Practica 4 Yoseline Bautista

UNIVERSIDAD MAYOR DE SAN ANDRES
CARRERA DE INGENIERIA GEOLOGICA

PERCEPCION REMOTA - 2022
NOMBRE: YOSELINE FABIOLA BAUTISTA VILLAR
DOCENTE: DR. ALVARO SORUCO
AUXILIAR: NICOLE JIMENO
GESTION: 2022
1. INTRODUCCION
Este proceso permite convertir la información de la imagen original (bruta) de cada pixel, de
Niveles Digitales -ND- a Niveles de Reflectancia captada por el sensor en el tope de la atmosfera,
es decir, sin los efectos de la misma, lo que permite disminuir los efectos de dispersión o
absorción causados por la presencia de partículas en la atmósfera. Adicionalmente, se busca
remover el efecto de los diferentes ángulos de incidencia de la energía solar y de la distancia
Tierra - Sol, que se producen como consecuencia de las diferencias de tiempo de adquisición de
las imágenes. También es conveniente su aplicación en el caso de utilizar imágenes de diferentes
tipos de sensores, pues permite normalizar las diferencias de valores de la radiación solar
causados por las diferencias de los rangos espectrales entre las bandas de las imágenes. En
general con estas correcciones se busca minimizar los errores que influyen en la radiación o en
el valor radiométrico de cada elemento captado en la escena. El proceso de corrección
atmosférica puede aplicar opcionalmente la corrección de neblina y/o el enmascaramiento de
nubes, por lo cual es necesario inspeccionar previamente la imagen para detectar la presencia
de nubes y/o neblina evidente. Como resultado final de este sub-proceso, se obtiene una imagen
en valores de reflectancia que mejora la separabilidad espectral de los objetos presentes en la
imagen corregida (coberturas de la Tierra) respecto a la imagen original, mejorando los
resultados finales del proceso de clasificación digital
ETAPA DE PROCESAMIENTO
En el nivel subnacional esta etapa del proceso está referida al procesamiento digital de las
imágenes previamente pre-procesadas, para la generación de cartografía temática de extensión,
distribución y cambios en las coberturas de la Tierra, principalmente boscosas. En este nivel de
generación de información como parte del apoyo a las actividades REDD a nivel regional o local,
y con el propósito de sacar el mayor provecho de la mayor resolución espacial de las imágenes,
se ha estimado que con una combinación de procedimientos automatizados y tradicionales es
posible hacer una clasificación ya no solamente de las clases Bosque y No bosque sino también
de las 14 clases de coberturas de la leyenda propuesta para la estimación de emisiones-
remociones de Carbono. Esta información permite adicionalmente establecer análisis
preliminares de las posibles causas o factores de la deforestación. En síntesis, la imagen pre-
procesada se convierte en una imagen de segmentos, la cual será clasificada con base a criterios
espectrales, espaciales y estadísticos a través de un algoritmo de árboles de decisión
(RandomForest implementado en R) para finalmente ser editado para generar un archivo de
clasificación de coberturas de la Tierra.
Segmentación de la imagen Para realizar la separación de las 14 clases de coberturas se

recomienda implementar un esquema de segmentación de las imágenes para facilitar el proceso
de clasificación. La segmentación es un proceso digital de agrupamiento de pixeles a objetos
más significativos (segmentos) usado para simplificar la imagen. Los segmentos son
relativamente homogéneos en relación a una o más características (principalmente variables
espectrales).
Cálculo de atributos de clasificación Los algoritmos de árboles de decisión como RandomForest

están fundamentados en la identificación de reglas binarias de separación basadas en las
variables insumo para realizar la clasificación de imágenes de satélite, por ende, es
recomendable disponer de amplios conjuntos de variables, y así identificar estructuras
complejas de decisión que permitan encontrar las mayores diferencias entre las clases a
clasificar. Por ejemplo, un archivo multi-espectral de una imagen Landsat típica (TM, ETM+)
posee seis bandas, es decir, seis variables en términos del algoritmo de clasificación. En este
sentido, en el presente documento se propone generar sobre los segmentos creados, métricas
que actúen como variables de clasificación. Estas métricas se calculan a partir de las bandas
espectrales de las imágenes insumo, y algunas de las principales que se pueden mencionar son:
• Métricas espaciales. Cada segmento queda caracterizado por medidas que resumen sus
características geométricas, tales como, área, perímetro, compactación, convexidad, etc.
• Métricas espectrales. Cada segmento queda caracterizado por medidas estadísticas que
resumen la variabilidad espectral, tales como mínimo, máximo, rango, media, desviación
estándar, varianza, majority, minority, etc.
• Métricas de textura. Cada segmento puede ser caracterizado por una medida de la v Las
funciones de corrección radiométrica permiten corregir defectos provenientes de los valores de
píxel en todas o algunas de las bandas. Algunos errores fácilmente advertibles los encontramos
a través del bandeo o pérdidas de filas y columnas de píxels. A estas zonas se les puede asignar
un valor medio entre la línea superior/inferior o anterior/posterior.
2. OBJETIVOS
GENERAL .- Realizar el manejo adecuado de los datos para realizar las correcciones
ESPECIFICOS.-
• Conocer y analizar la importancia y uso de de las correciones mediante las aplicaciones

• Uso adecuando del programa erdas 14
1. PROCEDIMIENTO
Se debe ingresar a la plataforma y mediante los path row descargar las imágenes
correspondientes
Abrir las imagenes
En la ventana emergente añadimos todas las bandas y lo guardamos como multiespectral

Añadimos la Banda 8 y guardamos el reproyectado como “pancromático_utm”, tomar en
cuenta el tamaño de pixel 15x15
En la ventana emergente introducimos la imagen pancromática reproyectada, buscamos el

filtro 3x3 Low Pass, Float single y la imagen de salida la denominamos
“pancromatico_low_pass_3x3.img”
ntroducimos la imagen pancromática reproyectada, buscamos el filtro 7x7 Low Pass, Float
single y la imagen de salida la denominamos “pancromatico_low_pass_7x7.img”
Para poder generar el Filtro laplaciano, nos dirigimos a Raster >> EspatiaL >> Convolution
• Imagen pancromática
Filtro 7*7
Filtro Laplaciano

Practica 4 Yoseline Bautista

Cargado por

Copyright:

Formatos disponibles

Practica 4 Yoseline Bautista

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Practica 4 Yoseline Bautista

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MAYOR DE SAN ANDRES

CARRERA DE INGENIERIA GEOLOGICA

NOMBRE: YOSELINE FABIOLA BAUTISTA VILLAR

DOCENTE: DR. ALVARO SORUCO

AUXILIAR: NICOLE JIMENO

Segmentación de la imagen Para realizar la separación de las 14 clases de coberturas se

Cálculo de atributos de clasificación Los algoritmos de árboles de decisión como RandomForest

• Conocer y analizar la importancia y uso de de las correciones mediante las aplicaciones

En la ventana emergente añadimos todas las bandas y lo guardamos como multiespectral

En la ventana emergente introducimos la imagen pancromática reproyectada, buscamos el

También podría gustarte