DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO DE ÁREA DE...

-1-

DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO DE ÁREA DE

CRECIMIENTO URBANO UTILIZANDO IMÁGENES QUICKBIRD

Julieth Paola Parada Gómez

Cód.: 20121032253

Gabriel Ignacio Veloza Rodríguez

Cód.: 20121032267

BOGOTÁ

2015

-2-

DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO DE ÁREA DE

CRECIMIENTO URBANO UTILIZANDO IMÁGENES QUICKBIRD

Julieth Paola Parada Gómez

Cód.: 20121032253

Gabriel Ignacio Veloza Rodríguez

Cód.: 20121032267

Director

ING. GERMAN TORRIJOS CADENA

UNIVERSIDAD DITRITAL FRANCISCO JOSE DE CALDAS

FACULTAD DEL MEDIO AMBIENTE Y RECURSOS NATURALES

INGENIERIA EN TOPOGRAFIA

Bogotá

2015

-3-

La universidad no será responsable de las ideas expuestas por los graduandos en

el trabajo de grado.

Artículo 117, Capítulo 5, acuerdo 029 de 1998.

-4-

El consejo de carrera del Proyecto Curricular de Ingeniería en Topografía

de la Universidad Distrital Francisco José de Caldas aprueba el trabajo de

grado titulado, “DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO

DE ÁREA DE CRECIMIENTO URBANO UTILIZANDO IMÁGENES

QUICKBIRD” En cumplimiento de los requisitos para obtener el título de

Ingeniero en Topografía.

________________ Nota de aceptación

____________________________________ ING. GERMAN TORRIJOS CADENA

Director del Proyecto

____________________________________ ROSE MARIE ALDANA BOUTIN

Jurado

BOGOTA D.C. 2015, COLOMBIA Universidad Distrital Francisco José de caldas

-5-

AGRADECIMIENTOS

Agradecemos a nuestros padres por su amor, comprensión, paciencia y apoyo

que nos brindaron durante toda nuestra carrera.

Al director de proyecto, revisores y jurados la colaboración de manera más

amable, por la dedicación y entrega de sus conocimientos permitiendo así la

realización del trabajo.

Agradecemos especialmente al ingeniero Oscar Leonardo García Navarrete por su

entrega y guía que ofreció durante la realización del proyecto entregándonos sus

ideas y conocimientos para lograr culminar el proyecto.

-6-

CONTENIDO

Pág.:

LISTA DE CUADROS .............................................................................................. 9

LISTA DE IMAGENES ........................................................................................... 10

LISTA DE ECUACIONES ...................................................................................... 11

LISTA DE GRAFICAS ............................................................................................ 12

GLOSARIO ............................................................................................................ 13

RESUMEN ............................................................................................................. 16

ABSTRACT ............................................................................................................ 17

INTRODUCCION ................................................................................................... 18

1. OBJETIVOS .................................................................................................... 19

1.1. Objetivo general ........................................................................................ 19

1.2. Objetivos específicos ................................................................................ 19

2. MARCO TEÓRICO .......................................................................................... 20

2.1. Localización, extensión y características geográficas ............................... 20

2.1.1. El suelo urbano. ................................................................................. 21

2.1.2. Crecimiento urbano. ........................................................................... 21

2.1.3. Licencias de construcción. ................................................................. 26

2.2. Teledetección............................................................................................ 26

2.2.1 Principales aplicaciones. .................................................................... 27

2.3. Bases para la interpretación de imágenes en teledetección espacial ....... 28

2.3.1. Fijación de objetivos: escala y leyenda de trabajo. ............................ 29

2.3.2. Soporte de imágenes. ........................................................................ 29

2.3.3. Selección del método de análisis ¿tratamiento visual o digital? ......... 30

-7-

2.4. Interpretación visual de una imagen ......................................................... 31

2.4.1. Tono ................................................................................................... 31

2.4.2. Color ................................................................................................... 31

2.4.3. Textura. .............................................................................................. 32

2.5. Tipos de clasificación ................................................................................ 32

2.5.1. Clasificación supervisada. .................................................................. 33

2.5.2. Clasificación no supervisada. ............................................................. 33

2.5.3. Reglas de decisión de clasificación .................................................... 34

2.6. Tratamiento digital de imágenes ............................................................... 35

2.6.1. La matriz de imagen de datos de una imagen digital. ........................ 35

2.6.2. Obtención y presentación de resultados ............................................ 36

2.7. Verificación de resultados ......................................................................... 36

2.7.1. Tipos de muestreo. ............................................................................. 36

2.7.2. Matriz de confusión. ........................................................................... 37

2.8. Tipos de errores ........................................................................................ 38

2.8.1. Error de omisión ................................................................................. 38

2.8.1. Error de comisión ............................................................................... 38

2.9. Análisis categórico multivariante ............................................................... 39

2.10. Historia google earth ................................................................................. 40

2.10.1. Función imágenes históricas ........................................................... 41

2.11. Digital-Globe ............................................................................................. 41

2.12. Matlab ....................................................................................................... 43

2.12.1. Características principales .............................................................. 43

2.12.2. Programación y desarrollo de algoritmos. ....................................... 44

-8-

3. PROCEDIMIENTO .......................................................................................... 46

3.1. Funcionalidad del algoritmo ...................................................................... 46

3.2. Administración de proyecto ....................................................................... 46

3.2.1. Fase de Análisis ................................................................................. 47

3.2.2. Fase de Diseño .................................................................................. 47

3.2.3. Fase de Desarrollo ............................................................................. 48

3.3. Diagrama de flujo ...................................................................................... 54

4. ANÁLISIS Y RESULTADOS ............................................................................ 55

4.1. Verificación niveles digitales ..................................................................... 55

4.2. Índice estadística kappa ........................................................................... 60

CONCLUSIONES .................................................................................................. 97

BIBLIOGRAFÍA ...................................................................................................... 99

-9-

LISTA DE CUADROS

Cuadro 1. Coordenadas del cuadrado de la zona de trabajo. .............................. 20

Cuadro 2. Crecimiento urbano ciudad de Bogotá – Colombia. ............................. 22

Cuadro 3. Coeficiente Kappa de desempeño de clasificación. ............................ 40

Cuadro 4. Puesta en órbita de los Satélites ......................................................... 42

Cuadro 5. Especificaciones técnicas de los Satélites .......................................... 42

Cuadro 6. Diccionario Pseudocodigo ................................................................... 48

Cuadro 7. Coordenadas longitud y latitud de la malla Google Earth ..................... 50

Cuadro 8. Verificación niveles digitles imágenes año 2005 .................................. 56

Cuadro 9. Verificación niveles digitales imágenes año 2015 ................................ 59

Cuadro 10. Porcentaje de verificación de las imágenes ....................................... 60

Cuadro 11. Imágenes seleccionadas para verificación por índice Kappa ............. 61

-10-

LISTA DE IMAGENES

Ilustración 1. Imágenes de prueba en Paint. .......................................................... 49

Ilustración 2. Malla de puntos Google Earth} ......................................................... 50

Ilustración 3. Antes del corte de la imagen. ........................................................... 52

Ilustración 4. Después del corte de la imagen. ...................................................... 52

-11-

LISTA DE ECUACIONES

Ecuación 1, Error de omisión. ................................................................................ 38

Ecuación 2, Error de comisión. .............................................................................. 38

Ecuación 3, índice estadístico Kappa. ................................................................... 39

-12-

LISTA DE GRAFICAS

GRÁFICA 1. Crecimiento urbano ciudad de Bogotá – Colombia. .......................... 22

GRÁFICA 2. Media aritmética 2005 y Actual ........................................................ 55

GRÁFICA 3. Promedio aritmética 2005 y Actual ................................................... 57

GRÁFICA 4. Mediana aritmética 2005 y Actual .................................................... 58

-13-

GLOSARIO

CRECIMIENTO URBANÍSTICO: El crecimiento urbano es la urbanización

extendida fuera de los centros de las ciudades, por lo general, en terrenos

sin urbanizar. Se caracteriza por una baja densidad de población, donde

las casas están separadas de las zonas comerciales e industriales y por

patrones de calles ramificadas. El crecimiento urbano, también llamado

crecimiento urbano, a menudo se desencadena al urbanizar terrenos

agrícolas, bosques y zonas húmedas.1

CLASIFICACIÓN NO SUPERVISADA: método basado en búsqueda

automática de grupos de valores homogéneos dentro de la imagen.2

CLASIFICACIÓN SUPERVISADA: método realizado con previo

conocimiento del terreno a partir del cual se seleccionan muestras para

cada una de las categorías. 3

DANE: el Departamento Administrativo Nacional de Estadística (DANE) es

la entidad responsable de la planeación, levantamiento, procesamiento,

análisis y difusión de las estadísticas oficiales de Colombia.4

GOOGLE EARTH: es una aplicación gratuita que permite visualizar

información geográfica del mundo, combinando fotografías satelitales,

mapas, imágenes en 3D.5

1 Martinez, S. M. (2007). sintesis de la problematica de las areas de desarrollo informalmente. 2 Chuvieco, E. (1996). fundamentos de teledeteccion espacial. España: RIALP S.A., p. 424 3 Ibid.,P. 424 4 DA (M s.f.)NE. (15 de 01 de 2015). Departamento Administrativo Nacional de Estadística. p. 1 5 Earth, G. (s.f.). Google Earth -Funciones. Recuperado el 09 de 11 de 2013. P. 1

-14-

IMAGEN SATELITAL: es el 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 transmite a estaciones terrenas para su visualización,

procesamiento y análisis.6

NIVEL DIGITAL: valor entero que traduce numéricamente la intensidad

radiométrica recibida por un sensor óptico-electrónico.7

PIXEL: distancia que corresponde al tamaño mínimo de unidad de

información incluida en una imagen.8

QUICKBIRD: satélite comercial de teledetección propiedad de

Digitalglobe.9

RESOLUCIÓN: es la medida de la habilidad de un sistema sensor para

discriminar información dentro de una imagen.10

TELEDETECCIÓN: los sensores de teledetección miden la intensidad de

dicha radiación electromagnética y de acuerdo con el establecimiento de

rangos de frecuencia de respuesta de los objetos, así recogen información

a través de diferentes dispositivos de un objeto concreto o un área.11

6 Chuvieco, Op. cit., p. 426 7 Chuvieco, Op. cit., p. 427 8 Chuvieco, Op.cit., p. 428 9 Earth, G. (s.f.). Google Earth -Funciones. Recuperado el 09 de 11 de 2013. p. 2 10 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 429 11 Prosis, 2005. Comercializadora de imágenes de satélite para Colombia.

