Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
ESTUDIO MULTITEMPORAL DE LA DEFORESTACIÓN EN EL BOSQUE
MUNICIPAL DE SAN SEBASTIÁN DE MARIQUITA-TOLIMA, USANDO
IMÁGENES SATELITALES LANDSAT 5, 7 Y 8
José Alirio Vásquez Baquero
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERIA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C., COLOMBIA SEPTIEMBRE 2018.
ESTUDIO MULTITEMPORAL DE LA DEFORESTACIÓN EN EL BOSQUE
MUNICIPAL DE SAN SEBASTIÁN DE MARIQUITA-TOLIMA, USANDO
IMÁGENES SATELITALES LANDSAT 5, 7 Y 8
José Alirio Vásquez Baquero
Trabajo de grado presentado como requisito para optar al título de:
Ingeniero Catastral y Geodesia
Director:
Ph. D.Rubén Javier Medina Daza
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERIA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ D.C., COLOMBIA
SEPTIEMBRE 2018.
Nota de aceptación:
_____________________________
_____________________________
_____________________________
_____________________________
_____________________________
_____________________________
_____________________________
Firma del Director:
_____________________________
Firma del Jurado:
Agradecimientos
Agradezco al profesor Rubén Javier Medina Daza, por haber creído en las
capacidades que poseo, apoyando en un principio la idea que le mostré, y
siendo la guía principal en la elaboración de este trabajo de grado, Mil gracias y
ojalá la vida lo recompense. J. Vásquez
Dedicatoria
Dedico este proyecto a todas las personas que de alguna manera han
influenciado en el desarrollo de mi vida, ayudándome a alcanzar las metas que
de una u otra forma no hubiera alcanzado solo; una mención especial para
Lizeth Andrea Caro, por acompañarme y creer en mí, a mi hijo Alvaro Santiago
Vásquez por darme las fuerzas necesarias para seguir luchando, a mis padres
y abuelos por haber estado siempre para todo lo que necesitara, y otra
mención especial para Janneth Vásquez Martínez y Carlos Leguizamón, ya que
sin su ayuda no hubiera logrado culminar mis estudios de pregrado. J. Vásquez
CONTENIDO
Pág.
RESUMEN ........................................................................................................ 11
GLOSARIO ....................................................................................................... 12
INTRODUCCIÓN ............................................................................................ 122
1. PROBLEMA ............................................................................................... 14
2. JUSTIFICACIÓN ........................................................................................ 15
3. OBJETIVOS ............................................................................................... 17
3.1. Objetivo General .................................................................................. 17
3.2. Objetivos Específicos........................................................................... 17
4. MARCO TEÓRICO .................................................................................... 18
4.1. La Teledetección Espacial ................................................................... 18
4.2. Los Geoportales .................................................................................. 18
4.3. Imágenes Landsat 5, Landsat 7 y Landsat 8 ....................................... 18
4.3.1. Landsat 5 ...................................................................................... 19
4.3.2. Landsat 7 ........................................................................................ 20
4.3.3. Landsat 8 ...................................................................................... 21
4.4. Indices Espectrales .............................................................................. 22
4.5. Componentes Principales .................................................................... 22
4.6. La Interpretación Visual ....................................................................... 22
4.7. La Corrección Radiométrica ................................................................ 23
4.8. Clasificación Supervisada .................................................................... 23
4.9. Matriz De Confusión ............................................................................ 24
4.10. Estadístico Kappa ................................................................................ 24
4.11. Series De Tiempo y Regresiones Llineales ......................................... 25
4.11.1. Componentes de una serie temporal ............................................ 25
4.11.2. Regresiones lineales ..................................................................... 26
4.11.3. Mínimos cuadrados ....................................................................... 26
4.12. Análisis Multitemporal .......................................................................... 27
4.13. Información General ............................................................................ 28
4.13.1. Datos ............................................................................................. 28
4.13.2. Zonas de estudio ........................................................................... 29
4.13.3. Imágenes seleccionadas ............................................................... 30
5. ANTECENDENTES ................................................................................... 31
6. METODOLOGÍA ........................................................................................ 33
7. APLICACIÓN DE LA METODOLOGIA ..................................................... 37
8.1. Delimitación De La Zona De Interés .................................................... 37
8.2. Imágenes ............................................................................................. 37
8.3. Corrección Radiométrica ..................................................................... 37
8.4. Radiancia a Reflectancia ..................................................................... 38
8. PROCESAMIENTO .................................................................................... 41
9.1. Matriz De Correlación .......................................................................... 41
9.2. Tablas De Desviaciones Estándar ....................................................... 42
9.3. Índice De Factor Optimo (OIF) ............................................................. 43
9.4. Componentes Principales .................................................................... 47
9.5. Clasificación No Supervisada .............................................................. 48
9.6. Clasificación Supervisada .................................................................... 50
9.7. Selección Del Método Para El Análisis ................................................ 51
9.8. Información De La Zona ...................................................................... 52
9.9. Diferencias De Coberturas ................................................................... 54
9.10. Series De Tiempo ................................................................................ 56
9.11. Regresiones ......................................................................................... 57
10. CONCLUSIONES Y RECOMENDACIONES .......................................... 61
10.1. Conclusiones ....................................................................................... 61
10.2. Recomendaciones ............................................................................... 62
BIBLIOGRAFÍA ................................................................................................ 63
ANEXOS ......................................................................................................... 636
LISTA DE TABLAS
Pág.
Tabla 1. Características Del Sensor Landsat-5 (Martínez, 2005) ..................... 19
Tabla 2. Características Del Sensor Landsat-7 (Martínez, 2005) ..................... 20
Tabla 3. Características Del Sensor Landsat-8 (Ariza, 2013) ........................... 21
Tabla 5. Coordenadas Zona De Estudio, Fuente Elaboración Del Autor .......... 37
Tabla 6. Matriz De Correlación Landsat 5, Fuente Elaboración Del Autor ....... 41
Tabla 7. Matriz De Correlación Landsat 7, Fuente Elaboración Del Autor ....... 42
Tabla 8. Matriz De Correlación Landsat 8, Fuente Elaboración Del Autor ....... 42
Tabla 9. Desviaciones Estándar Bandas De Los Sensores, Fuente Elaboración
Del Autor .................................................................................................... 42
Tabla 10. Índice De Factor Óptimo Combinaciones De Bandas Landsat 5,
Elaboración Del Autor ................................................................................ 43
Tabla 11. Índice De Factor Óptimo Combinaciones De Bandas Landsat 7,
Elaboración Del Autor ................................................................................ 44
Tabla 12. Índice De Factor Óptimo Combinaciones De Bandas Landsat 8,
Elaboración Del Autor ................................................................................ 44
Tabla 13. Matriz De Confusión De La Clasificación Supervisada Landsat 5,
Elaboración Del Autor ................................................................................ 52
Tabla 14. Matriz De Confusión De La Clasificación Supervisada Landsat 7,
Elaboración Del Autor ................................................................................ 52
Tabla 15. Matriz De Confusión De La Clasificación Supervisada Landsat 8,
Elaboración Del Autor ................................................................................ 52
Tabla 16. Áreas De Las Distintas Coberturas, Fuente Elaboración Del Autor .. 53
Tabla 17. Tasa De Pérdida Del Bosque, Fuente Elaboración Del Autor .......... 53
LISTA DE ILUSTRACIONES
Pág.
ILUSTRACIÓN 1. Ubicación imagen satelital ................................................... 28
ILUSTRACIÓN 2. Imagen satelital Landsat 8 del 4 de enero de 2015 ............. 29
ILUSTRACIÓN 3. Imagen satelital Landsat 8 con zona objeto de estudio ....... 29
ILUSTRACIÓN 4. Metodología ......................................................................... 35
ILUSTRACIÓN 5. Model maker corrección radiométrica .................................. 38
ILUSTRACIÓN 6. Model maker radiancia a reflectancia .................................. 39
ILUSTRACIÓN 7. Imágenes landsat bosque municipal san sebastián de
mariquita fuente: imágenes descargadas de earth explorer usgs .............. 40
ILUSTRACIÓN 8. Model maker correlaciones.................................................. 41
ILUSTRACIÓN 9. Landsat 8 RGB (567) ........................................................... 45
ILUSTRACIÓN 10. Landsat 7 RGB (457) ......................................................... 46
ILUSTRACIÓN 11. Landsat 5 RGB (457) ......................................................... 46
ILUSTRACIÓN 12. Landsat 5 componentes principales .................................. 47
ILUSTRACIÓN 13. Landsat 7 componentes principales .................................. 47
ILUSTRACIÓN 14. Landsat 8 componentes principales .................................. 48
ILUSTRACIÓN 15. Landsat 5 clasificación no supervisada ............................. 49
ILUSTRACIÓN 16. Landsat 7 clasificación no supervisada ............................. 49
ILUSTRACIÓN 17. Landsat 8 clasificación no supervisada ............................. 50
ILUSTRACIÓN 18. Landsat 5 clasificación supervisada .................................. 50
ILUSTRACIÓN 19. Landsat 7 clasificación supervisada .................................. 51
ILUSTRACIÓN 20. Landsat 8 clasificación supervisada .................................. 51
ILUSTRACIÓN 21. Diagrama de barras de las áreas de coberturas ................ 54
ILUSTRACIÓN 22. Diferencias de cobertura del bosque en los 1998 Y 2015 . 55
ILUSTRACIÓN 23. Area del bosque ................................................................ 56
ILUSTRACIÓN 24. Área del bosque en los años 1998, 2001 y 2015 .............. 57
ILUSTRACIÓN 25. Modelo de regresión lineal................................................. 58
ILUSTRACIÓN 26. Modelo de regresión cuadrático ....................................... 58
Resumen
El trabajo se realizó en la zona del bosque municipal de Mariquita, el cual se
encuentra ubicado en el norte del departamento del Tolima, para los periodos
(1998, 2001 y 2015).
Para desarrollar a satisfacción los objetivos se realizaron tres técnicas de
procesamiento digital de imágenes, primero los componentes principales, luego
la clasificación no supervisada, y por último la clasificación supervisada; estas
técnicas se les llevo a cabo a las tres imágenes multiespectrales objeto de
estudio, con el fin de encontrar el área de las coberturas que se seleccionaron
cuando se realizaron las técnicas de procesamiento.
Para validar que técnica de procesamiento era la mejor metodología se llevó a
cabo el estadístico kappa, para finalmente desarrollar un modelo matemático
que permite identificar el comportamiento del área boscosa objeto de estudio.
Palabras Claves: clasificación, multiespectrales, modelo, boscosa.
Abstract
The project was developed in Mariquita municipal forest area, which is located
in the north of the department of Tolima, during the periods (1998, 2001 and
2015).
To develop the objectives in a satisfactory way, there were three digital image
processing techniques. The first one was the main components; secondly
unsupervised classification, and finally the supervised classification; These
techniques were carried out to the three multispectral images under study; in
order to find the area of coverage that was selected when the processing
techniques were performed.
To validate which processing technique was the best. The kappa's statistic was
carried out, to finally develop a mathematical model that allows to identify the
behavior of the forest area under study.
Keywords: classification, multispectral, model, forest.
GLOSARIO
Deforestación: Es la destrucción a gran escala de los bosques por acción
humana.
Bosque: Área de terreno que presenta una importante densidad de árboles.
Cobertura Vegetal: Capa de vegetación natural que cubre la superficie
terrestre.
Imagen Satelital: Es un producto obtenido por un sensor instalado a bordo de
un satélite artificial mediante la captación de la radiación electromagnética
emitida o reflejada por un cuerpo celeste, producto que posteriormente se
trasmite a estaciones terrenas para su visualización, procesamiento y análisis.
Píxel: La más pequeña de las unidades homogéneas en color que componen
una imagen de tipo digital.
Crecimiento Poblacional: Incremento del número de habitantes en un espacio
y tiempo determinado.
Radiancia: Total de energía radiada en una determinada dirección por unidad
de área y por un ángulo solido de medida.
Reflectancia: se expresa en porcentaje y mide la cantidad de luz reflejada por
una superficie.
INTRODUCCIÓN
Hoy en día hacer una investigación donde se analiza el terreno en zonas
extensas de Colombia, no es tan difícil como hace un tiempo, gracias a los
distintos avances que se tiene en tecnología, ya que se cuenta con imágenes
satelitales que tienen un alto contenido en información muy útil para los
distintos estudios que se pueden llevar a cabo dependiendo de la línea de
estudio que se haya realizado.
El estudio se va a realizar con imágenes de Landsat 5, Landsat 7 Y Landsat 8,
las cuales son de fácil adquisición, además de permitir adquirir datos con una
amplitud de tiempo significativo, lo cual lleva a encontrar cambios significativos
en las imágenes satelitales.
Elaborar un modelo que determine la deforestación a futuro que va a tener una
zona boscosa, es posible gracias al análisis de imágenes satelitales en tres
periodos de tiempo distintos, donde se revisa el cambio de información en los
píxeles después de haber realizado unos procesos a las imágenes, o a la zona
de estudio que debe ser la misma en los 3 periodos de tiempo que se va a
hacer el estudio, esto se logra indagando sobre la zona y las características de
la vegetación que se encuentra en la zona objeto de estudio, ya que pueden
haber plantas que presenten procesos como de quedar sin follaje en verano, o
alguna característica que pueda afectar la información que nos da las
imágenes dando como resultado un análisis alejado de la realidad; luego se
busca que las imágenes no tengan un porcentaje de nubosidad tan alto, y ver
en las mismas imágenes satelitales que la zona de estudio tenga la menor
cantidad de nubes o en el mejor de los casos que no tenga nubes, ya que tener
nubes en una imagen satelital es perder la información donde las nubes se
encuentran; luego de tener la zona objeto de estudio delimitada, se le empieza
el debido proceso a las imágenes mediante distintos software que permiten
realizar distintos procesos a las imágenes satelitales y nos entregan la
información que le solicitamos mediante órdenes que se le da al manejar los
software; ya con la información obtenida se puede realizar el modelo que
determina la deforestación en distintos periodos de tiempo.
Obtener clasificaciones espectrales de la zona objeto de estudio por medio de
las siguientes metodologías; componentes principales, clasificación
supervisada y clasificación no supervisada las cuales se arrojan datos
vectoriales con las que se conjetura el área y el porcentaje de perdida.
Determinar un modelo matemático usando regresiones lineales para deducir la
conducta de las distintas áreas de deforestación en el bosque para periodos de
tiempo distintos, dándole la importancia que se le debe dar.
