosaico y Extracción del Área de trabajo 19 1.5.3.4.Generación de Máscaras 20 1.5.3.5.Selección de Áreas Muestra 21 1.5.3.6.Generación de la fracción Mínima de Ruido (MNF) 22 1.5.3.7.Generación de Firmas Espectrales 25 1.5.3.8.Aplicación de Técnicas Hiper-Espectrales en la Identificación

de Maíz 27 1.5.3.9.Aplicación de Filtros 27 1.5.3.10. Selección de Áreas de Verificación 28

1.5.4. Diseño de la Investigación 28 CAPÍTULO II - APLICACIÓN DE TÉCNICAS HIPER-ESPECTRALES EN LA IDENTIFICACIÓN DEL MAÍZ 2. Aplicación Técnicas Hiper-Espectrales en la identificación del Maíz 29

2.1. Clasificación Según el Ángulo Espectral (SAM) 29 2.2. Separación Espectral Lineal (LSU) 30 2.3. Filtro de Coincidencias (MF) 31 2.4. Filtro de Coincidencia de Mezcla Sintonizado (MTMF) 32 2.5. Ajuste de Características Espectrales (SFF) 33 2.6. Ajuste de Características Espectrales de Múltiples Rangos (MRSFF) 34

CAPÍTULO III - PRESENTACIÓN Y EVALUACIÓN DE RESULTADOS 3. Presentación y Evaluación de Resultados 35

3.1. Presentación de Resultados 35 3.1.1. Clasificación Según el Ángulo Espectral 35

3.1.2. Separación Espectral Lineal 37 3.1.3. Filtro de Coincidencias 38 3.1.4. Filtro de Coincidencia de Mezcla Sintonizado 40 3.1.5. Ajuste de Características Espectrales 41 3.1.6. Ajuste de Características Espectrales de Múltiples Rangos 42 3.1.7. Verificación de Resultados (Matriz de Resultados) 45

3.2. Evaluación de Resultados 49 CAPÍTULO IV - CONCLUSIONES Y RECOMENDACIONES 4. Conclusiones y Recomendaciones 52

4.1. Conclusiones 52 4.2. Recomendaciones 53 Referencias Bibliográficas 55 Anexos 59 Anexo A – Planilla de Recolección de Datos en Campo 59

Anexo B - Resumen de Métodos de Identificación de Elementos 63 Anexo C – Resultados Identificación de Maíz (para toda el área de Estudio) 65 Método SAM – Aplicado a las Bandas en Reflectancia (FLAASH) 65 Método SAM – Aplicado a las Bandas MNF 66 Método LSU 67 Método MF – Aplicado a las Bandas en Reflectancia (FLAASH) 68 Método MF – Aplicado a las Bandas MNF 69 Método MTMF 70 Método SFF 71 Método MRSFF 72

ÍNDICE DE CUADROS Y FIGURAS

pp

Figura 1: Ubicación relativa del Estado Barinas. Fuente IGVSB 9 Figura 2: Ubicación del Área de trabajo. Fuente IGVSB 9 Tabla 1: Sub-Sistemas del Sensor ASTER 13 Figura 3: Pasos del Procesamiento Hiper-Espectral 15 Figura 4: Método de Identificación de Maíz Aplicado 16 Figura 5: Interacción Fuente de energía pasiva – Tierra – Sensor 17 Figura 6: Mosaico de Imágenes 19 Figura 7: Área de Trabajo. Comb. 432(RGB) 20 Figura 8: Trazado de polígonos de muestras (color amarillo) 22 Figura 9: Concentración de información en función del número de MNF 23 Figura 10: Designación de umbrales en el PPI 24 Figura 11: Firmas Espectrales de las Bandas y de las MNF 26 Figura 12: Imagen Filtrada 27 Figura 13: Área Muestra (amarillo), Área de Verificación (azul) 28 Figura 14: Graficación del Método SAM 30 Figura 15: Graficación del Método LSU 31 Figura 16: Graficación del Método MTMF 32 Figura 17: Comparación de Firmas Espectrales 33 Figura 18: Rangos de Absorción 34 Figura 19: Imagen Clasificada por método SAM, aplicado a las bandas en reflectancia 36 Figura 20: Ángulos asignados por Muestra 36 Figura 21: Cultivos de Caña, Maíz y Arroz obtenidos por método SAM 37 Figura 22: Identificación de rubros por LSU 37 Figura 23: Identificación final por LSU utilizando un Gráfico 2D 38 Figura 24: Bandas resultantes del método MF 38 Figura 25: Imagen MF Score 39 Figura 26: Selección de Rango de Píxels mediante Histograma 39 Figura 27: Imagen MF Score identificación de Maíz 40 Figura 28: Bandas resultantes del método MTMF 40 Figura 29: Gráfico 2D. Selección de elementos por MTMF 41 Figura 30: Bandas resultantes del método MTMF 42 Figura 31: Selección de Elementos usando Gráfico 2D 42 Figura 32: Selección de Rango a utilizar en el MRSFF 43 Figura 33: Selección de Elementos MRSFF, Gráfico 2D 44 Figura 34: Resultados de la Identificación del Maíz por diferentes Métodos para una sección del Área de Trabajo 44 Figura 35: Obtención de porcentajes de Fiabilidad e Identificación 46 Tabla No. 2: Matriz de Resultados - Porcentajes de Fiabilidad e Identificación 47 Tabla No. 3: Matriz de Resultados - Porcentajes de Confusión 48 Tabla No. 4: Creación de Matriz de Resultados - Porcentajes de Confusión 49 Tabla No. 5: Creación de Matriz de Resultados aplicando el Modelo 50 Figura 36: Resultados con mayor puntuación según modelo aplicado 51

LISTA DE ABREVIATURAS

ATREM: Atmospheric Removal Program. Programa de Remoción de Efectos Atmosféricos.

CCD: Charge Coupled Device. Dispositivo de Cargas (eléctricas) Interconectadas.

CPDI: Centro de Procesamiento Digital de Imágenes.

ENVI: Environment for Visualizing Images. Software de Procesamiento de Imágenes.

FLAASH: Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes. Programa de Corrección Atmosférica de Imágenes.

HDF: Hierarchical Data Format. Formato de Datos Jerárquicos (de almacenamiento de imágenes y metadatos).

IGVSB: Instituto Geográfico de Venezuela Simón Bolívar.

LSU: Linear Spectral Unmixing. Separación Espectral Lineal.

MF: Matched Filter. Filtro de Coincidencias.

MNF: Minimum Noise Fraction. Fracción Mínima de Ruido.

MRSFF: Multi Range Spectral Feature Fitting. Ajuste de Características Espectrales de Múltiples Rangos.

MTMF: Mixture Tuned Matched Filtering. Filtro de Coincidencia de Mezcla Sintonizado.

PPI: Pixel Purity Index. Índice de Pureza del Píxel.

RMS: Root mean square. Error Medio Cuadrático.

SAM: Spectral Angle Mapper. Clasificación Según el Ángulo Espectral.

SFF: Spectral Feature Fitting. Ajuste de Características Espectrales.

SIMEC: Sistema de Información para el Monitoreo y Estimación de Cosechas.

SWIR: Short Wave Infra Red. Infrarojo de Onda Corta.

TIR: Termal Infra Red. Infrarojo Térmico.

VNIR: Visual and Near Infra Red. Rango Visual e Infrarojo Cercano.

1

CAPÍTULO I

EL PROBLEMA DE INVESTIGACIÓN

1. Introducción:

Los productores agrícolas hacen estimaciones de producción a lo largo del ciclo de

vida de los cultivos, bien sea de manera empírica o formal. Dichas estimaciones permiten a

los productores, asociaciones, gerentes y autoridades, planificar y llevar a cabo políticas

agro-alimentarias.

Por más de dos décadas la Teledetección ha hecho grandes aportes en la

identificación de diversos tipos de elementos incluyendo algunos cultivos. En la búsqueda

de un método idóneo para la detección de cultivos de maíz se propuso la utilización de

técnicas de procesamiento más rigurosas que las convencionales, como el tratamiento

Hiper-Espectral, aplicado a las imágenes del sensor Multi-Espectral ASTER.

A los efectos del presente trabajo, se seleccionó el maíz por la importancia que

tiene en la cadena alimenticia, bajo costo y alto contenido nutritivo. Como productos se

obtuvieron Mapas Temáticos de aquellas áreas identificadas como maíz en la imagen. Los

mapas podrán ser incluidos en el “Sistema de Información para el Manejo y Estimación de

Cosechas” (SIMEC) y en los modelos correspondientes a la estimación de la producción.

El SIMEC forma parte de un proyecto conjunto entre el Centro de Procesamiento Digital

de Imágenes (CPDI), del Instituto de Ingeniería y la Bolsa de Productos e Insumos

Agropecuarios de Venezuela (BOLPRIAVEN).

2

El presente trabajo está dividido en cuatro Capítulos. En el primer capítulo, se

plantea el Problema de Investigación, se describe la Importancia y la Justificación del

trabajo; se definen los Objetivos, se presenta el Marco Teórico con los Antecedentes y las

Bases que le dan sustento a la investigación. En el Marco Metodológico se detallan los

Materiales y los Métodos seguidos para el logro del objetivo planteado. Se describen los

distintos procesamientos digitales que le fueron aplicados a las imágenes para la

identificación de cultivos de maíz, así como la validación de los resultados obtenidos.

En el segundo capítulo, se detalla la Aplicación de Técnicas Hiper-Espectrales en

la Identificación del Maíz, por diferentes métodos: 1) Clasificación Según el Ángulo

Espectral (Spectral Angle Mapper Clessification - SAM), 2) Separación Espectral Lineal

(Linear Spectral Unmixing - LSU), 3) Filtro de Coincidencias (Matched Filter - MF), 4)

Filtro de Coincidencia de Mezcla Sintonizado (Mixture Tuned Matched Filtering -

MTMF), 5) Ajuste de Características Espectrales (Spectral Feature Fitting - SFF) y 6)

Ajuste de Características Espectrales de Múltiples Rangos (Multi Range Spectral Feature

Fitting - MRSFF).

En el tercer capítulo, se presentan y Evalúan los Resultados para los métodos:

SAM, LSU, MF, MTMF, SFF y MRSFF.

En el cuarto, Se presentan las Conclusiones y las Recomendaciones del trabajo. Al

final, se presentan la bibliografía utilizada durante el estudio y los anexos.