-15-

FIRMA ESPECTRAL: al afectar la cantidad de radiación reflejada o emitida

por una superficie con una longitud de onda existente en el espectro

electromagnético se obtiene la firma espectral.12

SENSORES: Son los que absorben, transmiten y reflejan energía a los

objetos, esta energía proviene del sol, la tierra u otras fuentes de energía.13

LICENCIA DE CONSTRUCCIÓN: Instrumento de control administrativo

público, cuyo propósito es controlar cordialmente el crecimiento de las

ciudades. 14

12 IMGSAT, 2005. 13 Ibid., P 20 14 DIMPE 2014. Direccion de metodologia y produccion estadistica

-16-

RESUMEN

El presente trabajo tiene como finalidad diseñar un algoritmo para reconocimiento

de área de crecimiento urbano. En la actualidad el terreno para la construcción de

viviendas de la ciudad de Bogotá se está agotando debido al crecimiento

mesurado de la población, acabando así con los humedales y zonas verdes de la

ciudad. La localidad de Engativá ubicada al noroccidental de la ciudad, en los

últimos diez años ha tenido un crecimiento urbanístico considerable. Para dar

cumplimiento al diseño se plantío un objetivo específico el cual es realizar un

algoritmo que identifique las características de zonas de acuerdo a sus firmas

espectrales determinadas y evaluar los resultados arrojados en campo sobre el

resultado del algoritmo. Para el desarrollo del algoritmo se utilizará lógica de

programación por medio del software Matlab, donde se empleara una metodología

basada en cuatro fases las cuales son: Análisis, Diseño, Desarrollo e

Implementación; estas fases proporcionaran los pilares para poder alcanzar el

objetivo propuesto. El proyecto contendrá una malla de 25 puntos de control sobre

Google Earth con una extensión KML, las imágenes que este algoritmo podrá pos

procesar serán tomadas de las pantalla por medio del software Google Earth las

cuales provienen del satélite Quickbird guardándolas principalmente con las

extensiones TIF y JPEG, también tendrá la posibilidad de realizar el procedimiento

con imágenes ajenas a este con las extensiones anteriormente mencionadas. El

pos proceso se realizar por medio de comparación de niveles digitales entre las

imágenes de la zona actual y de la zona en años anteriores, este algoritmo pos

procesara dos imágenes satelitales para conocer el cambio que estas han tenido a

nivel de construcción de vivienda esperando como producto un aplicativo semi

automático donde el usuario solo tendrá que interpretar las imágenes arrojadas

por el algoritmo.

-17-

ABSTRACT

This paper aims to design an algorithm for recognition of urban growth area.

Currently the land for construction of houses in the city of Bogota is running low

due to moderate population growth, ending wetlands and green areas of the city.

The Engativa located in northwest of the city, in the last ten years has had a

considerable urban growth. To comply to design a specific objective which is to

perform an algorithm to identify the characteristics of areas according to their

specific spectral signatures and evaluate the results obtained in field on the result

of the algorithm is planting. To develop the algorithm they used logic programming

by means of Matlab software, where a methodology based on four phases which

are employed are: Analysis, Design, Development and Implementation; these

stages provide the pillars to achieve the objective. The project contains a grid of 25

checkpoints on Google Earth with a KML extension, the images that this algorithm

can post processing will be taken from the screen using the Google Earth software

which come from the satellite Quickbird keeping them mainly with the TIF

extension and JPEG, also will be able to perform the procedure with images

beyond this with the above extensions. The post process is performed by means of

comparison of digital levels between the images of the current zone and the area in

previous years, this algorithm processed after two satellite images to know that

these changes have had a level of housing construction waiting like a semi

automatic product application where the user only have to interpret the images

thrown by the algorithm.

-18-

INTRODUCCION

El suelo urbano del territorio distrital lo constituyen las áreas que cuenten con

Infraestructura vial, redes de energía, acueducto y alcantarillado.

En Bogotá entre los años de 1990 a 2000 las áreas urbanas dispuestas para el

desarrollo de la ciudad se estaban agotando. Para finales del año 2000 las áreas

libres al interior del perímetro urbano sumaban 7000 Hectáreas aproximadamente,

sin embargo los controles y las sanciones se fortalecen al punto que la acción de

urbanización ilegalmente es declarada delito penal a través de la ley 308 de 1996

en la cual se tipifica como conducta delictiva la invasión de tierras o edificaciones y

la urbanización de esta manera en el código penal

En los últimos años la ciudad de Bogotá ha tenido un crecimiento urbanístico

notablemente en varias localidades, un ejemplo significativo se encuentra en la

localidad de Engativá. El suelo urbano de Engativá comprende un total de 3.588

hectáreas (ha), de las cuales 671 corresponden en áreas protegidas; En este

suelo urbano se localizan 4.342 manzanas, que ocupan un total de 2.701 ha.15, el

área de interés se encuentran limitado al norte por las vías Av calle 80 al sur calle

72 F al oriente calle 104 y al occidente por el rio Bogotá, donde se analizará los

cambios a través del tiempo por factores de construcción en diferentes sectores.

Se presenta en este proyecto el diseño de un algoritmo que permita ver las

diferencias entre las imágenes en una zona en común las cuales son de fechas

diferentes y permita identificar cambios entre ellas.

15 Ríos, Carmela Serna (2009). Conocimiento de la localidad de Engativá

-19-

1. OBJETIVOS

1.1. Objetivo general

Diseñar y ejecutar un algoritmo para reconocimiento del área de

crecimiento urbano utilizando imágenes Quickbird.

1.2. Objetivos específicos

Diseñar un algoritmo que identifique las características de zonas de

acuerdo con la evaluación multitemporal de una zona determinada.

Identificar en las imágenes los rangos de la cobertura de las zonas de

construcción para ajustar el algoritmo en reconocimiento de áreas.

Analizar los resultados arrojados del algoritmo por medio del índice kappa.

-20-

2. MARCO TEÓRICO

2.1. Localización, extensión y características geográficas

El área de la localidad de Engativá, se encuentra ubicada en la zona occidental de

la ciudad, limita al norte, con el río Juan Amarillo que la separa de la localidad de

Suba; al sur, con la avenida El dorado y el antiguo camino de Engativá que la

separan de la localidad de Fontibón; al oriente, con la Avenida calle 68 y las

localidades de Barrios Unidos y Teusaquillo, y al occidente, con el río Bogotá y el

municipio de Cota. 16

La zona de trabajo se representa en el cuadro 1 con las coordenadas

consignadas. Donde se escogió 25 puntos de control debido que la zona aumento

el crecimiento urbanístico más de un 50% y así realizar un seguimiento más

amplio.

Cuadro 1. Coordenadas del cuadrado de la zona de trabajo.

Nombre Latitud longitud

Esq-Sup-Der 4°43'35.00"N 74° 7'21.47"O

Esq_sup_Izq 4°43'35.00"N 74° 8'15.30"O

Esq_Inf_Der 4°43'5.10"N 74° 7'21.47"O

Esq_Inf_Izq 4°43'5.10"N 74° 8'15.30"O

16, Alcaldía mayor de Bogotá, 2004. Diagnostico físico y socioeconómico de las localidades de Bogotá

-21-

2.1.1. El suelo urbano.

El suelo urbano de la ciudad de Bogotá son las áreas que cuentan con

infraestructura vial, redes primarias de energía, acueducto y alcantarillado, hacen

posible la urbanización o edificación. En Engativá el suelo urbano tiene un total de

3.439,23 ha, dentro del cual se ubican 365,81 ha de áreas protegidas. En este

suelo urbano se localizan 278,79 ha de áreas por desarrollar, que son terrenos

que no han sido urbanizados. El suelo urbanizado totaliza 3.160.44 ha, que

equivale al suelo urbano menos la superficie de los terrenos sin desarrollar. En

suelo urbano se localizan 3.550 manzanas, que equivalen a 1.888,11 hectáreas17

2.1.2. Crecimiento urbano.

El objetivo del plan de ordenamiento territorial es delimitar las zonas donde es

seguro y hay accesibilidad para las empresas de servicios públicos, pero esto se

está viendo comprometido debido a los asentamientos ilegales donde no se

proporcionan las condiciones de seguridad.

La localidad de Engativá tiene una extensión total de 3556,30 ha y no posee suelo

rural. Según las proyecciones del departamento administrativo de planeación

distrital (DAPD) en el 2002, la población local llego a 726.259 habitantes, cifra que

representa una participación aproximada del 11.6% dentro del total de la población

distrital; en la localidad del 46.8% de la población eran hombres y 53,2% mujeres.

Engativá es la segunda localidad con mayor número de habitantes en el distrito,

después de la localidad de Kennedy. Como se muestra en la Gráfica 1.

17 Ibid., P.12

-22-

GRÁFICA 1. Crecimiento urbano ciudad de Bogotá – Colombia.

Fuente: Elaborada con datos de Departamento Administrativo Nacional Estadístico

El siguiente cuadro 2 muestra el Crecimiento urbano de la ciudad de Bogotá desde

el año 2007 hasta abril del 2015.

Cuadro 2.Crecimiento urbano ciudad de Bogotá – Colombia.

Año Mes Municipio Departamento Vivienda

2007 Enero Bogotá Bogotá, D.C. 373.929

2007 Febrero Bogotá Bogotá, D.C. 441.561

2007 Marzo Bogotá Bogotá, D.C. 352.988

2007 Abril Bogotá Bogotá, D.C. 304.721

2007 Mayo Bogotá Bogotá, D.C. 373.654

2007 Junio Bogotá Bogotá, D.C. 305.193

2007 Julio Bogotá Bogotá, D.C. 546.837

2007 Agosto Bogotá Bogotá, D.C. 495.743

2007 Septiembre Bogotá Bogotá, D.C. 487.640

2007 Octubre Bogotá Bogotá, D.C. 396.693

2007 Noviembre Bogotá Bogotá, D.C. 292.202

2007 Diciembre Bogotá Bogotá, D.C. 414.294

0

1,000,000

2,000,000

3,000,000

4,000,000

5,000,000

6,000,000

2007

2008

2009

2010

2011

2012

2013

2014

CRECIMIENTO URBANO

CONSTRUCCION

-23-
































-24-












2011 Mayo Bogotá Bogotá, D.C. 1.033.240




















-25-





























Fuente: Departamento Administrativo Nacional de Estadística18

18 DANE. (15 de 01 de 2015). Departamento Administrativo Nacional de Estadística. p. 1

-26-

2.1.3. Licencias de construcción.

Las licencias de construcción son utilizadas como mecanismo de control

administrativo público cuyo objetivo es controlar el crecimiento de las ciudades.

