Trabajo Final de Licenciatura en Tecnología Ambiental
Facultad de Ciencias Exactas
Uso de técnicas de teledetección para la elección de potenciales
sitios de instalación de estaciones de monitoreo ambiental
Victoria Passucci (FCE)
Director: Facundo Carmona (IHLLA)
Co-Director: Raúl Rivas (IHLLA)
Lugar de trabajo: Grupo de Teledetección, IHLLA, sede Tandil
Tandil, marzo 2017
1
Resumen
Este Trabajo Final se enmarca dentro del Proyecto FONARSEC N°19 “Desarrollo e
implementación de sistemas automáticos de alerta de inundaciones y sequías en el área sur de
la cuenca del río Salado, provincia de Buenos Aires” financiado por la Agencia Nacional de
Promoción Científica y Tecnológica del Ministerio de Ciencia Tecnología e Innovación, resultante
de una asociación entre el la Comisión de Investigaciones Científicas-Instituto de Hidrología de
Llanuras (IHLLA), la empresa REDIMEC S.R.L. y la Autoridad del Agua (ADA).
Mediante la implementación de diversos métodos de teledetección se buscó identificar, en la
cuenca, zonas no anegables para la potencial instalación de la estaciones de monitoreo
ambiental. Los métodos aplicados fueron: Índice de Agua de Diferencia Normalizada (NDWI),
Índice de Agua de Diferencia Normalizada Modificado (MNDWI), análisis de la banda infrarroja
media (1,566 – 1,651 µm) , Transformación de Tasseled Cap (TTC), clasificación no supervisada
(ISODATA) y supervisada (máxima verosimilitud).
Las imágenes utilizadas fueron de los satélites Landsat 7 y 8. Estas se seleccionaron identificando
extremos hídricos con condiciones de máxima área anegada, utilizando los datos de
precipitaciones diarias de las estaciones del Servicio Meteorológico Nacional de las ciudades de
Las Flores, Azul, Olavarría, Tandil y Dolores.
Como producto final de cada método se obtuvo una imagen binaria de la cuenca en la cual se
identificaron zonas anegadas y no anegadas. Estos resultados, junto con la información
suplementaria del Google Earth, de vectores de cuerpos de agua permanentes y cursos de agua
provistos por el Instituto Geográfico Nacional (IGN), de las imágenes en falso color compuesto
de las bandas de reflectividades de los satélites, y de las características hidrológicas de la cuenca,
permitieron realizar un análisis de la consistencia de los métodos utilizados.
Finalmente se realizó un mapa del estado hídrico de la cuenca considerando la máxima
condición adversa de área anegada, para el cual se superpusieron la suma de las imágenes
binarias de la clasificación no supervisada y del análisis de la banda del infrarrojo medio, para
los años 2002 y 2014 (años con mayores registros pluviométricos seleccionados). Ese mapa
resultante se utilizó para definir sitios óptimos para la instalación de estaciones de monitoreo
ambiental; donde una vez seleccionados se analizó el área anegada a su alrededor, las cercanías
a cuerpos y cursos de agua, buscando disminuir el riesgo de que dichas estaciones se inunden
generando inconvenientes en los registros de los instrumentos.
2
Índice general
RESUMEN 1
ÍNDICE DE FIGURAS 3
ÍNDICE DE TABLAS 4
OBJETIVOS 6
OBJETIVO GENERAL 6 OBJETIVOS ESPECÍFICOS 6
1. INTRODUCCIÓN 7
1.1. PRINCIPIOS DE LA TELEDETECCIÓN 8 1.2. PRINCIPIOS FÍSICOS DE LA TELEDETECCIÓN 10 1.3. MISIÓN LANDSAT 15 1.4. TÉCNICAS DE TRATAMIENTO 18
2. MATERIALES Y MÉTODOS 21
2.1. DESCRIPCIÓN DE LA CUENCA 22 2.2. PREPROCESADO 23 2.3 DESARROLLO METODOLÓGICO Y PROCESADO DE IMÁGENES 24
3. ANÁLISIS Y RESULTADOS 29
3.1. ANÁLISIS DE PRECIPITACIONES Y SELECCIÓN DE IMÁGENES 30 3.2. EVALUACIÓN DE LAS TÉCNICAS DE PROCESADO 34 ÍNDICE DE AGUA DE DIFERENCIA NORMALIZADA, NDWI 34 ÍNDICE DE AGUA DE DIFERENCIA NORMALIZADA MODIFICADO, MNDWI 35 BANDA MIR 1 37 TRANSFORMACIÓN DE TASSELED CAP 38 CLASIFICACIÓN: NO SUPERVISADA Y SUPERVISADA 42 3.3. SELECCIÓN DE MÉTODOS 47 3.4. SELECCIÓN DE SITIOS 48
4. CONCLUSIONES 50
AGRADECIMIENTOS 52
REFERENCIAS 53
ANEXO 56
3
Índice de figuras Figura 1. Ventana atmosférica. Absorción de la radiación incidente por parte de los gases presentes en la
atmósfera. [Tomado de la ESA, 2017]. ____________________________________________________ 11
Figura 2. Firmas espectrales de agua, suelo y vegetación con ubicación de las bandas del sensor
Enhanced Thematic Mapper (ETM+). _____________________________________________________ 12
Figura 3. Emisión de dos cuerpos negros, uno a 6000 K y otro a 300 K. __________________________ 14
Figura 4. Años de puesta en órbita de satélites de la misión Landsat. [Tomado de Landsat Missions, USGS
2016]. ______________________________________________________________________________ 15
Figura 5. Camino del escáner ETM+ con y sin el SLC. [Tomado de Rodríguez Ramos, 2009]. __________ 17
Figura 6. Planos de la TTC para satélite Landsat 7. [Tomado de Crist et al., 1984]. _________________ 19
Figura 7. Vertiente sur de la cuenca del río Salado (área de estudio), límite de cuenca, subcuencas y
localidades. _________________________________________________________________________ 22
Figura 8. Diagrama de flujo de la metodología aplicada para detectar zonas anegadas y no anegadas. 28
Figura 9. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año
2002. _______________________________________________________________________________ 31
Figura 10. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año
2012. _______________________________________________________________________________ 32
Figura 11. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año
2014. _______________________________________________________________________________ 33
Figura 12. Año 2014. Imagen superior: ajuste lineal para los valores de NDWI entre 0,392 y 0,563 en la
totalidad de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores claros.
Imágenes inferiores: cuerpos de agua permanente en líneas rojas, cursos de agua en líneas azules. A:
intersección de canales en el límite superior de la cuenca. B: identificación de Laguna Kakel Huincul,
Maipú. C: identificación de Laguna Salada, Madariaga. ______________________________________ 35
Figura 13. Año 2002. Imagen superior: ajuste lineal para los valores de MNDWI entre 0,02 y 0,362 en la
totalidad de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores claros.
Imágenes inferiores: cuerpos de agua permanente en líneas rojas, cursos de agua en líneas azules. A:
intersección de canales en el límite superior de la cuenca. B: identificación de Laguna Kakel Huincul,
Maipú. C: identificación de Laguna Salada, Madariaga. ______________________________________ 36
Figura 14. Año 2012. Imagen superior: ajuste lineal para los valores de la banda MIR 1 entre 336 y 608
en la totalidad de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores
claros. Imágenes inferiores: cuerpos de agua permanente en líneas rojas, cursos de agua en líneas
azules. A: intersección de canales en el límite superior de la cuenca. B: identificación de Laguna Kakel
Huincul, Maipú. C: identificación de Laguna Salada, Madariaga. _______________________________ 37
Figura 15. Binarización para valores de MIR1<0.1. A: año 2002, color gris zonas anegados, color blanco
zonas no anegadas, color negro nubes. B: año 2012, color gris zonas anegados, color blanco zonas no
anegadas, color negro nubes. C: año 2014, color negro zonas anegadas, colos blanco zonas no anegadas.
___________________________________________________________________________________ 38
Figura 16. Recorte de la cuenca, Laguna Kakel Huincul, 2014. A: Composición RGB de la TTC: brillo,
verdor, humedad. B: Gráfico del plano del suelo, eje x: banda de brillo, eje y: banda de humedad. Rojo:
aguas profundas, amarillo: aguas costeras, verde: regiones con humedad elevada, coral: regiones con
baja humedad. C: identificación de los colores del gráfico. D: banda de humedad. _________________ 39
4
Figura 17. Dirección de la disminución de la humedad en el plano del suelo. [Tomado de Crist et al.,
1984]. ______________________________________________________________________________ 39
Figura 18. Año 2014, A: composición falso color compuesto, regiones con agua caracterizadas de color
azul oscuro-negro. B: binarización de la banda de humedad para valores ND>-100, color negro zonas
anegadas, color blanco zonas no anegadas. C: aplicación de la máscara binaria sobre la imagen A. ___ 40
Figura 19. Ubicación de la región seleccionada cercanías a Azul, año 2014. A: composición falso color
compuesto. B: binarización de la banda de humedad para valores de ND>-100, color negro zonas
anegadas, color blanco zonas no anegadas. C: aplicación de la máscara binaria sobre la imagen A. ___ 41
Figura 20. Ubicación de la región seleccionada cercanías a Chillar, año 2002. A: composición falso color
compuesto. B: binarización de la banda de humedad para valores de ND>-900, color negro zonas
anegadas, color blanco zonas no anegadas. C: aplicación de la máscara binaria sobre la imagen A. ___ 42
Figura 21. Clasificación no supervisada, ISODATA, clase 1 rojo: agua, las otras clases no se identificaron
de forma precisa, siendo un conjunto de distintos tipos de suelos. Clasificación supervisada, máxima
verosimilitud, clase 1 azul: agua, clase 2 verde: vegetación, clase 3 rojo: suelo seco, clase 4 amarillo:
vegetación seca. ______________________________________________________________________ 43
Figura 22. Composición falso color compuesto de la cuenca para el año 2014, indicando cuatro regiones:
A, inmediaciones de la ciudad de Azul; B, intersección de canales en el límite superior de la cuenca; C,
Laguna Kakel Huincul, Maipú; D, Laguna Salada, Madariaga. _________________________________ 44
Figura 23. Imágenes binarias y aplicación de las máscaras a la composición falso color compuesto de las
cuatro regiones de la cuenca. A: inmediaciones de la ciudad de Azul. B: intersección de canales en el
límite superior de la cuenca. C: Laguna Kakel Huincul, Maipú. D: Laguna Salada, Madariaga. ________ 45
Figura 24. Aplicación de las máscaras de TTC e ISODATA a la composición falso color compuesto de la
región seleccionada en la cuenca en las inmediaciones de la ciudad de Chillar, para el año 2002. _____ 46
Figura 25. Mapa del estado hídrico para los años 2002 y 2014, vertiente sur de la cuenca del Río Salado.
Ubicación de las estaciones de monitoreo ambiental. Métodos utilizados para caracterizar zonas
anegadas: clasificación no supervisada (ISODATA) y análisis de la banda MIR 1. __________________ 49
Figura 26. Mapa del estado hídrico para el años 2002, vertiente sur de la cuenca del Río Salado.
Ubicación de las estaciones de monitoreo ambiental. Métodos utilizados para caracterizar zonas
anegadas: clasificación no supervisada (ISODATA) y análisis de la banda MIR 1. __________________ 57
Figura 27. Mapa del estado hídrico para el año 2014, vertiente sur de la cuenca del Río Salado. Ubicación
de las estaciones de monitoreo ambiental. Métodos utilizados para caracterizar zonas anegadas:
clasificación no supervisada (ISODATA) y análisis de la banda MIR 1. ___________________________ 57
Índice de tablas Tabla 1. Bandas espectrales de sensores OLI y TIRS comparadas con las bandas espectrales del sensor
ETM+. [Tomado de Landsat Missions, USGS 2016] .................................................................................... 16
Tabla 2. Información de estaciones meteorológicas utilizadas en este trabajo y número de identificación
de éstas de acuerdo al SMN. ...................................................................................................................... 24
Tabla 3. Coeficientes de transformación Tasseled Cap para el sensor ETM+ y OLI .................................... 25
Tabla 4. Constantes de calibración de la banda térmica del ETM+ y TIRS. ................................................ 26
5
Tabla 5. Valores calculados para las radiaciones atmosféricas hacia la tierra y hacia el exterior y la
transmisividad atmosférica, con sus respectivos promedios. ..................................................................... 27
Tabla 6. Precipitación acumulada anual en milímetros. En negrita años con precipitaciones elevadas. .. 30
Tabla 7. Precipitación acumulada en mm para los intervalos de días estipulados, previos a las imágenes
seleccionadas para cada ciudad, año 2002. ............................................................................................... 32
Tabla 8. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización del método
NDWI. ......................................................................................................................................................... 35
Tabla 9. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización del método
MNDWI. ...................................................................................................................................................... 36
Tabla 10. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de la banda
MIR 1. ......................................................................................................................................................... 38
Tabla 11. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de la banda de
humedad de la TTC. .................................................................................................................................... 42
Tabla 12. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de los
métodos de clasificación no supervisada y supervisada. ............................................................................ 44
Tabla 13. Sensores a instalar en las distintas estaciones de monitoreo ambiental. EMM: estacione de
monitoreo meteorológico, EMF: estación de monitoreo freatrimétrico, EMBE: estación de monitoreo de
balance de energía, EML: estación de monitoreo limnigráfico y EMQ: estación de monitoreo químico. X:
posibles sensores a instalar, XX: sensores que no pueden faltar en la instalación. ................................... 56
6
Objetivos
Objetivo general
Utilizando datos meteorológicos (precipitaciones diarias) e imágenes satelitales, se propone
identificar áreas de condiciones biofísicas homogéneas para la ubicación de estaciones de
monitoreo ambiental mediante el estudio de técnicas de teledetección, analizando la robustez
de los métodos implementados.
