Metodología básica para detección de uso del suelo

1. Protocolo de trabajo en el área de Teledetección y SIG
con el objeto de determinar usos del suelo.
Autores: Ing. Agr. MSc. Pablo Vazquez1, Ing. Agr. Florencio Moore1 e Ing.
Claudio Fonda2.
1. INTA
2. SAGPyA
INTRODUCCION
Son conocidos los inconvenientes para identificar determinados usos o
elementos específicos de un ambiente terrestre cuando la composición del
paisaje es muy heterogénea tanto en relieve, suelos, como en el uso de los
mismos. En el caso específico de los cultivos, estos aspectos muchas veces son
descuidados. La fecha de siembra, el estado fenológico, el estado nutricional e
hídrico, la sanidad y la tecnología con la que se implantó son factores
determinantes de su respuesta radiométrica en el espacio y en el tiempo.
Como es bien sabido, los objetos en la tierra emiten en longitudes de onda
largas (térmico) y reflejan principalmente en el visible e IR. Este aspecto es
vital para comprender el comportamiento radiométrico de los distintos objetos
a estudiar y bajo que condiciones se los puede discriminar.
Cuando se estudia un objeto, no siempre se lo puede comparar bajo las
mismas condiciones, por lo cual es sumamente importante tener en cuenta su
corrección para poder realizar la integracion de resultados en grandes áreas,
comparar el comportamiento radiométrico en el tiempo y llegar a adecuadas
interpretaciones.
Dentro de estos aspectos podemos identificar:
• Angulo de iluminación solar (fecha)
• Relieve – rugosidad
• Atmósfera y dispersión selectiva (CO2, agua, O2 y O3)
• Fenología
• Densidad y pureza de la cubierta (espacio-tiempo, áreas heterogéneas).
El objetivo de este trabajo es delinear los pasos a seguir para lograr productos
obtenidos a partir de la teledetección comparables en el tiempo y factibles de
integrarse en la Pampa Húmeda para seguimiento de la evolución del área
agrícola y caracterización de sus condiciones de desarrollo.

2. La extensión, la heterogeneidad ambiental y usos del suelo a monitorear
obligan a imponer una serie de condiciones de trabajo que permitan integrar la
información tanto regional como temporalmente.
CORRECCION ESPACIAL (GEORREFERENCIACION)
Se tomará la proyección Gauss-Kruger, datum WGS84, como referencia de
todo el proyecto. Para integrar toda la información, se proyectará todo sobre la
faja 5, siendo ésta la faja central del sector, minimizando de esta manera las
deformaciones. Para lograr este resultado, se construyó un mosaico de
referencia de toda la región con imágenes pancromáticas Landsat ETM7
ortorrectificadas, disponibles en la página
http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp, cuyas proyecciones
originales estan en UTM.
El error en x e y de estas imágenes es de 1 pixel (14 m), y su concordancia con
transectas GPS es inmejorable en la proyección original, ya que tanto la señal
GPS como estas imágenes fueron calibradas por la NASA (sistema de
geoposicionamiento Galileo). Se corroboró que el error de un pixel se mantuvo
inalterado al transformar la proyección UTM original de cada imagen a Gauss
Kruger faja 5, en un área cruzada por las fajas 4, 5 y 6.
La georreferenciación se realizará con el método de rotación - traslación -
rescalado (RTS), con algoritmo de cálculo nearest neighbour (vecino más
próximo), ya que no distorsiona el valor original de los píxeles cuando se
realiza la reproyección.
Para minimizar los errores, se recomienda seguir el siguiente patrón al
momento de asignar los puntos de control. De esta manera se equilibra el peso
relativo de cada punto nuevo de referencia que se agrega.
1 3
10 6 12
8 5 9
7
13 11
4 2
Bajo estas condiciones, es posible lograr muy buenas correcciones geométricas
con 13 – 17 puntos.