Para poder tener un control de la actividad constructora en el país en 1948 se crea

la investigación de licencias de construcción (ELIC). La investigación, en la

actualidad usa una fuente de información de las licencias de construcción

otorgadas por las curadurías urbanas, oficinas de planeación y valoración,

secretaria de obras públicas, las alcaldías y las personerías municipales de los

municipios que se investigan. 19

2.2. Teledetección.

El hombre desde sus principios como ser racional a tratado de entender su

entorno y en busca de este objetivo ha experimentado llegando a lograr métodos

e instrumentos que han permitido comprender y analizar la superficie terrestre. En

la historia de la teledetección su primer paso fue elevar la toma de imágenes, esto

según empezó con la toma desde un globo en el año 1959, esto provocó que al

año siguiente se hicieran nuevas pruebas en la ciudad de Boston para

conocimiento detallado de la organización urbana.20 Como siempre todo va

evolucionando llego a la aviación, pero se produce un notable desarrollo técnico

en la segunda guerra mundial, en mejorar no solo en lo óptico de las cámaras si a

probar las películas infrarrojas y radar, para las investigaciones no pararon hay

puesto que con la llegada de la llamada “guerra fría” se desarrollan los sistema de

navegación que permitió la exploración espacial no solo a la tierra si no también

resto del universo, en 1965 la misión Gemini-Titá realiza los primeros

experimentos formales de fotografía espacial para recursos geológicos y

meteorológicos. La nasa por su parte en 1969 en la misión Apolo 9 realiza la

19 M. GOMEZ. Análisis de crecimiento Urbano de Bogotá con imágenes satelitales. 20 Hyatt,E, (1988). Keyguide to information sources in remote sensing, London

-27-

primera práctica multiespectral compuesta por cuatro cámaras con distintos filtros

y todo lo anterior conllevo a proyectos dedicados exclusivamente a cartografía y

evaluación de los recursos naturales.

La teledetección es la técnica que nos permite obtener información sobre un

objeto, área o fenómeno a través del análisis de los datos adquiridos por un

instrumento que no está en contacto con el objeto, área o fenómeno bajo

investigación.21

2.2.1 Principales aplicaciones.

Para comprender un poco el campo de trabajo de esta técnica se presentara a

continuación sus principales aplicaciones citado en el informe de la OFFlCE OF

TECHNOLOGY ASSESSMENT (OTA) 1984 las cuales se enumeran a

continuación:

Estudio de la erosión de playas y arenales

Inventario regional del medio ambiente para preparar estudios de

impactos ambientales

Cartografía geológica para la exploración minera y petrolífera

Cartografía de nuevos depósitos volcánicos.

Control de la acumulación nivel, de la fusión y de los cambios

previsibles en la disponibilidad de energía hidroeléctrica.

Control del movimiento de icebergs en zonas polares

Inventario del agua superficial

Análisis en tiempo real de masas nubosas de escala media y

pequeña.

medidas de aguas superficiales y humedales para evaluar la

situación del habitad para aves acuáticas

21 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 14,41

-28-

verificación de contenidos de salinidad en las principales corrientes

de agua

cartografía térmica del mar.

Verificación y control de la calidad física del agua, turbidez y

contenido de algas.

Control de los movimientos del Gulf-Stream y otras corrientes

marinas.

Rápida evaluación de condiciones de estrés en la vegetación, por

efecto de la sequía y deforestación.

Cartografía de área quemada y seguimiento de los ritmos de

repoblación natural.

Contribución a la cartografía e inventario de la cobertura y uso del

suelo.

Realización de inventarios forestales.

Selección de rutas óptimas para nuevas vías de comunicación.

Control de pastizales efímeros para estudiar efectos de la sequía y

excesivo pastoreo.

Cartografía e inventario de cultivos por especies.

Predicción del rendimiento de cultivos. 22

2.3. Bases para la interpretación de imágenes en teledetección

espacial

Los objetivos del trabajo orientan la mayor parte de las decisiones consiguientes,

como son las relativas al tipo de información necesaria a su precisión, escala y

nivel de desagregación.

22 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 14,41

-29-

2.3.1. Fijación de objetivos: escala y leyenda de trabajo.

Cualquier usuario con conocimientos básicos de la Teledetección debería tener

presente que es una técnica con limitaciones, válida para resolver un determinado

número de problemas. La escala de trabajo condiciona la unidad mínima de

información que se debe incluir en el mapa, que suele denominarse mínima

unidad cartografiable (MIC)

Las clases más repetidas son agua la más fácil de discriminar a partir de sensores

espaciales, área urbanizada, cultivas y forestal, aunque en estas últimas se

realizan múltiples divisiones, según objetivos específicos del inventario

Los sistemas de teledetección solo permiten realizar cartografía de la ocupación

del suelo, ya que la señal detectada por el sensor corresponde a los materiales

que aparecen en la superficie terrestre y no al uso al que se destina. 23

2.3.2. Soporte de imágenes.

El soporte sobre el que puede realizarse la interpretación depende del tipo de

tratamiento que se aplique. El análisis visual se necesita tres pasos:

Soporte material de la imagen.

Escala.

Numero de banda o combinación de bandas seleccionadas.

El número de bandas más adecuadas para un estudio depende directamente del

fenómeno que se desea estudiar. Si la imagen se requiere para un estudio global,

23 Ibid., P 130-140

-30-

de diversos tipos de cobertura, puede ser una buena opción, adquirir los negativos

correspondientes a todas las bandas del sensor. 24

2.3.3. Selección del método de análisis ¿tratamiento visual o digital?

Análisis visual emplea criterios de interpretación similares a la foto-interpretación

clásica (tono, textura tamaño, localización, etc) por lo que no requiere un

tratamiento muy especializado.

El tratamiento digital requiere mayor inversión económica y entrenamiento que el

análisis visual. Como contrapartida, proporciona mayor versatilidad, rapidez y

exactitud. Estas ventajas no son absolutas, sino muy dependientes de la

configuración del equipo disponible, del concepto y experiencia del personal al

momento del estudio del área.

El proceso de áreas urbanas es mucho más claro, porque estas zonas se

mezclan tejados, aceras, asfaltos, jardines y espacios abiertos o deportivos. Esta

complejidad puede indicarse visualmente gracias a criterios muy difícilmente

traducibles a la clasificación digital: localización, textura, tamaño, formas, etc. Por

lo que la interpretación visual ofrecerá en este caso más exactitud que la digital.

En otras categorías la relación resulta contraria, ya que el ojo humano no es capaz

de detectar variaciones de tonalidades que si son diferenciables numéricamente

(humedales, vegetación, etc)25

En tratamiento digital basta en realizar un cálculo de frecuencia del número de

pixeles incluidos en cada clase para conocer la superficie ocupada por cada una

de ellas.

24 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 130-140 25 Toll. (1984). An Evaluation of simulated thematic mapper data and landsat MSS data for discriminating suburban and regional land use and land cover, p 1713-1724

-31-

2.4. Interpretación visual de una imagen

Las pautas visuales manejadas en teledetección espacial, algunas son comunes

con la fotografía áreas tono, textura, estructura, sombras, contexto, etc., otras son

más propias de las imágenes especiales, principalmente en lo que se refiere a la

dimensión multi-espectral y multi-temporal de las observaciones severamente

limitada en fotografía áreas, y un último grupo correspondiente a criterios

tradicionales en fotointerpretación que aún no resultan accesibles a imágenes

espaciales, como es el caso de la cobertura estereoscópica. 26

2.4.1. Tono

El tono hace referencia a la intensidad de energía recibida por el sensor para una

determinada banda del espectro. En un producto fotográfico, los pixeles con tonos

oscuros indican aquellas áreas sobre las que el sensor detecto una señal baja,

mientras que las zonas claras son testigos de altos valores de radiancia. El tono

es una de los principales criterios de interpretación visual.27

2.4.2. Color

El ojo humano es más sensible a las variaciones cromáticas que la intensidad

luminosa.28 Si se le añade el aumento de información que supone la mezcla de

varias de espectro, fácilmente se comprende que el color resulta un elemento

básico en la interpretación visual de imágenes.

Entre las multiples combinaciones de color que se han empleado en análisis

visual, la más destacada es falso color o infrarrojo color.

26 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 146 27 Ibid., P 157 28 Barret (1974). Climatology from satellites.

-32-

Una composición de color puede conseguirse de acuerdo a dos procesos,

denominados aditivos y sustractivo. En el proceso aditivo, cualquier color se

obtiene por suma de los tres colores elementales: azul, verde y rojo. La suma de

los tres colores primarios permiten lograr un color completamente azul + verde,

cian; azul+ rojo, magenta y verde + rojo amarillo, mientras las tres suman el

blanco. Por el contrario el proceso sustractivo se basa en la absorción de la luz

que ejercen los colores complementarios: el cian absorbe la luz roja, el magenta

absorbe el verde, y el amarillo el azul. Los tres en combinación suponen por lo

tanto es negro. 29

2.4.3. Textura.

La textura de la imagen procede de la relación entre el tamaño de los objetos y la

resolución del sensor.

De esta forma se distingue:

Textura grosera cuando los objetos están comprendidos entre 0.25 y 1

mm2 a la escala de la imagen.

Textura media. Objetos comprendidos entre 0.04 y 0.25 mm2

Textura fina, objetos inferiores a 0.04mm2

2.5. Tipos de clasificación

La clasificación busca una caracterización particular para una zona o área

determinada. En el cual se busca medidas digitales, en un momento dado, y tipo

de cubierta. En este sentido la clasificación supone un enfoque más cualitativo,

por tratarse de un proceso numérico, incorpora un aparato estadístico ciertamente

29 Chuvieco, Op. Cit ., p. 157

-33-

importante. Estas se dividen en dos métodos de clasificación; supervisada y no

supervisada dependiendo del método estadístico.

Se puede hablar para poder entrar a definir cada una de las anteriores

clasificaciones que hay tipo de categorías o dos tipos de clases: informales y

espectrales.

Informales: Son las que constituyen la leyenda de trabajo que pretende deducir el

intérprete (tipos de ocupación del suelo, por ejemplo). Las categorías

informacionales se establecen por el usuario

Espectrales: Corresponden a los grupos de valores espectrales homogéneos

dentro de la imagen, en función de ofrecer una reflectividad similar, para las

bandas consideras y en la fecha concreta de la imagen, las espectrales se

deducen de los niveles digitales (ND) presentes en la imagen.30

2.5.1. Clasificación supervisada.

El método supervisado parte de un conocimiento previo del terreno, a partir del

cual se seleccionan las muestras para cada una de las categorías. Es el más

habitual por cuanto se identifican sobre un fotograma-tipo las características de

cada clase para luego delimitar en el resto de las zonas que se ajustan a esta

característica 31

2.5.2. Clasificación no supervisada.

El método no supervisado procede a una búsqueda automática de grupos de

valores homogéneos dentro de la imagen. Queda al usuario en este caso la labor

de encontrar correspondencias entre esos grupos y sus categorías de interés. El

método no supervisado supondría en primer lugar identificar sobre la imagen

30-31 Chuvieco, E. (1996). fundamentos de teledeteccion espacial.

-34-

zonas homogéneas en cuanto a tonos, textura, disposición, etc, para luego

asignarlas a una de las clases temáticas establecidas.