Para llevar adelante dicho objetivo, en este Trabajo Final (TF) se evaluaron diversas técnicas de
teledetección capaces de diferenciar las zonas anegadas de las no anegadas. Estas técnicas
fueron: i) Cálculo del Índice de Agua de Diferencia Normalizada (NDWI) propuesto por Gao,
1996. ii) Cálculo del Índice de Agua de Diferencia Normalizado Modificado (MNDWI) propuesto
por Xu, 2006. iii) El análisis del histograma de la banda Infrarroja Media. iv) La Transformación
de Tasseled Cap (TTC). v) La clasificación no supervisada (ISODATA) y vi) La clasificación
supervisada (máxima verosimilitud).
Objetivos específicos
Obtener las precipitaciones diarias de estaciones ubicadas en ciudades pertenecientes
a la cuenca y analizar su relación con las zonas anegadas.
Relacionar bandas espectrales para la obtención de diferentes índices que permitan
identificar los objetos presentes en la superficie terrestre, principalmente cuerpos de
agua.
Analizar la aptitud de los métodos implementados.
Obtener mapas que muestren el estado hídrico superficial, identificando zonas no
anegadas para la potencial instalación de estaciones de monitoreo ambiental.
7
1. Introducción
8
1.1. Principios de la teledetección
La teledetección espacial ofrece ventajas únicas frente a otros medios de observación de la
Tierra como la teledetección aérea o el trabajo de campo, si bien es cierto que los datos
satelitales no sustituyen a las observaciones in situ sino que las complementan. En
teledetección, las observaciones en el terreno son siempre necesarias tanto para la calibración
de los datos como para la comprobación final de la información obtenida. Las ventajas se derivan
de que las observaciones desde el espacio proporcionan:
Cobertura global y sinóptica: los sensores que se encuentran ubicados en las
plataformas espaciales logran cubrir casi la totalidad de la superficie terrestre y por
lo tanto se puede obtener información de zonas o regiones de difícil acceso.
Además, debido a la extensa área que es capaz de captarse, la visión sinóptica
permite la observación de algunos fenómenos, como relieve, estructuras geológicas,
distribución de cobertura del suelo, etc., que no podrían realizarse en un análisis en
escala más detallada. Así como es válido para zonas amplias, también lo es para
zonas más pequeñas de algunos kilómetros cuadrados ya que se cuenta con
sensores de alta resolución
Frecuencia temporal y actualización de datos: los satélites proporcionan
información con una frecuencia temporal alta, por lo tanto es posible el estudio de
fenómenos dinámicos, detección de cambios y actualización constante; por ejemplo
pueden estudiarse inundaciones, evolución de cultivos, océanos, entre otros.
Homogeneidad de los datos: debido a que los datos son obtenidos siempre por el
mismo instrumento, son espacialmente consistentes en comparación de los
tomados a campo que pueden ser registrados por diferentes instrumentos.
Formato digital: los sensores proporcionan datos digitales que deben ser tratados
de forma informática, por lo cual se pueden analizar grandes cantidades de datos
simultáneamente y se agiliza el proceso de visualización e interpretación
Aplicaciones multidisciplinarias: los datos proporcionados sobre la superficie
terrestre pueden ser utilizados para distintas especialidades y para aplicaciones muy
diversas. [Sobrino et al., 2000]
La teledetección se lleva a cabo a través de sensores, instrumentos susceptibles de detectar la
señal electromagnética que les llega de la Tierra y la atmósfera, convirtiéndola en un formato
digital capaz de poder ser analizado.
Dependiendo de la forma en que se registra la señal, los sensores se agrupan en dos familias:
Los que permiten una adquisición casi instantánea del conjunto de la escena
observada como las cámaras de fotos y las cámaras electromagnéticas de barrido;
Y los sensores que ofrecen una adquisición secuencial de elementos de la imagen,
con los cuales dato a dato, se constituye el conjunto de la escena.
Ejemplo de este último tipo de sensores son los radiómetros multiespectrales, los cuales
registran la radiación reflejada y emitida por la superficie terrestre y la separan en distintas
bandas espectrales por medio de prismas, espejos dicroicos o filtros. Adquieren información de
9
manera secuencial, a intervalos regulares, de forma que cada medida corresponde a un ángulo
de visión denominado IFOV (Instantaneous Field of View) o “campo de visión instantáneo”. La
radiación electromagnética es captada por una serie de detectores, sensibles a distintas
longitudes de onda, que la transforma en impulsos eléctricos proporcionales a la intensidad de
la radiación recibida. Esta señal es convertida a formato digital de forma que la señal
correspondiente a un IFOV se traduce en un dato numérico, que en la imagen corresponde al
píxel y se lo denomina nivel digital (ND). [Sobrino et al., 2000]
Cuando se habla de resolución de un sensor se hace referencia a la habilidad de registrar y
discriminar información en detalle que estos poseen, dependiendo del efecto combinado de sus
distintos componentes. La resolución de un sensor implica considerar la calidad de la
información aportada en distintos aspectos, por lo que se habla de cuatro tipos de resoluciones:
Resolución Temporal: es la frecuencia con la que el sensor adquiere imágenes de la
misma porción de la superficie terrestre;
Resolución Espacial: está dada por el IFOV, esto es el tamaño de la mínima unidad
de la imagen de la que se tiene información, denominado píxel. Depende de la
apertura del dispositivo óptico del sensor;
Resolución Espectral: expresa su aptitud para separar señales de longitudes de onda
diferentes y depende del dispositivo de filtro óptico que separa la radiación
incidente en bandas espectrales más o menos amplias. Indica el número y ancho de
las bandas espectrales en que un sensor registra la radiación;
Resolución Radiométrica: hace referencia a la sensibilidad del sensor y expresa su
aptitud, en una banda espectral dada, para identificar señales electromagnéticas de
energía diferentes. Se mide en cantidad de niveles de grises y suele expresarse
mediante el número de bits (8, 16, 24 entre otros) necesarios que se precisan para
almacenar cada píxel. Cuanto mayor sea la precisión radiométrica mayor número de
detalles podrán captarse en la imagen.
10
1.2. Principios físicos de la teledetección
Para que la observación remota sea posible es necesario que entre los objetos y el sensor exista
algún tipo de interacción. Esta interacción se debe al flujo energético procedente de una fuente
de radiación electromagnética, la cual puede originarse de tres maneras diferentes, dos de ellas
natural, en estrecha relación con su temperatura, y otra artificial, la cual sería radiación emitida
por el propio sensor y reflejada por los objetos (radar).
En el caso de las dos fuentes naturales de radiación electromagnética se tiene que, el flujo
energético más importante en la teledetección es el proveniente de la luz solar, la cual tiene su
máximo de emisión para las longitudes de onda comprendidas en el espectro visible, entre 0,4–
0,7 µm. El sol ilumina la superficie terrestre, que refleja esa energía en función del tipo de
cubierta presente sobre ella. Ese flujo reflejado es el recogido por el sensor, que lo transmite
posteriormente a las estaciones receptoras. Entre superficie y receptor se interpone la
atmósfera que absorbe parte de la señal original. La observación remota también puede basarse
en la energía emitida por las propias cubiertas de la superficie terrestre, debido a que cualquier
cuerpo con una temperatura superior al cero absoluto (0 K) emite radiación electromagnética,
con una intensidad y composición espectral muy diferente a la emitida por el sol, ya que está
directamente relacionada con la temperatura (para el sol alrededor de 6000 K, para la Tierra 300
K). En este caso la energía electromagnética emitida por la Tierra alcanza su máximo en las
longitudes de onda del infrarrojo térmico, entre 8 – 14 µm. [Chuvieco, 2002]
A continuación se verá en mayor profundidad la interacción entre la radiación proveniente por
el sol con la atmósfera y la superficie terrestre, obteniendo las denominadas firmas espectrales;
y las leyes que dominan la emisividad de la Tierra.
La radiancia1 registrada por los sensores remotos debe realizar una trayectoria a través de la
atmósfera, a consecuencia de la cual sufre variados efectos. Estos efectos dependen de la
trayectoria recorrida, de las condiciones atmosféricas presentes y de la longitud de onda de la
radiación. Los efectos ocasionados son:
Dispersión: se refiere a la difusión de la radiación debido a la interacción con las
partículas en suspensión y las moléculas presentes en la atmósfera. Este efecto de
dispersión decrece a medida que aumenta la longitud de onda. Existen tres
mecanismos principales:
o Dispersión de Rayleigh: producida por las moléculas y partículas atmosféricas
que tienen un diámetro menor que la longitud de onda incidente, afectando
especialmente a las longitudes de onda más cortas del espectro visible. Esta
es la causa de que el cielo se vea de color azul.
o Dispersión de Mie: se produce cuando las partículas y moléculas tienen un
diámetro de igual tamaño que la longitud de la onda de la energía incidente,
afectando singularmente a longitudes de onda más largas que la dispersión
Rayleigh.
1 Radiancia: flujo radiativo procedente de una superficie elemental, dA, en una dirección dada, por unidad de ángulo sólido y por unidad de superficie normalmente situada a la dirección de propagación.
11
o Dispersión no selectiva: se produce cuando las partículas y moléculas
atmosféricas presentan un diámetro de mayor tamaño que la longitud de
onda de la radiación. Un caso típico es el color blanco de las nubes, ya que los
elementos y partículas que las forman reflejan con igual intensidad todas las
longitudes de onda dentro del visible (azul, verde, rojo).
Absorción: ligada a la retención de energía por parte de los diferentes componentes
de la atmósfera, sobre todo del vapor de agua (H2O), el dióxido de carbono (CO2), el
oxígeno (O2) y el ozono (O3), aunque este fenómeno de la absorción es muy
selectivo, limitándose a determinadas longitudes de onda dentro del espectro
electromagnético. Las regiones del espectro donde estos procesos son débiles, y por
lo tanto la transmisión de energía se produce con facilidad, reciben el nombre de
“ventana atmosférica” (Figura 1). Lógicamente, los principales sensores utilizados
en los sistemas de teledetección espacial se centran en las regiones de estas
ventanas atmosféricas. [ESA, 2017]
1Figura 1. Ventana atmosférica. Absorción de la radiación incidente por parte de los gases presentes en la
atmósfera. [Tomado de la ESA, 2017].
Una vez que la radiación llega a la superficie terrestre sufre diferentes procesos, pudiendo ser
reflejada, absorbida o transmitida, dependiendo de la naturaleza de los objetos y de la longitud
de onda. Aplicando el principio de la conservación de la energía se tiene que:
𝐸𝑖 = 𝐸𝑟 + 𝐸𝑎 + 𝐸𝑡 (1)
Donde 𝐸𝑖 hace referencia a la energía incidente, 𝐸𝑟 a la energía reflejada, 𝐸𝑎 es la energía
absorbida y la 𝐸𝑡 la energía transmitida.
Las proporciones de energía reflejada, absorbida y transmitida varían para cada objeto y a su
vez, para un mismo objeto, las mencionadas proporciones varían con las longitudes de onda de
la radiación incidente. Esto permite que dos objetos puedan ser no distinguibles en una porción
del espectro y perfectamente diferenciables en otra.
Se debe tener en cuenta que la reflexión de los objetos depende, en gran medida, de su
naturaleza interna y del grado de rugosidad de la superficie, pudiéndose diferenciar dos tipos
de reflexión extremas:
Reflexión especular: se produce en superficies lisas y planas (donde las variaciones
altimétricas de la rugosidad superficial sean menores que la longitud de onda). Aquí
el ángulo de reflexión es igual al de incidencia.
12
Reflexión difusa: cuando las variaciones de la rugosidad superficial son mayores que
la longitud de onda, la energía es reflejada más o menos uniformemente en todas
las direcciones.
Sin embargo, lo predominante en la naturaleza es una mezcla de ambos tipos, originándose
grandes diferencias de reflectividad entre los objetos debido a la variabilidad de las texturas
superficiales; siendo la reflectividad 𝜌 la relación entre el flujo de energía reflejada, ϕ𝑟, y el flujo
de la energía incidente, ϕ𝑖:
𝜌 =ϕ𝑟
ϕ𝑖 (2)
La variación de la reflectividad en función de la longitud de onda se la denomina firma espectral,
considerada la medida cuantitativa de las propiedad espectrales de un objeto en una o varias
bandas espectrales. En la Figura 2 se puede observar la firma espectral para tres superficies
diferentes (agua, vegetación y suelo).
2Figura 2. Firmas espectrales de agua, suelo y vegetación con ubicación de las bandas del sensor Enhanced
Thematic Mapper (ETM+).