1. PROBLEMA
Los bosques tropicales son los más antiguos, diversos y ecológicamente
complejos (Whitmore, 1997). Sostienen probablemente más de la mitad de
todas las formas de vida del planeta (Myers, 1984) y brindan servicios
ambientales como la captación de agua, el mantenimiento del suelo, la fijación
de CO2; además de contener innumerables especies con valor real o potencial.
El aumento en la atención que han recibido se ha debido principalmente a las
implicaciones de la deforestación (Brown & Lugo, 1994). (Meli, 2003)
La deforestación en Colombia se trató de explicar con un conjunto de “causas
subyacentes”, vislumbrando una red de interacciones entre lo físico, biótico y
social, más allá del razonamiento del tipo causa-efecto que sirvió de sustento a
las anteriores políticas conservacionistas. Actualmente el alcance de las
políticas ambientales debe ser mayor. El reconocimiento de la naturaleza
compleja del sistema socio-ambiental colombiano, podrían servir para explicar
las relaciones conflictivas en la sociedad y su ambiente, y la cambiante
estructura ecológica del territorio. (Andrade, 2004).
La destrucción del hábitat generalmente conduce a la fragmentación, a la
división del hábitat en fragmentos más pequeños y aislados, separados por una
matriz de cobertura terrestre transformada por humanos. La pérdida de área, el
aumento del aislamiento y una mayor exposición a los usos del suelo humano a
lo largo de los bordes de los fragmentos inician cambios a largo plazo en la
estructura y función de los fragmentos restantes. (Clobert, 2015).
El cambio de uso de suelo no necesariamente es el resultado de un proceso de
asignación eficiente de recursos, por lo que la deforestación puede no ser
óptima. Los servicios provistos por estos ecosistemas se están degradando o
se usan de manera no sostenible, incluyendo los asociados al agua dulce, la
pesca de captura, la purificación del aire y del agua, la regulación del clima
regional y local y la prevención de los riesgos naturales. Los costos totales de
la pérdida y la degradación de estos servicios ecosistémicos, aunque difíciles
de medir, pueden ser de una magnitud considerable. Muchos de estos
ecosistemas se han degradado por actividades para aumentar el suministro de
otros servicios, como los alimentos. (García, 2014).
2. JUSTIFICACIÓN
Los bosques son muy importantes para la vida humana por la cantidad de
servicios que proveen: captura y almacenamiento de carbono, regulación
climática, mantenimiento del ciclo del agua, purificación hídrica, mitigación de
riesgos naturales como inundaciones, además de que sirven como hábitat para
un gran número de especies (los bosques contienen cerca del 90% de la
biodiversidad terrestre). Esto sin tomar en cuenta los bienes que disfrutamos
directamente, como frutos, papel, madera, insumos para medicinas o
cosméticos, y recreación. (García, 2014).
Los bosques tropicales del mundo, debido a su amplia distribución, elevada
diversidad y contribución a funciones clave del planeta como la regulación
climática e hidrológica proveen una serie de servicios eco sistémicos críticos.
(Balvanera, 2012).
La diversidad eco sistémica que encontramos en la actualidad en el país, ha
sido y sigue siendo cada vez más ampliamente condicionada por el impacto
histórico ya milenario de las actividades humanas, tanto en términos absolutos
como en la ubicación y los patrones espaciales resultantes. (Etter, 1993)
El número de investigaciones de cambio de cobertura y uso del suelo basados
en imágenes de satélite ha crecido exponencialmente en los últimos años,
pero, aunque la teledetección es reconocida como un instrumento práctico para
el monitoreo ambiental y la valoración de los recursos naturales, enfrenta
obstáculos como la dificultad de interpretar consistentemente las características
espectrales de la superficie bajo un amplio tipo de condiciones ambientales.
(Virginia & López, 2010)
El 20% del bosque restante del mundo está a menos de 100 m de un borde,
muy cerca de ambientes agrícolas, urbanos u otros ambientes modificados
donde los impactos sobre los ecosistemas forestales son más severos. Más del
70% de los bosques del mundo se encuentran a 1 km de la orilla de un
bosque. Por lo tanto, la mayoría de los bosques se encuentran dentro del rango
donde las actividades humanas, el microclima alterado y las especies no
forestales pueden influir y degradar los ecosistemas forestales. (Foster &
Jenkins, 2015)
Los bosques tropicales ofrecen servicios de suministro fundamentales que
benefician generalmente a los propietarios del bosque o las comunidades que
los manejan. La gran diversidad de plantas, animales y microorganismos que
albergan estos bosques ofrece una gama enorme de alimentos, fuentes
energéticas, materiales de construcción, medicinas, especies ornamentales o
de importancia ceremonial, mascotas o plaguicidas, entre otros. (Balvanera,
2012).
El cambio climático es un factor antrópico donde irremediablemente el hombre
modifica el clima, su fuerza de intervención en el mundo es inevitable; más aún,
el hombre altera el curso de todo ambiente que le rodea y que le penetra.
Negar este hecho significaría aceptar que los humanos llevan una vida
autónoma de la naturaleza y las cosas como lo han abordado sociólogos, y una
existencia abstracta como lo han afrontado filósofos y, encarnaría continuar las
innumerables controversias entre autores que sostienen afirmaciones circulares
sobre la naturaleza social del conocimiento, versus aquellos que defienden el
estatuto realista del conocimiento social. (Arrellano, 2014).
3. OBJETIVOS
3.1. OBJETIVO GENERAL
Generar un modelo que determine la tasa de deforestación mediante los
cambios de área de la zona boscosa en el bosque municipal de san Sebastián
de Mariquita-Tolima, mediante un estudio multitemporal.
3.2. OBJETIVOS ESPECÍFICOS
Implementar un modelo que determine la tasa de deforestación de la zona
objeto de estudio.
Validar el modelo propuesto para estimar la relación que existe entre el
crecimiento urbano y la deforestación en municipal de san Sebastián de
Mariquita-Tolima.
Evaluar los cambios temporales de una serie, en el entorno de la
deforestación.
4. MARCO TEÓRICO
Los conceptos generales a tener en cuenta para la elaboración del presente
trabajo son la teledetección espacial, los geoportales, la interpretación visual, la
corrección radiométrica, la clasificación supervisada, el estadístico kappa y el
análisis multitemporal, para entender estos conceptos a continuación se van a
citar los significados, con los respectivos autores.
4.1. La teledetección Espacial
Es la técnica que permite adquirir imágenes de la superficie terrestre desde
sensores instalados en plataformas espaciales, estamos suponiendo que entre
la tierra y el sensor existe una interacción energética, ya sea por reflexión de la
energía solar o de un haz energético artificial, ya por emisión propia. A su vez
es preciso que ese haz energético recibido por el sensor se transmita a la
superficie terrestre, donde la señal detectada pueda almacenarse y, en última
instancia, ser interpretada para una determinada aplicación. (Chuvieco, 1990).
Esta técnica es la que permite tener las imágenes satelitales a las cuales se les
va a hacer el correspondiente proceso para la adquisición de los datos
necesarios.
4.2. Los Geoportales
Un geoportal es un sitio Web cuyo objetivo es ofrecer al usuario, de forma
práctica e integrada, el acceso a una serie de recursos y servicios basados en
información geográfica. Así, dentro una Infraestructura de Datos Espaciales, los
geoportales resuelven la conexión física y funcional entre los almacenes de
datos geográficos y los usuarios de Información Geográfica. El interfaz de los
geoportales, definido como el conjunto de disposiciones y métodos que
permiten la intercomunicación de los recursos y servicios, no atiende en la
mayoría de los casos a soluciones estandarizadas ni a criterios de
usabilidad. (Moya et al. 2007).
4.3. Imágenes Landsat 5, Landsat 7 Y Landsat 8
La familia de satélites Landsat ha constituido, sin duda, el proyecto más
fructífero de teledetección espacial desarrollado hasta el momento. La buena
resolución de sus sensores, el carácter global y periódico de la observación
que realizan y su buena comercialización explican su profuso empleo por
expertos de muy variados campos en todo el mundo. (Chuvieco, 1996).
4.3.1. Landsat 5
Para Landsat 4 y Landsat 5 TM incorpora un nuevo sensor con respecto a los
anteriores satélites del programa, denominado Thematic Mapper (TM)
directamente diseñado como su nombre lo indica para la cartografía temática.
(Chuvieco, 1996).
El TM es un barrido de barrido multi-espectral. Aumentando el número de
detectores con respecto a los anteriores sensores de 24 a 100, a la vez que se
reduce el IFOV, se aumenta los niveles de codificación, y se realiza el barrido
en las dos direcciones. Todo ello le permite mejorar la resolución espacial,
espectral y radiométrica: de 79 a 30 m, de 4 a 7 bandas y de 6 a 8 bits.
(Chuvieco, 1996).
TM permite una sensible mejora en las aplicaciones terrestres sobre el sensor
MSS: detección de turbideces y contaminantes en el agua (banda azul),
exploración minera (infrarrojo medio), contenidos de humedad en las plantas y
suelo (infrarrojo medio), detección de focos de calor (infrarrojo medio y
térmico). (Chuvieco, 1996).
En la tabla 1 se puede ver las características de las bandas y los aspectos
técnicos pertinentes al sensor Landsat 5.
LANDSAT TM 5
Resolución Espectral
Banda 1 0.45 a 0.52 µm
Banda 2 0.52 a 0.60 µm
Banda 3 0.63 a 0.69 µm
Banda 4 0.76 a 0.90 µm
Banda 5 1.55 a 1.75 µm
Banda 6 10.40 a 12.50 µm
Banda 7 2.08 a 2.35 µm
Elementos De Resolución Espacial (m).
30 * 30 -----------
120 * 120 Térmico
Tamaño de Imagen 7020 * 5760 elementos
185 *170 Km
Datos de la Orbita Altura 705 Km
Angulo e Inclinación 98°
Ciclo de Repetición 16 días fijos
Tabla 1. Características del sensor LANDSAT-5 (Martínez, 2005)
4.3.2. Landsat 7
Fue lanzado en abril de 1999 con un nuevo sensor denominado ETM+
(Enhanced Thematic Mapper Plus). Una imagen landsat 7 ETM+ está
compuesta por 8 bandas espectrales que pueden ser combinadas de distintas
formas para obtener variadas composiciones de color u opciones de
procesamiento. Entre las principales mejoras técnicas respecto de su
antecesor, el Landsat 5, se destaca el añadido de una banda espectral
pancromática con resolución espacial de 15 m. También cuenta con mejoras en
las características geométricas y radiométricas y una mayor resolución espacial
de la banda térmica para 60 m. Permite trabajar aplicaciones directas hasta
una escala de 1:25000, principalmente en áreas rurales o de grandes
extensiones. (Martínez, 2005)
La orbita de Landsat 7 se extiende desde los 81º de latitud Norte hasta los 81º
de latitud Sur y en todas las longitudes del globo terrestre. Una órbita de
Landsat 7 es realizada en aproximadamente 99 minutos, permitiendo el satélite
dar 14 vueltas a la tierra por día y cubrir la totalidad del globo en 16 días.
(Martínez, 2005)
En la tabla 2 se puede ver las características de las bandas y los aspectos
técnico pertinente al sensor Landsat 7.
LANDSAT TM 7
Resolución Espectral
Banda 1 0.45 a 0.52 µm
Banda 2 0.53 a 0.61 µm
Banda 3 0.63 a 0.69 µm
Banda 4 0.78 a 0.90 µm
Banda 5 1.55 a 1.75 µm
Banda 6 10.40 a 12.50 µm
Banda 7 2.09 a 2.35 µm
Banda 8 0.52 a 0.90 µm
Elementos De Resolución Espacial (m).
30 * 30 Visible e infrarrojo
60 * 60 Térmico
15*15 Pancromático
Tamaño de Imagen 7020 * 5760 elementos
185 *170 Km
Datos de la Orbita Altura 705 Km
Angulo e Inclinación 98°
Ciclo de Repetición 16 días fijos Tabla 2. Características del sensor LANDSAT-7 (Martínez, 2005)
4.3.3. Landsat 8
El satélite Landsat 8 incorpora dos instrumentos de barrido: Operational Land
Imager (OLI), y un sensor térmico infrarrojo llamado Thermal Infrared Sensor
(TIRS). (Ariza, 2013)
Las bandas espectrales del sensor OLI, aunque similares al sensor Landsat 7
ETM+, proporcionan una mejora de los instrumentos de las misiones Landsat
anteriores, debido a la incorporación de dos nuevas bandas espectrales: un
canal profundo en el azul visible, diseñado específicamente para los recursos
hídricos e investigación en zonas costeras, y un nuevo canal infrarrojo para la
detección de nubes cirrus. Adicionalmente una nueva banda de control de
calidad se incluye con cada producto de datos generado. Esto proporciona
información más detallada sobre la presencia de características tales como las
nubes, agua y nieve. (Ariza, 2013).
Las imágenes Landsat 8 obtenidas por el sensor (OLI) y (TIRS) constan de
nueve bandas espectrales con una resolución espacial de 30 metros para las
bandas de 1 a 7 y 9. Una banda nueva (azul profundo) es útil para estudios
costeros y aerosoles. La nueva banda es útil para la detección de cirrus. La
resolución para la banda 8 (pancromática) es de 15 metros. Dos bandas
térmicas son útiles para proporcionar temperaturas más precisas de la
superficie y se toman a 100 metros de resolución. El tamaño aproximado de la
escena es de 170 km de norte-sur por 183 km de este a oeste. (Ariza, 2013).
En la tabla 3 se puede ver las características de las bandas desde la longitud
de onda hasta la resolución pertinente al sensor Landsat 8.
LANDSAT 8
Bandas Longitud de Onda Resolución (m)
Banda 1 0.43 a 0.45 µm 30
Banda 2 0.45 a 0.51 µm 30
Banda 3 0.53 a 0.59 µm 30
Banda 4 0.64 a 0.67 µm 30
Banda 5 0.85 a 0.88 µm 30
Banda 6 1.57 a 1.65 µm 30
Banda 7 2.11 a 2.29 µm 30
Banda 8 0.50 a 0.68 µm 15
Banda 9 1.36 a 1.38 µm 30
Banda 10 10.60 a 11.19 µm 100
Banda 11 11.50 a 12.51 µm 100 Tabla 3. Características del sensor LANDSAT-8 (Ariza, 2013)
4.4. Índices Espectrales
Son un conjunto de métodos que permiten generar imágenes que destacan
coberturas específicas, las imágenes digitales al estar formadas por una matriz
numérica que contiene información espectral de las coberturas de la tierra,
pueden ser sometidas a diferentes algoritmos algebraicos que permiten
generar imágenes derivadas, donde aparecen reflejados los distintos tipos de
información, dependiendo del proceso realizado, además de poder destacar
ciertas características. (Bon, 2001) (Páez & García, 2016)
4.5. Componentes Principales
El objetivo del (ACP) análisis de las componentes principales es resumir un
grupo amplio de variables de un nuevo conjunto (más pequeño) sin perder una
parte significativa de la información original. (Chuvieco, 1996).