2.5.3. Reglas de decisión de clasificación

Una vez que un número considerable de firmas ha sido creado y evaluado, el

siguiente paso es realizar la clasificación de los datos. Cada píxel es analizado

independientemente. El vector de medidas para cada píxel es comparado con

cada firma, de acuerdo con la regla de decisión o el algoritmo. Los píxeles que

cumplen el criterio establecido por la regla de decisión son asignados a la clase

de la firma. 32

Si no existe una regla no paramétrica, el píxel es clasificado utilizando únicamente

la regla de decisión paramétrica. Todas las firmas paramétricas son examinadas.

Si una regla no paramétrica está definida, entonces se evalúan todas las firmas

con las definiciones no paramétricas. Estas reglas tienen las siguientes

condiciones:

• Si la evaluación no paramétrica resulta en una sola clase, el píxel es asignado a

dicha clase.

• Si la evaluación no paramétrica resulta en clases cero (0), (es decir, el píxel está

por fuera de todas las reglas de decisión no paramétricas) entonces se aplica la

regla sin clasificación. Con esta regla, el píxel es clasificado por la regla

paramétrica o se queda sin clasificar.

• Si el píxel cae en más de una clase como resultado de la evaluación no

paramétrica, se aplica la regla de superposición. Con esta regla, el píxel es

clasificado por la regla paramétrica, el orden del procesamiento o se queda sin

clasificar.

32 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 205.206

-35-

2.6. Tratamiento digital de imágenes

2.6.1. La matriz de imagen de datos de una imagen digital.

El proceso de adquisición de una imagen digital difiere sustancialmente del

empleado en la fotografía aérea. El sistema fotográfico, la energía procedente de

los objetos se registra sobre una superficie sensible a la luz. Este puede

componerse de una o varias capas, formando, respectivamente, una película

pancromática o en color.

El sensor explora secuencialmente la superficie terrestre, adquiriendo a intervalos

regulares, la radiación que proviene de los objetivos sobre ellos situados. La

cadencia con que el sensor realiza ese muestreo de la superficie terrestre define

precisamente la resolución espacial del mismo. El tamaño del pixel, unidad visual

más pequeña que aparece en una imagen. Este valor medio se traduce por el

sensor de un valor numérico a partir del cual se realiza el tratamiento digital de

imágenes. Es consecuencia que cada pixel de la imagen viene definido por un

número entero, traducido de la radiación recibida por el sensor para una

determinada parcela de la superficie terrestre y en una determinada banda del

espectro. Este valor numérico se denomina nivel digital ND. El nombre se debe

por tratarse de un valor numérico no visual, pero que puede traducir a una

intensidad visual de un nivel de gris, mediante cualquier convertidor digital-

análogo.

En conclusión, la unidad mínima de información en una imagen digital se

denomina pixel, definido por un número entero, el ND que puede convertirse en

una intensidad luminosa o nivel de gris. 33

33 Chuvieco, E. (1996). fundamentos de teledetección espacial. España: RIALP S.A., p. 205.206

-36-

2.6.2. Obtención y presentación de resultados

Independientemente del método empleado en la clasificación digital, los resultados

se almacenan en una nueva imagen, similar a las originales, en cuanto a

estructura y tamaño, pero la importante diferencia de que el ND de cada pixel es

diferente a la categoría a la que se asignó. En definitiva, se obtendrá una matriz

numérica, similar a la original aunque de dos dimensiones, pues se ha

condensado la información espectral (varias bandas) en una sola clase temática.

Esa nueva imagen puede ser el producto final de trabajo, o servir como estadio

intermedio de un proyecto más amplio, en donde la Teledetección se combine con

otro tipo de variables espaciales.

2.7. Verificación de resultados

2.7.1. Tipos de muestreo.

Los esquemas más empleados en el proceso de verificación son:

Aleatorio simple: los elementos a verificar se eligen de tal forma que todos cuenten

con la misma probabilidad de ser seleccionados y que la elección de uno no

influya en la siguiente. Al realizar el muestreo aleatorio estadísticamente es más

sólido.

Aleatorio estratificado: la muestra se realiza dividiendo la población o

regiones o estratos, de acuerdo a una variable auxiliar.

Sistemático: la muestra se distribuye a intervalos regulares, a partir de un

punto de origen señalado aleatoriamente. Garantiza un muestreo completo

de la superficie a verificar, pero puede facilitar estimaciones erróneas si

existe algún tipo de patrón periódico en el área observada.

Sistemático no alineado: modifica el esquema anterior, ya que varía

aleatoriamente una de las dos coordenadas.

-37-

Por conglomerados: se selecciona como unidad de muestreo un grupo de

observaciones, denominado conglomerado (cluster), en lugar de individuos

aislados. 34

2.7.2. Matriz de confusión.

Consecuencia de la fase de muestreo un listado de puntos test, para los que se

posee tanto su cobertura real como la deducida por la clasificación. Con estos

datos puede formarse una matriz denominada de confusión puesto que recoge

con los conflictos que se presentan entre categorías. Se trata de una matriz

tridimensional, en donde las filas se ocupan por las cuales de referencias, y las

columnas por las categorías reducidas de la clasificación. Lógicamente ambas

tendrán el mismo número y significado se trata su suma de una matriz cuadrada

n*n donde n indica el número de categoría.

La diagonal de esta matriz expresa el número de puntos verificación en donde se

produce acuerdo entre las dos fuentes (mapa y realidad), mientras las marginales

suponen errores de asignación. La relación entre el número de puntos

correctamente asignados y el total expresa la finalidad global del mapa. Los

residuales en filas indican tipos de cobertura real que se influyeron en el mapa,

mientras los residuos en columnas indican cubiertas del mapa que no se ajusta a

la realidad. En definitiva presenta errores de omisión y comisión,

respectivamente.35

34 Rosenfeld. (1982) Sample desing for estimating change in land use and land cover. 35 Aronoff. (1982) Classification accuracy;a user approach. Pp 761-767

-38-

2.8. Tipos de errores

2.8.1. Error de omisión

Se produce cuando, cierta pixel que pertenece una categoría especifica es

catalogada en otra a esto se le denomina error de omisión (Eo) o riesgo del

producto, como se presenta a continuación en la ecuación 136

Ecuación 1, Error de omisión.

𝐸𝑂𝑖 = 𝑋𝑖𝑗 − 𝑋𝑗𝑗

𝑋𝑖𝑗

Fuente: Fundamento de teledetección (Chuvieco 1996)

Dónde:

Xij=marginal de la fila j

Xjj=diagonal dicha fila

2.8.1. Error de comisión

Se produce cuando un pixel es incluido en una categoría perteneciendo a otra a

esta se le conoce como error de Comisión (Ec) o riesgo del usuario, como se

presenta en la Ecuación 2.37

Ecuación 2, Error de comisión.

𝐸𝑂𝑖 = 𝑋𝑖𝑗 − 𝑋𝑖𝑖

𝑋𝑖𝑗

36 Chuvieco, E. (1996). fundamentos de teledeteccion espacial. 37 Chuvieco, E. (1996). fundamentos de teledeteccion espacial.

-39-

Fuente: Fundamentos de teledetección (Chuvieco 1996)

Dónde:

Xij=marginal de la columna j

Xjj=diagonal dicha columna

2.9. Análisis categórico multivariante

Es un análisis de las relaciones múltiples entre las categorías, idóneas para el

estudio global de matrices de confusión38

Uno de los más usados es el estadístico Kappa (k) o Khat que mide entre mapa-

realidad y el que se espera por azar como se presenta en la ecuación 3.

El coeficiente Kappa expresa la reducción proporcional en el error generada por

un proceso de clasificación comparado con el error de una clasificación

completamente al azar. Por ejemplo, un valor de 0.82 implica que el proceso de

clasificación está evitando 82 por ciento de los errores que genera una

clasificación completamente al azar, como se observa en la ecuación 3.15

Ecuación 3, índice estadístico Kappa.

𝐾 =𝑁 ∑ 𝑋𝑖𝑖 − ∑ (𝑋𝑖+ ∗ 𝑋+𝑖) 𝑛

𝑖=𝑙 𝑛𝑖=𝑙

𝑁2 ∑ (𝑋𝑖+ ∗ 𝑋+𝑖)𝑛𝑖=𝑙

FUENTE: Fundamentos de teledetección. (Chuvieco 1996)

Dónde:

n = Número de clases;

38 Congalton, R. G. (1983). Assessing Landsat Classification Accuracy Using Discrete Multivariate Analysis Statistical Techniques 15 Erdas Field Guide. (s.f.). Clasificacion.

-40-

xii = Número de elementos clasificados correctamente;

Xi+ = Total de elementos clasificados para una categoría i;

X+i = Total de elementos de referencia de la muestra para una categoría i;

N = Número total de muestra

Los datos después de tener un índice estadístico calculado se le puede asignar un

desempeño de acuerdo al cuadro 3

Cuadro 3. Coeficiente Kappa de desempeño de clasificación.

Coeficiente Kappa Desempeño

<0,00 Pésimo

0,00 < K< ,0,20 Malo

0,20 < K< ,0,40 Razonable

0,40 < K< ,0,60 Bueno

0,60 < K< ,0,80 Muy bueno

0,80 < K< ,1,00 Excelente

Fuente: Adaptada de Landis e Koch (1977).

2.10. Historia google earth

Como su nombre indica, fue desarrollado para explorar el planeta Tierra (Earth)

mediante un globo terráqueo virtual, creado en 2001 por la empresa Keyhole Inc.,

bajo el nombre de EarthViewer 3D, la cual fue adquirida por Google en 2004.

Reeditado como Google Earth en 2005. En la actualidad Google Earth nos permite

visualizar a cualquier lugar de la Tierra y ver imágenes de satélite, mapas, relieve

-41-

y edificios 3D, así como explorar un amplio contenido geográfico, guardar los

lugares visitados. 39

Google Earth incluye imágenes de satélite de todo el mundo (que abarcan a un

75% de la población mundial en alta resolución), cientos de ciudades en 3D y

archivos de imágenes históricas, todo ello a disposición de los usuarios.40

2.10.1. Función imágenes históricas

Google Earth ofrece imágenes de todo el mundo de los últimos años. En Estados

Unidos y en algunas otras ubicaciones específicas, hay imágenes muy antiguas,

algunas de las cuales datan incluso de la Segunda Guerra Mundial. Muchas de las

ciudades principales ofrecen alrededor de una docena de vistas a lo largo del

tiempo y en diferentes estaciones del año.41

2.11. Digital-Globe

DigitalGlobe es un proveedor de productos y servicios de Imágenes de la Tierra

comerciales de alta resolución. Las imágenes son tomadas de la constelación de

satélites y tienen una gran variedad de usos en defensa e inteligencia, agencias

civiles, cartografía y análisis, monitoreo ambiental, exploración de petróleo y gas,

administración de infraestructuras, portales de Internet y tecnología de

navegación. Parte de la historia del lanzamiento de sus satélites se encuentra en

el cuadro 4.

39 Eskola 2.0. (10 de 06 de 2010). p. 1 40 Earth, G. (s.f.). Google Earth -Funciones. p. 1 41 Earth, G. (s.f.). Google Earth -Funciones.