3. CONSOLIDACION DE IMAGENES
Debido a que los valores de imágenes vecinas no tienen valores similares, ya
sea por cuestiones del sensor o simplemente por desfasajes en las fechas de
adquisición (entre path vecinos), es necesario consolidar los datos para que
usos similares tengan valores similares de reflectancia en el área de estudio.
Para corregir este factor de distorsión, se toman los valores de cuentas
digitales punto a punto y banda por banda en la zona de superposición. Se
obtienen una serie de puntos a los cuales se les aplica una función de
regresión (en general las respuestas son lineales) y una vez obtenida la
ecuación se aplica a la banda objetivo (Caselles y López, 1989).
y = 0.6885x + 33.439
R2 = 0.987
120
100
80
60
40
20
0
-60 -40 -20 0 20 40 60 80 100 120
Función para consolidar datos de NDVI de las imágenes 224-85 y 225-85 para
noviembre de 2003.
CORRECCIONES ATMOSFERICAS
Debido a la escala de trabajo planteada en este proyecto (alrededor de 1:
250.000), no se considera indispensable la corrección atmosférica. El objetivo
es lograr un producto que pretende monitorear la evolución anual de los
grandes usos del suelo, como agricultura, pastizales naturales, montes y
bosques, cuerpos de agua, médanos móviles, etc., dependiendo de la región.
En aquellos casos que se considera indispensable por características locales
que así lo ameriten, hay varios métodos indirectos para corregir este fenómeno
(método sustractivo de cuerpo oscuro, Chávez, atmósfera relativa, etc). Por su
simplicidad, se propone utilizar el método de relativización, el cual consiste en
tomar el valor en cuentas digitales de cada banda y dividirlo por el máximo
valor hallado en esa imagen. De esta manera se obtienen bandas con valores
expresados como porcentaje del máximo observado en esa fecha en particular.
Esta propiedad es válida para ser aplicada a cualquier banda.
SELECCIÓN DE BANDAS PARA LA CLASIFICACIÓN DE USOS DEL SUELO.
El criterio de selección apunta a reducir el número de bandas, y que éstas sean
representativas del espectro radiométrico a estudiar. En el caso del área de
influencia del RIAN, encontramos situaciones que van desde el extremo
desértico a zonas anegables, con ambientes donde el uso del suelo es
homogéneo (zona núcleo sojera) o con situaciones de gran fragmentación del
ambiente, típico de las zonas mixtas agrícola-ganaderas. Debido a que la

4. mayor parte de los tipos de usos del suelo a identificar tienen una cobertura
vegetal, las bandas más lógicas a seleccionar son las bandas roja, infrarroja
cercana, infrarroja media e infrarroja lejana. Hay varios estudios que han
demostrado la alta correlación existente entre el NDVI y el IAF (Indice de Area
Foliar) (Carlson 1997, Matsushita 2002), por lo cual se propone remplazar las
bandas roja e infrarroja cercana por este indicador de cobertura vegetal.
Cabe aclarar que este índice es valido para zonas con buena cobertura vegetal,
en aquellos casos donde la vegetación es muy rala (zonas semiáridas), se
recomienda evaluar la relación existente entre la cobertura vegetal y otros
indicadores que incluyan la curva de suelos en la estimación. Para estos casos,
se propone al TSAVI (Gitelson 2002):
(( ) ( ))
R a IRC ab
TSAVI a IRC − a R −
b
+ −
=
*
*
Donde:
IRC= banda del infrarrojo cercano
R=banda del rojo.
a= pendiente de la curva de suelos
b= intercepto de la curva de suelos
Para calcular la curva de suelo, la banda roja debe ir en el eje y, mientras que
la infrarroja cercana en el eje x. Este algoritmo solo funciona bien en áreas con
escasa vegetación, no siendo recomendado en zonas con buena cobertura.
De esta manera, las principales bandas a utilizarse serían:
NDVI: evolución del IAF de las coberturas vegetales, donde cada especie
presentaría una curva IAF característica.
Infrarrojo medio: banda sensible al grado de estrés o senescencia de las
coberturas vegetales.
Infrarrojo lejano: banda muy sensible al contenido de humedad de la
vegetación y estados de anegamiento.
DEFINICIÓN DE CLASES DE USO DEL SUELO
La escala de trabajo definida para los productos de Teledetección estará
definida principalmente por el tipo de sensor utilizado (en este caso LANDSAT),
por lo cual la resolución de trabajo será 1:100.000 o menor.
Esto permitiría discriminar, en términos generales y salvando algunas
diferencias regionales, aproximadamente ocho clases de uso del suelo, las
cuales no serán necesariamente puras (Vazquez et al 2006). Estas són:
1. Cultivos en activo crecimiento.
2. Cuerpos de agua y zonas anegadas.
3. Pastizales.
4. Rastrojos, vegetación seca y barbechos químicos.
5. Suelo desnudo y barbechos tradicionales.