La reflectividad del suelo aumenta ligeramente de la gama visible a la infrarroja del espectro. El
agua clara en cambio, sólo refleja la gama de luz visible. Como el agua casi no se refleja en la
gama cercana al infrarrojo, se distingue muy bien de otras superficies. Estas superficies acuáticas
aparecerán claramente delimitadas como áreas oscuras (ND de valores bajos) en imágenes
registradas en la gama cercana al infrarrojo. En cambio, la firma espectral de las plantas verdes
es muy característica. La clorofila de una planta en crecimiento absorbe la luz visible y
especialmente la luz roja para usarla en el proceso de fotosíntesis, mientras que la luz cercana
al infrarrojo es reflejada de manera muy eficaz ya que a la planta no le sirve. Por tanto, la
reflectividad de la vegetación en las gamas cercanas al infrarrojo y visible del espectro varía
considerablemente [ESA, 2016].
En lo que respecta a la emisividad de la Tierra, se sabe que la cantidad de radiación emitida va a
ser diferente para diferentes longitudes de onda, y al mismo tiempo, va a depender de la
temperatura de la superficie. La ecuación que nos da la distribución espectral de la radiación
emitida se conoce como Ley de Planck:
13
𝐵𝜆(𝑇) =𝐶1
𝜆5[𝑒𝑥𝑝(𝐶2𝜆𝑇
)−1] (3)
Donde 𝐶1 = 2ℎ𝑐2 = 1,191 𝑥 108𝑊𝑚−2𝜇𝑚4𝑆𝑟−1, 𝐶2 = ℎ𝑐𝑘⁄ = 1,4388 𝑥 104𝜇𝑚𝐾, y 𝐵𝜆(𝑇)
representa la cantidad de energía emitida en la longitud de onda λ por cada metro cuadrado de
superficie cada segundo. Dicha ecuación fue obtenida por Planck aplicada al concepto de
radiación de un cuerpo negro, el cual se define como un cuerpo que absorbe perfectamente
toda la radiación incidente sobre él.
De esta ecuación se derivan dos ecuaciones que describen de forma más simple la relación de
la temperatura con la radiación. En primer lugar la ley de Stefan-Boltzman:
𝑀𝐵 = 𝜎𝑇4 (4)
Esta ecuación es el resultado de la integral para todas las longitudes de onda de la ley de Planck
y permite, por tanto, calcular el poder emisivo total de un cuerpo negro a la temperatura
sumando las emisiones para cada una de las longitudes de onda; σ es la constante de Stefan
cuyo valor es 5,67 x 10−8W𝑚−2𝐾−4 . En segundo lugar se tiene la ley de Wien
𝜆𝑚á𝑥 =2,9875 𝑥 10−3𝑚𝐾
𝑇 (5)
Esta Ley permite calcular la longitud de onda a la cual se produce el pico máximo de emisión de
energía de un cuerpo negro a una temperatura dada.
Debido a que no existen cuerpos negros perfectos en la naturaleza, se tiene que cualquier
cuerpo a una temperatura determinada le corresponde una radiancia 𝐿𝜆(𝑇), que en función de
la del cuerpo negro 𝐵𝜆(𝑇), se puede escribir como:
𝐿𝜆(𝑇) = 𝜖𝜆𝐵𝜆(𝑇) (6)
La emisividad es un factor que describe la eficiencia de radiar energía de un objeto en
comparación con la de un cuerpo negro a su misma temperatura. [OCW, UM 2017]
En la Figura 3 se pueden apreciar las curvas asociadas a un cuerpo negro que emite a 6000 K y
otro a 300 K, equivalentes a la superficie del Sol y la Tierra respectivamente. Los máximos de
emisión se centran en torno a los 0,5 µm (espectro visible), en el primer caso, y en el segundo
caso alrededor de los 11 µm (infrarrojo térmico).
14
3Figura 3. Emisión de dos cuerpos negros, uno a 6000 K y otro a 300 K.
15
1.3. Misión Landsat
La serie de satélites Landsat se inicia en los años 70 y se considera el programa más fructífero
puesto en marcha que ha proporcionado datos multiespectrales de alta resolución, ofreciendo
imágenes visualmente impactantes y científicamente valiosas, siendo un recurso único para los
que trabajan en la agricultura, geología, silvicultura, ordenación del territorio, educación,
cartografía y la investigación del cambio global. La serie se encuentra formada por ocho misiones
satélites, su mantenimiento y operación está a cargo de la Administración de la Aeronáutica y
del Espacio (NASA) y la producción y comercialización de las imágenes depende del Servicio
Geológico de los Estados Unidos (USGS).
El 23 de julio de 1972 se lanzó el satélite ERST-1 (Earth Resources Technology Satellite),
rebautizado posteriormente como Landsat 1, y junto con el Landsat 2 y 3 lanzados
respectivamente en 1975 y 1978, constituyeron en su conjunto la primera generación de los
Landsat, los cuales tenían a bordo el sensor MSS (Multispectral Scanning System) de barrido
multiespectral. En 1982 inicia la segunda generación con el lanzamiento del Landsat 4 y 5 en el
año 1984 los cuales mantenían el sensor MSS incorporándose a su vez un nuevo sensor
denominado TM (Thematic Mapper) que proporciona datos de mayor resolución espacial,
espectral y radiométrica. Landsat 5 incorpora una banda en el térmico siendo uno de las
primeras misiones con una banda de buena resolución espacial en este sector del espectro
electromagnético. El Landsat 6 no pudo alcanzar su órbita en 1993. En el año 1999 se lanzó el
Landsat 7 con un nuevo sensor denominado ETM+. Lanzado el 8 de febrero de 2013, el Landsat
8 contiene los sensores OLI (Operational Land Imager) y TIRS (Thermal Infrared Sensor). Para el
año 2020 está previsto poner en marcha el Landsat 9 (Figura 4). [Landsat Missions, USGS 2016]
4Figura 4. Años de puesta en órbita de satélites de la misión Landsat. [Tomado de Landsat Missions, USGS 2016].
Los satélites Landsat son heliosincrónicos, esto quiere decir que giran en una órbita cuasi polar
de norte a sur a una altura determinada, dependiendo del tipo de satélite, y con una inclinación
específica. Al girar la Tierra sobre su eje, cada vez que el satélite completa una vuelta se escanea
una nueva franja de la superficie de la Tierra lo cual define la resolución temporal [Sobrino et al,
2000].
A continuación se describen las principales características y diferencias entro los satélites
Landsat 7 y 8.
El ETM+ es un radiómetro multiespectral de barrido (“whiskbroom”), los cuales adquieren
información en una serie de líneas procedentes de estrechas franjas de terreno transversales a
16
la dirección del desplazamiento del satélite. En cada barrido, la energía recibida es muestreada
desde un lado a otro del sensor mediante un espejo rotatorio. A medida que el satélite se
desplaza, sucesivos barridos conforman una imagen bidimensional de la superficie terrestre. Así,
una línea de barrido de radiómetro equivale a una línea de píxeles en la imagen [Sobrino et al.,
2000].
En cambio, tanto OLI como TIRS, son sensores del tipo radiómetro de empuje. Estos sensores
trabajan con barras de detectores lineales, los cuales a su vez tienen miles de detectores por
banda espectral. Los detectores alineados a través de los planos focales del instrumento recogen
las imágenes como si fuera una “escoba de empuje o pushbroom” (similar a como funciona un
escáner de impresora). De este modo se tiene un instrumento más sensible proporcionando una
mejor información de la superficie terrestre con menos partes móviles [Landsat Missions, USGS
2016].
Los datos generados por OLI y TIRS se cuantifican a 12 bits, en comparación con los datos de 8
bits producidos por el ETM+. Esto quiere decir que el valor de un píxel, en el primer caso, está
comprendido entre 0-4095 (212=4096 niveles potenciales), contra los 256 niveles potenciales
que se conseguían con una resolución de 8 bits (28=256). La orbita de ambos satélites están a
una altura de 705 km, con una inclinación de 98,2° y resolución temporal de 16 días. Poseen un
tamaño de escena de 185 km por 170 km, aproximadamente.
El OLI fue diseñado para detectar las mismas bandas espectrales de los anteriores instrumentos
del Landsat (es decir sensores, TM y ETM+), con la excepción de una banda en el infrarrojo
térmico. Además de las 7 bandas multiespectrales del anterior Landsat (seis de las cuales han
sido refinadas) OLI agrega nuevas bandas espectrales, una banda azul “costera” (banda 1) y una
banda en el infrarrojo de onda corta “cirros” (banda 9). Estas nuevas bandas, facilitan el estudio
de la calidad del agua y la detección de nubes altas y delgadas. El TIRS recoge datos de otras dos
bandas espectrales en la región térmica, anteriormente cubierta por una única banda de ancho
espectral en Landsat 7, midiendo la energía térmica de la superficie de la tierra. En la Tabla 1 se
muestra la comparación de las bandas de los sensores ETM+, OLI, TIRS de Landsat 7 y 8 [Ariza,
2013].
Tabla 1. Bandas espectrales de sensores OLI y TIRS comparadas con las bandas espectrales del sensor ETM+.
[Tomado de Landsat Missions, USGS 2016]
Landsat 7, ETM+ Landsat 8, OLI y TIRS
Resolución espacial, ancho de banda (µm) Resolución espacial, ancho de banda (µm)
30 m Azul “costera” 0,435 – 0,451 Banda 1
Banda 1 30 m Azul 0,441 – 0,514 30 m Azul 0,452 – 0,512 Banda 2
Banda 2 30 m Verde 0,519 – 0,601 30 m Verde 0,533 – 0,590 Banda 3
Banda 3 30 m Rojo 0,631 – 0,692 30 m Rojo 0,636 – 0,673 Banda 4
Banda 4 30 m NIR 0,772 – 0,898 30 m NIR 0,851 – 0,879 Banda 5
Banda 5 30 m MIR 1 1,547 – 1,749 30 m MIR 1 1,566 – 1,651 Banda 6
Banda 6 60 m Térmico 10,31 – 12,36 100 m Térmico 1 10,60 – 11,19 Banda 10
100 m Térmico 2 11,50 – 12,51 Banda 11
Banda 7 30 m MIR 2 2,064 – 2,345 30 m MIR 2 2,107 – 2,294 Banda 7
Banda 8 15 m Pan 0,515 – 0,896 15 m Pan 0,503 – 0,676 Banda 8
30 m Cirrus 1,363 – 1,384 Banda 9
En mayo del 2003 el sensor ETM+ sufrió un fallo en uno de sus instrumentos denominado Scan
Line Corrector (SLC). El SLC compensa el movimiento hacia adelante del satélite durante la
17
adquisición de las imágenes. Sin el SLC, el área escaneada por el sensor delinea un patrón de
zigzag como se puede apreciar en la Figura 5, causando que parte de los datos registrados estén
duplicados y, la parte correspondiente al terreno bajo el satélite, no sea registrada en absoluto,
quedando las regiones duplicadas y las no registradas de la imagen con el valor 0. Esto significa
que dichas imágenes (SLC-off) contienen datos reales intercalados con franjas negras de datos
faltantes, denominadas gaps (el equivalente al valor 0 en todas las bandas) [Rodríguez Ramos,
2009].
5Figura 5. Camino del escáner ETM+ con y sin el SLC. [Tomado de Rodríguez Ramos, 2009].
Los gaps provocan aproximadamente, la pérdida de un 22% de la información de cada imagen.
Están dispuestos en franjas inclinadas hacia la izquierda unos 8° respecto a la orientación
horizontal debido a la rotación de la imagen, y aparecen en intervalos de 33 píxeles. Estas franjas
tienen hasta 15 píxeles en el borde de la imagen, y van disminuyendo gradualmente camino al
centro hasta desaparecer [Rodríguez Ramos, 2009].
Existen diversas técnicas que se han ido desarrollando para compensar los gaps presentes en las
imágenes, las cuales se pueden dividir en tres grandes grupos:
Basados en múltiples imágenes: los gaps de una imagen primaria, son reconstruidos
usando otras imágenes, que contienen información válida en la zona
correspondiente. El problema de estas técnicas surge cuando existen diferencias
importantes entre los datos de las distintas imágenes, debido a cambios en el
terreno, atmosféricos o de la radiación solar, entre otros.
Basados en una sola imagen: funcionan utilizando las correlaciones entre los píxeles
de la imagen, obtenidas por técnicas geoestadísticas de interpolación, donde las
áreas vacías son reconstruidas usando datos válidos de la propia imagen. Estas
técnicas tienen como principal problema que los píxeles son totalmente creados vía
interpolación y sus resultados son variables en cuanto a confiabilidad.
Híbridos: aprovecha las sinergias existentes entre los dos anteriores.