-42-

Cuadro 4 Puesta en órbita de los Satélites

QUICKBIRD WORLDVIEW-1 WORLDVIEW-2 WORLDVIEW-3

Fue el primer

satélite de la

constelación

submétrica en

ofrecer

imágenes de la

Tierra de alta

precisión y alta

resolución.

Lanzado en

septiembre del

2007, es el primero

de la nueva

generación de

satélites y el más

ágil satélite

comercial hasta el

momento.

Lanzado en

Octubre del 2009,

es el primer satélite

comercial de alta

resolución con 8

bandas.

Lanzado el 13 de

agosto de 2014 , de la

Base Aérea de

Vandenberg, capaces

de realizar imágenes

en 16 bandas

espectrales

Fuente. Google Earth –Funciones

El gran archivo de imágenes de DigitalGlobe (contiene más de 4 mil millones de

kilómetros cuadrados de Imágenes de la Tierra), ofrece una gama de productos y

servicios en línea diseñados para permitir un acceso fácil a las imágenes.

Cuadro 5 Especificaciones técnicas de los Satélites

Satélite QUICKBIRD WORDLVIEW-1 WORLDVIEW-2 WORLDVIEW-3

Resolución 60cm 50cm 50cm 31 cm

Swath Width 16.5 km 17.6 km 17.4 km 13,1 k

Revisita

Promedio

2.4 días 1.7 días 1.1 días

Tiempo de

Giro

62 seg. 9 seg. 9 seg. 4-5 seg

Bandas

Espectrales

PAN + 4 MS PAN PAN + 8 MS PAN + 16

Precisión 25 m CE90 5 m CE90 5 M CE90

Fuente. Google Earth -Funciones

-43-

Posee y opera la constelación de satélites de Alta-Resolución submétrica más ágil

y sofisticado. QuickBird de 60cm, WorldView-1, WorldView-2 de 50cm y

WorldView-3 de 31cm sus fechas de lanzamientos se encuentran detalladas en el

cuadro 1, son unos de los satélites comerciales más ágiles, permitiendo la revisita

diaria alrededor del mundo, teniendo una capacidad de captura de 700 millones de

km2 anuales de imágenes de alta calidad. 8

2.12. Matlab

MATLAB es un lenguaje de alto nivel y un entorno interactivo para el cálculo

numérico, visualización y programación. Sirve para analizar los datos, desarrollar

algoritmos y crear modelos y aplicaciones. El lenguaje, las herramientas y

funciones integradas de matemáticas le permiten explorar múltiples enfoques para

una variada gama de aplicaciones, incluyendo el procesamiento de señales y

comunicaciones, procesamiento de imágenes y de vídeo, sistemas de control,

prueba y medición, finanzas computacionales, y la biología computacional. 42

2.12.1. Características principales

Lenguaje de alto nivel para el cálculo numérico, visualización y desarrollo

de aplicaciones

Entorno interactivo para la exploración iterativa, el diseño y la resolución de

problemas

Funciones matemáticas para álgebra lineal, estadística, análisis de Fourier,

filtrado, optimización, integración numérica y resolución de ecuaciones

diferenciales ordinarias

42 MathWords. MATLAB el lenguaje de la informática técnica.

-44-

Construido en los gráficos para la visualización de datos y las herramientas

para la creación de parcelas personalizados

Herramientas de desarrollo para mejorar la calidad del código y facilidad de

mantenimiento y maximizar el rendimiento

Herramientas para la creación de aplicaciones con interfaces gráficas

personalizadas

Funciones para integrar los algoritmos basados en MATLAB con

aplicaciones externas y lenguajes como C, Java, NET, y Microsoft Excel.43

2.12.2. Programación y desarrollo de algoritmos.

Proporciona un lenguaje y herramientas de desarrollo que permiten desarrollar y

analizar algoritmos y aplicaciones.

Con el lenguaje MATLAB, puede escribir programas y desarrollar algoritmos más

rápido que con los lenguajes tradicionales, ya no es necesario para realizar tareas

administrativas de bajo nivel, tales como la declaración de variables, especificando

los tipos de datos, y la asignación de memoria. En muchos casos, el apoyo para

las operaciones vectoriales y matriciales elimina la necesidad de para-

bucles. Como resultado, una línea de código MATLAB puede sustituir a menudo

varias líneas de código C o C ++.

MATLAB proporciona características de los lenguajes de programación

tradicionales, incluyendo el control de flujo, control de errores, y la programación

orientada a objetos (POO). Puede utilizar los tipos de datos fundamentales o

estructuras de datos avanzadas, o puede definir tipos de datos personalizados.

Incluye una variedad de herramientas para el desarrollo de algoritmos eficientes,

como:

43 MathWorks. Matlab características claves

-45-

Command Window- permite introducir datos de forma interactiva, ejecutar

comandos y programas, y mostrar los resultados

MATLAB Editor - Proporciona edición y depuración características, tales

como la definición de los puntos de interrupción y paso a paso a través de

las líneas individuales de código

Code Analyzer- comprueba automáticamente el código de problemas y

recomienda modificaciones para maximizar el rendimiento y facilidad de

mantenimiento

MATLAB Profiler - Medidas de desempeño de los programas de MATLAB e

identifica áreas de código para modificar de mejora

Integración con otros lenguajes y aplicaciones

El usuario puede integrar aplicaciones de MATLAB con las escritas en otros

idiomas. Puede llamar directamente el código escrito en C, C ++, Java y NET. Uso

de la biblioteca del motor de MATLAB.44

44 MathWorks. Matlab el lenguaje de la informática técnica..

-46-

3. PROCEDIMIENTO

Para el desarrollo del algoritmo fue necesaria la utilización de una herramienta de

lenguaje de programación, para el desarrollo del mismo se utilizó MATLAB

R2013a (MATRIX LABORATORY, "laboratorio de matrices").

3.1. Funcionalidad del algoritmo

El algoritmo tiene la capacidad de recibir información externa, guardarla,

mostrarla, pos procesarlá y guardar los resultados obtenidos para su posterior

análisis.

3.2. Administración de proyecto

Para seguir una idea lineal del proyecto, inicialmente se plantea una metodología

de 4 fases las cuales se presentan en este orden:

Análisis

Diseño

Desarrollo

Implementación

Con ésto se busca que el producto se soporte por investigación del campo de

aplicación y el diseño sea más rápido al tiempo que el desarrollo se encuentre

diferentes líneas para su ejecución y los resultados obtenidos sean óptimos para

los objetivos propuestos. Y permitan una implementación exitosa en área de

Percepción Remota.

-47-

3.2.1. Fase de Análisis

Lo primero es el acercamiento al área de conocimiento para ésto se realizó una

investigación sobre el tema por medio de diferentes autores tanto en Percepción

Remota como en crecimiento urbano en la ciudad de Bogotá.

3.2.2. Fase de Diseño

A partir de los resultados de la fase inicial se define que se debe realizar un

algoritmo base para lectura de imágenes bajo el lenguaje de programación de

Matlab, por motivos de costos de las imágenes satelitales interactuara con el

software de Google Earth.

Teniendo presente el objetivo del proyecto y la consulta realizada se concluyó que

las imágenes son matrices de n columnas por n filas, se realizá el procedimiento

aritmético en las imágenes digitales de una forma simple, sumando las imágenes y

determinando si son similares o diferentes.

En el software Matlab por medio de la GUIDE (interfaz gráfica de usuario) se

diseña el seudocódigo base el cual se presenta a continuación.

3.2.2.1. Pseudocodigo

Inicio

nrows = 630;

ncols = 1115;

A = ceros(nrows,ncols);

Para c = 1: hasta ncols

Para r = 1: hasta nrows

Si ((o2(r,c))>130) && ((o2(r,c))<256) && ((o1(r,c)) ==

(o2(r,c))) Entonces

A(r,c) = o2(r,c);

-48-

Si no ((o2(r,c))>130) && ((o2(r,c))<256) && ((o1(r,c)) ~=

(o2(r,c))) Entonces

A(r,c) = 0;

Si no Entonces

A(r,c) = o2(r,c);

Fin Si

Fin Para

c=0;

r=0;

fin Para

imprima Grafica3

Fin

A continuación se presenta el diccionario de datos Cuadro 6 del pseudocódigo para una mejor comprensión de las variables expuestas. . Cuadro 6 Diccionario Pseudocodigo

Categoría Atributo Descripción Tipo de dato

numéricos

nrows Numero de filas Numérico

ncols Numero de columnas Numérico

A Matriz de ceros Numérico bidimensional

c Inicio de ciclo Numérico

r Inicio segundo ciclo Numérico

o2 Imagen numero 2 Numérico bidimensional

o1 Imagen numero 1 Numérico bidimensional

En cuanto Google Earth para el caso del proyecto no era necesario la versión

completa, con la versión básica es suficiente, ya que solo se necesita el contenido

geográfico y su función de imágenes históricas permite la comparación multi

temporal de la zona de trabajo.

3.2.3. Fase de Desarrollo

Ya identificado el ámbito en el que se pretende aplicar el algoritmo y los diferentes

estudios realizados anteriormente para Percepción Remota por diferentes autores,

-49-

se construye el algoritmo sobre el sistema operativo Windows 7 en el software

MATLAB R2013a por medio de la aplicación GUIDE, se realiza una base grafica

para el usuario, en un principio solo contiene tres ventanas de visualización de las

imágenes de prueba y en cada una, un botón, para realizar pruebas para obtener

resultados de lo que pretende realizar el algoritmo.

En el editor de la ventana GUIDE se comienza con el desarrollo del código, la

comparación de niveles digitales de los imágenes de prueba, se debe tener en

cuenta que para este procedimiento las imágenes deben contener la misma

cantidad de valores tanto en filas como en columnas, para este procedimiento se

toman vistas de pantalla del computador se guardan y se verifican su tamaño con

el aplicativo Paint del sistema operativo Windows 7. Como se muestra en la

ilustración 1

Ilustración 1. Imágenes de prueba en Paint.

En el código de lectura, pixel a pixel se utilizaron dos ciclos, uno contenido dentro

del otro y una condicional que permita establecer en qué nivel se desea trabajar.

Es necesario tener las imágenes en escala de grises para un proceso más rápido.

-50-

Se desarrolla código de programación que permita realizar el manejo del programa

Google Earth remotamente y cargue punto a punto una zona específica.

La zona de trabajo contiene una malla de 25 puntos de control en el programa

Google Earth, se definió así porque eran una malla que abarca una zona de gran

cambio de expansión urbana mostrando cambio de usos de suelo en un corto

tiempo, estos están marcados en columnas alfabéticamente y en filas

numéricamente, en la ilustración 2 se presenta esta red de puntos y el cuadro 7 se

presenta las coordenadas de la misma. Esta malla se debe configurar para tener

las mismas características.