El análisis de los componentes principales también es usado en aplicaciones
multitemporales con el objeto de detectar cambios en distintas fechas. En este
caso las primeras componentes resultantes del análisis no son los más
interesantes ya que recogen información común en las distintas fechas (la
estable). Los últimos componentes ofrecen la información no común (el
cambio) que es lo que interesa en este contexto. (Chuvieco, 1996). Permite
analizar en detalle las clases espectrales una imagen multiespectral. La
información es ingresada por un polígono que encierra un conjunto de pixeles
representativos de la clase espectral que se desea segmentar. Se calcula
entonces la matriz de covarianzas de los pixeles encerrados por el polígono y
se utilizan las ecuaciones de eigenvalores y eigenvectores (ecuaciones 1 y 2).
(Lira, 2010) (Páez & García, 2016)
𝜆𝑖𝐴(𝑖, 𝑗) = ∑ 𝑘𝑓(𝑖, 𝑘)𝐴(𝑖, 𝑘), ∀ 𝑖, 𝑗 = 1,2 … 𝛾𝛾𝑘=1 (1)
𝑘𝑓ê𝑖 = 𝜆𝑖ê𝑖 , ∀ 𝑖, 𝑗 = 1,2 … 𝛾 (2)
4.6. La Interpretación Visual
El proceso de interpretación visual es como el trabajo de un detective tratando
de juntar todas las piezas de ciertas evidencias para resolver un misterio. Para
el analista o intérprete el misterio puede ser por ejemplo porqué ciertas áreas
rocosas presentan o colores distintos entre sí, o porqué algunas áreas de uso
agrícola aparecen distintas del resto (García, 2007)
También, conviene destacar de la interpretación visual, que es sólo una
técnica, por lo que es imprescindible tener un conocimiento científico y
experiencia en el campo de aplicación para un uso que sea efectivo. La
compleja actividad denominada análisis visual de imágenes (también
fotointerpretación) es un proceso que se puede dividir en varias fases:
detección, reconocimiento e identificación, análisis, clasificación y deducción.
(García, 2007)
4.7. La Corrección Radiométrica
Es una técnica que modifica los ND originales con objeto de acercarlos a los
que habría presentes en la imagen caso de una recepción ideal. (Chuvieco,
1996). Puesto que se trata de pixeles perdidos, la forma más lógica de estimar
sus ND estriba en considerar los ND de los pixeles vecinos. De acuerdo al
conocido fenómeno de la auto-correlación espacial, muchas variables nos
tienden a presentar una fuerte asociación en el espacio. (Campbell, 1981). Este
criterio de vecindad puede introducirse de distintas formas. La más sencilla es
sustituir el ND de cada línea por el de los precedentes:
𝑁𝐷𝑖𝑗 = 𝑁𝐷𝑖−1𝑗 (3)
De la formula (3), 𝑁𝐷𝑖𝑗 corresponde al nivel digital del píxel de la línea i (la
defectuosa), y columna j, 𝑁𝐷𝑖−1𝑗 indica el nivel digital del pixel situado en la
línea precedente. Tambien podría incluirse 𝑖 + 1 para sustituir las líneas
defectuosas por las posteriores. (Chuvieco, 1996).
4.8. Clasificación Supervisada
La clasificación supervisada de imágenes satelitales se define como Los
procesos de tratamiento digital de imágenes es la división de la imagen original
en un número finito de clases disjuntas, donde cada uno de los píxeles que
componen la imagen es asignado a una clase en particular. Este proceso es
conocido como clasificación digital de imágenes y ha sido objeto de estudio
desde hace varias décadas. (Ayala & Menenti, 2001).
Los pixeles de la imagen multiespectral son asignados a clases espectrales de
las cuales se tienen conocimiento previo a partir inspección de la imagen y de
otras fuentes de información. Las etapas de la clasificación son las siguientes.
(Páez & García, 2016).
Decidir el conjunto de clases en las cuales se propone segmentar la
imagen.
Escoger en forma interactiva, los pixeles representativos o prototipos de
cada clase (determinación de las áreas de entrenamiento).
Utilizar los datos prototipos para estimar los parámetros del clasificador.
Emplear el clasificador calibrado, de acuerdo con el paso anterior, para
etiquetar cada pixel de la imagen en una de las clases definidas.
Generar un mapa temático. (Páez & García, 2016).
4.9. Algoritmo De Máxima Verosimilitud
Para clasificar un pixel en una clase es necesario conocer la probabilidad
(verosimilitud) de que la clase 𝑤𝑖 sea la correcta dado un pixel en una posición
𝛾. La clasificación se realiza de acuerdo al principio de máxima verosimilitud
expresado en la ecuación (4). (Lira, 2010).
𝛾 ∈ 𝑤𝑖, 𝑠𝑖 𝑝(𝑤𝑖|𝛾) > 𝑝((𝑤𝑗|𝛾), ∀ 𝑖 ≠ 𝑗 (4)
4.10. Matriz De Confusión
La matriz de confusión es la consecuencia de la fase de muestreo será un
listado de puntos test, para los que posemos tanto su cobertura real como la
deducida por la clasificación. Con estos datos puede formarse una matriz,
denominada de confusión puesto que recoge los conflictos que se presentan
entre categorías. Se trata de una matriz bidimensional, en donde las filas se
ocupan por las clases de referencia, y las columnas por las categorías número
y significado; se trata, de una matriz cuadrada n x n, donde n indica el número
de categorías. (Chuvieco, 1996).
4.11. Estadístico Kappa
El análisis categórico mediante el estadístico kappa (k), mide la diferencia entre
el acuerdo mapa-realidad observado y el que cabría esperar simplemente por
azar. En definitiva, intenta delimitar el grado de ajuste debido solo a la exactitud
de la clasificación, prescindiendo del causado por factores aleatorios. La
estimación de k se obtiene a partir de la siguiente formula (Hudson & Ramn,
1987).
𝑘 =𝑁∑𝑥𝑖𝑗−∑𝑥𝑖+𝑥+𝑗
𝑁2−∑𝑥𝑖+𝑥+𝑗 (5)
En la ecuaciones (5) 𝑥𝑖𝑗 indica el acuerdo observado y 𝑥𝑖+𝑥+𝑗 (producto de
marginales) el acuerdo esperado. (Chuvieco, 1996).
4.12. Series De Tiempo Y Regresiones Lineales
Una serie de tiempo es una secuencia de observaciones, medidos en
determinados momentos del tiempo, ordenados cronológicamente, y
espaciados entre sí de manera uniforme, así los datos usualmente son
dependientes entre sí. El principal objetivo de una serie de tiempo Xt, donde
t=1, 2,…, n es un análisis para hacer pronostico. (Páez & García, 2016).
4.12.1. Componentes de una serie temporal
El análisis clásico de las series temporales se basa en la suposición que los
valores que toma la variable de observación es la consecuencia de tres
componentes, cuya actuación conjunta da como resultado los valores medidos,
estos componentes son. (Villavicencio, 2010).
a.- Componente tendencia. - Se puede definir como un cambio a largo
plazo que se produce en la relación al nivel medio, o el cambio a largo
plazo de la media. La tendencia se identifica con un movimiento suave de
las series a largo plazo
b.- Componente estacional. - Muchas series temporales presentan cierta
periodicidad o, dicho de otro modo, variación de cierto periodo (semestral,
mensual, etc.).
c.- Componente aleatorio. - Esta componente no responde a ningún patrón
de comportamiento, sino que es el resultado de factores fortuitos o
aleatorios que inciden de forma aislada en una serie de tiempo. (Páez &
García, 2016).
De estos tres componentes los dos primeros son componentes determinísticos,
mientras que la última es aleatoria. Así se puede denotar la serie de tiempo
como muestra la ecuación (6).
𝑋𝑡 = 𝑇𝑡 + 𝐸𝑡 + 𝑙𝑡 (6)
Donde 𝑇𝑡 es la tendencia, 𝐸𝑡 es la componente estacional y 𝑙𝑡 es la
componente aleatoria. (Páez & García, 2016).
4.12.2. Regresiones lineales
Los métodos de regresión estudian la construcción de modelos para explicar o
representar la dependencia entre una variable respuesta o dependiente (Y) y
las variables explicativas o dependientes (X). Los modelos de regresión lineal
buscan generar relaciones de tipo. (Tussel, 2011).
𝑌 = 𝑓(𝑥0, 𝑥1, … , 𝑥𝑛) + 𝜀 (7)
En esta expresión se admite que todos los factores o causas que influyen en la
variable respuesta Y pueden dividirse en dos grupos; el primero contiene a una
variable explicativa X y el segundo incluye un conjunto amplio de factores no
controlados que se engloban bajo el nombre de perturbación o error aleatorio ε,
que provoca que la dependencia entre las variables dependientes no sea
perfecta, sino que está sujeta a incertidumbre. (Tussel, 2011).
4.12.3. Mínimos cuadrados
La búsqueda de un modelo matemático que representa mejor los datos
experimentales puede abordarse mediante la obtención de una curva y=f(x)
que se aproxime a los datos sin que necesariamente pase por ellos mediante
modelos matemáticos de tipo lineal y no lineal; encontrando una función
continua que mejor se aproxime a los datos de acuerdo con el criterio de
mínimo error cuadrático el cual intenta minimizar la suma de los cuadrados de
las diferencias en las ordenadas llamadas residuos entre los puntos generados
por la función elegida y los correspondientes valores de los datos. (Páez &
García, 2016).
Una muestra aleatoria de tamaño n por el conjunto {(𝑥𝑖, 𝑦𝑖); 𝑖 = 1,2, … , 𝑛} y un
valor 𝑦𝑖 en el par ordenado (𝑥𝑖, 𝑦𝑖) sea el valor de alguna variable aleatoria 𝑦𝑖.
Donde dicha variable esta linealmente relacionada con una variable 𝑥 y
determinado por la ecuación (8). (Páez & García, 2016).
𝑌𝑖 = 𝑎 + 𝑏𝑥 (8)
Donde a y b son parámetros que deben estimarse a partir de los datos
muéstrales. De tal forma que la suma de los cuadrados de los residuos sea
mínima, estas estimaciones reciben el nombre de suma de cuadrados de los
errores alrededor de la línea de regresión y se representa por SSE (mínimos
cuadrados). Denotado por la ecuación (9). (Páez & García, 2016).
𝑆𝑆𝐸 = ∑ (𝑦𝑖 − 𝑌𝑖)2𝑛
𝑖=1 = 𝑚𝑖𝑛 (9)
Donde SSE relaciona la diferencia entre los valores estimados de la regresión
lineal 𝑦𝑖 y los valores medios 𝑌𝑖 buscando que esta sumatoria sea mínima lo
que representa el mejor ajuste lineal de los datos generando una curva que
represente la tendencia de los datos o fenómeno observado. (Páez & García,
2016).
4.13. Análisis Multitemporal
Hasta el momento presente, este análisis multitemporal se ha abordado con
una doble orientación (Chuvieco, 1996). Por un lado, con el objeto de detectar
cambios entre dos fechas de referencia, deduciendo de ahí la evolución del
medio natural o las repercusiones de la acción humana sobre ese medio y
planeando en consecuencia las medidas adecuadas para evitar su deterioro o
asegurar su mejor conservación. Este enfoque podría denominarse multi-anual.
Por cuanto se utiliza el factor tiempo para seguir la evolución de una zona en
un periodo relativamente dilatado. Por otro lado, podríamos hablar de un
enfoque multiestacional en donde la dimensión tiempo se utiliza para
perfeccionar la interpretación de la imagen, gracias a incorporar información
sobre el ciclo estacional de las cubiertas vegetales. (Chuvieco, 1996). A pesar
de los esfuerzos que se han realizado para cuantificar el proceso de
deforestación, las diferentes escalas de análisis, los distintos tiempos y
superficies consideradas dificultan en parte la comparación de los datos
obtenidos en las diferentes regiones del globo. Una de las maneras más
comunes de expresar la deforestación es como una proporción de la superficie
del bosque (%) al inicio del período. (Alzugaray & Leo, 2006). La función (10)
corresponde al cálculo de la tasa utilizada por la FAO, a través de la cual se
mide el cambio en la cobertura de los bosques, y tiene un significado
matemático y biológico (Montenegro et al. 2003).
𝑞 = (𝐴2
𝐴1)
1 (𝑡2−𝑡1)⁄
− 1 (10)
Y la función (11) corresponde a otra tasa, sugerida por Puyravaud (2003), que
es equivalente a la usada para cálculos financieros de interés compuesto, no
subestima la tasa anual de deforestación cuando los cambios son muy grandes
y acelerados.
𝑟 =1
(𝑡2−𝑡1)∗ 𝑙𝑛
𝐴2
𝐴1 (11)
De las funciones (10) y (11) A1 corresponde a la superficie de bosque al inicio
del período, A2 corresponde a la superficie de bosque al final del período, t1
corresponde al año de inicio del período y t2 corresponde al año final del
período.
4.14. Información General
La obtención de los datos o imágenes, se hizo a través de la página principal
del servicio geológico de los estados unidos (USGS), donde se colocaron las
coordenadas de la zona de estudio y los sensores que se utilizaron; y del
catálogo de imágenes resultantes se buscó las imágenes que se ajustaran a
las fechas que se estudiaron.
4.14.1. Datos
Para descargar las imágenes satelitales de la página de la USGS el Path que
índico las coordenadas fue el 8 y el Row el 57.
En la ilustración 1 se observa que la información de la imagen a descargar de
la imagen satelital, con la localización a partir de path y row.
Información de descarga imagen Landsat 8
Ilustración 1. Ubicación imagen satelital, Fuente USGS
En la ilustración 2 se ve la imagen satelital descargada a partir del geoportal de
la USGS, la cual es del sensor de Landsat 8, y se utiliza para el estudio del
proyecto.