18
1.4. Técnicas de tratamiento
Los métodos y técnicas de teledetección que se emplean en el presente trabajo se describen a
continuación:
1. La aplicación del Índice de Agua de Diferencia Normalizada (NDWI por sus siglas en inglés)
fue propuesto por Gao (1996), para ser utilizado como una medida de las moléculas de
agua líquida en la vegetación. Combina la banda del infrarrojo cercano (NIR) con la banda
del infrarrojo medio (MIR 1), resaltando de este modo la baja reflectividad que presenta
el agua para NIR, distinguiéndose muy bien de otras superficies como el suelo y la
vegetación (ver Figura 2). Su ecuación queda determinada por:
𝑁𝐷𝑊𝐼 =𝑁𝐼𝑅−𝑀𝐼𝑅1
𝑁𝐼𝑅+𝑀𝐼𝑅1 (7)
El rango del NDWI varía entre -1 y 1. Valores positivos cercanos a 1 corresponden a agua
debido a que la reflectividad es mayor en NIR que en MIR 1, mientras que valores
negativos indican vegetación sin humedad en hojas o suelos secos, en donde se tiene una
mayor reflectividad para la región del MIR1. [Jackson et al., 2009]
2. La aplicación del Índice de Agua de Diferencia Normalizada Modificado (MNDWI)
propuesto por Xu (2006). Es considerado una modificación del NDWI propuesto por
Mc.Feeters [Xu, 2006] utilizado para delimitar los cuerpos de agua permanente. El índice
MNDWI, queda definido por:
𝑀𝑁𝐷𝑊𝐼 =𝑣𝑒𝑟𝑑𝑒−𝑀𝐼𝑅1
𝑣𝑒𝑟𝑑𝑒+𝑀𝐼𝑅1 (8)
En donde la banda verde hace referencia a las longitudes de onda del espectro visible
verde. El agua tendrá valores positivos debido a la baja reflectividad que presenta en la
región del MIR 1, mientras que tanto las edificaciones como la vegetación y el suelo
tendrán valores negativos (mayores o menores dependiendo del caso que se trate)
debido a que tienen una mayor reflectividad en el MIR 1 que en la banda verde. [Xu 2006]
3. Teniendo en cuentas las firmas espectrales, es posible analizar mediante los histogramas
de las imágenes, las reflectividades obtenidas en las bandas de forma individual. En el
caso de cuerpos de agua las bandas seleccionadas para estudiar sus límites son las
correspondientes a las longitudes de onda del infrarrojo cercano y medio, debido a que
en esta región presentan una baja reflectividad en comparación con el suelo y la
vegetación.
4. Otra técnica puede ser la obtención de nuevas bandas mediante la combinación lineal de
las originales, realzando algunos rasgos de interés en la escena. Ejemplo de esta técnica
es la Transformación de Tasseled Cap, TTC, la cual tiende a resaltar el comportamiento
espectral de la vegetación y el suelo, a partir de crear nuevos ejes mejores ajustados a
ese espacio físico. En ese nuevo sistema de coordenadas se pretende que sea más nítida
la separación entre ambas cubiertas [Chuvieco, 2002]. Los coeficientes de la TTC
utilizados para crear las bandas resultantes de la transformación, se derivan
estadísticamente a partir de imágenes y de observaciones empíricas, siendo de este
modo específicos para cada sensor [Crist et al., 1986].
19
En el caso de los sensores ETM+ y OLI, las tres bandas principales obtenidas una vez
aplicada la TTC son la banda de brillo, verdor y humedad. Esta última es la que resulta de
interés analizar debido a que contraste la suma de las bandas del visible e infrarrojo
cercano, con la suma de las bandas del infrarrojo lejano. Los cambios en el estado de
humedad afectan a las bandas de la región del infrarrojo lejano de una forma más
sustancial que a las otras, es por esto que un contraste entre estos dos conjuntos resalta
las características relacionadas con la humedad de las escenas.
Este método demuestra que la información sobre la vegetación y suelo, brindada por las
bandas de los sensores, ocupa tres dimensiones definidas por dos planos, el plano de la
vegetación (definido por la banda de brillo y verdor), el plano del suelo (definido por la
banda de humedad y brillo) y una zona de transición, entre ambos planos (Figura 6).
6Figura 6. Planos de la TTC para satélite Landsat 7. [Tomado de Crist et al., 1984].
5. Los métodos de clasificación digital de la imagen, donde bajo cierto criterio de similitud
se agrupan los píxeles, dan como resultado una nueva imagen que condensa la
información digital contenida en las diversas bandas espectrales que conforman la
imagen original. Cada nivel digital de la imagen final no es más que un indicador de la
categoría en la que se ha incluido al píxel. Existen dos tipos de clasificaciones, la no
supervisada, en la cual se definen clases espectrales y la supervisada, en la cual se definen
clases informacionales. Ambas desarrolladas a continuación:
5.1. Clasificación no supervisada: no se establece ninguna clase a priori, aunque es
necesario determinar el número de clases que se quiere obtener, y se deja que las
defina un procedimiento estadístico, debiendo luego un operador identificar a que
clases informacionales corresponden.
El método más utilizado es el ISODATA, el cual presenta diferentes parámetros,
entre ellos: números máximos y mínimos de clases espectrales, distancia mínima
entre clases, número mínimo de puntos en una clase, número máximo clases que
pueden intervenir en una operación de fusión simultáneamente, número máximo
de iteraciones, entre otros.
Como punto de origen se toman, n puntos arbitrariamente situados, estando n entre
el número mínimo y máximo de clases que se esperan obtener (centro de partida).
Luego se asignan el resto de puntos de la imagen al centro más próximo, aplicando
el concepto de distancia euclídea (puede ser otro concepto, como la distancia
euclídea al cuadrado, la distancia del coseno, entre otros). A continuación se
20
calculan el número de puntos de cada clase, su media y varianza, precediendo con
su fusión o disgregación, según sea necesario. Si hay fusiones o disgregaciones se
recalculan los centros de los grupos implicados y si no se da ninguna de las
condiciones de finalización del algoritmo, se procede a una nueva iteración. Una vez
alcanzadas las finalizaciones del algoritmo, se obtiene una serie de grupos de píxeles
espectralmente homogéneos [Sobrino et al. 2000; UM, 2016].
5.2. Clasificación supervisada: se basa en la disponibilidad de áreas de entrenamiento,
de las que se conoce a priori la clase a la que pertenecen y que servirán para generar
una firma espectral característica de cada una de las clases informacionales.
Mediante un criterio específico de selección se asigna cada píxel a una de las clases
[OCW, UM 2017].
Uno de los criterios más utilizados es el de máxima verosimilitud, el cual se basa en
considerar que los ND de los puntos pertenecientes a una misma clase presentan
una variación natural que sigue estadísticamente una distribución normal.
Para decidir a qué clase se asigna un píxel, se calcula la probabilidad que tiene dicho
punto de aparecer en cada una de las clases, es decir se calculan todas las P(X/Ci)
donde X es el vector que representa el punto en estudio y los Ci i=1…k representan
las clases informacionales. El punto se asigna a la clase que presente la mayor
probabilidad. Los parámetros estadísticos de la distribución se calculan a partir de
las muestras que han sido seleccionadas como áreas de entrenamiento [Sobrino et
al. 2000]
6. La temperatura de superficie, LST, se calcula utilizando la ecuación de transferencia
radiativa:
𝐿𝑠𝑎𝑡 = [𝜀𝐵(𝑇) + (1 − 𝜀)𝐿𝑎𝑡𝑚↓ ]𝜏 + 𝐿𝑎𝑡𝑚
↑ (9)
Donde B(T) (W m-2 sr-1 µm-1) es la función de Planck para la temperatura LST,
𝐿𝑠𝑎𝑡 (W m-2 sr-1 µm-1) es la radiancia captada por el sensor, 𝐿𝑎𝑡𝑚↑ (W m-2 sr-1 µm-1) es la
radiancia ascendente emitida por la atmósfera hacia el sensor, 𝐿𝑎𝑡𝑚↓ (W m-2 sr-1 µm-1) es
la radiancia descendente emitida por la atmósfera hacia la superficie y 𝜏 es la
transmisividad de la atmósfera. [Jimenez-Muños et al., 2010]
En un segundo paso, se aplica la inversa de la ley de Planck para obtener la temperatura
de superficie por medio de la siguiente ecuación:
𝐿𝑆𝑇 =𝐾2
𝑙𝑛 (𝐾1
𝐵(𝑇)+1)
(10)
Siendo 𝐾1 (W m-2 sr-1 µm-1) y 𝐾2 (kelvin) las constante de calibración para la banda
térmica del sensor.
Esta banda de LST junto con las bandas originales de reflectividad, son utilizadas para
llevar a delante la clasificación digital de la imagen, debido a que los cuerpos de agua
presentan una temperatura inferior, pudiendo ser de utilidad en la definición de las
clases.
21
2. Materiales y métodos
22
2.1. Descripción de la cuenca
La cuenca baja del Río Salado (Figura 7), que comúnmente se denomina Pampa deprimida, es
una región hídrica que se encuentra ubicada en el centro de la provincia de Buenos Aires con un
área de 39.324 km2. La forma una serie de arroyos que corren de sur a noreste por una planicie
de escasa pendiente donde diferentes canales ayudan a que las aguas alcancen la bahía de
Samborombón. Se la considera de vertiente atlántica por tener obras artificiales que sustituyen
la escorrentía natural y le permiten comunicarse con el mar. Limita al norte y oeste con la cuenca
del río Salado; por el sur, las cuencas de arroyos del sudoeste de la provincia de Buenos Aires y
por el este, con la zona de médanos costeros. La llanura donde se desarrolla esta cuenca es una
extensa planicie de origen reciente, con pendiente general hacia el Noreste.
La región presenta características propias de la llanura donde las pendientes son casi nulas y los
micro relieves adquieren importancia, en zonas más bajas se acumula el agua y constituyen
bañados, lagunas; es una zona deprimida con deficiente evacuación hídrica donde abundan
sistemas de lagunas y hay muy pocos cauces de gran caudal. El clima es templado cálido con
heladas en invierno y primavera. Las precipitaciones disminuyen hacia el sur-oeste de 1000 a
700 mm anuales. Si bien las precipitaciones se registran durante todo el año, son más intensas
en primavera y otoño [MINISTERIO, 2016].
7Figura 7. Vertiente sur de la cuenca del río Salado (área de estudio), límite de cuenca, subcuencas y localidades.
23
2.2. Preprocesado
La vertiente sur de la cuenca del Río Salado está cubierta en su totalidad por cuatro imágenes
Landsat correspondientes a las escenas 224/85, 224/86, 225/85 y 225/86 del World-wide
Reference System, de modo que por cada fecha seleccionada para su análisis se descargaron
cuatro imágenes.
Desde el servidor de la ESPA Ordering Interface (USGS, http://glovis.usgs.gov/), se descargaron
para cada fecha los productos de las imágenes que contenían las bandas de la reflectividad de
superficie. A su vez se descargaron las imágenes de Temperaturas de Brillo, producto obtenido
a partir de la banda 6 en el Landsat 7 y por medio de la banda 10 en el Landsat 8 [Landsat
Missions, Users Handbook 2016].
También se descargaron desde el servidor de la ESPA las máscaras de nubes obtenidas mediante
la implementación del algoritmo Automatic Cloud Cover Assessment (ACCA). Este algoritmo
trabaja bajo la premisa de que las nubes son más brillantes y más frías que la mayoría de las
superficies de la Tierra. De este modo, se aplican diversos filtros a distintas bandas logrando
obtener como resultado final una máscara binaria (banda de solo dos valores de ND) en la cual
se distinguen las nubes de un color negro, con ND=0, y las regiones libres de nubes de un color
blanco, con ND=1. [Landsat Missions, ACCA 2017]
Se utilizó el software ENVI Classic 5.3 para el preprocesado y procesado de las imágenes. Para
cada escena (fecha seleccionada para la aplicación de los métodos y técnicas) se confeccionó un
mosaico georreferenciando cada una de las cuatro imágenes que la componen. De este modo
se tuvo un único archivo sobre el cual se aplicó el vector que representa la cuenca baja del Río
Salado, obteniendo como resultado el área de estudio final.
En el caso de las escenas procedentes de Landsat 7 SLC-off, a cada imagen se le aplicó un
algoritmo basado en los métodos propuestos por la USGS, mediante la interpolación de los
píxeles con información válida para poder estimar los valores de los píxeles faltantes [Landsat
Missions, SLC-off 2016].
24
2.3 Desarrollo metodológico y procesado de imágenes
La metodología llevada a cabo en este TF se resume a continuación.
En primer lugar, se obtuvieron para el periodo 2000 – 2014 los datos de precipitaciones de las
estaciones de las ciudades de Las Flores, Azul, Olavarría, Tandil y Dolores, pertenecientes a la
vertiente sur de la cuenca del Río Salado, para identificar extremos hídricos con condiciones de
máxima área anegada. Los datos meteorológicos utilizados de precipitaciones diarias en
milímetros (P), fueron brindados por el Servicio Meteorológico Nacional. La Tabla 2 muestra la
ubicación de cada una de las estaciones utilizadas y su ubicación geográfica se puede ver en la
Figura 7, sección 2.1.
Tabla 2. Información de estaciones meteorológicas utilizadas en este trabajo y número de identificación de éstas de
acuerdo al SMN.
Número de estación Ciudad Latitud (°) Longitud (°) Elevación (m)
87563 Las Flores -36,07 -59,10 38
87641 Azul -36,83 -59,88 146
87643 Olavarría -36,88 -60,22 165
87645 Tandil -37,24 -59,23 175
87648 Dolores -36,35 -57,73 9
Luego del análisis de las precipitaciones, se prosiguió con la selección y descarga de las
imágenes. Una vez obtenidas todas las imágenes se realizó un preprocesado para trabajar sólo
con el área de estudio y eliminar o corregir, dependiendo del caso, los píxeles que podrían
presentar un inconveniente en la aplicación de los métodos (Sección 2.2).
En el caso de la obtención de los índices se utilizó la herramienta Band Math. Se aplicó la
ecuación 7 para la obtención del NDWI (bandas NIR y MIR 1) y la ecuación 8 para la obtención
del MNDWI (bandas del verde y MIR 1). Los números de bandas correspondientes a la región
verde, NIR y MIR 1 utilizadas para cada índice varían según el satélite, como se puede apreciar
en la Tabla 1, Sección 1.3.