Ilustración 2. Malla de puntos Google Earth}

Cuadro 7. Coordenadas longitud y latitud de la malla Google Earth

Longitud 74°

8'10.00"O

74°

7'59.30"O

74°

7'48.60"O

74°

7'37.90"O

74°

7'27.20"O Latitud

-51-

4°43'32.00"N A1 B1 C1 D1 E1

4°43'26.00"N A2 B2 C2 D2 E2

4°43'20.00"N A3 B3 C3 D3 E3

4°43'14.00"N A4 B4 C4 D4 E4

4°43'08.00"N A5 B5 C5 D5 E5

Se desarrolla un código para la toma automática de la imagen de la pantalla este

incluye un reloj para que tome la imagen de la pantalla después de un tiempo de

abierta la vista y guarde automáticamente con un nombre específico para su

posterior análisis.

Al momento de realizar ésto se observa que las imágenes que se toman contienen

mucha información que no es necesaria para el trabajo; por esta razón se realizar

un código que recorta las imágenes automáticamente antes de pos procesarlas;

en la ilustración 3 se ve la imagen antes del recorte y la ilustración 4 como queda

después del procedimiento.

-52-

Ilustración 3. Antes del corte de la imagen.

Ilustración 4. Después del corte de la imagen.

-53-

La imágenes pasan de un tamaño de 1366 X 768 pixeles a 1115 X 630 pixeles

esto ayuda a procedimiento de la maquina más ágil puesto que no tiene que

analizar zonas que no son del interés del usuario.

El proceso a seguir durante el desarrollo de algoritmo es recoger los anteriores

códigos y organizarlos para que procedimiento lo realice en los 25 puntos de la

malla automático los guarde y los compare, para su posterior revisión.

Se realizar una interfaz gráfica más amable para el usuario de fácil acceso, como

son barras de comandos o menú, botones y ventanas para realizar determinadas

observaciones de las imágenes cargadas en el algoritmo.

3.2.4. Fase de Implementación

En esta fase se efectúa análisis con los datos obtenidos del algoritmo y revisión

para determinar la efectividad del mismo.

-54-

3.3. Diagrama de flujo

-55-

4. ANÁLISIS Y RESULTADOS

Se verificó los tamaños de pixeles de las imágenes con las que se están

trabajando y se obtuvo que el tamaño del pixel de la imagen es de 0,320 m esto

indica que el tamaño total de las imágenes trabajadas son de 356,800 metros por

201,600 metros, por lo que el tamaño final de las imágenes son de 1115 pixeles

por 630 pixeles.

GRÁFICA 2. Media aritmética 2005 y Actual

4.1. Verificación niveles digitales

Se realiza verificación de cada imagen en total 50, entre las imágenes actuales y

las trabajadas en años anteriores, estos datos se encuentran consignados en el

cuadro 8 para las imágenes del año 2005 y cuadro 9 para las imágenes del año

2015; en donde se tomaron de a cinco pixeles por imagen donde se identificaron

que sea de construcción para estar seguros que los niveles que se están

A1 A2 A3 A4 A5 B1 B2 B3 B4 B5 C1 C2 C3 C4 C5 D1 D2 D3 D4 D5 E1 E2 E3 E4

MEDIA 2005 165 132164 133175157164 205177188166193160241166147154158166

MEDIA ACTUAL 191193190198210216216215203208130214201213228186192168203205193153188198149

100120140160180200220240260

NIV

EL D

IGIT

AL

IMAGEN

GRAFICA DE MEDIA

MEDIA 2005 MEDIA ACTUAL

-56-

utilizando para los ciclos del algoritmo están dentro de los parámetros de las

construcciones.

Cuadro 8. Verificación niveles digitales imágenes año 2005

a1

x 139 300 742 1101 477 ME 165 b1

x 23 108 1091 794 482 ME 164

y 285 347 373 359 387 PR 166

y 356 354 184 77 198 PR 164

N 168 162 174 181 144 MED 168

N 172 173 145 173 159 MED 172

a2 x no tiene

b2 x no tiene

a3 x no tiene

b3 x no tiene

a4 x no tiene b4

x 658 496 817 906 1047 ME 133

a5

x 496 420 191 26 167 ME 132

y 360 527 414 432 527 PR 150

y 382 401 463 536 607 PR 143

N 130 120 85 184 231 MED 130

N 105 93 154 157 205 MED 154 b5

x 763 795 1056 806 717 ME 175

y 86 245 300 234 87 PR 192

c1

x 16 40 70 229 338 ME 157

N 228 205 253 171 105 MED 205

y 158 205 297 515 619 PR 158 N 167 156 155 151 159 MED 156 d1

x 1094 957 1103 553 597 ME 188

c2

x 501 827 508 1019 607 ME 164

y 158 21 245 550 94 PR 196

y 162 309 177 307 214 PR 165

N 150 232 255 172 169 MED 172

N 150 145 169 172 191 MED 169 d2

x 460 141 524 364 482 ME 166

c3 x no tiene

y 91 347 21 193 68 PR 167

c4

x 479 626 600 458 111 ME 205

N 179 136 174 177 171 MED 174

y 359 420 538 567 389 PR 213 d3

x 527 586 635 477 713 ME 193

N 242 174 250 242 158 MED 242

y 474 517 600 198 588 PR 198

c5

x 765 470 366 163 522 ME 177

N 171 219 215 231 152 MED 215

y 356 139 158 54 23 PR 181 d4

x 588 787 907 1061 1044 ME 160

N 144 215 198 183 163 MED 183

y 80 219 432 245 616 PR 166

N 154 180 145 127 223 MED 154

d5

x 720 857 1009 1039 867 ME 241

e1

x 323 122 822 1039 106 ME 166

y 278 545 65 368 200 PR 242

y 479 172 139 453 122 PR 180

N 249 248 226 254 232 MED 248

N 107 254 179 182 176 MED 179

e2

x 683 508 364 976 777 ME 147 e4

x 49 510 501 307 508 ME 158

y 304 115 63 533 276 PR 180

y 136 299 604 420 262 PR 164

N 245 78 223 119 237 MED 223

r 114 162 168 178 198 MED 168

e3

x 869 387 286 472 978 ME 132 e5

x 924 359 21 106 37 ME 166

y 91 264 543 250 104 PR 143

y 217 526 106 309 389 PR 186

N 176 152 107 185 186 MED 154

r 118 116 232 217 247 MED 217

-57-

Se presenta la gráfica 2, de media aritmética donde se encontró valores de

niveles digitales entre 132 como valor mínimo y 240 como máximo en las

imágenes del año 2005 y 130 como valor mínimo y 230 como valor máximo para

las imágenes actuales. Se puede definir que los niveles digitales entre las

imágenes del año 2005 y 2015 son similares y se puede realizar el trabajo

manejando estos rangos.

GRÁFICA 3. Promedio aritmética 2005 y Actual

La gráfica 3 de Promedios se encontró valores de niveles digitales entre 140 como

valor mínimo y 242 como máximo en las imágenes del año 2005 y 133 como

valor mínimo y 234 como valor máximo para las imágenes actuales. Se puede

observar la variación entre las imagen actuales y las adquiridas del 2005, pero no

tienen cambios significativos entre sus niéveles digitales, esto corrobora el uso de

estos valores para la realización del algoritmo.


PROMEDIO 2005 166 143164 150192158165 213181196167198166242180180161164186

PROMEDIO ACTUAL 195201192202218220218217206211133217207216234196195184206218204161203212160

100120140160180200220240260

NIV

EL D

IGIT

AL

IMAGEN

GRAFICA DE PROMEDIOS

PROMEDIO 2005 PROMEDIO ACTUAL

-58-

La gráfica de Mediana (Grafica 4) se encontró valores de niveles digitales entre

130 como valor mínimo y 248 como máximo en las imágenes del año 2005 y 123

como valor mínimo y 254 como valor máximo para las imágenes actuales. Al igual

que las anteriores la media y el promedio, la gráfica presenta niveles entre 130 y

250 respectivamente.

GRÁFICA 4. Mediana aritmética 2005 y Actual

Por esta razón para el algoritmo se utiliza como valor mínimo de nivel digital de

130 y como valor máximo de 255.


PROMEDIO ACTUAL 178216201197230235221220207213123227218224252214199161207247218153238254146

PROMEDIO 2005 168 154172 130205156169 242183172174215154248179223176168217

100120140160180200220240260

NIV

EL D

IGIT

AL

IMAGEN

GRAFICA DE MEDIANA

PROMEDIO ACTUAL PROMEDIO 2005

-59-

Cuadro 9. Verificación niveles digitales imágenes año 2015

a1

x 406 567 907 744 397 ME 191

d1

x 999 555 1039 1081 967 ME 186

y 510 569 458 600 569 PR 195

y 531 564 56 214 28 PR 196

N 176 178 174 193 255 MED 178

N 135 163 251 214 216 MED 214

a2

x 701 817 787 475 340 ME 193

d2

x 768 496 99 56 751 ME 192

y 153 510 597 489 387 PR 201

y 536 388 503 576 493 PR 195

N 240 198 216 220 133 MED 216

N 161 184 210 220 199 MED 199

a3

x 838 945 739 621 1068 ME 190

d3

x 85 54 985 167 612 ME 168

y 44 437 543 23 458 PR 192

y 146 481 507 479 25 PR 184

N 205 198 201 154 202 MED 201

N 251 161 123 252 135 MED 161

a4

x 867 888 1002 905 1084 ME 198

d4

x 127 782 80 730 1058 ME 203

y 89 271 505 47 122 PR 202

y 188 309 177 214 569 PR 206

N 172 197 250 217 174 MED 197

N 214 247 207 182 181 MED 207

a5

x 59 78 408 323 286 ME 210

d5

x 855 690 787 1047 980 ME 205

y 484 529 479 614 503 PR 218

y 545 302 89 389 120 PR 218

N 230 216 255 243 146 MED 230

N 253 247 136 255 197 MED 247

b1

x 926 831 553 673 931 ME 216

e1

x 432 134 92 983 836 ME 193

y 455 541 392 505 288 PR 220

y 562 342 219 415 136 PR 204

N 176 193 242 255 235 MED 235

N 232 186 218 255 129 MED 218

b2

x 940 352 666 484 820 ME 216

e2

x 706 399 876 985 616 ME 153

y 498 238 70 65 21 PR 218

y 323 80 590 526 231 PR 161

N 195 221 255 221 198 MED 221

N 213 198 118 125 153 MED 153

b3

x 274 174 23 621 954 ME 215

e3

x 865 652 302 321 106 ME 188

y 387 526 139 224 94 PR 217

y 110 486 604 278 403 PR 203

N 182 220 202 255 228 MED 220

N 246 252 149 238 130 MED 238

b4

x 229 789 167 89 390 ME 203

e4

x 905 605 160 106 278 ME 198

y 103 413 524 292 394 PR 206

y 340 529 562 311 434 PR 212

N 208 207 169 205 241 MED 207

N 254 254 255 138 160 MED 254

b5

x 742 342 938 943 1028 ME 208

e5

x 179 111 505 354 905 ME 149

y 108 200 205 496 444 PR 211

y 70 311 49 505 247 PR 160

N 248 207 222 213 166 MED 213

N 146 249 150 110 143 MED 146

c1

x 163 82 35 59 248 ME 130

c4

x 477 108 208 829 489 ME 213

y 614 578 420 266 562 PR 133

y 37 115 448 604 340 PR 216

N 130 117 118 177 123 MED 123

N 168 224 233 221 236 MED 224

c2

x 486 716 1039 475 28 ME 214

c5

x 980 387 947 1099 510 ME 228

y 444 529 559 337 91 PR 217

y 418 198 243 37 510 PR 234

N 240 231 211 176 227 MED 227

N 252 255 165 252 248 MED 252

c3

x 234 205 425 1004 1065 ME 201

y 58 304 519 460 162 PR 207

N 226 218 187 156 247 MED 218

-60-

4.2. Índice estadística kappa

Se realizó el análisis categórico multivariante a las imágenes resultantes del

algoritmo, con relaciones múltiples entre las categorías, usando el Índice

estadístico Kappa.