3

1.1. Planteamiento del Problema:

Se puede decir que desde la primera etapa del Ciclo de Vida de los Cultivos (la

Planificación) los productores comienzan a hacer estimaciones de cuanta producción van a

obtener al final del ciclo de siembra. Ésta primera aproximación se hace en función de la

superficie que se va a preparar y de las características de la siembra. A lo largo del

crecimiento de las plantas, según se observe el desarrollo de las mismas, las condiciones

climáticas, las enfermedades y plagas presentes, también se hacen cálculos de rendimiento.

Pero es después que se completa la cosecha, cuando se obtienen las cifras reales de

producción para cada rubro. Desde el punto de vista oficial, las proyecciones tienen su

origen en los datos recabados a través de encuestas aplicadas por las oficinas regionales

del Ministerio del Poder Popular para la Agricultura y Tierras, a las asociaciones de

productores agropecuarios.

El cálculo estimado de la producción permite a los productores, asociaciones,

autoridades de los distintos niveles, planificar y llevar a cabo políticas alimentarias y

aplicar correctivos en caso necesario, como por ejemplo, determinar necesidades de

importación por deficiencia de un determinado rubro.

Durante más de dos décadas se han identificado diversos tipos de elementos

(vegetación, suelos, cuerpos de agua, etc.), a partir de información satelital, por diferentes

métodos, con cierto grado de certidumbre. Cuando se trata de aplicaciones más exigentes

desde el punto de vista del manejo de cultivos, como es la predicción de cosechas de un

determinado rubro, se requieren técnicas más confiables para poder obtener resultados

acertados. Por ello se propuso la utilización de técnicas de procesamiento Hiper-Espectral,

aplicadas a las imágenes del sensor multi-espectral ASTER para la identificación de

superficies cultivadas.

4

1.2. Objetivos:

1.2.1. Objetivo General:

Aplicar Técnicas del procesamiento Hiper-Espectral a Imágenes del Sensor

ASTER, con la finalidad de identificar superficies cultivadas con Maíz, en la localidad de

Sabaneta, Estado Barinas.

1.2.2. Objetivos Específicos:

Para el logro del Objetivo General es preciso:

1.2.2.1. Aplicar Técnicas del procesamiento Hiper-

Espectral a Imágenes del Sensor ASTER en la

identificación del maíz.

1.2.2.2. Verificar los resultados obtenidos.

1.2.2.3. Seleccionar Método(s) de Identificación más

idóneo(s) en la identificación del Maíz.

5

1.3. Importancia y Justificación:

La importancia del presente proyecto radica en la búsqueda de un método idóneo

para la detección de cultivos de maíz, que arroje cifras ajustadas a la realidad y sirvan de

insumo al manejo estadístico que dé lugar a la predicción de cosechas de Maíz; ya que de

la calidad de los datos recabados, depende directamente cuan acertada sea dicha

predicción.

En el presente estudio se seleccionó el maíz por diversas razones: En primer lugar,

por ser uno de los tres cereales más importantes a nivel mundial, junto con el trigo y el

arroz. En segundo lugar, por la importancia que tiene en la cadena alimenticia, tanto para

seres humanos como para animales. En tercer lugar, por ser un alimento sumamente

arraigado en la cultura culinaria del venezolano en la elaboración de comidas típicas como

las arepas, las hallacas y las empanadas. Como razones adicionales, pero no menos

importantes se encuentran el relativo bajo costo y el alto contenido nutritivo.

Desde el punto de vista Botánico y Morfológico, el maíz (Zea mays), pertenece a la

familia de las Gramíneas. Es una planta de fácil desarrollo y de producción anual. Posee un

tallo que permanece siempre erecto, con nudos compactos, que puede alcanzar hasta los 4

metros de altura; en la parte inferior está ubicado el sistema radical que le sirve para el

anclaje y mantenimiento de la planta. Las hojas crecen en la parte superior de los nudos en

forma alternada, son anchas, planas y largas, de gran tamaño, lanceoladas, alternas,

paralelinervias abrazadas al tallo. La cara superior está adaptada para la absorción y

conversión de energía solar, funciones que realizan muy eficientemente, debido al arreglo

del tallo y las hojas, lo cual produce un alto Índice de Área Foliar (> 0,6) (Cabrera, 2000).

“La densidad de siembra apropiada está entre 45.000 a 55.000 plantas por hectárea.

Esto se logra sembrando entre cinco a seis semillas por metro lineal sobre la hilera y con

80 a 100 cms entre hileras. La distancia promedio entre plantas debe ser de 16 a 20 cms,

para lo cual se requiere una cantidad promedio de 16 Kg de semilla por hectárea” (Millán

6

y Oliveros, 1995). La profundidad de siembra recomendada no debe exceder los 5 cms.

Las prácticas agronómicas (riego, fertilización, desmalezamiento, etc.) favorecen la

expansión de la superficie de las hojas tienen un efecto positivo, siempre y cuando la

competencia por la luz no produzca niveles no deseados de sombreado (Cabrera, 2000).

En Venezuela, en aquellas zonas que no poseen sistemas de riego, la siembra se

realiza al comienzo de la época de lluvias, entre los meses de abril, mayo y junio, debido a

que la planta tiene un rendimiento óptimo bajo adecuadas condiciones de humedad y

temperatura, lo cual permite desarrollar todo el potencial de rendimiento. A pesar de ser la

precipitación el factor climatológico más determinante en el desarrollo del maíz, la

excesiva nubosidad también afecta el rendimiento por cuanto disminuye sensiblemente la

cantidad de energía solar que reciben las plantas.

La cosecha debe realizarse cuando la humedad del grano esté entre 18 y 20%

(aproximadamente a los 120 días de la siembra).

Antiguamente la siembra del maíz en Venezuela se hacía en la mayor parte del

territorio, debido a la gran adaptabilidad del rubro a diversos climas, suelos y pisos

altitudinales. En las últimas décadas los sitios de siembra se han ido trasladando hacia las

zonas de topografía plana y ondulada, en los estados Portuguesa, Guárico, Barinas,

Yaracuy y Monagas, principalmente.

Sin entrar en profundidades desde el punto de vista botánico, en Venezuela existen

varios tipos de maíz:

Amarillo: Variedades duro, semi-duro y semi-dentado. Se cultiva principalmente

para consumo fresco y elaboración de harinas.

Blanco: Variedades duro, semi-duro y semi-dentado. Se almacena seco en silos

para la posterior elaboración de harinas y otros derivados. Es el de mayor valor comercial

ya que es el más duradero desde el punto de vista de conservación y utilización a largo

plazo.

7

Maíz dulce: “El grano es de aspecto rugoso, muy duro y translúcido cuando está

seco; en cambio cuando está tierno (“jojoto”) es turgente y delicado”. Se consume en

forma tierna, hervido y luego sazonado con mantequilla o industrializado en forma de

crema o de granos cortados. (Obregón, 2000).

Maíz Reventón: “El maíz reventón es utilizado en grano entero, para hacerlo

estallar con calor, formando las conocidas rositas de maíz o “cotufas”. Son de grano

pequeño y endosperma muy duro. En Venezuela algunos maíces criollos (“arroceros”)”…

tienen esta propiedad. (Obregón, 2000).

Maíces de alta calidad proteica.

Maíces de alto contenido de aceite.

Maíces mejorados genéticamente para ser resistentes a plagas y enfermedades.

El grano de maíz, dependiendo del tipo, contiene diferentes proporciones de:

Almidón (72-73%) según el peso del grano, otros azúcares como glucosa, sacarosa y

fructosa (1-3%); proteínas (8-11%) y aceite (3-18%).

El ciclo de cultivo del maíz puede dividirse en tres etapas básicas: Período

Vegetativo (germinación y crecimiento), el Desarrollo (Floración, Fecundación y Llenado

del Grano) y la Maduración (Pérdida de Humedad y Senescencia).

A lo largo de dicho ciclo, el maíz cubre cada vez mayor proporción del terreno

sembrado. A partir de los 60 días en promedio las plantas cubren casi totalmente el suelo.

Una vez realizada la fecundación, los estilos de la mazorca (sedas), cambian de color,

tomando un color castaño. Transcurrida la tercera semana después de la polinización, la

mazorca toma el tamaño definitivo, se forman los granos y aparece en ellos el embrión.

Debido a lo anterior se presentan variaciones de la respuesta espectral de las plantaciones

8

de maíz a lo largo de su ciclo vegetativo, que deben ser tomados en cuenta en la

identificación de dicho cultivo.

En el presente estudio se propuso el empleo de técnicas Hiper-Espectrales en la

identificación de cultivos, ya que son más rigurosas que las técnicas convencionales de

procesamiento de imágenes, en cuanto al manejo radiométrico (siempre se aplica la

corrección atmosférica), incluye la utilización de firmas espectrales o la generación de

firmas a partir de muestras de la propia imagen y posibilita el análisis a nivel de sub-píxel

(elemento más pequeño de una imagen).

El propósito del presente trabajo es Identificar parcelas bajo cultivo de Maíz y

posteriormente generar Mapas Temáticos de aquellas áreas identificadas como maíz en la

imagen, donde se muestren las superficies cultivadas con dicho rubro. Dichos mapas

podrán ser incluidos en el “Sistema de Información para el Manejo y Estimación de

Cosechas” (SIMEC) y en los modelos correspondientes a la estimación de la producción.

La adecuada cuantificación a futuro de las cosechas le permitirá tanto al sector

público, como a las Asociaciones de Productores Agropecuarios y Bolsas de producción

privadas, tales como la Bolsa de Productos e Insumos Agropecuarios de Venezuela

(BOLPRIAVEN), tomar previsiones en cuanto a la colocación y distribución de la

mercancía en función del rendimiento obtenido.

Actualmente se ejecuta un proyecto entre el Centro de Procesamiento Digital de

Imágenes (CPDI), del Instituto de Ingeniería y BOLPRIAVEN en dicha materia. El

proyecto prevé el diseño y puesta en funcionamiento de un Sistema de Información para la

consulta de la superficie cultivada y la predicción de cosechas de dos rubros cerealeros

(maíz y arroz), en cuatro regiones agrícolas: Turén, en el estado Portuguesa, Sabaneta en el

estado Barinas, Calabozo y el eje El Sombrero-Valle de La Pascua-El Socorro, en el estado

Guárico. En el presente estudio se seleccionó el área de Sabaneta de Barinas (Figuras 1 y

2) por ser una de las zonas maiceras en el país, por estar dentro de las zonas de interés del

Proyecto con BOLPRIAVEN, por existir una organización con información agrícola y por

razones de logística para la recolección de datos en campo.

9

Figura 1: Ubicación relativa del Estado Barinas. Fuente IGVSB.

Figura 2: Ubicación del Área de trabajo. Fuente IGVSB.