5. 6. Sierras.
7. Miscelaneas.
8. Montes.
VERDADES DE CAMPO
Estas deben realizarse de manera tal de capturar ejemplos de todas las clases
a estudiar procurando que las mismas sean representativas de las coberturas
presentes de la zona en estudio, como así también de su estado fenológico,
agronómico, etc. Se confeccionará (en caso de que las instituciones no lo
hayan hecho) un instructivo con las consideraciones a tener en cuenta para el
levantamiento de datos de campo. Una vez tomadas las muestras a campo,
trazar los polígonos para la definición espectral de cada uso. Estos no deben
ser necesariamente regulares y no deben incluir los bordes, para maximizar la
pureza de las muestras y disminuir al máximo el desvío estándar de cada clase.
Hay que tener especial cuidado en no incluir las áreas marginales de las
parcelas, ya que aumentan la variabilidad real de la clase por contaminación.
En un lote pueden coexistir dos o tres subclases de una misma clase, por lo
tanto, es fundamental la correcta identificación de las mismas a campo y
clasificarlas por separado, uniéndolas cuando se presenta el producto final.
La bibliografía menciona un mínimo de superficie a muestrear del orden del
seis por ciento del área de estudio (LARS-Purdue University, proyecto
Multispect 1998).
Los segmentos muestrales serán utilizados para generar las verdades de
campo y determinar aquella superficie destinada a agricultura y que proporción
de esta es destinada a cada cultivo. En el caso de no disponer de imágenes en
alguna región o período, deberá preveerse algún ajuste para poder estimar la
superficie sembrada en cada subrregión.
Debido a que el proyecto prevé realizar censos de segmentos, distribuídos al
azar dentro de estratos (subzonas) homogéneas, previamente definidas por
integración de información satelital, ambiental y censal, se tomarán a éstos
como fuente de información para las verdades de campo que permitirán
estimar tanto área con agricultura como el error de estimación de la misma.
METODO DE CLASIFICACION
Este es un punto árido de abordar, ya que no existe una metodología que se
adapte a todas las zonas. La más difundida es la clasificación supervisada,
utilizando el algoritmo de Mahalanobis o vecino más próximo, por presentar
menor superpocisión entre clases, e incluyen además la covarianza como
elemento discriminatorio. También podrá emplearse la máxima probabilidad
(“maximum likelihood”).
Las firmas resultantes deberán contar con los niveles máximos de separabilidad
entre sí medida por JM o divergencia transformada.
Funciona bien en zonas con estructuras ambientales homogéneas (caso zona
núcleo sojera o áreas extensas con monocultivo). En aquellas zonas donde han
puesto a punto esta metodología, se continuará con la misma. La condición sin
equanon en todos los casos es detallar exhaustivamente el error en cada