Ilustración 2. Imagen satelital Landsat 8 del 4 de enero de 2015, Fuente USGS
Ilustración 3. Imagen satelital Landsat 8 con zona objeto de estudio, software Erdas Imagine
2014
4.14.2. Zonas de estudio
La zona de estudio se puede visualizar en la ilustración 3, la cual tiene
coordenadas de la imagen (UTM zona 18(WGS84)):
Punto nor-oeste: (511500, 575010)
Punto sur-este: (504480, 567990)
4.14.3. Imágenes seleccionadas
Para la selección de las imágenes satelitales de los distintos sensores se
decidió que se tomaría una imagen satelital por sensor, teniendo un mosaico
de 3 imágenes satelitales para el desarrollo del proyecto, la imagen
seleccionada de cada sensor debía cumplir con el criterio que fuera en uno de
los periodos de tiempo de verano, los cuales son a principio y mediados de
cada año, además que el porcentaje de nubosidad fuera bajo, para evitar la
pérdida de la información de la zona objeto de estudio.
Landsat 5: la fecha de adquisición de la imagen seleccionada para trabajar este
sensor es del 30 de junio de 1998, siendo ubicada con el PATH 8 y el ROW 56.
Landsat 7: la fecha de adquisición de la imagen seleccionada para trabajar este
sensor es del 1 de agosto de 2001, siendo ubicada con el PATH 8 y el ROW
56.
Landsat 8: la fecha de adquisición de la imagen seleccionada para trabajar este
sensor es del 4 de enero de 2015, siendo ubicada con el PTH 8 y el ROW 57.
5. ANTECENDENTES
Chuvieco E., (1998) realizo un artículo científico titulado “El factor temporal en
teledetección: evolución fenomenológica y análisis de cambios” donde
determina las técnicas más conocidas para extraer información multitemporal a
partir de imágenes de satélites con especial énfasis en las aplicaciones
ambientales, donde distingue dos grupos de técnicas: aquellas que se aplican a
las imágenes originales y las que se centran en variables cualitativas. En el
primer caso, se requiere posteriormente señalar los umbrales que definan el
cambio, pero resultan más precisas al no requerir una previa categorización de
la imagen. Las tablas cruzadas, prevalentes con imágenes cualitativas, resultan
muy interesantes al señalar todas las transiciones del cambio, pero no
garantizan que las clases sean perfectamente comparables entre fechas. En
cualquier caso, resulta crucial que los datos sean comparables radiométrica y
geométricamente.
Ramírez C. & Orrego S., (2011) en su artículo “Modelación económica con
información espacialmente explicita de la deforestación en Urabá, Colombia,
1980-2000” tenían como objetivo la identificación de la importancia relativa de
los determinantes de la deforestación observada en Urabá, 1980-2000. Para
ello usaron modelos conceptuales basados en teoría económica del uso de la
tierra rural, junto con modelos estadísticos discretos dicotómicos en los que se
empleó información espacialmente explícita. Los resultados indican que la
especialización en pasto, la especialización en maíz, la distancia a centros de
importancia regional y la distancia a los principales ríos de la región fueron los
principales determinantes de la deforestación en Urabá. La información sobre
la importancia relativa de los determinantes de la deforestación, constituye
información valiosa para el diseño de política pública y proyectos de cambio
climático en Colombia.
Silva J., (2008) escribió un artículo para el tiempo “Bosque de Mariquita, último
reducto de la Expedición Botánica, está desapareciendo” donde comprueba
que la reserva agoniza porque ha sido deforestada. Ya que hay al menos tres
barrios instalados en sus terrenos y parte de su suelo ha sido destruido por la
guaquería; los árboles talados para leña de los pobladores locales y para
paredes de distintas casas construidas en los predios aledaños al bosque
municipal, las cuales arrojan sus aguas negras a dos quebradas (San Juan y El
Peñón) de las que se abastece en parte el acueducto del pueblo.
Aristizabal J., (2013) en su trabajo de grado de especialización “Estudio del
impacto ambiental para la explotación minera informal de oro de aluvión a
pequeña escala sobre el rio Saldaña, departamento del Tolima, Colombia”
donde tiene en cuenta la metodología general para la presentación de estudios
ambientales publicada por el MAVDT (2010) tomando como primera medida
conocer la realidad actual del medio ambiente del área de interés; para lo cual
se realizara la descripción y caracterización del área por medio de fuentes de
información como entrevistas de personas asentadas en la zona; apoyo de
imágenes satelitales e información geográfica; información tomada de campo
directamente; además de fuentes de información secundaria como planes de
desarrollo, planes de ordenamiento, artículos de prensa entre otros.
IDEAM, (2017) en el reporte de sistema de monitoreo de bosques y carbono
para Colombia “Décimo tercer boletín de alertas tempranas de deforestación
(AT-D) cuarto trimestre 2017” realiza el monitoreo satelital utilizando imágenes
sentinel-1, sentinel-2 y MODIS TERRA/AGUA, con los cuales se detectaron
ocho (8) núcleos activos de deforestación en Colombia. Concentrando el 70%
de las AT-D en los departamentos amazónicos del Caquetá, Putumayo, Meta y
Guaviare; el núcleo principal se localiza en el departamento del Caquetá y el
municipio de Puerto Leguizamón haciendo parte del grupo 2 de las AT-D.
6. METODOLOGÍA
Como se puede observar en la ilustración 4, el proceso para la elaboración del
proyecto se debe tener en cuenta que el primer paso es la ubicación o
descripción de la zona de estudio e investigar los antecedentes de la
problemática que acobija el proyecto y distintos factores que influyan en el
trabajo que se va a realizar.
Luego se definen que imágenes satelitales se van a utilizar, teniendo en cuenta
la zona y las fechas de las cuales se va a descargar la imagenes, al definir que
van a ser imágenes Landsat 5,7 y 8; se entiende que la resolución con la cual
se va a trabajar es de 30 metros, este nivel de detalle permite es permitido para
el tipo de estudio que se va a realizar, y se adquieren las imágenes satelitales
necesarias para tal fin.
Luego se realiza el pre procesamiento, donde se realiza la transformación de la
imagen a parámetros físicos de radiancia y reflectancia en el software Erdas
Imagine, y se hace el recorte de la zona objeto de estudio para trabajar
exclusivamente sobre la zona de interés.
Después se desarrollan técnicas de procesamiento digital de imágenes en
donde se ingresan los parámetros de clasificación no supervisada utilizando el
método K-MEANS, de allí sale la imagen clasificada con 10 clases, aunque se
vuelve a hacer la reclasificación con las 4 clases que se van a utilizar para
analizar la problemática, estas clases son: zona urbana, bosque, sin vegetación
y agua, de ahí se llega a la imagen binaria de bosque y sin vegetación, y se
hace vectorización de la imagen.
Luego se realiza la clasificación supervisada con el método de máxima
verosimilitud, generando polígonos sobre algunos pixeles de cada clase, para
que el software reconozca los valores de los pixeles pertenecientes a cada
clase, haciendo la clasificación de las 4 clases que se utilizaron en la
clasificación no supervisada: zona urbana, bosque, sin vegetación y agua con
el fin de poder contraponer la información de las dos clasificaciones; y se
realiza la vectorización de la imagen.
Ahora se procede a hacer el análisis de componentes principales, de los cuales
se obtienen componentes, se selecciona el componente 1, se hace la
binarización de la imagen y se procede con la vectorización con el fin de poder
analizar las técnicas que se utilizaron.
Cuando se han realizado las tres técnicas de procesamiento digital de
imágenes, estas se validan mediante el estadístico kappa, el cual permite
establecer que técnica de procesamiento es la adecuada para realizar el
análisis, ya que es la que menos error género en la cartografía resultante de los
procesos realizados.
Después se realiza el cálculo de las distintas áreas de las clases que se
seleccionaron para trabajar en cada periodo mediante el software que se utilizó
para los distintos procesos, determinando que información se debe excluir y
cual incluir en la realización del modelo a implementar.
Luego se realiza la aplicación de series de tiempo: representación por cada
periodo área vs tiempo, para realizar las regresiones utilizando los métodos de
mínimos cuadrados, modelo lineal y cuadrático; y se determina qué modelo se
ajusta con la realidad a la vez que ayuda a determinar los datos concluyentes
de la deforestación.
Se calcula la tasa de perdida de la cobertura vegetal, después se genera la
cartografía, el análisis de resultados y las conclusiones pertinentes al estudio
realizado.
Ilustración 4. Metodología, Fuente Elaboración del autor
Objetivo especifico1
Objetivo específico 2
Objetivo específico 3
6.1. Desarrollo De Objetivos
Para desarrollar el objetivo 1, se descargaron las imágenes satelitales que
contenían la zona de estudio, a estas imágenes se le realizaron tratamientos a
la vez que técnicas de procesamiento digital de imágenes como lo fueron los
componentes principales, la clasificación supervisada y la no supervisada, las
cuales permitieron obtener la información explicita y necesaria para realizar el
análisis a los datos de los pixeles, contrastando las diferencias en los distintos
periodos de tiempo mediante las áreas que arrojaba el software Erdas Imagine,
con la información de las áreas de los bosques en los distintos periodos de
tiempo se realizó una regresión lineal simple para obtener el modelo del cual se
derivó la tasa de deforestación de la zona objeto de estudio.
Para desarrollar el objetivo 2, se validó la información que se iba a utilizar en el
modelo mediante el estadístico kappa, ya que las distintas técnicas que se
utilizaron para encontrar las coberturas, generaban diferencias entre ellas,
entonces para escoger cual era la información que mejor se ajusta a la
realidad, se generó la matriz de confusión con puntos de control sobre la
cartografía generada por cada técnica, para luego proceder a estimar el
estadístico kappa de cada una de las distintas clasificaciones, arrojando que la
clasificación que mejor se ajustaba a la realidad es la clasificación supervisada,
ya entendiendo esto, se generó el modelo con la información de los áreas que
daba esta clasificación, ya con el modelo se procedió a verificar la pendiente,
que marcaba una tendencia de perdida de área boscosa, y encontrar los
cambios de cobertura a la vez que la perdida de bosque, mediante cartografía
que se elaboró.
Para desarrollar el objetivo 3, se confirmó que la desviación estándar entre el
modelo y la realidad fuera mínima, indicando que el ajuste era bueno, luego se
procedió a ver qué información arrojaba el modelo con relación al área que
pierde la cobertura del bosque cada año, y en qué año según el modelo el área
del bosque se perderá totalmente, para finalmente generar las conclusiones a
partir de lo encontrado en el estudio que se realizó.
7. APLICACIÓN DE LA METODOLOGÍA
7.1. Delimitación De La zona De Interés
La zona en la cual se va a hacer el análisis multitemporal se encuentra
delimitada por las coordenadas que se pueden ver en la tabla 5.
EJES UL LR
X 504480 511500
Y 575010 567990
Tabla 4. Coordenadas zona de estudio, Fuente Elaboración del autor
7.2. Imágenes
Las imágenes de las zonas de estudio fueron tomadas en los periodos del 30
de junio de 1998 del sensor Landsat 5, el recorte de la zona de estudio en esta
imagen multiespectral (RGB 432) se puede visualizar en la ilustración 7; el
periodo del 1 de agosto de 2001 se utilizó el sensor Landsat 7, el recorte de la
zona de estudio en esta imagen multiespectral (RGB 432) se puede visualizar
en la figura 7; y para el periodo del 4 de enero del 2015 se utilizó el sensor
Landsat 8, el recorte de la zona de estudio en esta imagen multiespectral (RGB
543) se puede visualizar en la ilustración 7.
7.3. Corrección Radiométrica
𝐿𝜆 =(𝐿𝑀𝐴𝑋𝜆−𝐿𝑀𝐼𝑁𝜆)
(𝑄𝑐𝑎𝑙𝑚𝑎𝑥−𝑄𝑐𝑎𝑙𝑚𝑖𝑛)(𝑄𝑐𝑎𝑙 − 𝑄𝑐𝑎𝑙𝑚𝑖𝑛) + 𝐿𝑀𝐼𝑁𝜆 (12)
De la función (12) se tiene: 𝐿𝜆 que es la radiancia espectral en la banda de
interés; 𝑄𝑐𝑎𝑙 es el nivel digital (ND) que se desea convertir; 𝐿𝑀𝐼𝑁𝜆 es la
radiancia espectral en la banda 𝜆 correspondiente a 𝑄𝑐𝑎𝑙𝑚𝑖𝑛 ; 𝐿𝑀𝐴𝑋𝜆 es la
radiancia espectral en la banda 𝜆 correspondiente a 𝑄𝑐𝑎𝑙𝑚𝑎𝑥; 𝑄𝑐𝑎𝑙𝑚𝑖𝑛 es el nivel
digital mínimo calibrado (usualmente =1); y 𝑄𝑐𝑎𝑙𝑚𝑎𝑥 es el nivel digital máximo
calibrado (usualmente =255).
La función (12), se puede correr directamente con la herramienta Model Maker
que se encuentra en el software Erdas image, como se puede ver en la
ilustración 5.
Ilustración 5. Model Maker corrección radiométrica, Fuente Elaboración del autor
7.4. Radiancia a Reflectancia
𝜌𝜆 =(𝜋∗𝑙𝜆∗𝑑2)
(𝐸𝑆𝑈𝑁𝜆∗𝐶𝑂𝑆∅𝑠) (13)
De la función (13) se tiene: 𝜌𝜆 es la reflectancia en el sensor; 𝑙𝜆 es la radiancia
espectral en el sensor; 𝐸𝑆𝑈𝑁𝜆 es la irradiancia solar en la banda de interés (𝜆)
medida en el tope de la atmosfera; ∅𝑠 es el angulo cenital solar que se saca de
restarle el ángulo de elevación solar a 90°, este ángulo de elevación solar se
puede obtener en el archivo de metadatos; y 𝑑 es la distancia entre la tierra y el
sol, en unidades astronómicas. Esta fórmula 13 se encuentra descrita en el
Model Maker de la ilustración 6.
Ilustración 6. Model Maker radiancia a reflectancia, Fuente Elaboración del autor
Las imágenes se adquirieron en periodos secos, ya que en Colombia se
presentan periodos secos y periodos de lluvia, para el IDEAM los meses que
normalmente son periodos secos son julio, agosto, septiembre y diciembre,
aunque hay temporadas donde los meses aumentan o disminuyen
dependiendo si se presenta o no el fenómeno del niño o el fenómeno de la
niña.
