Taller SIG III Optimización visual de imágenes satelitales
Presentado por: Lina López Rubio Jeniffer Rodríguez Caicedo
Docente: Alejandro Salamanca Salamanca
Universidad de Ciencias Aplicadas y Ambientales U.D.C.A Facultad de Ingeniería Programa Ingeniería Geográfica y ambiental
Bogotá D.C., 7 de marzo 2016
1. Conceptos
a. Imagen satelital del caribe colombiano 2016-03-02 22:23:56, que incluye ciudades como Cartagena, Barranquilla, El Cármen de Bolívar y Magangué. Coordenadas tomadas del metadato del insumo: (NE - noreste, NW nororiente, SE – sureste, SE – suroriente) Latitud central
10°07'20.60"N
Longitud central
74°46'17.87"W
Latitud esquina NW
11°10'09.12"N
Longitud esquina NW
75°26'04.16"W
Latitud esquina NE
10°48'32.36"N
Longitud esquina NE
73°43'58.04"W
Latitud esquina SE
9°03'59.47"N
Longitud esquina SE
74°06'53.28"W
Latitud esquina SW
9°25'45.70"N
Longitud esquina SW
75°48'25.49"W
b. 1. ¿Qué tipo de imagen descargó? Landsat 8 OLI (Operational Land Imager)/ TIRS (Thermal Infrared Sensor)
2. ¿Cómo lo hizo? Descargada del aplicativo de earthexplorer.usgs.gov, del data set “L8 OLI/TIRS ” de Landsat Archive. Procedimiento: 1. Elegir la zona de la cual se desea descargar la imagen (Figura 1)
Figura 1: Elección zona por coordenadas.
2. Elegir el data set Landsat Archive/ L8 OLI/TIRS (Figura 2)
Figura 2: Elección data set.
3. Elegir la imagen deseada, teniendo en cuenta elementos que dificulten el análisis de la imagen como la nubosidad (Figura 3)
Figura 3: Elección imagen. 4. Descargar el archivo más pesado que es el insumo completo con el metadato.
Figura 4: Descarga de la imagen
3. ¿Cuál es la resolución espacial, espectral y radiométrica de la imagen? R. espacial: i. OLI Banda multiespectral: 30 metros ii. OLI Banda pancromática: 15 metros iii. TIRS Bandas térmicas: 100 metros R. espectral: i. OLI Banda multiespectral ii. OLI Banda pancromática iii. 9 TIRS Bandas térmicas
R. radiométrica: 16 bits (A pesar de los datos encontrados anteriormente que dice ser 12 bits, en las propiedades de la imagen observadas en ArcGIS se identifica 16 bits) c. a) ¿Cuál es el sistema de referencia espacial de las imágenes? WGS84 - zona UTM 18 b) ¿Cuál es el área efectiva de la imagen en kilómetros cuadrados? 37198.8 Km 2, esta se calculó con la herramienta “mensuration”.
Figura 5: Cálculo área efectiva.
d. Optimización de imágenes: Una imagen satelital es la representación gráfica de un objeto emitida por un aparato eléctrico u óptico. Estas imágenes están compuestas por celdas llamadas pixeles correspondientes a un valor numérico que representan el color que tiene la imagen, este puede ser representado en un histograma que muestra la variabilidad de estos datos. (Usandivarias, 2002) Para la combinación de bandas, los procesadores están compuestos por tres bandas principales RGB, y al combinarlas se obtienen nuevas bandas, en las cuales se pueden ubicar las del sensor y así generar nuevos tonos y colores (Figura 6). (Herrera, 2012)
Figura 6: Gráfico tomado de http://www.cartesia.org/data/apuntes/telede teccion/landsat-analisis-visual.pdf
Para este taller se utilizó el software ArcGIS, que permite el tratamiento de imágenes, y el análisis de los valores nombrados anteriormente que además representan los colores que no son visibles para el ojo humano, y que tienen un valor en el espectro electromagnético. Estos valores permiten la identificación de ciertos elementos geográficos que no son visibles con el color real de la imagen (vegetación sana, tipo de suelo, penetración atmosférica). Según ESRI, el software ArcGIS cuenta con herramientas que permiten la optimización de estas imágenes como lo es “Image Analysis” (Figura 7) que en la sección “Display” permite manipular la apariencia de la imagen, como por ejemplo el contraste o el brillo, así como la visualización del histograma para observar la variabilidad de los valores de estas características. “Image Analysis” cuenta con otra sección que es “Processing” que brinda técnicas de análisis de los datos de la imagen, tales como la combinación de capas, crear el índice diferencial de vegetación normalizado (NDVI), mosaicos o filtros. Y una tercera sección “Mensuration” que permite hacer medidas de puntos, distancia, ángulo, altura, perímetro y el área de una imagen.