Para llevar adelante el análisis de la reflectividad del agua a partir de una banda individual se
optó por la banda MIR 1, debido a que demuestra ser menos sensible a la carga de sedimentos
del agua y, por lo tanto, tiene una mejor capacidad para delinear el límite agua-suelo en aguas
turbias, en comparación con la banda NIR [Bustamante et al., 2005].
Teniendo en cuenta que los ND de las imágenes descargadas tienen un factor de escala de
0,0001, para analizar la información física de la reflectividad de la banda MIR 1, se multiplicó
esta por dicho factor.
Una vez obtenidas las imágenes resultantes de estos tres métodos, se realizó un suavizado para
una mejor interpretación de los resultados. Para el suavizado se aplicó un filtro de convolución,
el cual consiste en producir una imagen de salida en la que el ND de un píxel dado sea función
de una media ponderada de los ND de los píxeles vecinos.
Es necesario explicar la frecuencia espacial de la imagen para comprender el filtro que fue
aplicado. Esta frecuencia se define como el número de cambios en los valores de brillo por
unidad de distancia. Si hay muy pocos cambios en valores de brillo sobre un área dada, esta es
llamada área de frecuencia baja. El filtro que se aplicó se denomina de paso bajo (matriz de 5x5),
25
el cual elimina la información de frecuencia alta reteniendo la de frecuencia baja, reduciendo el
ruido [Della Vedova, 2013].
Luego de aplicar los filtros, se analizaron los histogramas de las imágenes donde se
seleccionaron los intervalos que contenían los píxeles con agua, sobre los cuales se aplicó un
ajuste lineal. De este modo se logró realzar las regiones con presencia de agua.
Siendo el objetivo principal de este TF la detección de zonas no anegables para la instalación de
estaciones de monitoreo ambiental, mediante la generación de una máscara, se realizó la
binarización de las imágenes para los distintos métodos. Dicha binarización consistió en destacar
las zonas anegadas de color negro (valores de ND = 0) y las zonas no anegadas de color blanco
(valores de ND = 1), teniendo en cuenta el análisis de los histogramas realizados previamente y
la información teórica.
Los resultados de las imágenes binarias para estos tres métodos se correlacionaron con los
vectores de cuerpos de agua permanentes y cursos de agua para el área de estudio, descargados
desde el Instituto Geográfico Nacional (IGN), permitiendo de este modo el análisis de la
consistencia de los métodos.
Para llevar adelante la Transformación de Tasseled Cap, TTC, se realizó la sumatoria de las
bandas originales de cada sensor multiplicadas por sus correspondientes coeficientes. La Tabla
3 muestra los coeficientes TTC para el sensor ETM+ [Huang et al., 2002] y para el sensor OLI
[Muhammad et al., 2014].
Tabla 3. Coeficientes de transformación Tasseled Cap para el sensor ETM+ y OLI
Satélite Banda Componente
Brillo Verdor Humedad
Landsat 7
1 0,3561 -0,3344 0,2626
2 0,3972 -0,3544 0,2141
3 0,3904 -0,4556 0,09269
4 0,6966 0,6966 0,0656
5 0,2286 -0,0242 -0,7629
7 0,1596 -0,2630 -0,5388
Landsat 8
2 0,3029 -0,2941 0,1511
3 0,2786 -0,2430 0,1973
4 0,4733 -0,5424 0,3283
5 0,5599 0,7276 0,3407
6 0,5080 0,0713 -0,7117
7 0,1872 -0,1608 -0,4559
En el caso de las escenas de Landsat 7 se utilizó la herramienta transform / Tasseled Cap,
brindada por ENVI, la cual dispone de los coeficientes específicos, mientras que para las escenas
del Landsat 8 se utilizó la herramienta Band Math.
Una vez obtenidas las nuevas bandas, se realizó una composición RGB2, en la cual se le asignó a
la banda de brillo el rojo, a la de verdor el verde y a la de humedad el azul.
2 La composición RGB (por sus siglas en inglés red, green, blue; rojo, verde, azul) es un concepto que se emplea para referirse a un modelo cromático que consiste en representar distintos colores a partir de la mezcla de estos tres colores primarios de la luz.
26
Luego se realizó un gráfico de dispersión del plano del suelo, donde en el eje y se representa la
banda de humedad y en el eje x la de brillo, a modo de estudiar las distribuciones de los distintos
tipos de superficie analizando la dirección en que la humedad desciende. Este análisis se realizó
en diferentes regiones de la cuenca, explorando el plano humedad – brillo, para diferentes
condiciones hídricas de las ventanas de dispersión disponibles en el software utilizado.
Como se explicó en la sección 1.4, la banda de mayor utilidad por la información que brinda es
la de humedad. Al igual que en el análisis de NDWI, MNDWI y banda MIR 1, a esta banda de
humedad se le aplicó un filtro de convolución de paso bajo, para luego analizar su histograma.
Teniendo en cuenta este análisis y el estudio del plano del suelo, se definieron los límites de ND
utilizados para su binarización.
Para el cálculo de la Temperatura de Superficie, LST, se utilizaron las imágenes de Temperatura
de Brillo, descargadas desde el servidor de la ESPA. Estas imágenes representan la temperatura
de la superficie al tope de la atmósfera, calculada mediante las bandas del infrarrojo térmico.
Para corregir estas temperaturas proporcionadas por el satélite a las temperaturas reales de la
superficie se aplicó en primera instancia la inversa de la ecuación de Planck:
𝐿𝑠𝑎𝑡 =𝐾1
𝑒𝑥𝑝(𝐾2𝑇
)−1 (11)
Donde los valores de 𝐾1 y 𝐾2 que son las constante de calibración para la banda térmica del
sensor están representados en la Tabla 4 [Chander et al., 2009] y T es la Temperatura de Brillo.
Tabla 4. Constantes de calibración de la banda térmica del ETM+ y TIRS.
Satélite Bandas 𝐾1(W m-2sr-1μm-1) 𝐾2(Kelvin)
Landsat 7 6 666,09 1282,71
Landsat 8 10 774,89 1321,08
Luego, por inversión directa de la ecuación de transferencia radiativa (ecuación 9) se obtuvo la
radiancia para un cuerpo negro 𝐵(𝑇) [Jiménez-Muñoz et al., 2010], con 𝜀 = 0,99 por
considerarse una emisividad casi total para el agua.
𝐵(𝑇) =(
𝐿𝑠𝑎𝑡−𝐿𝑎𝑡𝑚↑
𝜏)−(1−𝜀)𝐿𝑎𝑡𝑚
↓
𝜀 (12)
Para estimar los parámetros de la atmósfera (𝐿𝑎𝑡𝑚↑ , 𝐿𝑎𝑡𝑚
↓ y 𝜏) se utilizó en línea el código de
transferencia radiativa por medio de la página Web http://atmcorr.gsfc.nasa.gov/ [Barsi et al.,
2005]. Estos valores fueron obtenidos para las latitudes y longitudes correspondientes a cada
imagen, en la hora de pasada del satélite (10:40 hora local), realizando finalmente un promedio
de sus valores (Tabla 5) para aplicar la ecuación 12.
27
Tabla 5. Valores calculados para las radiaciones atmosféricas hacia la tierra y hacia el exterior y la transmisividad
atmosférica, con sus respectivos promedios.
Fecha de la
escena
Latitud/Longitud
(Pasada/Fila) Fecha 𝐿𝑎𝑡𝑚
↓ Promedio 𝐿𝑎𝑡𝑚↑ Promedio 𝜏 Promedio
May2002 -36/-57,6 (224/85) 09/05/2002 1,53
1,44
0,92
0,87
0,86
0,86 -37,5/-58 (224/86) 09/05/2002 1,28 0,77 0,87
-36/-59,2 (225/85) 14/04/2002 1,60 0,97 0,85
-37,5/-59,6 (225/86) 14/04/2002 1,36 0,82 0,87
Sep2012 -36/-57,6 (224/85) 09/09/2012 0,96
0,96
0,57
0,57
0,91
0,91 -37,5/-58 (224/86) 09/09/2012 0,76 0,45 0,93
-36/-59,2 (225/85) 16/09/2012 1,25 0,75 0,9
-37,5/-59,6 (225/86) 16/09/2012 0,89 0,52 0,92
Jun2014 -36/-57,6 (224/85) 19/06/2014 0,61
0,74
0,36
0,43
0,94
0,93 -37,5/-58 (224/86) 19/06/2014 0,61 0,36 0,94
-36/-59,2 (225/85) 10/06/2014 0,89 0,52 0,93
-37,5/-59,6 (225/86) 10/06/2014 0,85 0,5 0,93
Una vez calculados los valores de 𝐵(𝑇) para la superficie terrestre, se aplicó la ecuación 10
obteniendo como resultado final las imágenes de LST en Kelvin.
Los algoritmos de los métodos de clasificación digital de imagen, ya sea el no supervisado como
el supervisado, están cargados en el programa, por lo cual se los aplicó de forma directa a las
escenas.
Para la clasificación por ISODATA se seleccionó un intervalo de dos a cuatro clases, con seis
iteraciones del método. Una vez obtenida la imagen clasificada, se seleccionó la clase
correspondiente a lagunas y cuerpos de agua permanente como clase 1, información obtenida
del Google Earth, para realizar la binarización de este método, y las restantes tres clases (no
agua) como clase 2.
Para la clasificación supervisada, método de máxima verosimilitud, se definieron las áreas de
entrenamiento para cada escena. Utilizando una composición de falso color compuesto (RGB:
432 para ETM+ y RGB: 543 para OLI), se seleccionaron las Regiones de Interés (ROI) a lo largo de
toda la cuenca, diferenciando de este modo cuatro tipos de clases: agua, vegetación sana,
vegetación enferma o con estrés hídrico y suelo seco.
Una vez identificadas las áreas de entrenamiento para cada escena se aplicó la clasificación. El
resultado de esta clasificación fue binarizado al igual que en el caso de ISODATA, de modo que
la clase definida como agua se le asignó en valor ND=0, mientras que a las otras tres clases se
les asignó el valor ND=1.
Ambas clasificaciones se aplicaron primero para las bandas originales de los satélites (Landsat 7
bandas de 1-5 y 7, Landsat 8 de 2-7) y luego, a modo de poder realizar una comparación, se
aplicaron a las mismas bandas incluyendo los resultados de LST.
Seguidos los pasos anteriores se obtuvo como resultado final seis imágenes que muestran las
zonas anegadas y no anegadas, con sus respectivos porcentajes, para cada fecha seleccionada.
La metodología propuesta se sintetiza en el siguiente diagrama de flujo (Figura 8).
28
8Figura 8. Diagrama de flujo de la metodología aplicada para detectar zonas anegadas y no anegadas.
29
3. Análisis y resultados
30
3.1. Análisis de precipitaciones y selección de imágenes
Considerando que se desea analizar una situación extrema (inundación y respuesta de la cuenca
ante este evento) no es necesario hacer un análisis multitemporal de imágenes, siendo
fundamental la identificación de los eventos de máximo ingreso de agua al sistema hidrológico.
Con los valores de estos ingresos de agua por precipitaciones, estando el acuífero al máximo de
su capacidad, es posible conocer la cobertura de agua máxima. Teniendo en cuenta esto, en
primera instancia se obtuvieron las precipitaciones anuales para cada estación (Tabla 6). Luego
realizando un promedio de las precipitaciones de las cinco estaciones, se destacaron los tres
años con mayores registros pluviométricos.
Tabla 6. Precipitación acumulada anual en milímetros. En negrita años con precipitaciones elevadas.
Año Las Flores Azul Olavarría Tandil Dolores Promedio (mm)
2000 1053 1114 950 920 1060 1019
2001 1166 1350 1211 1355 1196 1255
2002 1539 1406 1215 1311 1278 1350
2003 1053 997 924 940 1008 984
2004 769 824 730 753 829 781
2005 873 705 761 628 902 774
2006 1038 920 906 785 1023 934
2007 962 843 761 621 938 825
2008 740 665 564 524 758 650
2009 830 887 826 629 831 800
2010 983 741 815 909 1125 915
2011 914 828 804 934 670 830
2012 1295 1452 1534 1271 1243 1359
2013 743 691 718 763 646 712
2014 1224 1140 1183 1402 1405 1271
Con las precipitaciones diarias se realizó, para los tres años con mayores registros pluviométricos
(2002, 2012 y 2014), una distribución mensual en las estaciones consideradas.
Como se puede observar en la Figura 9, en el año 2002 las cinco estaciones registran un máximo
de precipitaciones en el mes de marzo (promedio de 336 mm), disminuyendo en abril (promedio
de 63 mm) y volviendo a aumentar en el mes de mayo (promedio de 130 mm), para luego
disminuir prácticamente a cero en el mes de junio. Si bien en los meses de primavera aumentan
nuevamente las precipitaciones, no se llega a dar un extremo como en el mes de marzo.
Teniendo en cuenta la reducida evapotranspiración que hay en los meses de otoño-invierno (del
orden de 1,5 mm por día en promedio para abril –julio) por la baja radiación [Vazquez et al.,
2007], da lugar a que en los meses sucesivos las zonas anegadas permanezcan invariables por la
elevada humedad, con una alta propensión a inundarse con precipitaciones mínimas. Dadas las
condiciones del sistema hidrológico es apropiado seleccionar una imagen captada en el período
abril – mayo.
31
9Figura 9. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año 2002.