En ilustración 7, se puede observar las imágenes multiespectrales de la zona
de estudio de los distintos sensores usados, cada imagen multiespectral cuenta
con su respectiva corrección radiométrica, esta zona de estudio contiene zona
boscosa, que se encuentra representada por las tonalidades de rojo, y las
zonas sin cobertura vegetal, las cuales son las tonalidades de azul y verde,
estas zonas sin cobertura vegetal se debe a distintos factores, uno es el casco
urbano del municipio, el otro son los ríos y quebradas, y el ultimo son las zonas
donde se practica la agricultura y ganadería.
a. Imagen multiespectral Landsat 5
RGB(4,3,2)
b. Imagen multiespectral Landsat 5
RGB(4,3,2) Corrección Radiométrica
c. Imagen multiespectral Landsat 7
RGB(432)
d. Imagen multiespectral Landsat 7
RGB(432) Corrección Radiométrica
e. Imagen multiespectral Landsat 8
RGB(543)
f. Imagen multiespectral Landsat 8
RGB(543) Corrección Radiométrica
Ilustración 7. Imágenes LANDSAT bosque municipal San Sebastián de Mariquita. Fuente: imágenes descargadas de earth explorer USGS. Elaboración propia
8. RESULTADOS
Para obtener los resultados, se requiere aplicar una serie de tratamientos y
técnicas a la información que se obtuvo de las imágenes, estas técnicas son
facilitadas por distintos software que hoy en día se pueden encontrar para
facilitar procesos matemáticos a la vez que agiliza en los procesos.
8.1. Matriz De Correlación
Este paso se realiza para ver el comportamiento de cada banda con relación a
las otras bandas de la misma imagen, con el fin de observar que existe una
correlación positiva y muy fuerte en la escena tomada por los sensores Landsat
5, Landsat 7 y Landsat 8, este hecho se puede ver en las tablas 6, 7 y 8
respectivamente; para encontrar la matriz de correlación de cada imagen se
utilizó la herramienta Model Maker que tiene el software Erdas imagine 2016, el
proceso realizado se puede ver en la ilustración 8, donde se ingresa la imagen,
a su vez se da la acción de correlación a las bandas, y se solicita que la
respuesta sea una tabla con los valores del proceso realizado, como se puede
ver en las tablas 6, 7 y 8.
Ilustración 8. Model Maker correlaciones, Fuente Elaboración del autor
Landsat 5 B1 B2 B3 B4 B5 B6 B7
B1 1 0.99879 0.99771 0.96670 0.98390 0.98794 0.99510
B2 0.99879 1 0.99893 0.97137 0.98910 0.98427 0.99692
B3 0.99771 0.99893 1 0.96180 0.99132 0.97843 0.99853
B4 0.96670 0.97137 0.96180 1 0.95307 0.96714 0.95713
B5 0.98390 0.98910 0.99132 0.95307 1 0.95626 0.99488
B6 0.98794 0.98427 0.97843 0.96714 0.95626 1 0.97302
B7 0.99510 0.99692 0.99853 0.95713 0.99488 0.97302 1
Tabla 5. Matriz de correlación Landsat 5, Fuente Elaboración del autor
Landsat 7 B1 B2 B3 B4 B5 B7
B1 1 0.99946 0.99773 0.90740 0.98971 0.99251
B2 0.99946 1 0.99791 0.90719 0.98904 0.99143
B3 0.99773 0.99791 1 0.88242 0.99016 0.99563
B4 0.90740 0.90719 0.88242 1 0.88298 0.85948
B5 0.98971 0.98904 0.99016 0.88298 1 0.99318
B7 0.99251 0.99143 0.99563 0.85948 0.99318 1
Tabla 6. Matriz de correlación Landsat 7, Fuente Elaboración del autor
Landsat 8 B1 B2 B3 B4 B5 B6 B7 B8
B1 1 0,9999 0,9999 0,9999 0,9993 0,9997 0,9998 0,9999
B2 0,9999 1 0,9999 0,9999 0,9993 0,9998 0,9999 0,9999
B3 0,9999 0,9999 1 0,9999 0,9993 0,9998 0,9999 0,9999
B4 0,9999 0,9999 0,9999 1 0,9992 0,9998 0,9999 0,9999
B5 0,9993 0,9993 0,9993 0,9992 1 0,9992 0,9991 0,9993
B6 0,9997 0,9998 0,9998 0,9998 0,9992 1 0,9999 0,9998
B7 0,9998 0,9999 0,9999 0,9999 0,9991 0,9999 1 0,9999
B8 0,9999 0,9999 0,9999 0,9999 0,9993 0,9998 0,9999 1
Tabla 7. Matriz de correlación Landsat 8, Fuente Elaboración del autor
8.2. Tablas De Desviaciones Estándar
La información de las desviaciones estándar de cada banda de cada sensor la
suministra directamente el software después de tener las imágenes se puede
visualizar en la tabla 9.
LANDSAT 8
LANDSAT 7
LANDSAT 5
Banda Desv. Std Banda Desv. Std Banda Desv. Std
1 297.493 1 98.14 1 5.02
2 369.653 2 136.56 2 3.61
3 533.573 3 197.57 3 5.87
4 732.547 4 398.8 4 12.29
5 2.352.201 5 398.46 5 14.62
6 1.785.871 7 304.61 6 2.72
7 1.237.086
7 7.65
8 656.786
Tabla 8. Desviaciones estándar bandas de los sensores, Fuente Elaboración del autor
8.3. Índice De Factor Óptimo (OIF)
El índice de factor optimo ayuda a decidir que combinaciones de bandas son
las que mejor se ajustan para desarrollar el estudio definiendo que bandas son
las adecuadas para generar las imágenes multiespectrales, dándole a las
seleccionadas los cañones del rojo, verde y azul; el OIF es el resultado de
sumar las desviaciones estándar de las bandas a trabajar y dividirla en las
correlaciones que existe entre estas mismas bandas, tomando como criterio
que el mayor valor resultante es la combinación de bandas más adecuada para
el proceso que se le va a realizar a las imágenes satelitales.
𝑂𝐼𝐹 =𝑆𝑡𝑑1+𝑆𝑡𝑑2+𝑆𝑡𝑑3
|𝐶𝑜𝑟𝑟1,2|+|𝐶𝑜𝑟𝑟1,3|+|𝐶𝑜𝑟𝑟2,3| (14)
De la función (14) se tiene que 𝑆𝑡𝑑1 es la desviación estándar de la banda 1, a
esta se le suma las desviaciones estándar de las bandas dos y tres, y |𝐶𝑜𝑟𝑟1,2|
es la correlación entre las bandas 1 y 2, a esta correlación se le suma la
correlación entre 1 y 3, y la correlación entre 2 y 3, el resultado de esta función
se puede observar en la tabla 10, 11 y 12.
LANDSAT 5
N° Combinación OIF N° Combinación OIF
1 123 4.84 16 235 8.09
2 124 7.12 17 236 4.12
3 125 7.82 18 237 5.72
4 126 3.82 19 245 10.48
5 127 5.44 20 246 6.37
6 134 7.92 21 247 8.05
7 135 8.58 22 345 11.28
8 136 4.59 23 346 7.18
9 137 6.20 24 347 8.85
10 145 11.00 25 356 7.93
11 146 6.86 26 357 9.43
12 147 8.55 27 456 10.30
13 156 7.64 28 457 11.90
14 157 9.18 29 567 8.55
15 234 7.42
Tabla 9. Índice de factor óptimo combinaciones de bandas Landsat 5, Elaboración del autor
LANDSAT 7
N° Combinación OIF N° Combinación OIF
1 123 144.33 11 234 262.93
2 124 225.12 12 235 246.07
3 125 212.60 13 237 213.99
4 127 180.77 14 245 336.00
5 134 249.15 15 247 304.55
6 135 233.13 16 345 361.03
7 137 201.05 17 347 329.12
8 145 322.07 18 357 302.33
9 147 290.48 19 457 402.78
10 157 269.28
Tabla 10. Índice de factor óptimo combinaciones de bandas Landsat 7, Elaboración del autor
LANDSAT 8
N° Combinación OIF N° Combinación OIF
1 123 400243,088 26 238 520010,441
2 124 466574,427 27 245 1151999,51
3 125 1006869,01 28 246 962788,533
4 126 817781,899 29 247 779800,385
5 127 634789,122 30 248 586339,566
6 128 441318,262 31 345 1206651,71
7 134 521215,707 32 346 1017413,15
8 135 1061529,94 33 347 834431,675
9 136 872419,157 34 348 640975,954
10 137 689429,837 35 356 1558006,2
11 138 495960,118 36 357 1374987,39
12 145 1127936,63 37 358 1181362,18
13 146 938748,65 38 367 1185603,25
14 147 755756,694 39 368 992167,114
15 148 562290,805 40 378 809184,244
16 156 1479318,05 41 456 1624412,36
17 157 1296281,13 42 457 1441389,12
18 158 1102645,01 43 458 1247767,08
19 167 1106954,97 44 467 1251905,86
20 168 913498,076 45 468 1058486,82
21 178 730505,604 46 478 875503,256
22 234 545265,146 47 567 1792717,47
23 235 1085594,21 48 568 1599127,11
24 236 896462,271 49 578 1416104,52
25 237 713476,159 50 678 1226673,14
Tabla 11. Índice de factor óptimo combinaciones de bandas Landsat 8, Elaboración del autor
Al calcular el índice de factor óptimo para Landsat 8, arrojo que la combinación
de bandas que obtiene el mayor puntaje es la RGB (567) como se puede ver
en la ilustración 9, esto nos indica que el para tener el mejor contraste en esta
escena se deben combinar la banda 5, la banda 6 y la banda 7, en su
respectivo orden.
Ilustración 9. Landsat 8 RGB (567), Fuente Elaboración del autor
En la ilustración 9 se ve notan los cambios de coberturas del suelo, a diferencia
de la ilustración 7, donde no se puede diferenciar tanto el cambio de
coberturas. De la ilustración 9 se puede dar a entender que las tonalidades de
azul es la área urbana, las tonalidades de marrón son las zonas de vegetación
densa o bosque, las tonalidades de verdes son los arbustales bajos, cultivos,
suelos desnudos y zonas de ganadería, y el negro son las fuentes hídricas,
esto sucede por las características de cada banda, la banda 5 sirve para
diferenciar suelos y cultivos, suelos y agua; la banda 6 y la banda 7 son útiles
al discriminar el contenido de humedad en los suelos y la vegetación.
Ilustración 10. Landsat 7 RGB (457), Fuente Elaboración del autor
Ilustración 11. Landsat 5 RGB (457), Fuente Elaboración del autor
En las ilustraciones 10 y 11 se puede tomar el mismo análisis que se hizo para
la ilustración 9, ya que las combinaciones de bandas se encuentran en el
mismo rango, y arroja la misma composición visual de color.
8.4. Componentes principales
En las ilustraciones 12, 13 y 14 se pueden observar las imágenes resultantes
de los componentes principales.
Ilustración 12. Landsat 5 componentes principales, Fuente Elaboración del autor
Ilustración 13. Landsat 7 componentes principales, Fuente Elaboración del autor
Ilustración 14. Landsat 8 componentes principales, Fuente Elaboración del autor
Con la técnica de los componentes principales se genera inconsistencias, ya
que cuando se realiza la técnica de enmascaramiento solo revisa los valores
del píxel de la imagen y pasa de ser percibido las características espectrales.
8.5. Clasificación No Supervisada
De la ilustración 15 a la ilustración 17, se observa que las clases se encuentran
mal delimitadas, un claro ejemplo es la zona urbana, ya que se muestra como
si estuviera en toda la zona de estudio, a la vez que en grandes extensiones, y
por el conocimiento de la zona se puede decir que no es así, al igual sucede
con la cobertura del agua, muestra una mayor extensión de la real, indicando
que acepta zonas de bosque y sin vegetación como si fuera agua o zona
urbana, generando que los datos de las extensiones de área de las distintas
coberturas tengan una varianza mayor, a la vez que reduce su índice de
confianza en la selección de este método para la adquisición de los datos. Esta
variación en la selección de la cobertura de cada pixel es generada por el
terreno quebrado, ya que las diferencias de altura producen sombras, las
cuales se integran al valor del pixel, y como el método solo observa el valor del
pixel dejando aparte las propiedades físicas, puede determinar que una clase
pertenece a otra.
Ilustración 15. Landsat 5 clasificación no supervisada, Fuente Elaboración del autor
Ilustración 16. Landsat 7 clasificación no supervisada, Fuente Elaboración del autor
Ilustración 17. Landsat 8 clasificación no supervisada, Fuente Elaboración del autor
8.6. Clasificación Supervisada
De la ilustración 18 a la ilustración 20, se observa el agua en color azul, la zona
urbana en color rojo, las zonas sin vegetación en verde claro y las zonas
boscosas en color verde.
Ilustración 18. Landsat 5 clasificación supervisada, Fuente Elaboración del autor
Ilustración 19. Landsat 7 clasificación supervisada, Fuente Elaboración del autor
Ilustración 20. Landsat 8 clasificación supervisada, Fuente Elaboración del autor
8.7. Selección del Método para el Análisis
Para seleccionar cuál de las tres técnicas realizadas a las imagines es la más
fiable para recolectar los datos, se realizó el estadístico kappa a las imágenes
que generaba cada técnica, este estadístico se generó a partir de 40 puntos de
control. Determinando que la mejor clasificación de las coberturas se generó a
partir de la técnica de clasificación supervisada.
Bosque Área sin vegetación
Área urbana
Agua Total
Bosque 10 0 0 0 10
Área sin vegetación 0 10 3 0 13
Área urbana 0 0 7 0 7
Agua 0 0 0 10 10
Total 10 10 10 10 40 Tabla 123. Matriz de confusión de la clasificación supervisada Landsat 5, Elaboración del autor
Kappa =0,9 clasificación supervisada Landsat 5.
Bosque Área sin vegetación
Área urbana
Agua Total
Bosque 10 0 0 0 10
Área sin vegetación 0 10 4 1 15
Área urbana 0 0 6 0 6
Agua 0 0 0 9 9
Total 10 10 10 10 40 Tabla 134. Matriz de confusión de la clasificación supervisada Landsat 7, Elaboración del autor
Kappa =0,83 clasificación supervisada Landsat 7.
Bosque Área sin vegetación
Área urbana
Agua Total
Bosque 8 0 0 0 8
Área sin vegetación 0 7 1 0 8
Área urbana 0 0 9 0 9
Agua 2 3 0 10 15
Total 10 10 10 10 40 Tabla 145. Matriz de confusión de la clasificación supervisada Landsat 8, Elaboración del autor
Kappa =0,8 clasificación supervisada Landsat 8.