10

1.4. Marco Teórico:

1.4.1. Consideraciones Generales:

En ésta sección se dan a conocer los trabajos realizados con anterioridad,

acerca del tema de la detección de materiales mediante las Técnicas Hiper-Espectrales y

las bases teóricas que la sustentan: La Teledetección y la Espectroscopía.

1.4.2. Antecedentes:

De la bibliografía consultada se desprende que las aplicaciones de imágenes del

sensor ASTER principalmente están orientadas hacia la Geología, Mineralogía,

elaboración de Modelos Digitales de Elevación (DEM) y en menor proporción hacia

Vulcanología y Estudios de Vegetación.

Algunas de las aplicaciones encontradas acerca de la Identificación de Cultivos,

uso de Técnicas e Imágenes Hiper-Espectrales e Imágenes ASTER son las siguientes:

La Teledetección Hiper-Espectral puede proveer información acerca de los

bosques: Inventario de especies, química de la canopia (determinación de enfermedades y

plagas, contenido de nitrógeno, clorofila, detección de metales pesados) y para algunos

aspectos tomados en cuenta en el Protocolo de Kyoto (biomasa, deforestación,

reforestación). (Goodenough, et. Al, 2004).

En Venezuela, concretamente en el Centro de Procesamiento Digital de Imágenes

(CPDI), se llevó a cabo la “Identificación de Áreas Potenciales de Rocas Kimberlíticas al

Sur del Estado Bolívar” (Yépez et al, 2005). También se llevó a cabo una Clasificación

por Redes Neuronales de imágenes ASTER para la determinación de los rubros maíz y

arroz (Primera, 2008).

11

Algunos estudios incluyeron fincas productoras de papas, alfalfa, cebada, heno de

avena, canola (Canadian Oil Low Acid), entre otras. “De forma ideal, uno debería tener

una librería espectral digital de espectros de referencia de las especies de plantas que se

van a mostrar en el mapa. Tal librería no existe para vegetación, como lo hay para

minerales (Clark et al.,1993). No se sabe cuantos espectros se requieren para representar

las firmas espectrales cambiantes, en función de la estación de crecimiento”.

En China, en una aplicación de Agricultura de Precisión, se estimaron las

concentraciones de Clorofila-a y Carotenoides en las hojas del arroz a partir de diferentes

cocientes, con el fin de calcular ecuaciones de regresión para lograr una mejor

clasificación del arroz y elaborar un mapa de la concentración de dichas pigmentaciones.

(Guan et. Al, 2004).

1.4.3. Bases Teóricas:

Las imágenes Hiper-Espectrales son producidas por instrumentos llamados

Espectrómetros de Imágenes. El desarrollo de esos complejos sensores se debió a la

convergencia de dos tecnologías distintas aunque relacionadas: Espectroscopía y el uso de

Sensores Remotos o Teledetección.

La Espectroscopía es el estudio de la luz que es emitida, reflejada o dispersada

por un sólido, líquido o gas y la variación de esa energía en función de la longitud de

onda. Al ser aplicada en el campo de la Teledetección Óptica, la espectroscopía trata con el

espectro de la luz del sol, la cual es reflejada de forma difusa (dispersión) por los

materiales en la superficie de la Tierra. Los Espectrómetros o Espectróradiómetros se

utilizan para hacer mediciones en laboratorio o en campo de la luz reflejada por un

material de prueba. Se usa un elemento óptico dispersor como un prisma en el

espectrómetro, para dividir la luz en muchas bandas estrechas adyacentes. Se mide la

energía en cada banda mediante detectores separados. Utilizando cientos o aún miles de

detectores, los espectrómetros pueden hacer mediciones espectrales de bandas tan

12

estrechas como 0,01 micrómetros, sobre un amplio rango de longitudes de onda.

Normalmente entre 0,4 y 2,4 micrómetros (desde el rango visible hasta el infrarojo medio).

Los sensores remotos son diseñados para medir la luz reflejada desde muchas áreas

adyacentes de la superficie de la Tierra, las cuales se componen en una imagen. Hasta hace

poco los sensores estaban limitados a unas pocas bandas relativamente anchas, por

problemas de diseño, requerimientos de almacenamiento de los datos, transmisión y

procesamiento. Los avances recientes en esas áreas han permitido el diseño de sensores

que tienen rangos espectrales y resoluciones comparables a los espectrómetros de campo.

El término Teledetección se refiere a un medio de observación empleado a

distancia del objeto de interés. Se aplicó inicialmente a la Fotografía Aérea y más adelante

a sensores transportados por plataformas lanzadas al espacio, lo cual dio una nueva

perspectiva a la observación del planeta.

El término Teledetección Espacial se define como “aquella técnica que permite

adquirir imágenes de la superficie terrestre desde sensores instalados en plataformas

espaciales” (Chuvieco, 2002). “La Teledetección no engloba sólo los procesos que

permiten obtener una imagen, sino también su posterior tratamiento” (Chuvieco, 2002).

Percepción Remota o Teledetección: "...comprenden la adquisición y medida de

datos/información de algunas propiedades de un fenómeno, objeto o material, por un

dispositivo de registro que no está en contacto físico, íntimo con el elemento de interés. La

técnica involucra el conocimiento de objetos a través de la medición de los campos de

fuerza, radiación electromagnética, o energía acústica, empleando cámaras, láser,

receptores de frecuencia de radio, sistemas de radar, sonares, dispositivos termales,

sismógrafos, magnetómetros, gravímetros y otros instrumentos". (Alzate, 2001).

Las principales ventajas de la teledetección son: Obtención de una visión global de

toda o una parte de la superficie de la Tierra a diferentes escalas, disponibilidad de una

amplia variedad de sensores, posibilidad de obtención de información, tanto actualizada

13

como histórica de una zona determinada; muestra datos no visibles para el ser humano,

repetidamente en el tiempo y en algunos casos, de forma inmediata; integración de las

diversas fuentes de datos (existentes, tomados en campo, por gps, etc.) mediante Sistemas

de Información Geográfica (SIG), a un costo relativamente bajo.

En ese sentido, el sensor utilizado en el presente estudio fue el ASTER (Advanced

Spaceborne Thermal Emission and Reflection Radiometer o Radiómetro Satelital

Avanzado de Emisiones Termales y Reflexión). Lanzado por la NASA en 1.999, se

encuentra a bordo del satélite TERRA. ASTER cubre una amplia región espectral con 14

bandas que van desde el visible hasta el infrarojo térmico con altas resoluciones espacial,

espectral y radiométrica. La resolución espacial y espectral varía según la longitud de

onda: Tres bandas de 15 m en el subsistema VNIR (Visible e Infrarojo Cercano), donde

además posee un telescopio dirigido hacia atrás para proveer cobertura en estéreo; 6

bandas de 30 m en el SWIR (Infrarojo de Onda Corta); 5 bandas de 90 m en el TIR

(Infrarojo Térmico). Cada imagen ASTER cubre un área de 60x60 kms. La distribución de

las bandas con los respectivos Rangos Espectrales se muestra en la Tabla No. 1:

Tabla 1: Sub-Sistemas del Sensor ASTER

14

De las bandas presentadas en el cuadro anterior se utilizaron desde la No. 1 hasta la

No. 9, exceptuando la 3B que es la utilizada para fines estereoscópicos. En otras palabras,

se emplearon los subsistemas VNIR y SWIR, con resoluciones espaciales nominales de 15

y 30 metros, respectivamente. Las bandas del sub-sistema SWIR se llevaron a un tamaño

de píxel de 15 metros. En función del tamaño del píxel de mayor resolución espacial, la

escala de trabajo empleada fue de 1:50.000.

1.5. Marco Metodológico:

1.5.1. Consideraciones Generales:

Ya que el presente proyecto de investigación propuso la aplicación de una

metodología orientada a resolver un problema planteado y a satisfacer las necesidades de

un proyecto, se enmarcó bajo el tipo de investigación de Proyecto Factible. En dicho

proyecto se Aplicaron Técnicas Hiper-Espectrales a las Imágenes ASTER con la Finalidad

de Identificar superficies Cultivadas con Maíz, en la localidad de Sabaneta, Estado

Barinas.

1.5.2. Materiales:

Como insumos se utilizaron dos imágenes del sensor ASTER, de la época de lluvia

(01/08/06), así como datos de campo colectados en la misma época, en el marco del

proyecto con BOLPRIAVEN. El procesamiento dichas imágenes se llevó a cabo en una

computadora personal, utilizando el software ENVI (Environment for Visualizing

Images), por ser el más completo en el manejo de imágenes Hiper-Espectrales.

1.5.3. Métodos:

La identificación de los cultivos de maíz se hizo en base a la respuesta espectral en

los rangos visibles e infrarojo cercano y medio del espectro electromagnético con que

15

cuenta el sensor ASTER, a las cuales se les aplicaron los pasos del tratamiento Hiper-

Espectral.

Figura 3: Pasos del Procesamiento Hiper-Espectral. Kruse et al (2002).

Inicialmente se propuso el esquema mostrado en la Figura 3, pero debido a las

características de las imágenes obtenidas por el ASTER y a la adaptación de técnicas

Hiper-Espectrales a imágenes Multiespectrales, se aplicó el Método de la Figura 4.

De forma general, el método comprende tres fases: Identificación de Cultivos,

Verificación de los Resultados y Selección de Método(s) Idóneo(s).

16

Figura 4: Método de Identificación de Maíz Aplicado.

1.5.3.1. Corrección Atmosférica:

Los sensores Hiper-Espectrales capturan datos de radiancia que deben convertirse

en reflectancia aparente (energía reflejada por el objeto) en la superficie antes de aplicarles

las Técnicas de Análisis, es decir, la Identificación de Elementos presentes en la imagen.

Hay siete gases en la atmósfera terrestre que producen absorción en el rango de 0.4-2.5

micrones.

Como se sabe, la energía electromagnética proveniente del sol utilizada por los

sensores ópticos, debe atravesar la atmósfera antes de interactuar con los elementos que se

encuentran en la superficie de la Tierra. Luego de dicha interacción la energía es reflejada

y es captada por los sensores que se encuentran fuera de la atmósfera, luego de atravesarla

nuevamente. Otra parte de la energía detectada por los sensores es emitida directamente de

la tierra (Figura 5). Dependiendo de la composición de la atmósfera el momento de la

toma, puede haber diferencias significativas entre una imagen y otra. Por ello se hace

necesario aplicar una CORRECCIÓN ATMOSFÉRICA, la cual consiste en eliminar o

17

reducir el efecto de absorción, dispersión o reflexión, producida por los gases

atmosféricos: Vapor de agua (H2O), Dióxido de Carbono (CO2), Ozono (O3), Óxido

Nitroso (N2O), Monóxido de Carbono (CO), Metano (CH4) y Oxígeno (O2).