Figura 8 : “Processing” y “Mensuration”.
Figura 9: Marco conceptual.
e. Conjunto de datos discreto o continuo: a) Datos discretos: Las variables de este grupo solo pueden tomar valores posibles. (Orellana, 2001) Según ESRI son denominados como datos temáticos, categóricos o discontinuos que representan objetos en los datos ráster y vector. Estos tienen límites definibles y conocidos.
Ejemplos: Lagos, edificios, carreteras, parcelas, tipos de suelo. b) Datos continuos: Por lo general, son el resultado de mediciones que se expresan en unidades. Este conjunto puede tomar distintos valores dentro de un rango según el tipo de medición. (Orellana, 2001) Según ESRI representan fenómenos que permiten su medición a partir de un punto fijo en el espacio o una fuente de emisión. Estos también son llamados datos de campo, no discretos o de superficie. Ejemplos: Elevación, orientación, dispersión de población, propagación de enfermedad.
2. ¿Qué elementos puede reconocer sobre la superficie terrestre?
Con la banda 8 (pancromática) podemos identificar ciudades principales tales como Barranquilla, Cartagena y otras más pequeñas como Tolú, Fundación, Soledad, Magangué, Santa Ana, Mompós identificadas gracias a otra herramienta (Google Maps). Así como algunas carreteras que conectan las dos grandes ciudades en esta área, pero muy pocos caminos. El nivel de detalle para estos elementos en todas las bandas es moderado, pues debido a la nubosidad de la zona sur y la resolución espacial no se pudo identificar muy bien otros centros poblados, que por conocimiento previo del territorio sabemos que están en esta zona.
Figura 10: Identificacion de Barranquilla, Cartagena y otros centros poblados.
Con la banda 7 podemos identificar los cuerpos de agua como la gran ciénaga de Santa Marta, el rio Magdalena que atraviesa la imagen y algunos canales o ciénagas que están conectados a este. El nivel de detalle proporcionado por esta banda es muy bueno, pues todo cuerpo de agua o zona húmeda se identifica con color negro (Figura 11), se puede observar claramente el límite agua-tierra, esto fue verificado por la herramienta mencionada anteriormente.
Figura 11: Identificación de cuerpos de agua, Ciénaga de Santa Marta y rio Magdalena.
3. Ejecución de mejoramientos globales : Los mejoramientos que se utilizaron fueron combinación de bandas (Figura 14, 15 y 16) y contraste/brillo (Figura 17). Combinación de bandas y contraste/brillo: La composición de bandas permite combinar capas ráster con las diferentes bandas RGB y así realizar otros análisis como el NDVI. El contraste y brillo por medio de la modificación de los valores de los píxeles permite la posible mejora de la imágen. (ESRI, 2015)
Procedimientos: 1. Cargar bandas en ArcMap. 2. Habilitar vent ana “Image Analysis” 3. Consultando previamente la combinación de bandas para Landsat seleccionarlas manteniendo oprimida la tecla shift. 4. En la sección “Processing” seleccionar el icono de “Composite bands” 5. Si se desea guardar la nueva imagen.
8,
Figura 12: Procedimiento combinación de bandas.
Figura 13: Combinación de bandas 7, 6 y 4 para el falso color (urbano).
Figura 14: (urbano).
Imagen
Falso
color
Figura 15: Penetración atmosférica Bandas 7 6 5.
Figura 16: Vegetacion saludable 5 6 2.
Figura 17: Procedimiento y el Antes y después de la ciudad de Cartagena (1:62000) ejecut ando mejoramientos de contraste y el brillo.
4. Ejecución de mejoramientos locales : Los mejoramientos que se utilizaron fueron Pan sharpened (Figura 19) y sharpening 3x3 (Figura 21) Pan Sharpened y sharpening 3x3: El pan sharpened permite mejora la resolución espacial de la multiespectral con la pancromática, y los detalles de la multiespectral a la pancromática. El sharpening 3x3 aumenta el pan sharpened.
Procedimientos: a) Cargar bandas en ArcMap. b) Habilitar ventana “Image Analysis” c) Consultando previamente la combinación de bandas para Landsat 8, con la herramienta “Create pan -sharpened ráster dataset” seleccionar la banda multiespectral y pancromática d) Para el Sharpening 3x3 Seleccionar en la ventana “Imagen Analysis” la imagen pansharpened y seleccionar el filtro. e) Si se desea guardar la imágen.