8.8. Información De La Zona
Al seleccionar que la clasificación supervisada es la mejor técnica para
continuar con el proceso de análisis, se le solicito al software que arrojara el
área de cada cobertura en hectáreas como unidad de superficie, como se ve en
la tabla 13.
Año Área del
bosque (Ha)
Área sin
vegetación (Ha)
Área
urbana (Ha)
Área de
agua (Ha)
2015 2571.12 1972.26 74.61 352.26
2001 2871.36 1642.59 114.03 342.27
1998 2990.43 1694.07 80.82 204.93
Total Área de Estudio 4970.25
Tabla 156. Áreas de las distintas coberturas, Fuente Elaboración del autor
Con la información obtenida del área de estudio de las distintas coberturas, se
puede hallar la tasa de perdida de la zona boscosa, como se puede ver en la
tabla 14, donde se muestra el porcentaje del bosque con relación a la medición
más antigua, indicando que en 17 años la zona boscosa ha tenido una
reducción del 14.02%.
Año Área del
bosque (Ha)
porcentaje
de bosque
1998 2990,43 100,00%
2001 2871,36 96,02%
2015 2571,12 85,98%
Tabla 167. Tasa de pérdida del bosque, Fuente Elaboración del autor
En la ilustración 21, se ve el diagrama de barras de áreas de las coberturas del
suelo, donde se muestra que aunque el área del bosque es mayor a las otras
coberturas, el bosque se encuentra decreciendo gradualmente, al mismo
tiempo que la cobertura sin vegetación va aumentando, dando a entender que
existe una auto correlación entre estos datos, lo que indica que la mayoría de
zona boscosa que se pierde pasa a pertenecer a la cobertura del suelo que es
sin vegetación, la cual está caracterizada por actividades como la ganadería y
la agricultura.
Ilustración 21. Diagrama de barras de las áreas de coberturas, Fuente Elaboración del autor
8.9. Diferencias De Coberturas
En la ilustración 22 se observa la reducción que ha tenido el área del bosque
con relación a los años 1998 y 2015, de la información obtenida de la técnica
de clasificación supervisada, donde el color verde es el área del bosque que
sigue siendo bosque o no ha sufrido cambios para el periodo del 2015 con
relación a 1998, el color rojo son las áreas de bosque que cambiaron de
cobertura en los 17 años de estudio, trasladándose de bosque a otro tipo de
cobertura, en su gran mayoría área sin vegetación, y el amarillo es la cobertura
de suelo que continua siendo la misma, o no han tenido relación de cambio con
el área de bosque, como puede ser la relación del agua con la zona urbana o
con el área sin vegetación, o el área sin vegetación con la zona urbana.
0
500
1000
1500
2000
2500
3000
3500
2015 2001 1998
HEC
TAR
EAS
AÑOS
Areas de Coberturas
Área del bosque (Ha)
Área sin vegetación (Ha)
Área urbana (Ha)
Área de agua (Ha)
Ilustración 22. Diferencias de cobertura del bosque en los 1998 y 2015, Fuente Elaboración del autor
En la ilustración 23 se visualizan los tres años de estudio (1998, 2001 y 2015),
donde se encuentran las zonas de cobertura del bosque mediante las técnicas
de clasificación supervisada y la clasificación no supervisada, en el cual la zona
del bosque se encuentra caracterizada en ambas técnicas por el color verde, y
el color gris pertenece a otras coberturas o clases, a la vez que muestra que
hay una gran diferencia en las imágenes resultantes de una técnica y la otra,
de ahí la importancia de la decisión de trabajar bajo la técnica de la
clasificación supervisada usando el criterio del estadístico kappa.
Al revisar la cartografía generada por la clasificación supervisada se puede
decir visualmente que la zona de bosque se va extinguiendo gradualmente a
medida que la zona perteneciente a otras coberturas va aumentando el área en
los distintos periodos de tiempo, lo que se puede entender como deforestación
en la zona objeto de estudio.
Técnica 1998 2001 2015
Área del
bosque
(verde)
Clasificación
no
supervisada
Área del
bosque
(verde)
Clasificación
supervisada
Ilustración 23. Área del bosque, Fuente Elaboración del autor
8.10. Series De Tiempo
La tendencia a reducir el área del bosque se encuentra enmarcada por la
información mostrada en la ilustración 24, es muy preocupante observar que la
predisposición es a que el bosque va a desaparecer, ya que en el año 2015
habían 419 hectáreas menos que en el año 1998, lo que nos indica que si
continúa la tendencia lineal de deforestación que se presenta entre la fecha
más antigua a la más nueva, en aproximadamente 100 años el área del bosque
tendera a cero, esto si todos los factores que influyen en el cambio de esta
cobertura continúan igual, ya que pueden ocurrir hechos que aceleren o
desaceleren la deforestación, como puede ser un gran incendio o un cambio de
política ambiental.
Ilustración 24. Área del bosque en los años 1998, 2001 y 2015, Fuente Elaboración del autor
8.11. Regresiones
El modelo de regresión lineal y el modelo de regresión cuadrática explican de
forma adecuada el fenómeno de la deforestación, esto se puede afirmar por el
valor del R2 resultante, que es cercano a uno en la regresión lineal y en la
regresión cuadrática es uno, esto debido a que la función pasa por todos los
puntos de la muestra indicando que explica bien el fenómeno; se puede decir
que ahí deforestación a partir de la información obtenida de los dos modelos,
ya que en el modelo lineal la pendiente es negativa como se puede ver en la
función (15), hecho que se encuentra relacionado con la disminución del área
de bosque con relación al tiempo en la zona de estudio
2990,43
2871,36
2571,12
2000
2100
2200
2300
2400
2500
2600
2700
2800
2900
3000
1998 2001 2015
He
ctar
eas
Año de la Imagen
ÁREA DEL BOSQUE (HA)
Área del bosque (Ha)
Ilustración 25. Modelo de regresión lineal, Fuente Elaboración del autor
De la ilustración 25 se puede sustraer la ecuación de la línea con menor
varianza con relación a los puntos de la muestra.
𝐴(𝑡) = 50244,62976 − 23.66161943𝑡 (15)
En la función 15 la variable (𝑦) está representada por 𝐴(𝑡) que significa el área
en función del tiempo, y la variable (𝑥) representada por (𝑡) que es el año, lo
cual indica que la función sirve para estimar el posible año en el que el área del
bosque tienda a cero o desaparezca.
El modelo de regresión cuadrático, muestra una desaceleración en la pérdida
del área del bosque con relación al modelo de regresión lineal, aunque la
tendencia es que la curva se va a encontrar con el eje x en algún momento,
indicando que el área del bosque va a ser cero cuando se cruza la curva de la
ecuación con el eje x, al igual que en el modelo lineal se puede estimar en que
año el bosque va a desaparecer.
Ilustración 26. Modelo de regresión Cuadrático, Fuente Elaboración del autor
y = -23,66161943x + 50244,62976R² = 0,987271786
2500
2600
2700
2800
2900
3000
3100
1995 2000 2005 2010 2015 2020
Are
a e
n H
ect
are
as
Años
Modelo de Regresion Lineal
y = 1,073193277x2 - 4331,389916x + 4372915,626
2500
2600
2700
2800
2900
3000
3100
1995 2000 2005 2010 2015 2020
Are
a e
n H
ect
are
as
Años
Modelo de Regresion Cuadratico
De la ilustración 26 se puede sustraer la función de regresión cuadrática, la
cual pasa por los puntos de la muestra.
𝐴(𝑡) = 4372915,626 − 4331,389916𝑡 + 1,073193277𝑡2 (16)
En la función 16 la variable (𝑦) se encuentra representada por 𝐴(𝑡) que significa
el área en función del tiempo, y la variable (𝑥) la cual está representada por (𝑡)
que es el año en el que se desea estimar que área puede tener el bosque, lo
cual indica que la función sirve para estimar el posible año en el que el área del
bosque tienda a cero o desaparezca.
8.12 Análisis De Resultados
Al analizar las distintas metodologías que se utilizaron se puede decir que en
los componentes principales se presentaron inconsistencias en las distintas
coberturas, ya que al generar el enmascaramiento solo se tiene en cuenta el
valor del pixel y se saltan las características espectrales, este fenómeno se
presenta en las zonas de frontera de las coberturas, lo que genera que entren
valores a coberturas a las que no pertenecen, y con esto genera error en la
imagen resultante.
Las imágenes generadas a partir del método de la clasificación supervisada y
la clasificación no supervisada, fueron más acertadas aunque la que genera
menor error temático es la clasificación supervisada, como se demostró de
forma matemática con el estadístico kappa, pero no solo eso, visualmente se
puede diferir que es más acertada la cartografía generada por este método que
la generada por los otros dos métodos, razón por la cual se utilizó la
información generada por este método para continuar con la elaboración del
proyecto.
Al revisar la información de las áreas de las distintas coberturas, información
que se puede verificar en la tabla 13, se encontró que existe una relación
directa entre el área del bosque y las coberturas del área sin vegetación y la
zona urbana, mientras que la cobertura perteneciente al agua mostraba datos
similares con reducciones no muy influyentes, estos hechos ayudaron a decidir
que el modelo tenía que ser explicado por el área boscosa y el tiempo, con el
fin de no tener datos que se auto correlacionaran, y fueran más ajustados a la
realidad, a la vez que permitía encontrar la tasa de deforestación y la cantidad
de área de bosque que se pierde anualmente, lo cual es el objetivo del estudio
realizado.
De los modelos que se realizaron se puede inferir que mejor es el modelo
lineal, ya que es generado a partir de la suma mínima de las desviaciones
estándar entre la realidad y el punto cercano a la recta generada, de este
modelo la pendiente al ser negativa, demuestra que cada vez que aumente un
año va a haber menos cobertura vegetal, a la vez que se puede decir que el
valor de esta pendiente es la cantidad de área en hectáreas que cada año el
bosque pierde en la zona de estudio; esta cobertura boscosa que se pierde, en
su gran mayoría se transforma en cobertura sin vegetación en gran parte, ya
que el aumento del área de la zona urbana no es tan exponencial como la
cobertura sin vegetación, esto debido a que la cobertura sin vegetación es
explicada por varias actividades como la agricultura, la ganadería entre otras,
mientras que la cobertura de zona urbana es explicada por la actividad de la
construcción.
9. CONCLUSIONES Y RECOMENDACIONES
9.1. Conclusiones
El modelo que mejor se ajusta y explica la pérdida de bosque en la zona
de estudio año a año es 𝐴(𝑡) = 50244,62976 − 23.66161943𝑡 , con lo
cual se puede decir que la pendiente negativa indica que hay pérdida en
la cobertura del bosque o deforestación.
El crecimiento de la zona urbana en las proximidades al bosque
municipal genera un gran impacto ambiental, esto lo valida la relación
directa que tiene el área del bosque con el área de la zona urbana, cada
año de estudio mostro que a más área de zona urbana menor es el área
del bosque, siendo esta unas de las principales causas de la perdida de
bosque, ya que la relación entre la zona urbana y el crecimiento
poblacional es directo, estos asentamiento de humanos genera
contaminantes permanentes al ecosistema, a la vez que prácticas
dañinas para el ecosistema como la ganadería extensiva y la agricultura.
El año en el que el bosque en la zona de estudio se acabara que arroja
el modelo es el 2124, mostrando que hay una pérdida de área del
bosque de 23.6 hectáreas por año, lo que indica que aproximadamente
un 0.96% actualmente de la cobertura del bosque pasa a ser otra
cobertura en la zona de estudio cada año, y que la cobertura de bosque
en la zona de estudio para el año 2018 es de 2495,4 hectáreas.
La deforestación en el bosque municipal tiene consecuencias directas
con la fauna del lugar, ya que genera fragmentación de ecosistemas,
debido a la ausencia de follajes altos por los nuevos terrenos sin
cobertura vegetal que aparecen.
9.2. Recomendaciones
Para los próximos estudios de la zona se deben realizar en 4 periodos
distintos, con el fin de garantizar que la tendencia encontrada en el
modelo no tiene datos a típicos, que puedan afectar el resultado final, ya
que un cambio de coberturas puede ser fuerte en un año con relación a
otro año, debido a factores físicos que pueden ser producidos por el
hombre, o por la naturaleza.
Revisar detenidamente los efectos que la fracturación de los
ecosistemas tiene sobre la fauna del lugar, a la vez que el contacto
directo de los humanos con los animales pertenecientes al bosque
municipal.
Verificar el modelo generado con imágenes satelitales posteriores con el
fin de garantizar que la información real de cada año se encuentra
ajustada a la información que da el modelo, a la vez de encontrar la
variación que el modelo está teniendo con la realidad.
BIBLIOGRAFÍA
Andrade, G. (2004). Selva sin ley. Conflicto, drogas, globalización de la
deforestación en Colombia. Colombia.
Arellano, A. (2014). Cambio climático y sociedad.
Ayala, R. & Menenti, M. (2001). Metodología para la búsqueda del mejor
clasificador de imágenes de satélite. Teledetección, Medio Ambiente y
Cambio Global. Almería, España.
Balvanera P. (2012), Los servicios ecosistémicos que ofrecen los bosques
tropicales.
Bon, F. (2001). Selección y Extracción de características. España.
Bosques, M. & Ávila, D. (2008). Estudio multitemporal de fragmentación de los
bosques en la Sierra Fría. Multitemporal study on forest fragmentation in
sierraFría. Maderas y Bosque. Aguas calientes, México.
Brown S, Lugo AE (1994) Rehabilitation of tropical lands: A key to sustaining
development. Restorat. Ecol. 2: 97-111
Cabrera, E., Vargas, D. M., Galindo, G., García, M. C., Ordoñez, M. F.,
Vergara, L. K., Pacheco, A. M., Rubiano, J. C. & Giraldo, P. (2011).
Memoria técnica de la cuantificación de la deforestación histórica nacional
– escalas gruesa y fina. Instituto de Hidrología, Meteorología, y Estudios
Ambientales, IDEAM. Bogotá D.C., Colombia.
Campbell, J. (1981). ”The use of Landsat MSS data for Ecological Mapping”.
Marching remate sensing rechnologies and their applications.
Carranza, M., Hoyos, L., Frate, L., Acosta, A. & Cabido, M. (2015). Measuring
forest fragmentation using multitemporal forest cover maps: Forestloss
andspatial pattern analysisin the Gran Chaco.
Chuvieco E. (1996). Fundamentos de Teledetección Espacial. (3' edición
revisada). Ediciones Rialp S.A. Madrid.
Coppin, P. & Bauer, M. (1994). Processing of multitemporal Landsat TM
Imagery to optimize extraction of forest cover change features. IEEE
Transactions on Geoscience and Remote Sensing.