Figura 5: Interacción Fuente de energía pasiva – Tierra – Sensor.

Después de aplicados los ajustes debido al tipo de sensor, características

atmosféricas al momento de la captura de la imagen y efectos del terreno, se puede

comparar el espectro de la imagen con espectros tomados en campo o en laboratorio para

reconocer y elaborar mapas de materiales, incluyendo tipos de vegetación.

Existen Métodos Empíricos y Formales de Corrección Atmosférica, incluso, se

encontraron varios Módulos o Paquetes de Software exclusivamente elaborados para tal

fin, debido a la importancia que tienen y a la complejidad. Los Métodos Empíricos

promedian o normalizan los niveles digitales de la imagen en base a valores oscuros, claros

o medios, de la misma. Entre ellos se encuentran la Sustracción del Objeto Oscuro (Dark

Object Substraction), el método del Campo Plano (Flat Field), el IAR (Internal Average

Reflectance), etc. Los Métodos Formales modelan con mayor precisión las características

atmosféricas al momento de la toma de la imagen, tales como el ATREM (Atmospheric

18

Removal Program) creado por la Universidad de Colorado y el FLAASH (Fast Line-of-

sight Atmospheric Analysis of Spectral Hypercubes). En el presente trabajo se utilizó el

programa FLAASH por manejar una gran cantidad de parámetros (sensor, hemisferio,

elevación promedio del terreno, hora, fecha y ángulo de toma de la imagen, gases y

aerosoles, etc.), por lo cual resulta ser uno de los más idóneos. Como parte de dicho

proceso, se realizaron dos conversiones de unidades de energía, de niveles digitales (ND) a

Radiancia y de Radiancia a Reflectancia.

1.5.3.2. Corrección Geométrica:

Es el procesamiento mediante el cual se minimizan las deformaciones que sufre la

imagen al momento de la toma, debido a factores inherentes a la Plataforma (Satelital o

Aerotransportada), al Sensor (Visible, Radar de Apertura Sintética, Alta Resolución,

Óptica, CCDs, etc.), a los Mapas (Transformaciones Geoide – Elipsoide – Mapa) y a la

Tierra (Curvatura, Movimiento de Rotación, Efecto Topográfico). Como parte del proceso

se ajusta la imagen a una base cartográfica de referencia.

La Corrección Geométrica fue indispensable para la posterior superposición y

asociación a la imagen, de la información de tipo vectorial y atributiva de las parcelas

visitadas en campo.

En el presente trabajo se utilizaron dos imágenes ASTER contiguas, de un mismo

pase del satélite, con fecha 01/08/2006, para cubrir completamente el área de estudio. A

cada imagen se le aplicó el procedimiento de Unión de Capas (Layer Stacking), mediante

el cual se realizaron tres operaciones: a) Se unieron las bandas de los dos subsistemas a

utilizar (VNIR y SWIR) en un solo archivo. b) Se cambió el tamaño del píxel de las 6

bandas del subsistema SWIR de 30 a 15 metros para igualarlo a las 3 bandas del VNIR. c)

Se Corrigió Geométricamente la imagen con la información orbital y coordenadas que

contiene el archivo original de las imágenes, en formato hdf (formato de datos

jerárquicos). El resultado fue un archivo con 9 bandas de 15 metros de resolución espacial,

con los dos subsistemas, georeferenciado en la proyección UTM, Huso 19, Dátum

WGS84.

19

1.5.3.3. Elaboración del Mosaico y Extracción del

Área de trabajo:

Luego de la georeferenciación de las imágenes, se procedió a unirlas en un mosaico

(Figura 6).

Figura 6: Mosaico de Imágenes.

Posteriormente se extrajo el Área de Trabajo, el cual cuenta con un tamaño

aproximado de 33,7 x 40,4 kms ~ 1.361,48 kms2 (Figura 7).

20

Figura 7: Área de Trabajo. Comb. 432(RGB).

1.5.3.4. Generación de Máscaras:

Se construyó una máscara (plantilla por medio de la cual se excluyen áreas del

análisis), para evitar la influencia de elementos como los Centros Poblados, Nubes,

Sombras de Nubes, Ríos y Vialidad.

Para generar la máscara se utilizaron varios procedimientos:

1) Se digitalizaron los Centros Poblados y las áreas de Ganadería. A las áreas a

excluir del análisis (las antes mencionadas) se les asignó el valor 0 y a las de interés se les

dio el valor 1.

2) Se elaboró una máscara por rangos de niveles digitales en base a una banda

determinada. Se seleccionó una banda donde se distinguieron con claridad las sombras de

las nubes y la hidrografía, se escogió un rango de valores que abarcara ambos elementos y

se les asignó el valor cero. Al resto de los niveles se les dio el valor 1.

21

3) Se unificaron las máscaras anteriores en una mediante una operación donde a la

imagen o máscara resultante se le diera el valor 0 si en alguna de las máscaras anteriores

tenía ese valor y 1 en caso contrario.

4) La máscara se multiplicó por las imágenes para analizar sólo las áreas de interés

en la etapa de identificación de elementos.

1.5.3.5. Selección de Áreas Muestra:

Es uno de los pasos más importantes por cuanto los resultados obtenidos mediante

la aplicación de las técnicas Hiper-Espectrales, son altamente dependientes de las áreas

muestra a partir de las cuales se elaboraron las firmas espectrales, las cuales conforman la

base del análisis y la identificación de materiales.

Para la selección de las áreas muestra:

- Se superpusieron a la imagen los 32 polígonos de las áreas visitadas en campo. 29

de Maíz, 2 de Arroz y 1 de Caña.

Es importante destacar que durante la salida de campo se contactó con algunas

Asociaciones de Productores Agropecuarios de Sabaneta, como por ejemplo

APROAPSA, cuyos técnicos apoyaron activamente la visita a las parcelas y

suministraron gran parte de la información que se plasmó en las Planillas de

Recolección de Datos de Campo (ver Anexo A). Dichas planillas se llenaron con

información acerca de: Productores y Unidades de Producción, Características del

Sitio de Muestreo, Datos Agronómicos y Agrológicos, Localización de la Parcela

con puntos tomados con GPS, Producción, etc.

- Se seleccionaron solamente las parcelas de cultivos de avanzado crecimiento,

según la fecha de siembra de los cultivos, dato recogido en campo.

- Se dibujaron los polígonos de las muestras dentro de las áreas visitadas en campo.

- Se le dio al Maíz el color amarillo, rojo a la Caña y blanco al Arroz (Figura 8).

22

Figura 8: Trazado de polígonos de muestras (color amarillo).

Finalmente se decidió trabajar con seis (6) firmas espectrales: Cuatro (4) de Maíz,

una de Caña y una de Arroz.

Es importante destacar que a diferencia de las técnicas convencionales de

procesamiento de imágenes, el procesamiento Hiperespectral tiene la ventaja de no

requerir una gran cantidad de muestras, ni la totalidad de los elementos presentes en la

imagen, puesto que lo que se persigue en la mayoría de los casos es identificar uno o pocos

elementos, en base a las firmas espectrales de ese (esos) elemento(s).

1.5.3.6. Generación de la fracción Mínima de Ruido

(MNF):

La transformación de la Fracción Mínima de Ruido, se usa para reducir el número

de bandas a utilizar, desechando aquellas que son redundantes o que contienen solamente

ruido y determinar la dimensionalidad de la imagen (Boardman and Kruse, 1994). Tal

como es implementada en ENVI (Green et al, 1988) es el equivalente a dos

transformaciones de Componentes Principales en Cascada. La primera transformación, se

basa en una matriz de covarianza de ruido, de-correlaciona y re-escala el ruido en los

datos. En este paso los datos transformados tienen unidades de varianza y no de

correlación banda a banda.

23

El segundo paso consiste en una Transformación de Componentes Principales

aplicada a las imágenes sin ruido. La dimensionalidad de los datos, es decir, la cantidad de

bandas que se utilizaron en los pasos posteriores, se determinó examinando las estadísticas

(eigenvalores/autovalores – longitud de los ejes o varianzas) y las imágenes asociadas. Se

utilizó la parte de los datos asociado a grandes autovalores e imágenes coherentes para

separar los datos del ruido, con el fin de mejorar los resultados del procesamiento

espectral. Como resultado del MNF se obtienen auto-imágenes, ordenadas de acuerdo a la

varianza de los datos, de manera que las primeras bandas contienen información útil y las

últimas el ruido.

En la Figura 9 se muestra como las varianzas (Eigenvalue/ Eigenvalores) y por

ende, la mayor cantidad de información se encuentra concentrada en las primeras 4 MNF,

razón por la cual se decidió trabajar con las MNF 1, 2, 3 y 4.

Figura 9: Concentración de información en función del número de MNF.

Índice de Pureza del Píxel (Píxel Purity Index - PPI): Este índice ayuda a

encontrar los píxels mas “puros” o “extremos” (endmembers) desde el punto de vista

espectral. Debido a la gran cantidad de datos, el PPI se aplicó a las 4 bandas resultantes

del MNF. La separación de píxels puros o mezclados, reduce la cantidad de píxels a ser

24

analizados en la determinación de “endmembers” y facilita la separación e identificación

de “endmembers”.

El PPI se calcula proyectando iterativamente los diagramas de dispersión n-

dimensionales sobre un vector unitario seleccionado aleatoriamente. Se graban los píxels

extremos de cada proyección y se anota el número total de veces que un píxel es marcado

como extremo. Se crea una imagen en la cual cada píxel representa el total de veces que un

píxel es marcado como extremo. Los valores más altos indican píxels más puros que los

que tienen valores más bajos. Se debe seleccionar un umbral a partir del histograma para

tomar en cuenta sólo los píxels más puros, los cuales serán utilizados en el próximo paso

(Figura 10).

Figura 10: Designación de umbrales en el PPI.

Visualización n-Dimensional: Es una herramienta interactiva para la selección de

píxels puros en un espacio de n-dimensiones. Como entrada se deben utilizar los píxels

más importantes, los más puros, los correspondientes a los “endmembers”, es decir,

aquellos que se encuentran dentro de los umbrales seleccionados en el PPI, del paso

anterior.

Genera una animación giratoria de n-dimensiones de forma aleatoria, de manera de

examinar cualquier número de bandas. Se deben buscar agrupaciones de puntos que

definan bordes de distribución en varias direcciones. Se puede detener la rotación de la

gráfica para dibujar polígonos o áreas de interés que encierren píxels (endmembers) que se

25

encuentren hacia las esquinas, asignarlos a una clase y colorearlos con un color particular.