Debido a que la órbita satelital de la misión Landsat es de norte a sur, la toma de imágenes sigue
las líneas de las pasadas, de este modo, para la pasada 224 filas 85 - 86 la imagen corresponde
a la fecha del 9/05/2002, mientras que la imagen más cercana posible a usar de la pasada 225
filas 85 – 86 corresponde a la fecha 14/4/2002. Por las mismas razones expuestas en Vazquez et
al., 2007, las variaciones de humedad (del orden de días) para estas fechas son despreciables.
Las precipitaciones previas a las fechas seleccionadas se resumen en la Tabla 7.
0
50
100
150
200
250
300
350
400
450
500
550
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Pre
cip
itac
ión
(m
m)
Meses
Las Flores Azul Olavarría Tandil Dolores
32
Tabla 7. Precipitación acumulada en mm para los intervalos de días estipulados, previos a las imágenes
seleccionadas para cada ciudad, año 2002.
Ciudad Meses Días (intervalos) P. Acumulada (mm)
Las Flores Marzo 1-31 502
Abril 1-14 14
15-30 75
Mayo 1-9 0
Azul Marzo 1-31 316
Abril 1-14 15
15-30 58
Mayo 1-9 0
Olavarría Marzo 1-31 295
Abril 1-14 9
15-30 30
Mayo 1-9 0
Tandil Marzo 1-31 235
Abril 1-14 10
15-30 46
Mayo 1-9 0
Dolores Marzo 1-31 330
Abril 1-14 7
15-30 53
Mayo 1-9 0
En el año 2012 las precipitaciones tuvieron un pico máximo en el mes de agosto, con un
promedio para las estaciones de 259 mm (Figura 10), por esto se decidió seleccionar imágenes
de los primeros días del mes de septiembre. Para la pasada 224 filas 85 – 86 las imágenes
correspondes a la fecha 9/09/2012 y para la pasada 225 filas 85 – 86 a la fecha del 16/09/2012.
10Figura 10. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año 2012.
0
50
100
150
200
250
300
350
400
450
500
550
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Pre
cip
itac
ión
(m
m)
Meses
Las Flores Azul Olavarría Tandil Dolores
33
En el 2014 las precipitaciones fueron más homogéneas a lo largo del año. Debido a que los
procesos que más condicionan la salida del agua del sistema son los de evapotranspiración (más
del 80 % del agua que sale del sistema lo hace a través de este proceso), los períodos críticos de
inundaciones son otoño-invierno. Los problemas severos comienzan al tener precipitaciones
superiores a los 150-200 mm, de modo que para este año se decidió seleccionar imágenes de
junio, con un promedio de precipitaciones en los meses anteriores de 125 mm mensuales
aproximadamente [Vazquez et al., 2007].
11Figura 11. Gráfico de la distribución mensual de la precipitación para las estaciones consideradas, año 2014.
Para la pasada 224 filas 85 – 86, las imágenes seleccionadas fueron de la fecha 19/06/2014,
mientras que para la pasada 225 filas 85-86 fueron de la fecha 10/06/2014.
0
50
100
150
200
250
300
350
400
450
500
550
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Pre
cip
itac
ión
(m
m)
Meses
Las Flores Azul Olavarría Tandil Dolores
34
3.2. Evaluación de las técnicas de procesado
En este apartado se explica la obtención de las imágenes binarizadas para cada método en
particular. Si bien el procedimiento y análisis de los métodos fue aplicado a los tres años por
igual, obteniendo resultados similares en cada caso, las imágenes seleccionadas representan un
año en particular para la comprensión y visualización clara por parte del lector. Es importante
indicar que los símbolos cartográficos fueron excluidos en las Figuras ya que el análisis se
sustenta en los resultados numéricos y en la visualización de las diferentes binarizaciones; sin
embargo, la orientación de la cuenca se mantiene en la misma posición de la Figura 7 (norte
hacia arriba).
Índice de Agua de Diferencia Normalizada, NDWI
Una vez aplicado el filtro paso bajo a cada imagen de NDWI obtenida aplicando la ecuación 7,
con la visualización de los histogramas y aplicando un ajuste lineal, se buscó realzar las regiones
con agua obteniendo un valor límite para realizar la binarización.
Se estudió cada imagen con los vectores aplicados de cuerpos de agua permanentes y cursos de
agua descargados desde el IGN. De este modo, se fueron modificando los valores máximos y
mínimos de NDWI a los cuales se aplicaba el ajuste lineal, identificando en colores claros zonas
con presencia de agua ubicadas en regiones caracterizadas por los vectores.
Mediante este análisis visual, teniendo en cuenta los vectores, se decidió tomar como límite
para aplicar la binarización del NDWI el valor de 0,4, de modo que valores mayores a este son
referidos como zonas anegadas.
En la Figura 12 se muestra el ajuste lineal del histograma para el año 2014, en un intervalo de
0,392 – 0,563. Debajo, se muestran en detalle tres regiones de la cuenca para comprender el
análisis realizado entre los vectores y las zonas con agua en superficie.
35
12Figura 12. Año 2014. Imagen superior: ajuste lineal para los valores de NDWI entre 0,392 y 0,563 en la totalidad
de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores claros. Imágenes inferiores:
cuerpos de agua permanente en líneas rojas, cursos de agua en líneas azules. A: intersección de canales en el límite
superior de la cuenca. B: identificación de Laguna Kakel Huincul, Maipú. C: identificación de Laguna Salada,
Madariaga.
Una vez obtenidas las imágenes binarias para cada año, se calcularon los porcentajes de áreas
anegadas y no anegadas en la totalidad de la cuenca (Tabla 8).
Tabla 8. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización del método NDWI.
Año Método ND Numero de píxeles Porcentaje Zona
2002 NDWI 0 7054761 16 Anegada
1 36348483 84 No anegada
2012 NDWI 0 2155113 5 Anegada
1 43098147 95 No anegada
2014 NDWI 0 5863452 13 Anegada
1 39290974 87 No anegada
Índice de Agua de Diferencia Normalizada Modificado, MNDWI
Se realizó un ajuste lineal entre el intervalo 0,02-0,362 a la imagen filtrada de MNDWI (ecuación
8), realzando las zonas con agua. Como se puede apreciar en la Figura 13 (año 2002), las lagunas
se ven caracterizadas de forma consistente, debido a que este índice tiene buenos resultados
para caracterizar cuerpos de agua permanente [Xu, 2006]. Sin embargo, también es posible
observar que para estos valores de MNDWI la zona sur de la cuenca, que ha demostrado tener
áreas anegadas con el NDWI, no quedan identificadas como tales.
36
13Figura 13. Año 2002. Imagen superior: ajuste lineal para los valores de MNDWI entre 0,02 y 0,362 en la totalidad
de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores claros. Imágenes inferiores:
cuerpos de agua permanente en líneas rojas, cursos de agua en líneas azules. A: intersección de canales en el límite
superior de la cuenca. B: identificación de Laguna Kakel Huincul, Maipú. C: identificación de Laguna Salada,
Madariaga.
Los valores de MNDWI > 0 se los consideró como regiones con agua, de acuerdo a Xu (2006), de
modo que este valor fue utilizado para la binarización y obtención de porcentajes de zonas
anegadas y no anegadas.
Este método resulta apropiado en la detección de cuerpos de agua permanente, aunque sin
embargo, teniendo en cuenta que el objetivo de este TF es la identificación de zonas no
anegadas (en situación extrema), el MNDWI no es de utilidad ya que no tiene la suficiente
capacidad para identificar zonas anegadas. En este sentido, se observan porcentajes menores
de zonas anegadas para los tres años (Tabla 9) en comparación con las obtenidas por en NDWI
(Tabla 8).
Tabla 9. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización del método MNDWI.
Año Método ND Numero de píxeles Porcentaje Zona
2002 MNDWI 0 1589135 4 Anegada
1 41814109 96 No anegada
2012 MNDWI 0 993409 2 Anegada
1 44259851 98 No anegada
2014 MNDWI 0 1404363 3 Anegada
1 43750063 97 No anegada
37
Banda MIR 1
Teniendo en cuenta la firma espectral del agua para la banda MIR 1, se fueron considerando
distintos intervalos, de bajas reflectividades, en los histogramas de las imágenes filtradas a los
cuales se aplicó un ajuste lineal, resaltando en color negro y gris los niveles digitales que
indicaban regiones con presencia de agua.
Considerando que las regiones anegadas tienen píxeles mixtos de vegetación y agua, o píxeles
con agua encharcada en superficie y materiales en suspensión, se va a tener una reflectividad
mayor en contraste a la de cuerpos de agua profundos o agua clara. Por esta razón, se decidió
considerar para la binarización a todos los ND < 0,1 como zonas anegadas (Figura 14).
[Hernández et al., 2009]
14Figura 14. Año 2012. Imagen superior: ajuste lineal para los valores de la banda MIR 1 entre 336 y 608 en la
totalidad de la cuenca, junto con su histograma, realzando los valores de este intervalo en colores claros. Imágenes
inferiores: cuerpos de agua permanente en líneas rojas, cursos de agua en líneas azules. A: intersección de canales
en el límite superior de la cuenca. B: identificación de Laguna Kakel Huincul, Maipú. C: identificación de Laguna
Salada, Madariaga.
El análisis de la banda MIR 1 da como resultado mayores áreas anegadas que el índice el MNDWI,
e inclusive se obtienen mejores resultados que aquellos obtenidos con el NDWI (Tabla 10).
38
Tabla 10. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de la banda MIR 1.
Año Método ND Numero de píxeles Porcentaje Zona
2002 MIR1 0 9159830 21 Anegada
1 34243414 79 No anegada
2012 MIR1 0 4209317 9 Anegada
1 41043943 91 No anegada
2014 MIR1 0 7667910 17 Anegada
1 37486516 83 No anegada
En la Figura 15, se muestran las imágenes de la binarización de la banda MIR 1, para los tres
años.
15Figura 15. Binarización para valores de MIR1<0.1. A: año 2002, color gris zonas anegados, color blanco zonas no
anegadas, color negro nubes. B: año 2012, color gris zonas anegados, color blanco zonas no anegadas, color negro
nubes. C: año 2014, color negro zonas anegadas, colos blanco zonas no anegadas.
Transformación de Tasseled Cap
Una vez obtenidas las nuevas bandas de brillo, verdor y humedad, se seleccionaron distintas
regiones de la cuenca para analizar el plano del suelo y los valores de la banda de humedad para
los años 2002 y 2014 (utilizando los coeficientes para cada sensor). Los resultados obtenidos del
análisis del 2002 fueron aplicados a la escena del 2012 debido a que ambas son producto del
sensor ETM+, presentando de este modo los mismos coeficientes.
Este análisis consistió en identificar diferentes clases de agua en el plano del suelo (x: banda de
brillo, y: banda de humedad) para obtener valores tentativos de la banda de humedad sobre la
cual realizar la binarización. Con esos valores considerados se estudió el histograma de la banda
de humedad (una vez aplicado el filtro de paso bajo).
En la Figura 16 se muestra el análisis realizado para el año 2014 en la región de la Laguna Kakel
Huincul, mediante una composición RGB de la TTC donde a la banda de brillo se le asignó el color
rojo, a la banda de verdor el verde y a la banda de humedad el color azul.
39
Las diferentes clases de agua fueron seleccionadas en el gráfico de dispersión del plano del
suelo, donde se distinguen en color rojo las aguas profundas (color azul intenso en la
composición RGB de la TTC), en color amarillo las aguas costeras (alrededor del color rojo), en
color verde las regiones con elevada humedad y en color coral la regiones con baja humedad,
ubicadas estas dos en regiones inclusive más lejanas a las zonas de aguas profundas (Figura 16
B y C).
En este análisis de los gráficos se tuvo en cuenta la dirección en que disminuye la humedad en
el plano del suelo presentado por Crist et al. (1984), de acuerdo con la Figura 17.
16Figura 16. Recorte de la cuenca, Laguna Kakel Huincul, 2014. A: Composición RGB de la TTC: brillo, verdor,
humedad. B: Gráfico del plano del suelo, eje x: banda de brillo, eje y: banda de humedad. Rojo: aguas
profundas, amarillo: aguas costeras, verde: regiones con humedad elevada, coral: regiones con baja humedad.
C: identificación de los colores del gráfico. D: banda de humedad.
17Figura 17. Dirección de la disminución de la humedad en el plano del suelo. [Tomado de Crist et al., 1984].
Los valores de la banda de humedad que caracterizaban regiones con agua para los distintos
planos del suelo, variaban entre -750 y -50 aproximadamente.
40
Para analizar los resultados obtenidos en esta instancia, se consideró la información brindada
por una composición de falso color compuesto RGB: banda infrarrojo cercano, banda visible rojo
y banda visible verde (recordar que las bandas en ETM+ y OLI son diferentes). En esta imagen
resultante la vegetación se puede apreciar en tonos rojos, desde el rojo oscuro (vegetación
arbórea densa, montes) al rosado pálido (vegetación poco densa). El celeste corresponde a suelo
desnudo, seco o áreas rocosas. El azul oscuro a negro se relaciona con agua clara en cursos o
cuerpos de agua. Los colores verde a verde-azulado corresponden a parcelas aradas o suelos
descubiertos con mayor o menor contenido de humedad (Figura 18 A).