Eastman, J., Mckendry, J. & Fulk, M. (1994). UNITAR Exploration in GIS
Technology.
Etter A. (1993), Diversidad ecosistémica en Colombia hoy.
Foster, B., Jenkins, C. & et al. (2015). La fragmentación del hábitat y su
impacto duradero en los ecosistemas de la tierra.
Franco, R. (2005). Análisis multitemporal satelital de los bosques del Carare-
Opón, mediante imágenes landsat de 1991 y 2002. Colombia Forestal.
Franco, R. (2016). Geoportales y visores geográficos en Colombia. Universidad
Distrital Francisco José de Caldas. Bogotá D.C., Colombia.
Garzón. (2013). Análisis preliminar de los impactos ambientales y sociales
generados por la minería de arcillas a cielo abierto en la vereda el
Mochuelo bajo, estudio de caso. Ciudad Bolivar, Bogotá D.C.
Garcia, H. (2014). Deforestacion en Colombia: Retos y Perspectivas.
Gordon, S. (1980). Utilizing Landsat Imagery to monitor 'and use change study
in Ohio. Remote Sensing of Environment.
Guyot, G. & Gu, X. (1994). Effect of radiometric Corrections on NDVI
determined from Spot - Hrv and Landsat-Tm data. Remote Sensing of
Environment.
Hudson & Ramn. (1987). Clasificación digital de coberturas vegetales a partir
de datos satelitales multi-espectrales.
IGAC. (2013). Descripción y corrección de productos Landsat 8 LDCM: Instituto
Geográfico Agustín Codazzi
Jean, C., Foster, L. & Clinton, N. (2015). La fragmentación del hábitat y su
impacto duradero en los ecosistemas de la Tierra.
Jensen, J. (1995). Introductory Digital Image Proccessing. A Remote Sensing
Perspective, ed. Prentice Hall.
Lambin, E. (1997). Modelling deforestation processes: a review tropical
ecosystem environment observations by satellites. TREE Series B.,
Research Report No. 1. European Commission Joint Research Centre–
Institute for Remote Sensing Applications– European Space Agency,
Luxembourg.
LO, C. (1986). Applied Remote Sensing. Logman Scientific and Technical. New
York, E.E.U.U.
Martin, L. (1989). Accuracy assessment of Landsat based visual Change
detection methods applied to the rural - urban fringe. Phogrammetric
Engineering and Remote Sensing.
Martínez, J. (2005). Percepción remota “Fundamentos de teledetección
espacial”.
Meli, P. (2005). Restauracion ecológica de bosques tropicales “Veinte años de
investigación academica”. Caracas, Venezuela.
Mergerson, J. (1981). Crop area estimates using ground gathered and Landsat
data: A multitemporal approach. Proc. 15th International Symposium
Remote Sensing of Environment.
Moya, J. et al. (2007). La usabilidad de los geoportales: Aplicación del diseño
orientado a metas. Santiago de Copostela.
Myers, N. (1984) The primary source: Tropical forest and our future. Norton.
Nueva York, EEUU. 399 pp.
Nelson, R. & Grebowsky, G. (1982). Evaluation of temporal registration of
Landsat Scenes. International Journal of Remote Sensing.
Páez, B. & Garcia, C. (2016). Análisis multitemporal del retroceso glaciar en la
sierra nevada de Santa Marta-Colombia-para los periodos 1986, 1996,
2007 y 2014.
Rendón, M. (2009). Implicaciones ambientales generadas por las poblaciones
que migran a las ciudades: estudio de caso en el barrio Caracolí -
localidad Ciudad Bolívar. Bogotá D.C.
Reserve, T. & State, B. (2002). Evaluación de las deforestaciones en la
Reserva Forestal de Ticoporo, estado Barinas Venezuela, en base al
análisis multitemporal de imágenes de percepción remota. Venezuela.
Sader, S. & Winne, J. (1992). RGB-NDVI: colour composites for visualizing
forest change dynamics. International Jóurnal of Remote 'Sensing.
Schriever, J. & Congalton, T. (1995). Evaluating seasonal variability as and did
to cover-type mapping from Landsat Tm data inte Northeast.
Photograrnmetric Engineering and Remote Sensing.
Tussel, F. (2011). Análisis de regresión introducción teoría y práctica basada en
R. España.
Villavicencio, J. (2010). Introducción a las Series de Tiempo. Puerto Rico.
Virginia, O., López, J., & et al. (2010). Patrones espaciales de cambio de
cobertura y uso del suelo en el área cafetalera de la sierra norte de
puebla.
Whitmore TC (1997) Tropical forest disturbance, dissapearance, and species
loss. En Laurence WF, Bierregaard RO (Eds.) Tropical forest remnants.
Ecology, Management, and Conservation of fragmented communities. The
University of Chicago Press. EEUU. pp. 3-12.
ANEXOS
GROUP = L1_METADATA_FILE
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "0501612235994_10768"
LANDSAT_SCENE_ID = "LT50080561998181XXX02"
LANDSAT_PRODUCT_ID =
"LT05_L1TP_008056_19980630_20161223_01_T1"
COLLECTION_NUMBER = 01
FILE_DATE = 2016-12-23T17:27:15Z
STATION_ID = "XXX"
PROCESSING_SOFTWARE_VERSION = "LPGS_12.8.2"
DATA_CATEGORY = "NOMINAL"
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1TP"
DATA_TYPE_L0RP = "TMR_L0RP"
COLLECTION_CATEGORY = "T1"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
EPHEMERIS_TYPE = "DEFINITIVE"
SPACECRAFT_ID = "LANDSAT_5"
SENSOR_ID = "TM"
SENSOR_MODE = "SAM"
WRS_PATH = 008
WRS_ROW = 056
DATE_ACQUIRED = 1998-06-30
SCENE_CENTER_TIME = "14:50:25.2060690Z"
CORNER_UL_LAT_PRODUCT = 6.72542
CORNER_UL_LON_PRODUCT = -75.21083
CORNER_UR_LAT_PRODUCT = 6.72181
CORNER_UR_LON_PRODUCT = -73.11010
CORNER_LL_LAT_PRODUCT = 4.82840
CORNER_LL_LON_PRODUCT = -75.21013
CORNER_LR_LAT_PRODUCT = 4.82582
CORNER_LR_LON_PRODUCT = -73.11637
CORNER_UL_PROJECTION_X_PRODUCT = 476700.000
CORNER_UL_PROJECTION_Y_PRODUCT = 743400.000
CORNER_UR_PROJECTION_X_PRODUCT = 708900.000
CORNER_UR_PROJECTION_Y_PRODUCT = 743400.000
CORNER_LL_PROJECTION_X_PRODUCT = 476700.000
CORNER_LL_PROJECTION_Y_PRODUCT = 533700.000
CORNER_LR_PROJECTION_X_PRODUCT = 708900.000
CORNER_LR_PROJECTION_Y_PRODUCT = 533700.000
REFLECTIVE_LINES = 6991
REFLECTIVE_SAMPLES = 7741
THERMAL_LINES = 6991
THERMAL_SAMPLES = 7741
FILE_NAME_BAND_1 =
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 21.00
CLOUD_COVER_LAND = 21.00
IMAGE_QUALITY = 9
SUN_AZIMUTH = 57.61443774
SUN_ELEVATION = 54.21854627
EARTH_SUN_DISTANCE = 1.0166604
SATURATION_BAND_1 = "Y"
SATURATION_BAND_2 = "Y"
SATURATION_BAND_3 = "Y"
SATURATION_BAND_4 = "Y"
SATURATION_BAND_5 = "Y"
SATURATION_BAND_6 = "N"
SATURATION_BAND_7 = "Y"
GROUND_CONTROL_POINTS_VERSION = 4
GROUND_CONTROL_POINTS_MODEL = 146
GEOMETRIC_RMSE_MODEL = 4.303
GEOMETRIC_RMSE_MODEL_Y = 3.386
GEOMETRIC_RMSE_MODEL_X = 2.656
GROUND_CONTROL_POINTS_VERIFY = 1554
GEOMETRIC_RMSE_VERIFY = 0.126
GEOMETRIC_RMSE_VERIFY_QUAD_UL = 0.130
GEOMETRIC_RMSE_VERIFY_QUAD_UR = 0.136
GEOMETRIC_RMSE_VERIFY_QUAD_LL = 0.118
GEOMETRIC_RMSE_VERIFY_QUAD_LR = 0.134
GROUP = MIN_MAX_RADIANCE
RADIANCE_MAXIMUM_BAND_1 = 193.000
RADIANCE_MINIMUM_BAND_1 = -1.520
RADIANCE_MAXIMUM_BAND_2 = 365.000
RADIANCE_MINIMUM_BAND_2 = -2.840
RADIANCE_MAXIMUM_BAND_3 = 264.000
RADIANCE_MINIMUM_BAND_3 = -1.170
RADIANCE_MAXIMUM_BAND_4 = 221.000
RADIANCE_MINIMUM_BAND_4 = -1.510
RADIANCE_MAXIMUM_BAND_5 = 30.200
RADIANCE_MINIMUM_BAND_5 = -0.370
RADIANCE_MAXIMUM_BAND_6 = 15.303
RADIANCE_MINIMUM_BAND_6 = 1.238
RADIANCE_MAXIMUM_BAND_7 = 16.500
RADIANCE_MINIMUM_BAND_7 = -0.150
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 0.322376
REFLECTANCE_MINIMUM_BAND_1 = -0.002539
REFLECTANCE_MAXIMUM_BAND_2 = 0.673796
REFLECTANCE_MINIMUM_BAND_2 = -0.005243
REFLECTANCE_MAXIMUM_BAND_3 = 0.575333
REFLECTANCE_MINIMUM_BAND_3 = -0.002550
REFLECTANCE_MAXIMUM_BAND_4 = 0.694694
REFLECTANCE_MINIMUM_BAND_4 = -0.004747
REFLECTANCE_MAXIMUM_BAND_5 = 0.467862
REFLECTANCE_MINIMUM_BAND_5 = -0.005732
REFLECTANCE_MAXIMUM_BAND_7 = 0.651482
REFLECTANCE_MINIMUM_BAND_7 = -0.005923
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 7.6583E-01
RADIANCE_MULT_BAND_2 = 1.4482E+00
RADIANCE_MULT_BAND_3 = 1.0440E+00
RADIANCE_MULT_BAND_4 = 8.7602E-01
RADIANCE_MULT_BAND_5 = 1.2035E-01
RADIANCE_MULT_BAND_6 = 5.5375E-02
RADIANCE_MULT_BAND_7 = 6.5551E-02
RADIANCE_ADD_BAND_1 = -2.28583
RADIANCE_ADD_BAND_2 = -4.28819
RADIANCE_ADD_BAND_3 = -2.21398
RADIANCE_ADD_BAND_4 = -2.38602
RADIANCE_ADD_BAND_5 = -0.49035
RADIANCE_ADD_BAND_6 = 1.18243
RADIANCE_ADD_BAND_7 = -0.21555
REFLECTANCE_MULT_BAND_1 = 1.2792E-03
REFLECTANCE_MULT_BAND_2 = 2.6734E-03
REFLECTANCE_MULT_BAND_3 = 2.2751E-03
REFLECTANCE_MULT_BAND_4 = 2.7537E-03
REFLECTANCE_MULT_BAND_5 = 1.8645E-03
REFLECTANCE_MULT_BAND_7 = 2.5882E-03
REFLECTANCE_ADD_BAND_1 = -0.003818
REFLECTANCE_ADD_BAND_2 = -0.007916
REFLECTANCE_ADD_BAND_3 = -0.004825
REFLECTANCE_ADD_BAND_4 = -0.007500
REFLECTANCE_ADD_BAND_5 = -0.007597
REFLECTANCE_ADD_BAND_7 = -0.008511
GROUP = THERMAL_CONSTANTS
K1_CONSTANT_BAND_6 = 607.76
K2_CONSTANT_BAND_6 = 1260.56
GROUP = PROJECTION_PARAMETERS
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 18
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"
MAP_PROJECTION_L0RA = "NA"
GROUP = L1_METADATA_FILE
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "0501702031891_13937"
LANDSAT_SCENE_ID = "LE70080562001213EDC00"
LANDSAT_PRODUCT_ID =
"LE07_L1TP_008056_20010801_20170204_01_T1"
COLLECTION_NUMBER = 01
FILE_DATE = 2017-02-04T07:45:27Z
STATION_ID = "EDC"
PROCESSING_SOFTWARE_VERSION = "LPGS_12.8.3"
DATA_CATEGORY = "NOMINAL"
END_GROUP = METADATA_FILE_INFO
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1TP"
COLLECTION_CATEGORY = "T1"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
EPHEMERIS_TYPE = "DEFINITIVE"
SPACECRAFT_ID = "LANDSAT_7"
SENSOR_ID = "ETM"
SENSOR_MODE = "SAM"
WRS_PATH = 008
WRS_ROW = 056
DATE_ACQUIRED = 2001-08-01