Figura18: Procedimiento Pansharpen.
Figura 19: Resultado Pan- sharpening Ciudad de Cartagena Escala 1:62000.
Figura 20: Filtros
Figura 21: Pan-sharpened a Sharpening 3x3
5. Análisis de resultados
Mejoramientos globales:
Falso color urbano (bandas 7,6,4): En esta imagen (Figura 14) las zonas urbanas tienden a los azules claros, esto se debe a que los materiales de construcción usados, emiten ese espectro. En algunas zonas son difíciles de diferenciar, pues los materiales naturales como el barro y la madera suelen confundirse con el entorno. Penetración atmosférica (bandas 7, 6,5): En esta imagen (Figura 15) los colores naranja nos indican aquellas zonas donde la penetración de la radiación solar es mayor, si aumentamos su contraste, estas zonas tendrán una coloración más intensa ; con el brillo controlamos la cantidad de luz, esto quiere decir que a mayor brillo, más opaca se verá la imagen y entre menos brillo, esta se tornará oscura); con la transparencia los pixeles llegaran a tener una fusión con el fondo (tomando características mate); y con el control deslizante gamma podemos llegar a maximizar en ancho de banda en bits relativos, ya sea para codificar valores brillantes u oscuros.
Mejoramientos locales:
Pansharpening: Mejoramos la resolución espacial de nuestra imagen con la banda multiespectral. Esto sucede fusionando una imagen una de alta resolución (pancromática) y una de menor resolución (multiespectral), lo cual nos da una imagen a color con alta resolución. La resolución espacial de la multiespectral se baja a la a la resolución de la pancromática, en este caso de 30m a 15m. Sharpening 3x3: En este caso se resta una imagen borrosa de la original y, a continuación, se aumenta su contraste de nuevo a gama completa. Un 3*3 es un filtro de suavizado, así que cada pixel se sustituye con la suma o media de sí mismo y sus ocho vecinos.
Figura 22: Esquema
6. Conclusiones
A partir del conocimiento previo del territorio (condición climática, relieve, nubosidad) se determina cual es la mejor técnica para analizar la imagen que se tiene. Si se tiene mayor conocimiento sobre el espectro electromagnético, y las curvas de reflectancia del elemento a analizar, esto permite realizar cambios manuales en el histograma y así obtener el producto que se desea. Para mejorar características de tipo espacial en una imagen, podemos agregar diferentes filtros a la imagen cruda. Las mejoras radiométricas de una imagen aumentan los contrastes en ciertos rangos espectrales. Para la combinación de bandas usadas se puede definir la siguiente fórmula: Vegetación saludable + falso color (urbano) = protección zonas verdes, crecimiento urbano, detalles que no son visibles por el ojo humano. La mejora “ Sharpened more ” sobre el sharpened, aumenta el detalle de la imagen por medio de la resolución.
La mejora del brillo y contraste en este caso permite observar con mayor facilidad el limite mar-tierra. La mejora Sharpening 3x3 permite observar con claridad las manzanas catastrales, vías, caminos, cálculo de áreas perímetros.
REFERENCIAS
ESRI. (2015). Datos continuos y discretos. ArcGIS for Desktop . Recuperado: 5 Marzo 2016, de http://desktop.arcgis.com/es/desktop/latest/manage-data/raster-andimages/discrete-and-continuous-data.htm ESRI. (2016). ArcGIS: For image display and analysis | ArcGIS Resource Center. Recuperado 7 de Marzo 2016, de: Resources.arcgis.com. http://resources.arcgis.com/es/communities/imagery/018500000008000000.htm Herrera, E. (2012). El satélite Landsat. Análisis visual de imágenes obtenidas del sensor Cartesia.org. Recuperado de: ETM+ satélite Landsat. http://www.cartesia.org/data/apuntes/teledeteccion/landsat-analisis-visual.pdf NIST (2016). Sharpen. Recuperado de: http://www.nist.gov/lispix/imlab/filter/sharpen.html Orellana, L. (2001). Estadística descriptiva . Buenos Aires: Universidad de Buenos Aires. Facultad de ciencias exactas y naturales. Departamento de matemáticas. Recuperado de: http://www.dm.uba.ar/materias/estadistica_Q/2011/1/modulo%20descriptiva.pdf Usandivarias, J. (2002). Optimización del uso de imágenes satelitarias en situaciones de Párrafos Geográficos, 1, 20-27. Recuperado de: riesgo. http://igeopat.org/parrafosgeograficos/images/RevistasPG/2002_V1/1-4.pdf