Este procedimiento debe seguirse hasta que no se encuentren más endmembers.

Identificación de Elementos Puros (Endmembers): Una vez seleccionados los

endmembers, se necesita saber a cuales materiales corresponden. Esto se logra haciendo un

Análisis Espectral que compara el espectro creado a partir de los endmembers con una

librería espectral de materiales conocidos. A cada espectro comparado se le asigna un

puntaje según la correlación con el elemento a estudiar. Si dentro de la librería no se

encuentra el elemento de interés, entonces podrá ser incluido o creado utilizando una

imagen.

En el presente trabajo se generó el Índice de Pureza del Píxel (PPI). Posteriormente

por medio de la visualización n-dimensional se seleccionaron los miembros puros o

extremos, se compararon con la imagen y se observó que ninguno correspondía a los

cultivos de interés, razón por la cual se decidió crear las firmas espectrales a partir de la

misma imagen.

1.5.3.7. Generación de Firmas Espectrales:

La base del tratamiento Hiper-Espectral lo constituyen las firmas espectrales. Una

Firma Espectral es la caracterización de la respuesta de un elemento determinado en un

rango de longitudes de onda determinado (con frecuencia entre 0,4 y 2,4 µm). Con la

finalidad de hacer dos tipos de Análisis Hiperespectral en paralelo y comparar los

resultados, se generaron dos grupos de firmas espectrales de las seis (6) áreas muestra,

tomando como datos de entrada por una parte las 9 bandas en unidades de reflectancia y

por otra las 4 primeras Fracciones Mínimas de Ruido (MNF).

26

Figura 11: Firmas Espectrales de las Bandas y de las MNF.

En la Figura 11, en la gráfica de las firmas espectrales de las Bandas en

Reflectancia (izquierda) se mostró la dificultad de la identificación o de la separación del

Maíz, del Arroz y de la Caña. Las curvas del Arroz y la Caña siguen una trayectoria

similar y se encuentran muy cercanas a las curvas del Maíz, a lo largo del espectro cubierto

por las nueve bandas del sensor ASTER (0.52 - 2.43 µm).

En la gráfica de las firmas espectrales de las Fracciones Mínimas de Ruido

(derecha) se observó mayor diferenciación en la dirección de las curvas, así como en los

valores en las 4 MNF, del Maíz, Arroz y la Caña.

Al generar las firmas espectrales, el algoritmo calculó un promedio de los valores

de los píxels que se encuentran dentro de los polígonos de las áreas muestra, para cada una

de las bandas en reflectancia o MNF.

Es de hacer notar que por requerimiento del software se aplicaron ambas entradas a

las técnicas SAM, LSU y MF. El MTMF, SFF y MRSFF sólo aceptan como entrada las

Fracciones Mínimas de Ruido.

27

1.5.3.8. Aplicación de Técnicas Hiper-Espectrales en

la Identificación de Maíz:

La aplicación de las distintas técnicas de separación o de identificación de

elementos, en este caso del Maíz, consistió en comparar directamente los espectros

conocidos (firmas espectrales del Maíz generadas a partir de las áreas muestra) con

espectros de la imagen, por diferentes métodos. También se identificaron cultivos de Caña

y Arroz con la finalidad de estudiar la confusión entre los tres rubros.

Este tema se explica en detalle en el Capítulo II.

1.5.3.9. Aplicación de Filtros:

Se aplicó un filtro de mediana con un tamaño de ventana de 3x3, el cual conserva

en gran medida los valores de los píxels, con la finalidad de reducir la cantidad de píxels

aislados y de homogeneizar las parcelas de cultivos (Figura 12).

Figura 12: Imagen Filtrada.

28

1.5.3.10. Selección de Áreas de Verificación:

Debido a la escasa cantidad de parcelas encuestadas en la visita de campo de

invierno de 2006 y a que solamente se utilizó una porción de dichas parcelas como áreas

muestra, se decidió tomar otra parte de las mismas parcelas como área de verificación de

cada rubro, como se muestra en la Figura 13:

Figura 13: Área Muestra (amarillo), Área de Verificación (azul).

En total se emplearon 6 áreas de verificación diferentes a las utilizadas como

insumo en la aplicación de las técnicas del procesamiento Hiper-Espectral.

1.5.4. Diseño de la Investigación:

En esta investigación se utilizó un diseño de campo no experimental, ya

que este tipo de diseño permite establecer una interacción entre los objetivos y la

realidad, observar y recolectar datos de la realidad, profundizar en la comprensión del

problema y en los resultados de la investigación, sin llegar a la experimentación con

variables controladas.

29

CAPÍTULO II

APLICACIÓN DE TÉCNICAS HIPER-ESPECTRALES EN LA

IDENTIFICACIÓN DEL MAÍZ

2. Aplicación Técnicas Hiper-Espectrales en la identificación del Maíz:

La aplicación de las distintas técnicas de separación o de identificación de

elementos, en este caso del Maíz, consistió en comparar directamente los espectros

conocidos (firmas espectrales del Maíz generadas a partir de las áreas muestra) con

espectros de la imagen, por diferentes métodos. También se identificaron cultivos de Caña

y Arroz con la finalidad de estudiar la confusión entre los tres rubros.

2.1. Clasificación Según el Ángulo Espectral (Spectral Angle Mapper

Clessification - SAM): Es un método automatizado para comparar directamente la imagen

con espectros conocidos (determinados en laboratorio o en campo con un espectrómetro) o

con un endmember. Este método trata ambos espectros (el conocido y el desconocido)

como vectores en un espacio espectral de n dimensiones. Cada espectro define un punto en

el espacio espectral y ese punto puede ser tratado como el extremo de un vector que

comienza en el origen del eje de coordenadas. Se calcula el ángulo espectral existente entre

ellos (Figura 14).

30

Figura 14: Graficación del Método SAM.

Este método no toma en cuenta la iluminación ya que el algoritmo utiliza sólo la

dirección y no la longitud del vector. Pequeños ángulos representan mejor correspondencia

al espectro de referencia. El resultado es una imagen clasificada. Como parámetro se debe

definir el umbral, es decir, el ángulo mínimo para asignar un píxel a una clase

determinada. Ángulos más pequeños indican una mejor correspondencia con una firma

espectral determinada.

2.2. Separación Espectral Lineal (Linear Spectral Unmixing - LSU): Es una

alternativa de identificación espectral simple que determina la abundancia de los

materiales de los píxels de la imagen, suponiendo que la reflectancia de cada píxel en cada

banda, es igual a la combinación lineal de las reflectancias de cada material (miembros

puros) presente dentro del píxel. Dicha suma debe ser igual a 1, para lo cual debe

suministrarse la cantidad adecuada de endmembers y seleccionarlos de manera que

correspondan a las componentes de la superficie.

31

Figura 15: Graficación del Método LSU.

La Figura 15 muestra el ejemplo de la composición de un píxel compuesto por tres

materiales A (cubre 25 % del píxel), B (cubre 25 %), y C (cubre 50 %). La representación

del píxel sería: Píxel = 0,25 A + 0,25 B + 0,50 C.

El número de miembros puros debe ser menor que el número de bandas y se deben

incluir miembros puros de todos los materiales presentes en la imagen para obtener buenos

resultados. Este método es altamente dependiente de la selección de los miembros puros.

Como resultado se obtiene una serie de imágenes en escalas de grises (una para

cada miembro puro), mas una imagen de error RMS. Altas abundancias se representan con

tonos más claros, al igual que los grandes errores.

2.3. Filtro de Coincidencias (Matched Filter - MF): Localiza las abundancias

de los miembros puros definidos por el usuario utilizando la Separación Parcial, por lo

tanto, no todos los materiales deben ser conocidos. Se basa en el procesamiento de señales.

maximiza la respuesta de un endmember conocido y suprime la respuesta de los

componentes desconocidos, facilitando la coincidencia de un elemento de la imagen con

una firma conocida o con el espectro del endmember de la imagen (Chen y Reed, 1987).

Los resultados de la comparación se presentan como imágenes (una por cada elemento

puro) en escalas de grises con valores entre 0 y 1, donde 1 es una perfecta coincidencia.

32

Los píxels más brillantes representan la mejor coincidencia con el espectro del

endmember. Se pueden presentar “falsos positivos” para algunos materiales.

2.4. Filtro de Coincidencia de Mezcla Sintonizado (Mixture Tuned Matched

Filtering - MTMF): Es una variante del Filtro de Coincidencias anterior. El MTMF difiere

del MF en que genera una medida (imagen) de “No Factibilidad” o “Inviabilidad” de los

resultados, basado en la mezcla entre el fondo (background) y el espectro a comparar.

Dicha imagen se utiliza para reducir el número de “Falsos Positivos”. Los píxels

identificados correctamente tendrán un MF por encima de la distribución del fondo, el cual

tiene un valor cercano al cero, y una baja Inviabilidad (Figura 16).

Figura 16: Graficación del Método MTMF.

Para la determinación de los “verdaderos positivos” se puede representar en un

diagrama de dispersión de dos dimensiones (2D) el MF y la Inviabilidad correspondiente y

seleccionar mediante zonas o áreas de interés alto MF con baja Inviabilidad. Como entrada

el MTMF requiere la Fracción Mínima de Ruido (MNF).

El MTMF arroja dos imágenes por cada miembro puro (Identificación e

Inviabilidad). Este método también exige la Remoción del Continuo (Continuum

Removal) con la finalidad de normalizar el espectro de reflectancia, para permitir una

adecuada comparación de las características de absorción a partir de una base común.

33

2.5. Ajuste de Características Espectrales (Spectral Feature Fitting - SFF):

Compara las características de absorción del espectro de la imagen con las del espectro de

referencia, utilizando la técnica de mínimos cuadrados.

Figura 17: Comparación de Firmas Espectrales.

Los espectros de referencia son escalados (ajustados) para que coincidan con los

espectros de la imagen, para lo cual se debe remover el continuo de ambos archivos. Se

mide la profundidad de la característica de absorción, la cual está relacionada con la

abundancia de un material. Los espectros de la imagen y el de referencia se comparan en

cada longitud de onda seleccionada mediante mínimos cuadrados y se determina el error

medio cuadrático (RMS) para cada espectro de referencia (Figura 17).

Como resultado se obtienen una imagen escalada y una imagen RMS por cada

espectro de referencia o una imagen combinada escalada/RMS.

Los píxels más brillantes en la imagen escalada (tonos claros) que además

presenten un bajo RMS (tonos oscuros), indican una mejor coincidencia con el material de

referencia. La identificación final se realiza visualizando los resultados mediante un

diagrama de dispersión 2D y dibujando un área o región de interés, que cumpla la

condición anterior.