Una vez obtenida esta imagen de falso color compuesto, ésta fue utilizada para estudiar la
ubicación de las zonas anegadas obtenidas mediante el ajuste lineal del histograma de la banda
de humedad de la cuenca, para distintos valores enteros entre -750 < ND < -50. Este análisis
permitió definir que los valores de ND > -100 de la banda de humedad representan zonas
anegadas, llevando adelante la binarización de esta (Figura 18 B). Como resultado final fue
posible distinguir de forma precisa cuerpos de agua y zonas anegadas. Esto se puede apreciar al
aplicar la máscara de la binarización de la banda de humedad sobre la composición de falso color
compuesto, donde se observa que las regiones identificadas como agua en dicha composición
quedan bajo el color negro de la máscara (Figura 18 C).
18Figura 18. Año 2014, A: composición falso color compuesto, regiones con agua caracterizadas de color azul
oscuro-negro. B: binarización de la banda de humedad para valores ND>-100, color negro zonas anegadas, color
blanco zonas no anegadas. C: aplicación de la máscara binaria sobre la imagen A.
Buscando una mejor visualización de las áreas anegadas definidas por este método, se
seleccionó una región de la cuenca en las inmediaciones de la ciudad de Azul. Para la
comprensión del lector, situándonos en el cuadrado rojo identificado en la imagen superior de
la Figura 19, Azul se encuentra ubicada en el vértice superior izquierdo.
En esta región se observan que un determinado número de parcelas de vegetación densa (color
rojo), fueron definidas como zonas anegadas. Esto puede deberse a que al tener una elevada
41
humedad la vegetación o debajo de la vegetación un encharcamiento, bajo el método de TTC,
se defina como región con presencia de agua en el plano del suelo.
19Figura 19. Ubicación de la región seleccionada cercanías a Azul, año 2014. A: composición falso color compuesto. B: binarización de la banda de humedad para valores de ND>-100, color negro zonas anegadas, color blanco zonas
no anegadas. C: aplicación de la máscara binaria sobre la imagen A.
Para el año 2002, analizando distintas regiones de la cuenca se encontró que, para los distintos
planos de suelo, los valores que representaban regiones con agua de la banda de humedad
variaban entre -1200 y -300. Aplicando el ajuste lineal para distintos valores de ND entre -1200
y -300, junto con la composición de falso color compuesto, se tomó como valor límite sobre el
que se realizó la binarización los ND>-900 (píxeles con agua).
Del mismo modo que para el año 2014, para el año 2002 se seleccionó una región para estudiar
los resultados de la binarización de la banda de humedad y las parcelas de color rojo de la
composición de falso color compuesto. En la Figura 20 se muestra la selección de dicha región
en el cuadrado rojo de la imagen superior, en donde se encuentra la ciudad de Chillar en la parte
inferior de este. Los resultados fueron similares en cuanto a la caracterización de las parcelas
con una vegetación vigorosa como zonas anegadas bajo el método de TTC.
42
20Figura 20. Ubicación de la región seleccionada cercanías a Chillar, año 2002. A: composición falso color
compuesto. B: binarización de la banda de humedad para valores de ND>-900, color negro zonas anegadas, color
blanco zonas no anegadas. C: aplicación de la máscara binaria sobre la imagen A.
En la Tabla11 se pueden observar los valores de zonas anegadas y no anegadas para este
método.
Tabla 11. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de la banda de humedad
de la TTC.
Año Método ND Numero de píxeles Porcentaje Zona
2002 B. Humedad TTC 0 13900156 32 Anegada
1 29503088 68 No anegada
2012 B. Humedad TTC 0 7012658 15 Anegada
1 38240602 85 No anegada
2014 B. Humedad TTC 0 12361565 27 Anegada
1 32792861 73 No anegada
Clasificación: no supervisada y supervisada
Las clasificaciones se efectuaron en una primera instancia con las bandas del visible (azul, verde
y rojo), infrarrojo cercano e infrarrojo medio, y en una segunda instancia se agregó la banda de
LST para analizar si se presentaban mejoras en los resultados finales, debido a que existe una
diferencia de temperatura entre las distintas superficies.
Para la clasificación no supervisada ISODATA (Figura 21, columna izquierda) se definieron cuatro
clases con seis iteraciones. La clase 1 (rojo) se identificó como agua debido a la ubicación de
cuerpos permanentes de agua caracterizados de color rojo. Las otras tres clases restantes se
definieron como zonas no anegadas (clase 2), correspondiendo estas en rasgos generales a
parcelas con vegetación, distintos tipos de suelo y edificaciones.
43
En lo que respecta a la clasificación supervisada, luego de definir las áreas de estudio en las
imágenes correspondientes a cada año, se aplicó el método de máxima verosimilitud,
obteniendo como resultado final los tres mapas con las cuatro clases: agua (azul), vegetación
(verde), vegetación con menor humedad (amarillo) y suelo seco (rojo) (Figura 21, columna
derecha). Del mismo modo que para la clasificación no supervisada, las últimas tres clases se
reagruparon como zonas no anegadas.
21 Figura 21. Clasificación no supervisada, ISODATA, clase 1 rojo: agua, las otras clases no se identificaron de forma
precisa, siendo un conjunto de distintos tipos de suelos. Clasificación supervisada, máxima verosimilitud, clase 1
azul: agua, clase 2 verde: vegetación, clase 3 rojo: suelo seco, clase 4 amarillo: vegetación seca.
Luego, se analizaron los resultados obtenidos al agregar a las clasificaciones las temperaturas
superficiales, variando solo en decimales los porcentajes finales de cada clase. Por esta razón,
se descartó la banda de LST como aporte en las clasificaciones.
En la Tabla 12 se pueden ver los porcentajes de zonas anegadas y no anegadas de los métodos
de clasificación.
44
Tabla 12. Porcentajes de zonas anegadas y no anegadas para cada año de la binarización de los métodos de
clasificación no supervisada y supervisada.
Año Método ND Numero de píxeles Porcentaje Zona
2002 ISODATA 0 8270479 19 Anegada
1 35132765 81 No anegada
Máx. Verosimilitud 0 4389214 10 Anegada
1 39014030 90 No anegada
2012 ISODATA 0 8733986 19 Anegada
1 36519274 81 No anegada
Máx. Verosimilitud 0 4678053 10 Anegada
1 40575207 90 No anegada
2014 ISODATA 0 10028286 22 Anegada
1 35126140 78 No anegada
Máx. Verosimilitud 0 6569146 15 Anegada
1 38585280 85 No anegada
Realizando la suma de las imágenes binarias de ambas clasificaciones para cada año, se encontró
que, para las zonas anegadas, la clasificación por ISODATA expandía el área obtenida en la
clasificación de máxima verosimilitud. Por esta razón se decidió utilizar para analizar las zonas
anegadas y no anegadas la binarización de ISODATA.
En la Figura 21, se observa la composición falso color compuesto de la cuenca para el año 2014,
en donde se indican cuatro regiones (A, B, C, D) que fueron utilizadas para realizar una
comparación entre los resultados obtenidos mediante la binarización de la banda de humedad
de la TTC y la clasificación por ISODATA.
22Figura 22. Composición falso color compuesto de la cuenca para el año 2014, indicando cuatro regiones: A,
inmediaciones de la ciudad de Azul; B, intersección de canales en el límite superior de la cuenca; C, Laguna Kakel
Huincul, Maipú; D, Laguna Salada, Madariaga.
En la Figura 23 se observan del lado izquierdo las imágenes binarizadas de la banda de humedad
de la TTC y la aplicación de esa máscara a la composición falso color compuesto, para las cuatro
regiones, y del lado derecho las imágenes análogas para la binarización de la clasificación por
ISODATA.
En la Figura 23 A se observa que las parcelas con vegetación densa, color rojo en la composición
falso color compuesto, son identificadas por la TTC como superficies con agua, no se definen
como tal bajo el método de ISODATA. En la región B, si bien las áreas anegadas obtenidas con el
45
método de TTC son mayores, también son identificadas con el método de ISODATA, lo mismo se
puede apreciar para las regiones C y D, donde las lagunas y los arroyos quedan igualmente
definidos por ambos.
23Figura 23. Imágenes binarias y aplicación de las máscaras a la composición falso color compuesto de las cuatro
regiones de la cuenca. A: inmediaciones de la ciudad de Azul. B: intersección de canales en el límite superior de la
cuenca. C: Laguna Kakel Huincul, Maipú. D: Laguna Salada, Madariaga.
Para el año 2002 se realizó el mismo procedimiento, aunque en este caso se analizó, al igual que
en la Figura 20 (de la sección anterior), la región cercana a la ciudad de Chillar. Los resultados
obtenidos fueron similares, clasificándose parcelas de vegetación densa como píxeles con agua
bajo el método de TTC a diferencia del resultado obtenido por ISODATA, donde quedaron
identificados como zona no anegada, esto se puede apreciar en la Figura 24.
En lo que respecta a las regiones anegadas y los cuerpos de agua permanente, bajo la
implementación de los dos métodos, se caracterizaron de la misma forma, aunque el área
anegada final de la cuenca demostró tener mayores porcentajes con la TTC.
46
24Figura 24. Aplicación de las máscaras de TTC e ISODATA a la composición falso color compuesto de la región
seleccionada en la cuenca en las inmediaciones de la ciudad de Chillar, para el año 2002.
47
3.3. Selección de métodos
Según Vázquez et al. (2007), para la cuenca baja del Río Salado una precipitación de 200
milímetros puede anegar en verano una superficie de 12.000 km2 durante una semana, pero en
otoño-invierno ésta puede extenderse por 5 meses. Es por esto que, si bien se estudió la fecha
de septiembre del 2012 para el análisis de los métodos, para llevar adelante la construcción de
los mapas finales que muestren el estado hídrico superficial, se seleccionaron los años 2002 y
2014, con imágenes de abril-mayo y junio, respectivamente.
Luego de seleccionar los años, se decidió despreciar las binarizaciones de los métodos de NDWI
y MNDWI, debido a sus limitaciones para identificar las zonas anegadas y brindar resultados por
debajo de los otros métodos. Resolviendo la implementación de dos métodos para efectuar el
mapa final, estos son: el análisis de la banda MIR 1 y la clasificación por ISODATA.
La selección del primero fue sustentado en que, al analizar la reflectividad de la superficie
terrestre para la banda MIR 1, en la cual existe una diferencia significativa entre los valores de
reflectividad para zonas con vegetación, suelo, edificaciones y agua, el error de identificar una
región con agua “siendo que no es agua” es menor que en el resto de los métodos. Dando sin
embargo, como resultado final, un alto porcentaje de zonas anegadas en la totalidad de la
cuenca.
Al verse identificadas las mismas regiones anegadas bajo los métodos de la TTC y la clasificación
ISODATA, se decidió seleccionar uno de estos. Si bien para el primer método los porcentajes de
zonas con agua demostraron ser mayores, esto no significa que sea el método adecuado.
Se identificaron en la composición de falso color compuesto diferentes parcelas de un rojo
intenso pudiendo deberse a que la vegetación presentaba una elevada humedad o que existía
un encharcamiento por debajo de esta. Debido a que no se pudo saber con certeza cuál era la
característica de estas superficies, se decidió seleccionar el método de ISODATA que las definía
como zonas no anegadas, despreciando los resultados de la TTC ya que probablemente
sobreestima la binarización de la banda de humedad.
48
3.4. Selección de sitios
Entre las estaciones de monitoreo ambiental que se van a instalar se encuentran: estaciones de
monitoreo meteorológicas (EMM), estaciones de monitoreo freatrimétrico (EMF), estaciones de
monitoreo de balance de energía (EMBE), estaciones de monitoreo limnigráfico (EML) y
estaciones de monitoreo químico (EMQ). Las estaciones de importancia para este trabajo son
las primeras tres (EMM, EMF, EMBE), para las cuales se estudiaron los potenciales sitios de
ubicación, libre de superficie anegada. En lo que respecta a las EML, es sabido que al medir las
variaciones del nivel de agua de los arroyos van a estar en zonas potencialmente anegables, de
modo que el equipo técnico del proyecto ya tiene prevista su instalación sobre plataformas para
sortear estos inconvenientes. Las EMQ, si bien no están definidas sus ubicaciones finales, van a
ir junto a las EML. Por esta razón, si bien se muestran sus ubicaciones en el mapa, no se tuvieron
en cuenta en el análisis para definir dichos sitios. En la Tabla 13 del Anexo se presentan los
instrumentos constituyentes de cada estación.
Se buscó considerar la máxima condición adversa de área anegada para la realización del mapa
del estado hídrico (Figura 25), por esto se realizó la superposición de las zonas anegadas para
los años 2002 y 2014, obtenidas tras la suma de las binarizaciones de la banda MIR 1 y la
clasificación por ISODATA. En las Figuras 26 y 27 del Anexo se presentan los mapas del estado
hídrico para cada año.
El mapa de la Figura 25 fue utilizado como una herramienta para realizar un análisis amplio
(identificación de regiones no anegables) en cuanto a la selección de los potenciales sitios para
la ubicación de algunas de las estaciones de monitoreo ambiental. Las estaciones deberían de
ubicarse en las áreas identificadas en color blanco, que también deben de cumplir los criterios
hidrológicos y ambientales necesarios requeridos en un sistema de monitoreo.
Una vez propuestas sus ubicaciones exactas por los técnicos, se analizaron las regiones vecinas
a éstas y la proximidad a las áreas que mostraban tener agua en superficie, así como también la
cercanía a arroyos y rutas.