SCENE_CENTER_TIME = "15:01:28.8737445Z"
CORNER_UL_LAT_PRODUCT = 6.73082
CORNER_UL_LON_PRODUCT = -75.27056
CORNER_UR_LAT_PRODUCT = 6.72742
CORNER_UR_LON_PRODUCT = -73.15620
CORNER_LL_LAT_PRODUCT = 4.84195
CORNER_LL_LON_PRODUCT = -75.26966
CORNER_LR_LAT_PRODUCT = 4.83951
CORNER_LR_LON_PRODUCT = -73.16230
CORNER_UL_PROJECTION_X_PRODUCT = 470100.000
CORNER_UL_PROJECTION_Y_PRODUCT = 744000.000
CORNER_UR_PROJECTION_X_PRODUCT = 703800.000
CORNER_UR_PROJECTION_Y_PRODUCT = 744000.000
CORNER_LL_PROJECTION_X_PRODUCT = 470100.000
CORNER_LL_PROJECTION_Y_PRODUCT = 535200.000
CORNER_LR_PROJECTION_X_PRODUCT = 703800.000
CORNER_LR_PROJECTION_Y_PRODUCT = 535200.000
PANCHROMATIC_LINES = 13921
PANCHROMATIC_SAMPLES = 15581
REFLECTIVE_LINES = 6961
REFLECTIVE_SAMPLES = 7791
THERMAL_LINES = 6961
THERMAL_SAMPLES = 7791
FILE_NAME_BAND_1 =
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 27.00
CLOUD_COVER_LAND = 27.00
IMAGE_QUALITY = 9
SUN_AZIMUTH = 65.18012093
SUN_ELEVATION = 57.91184572
EARTH_SUN_DISTANCE = 1.0149014
GROUP = MIN_MAX_RADIANCE
RADIANCE_MAXIMUM_BAND_1 = 191.600
RADIANCE_MINIMUM_BAND_1 = -6.200
RADIANCE_MAXIMUM_BAND_2 = 196.500
RADIANCE_MINIMUM_BAND_2 = -6.400
RADIANCE_MAXIMUM_BAND_3 = 152.900
RADIANCE_MINIMUM_BAND_3 = -5.000
RADIANCE_MAXIMUM_BAND_4 = 241.100
RADIANCE_MINIMUM_BAND_4 = -5.100
RADIANCE_MAXIMUM_BAND_5 = 31.060
RADIANCE_MINIMUM_BAND_5 = -1.000
RADIANCE_MAXIMUM_BAND_6_VCID_1 = 17.040
RADIANCE_MINIMUM_BAND_6_VCID_1 = 0.000
RADIANCE_MAXIMUM_BAND_6_VCID_2 = 12.650
RADIANCE_MINIMUM_BAND_6_VCID_2 = 3.200
RADIANCE_MAXIMUM_BAND_7 = 10.800
RADIANCE_MINIMUM_BAND_7 = -0.350
RADIANCE_MAXIMUM_BAND_8 = 243.100
RADIANCE_MINIMUM_BAND_8 = -4.700
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 0.304520
REFLECTANCE_MINIMUM_BAND_1 = -0.009854
REFLECTANCE_MAXIMUM_BAND_2 = 0.342596
REFLECTANCE_MINIMUM_BAND_2 = -0.011158
REFLECTANCE_MAXIMUM_BAND_3 = 0.324441
REFLECTANCE_MINIMUM_BAND_3 = -0.010610
REFLECTANCE_MAXIMUM_BAND_4 = 0.728459
REFLECTANCE_MINIMUM_BAND_4 = -0.015409
REFLECTANCE_MAXIMUM_BAND_5 = 0.453554
REFLECTANCE_MINIMUM_BAND_5 = -0.014603
REFLECTANCE_MAXIMUM_BAND_7 = 0.429547
REFLECTANCE_MINIMUM_BAND_7 = -0.013920
REFLECTANCE_MAXIMUM_BAND_8 = 0.596400
REFLECTANCE_MINIMUM_BAND_8 = -0.011531
GROUP = PRODUCT_PARAMETERS
GAIN_BAND_1 = "H"
GAIN_BAND_2 = "H"
GAIN_BAND_3 = "H"
GAIN_BAND_4 = "L"
GAIN_BAND_5 = "H"
GAIN_BAND_6_VCID_1 = "L"
GAIN_BAND_6_VCID_2 = "H"
GAIN_BAND_7 = "H"
GAIN_BAND_8 = "L"
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 7.7874E-01
RADIANCE_MULT_BAND_2 = 7.9882E-01
RADIANCE_MULT_BAND_3 = 6.2165E-01
RADIANCE_MULT_BAND_4 = 9.6929E-01
RADIANCE_MULT_BAND_5 = 1.2622E-01
RADIANCE_MULT_BAND_6_VCID_1 = 6.7087E-02
RADIANCE_MULT_BAND_6_VCID_2 = 3.7205E-02
RADIANCE_MULT_BAND_7 = 4.3898E-02
RADIANCE_MULT_BAND_8 = 9.7559E-01
RADIANCE_ADD_BAND_1 = -6.97874
RADIANCE_ADD_BAND_2 = -7.19882
RADIANCE_ADD_BAND_3 = -5.62165
RADIANCE_ADD_BAND_4 = -6.06929
RADIANCE_ADD_BAND_5 = -1.12622
RADIANCE_ADD_BAND_6_VCID_1 = -0.06709
RADIANCE_ADD_BAND_6_VCID_2 = 3.16280
RADIANCE_ADD_BAND_7 = -0.39390
RADIANCE_ADD_BAND_8 = -5.67559
REFLECTANCE_MULT_BAND_1 = 1.2377E-03
REFLECTANCE_MULT_BAND_2 = 1.3927E-03
REFLECTANCE_MULT_BAND_3 = 1.3191E-03
REFLECTANCE_MULT_BAND_4 = 2.9286E-03
REFLECTANCE_MULT_BAND_5 = 1.8431E-03
REFLECTANCE_MULT_BAND_7 = 1.7459E-03
REFLECTANCE_MULT_BAND_8 = 2.3934E-03
REFLECTANCE_ADD_BAND_1 = -0.011092
REFLECTANCE_ADD_BAND_2 = -0.012551
REFLECTANCE_ADD_BAND_3 = -0.011929
REFLECTANCE_ADD_BAND_4 = -0.018338
REFLECTANCE_ADD_BAND_5 = -0.016446
REFLECTANCE_ADD_BAND_7 = -0.015666
REFLECTANCE_ADD_BAND_8 = -0.013924
GROUP = PROJECTION_PARAMETERS
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 18
GRID_CELL_SIZE_PANCHROMATIC = 15.00
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"
GROUP = L1_METADATA_FILE
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "0501704140955_00007"
LANDSAT_SCENE_ID = "LC80080572015004LGN01"
LANDSAT_PRODUCT_ID =
"LC08_L1TP_008057_20150104_20170415_01_T1"
COLLECTION_NUMBER = 01
FILE_DATE = 2017-04-15T16:23:34Z
STATION_ID = "LGN"
PROCESSING_SOFTWARE_VERSION = "LPGS_2.7.0"
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1TP"
COLLECTION_CATEGORY = "T1"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
SPACECRAFT_ID = "LANDSAT_8"
SENSOR_ID = "OLI_TIRS"
WRS_PATH = 8
WRS_ROW = 57
NADIR_OFFNADIR = "NADIR"
TARGET_WRS_PATH = 8
TARGET_WRS_ROW = 57
DATE_ACQUIRED = 2015-01-04
SCENE_CENTER_TIME = "15:12:47.4721340Z"
CORNER_UL_LAT_PRODUCT = 5.38461
CORNER_UL_LON_PRODUCT = -75.48651
CORNER_UR_LAT_PRODUCT = 5.38279
CORNER_UR_LON_PRODUCT = -73.43413
CORNER_LL_LAT_PRODUCT = 3.28402
CORNER_LL_LON_PRODUCT = -75.48517
CORNER_LR_LAT_PRODUCT = 3.28291
CORNER_LR_LON_PRODUCT = -73.43845
CORNER_UL_PROJECTION_X_PRODUCT = 446100.000
CORNER_UL_PROJECTION_Y_PRODUCT = 595200.000
CORNER_UR_PROJECTION_X_PRODUCT = 673500.000
CORNER_UR_PROJECTION_Y_PRODUCT = 595200.000
CORNER_LL_PROJECTION_X_PRODUCT = 446100.000
CORNER_LL_PROJECTION_Y_PRODUCT = 363000.000
CORNER_LR_PROJECTION_X_PRODUCT = 673500.000
CORNER_LR_PROJECTION_Y_PRODUCT = 363000.000
PANCHROMATIC_LINES = 15481
PANCHROMATIC_SAMPLES = 15161
REFLECTIVE_LINES = 7741
REFLECTIVE_SAMPLES = 7581
THERMAL_LINES = 7741
THERMAL_SAMPLES = 7581
FILE_NAME_BAND_1 =
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 5.11
CLOUD_COVER_LAND = 5.11
IMAGE_QUALITY_OLI = 9
IMAGE_QUALITY_TIRS = 9
TIRS_SSM_MODEL = "FINAL"
TIRS_SSM_POSITION_STATUS = "ESTIMATED"
TIRS_STRAY_LIGHT_CORRECTION_SOURCE = "TIRS"
ROLL_ANGLE = -0.001
SUN_AZIMUTH = 136.38742469
SUN_ELEVATION = 51.89134539
EARTH_SUN_DISTANCE = 0.9832778
SATURATION_BAND_1 = "Y"
SATURATION_BAND_2 = "Y"
SATURATION_BAND_3 = "Y"
SATURATION_BAND_4 = "Y"
SATURATION_BAND_5 = "Y"
SATURATION_BAND_6 = "Y"
SATURATION_BAND_7 = "Y"
SATURATION_BAND_8 = "N"
SATURATION_BAND_9 = "N"
GROUND_CONTROL_POINTS_VERSION = 4
GROUND_CONTROL_POINTS_MODEL = 211
GEOMETRIC_RMSE_MODEL = 10.351
GEOMETRIC_RMSE_MODEL_Y = 7.309
GEOMETRIC_RMSE_MODEL_X = 7.329
GROUND_CONTROL_POINTS_VERIFY = 112
GEOMETRIC_RMSE_VERIFY = 10.629
TRUNCATION_OLI = "UPPER"
GROUP = MIN_MAX_RADIANCE
RADIANCE_MAXIMUM_BAND_1 = 786.13464
RADIANCE_MINIMUM_BAND_1 = -64.91925
RADIANCE_MAXIMUM_BAND_2 = 805.01141
RADIANCE_MINIMUM_BAND_2 = -66.47810
RADIANCE_MAXIMUM_BAND_3 = 741.81116
RADIANCE_MINIMUM_BAND_3 = -61.25901
RADIANCE_MAXIMUM_BAND_4 = 625.53699
RADIANCE_MINIMUM_BAND_4 = -51.65705
RADIANCE_MAXIMUM_BAND_5 = 382.79742
RADIANCE_MINIMUM_BAND_5 = -31.61154
RADIANCE_MAXIMUM_BAND_6 = 95.19823
RADIANCE_MINIMUM_BAND_6 = -7.86150
RADIANCE_MAXIMUM_BAND_7 = 32.08690
RADIANCE_MINIMUM_BAND_7 = -2.64975
RADIANCE_MAXIMUM_BAND_8 = 707.93567
RADIANCE_MINIMUM_BAND_8 = -58.46156
RADIANCE_MAXIMUM_BAND_9 = 149.60591
RADIANCE_MINIMUM_BAND_9 = -12.35450
RADIANCE_MAXIMUM_BAND_10 = 22.00180
RADIANCE_MINIMUM_BAND_10 = 0.10033
RADIANCE_MAXIMUM_BAND_11 = 22.00180
RADIANCE_MINIMUM_BAND_11 = 0.10033
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 1.210700
REFLECTANCE_MINIMUM_BAND_1 = -0.099980
REFLECTANCE_MAXIMUM_BAND_2 = 1.210700
REFLECTANCE_MINIMUM_BAND_2 = -0.099980
REFLECTANCE_MAXIMUM_BAND_3 = 1.210700
REFLECTANCE_MINIMUM_BAND_3 = -0.099980
REFLECTANCE_MAXIMUM_BAND_4 = 1.210700
REFLECTANCE_MINIMUM_BAND_4 = -0.099980
REFLECTANCE_MAXIMUM_BAND_5 = 1.210700
REFLECTANCE_MINIMUM_BAND_5 = -0.099980
REFLECTANCE_MAXIMUM_BAND_6 = 1.210700
REFLECTANCE_MINIMUM_BAND_6 = -0.099980
REFLECTANCE_MAXIMUM_BAND_7 = 1.210700
REFLECTANCE_MINIMUM_BAND_7 = -0.099980
REFLECTANCE_MAXIMUM_BAND_8 = 1.210700
REFLECTANCE_MINIMUM_BAND_8 = -0.099980
REFLECTANCE_MAXIMUM_BAND_9 = 1.210700
REFLECTANCE_MINIMUM_BAND_9 = -0.099980
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 1.2986E-02
RADIANCE_MULT_BAND_2 = 1.3298E-02
RADIANCE_MULT_BAND_3 = 1.2254E-02
RADIANCE_MULT_BAND_4 = 1.0333E-02
RADIANCE_MULT_BAND_5 = 6.3236E-03
RADIANCE_MULT_BAND_6 = 1.5726E-03
RADIANCE_MULT_BAND_7 = 5.3006E-04
RADIANCE_MULT_BAND_8 = 1.1695E-02
RADIANCE_MULT_BAND_9 = 2.4714E-03
RADIANCE_MULT_BAND_10 = 3.3420E-04
RADIANCE_MULT_BAND_11 = 3.3420E-04
RADIANCE_ADD_BAND_1 = -64.93224
RADIANCE_ADD_BAND_2 = -66.49141
RADIANCE_ADD_BAND_3 = -61.27126
RADIANCE_ADD_BAND_4 = -51.66738
RADIANCE_ADD_BAND_5 = -31.61786
RADIANCE_ADD_BAND_6 = -7.86307
RADIANCE_ADD_BAND_7 = -2.65028
RADIANCE_ADD_BAND_8 = -58.47325
RADIANCE_ADD_BAND_9 = -12.35698
RADIANCE_ADD_BAND_10 = 0.10000
RADIANCE_ADD_BAND_11 = 0.10000
REFLECTANCE_MULT_BAND_1 = 2.0000E-05
REFLECTANCE_MULT_BAND_2 = 2.0000E-05
REFLECTANCE_MULT_BAND_3 = 2.0000E-05
REFLECTANCE_MULT_BAND_4 = 2.0000E-05
REFLECTANCE_MULT_BAND_5 = 2.0000E-05
REFLECTANCE_MULT_BAND_6 = 2.0000E-05
REFLECTANCE_MULT_BAND_7 = 2.0000E-05
REFLECTANCE_MULT_BAND_8 = 2.0000E-05
REFLECTANCE_MULT_BAND_9 = 2.0000E-05
REFLECTANCE_ADD_BAND_1 = -0.100000
REFLECTANCE_ADD_BAND_2 = -0.100000
REFLECTANCE_ADD_BAND_3 = -0.100000
REFLECTANCE_ADD_BAND_4 = -0.100000
REFLECTANCE_ADD_BAND_5 = -0.100000
REFLECTANCE_ADD_BAND_6 = -0.100000
REFLECTANCE_ADD_BAND_7 = -0.100000
REFLECTANCE_ADD_BAND_8 = -0.100000
REFLECTANCE_ADD_BAND_9 = -0.100000
GROUP = TIRS_THERMAL_CONSTANTS
K1_CONSTANT_BAND_10 = 774.8853
K2_CONSTANT_BAND_10 = 1321.0789
K1_CONSTANT_BAND_11 = 480.8883
K2_CONSTANT_BAND_11 = 1201.1442
GROUP = PROJECTION_PARAMETERS
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 18
GRID_CELL_SIZE_PANCHROMATIC = 15.00
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"