34

La otra forma de analizar los resultados es utilizar la imagen combinada

escalada/RMS, donde los valores más altos indican mejores coincidencias con el espectro

de referencia.

2.6. Ajuste de Características Espectrales de Múltiples Rangos (Multi Range

Spectral Feature Fitting - MRSFF): Es similar al SFF, pero además permite seleccionar

múltiples rangos de longitudes de onda en los cuales se encuentran las características de

absorción, para cada miembro puro (Figura 18).

Figura 18: Rangos de Absorción.

Adicionalmente se pueden establecer pesos a cada rango espectral de manera de

enfatizar las características más importantes. Los resultados son mejores que los obtenidos

con el método anterior si los elementos puros y los rangos de absorción están bien

definidos y se interpretan de manera similar.

En el Anexo B se presenta un Resumen de los Métodos de Identificación de

Elementos.

35

CAPÍTULO III

PRESENTACIÓN Y EVALUACIÓN DE RESULTADOS

3. Presentación y Evaluación de Resultados:

En el presente Capítulo se muestran los Resultados obtenidos y se describe la

Evaluación de los mismos.

En líneas generales, se obtuvieron dos grupos de resultados: Los obtenidos a partir

de las 9 bandas en reflectancia y los obtenidos de la Fracción Mínima de Ruido (MNF).

Por cada grupo, se generaron imágenes temáticas de identificación de Maíz, Caña y Arroz,

por seis métodos distintos. Se cuantificó la cantidad de píxels de identificación de los

rubros mencionados en áreas muestra y de verificación. Se calcularon los porcentajes

correspondientes y se evaluó tanto el poder de identificación del Maíz, como la confusión

con el Arroz y la Caña. Para la selección del (los) método(s) idóneos se recurrió a la

ponderación de los resultados.

3.1. Presentación de Resultados:

A continuación se presentan los resultados para cada una de las técnicas aplicadas:

3.1.1. Clasificación Según el Ángulo Espectral (SAM): Esta técnica

se aplicó tanto a las 9 bandas en unidades de reflectancia (grupo 1), como a las 4 bandas de

la Fracción Mínima de Ruido – MNF (grupo 2). Como resultado de la aplicación del SAM,

se obtuvo por cada grupo una imagen clasificada y una banda por cada muestra o

endmember, es decir 6 bandas: 4 correspondientes al Maíz, 1 a la Caña y 1 al Arroz.

36

Figura 19: Imagen Clasificada por método SAM, aplicado a las bandas en reflectancia.

La Figura 19 muestra en Rojo los cultivos de Caña, en Amarillo los de Maíz y en

blanco los de Arroz.

Para la identificación de los rubros se hicieron pruebas con diferentes ángulos. La

escogencia final de dicho parámetro se hizo cualitativamente, visualizando los resultados

hasta lograr una buena definición de las parcelas y evitando la confusión entre rubros. En

la Figura 20 se muestran los valores utilizados:

Figura 20: Ángulos asignados por Muestra.

37

A partir de la clasificación se separaron: 1 banda de identificación de Maíz, 1 banda

de identificación de Caña y 1 banda de identificación de Arroz, según los códigos de cada

rubro (Figura 21). Los resultados obtenidos fueron los siguientes:

Figura 21: Cultivos de Caña, Maíz y Arroz obtenidos por método SAM.

Los píxels blancos corresponden a la identificación positiva de cada rubro. Los

píxels negros son los no clasificados.

3.1.2. Separación Espectral Lineal (LSU): Se aplicó solamente a las

9 bandas en unidades de reflectancia, ya que con las MNF se pierde la relación de

combinación lineal de los elementos que componen el píxel, la cual es la base de ésta

técnica. Como resultado se obtuvieron 6 bandas: 4 correspondientes al Maíz, 1 a la Caña y

1 al Arroz, y 1 banda de Error Medio Cuadrático (RMS), como se muestra en la Figura 22.

Figura 22: Identificación de rubros por LSU.

Para llegar a los resultados finales de la identificación del Maíz, se seleccionaron

los píxels con valores de abundancia cercanos a 1 en la banda de separación (unmix) y

bajo RMS de cada rubro. Esta labor se facilitó mediante una gráfica de dos dimensiones

(Figura 23):

38

Figura 23: Identificación final por LSU utilizando un Gráfico 2D (Abundancia/RMS).

Se tomaron los valores de Abundancia entre 0.1 y 1.5 (eje x) y RMS < 30 (eje y).

Los píxels que cumplieron ambas condiciones se les dio el valor 1 y al resto el valor 0. Las

4 bandas de Maíz se unieron para tener al final: 1 banda de identificación de Maíz, 1 banda

de identificación de Caña y 1 banda de identificación de Arroz.

3.1.3. Filtro de Coincidencias (MF): Se aplicó tanto a las 9 bandas en

unidades de reflectancia (grupo 1), como a las 4 bandas MNF (grupo 2). Es uno de los

métodos donde el análisis es más sencillo, por cuanto solamente produce las bandas

correspondientes a las muestras de entrada (Figura 24).

Figura 24: Bandas resultantes del método MF.

Si se visualiza uno de los resultados parciales por separado se observa en niveles de

grises (Figura 25).

39

Figura 25: Imagen MF Score.

La identificación final se hizo graficando el histograma y seleccionando en el

mismo un rango de valores cercano al 1 (Figura 26).

Figura 26: Selección de Rango de Píxels mediante Histograma.

Se seleccionaron los valores de 0,7 al 1,2. Los píxels que se encuentran dentro de

dicho rango se les dio el valor 1 y al resto el valor 0.

40

Figura 27: Imagen MF Score identificación de Maíz.

Las 4 bandas de Maíz se unieron (Figura 27) para tener al final: 1 banda de

identificación de Maíz, 1 banda de identificación de Caña y 1 banda de identificación de

Arroz, por cada grupo.

3.1.4. Filtro de Coincidencia de Mezcla Sintonizado (MTMF):

Tanto en el MTMF como en los métodos restantes, el software sólo admite como entradas

las 4 bandas MNF.

Figura 28: Bandas resultantes del método MTMF.

41

La aplicación generó un par de bandas por cada muestra: Identificación e

Inviabilidad (Figura 28). Para llegar a los resultados finales de la identificación del Maíz,

se seleccionaron los píxels con coincidencia cercana al valor 1 (MF Score) y baja

inviabilidad (infeasibility). Esta labor se facilitó mediante una gráfica 2D (Figura 29).

Figura 29: Selección de elementos por MTMF. Gráfico 2D (Identificación-MF/Inviabilidad).

Se tomaron los valores de MF entre 0.6 y 1.2 e inviabilidad entre 0 y 2 para la Caña

y el Maíz. Se tomaron los valores de MF entre 0.5 y 1.5 e inviabilidad menor a 2 para el

Arroz. Los píxels que cumplieron ambas condiciones se les dio el valor 1 y al resto el valor

0. Al final se obtuvo 1 banda de identificación de Maíz, 1 banda de Caña y 1 banda de

Arroz.

3.1.5. Ajuste de Características Espectrales (SFF):

El SFF generó un par de bandas por cada muestra (banda escalada y RMS). Para

llegar a los resultados finales de la identificación del Maíz, se seleccionaron los píxels con

alto valor cercano al 1 en las bandas escaladas (Scale) y bajo RMS (tonos oscuros), para

cada muestra (Figura 30).

42

Figura 30: Bandas resultantes del método MTMF.

Se utilizó una gráfica 2D. Se tomaron los valores de bandas escaladas entre 0.5 y

1.5 (eje x) y RMS entre 0 y 1 (eje y), para la Caña, el Maíz y el Arroz. Los píxels que

cumplieron ambas condiciones se les dio el valor 1 y al resto el valor 0.

Figura 31: Selección de Elementos usando Gráfico 2D (Scale/RMS).

Los píxels marcados en color rojo en la Figura 21, tanto en el gráfico 2D como en

la ventana de visualización de la derecha, son los identificados positivamente.

3.1.6. Ajuste de Características Espectrales de Múltiples Rangos

(MRSFF):

43

Por ser una variante de la técnica anterior el análisis fue similar. Se definió un

rango único de longitudes de onda para la discriminación de los rubros: 0.556 – 1.656

(Figura 32).

Figura 32: Selección de Rango a utilizar en el MRSFF.

Los valores de la identificación fueron muy pequeños, lo cual dificultó la selección de los rangos y por ende, de los resultados finales (Figura 33).

44

Figura 33: Selección de Elementos MRSFF, Gráfico 2D.

El resumen de los resultados de las distintas técnicas, en una porción del área de

trabajo, se presenta en la Figura 34:

Figura 34: Resultados de la Identificación del Maíz por diferentes Métodos para una sección del Área de Trabajo.

En el Anexo C, se muestran los Resultados Identificación de Maíz para toda el área de

Estudio.

45

3.1.7. Verificación de Resultados (Matriz de Resultados):

“La verificación de resultados permite al usuario valorar su grado de acuerdo con

la realidad”. “… la vía más adecuada para verificar es seleccionar una serie de muestras

independientes, no utilizadas en la obtención de resultados, que permitan generar una

medida estadísticamente más sólida del acuerdo entre imagen y verdad-terreno”

(Chuvieco, 2002).

Con la finalidad de dar validez a los resultados obtenidos, se procedió a la

verificación de los mismos calculando el porcentaje de píxels asignados en la

identificación del Maíz en base a las Áreas Muestra (Fiabilidad Global) y con respecto a

las Áreas de Verificación (Porcentaje de Aciertos). En el proceso se utilizaron 6 muestras

(la misma cantidad de zonas utilizadas el entrenamiento), distintas a las áreas Muestra,

seleccionadas como se explicó en la sección 1.5.3.10 del capítulo I. También se calculó el

porcentaje de Confusión del Maíz con respecto a la Caña y al Arroz. Para ello se hizo uso

de la herramienta de Cálculo de Estadísticas de las Regiones de Interés (ROIs).

Las fórmulas que se utilizaron en el cálculo de la Fiabilidad Global (F) y en la

verificación fueron:

En el caso de la identificación de los rubros:

F = No. Píxels Identificación en el polígono * 100

No. Píxels Total polígono

En el caso de la verificación de los resultados:

F = No. Píxels Verificación en el polígono * 100

No. Píxels Total polígono

46

Figura 35: Obtención de porcentajes de Fiabilidad e Identificación.