Se encontró que las estaciones más comprometidas que demostraron tener grandes áreas
anegadas a su alrededor fueron la 19 (EMF-EMBE) situada de forma próxima a la ruta 50, y las
estaciones 7 y 8 (EMF) situadas en cercanía al arroyo, en las inmediaciones de la ruta 51. En
menor medida, las estaciones 50 y 49 (EMF) también pueden encontrarse en potenciales áreas
anegables. Por lo tanto en estos sectores se deben de tomar los recaudos constructivos al
momento de la ejecución de la red.
El resto de las estaciones EMF, EMBE y EMM, no presentan riesgos de inundación en los sitios
seleccionados para su instalación.
49
25
Fig
ura
25
. Ma
pa
del
est
ad
o h
ídri
co p
ara
los
añ
os
20
02
y 2
01
4, v
erti
ente
su
r d
e la
cu
enca
del
Río
Sa
lad
o. U
bic
aci
ón
de
las
esta
cio
nes
de
mo
nit
ore
o
am
bie
nta
l. M
éto
do
s u
tiliz
ad
os
pa
ra c
ara
cter
iza
r zo
na
s a
neg
ad
as:
cla
sifi
caci
ón
no
su
per
visa
da
(IS
OD
ATA
) y
an
ális
is d
e la
ba
nd
a M
IR 1
.
50
4. Conclusiones
51
Bajo la investigación realizada en el marco de este Trabajo Final se logró de forma satisfactoria
la aplicación, en el área de la teledetección, de los conocimientos adquiridos a lo largo de la
carrera, principalmente de las leyes que gobiernan la radiación y cómo mediante esta teoría es
posible la caracterización de la superficie terrestre.
En lo que respecta a los métodos utilizados para identificar zonas anegadas y no anegadas, se
llegó a la conclusión que los índices NDWI y MNDWI no son los adecuados para los objetivos del
trabajo realizado, debido a las dificultades de establecer límites numéricos de referencia a partir
de los histogramas de frecuencia.
La Transformación de Tasseled Cap demostró ser el método que mejor identificó no solo los
cuerpos de agua, sino también los ríos y canales, las zonas anegadas y regiones con elevada
humedad. Sin embargo, el mayor inconveniente que presentó, es que el análisis del plano brillo-
humedad es útil y eficiente para regiones pequeñas, no en la totalidad de la cuenca. Es por esto
que se decidió no utilizarlo para realizar el mapa del estado hídrico global, ya que sobreestimaba
las regiones anegadas (incorporando a áreas vegetadas como anegadas). Teniendo en cuenta
esto, fue posible concluir la importancia del método al momento de analizar eventos extremos
en áreas puntuales (áreas próximas a ciudades, caminos, entre otras) y de combinarse con otros
métodos es un técnica consistente.
El mapa del estado hídrico de la cuenca fue obtenido bajo la adición de las áreas anegadas de la
binarización de ISODATA y de la banda infrarrojo medio (1,566 – 1,651 µm), superponiendo los
resultados para los años 2002 y 2014. De este modo se logró analizar las condiciones críticas de
anegamiento en la cuenca, con mayor superficie cubierta por agua (34%), y su distribución
espacial.
Los resultados de la tesis fueron tenidos en cuenta al momento de la definición de los puntos
definitivos de la red de monitoreo de la vertiente sur del río salado (www.ihreda.com.ar).
52
Agradecimientos
Este trabajo final se realizó en parte bajo el financiamiento de la Beca de Estímulo de las
Vocaciones Científicas otorgada por el Consejo Interuniversitario Nacional (EVC-CIN), en el 2015,
y en marco del proyecto FONARSEC N°19, mediante el cual trabajé en conjunto con el grupo de
Teledetección del IHLLA, sede Tandil, el cual me brindó su apoyo en esta etapa de finalización
de mi carrera.
Por último quería mencionar la buena disposición del Servicio Meteorológico Nacional que me
brindaron sin inconvenientes los datos de las precipitaciones diarias de sus estaciones en las
ciudades Las Flores, Azul, Olavarría, Tandil y Dolores.
53
Referencias
Ariza, A. (2013). Productos LDCM – Landsat 8. Centro de Investigación y Desarrollo, CIAF,
Instituto Geográfico Agustín Codazzi, IGAC. Bogotá, Colombia. Disponible en: http://www.un-
spider.org/sites/default/files/LDCM-L8.R1.pdf. Fecha de consulta: enero 2017.
Barsi, J. A., Schott, J. R., Palluconi, F. D., Hook, S. J. (2005) Validation of a Wed-Based Atmospheric
Correction Tool for Single Thermal Band Instruments. Proceedings of SPIE, 5882.
Bustamante, J., Díaz-Delgado, R., Aragonés, D. (2005). Determinación de las características de
masas de aguas someras en las marismas de Doñana mediante teledetección. Revista de
Teledetección, 24, 107-111.
Chander, G., Markham, B. L., Helder D. L. (2009). Summary of current radiometric calibration
coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment
113, 893–903.
Chuvieco, E. (2002). Teledetección ambiental, la observación de la Tierra desde el Espacio. Ariel
S.A. (Ed).
Crist, E. P, Cicone, R. D. (1984). A Physically-Based Transformation of Thematic Mapper Data-
The TM Tasseled Cap. IEEE Transactions on Geosciencie and Remote Sensing, 22 (3), 256-263.
Crist, E.P., Kauth, R. J. (1986). The Tasseled Cap De-Mystified. Photogrammetric Engineering and
Remote Sensing, 52 (1), 81-86.
Della Vedova, M. (2013). Filtros y técnicas de clasificación en imágenes de teledetección. Trabajo
Especial de Licenciatura en Ciencias de la Computación. Facultad de Matemática, Astronomía y
Física Universidad Nacional de Córdoba. Córdoba, 138 páginas.
ESA, 2017. European Space Agency, ventanas atmosféricas. Disponible en:
http://www.esa.int/SPECIALS/Eduspace_ES/SEMPPYD3GXF_0.html. Fecha de consulta: enero
2017.
ESA, 2016. European Space Agency, firmas espectrales. Disponible en:
http://www.esa.int/SPECIALS/Eduspace_ES/SEM6DYD3GXF_0.html. Fecha de consulta: agosto
2016.
ESPA, USGS 2016. United States Geological Survey USGS, sección: Earth Resources Observation
and Science (EROS) Center Science Processing Architecture (ESPA) On Demand Interface.
Disponible en: https://espa.cr.usgs.gov/login?next=http%3A%2F%2Fespa.cr.usgs.gov%2F.
Fecha de consulta: 10/05/2016.
Gao, B. (1996). NDWI—a normalized difference water index for remote sensing of vegetation
liquid water from space. Remote Sensing of Environmental, 58, 256– 266.
Hernández, H. J., Montaner, D. (2009). Patrones de Respuesta Espectral. En: Tecnologías Geoespaciales: Experiencias Aplicadas al Estudio y Gestión del Territorio. Carlos Mena (Ed.) ISBN: 978-956-7717-14-7. Disponible en: http://www.gep.uchile.cl/Publicaciones_gep.html. Fecha de consulta: enero 2017.
54
Huang, C., Yang, W. L., Homer, C., Zylstra, G. (2002). Derivation of a tasselled cap transformation
based on Landsat 7 at-satellite reflectance. International Journal of Remote Sensing, 23 (8),
1741–1748.
Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., Doriaswamy, P., Hunt, E. R.
(2003). Vegetation water content mapping using Landsat data derived normalized difference
water index for corn and soybeans. Remote Sensing of Environmental, 92, 475–482.
Jiménez Muñoz, J. C., Sobrino, J. A., Cristóbal, J., Sòria, G., Ninyerola, M., Pons, X., Hidalgo, V.,
Franch, B., Romaguera, M., Oltra-Carrió, R., Julien, Y., Mattar, C. (2010). Obtención de la
temperatura de la superficie terrestre a partir de la serie histórica LANDSAT. Revista de
Teledetección, 33, 53-63.
Landsat Missions, USGS 2016. United States Geological Survey USGS, sección: About Landsat.
Disponible en: https://landsat.usgs.gov/. Fecha de consulta: diciembre 2016.
Landsat Missions, ACCA, 2017. Automatis Cloud Cover Assessment, ACCA, sección: Frequently
Asked Questions. Disponible en: https://landsat.usgs.gov/how-percentage-cloud-cover-
calculated. Fecha de consulta: enero 2017.
Landsat Missions, Users Handbook 2016. Sección: products, level 1 standard data products.
Disponible en: https://landsat.usgs.gov/landsat-level-1-standard-data-products. Fecha de
consulta: octubre 2016.
Landsat Missions, SLC-off 2016. Disponible en: https://landsat.usgs.gov/slc-products-
background. Fecha de consulta: junio 2016
MINISTERIO, 2016. Disponible en: http://www.mininterior.gov.ar/obras-publicas/pdf/49.pdf.
Fecha de consulta: abril 2016.
Muhammad Hasan, A. B., Zhang, L., Shuai, T., Tong, Q. (2014). Derivation of a tasseled cap
transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letter, 5 (5), 423-
431.
National Aeronautics and Space Administration NASA. Disponible en:
http://atmcorr.gsfc.nasa.gov/. Fecha de consulta: octubre 2016.
OCW, UM 2017. Open Course Ware, Universidad de Murcia. Sección: lista de cursos, Ciencias,
material de clases. Disponible en: http://ocw.um.es/ciencias/herramientas-de-teledeteccion-
aplicadas-a-la/material-de-clase . Fecha de consulta: enero 2017.
Rodríguez Ramos, N. (2009). Rellenado de los gaps provocados por la falla del Scan Line
Corrector en las imágenes Landsat 7 ETM+. Trabajo de Diploma, Lic. en Ciencias de la
Computación. Facultad de Matemática y Computación, Universidad de La Habana, Cuba.
Disponible en: http://www.gabrielortiz.com/index.asp?Info=101. Fecha de consulta: agosto
2016
Sobrino, J. A., Raissouni, N., Kerr, Y., Olioso, A., López-García, M. J., Belaid, A., El Kharraz, M. H.,
Cuenca, J., Dempere, L. (2000). Teledetección. J. A. Sobrino (Ed), Servicio de Publicaciones,
Universidad de Valencia, Valencia (España).
55
UM, 2016, Universidad de Murcia. Disponible en:
http://www.um.es/geograf/sigmur/temariohtml/node43_tf.html. Fecha de consulta: diciembre
2016.
Vazquez, P., Masuelli, S., Platzeck, G., Boolsen, O. (2007). Recurrencia de anegamiento en la
depresión del río Salado: subcuenca B4. TELEDETECCIÓN – Hacia un mejor entendimiento de la
dinámica global y regional. Martin (Ed), 171-178.
Xu, H. (2006). Modification of normaised difference wáter index (NDWI) to enhance open wáter
features in remotely sensed imagery. International Journal of Remote Sensing, 27 (14), 3025-
3033.
56
Anexo
Tabla 13. Sensores a instalar en las distintas estaciones de monitoreo ambiental. EMM: estacione de monitoreo meteorológico, EMF: estación de monitoreo freatrimétrico, EMBE: estación de monitoreo de balance de energía,
EML: estación de monitoreo limnigráfico y EMQ: estación de monitoreo químico. X: posibles sensores a instalar, XX: sensores que no pueden faltar en la instalación.
Sensor Estación de Monitoreo
EMM EMF EML EMBE EMQ
Precipitación CAE X X XX X X
Velocidad y dirección de viento WINDSONIC 2D X X X X X
Temperatura y Humedad relativa del aire CS215 X X X X X
Presión atmosférica CS100 X XX X X X
Presión de columna de agua CS451 XX XX X
Ultrasónico nivel de agua XX X
Radiación neta CNR4 XX
Radiación global CMP3 XX
Humedad y temperatura suelo CS655 XX
Reflectancia espectral SNR-NI, SNR-NR XX
Flujo de calor en el suelo HFP01-LIS XX
Temperatura radiativa SI-111 XX
pH CSIM11 XX
Conductividad y temperatura agua CS547A XX
ORP CSIM11 XX
Nitrato XX
Turbidez OBS-3 XX
57
26
Fig
ura
26
. Ma
pa
del
est
ad
o h
ídri
co p
ara
el a
ño
s 2
00
2, v
erti
ente
su
r d
e la
cu
enca
del
Río
Sa
lad
o. U
bic
aci
ón
de
las
esta
cio
nes
de
mo
nit
ore
o
am
bie
nta
l. M
éto
do
s u
tiliz
ad
os
pa
ra c
ara
cter
iza
r zo
na
s a
neg
ad
as:
cla
sifi
caci
ón
no
su
per
visa
da
(IS
OD
ATA
) y
an
ális
is d
e la
ba
nd
a M
IR 1
.
58
27
Fig
ura
27
. Ma
pa
del
est
ad
o h
ídri
co p
ara
el a
ño
20
14
, ver
tien
te s
ur
de
la c
uen
ca d
el R
ío S
ala
do
. Ub
ica
ció
n d
e la
s es
taci
on
es d
e m
on
ito
reo
a
mb
ien
tal.
Mét
od
os
uti
liza
do
s p
ara
ca
ract
eriz
ar
zon
as
an
ega
da
s: c
lasi
fica
ció
n n
o s
up
ervi
sad
a (
ISO
DA
TA)
y a
ná
lisis
de
la b
an
da
MIR
1.
Top Related