Para este caso se tomaron las 25 imágenes de salida y se eligió una proporción

esperada el 5 %, con una seguridad de 95 % y una precisión del 90%. Como se

muestra en la Cuadro 10, y arrojó que se tienen que verificar 11 imágenes de

salida.

Cuadro 10. Porcentaje de verificación de las imágenes

Al realizar una selección aleatoria de las imágenes, los resultados se encuentran

en la cuadro 11.

PROPORCION ESPERADA 5%

SEGURIDAD 95%

PRECISION 10%

COBERTURA IMÁGENES n

n = REGLA DE TRES SIMPLE

RED DE

PUNTOS 25 10.80

TOTAL 25 10.80 10.80

-61-

Cuadro 11. Imágenes seleccionadas para verificación por índice Kappa

No. Imagen P. COSNT P. OTROS Total puntos en la Imagen

1 A2 255852 446598 702450

2 A3 124745 577705 702450

3 B2 358781 343669 702450

4 B3 253758 448692 702450

5 B4 184993 517457 702450

6 C1 450776 251674 702450

7 C3 217471 484979 702450

8 C4 269409 433041 702450

9 E1 301738 400712 702450

10 E2 230524 471926 702450

11 E3 236356 466094 702450

Para analizar los resultados obtenidos se los errores de omisión y comisión,

mediante el análisis de cada imagen de salida del algoritmo y por medio de toma

de puntos aleatorios se realiza verificar si es cierto o no el resultado obtenido por

el algoritmo.

-62-

AÑO IMAGEN A1 OBSERVACIÓN

2

0

0

5

En la imagen se

observa la zona verde

con especies

arbóreas y cero de

edificación

2

0

1

5

En esta imagen se

observa que al

trascurrir los años se

empiezan la

deforestación y el

crecimiento urbano.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las

dos imágenes del año

2005 y 2015

mostrando las zonas

de construcción en

negro

-63-


2

0

0

5

En la imagen se observa

la zona verde con

especies arbóreas y cero

de edificación

2

0

1

5

En esta imagen se

observa que al trascurrir

los años el crecimiento

urbano fue bastante

notorio acabando con la

zona verde.

R

E

S

U

L

T

A

D

O

Es el resultado del post-

proceso de las dos

imágenes del año 2005 y

2015 mostrando las zonas

de construcción en negro.

-64-

Cálculo realizado a la imagen A2 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen A2

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 21 2.00 23 91.3% 8.7%

otro 14.00 36 50 72.0% 28.0%

TOTAL 35 38

73

73

Err. Usu. 60.0% 94.7%

Err.

Comisión 40.0% 5.3%

805 1900

Exactitud= 78.08%

0.141

Error de muestreo= 5.44%

Intervalo de Confianza = 78.08% ± 5.44%

Fiabilidad Real Promedio 72.65% y 83.52%

N= 73

xii 57

xi 2705

K 0.5549

K = ( 73 * 57 )- 2705

= 0.55

K 55.49% 73 ² - 2705

En la imagen A2 se presentó la fiabilidad real promedio fue 72.65% y arrojo un

índice kappa 0.55% esto significa según el cuadro de coeficiente de desempeño

de clasificación es bueno.

-65-


2

0

0

5

En la imagen se


con especies arbóreas

y cero de edificación

2

0

1

5

En esta imagen se

observa que al

trascurrir los años el

crecimiento urbano fue

bastante notorio

acabando con parte de

la zona verde.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las


2005 y 2015 mostrando

las zonas de

construcción en negro.

-66-

Cálculo realizado a la imagen A3 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen A3

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 12 1.00 13 92.3% 7.7%

otro 8.00 52 60 86.7% 13.3%

TOTAL 20 53 73

73

Err. Usu. 60.0% 98.1%

Err. Comisión 40.0% 1.9%

260 3180

Exactitud= 87.67%

0.141




N= 73

xii 64

xi 3440

K 0.6522 K =

( 73 * 64 )- 3440 =

0.65

K 65.22% 73 ² - 3440

En la imagen A3 se presentó la fiabilidad real promedio fue 72.65% y arrojo un


de clasificación es muy bueno.

-67-


2

0

0

5

En la imagen se



y cero de edificación

2

0

1

5

En esta imagen se

observa que al



bastante notorio


la zona verde.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de


-68-


2

0

0

5

En la imagen se



y con un leve

crecimiento urbanístico

2

0

1

5

En esta imagen se

observa un crecimiento

urbanístico.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de


-69-

AÑO IMAGEN B1 OBSERVACIÓN

2

0

0

5


la zona verde con

especies arbóreas y la

vía.

2

0

1

5

En esta imagen se



urbano fue bastante

notorio acabando con

parte de la zona verde.

R

E

S

U

L

T

A

D

O


proceso de las dos


2015 mostrando las

zonas de construcción

en negro.

-70-


2

0

0

5

En la imagen se


con especies arbóreas.

2

0

1

5

En esta imagen se

observa que al

trascurrir los años la

desforestación y la

zona en construcción,

acabando con la zona

verde.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de


-71-

Cálculo realizado a la imagen B2 por medo de la matriz confusión.

MATRIZ CONFUSIÓN Imagen B2

COBERTURAS

Ex. Prod

Err. Omisión

const otro TOTAL

CO

BER

TUR

AS

const 23 3.00 26 88.5% 11.5%

otro 11.00 36 47 76.6% 23.4%

TOTAL 34 39

73

73

Err. Usu. 67.6% 92.3%

Err.


884 1833

Exactitud= 80.82%

0.141




N= 73

xii 59

xi 2717

K 0.6087

K = ( 73 * 59 )- 2717

= 0.61

K 60.87% 73 ² - 2717

En la imagen B2 se presentó la fiabilidad real promedio fue 72.29% y arrojo un


de clasificación es muy bueno

-72-


2

0

0

5

En la imagen se

observa desforestación

de la zona verde.

2

0

1

5

En esta imagen se

observa que al



bastante notorio


la zona verde.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las dos

imágenes del año 2005

y 2015 mostrando las


en negro.

-73-

Cálculo realizado a la imagen B3 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen B3

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 23 9.00 32 71.9% 28.1%

otro 23.00 18 41 43.9% 56.1%

TOTAL 46 27

73

73

Err. Usu. 50.0% 66.7%

Err.


1472 1107

Exactitud= 56.16%

0.141




N= 73

xii 41

xi 2579

K 0.1505

K = ( 73 * 41 )- 2579

= 0.15

K 15.05% 73 ² - 2579

En la imagen B3 se presentó la fiabilidad real promedio fue 51,55% y arrojo un

índice kappa 0,15 % esto significa según el cuadro de coeficiente de desempeño

de clasificación es malo.

-74-


2

0

0

5


desforestación de la

zona verde.

2

0

1

5

En esta imagen se



urbano fue bastante

notorio acabando con la

zona verde.

R

E

S

U

L

T

A

D

O


proceso de las dos


2015 mostrando las


en color negro.

-75-


2

0

0

5

En la imagen se


con especies arbóreas.

2

0

1

5

En esta imagen se

observa que al

trascurrir de los años el


bastante notorio


verde.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de

construcción en color

negro.

-76-

AÑO IMAGEN C1 OBSERVACIÓN

2

0

0

5

En la imagen se


y vía de tercer orden.

2

0

1

5

En esta imagen se


y vía tercer orden.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las


2005 y 2015 donde

arroja construcción

cero.

-77-

Cálculo realizado a la imagen C1 por medo de la matriz confusión

MATRIZ Confusión Imagen C1

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 3 0.00 3 100.0% 0.0%

otro 2.00 68 70 97.1% 2.9%

TOTAL 5 68

73

73

Err. Usu. 60.0% 100%

Err.


15 4760

Exactitud= 97.26%

0.141



Fiabilidad Real

Promedio 91.19% y 103.33%

N= 73

xii 71

xi 4775

K 0.7365 K =

( 73 * 71 )- 4775 =

0.74

K 73.65% 73 ² - 4775

En la imagen C1 se presentó la fiabilidad real promedio fue 91,19% y arrojo un


de clasificación es muy bueno.

-78-


2

0

0

5


la zona verde y carretera

de primer y tercer orden.

2

0

1

5

En esta imagen se

observa la


zona verde y al



bastante notorio.

R

E

S

U

L

T

A

D

O


proceso de las dos


2015 mostrando las


en color negro.

-79-


2

0

0

5


la zona verde y carretera

de tercer orden.

2

0

1

5

En esta imagen se

observa la desforestación

de la zona verde y al



bastante notorio.

R

E

S

U

L

T

A

D

O


proceso de las dos



de construcción en color

negro.

-80-

Cálculo realizado a la imagen C3 por medo de la matriz confusión.

MATRIZ CONFUSIÓN Imagen C3

COBERTURAS

Ex. Prod

Err. Omisión

const otro TOTAL

CO

BER

TUR

AS

const 31 3.00 34 91.2% 8.8%

otro 29.00 10 39 25.6% 74.4%

TOTAL 60 13

73

73

Err. Usu. 51.7% 76.9%

Err.


2040 507

Exactitud= 56.16%

0.141




N= 73

xii 41

xi 2547

K 0.1603

K = ( 73 * 41 )- 2547

= 0.16

K 16.03% 73 ² - 2547




-81-


2

0

0

5


la zona verde, zona de

cultivos y zona urbana.

2

0

1

5

En esta imagen se

observa la


zona verde y al



bastante notorio.

R

E

S

U

L

T

A

D

O


proceso de las dos


2015 mostrando las


en color negro.