Como se menciono en la etapa de identificación, a los píxels detectados

positivamente con los rubros de interés se les asignó el valor 1, por lo tanto fue ese el

valor que se tomó en cuenta (DN 1 en la Figura 35) en el cálculo de los porcentajes. En la

columna 4 de la tabla No. 2, se copió el porcentaje de identificación de Maíz en base a los

polígonos de las Áreas Muestras (Fiabilidad Global). En la columna 7, se transcribió el

porcentaje de identificación de Maíz en base a los polígonos de las Áreas de Verificación

(Porcentaje de Aciertos). Esto se hizo para cada uno de los 8 resultados obtenidos de

identificación de Maíz (SAM, SAM-MNF, LSU, MF, MF-MNF, MTMF, SFF y MRSFF),

con lo cual se comenzó a construir la Matriz de Resultados:

47

Tabla No. 2: Matriz de Resultados - Porcentajes de Fiabilidad e Identificación.

Adicionalmente y con la finalidad de identificar gráficamente los resultados, se

coloreó en color azul claro el fondo de las casillas con identificación Muy Alta, en

amarillo los valores con identificación Alta y en anaranjado la Baja identificación. En

todos los casos se representaron en color azul los mejores resultados.

Se definieron los rangos de valores para categorizar los resultados según la

distribución:

a) Fiabilidad Global – Columna 4: Superiores al 98 % (identificación Muy Alta),

los valores mayores a 90 e inferiores o iguales a 98 (identificación Alta) y los menores a

90 (identificación Baja). En la matriz se pudo observar que en 7 de los 8 los resultados los

porcentajes de confiabilidad global (columna 4) se encontraron por encima del 90 %, lo

que implica una identificación que va de Muy Alta a Alta.

b) Aciertos – Columna 7: Superiores al 95 % (acierto Muy Alto), los valores

mayores a 90 e inferiores o iguales a 95 (acierto Alto) y los menores a 90 (Bajo). El

porcentaje de aciertos superó el 90 % en 4 de los 8 resultados, lo que es equivalente a que

el porcentaje de aciertos fue de Muy Alto a Alto.

48

Para calcular el porcentaje de confusión del Maíz con el Arroz y la Caña, se

superpusieron las mismas Áreas de Muestra a los resultados de identificación de Arroz y

Caña. Se calcularon los porcentajes de píxels que fueron asignados al Arroz y a la Caña

que también habían sido identificados como Maíz (Tabla No. 3), lo que arrojó lo siguiente:

Tabla No. 3: Matriz de Resultados - Porcentajes de Confusión.

c) Confusión con Caña – Columna 8: En la gráfica se evidenció Gran Confusión

con la Caña (anaranjado), por encima del 80 % en 4 de los resultados, confusión Media

(amarillo) en 2 de los casos y confusión Baja (azul) en 2 casos.

d) Confusión con Arroz – Columna 9: Se observó Gran Confusión con el Arroz

(anaranjado), por encima del 90 % en 5 de los casos y baja confusión (azul) en 3 de los

casos.

49

Tabla No. 4: Creación de Matriz de Resultados - Porcentajes de Confusión.

Para manejar solamente valores altos en los mejores resultados, a las columnas

de la confusión con Caña y Arroz (8 y 9), se le invirtieron los valores restándole 100 y se

crearon dos nuevas columnas 10 y 11 (Tabla No. 4).

3.2. Evaluación de Resultados:

Para la evaluación de los resultados y la posible selección de uno o varios

métodos de identificación de Maíz con imágenes ASTER, se le asignaron los pesos 10, 10,

40 y 40% a las columnas 4, 7, 10 y 11 respectivamente, como se muestra en la última fila

de la tabla. Con ello se evaluó tanto el poder de identificación del Maíz, como la confusión

con el Arroz y la Caña. Se Aplicó la siguiente fórmula:

R = % Fiab. Global * 0,1 + % Acierto * 0,1 + % Conf. Caña * 0,4 + Conf. Arroz * 0,4

Los Resultados (R) se llenaron en una nueva columna de la Tabla No. 5:

50

Tabla No. 5: Creación de Matriz de Resultados aplicando el Modelo.

Según se mostró en la columna de los Resultados los métodos que lograron una mejor

identificación con menor confusión, es decir, los que resultaron con valores más altos fueron:

1) El Filtro de Coincidencias (MF) aplicado a las 9 bandas en reflectancia, con 97,5 puntos.

2) El SAM aplicado a la Fracción Mínima de Ruido (MNF) con 94,88 puntos.

3) El SAM aplicado a las Bandas en reflectancia, con 89,16 puntos.

En la Figura 36 se presentan los resultados obtenidos por los diferentes métodos para

una porción de la imagen del área de trabajo:

51

Figura 36: Resultados con mayor puntuación según modelo aplicado.

Los resultados números 1, 2 y 4 fueron los de mayor puntuación según el método de

evaluación aplicado. En blanco aparecen los píxels o las zonas de maíz y en azul la vialidad de

la zona del sistema de riego localizada cercana a la población de Sabaneta de Barinas.

52

CAPÍTULO IV

CONCLUSIONES Y RECOMENDACIONES

4. Conclusiones y Recomendaciones:

Luego de haber aplicado las Técnicas Hiper-Espectrales a las imágenes ASTER, con

fines de identificación de cultivos de Maíz, en la localidad de Sabaneta, estado Barinas, de

haber verificado, presentado y analizado los resultados obtenidos, se llegó a las siguientes

Conclusiones y Recomendaciones:

4.1. Conclusiones:

Con base en los resultados obtenidos y al análisis posterior de los mismos se llegó a

las siguientes conclusiones:

1. Los métodos que arrojaron mejores resultados, según la evaluación realizada fueron el

Filtro de Coincidencias aplicado a las 9 Bandas en Reflectancia (MF), la Clasificación

Según el Ángulo Espectral aplicado a las Bandas de la Fracción Mínima de Ruido

(SAM-MNF) y la Clasificación Según el Ángulo Espectral aplicado a las Bandas en

Reflectancia (SAM), los cuales obtuvieron los puntajes (97,50, 94,88 y 89,16),

respectivamente.

2. Los métodos que dieron mejores resultados son las de menor grado de dificultad y

menor grado de subjetividad en su aplicación.

3. Los resultados de Identificación del Maíz obtenidos aplicando los métodos: LSU, MF-

MNF, MTMF, SFF y MRSFF, presentan la mayor confusión con los rubros Caña y

53

Arroz, en avanzado estado de crecimiento, analizados tanto cualitativa como

cuantitativamente.

4. Los resultados de Identificación del Maíz con mayor evaluación (los procedimientos

Filtro de Coincidencias aplicado a las 9 bandas en reflectancia, SAM aplicado a la

Fracción Mínima de Ruido y el SAM aplicado a las Bandas en Reflectancia),

cualitativamente presentan diferencias apreciables a pesar de tener magnitudes

cercanas.

5. Las diferencias del punto anterior se deben al carácter subjetivo de la escogencia del

ángulo en el método SAM, a la selección del rango de valores en el Filtro de

Coincidencias (MF) y a las diferencias de los métodos mencionados.

6. Todas las técnicas Hiperespectrales utilizadas, presentan algún grado de subjetividad

en su aplicación, lo que dificulta la estandarización de la aplicación en los entornos de

trabajo.

7. La utilización de la Fracción Mínima de Ruido significó una mejora con el método

SAM (de 89,16 a 94,88), pero sucedió lo contrario con el procedimiento MF (97,50 a

28,59).

4.2. Recomendaciones:

Como sugerencias a los trabajos posteriores relacionados con la Aplicación de

Técnicas Hiper-Espectrales se tienen:

1. Verificar la posible confusión del Maíz con otros rubros, además de la Caña y del

Arroz.

54

2. Realizar un estudio similar en una zona donde se cuente con cifras confiables de

producción para darle mayor precisión a la identificación y mayor fiabilidad a la

validación.

3. Hacer seguimiento a la incorporación de nuevos Sensores Hiperespectrales satelitales,

con la finalidad de hacer estudios similares.

4. Utilizar un Espectroradiómetro de campo para la generación de librerías espectrales de

cultivos en estado avanzado de crecimiento.

5. Incrementar la cantidad de muestras de campo para utilizar un grupo como zonas de

entrenamiento y otro grupo como áreas de verificación.

55

REFERENCIAS BIBLIOGRÁFICAS

1. Alzate, B. 2001. Imágenes Espaciales de la Superficie Terrestre. Procesamiento

Digital, Análisis y Extracción de la Información Temática. Bogotá, Colombia.

2. Cabrera, Samuel. 2000. Agronomía del Cultivo: Épocas de Siembra y Densidades

Óptimas en Maíz. En: Fontana, H; González, C, eds. El Maíz en Venezuela, Caracas,

Venezuela, Fundación Polar. 530p.

3. Canada Centre for Remote Sensing (CCRS). (29/03/06). Fundamentals of Remote

Sensing (Tutorial). [En línea].

(http://ccrs.nrcan.gc.ca/resource/tutor/fundam/index_e.php).

4. Cartay, Rafael. 2000. El Consumo del Maíz en Venezuela. En: Fontana, H;

González, C, eds. El Maíz en Venezuela, Caracas, Venezuela, Fundación Polar. 530p.

5. Center for Space Research. (18/07/07). Analysis of Hyperspectral Imagery. [En

línea]. http://www.csr.utexas.edu/projects/rs/hrs/analysis.html.

6. Center for Space Research. (18/07/07). Processing of Hyperspectral Imagery. [En

línea]. http://www.csr.utexas.edu/projects/rs/hrs/process.html

7. Chuvieco, E. 1996. Fundamentos de Teledetección Espacial, Madrid, Rialp, 453 pp.

8. Chuvieco, E. 2002. Teledetección Ambiental: La Observación de la Tierra Desde el

Espacio. Editorial Ariel. 568 pp. 2da edición.

9. Clark, R. 1999. Spectroscopy of Rocks and Minerals, and Principles of

Spectroscopy.

Manual of Remote Sensing. U.S. Geological Survey. John Wiley and Sons, Inc. New

York. 1999.

56

10. Clark, R; King, T; Ager, C; Swayze, G. (27/07/07). Initial Vegetation Species and

Senescence/Stress Indicator Mapping in the San Luis Valley, Colorado Using Imaging

Spectrometer Data. U. S. Geological Survey. [En línea].

(http://speclab.cr.usgs.gov/PAPERS.veg1/vegispc2.html.).

11. ESRI, Inc. 1997. ERDAS Field Guide, 4ta Edición, ERDAS, Atlanta, Georgia,

USA.

12. Goodenough, D.G.; Pearlman, J.; Hao Chen; Dyk, A.; Tian Han; Jingyang Li;

Miller, J.; Olaf Niemann, K. 2004. Forest information from hyperspectral

sensing.Geoscience and Remote Sensing Symposium. IGARSS '04. Proceedings. IEEE

International. Vol. 4. Págs:2585 – 2589. Identificador Digital:

10.1109/IGARSS.2004.1369826. [En línea].

http://ieeexplore.ieee.org/xpl/RecentCon.jsp?punumber=9436.