6. clasificación (error de comisión y de omisión por cada clase). Normalmente se
acepta como buen indicador un Kappa de 0.75 o bien una “overall accuracy” de
85% o superior en la matriz de confusión. Si el resultado es de inferior calidad,
se presentará igual, haciendo siempre la salvedad del error. Esto es muy
común cuando la disponibilidad de imágenes es inadecuada o las fechas
disponibles no son las optimas.
Aquellas zonas que por motivos particulares no logren buenos resultados con
esta metodología y tengan ajustado un método, éste podrá ser incluído a este
protocolo, siempre detallando el error obtenido. Del mismo modo, en caso de
no poder realizarse un trabajo de campo exhaustivo, o cuando se dude de la
representatividad de las firmas, se podrá realizar una clasificación no
supervisada (algoritmo ISODATA o similar) para posteriormente hacer el
labeling de las clases resultantes.
En aquellos casos donde predominen ambientes muy heterogeneos, se
recomienda la determinación de patrones espectrales y aplicar el método del
árbol (RSI 2001, Clark University 2006, Vázquez et al 2006).
Los resultados se presentarán de manera tabulada, resumiendo superficie de
cada uso del suelo por subzona. La superficie deberá ser corregida por los
valores hallados en la matriz de confusión.
Métodos alternativos de clasificación: patrones espectrales
Para aquellas zonas donde estos métodos convencionales no funcionan, se
propone desarrollar una línea de investigación para definir patrones espectrales
de los usos del suelo para poder definir cual es el grado de discriminación
factible de obtener con los sensores disponibles.
De esta manera, se crearía una biblioteca espectral de los distintos usos del
suelo a nivel de las regiones más heterogéneas, que permita alimentar a un
sistema experto para la extracción de usos del suelo.
El método del Arbol es uno de los métodos más potentes existentes. Depende
de tener un gran conocimiento del comportamiento espectral de los cuerpos a
evaluar en el espacio y en el tiempo, lo cual hace dificultosa su
implementación. Su lógica es la de un sistema experto, tratando de separar
primariamente aquellos cuerpos fácilmente identificables y eliminándolos en
subsecuentes clasificaciones, lo que disminuye notoriamente los errores por
comisión. Puede utilizar determinada banda en un momento y eludirla en otro,
cuando ésta no sea un aporte significativo para la discriminación del elemento
a clasificar.
La EEA Cuenca del Salado ya ha realizado una prueba de éste procedimiento,
logrando mejoras muy significativas en cuanto a la calidad de los resultados de
las clasificaciones, por lo cual se impulsa este tipo de trabajo para realizarse en
otras zonas.

7. ADQUISISION DE IMÁGENES - PROVEEDOR
Las fechas de adquisición de las imágenes estarán ligadas a los momentos en
que se realizan las labores en cada zona. Para cubrir toda el área de trabajo y
determinar usos del suelo, se requerirán de xx imágenes Landsat 8 OLI
http://glovis.usgs.gov/ , u otras fuentes por ejemplo del INPE http://www.inpe.br/ .
Para la estimación de áreas afectadas por estrés hídrico se utilizarán imágenes
MODIS Aqua o Terra, las cuales pueden detectar diferencias de temperatura de
superficie con un error de décima de grado (imágenes de 16 bits). Para esta
operación, las imágenes pueden adquirirse de manera gratuita en
http://edcimswww.cr.usgs.gov. El algoritmo que se propone utilizar es el
desarrollado por Rivas et al (2005), el cual fue validado en las provincias de
Buenos Aires y La Pampa con un error inferior al 20 porciento.
Bibliografía
1. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional Vegetation
Cover, and Leaf Area Index. Remote Sens. Environ. 62: 241-252.
2. Caselles V. y López M. J. (1989). An alternative simple approach to estimate
atmospheric correction in multitemporal studies. Int. J. Remote Sensing. 10: 1127-
1134.
3. Chuvieco E. (2000). Fundamentos de teledetección espacial. Capítulo 7. Tratamiento
digital de imágenes: II. Generación de información temática Ediciones Rialp, S.A.
Madrid. Tercera edición. 406-408.
4. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y. (2002).
Vegetation and soil lines in visible spectral space: a concept and technique for remote
estimation of vegetation fraction. Int. J. Remote Sensing. 23 (13), 2537–2562.
5. Matsushita B. y Tamura M. (2002). Integrating remotely sensed data with an
ecosystem model to estimate net primary productivity in East Asia. Remote Sens.
Environ. 81: 58–66.
6. NASA. (2001). Landsat 7 Science Data Users Handbook:
http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.htm
l
7. Rivas, R., Weizetel, P. y Usunoff E. (2005). Resultados preliminares de la estimación
del estrés hídrico a partir de temperatura de superficie y NDVI. Actas II Seminario
Hispano-Latinoamericano sobre temas actuales en Hidrología Subterránea – Relación
aguas suoperficiales – aguas subterráneas. Río Cuarto – Cordoba. 195-202.
8. Skidmore A. K. (1989). An expert system classifies eucaliptus forest types using
Thematic Mapper data and digital terrain model. Photogrammetric Eng. and Remote
Sensing. 55: 1149-1464.
9. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S. Department of
Interior. 8 pp.
10. Vázquez, P., Massuelli, S. y Platzeck G. (2006). Determinación de patrones espectrales
para distintos usos del suelo en ambientes heterogéneos. Publicación técnica nº1.
Ediciones INTA. ISSN 1850-6496. 34 pp.