-82-

Cálculo realizado a la imagen C4 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen C4

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 23 2.00 25 92.0% 8.0%

otro 18.00 30 48 62.5% 37.5%

TOTAL 41 32 73

73

Err. Usu. 56.1% 93.8%

Err. Comisión 43.9% 6.3%

1025 1536

Exactitud= 72.60%

0.141




N= 73

xii 53

xi 2561

K 0.4725 K =

( 73 * 53 )- 2561 =

0.47

K 47.25% 73 ² - 2561



de clasificación es bueno.

-83-


2

0

0

5

En la imagen se

observa la zona

verde, zona de

cultivos y zona rural.

2

0

1

5

En esta imagen se

observa la


zona verde y al

trascurrir de los años

el crecimiento urbano

fue bastante notorio.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las


2005 y 2015

mostrando las zonas

de construcción en

color negro.

-84-

AÑO IMAGEN D1 OBSERVACIÓN

2

0

0

5


la zona verde y carrera

de primer.

2

0

1

5

En esta imagen se

observa la


zona verde, vías y

construcción cero.

R

E

S

U

L

T

A

D

O


proceso de las dos


2015 mostrando las


en color negro.

-85-


2

0

0

5

En la imagen se

observa la zona verde y

carrera de primer.

2

0

1

5

En esta imagen se

observa que al



bastante notorio


verde.

R

E

S

U

L

T

A

D

O

Es el resultado del





en color negro.

-86-


2

0

0

5

En la imagen se

observa la zona verde,

zona de construcción y

carrera de tercer.

2

0

1

5

En esta imagen se

observa que al



del 100% en la zona.

R

E

S

U

L

T

A

D

O

Es el resultado del





en color negro.

-87-


2

0

0

5

En la imagen se

observa la zona

desforestada, zona en

construcción y carrera

de tercer.

2

0

1

5

En esta imagen se

observa que al



del 100% en la zona.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de


negro.

-88-


2

0

0

5

En la imagen se

observa la zona

desforestada y zona en

construcción.

2

0

1

5

En esta imagen se

observa reforestación y

construcción de vía

primeria.

R

E

S

U

L

T

A

D

O

Es el resultado del





en color negro.

-89-

AÑO IMAGEN E1 OBSERVACIÓN

2

0

0

5

En la imagen se

observa zona en

construcción.

2

0

1

5

En esta imagen se

observa construcción

de vía primeria.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las



las zonas de


negro.

-90-

Cálculo realizado a la imagen E1 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen E1

COBERTURAS Ex. Prod

Err. Omisión

const otro TOTAL

CO

BER

TUR

AS

const 7 10.00 17 41.2% 58.8%

otro 12.00 44 56 78.6% 21.4%

TOTAL 19 54

73

73

Err. Usu. 36.8% 81.5%

Err.

comisión 63.2% 18.5%

323 3024

Exactitud= 69.86%

0.141




N= 73

xii 51

xi 3347

K 0.1897 K =

( 73 * 51 )- 3347 =

0.19

K 18.97% 73 ² - 3347

En la imagen E1 se presentó la fiabilidad real promedio fue 64,72% y arrojo un



-91-


2

0

0

5

En la imagen se

observa zona en

urbana.

2

0

1

5

En esta imagen se

observa urbana y

vía primeria.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de

las dos imágenes

del año 2005 y

2015 mostrando

las zonas de

construcción en

color negro.

-92-

Cálculo realizado a la imagen E2 por medo de la matriz confusión

MATRIZ CONFUSIÓN Imagen E2

COBERTURAS Ex.

Prod Err.

Omisión

const otro TOTAL

CO

BER

TUR

AS

const 2 17.00 19 10.5% 89.5%

otro 13.00 41 54 75.9% 24.1%

TOTAL 15 58

73

73

Err. Usu. 13.3% 70.7%

Err.

comisión 86.7% 29.3%

285 3132

Exactitud= 58.90%

0.141




N= 73

xii 43

xi 3417

K 0.1454 K =

( 73 * 43 )- 3417 =

0.15

K 14.54% 73 ² - 3417

En la imagen E2 se presentó la fiabilidad real promedio fue 54,18% y arrojo un



-93-


2

0

0

5

En la imagen se

observa zona en

urbana.

2

0

1

5

En esta imagen se

observa zonas nuevas

de construcción y vías

de primer orden.

R

E

S

U

L

T

A

D

O

Es el resultado del





en color negro.

-94-


2

0

0

5

En la imagen se

observa zona en

urbana y vías de

segundo orden.

2

0

1

5

En esta imagen se

observa zonas

nuevas de

construcción y vías

de segundo orden.

R

E

S

U

L

T

A

D

O

Es el resultado del

post-proceso de las


2005 y 2015

mostrando las zonas

de construcción en

color negro.

-95-


2

0

0

5


zona en urbana y vías de

tercer orden.

2

0

1

5

En esta imagen se

observa zonas nuevas de

construcción y vías de

tercer orden.

R

E

S

U

L

T

A

D

O


proceso de las dos



de construcción en color

negro.

-96-

Cuadro 1. Resultados de las imágenes Índice Kappa.

Imagen Kappa

A2 0.55%

A3 0.65%

B2 0.61%

B3 0.15%

B4 0.29%

C1 0.74%

C3 0.16%

C4 0.47%

E1 0.19%

E2 0.15%

E3 0.47%

Promedio 0.40%

Los resultados del coeficiente Kappa se encuentran en la Cuadro 8, estos

resultados después de un análisis fueron muy diferentes, ya que por medio del

algoritmo no se puede separar los datos, para tener un mejor acercamiento a lo

que se esperaba. Pero se puede decir que por medio de este análisis tenemos

según la cuadro 10. Coeficiente Kappa de desempeño de clasificación Adaptada

de Landis e Koch. Un promedio de la muestra un desempeño entre razonable y

bueno.

-97-

CONCLUSIONES.

La ciudad de Bogotá ha tenido un importante crecimiento urbanístico

afectando a la movilidad, espacios públicos y zonas verdes de la ciudad, el

algoritmo reconoce zonas en construcción señalándolas y especificando los

cambios de las zonas en diferentes imágenes.

Las imágenes son obtenidas de aplicativo Google Earth a través de la

captura de pantallazo, al tomar las imágenes de esta manera no cuentan

con la verticalidad adecuada para poder realizar rectificaciones generando

así errores de comparación de pixel a pixel.

En el proceso de programación y comparación de imágenes se observó

que el programa reconoce zonas de deforestación, dejando así abierta la

posibilidad más delante de mejorar el algoritmo para realizar

comparaciones de imágenes satelitales de parques naturales o zonas de

protección ambiental del país.

Por medio del algoritmo se verifico los niveles digitales de los pixeles que

son construcciones, arrojando una media aritmética donde se encontró

valores de niveles digitales entre 132 como valor mínimo y 240 como

máximo en las imágenes del año 2005 y 130 como valor mínimo y 230

como valor máximo para las imágenes actuales, identificando los rangos de

cobertura de construcción para ajustar el algoritmo.

El Promedio se encontró valores de niveles digitales entre 140 como valor

mínimo y 242 como máximo en las imágenes del año 2005 y 133 como

valor mínimo y 234 como valor máximo para las imágenes actuales, se

-98-

identificó estos los rangos de cobertura de construcción para ajustar mejor

el algoritmo

La Mediana se encontró valores de niveles digitales entre 130 como valor

mínimo y 248 como máximo en las imágenes del año 2005 y 123 como

valor mínimo y 254 como valor máximo para las imágenes actuales,

concluyendo que los datos arrojados de la mediana son los valores de los

pixeles en las imágenes al momento del post proceso en las zonas de

construcción.

Se calculó el índice kappa donde arrojo un 40% de desempeño que a su

vez es razonable respecto al coeficiente de desempeño de clasificación,

donde este no arrojó un porcentaje más alto debido que el algoritmo no fue

posible separar los tipos de coberturas y la toma pixeles aleatoriamente es

difícil que escoja específicamente las zonas de construcción, por lo tanto no

es 100% confiable la comprobación del algoritmo por medio del cálculo del

índice kappa.

No fue posible que el algoritmo reconociera zonas sin licencia de

construcción ya que la resolución espacial de las imágenes es muy baja, y

dificulta separar las diferentes coberturas.

Se diseñó el algoritmo arrojando comparaciones en las imágenes

multitemporal donde se observó los cambios entre las dos imágenes.

-99-

BIBLIOGRAFÍA

ALCALDIA MAYOR DE BOGOTÁ, D.C. Secretaria de Hacienda. «RECORRIDO

ENGATIVA, Diagnostico fisico y socioeconomico de las localidades de Bogotá,

D.C.» 2004.

http://www.shd.gov.co/shd/sites/default/files/documentos/Recorriendo%20ENGATI

VA.pdf (último acceso: 9 de abril de 2015).

Aronoff, S. Classification accuracy;a user approach. 48 vols. photogrametric

engineering and remote sensing , 1982.

Barret, E.C. Climatology from satellites. london: Methuen , 1974.

Cambell, J.B. Introduction to Remote Sensing . New York, 1987.

Chuvieco, Emilio. fundamentos de teledeteccion espacial. España: RIALP S.A.,

1996.

DANE. «Estadisticas de edificacion licencias de construccion.» s.f.

http://www.dane.gov.co/ (último acceso: 3 de MAYO de 2015).

DIMPE, direccion de metodologia y produccion estadistica-.

«http://192.168.1.200/Anda_4_1/index.php.»

http://192.168.1.200/Anda_4_1/index.php. 13 de febrero de 2014. (último acceso:

02 de junio de 2015).

Hyatt, E. Keyguide to information sources in Remote Sensing. London: Marsell,

1988.

IMGSAT, 2005. s.f. http://www.com.uvigo.es/asignaturas/scvs/curso00-01.htm.

(último acceso: 7 de JULIO de 2015).

M, GOMEZ. «Análisis de crecimiento urbano en Bogotá con imágenes satelitales.»

s.f.

http://dspace.uniandes.edu.co/xmlui/bitstream/handle/1992/735/MI_ICYA_2005_02

5.pdf?sequence=1 (último acceso: 15 de ABRIL de 2015).

-100-

Ower, M y J. Ormsby. Improved classification of smail scale urban watershed using

thematic mapper simulator data. international journal of remote sensing, 1984.

Prosis, 2005. comercializadora de imágenes de satélite para Colombia. s.f.

http://www.prosis.com (último acceso: 6 de JULIO de 2015).

rosenfeld, G.H. Sample desing for estimating change in land use and land cover.

48 vols. photogrammetric engineering and remote sensing, 1982.

Toll, D.L. An Evaluation of simulated thematic mapper data and landsat MSS data

for discriminating suburban and regional land use and land cover, .

photogrammetric engineering and remote sensing , 1984.

Varela, Álvaro García. s.f. http://www.com.uvigo.es/asignaturas/scvs/curso00-

01.htm. (último acceso: 5 de JULIO de 2015).

DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO DE ÁREA DE...

Documents

Transcript of DISEÑO DE UN ALGORITMO PARA RECONOCIMIENTO DE ÁREA DE...