13. Herrmann, K; Rock, B; Ammer, U; Paley, H. 1988. Preliminary Assesment of

Airborne Imaging Spectrometer and Airborne Thematic Mapper Data Acquired for

Forest Decline Areas in the Federal Republic of Germany. RSE. Amsterdam.

24(1):129-149.

14. Hyperspectrum News Letter. (18/07/07). Spectral Imaging: Technology &

Applications. Vol 3, No. 1, 1997. [En línea]. http://www.techexpo.com/WWW/opto-

knowledge/hyperspectrum/index.html.

15. INFOAGRO (09/05/07). El Cultivo del Maíz. [En línea].

http://www.infoagro.com/herbaceos/cereales/arroz.htm.

16. Kruse, F; Boardman, J; Hntington, J. (18/07/07). Comparison between AVIRIS

and Hyperion for Hyperspectral Mineral Mapping. 2002. [En línea].

ftp://popo.jpl.nasa.gov/pub/docs/workshops/02_docs/2002_Kruse_Hyperion_web.pdf.

57

17. Lentini, Zaida. 2000. Mejoramiento Genético y Biotecnología: Biotecnología en el

Fitomejoramiento del Maíz. En: Fontana, H; González, C, eds. El Maíz en Venezuela,

Caracas, Venezuela, Fundación Polar. 530p.

18. Marcano, Felipe. 2000. Agronomía del Cultivo: Experiencias Sobre Sistemas de

Labranza en Suelos Maiceros de Venezuela. En: Fontana, H; González, C, eds. El

Maíz en Venezuela, Caracas, Venezuela, Fundación Polar. 530p.

19. MicroImages, Inc. (18/07/07). Introduction to Hyperspectral Imaging. [En línea].

http://www.microimages.com/getstart/hyprspec.htm.

20. MicroImages, Inc. (18/07/07). Analyzing Hiperspectral Images. [En línea].

http://www.microimages.com/getstart/hypanly.htm.

21. Millán y Oliveros. 1995. Manejo del Cultivo de Maíz en el Estado Monagas.

FONAIAP Divulga. No.49. Julio-Septiembre.

22. Obregón, Pedro. 2000. Mejoramiento Genético y Biotecnología: Mejoramiento

Genético del Maíz en Venezuela. En: Fontana, H; González, C, eds. El Maíz en

Venezuela, Caracas, Venezuela, Fundación Polar. 530p.

23. PCI Geomatics. 2000. Using PCI Software. Volume 1 - Reference Manual.

Canadá.

24. PCI Geomatics. 2000. Using PCI Software. Volume 2 - Reference Manual.

Canadá.

25. Primera, María. 2008. Clasificación por Redes Neuronales de imágenes ASTER

para la determinación de los rubros maíz y arroz. Trabajo Especial de Grado. UCV.

26. Peterson, D; Aber, J; Matson, P; Card, D; Swanberg, N; Wessman, C; Spanner, M..

1988. Remote Sensing of Forest Canopy and Leaf Biochemical Contents. RSE.

Amsterdam. 24(1):85-108.

58

27 .Riccelli, Mauricio. 2000. Mejoramiento Genético y Biotecnología: Introducción a

la Genética del Maíz. En: Fontana, H; González, C, eds. El Maíz en Venezuela,

Caracas, Venezuela, Fundación Polar. 530p.

28. Rock, B. 1988. Comparison of In Situ and Airborne Spectral Measurments of the

Blue Shift Associated with Fores Decline. RSE. Amsterdam. 24(1):109-127.

29. Rodriguez, Pedro. 2000. Distribución Geográfica y Producción Nacional: Aspectos

Climatológicos Relacionados Con la Producción Comercial de Maíz. En: Fontana, H;

González, C, eds. El Maíz en Venezuela, Caracas, Venezuela, Fundación Polar. 530p.

30. Research System, Inc. 1999. ENVI User´s Guide. RSI. Colorado, USA.

31. Research System, Inc. 2005. ENVI On Line Help. RSI. Colorado, USA.

32. Short, N. Remote Sensing Tutorial. (20/07/07). Other Remote Sensing Systems –

Hyperespectral Imaging. [En línea]. http://rst.gsfc.nasa.gov/Intro/Part2_24.html

33. Short, N. Remote Sensing Tutorial. (20/07/07). Hyperspectral Remote Sensing. [En

línea]. http://rst.gsfc.nasa.gov/Sect13/Sect13_5.html.

34. Vane, G. 1988. Terrestrial Imaging Spectroscopy. RSE. Amsterdam. 24(1):1-29.

35. Yanning Guan; Shan Guo; Yong Xue; Jiangui Liu; Xia Zhang. 2004. Application

of airborne hyperspectral data for precise agriculture. Geoscience and Remote Sensing

Symposium. IGARSS '04. Proceedings. IEEE International. Vol. 6. Págs: 4195 – 4198.

Identificador Digital: 10.1109/IGARSS.2004.1370060. [En línea].

http://ieeexplore.ieee.org.

36. Yépez S, Torres W, Salcedo R. 2005. Identificación de Áreas Potenciales de Rocas

Kimberlíticas al Sur del Estado Bolívar.

59

ANEXO A

Planilla de recolección de datos en campo BOLPRIAVEN

IDENTIFICACIÓN DEL PRODUCTOR Y DE UNIDAD DE PRODUCCIÓN Nombre de propietario Nombre del productor o encargado Nombre de compañía y/o finca Estado: Municipio: Código productor (según asociación de productores) Asociación a la cual pertenece Código productor (según CPDI) Teléfonos

E- mail

CARACTERISTICAS DEL SITIO DE MUESTREO Datos agrológicos

Suelos (tipos): Livianos (arenosos) ____________ Francos (texturas medias)___________ Pesados (arcillosos) _______________

Topografía del terreno: Plano_____ Ondulado_____ Inclinado ____ Datos climáticos del área de estudio Temperatura promedio (°C) ________ Humedad relativa ______ Precipitación promedio mensual y/o anual _________ Radiación (Horas x día) ______ Velocidad del viento _____

DATOS AGRONÓMICOS PARA EL CULTIVO ANTERIOR (VERANO 05 - 06) (Recientemente cosechado o por cosechar).

Rubro anterior (verano 05 - 06): Maíz blanco_____ Maíz amarillo______ Arroz_______ Sorgo______ Soya______Girasol______ Ajonjolí______ Fríjol______ Pasto______ Otros (especifique)_____________________ Superficie Unidad de Producción agrícola (Has)_________ Superficie Sembrada (Has)_________ Sistema de siembra: Manual_____ Mecanizado_______ Método de siembra: Al voleo____ En surcos _____ En hileras _____ Otros_________________ Fecha de preparación del suelo_____________ Fecha de siembra________________ Fecha de floración_______________________ Fecha de cosecha________________ Distancia de siembra: Entre hileras________ Entre plantas_________________ Densidad de plantas por Ha______________ Kg de semillas por Ha_____________

60

Labores culturales Tipo de labranza: Mínima labranza____ Labranza reducida____ Labranza tradicional____ Lote nivelado: Si____ No____ Tipo de nivelación:_____________ Tipo de riego: Goteo______ Aspersión ______ Surcos______ Melgas_______ Fertilización (tipo) __________________ Dosis (Kg/Ha)___________ Control de malezas: Manual_______ Química ______ Control de plagas: Tipo de plagas frecuentes _____________________________________ Productos _________________________________________________________________ Control de enfermedades: Más frecuentes_______________________________________ Productos _________________________________________________________________ Cosechados: Si________ Rendimiento (Kg/Ha)___________________

No_______ Rendimiento esperado__________________ DATOS AGRONÓMICOS PARA EL CULTIVO POR COMENZAR (INVIERNO 06)

(Recientemente sembrado o por sembrar). Rubro actual (invierno 06): Maíz blanco_____ Maíz amarillo______ Arroz_______ Sorgo______ Soya______Girasol______ Ajonjolí______ Fríjol______ Pasto______ Otros (especifique)__________________ Sistema de siembra: Manual_____ Mecanizado______ Método de siembra: Al voleo____ En surcos _____ En hileras _____ Otros (especifique)______ Fecha de preparación del suelo______________ Fecha de siembra______________ Fecha de floración_______________ Fecha de cosecha________________ Distancia de siembra: Entre hileras_______________ Entre plantas___________ Densidad de plantas por Ha_____________ Kg de semillas por Ha____________ Labores culturales Tipo de labranza: Mínima labranza____ Labranza reducida____ Labranza tradicional____ Lote nivelado: Si_____ No______ Tipo de nivelación_____________ Tipo de riego: Goteo______ Aspersión ______ Surcos______ Melgas_______ Otro (especifique) ______________________________ Fertilización (tipo) __________________ Dosis (Kg/Ha)___________ Control de malezas: Manual_______ Química _____ Control de plagas: Tipo de plagas frecuentes ____________ Productos______________ Control de enfermedades: Más frecuentes_______________ Productos______________ Rendimiento esperado (Kg/ha) ____________ Ciclo del cultivo Rotación de cultivos______________________ Altura de la planta (aprox)_____________

IDENTIFICACION DE PUNTO DE MUESTREO Lote N°: Fecha de observación Hora

Coordenadas GPS (UTM – WGS 84) Código GPS N E

Punto 1:____________

61

Punto 2:____________ Punto 3:____________ Punto 4:____________ Punto 5:____________ Punto 6:____________ Punto 7:____________ Punto 8:____________

Croquis (ubicación de la parcela)

62

Fotografías N° de Foto Código GPS Dirección Cardinal N E

N°

N°

N°

N°

N°

N°

COMENTARIOS:

63

ANEXO B

RESUMEN DE MÉTODOS DE IDENTIFICACIÓN DE ELEMENTOS

64

RESUMEN DE MÉTODOS DE IDENTIFICACIÓN (CONTINUACIÓN)

65

ANEXO C RESULTADOS IDENTIFICACIÓN DE MAÍZ (para toda el área de Estudio)

MÉTODO SAM – APLICADO A LAS BANDAS EN REFLECTANCIA (FLAASH)

66

MÉTODO SAM – APLICADO A LAS BANDAS MNF

67

MÉTODO LSU

68

MÉTODO MF – APLICADO A LAS BANDAS EN REFLECTANCIA (FLAASH)

69

MÉTODO MF – APLICADO A LAS BANDAS MNF

70

MÉTODO MTMF

71

MÉTODO SFF

72

MÉTODO MRSFF