Sistemas de Información Geográfica - …ingenieroambiental.com/4018/11 sistemas de informacion...

Capítulo 11 Sistemas de Información Geográfica

Introducción El inicio de los Sistemas de Información Geográfica (SIG) se remonta a comienzos de la humanidad. Los mapas más antiguos se conocieron antes del 2500 a.C., pero probablemente hayan sido de tiempos anteriores. Desde entonces el hombre ha continuado mejorando los métodos de representación de la información espacial. A mediados del siglo XVIII se usaron superposiciones de mapas para presentar los movimientos de la tropa en la guerra de la revolución. Estos pueden ser considerados los comienzos de los SIG. El primer censo británico en 1825 mostró otra aplicación de los SIG en la demografía. Durante el siglo XIX muchos cartógrafos y científicos fueron descubriendo el potencial de las superposiciones para representar varios niveles de información sobre un área (Star y Estes 1990).

Frederick Law Olmstead ha sido considerado el padre de la arquitectura paisajística por su innovador trabajo en los inicios del siglo XX. Muchos de los métodos usados por Olmstead en la arquitectura paisajística involucra el uso de sobreposiciones manuales. Este tipo de análisis comenzó a usarse para un amplio rango de aplicaciones, tales como detección de cambios, planeación urbana y manejo de recursos (Rado 1992).

El primer sistema SIG fue el Sistema de Información Geográfica Canadiense, desarrollado en 1962 por Roger Tomlinson para el inventario de tierras del Canadá. Diferentes sistemas empezaron a ser desarrollados para aplicaciones específicas. En este caso se diseñó un sistema para almacenar mapas digitalizados y atributos correspondientes al terreno canadiense en un formato de fácil acceso. Este sistema aún se encuentra en operación (Parent y Church 1987).

En 1969, se publicó el trabajo Diseño con Naturaleza de Ian McHarg. Este trabajo sobre análisis de capacidad/uso de la tierra (SCA), un sistema diseñado para analizar varias capas de datos para producir un mapa para planificación, discutió el uso de superposiciones de capas de datos referenciados espacialmente para la planeación y el manejo de los recursos (Star y Estes 1990).

La era moderna de los SIG empieza en los años 70, cuando los analistas comienzan a programar computadoras para automatizar algunos procesos manuales. Algunas compañías de software como ESRI y ERDAS desarrollaron paquetes de software que permitían entrada, despliegue y manipulación de datos geográficos para crear nuevas capas de información. Los constantes avances en las especificaciones y en el poder del hardware en los últimos diez años y la disminución en sus costos han hecho la tecnología SIG accesible a un amplio rango de usuarios. La tasa de crecimiento de la industria SIG en los últimos años ha excedido las proyecciones más optimistas.

C A P Í T U L O 1 1

Sistemas de Información Geográfica

383Field Guide


Actualmente un Sistema de Información Geográfica (o SIG) es un sistema único diseñado para entrar, almacenar, recuperar, manipular y analizar capas de datos geográficos para producir información interpretable. Un SIG también debería ser capaz de crear reportes y mapas (Marble 1990). La base de datos de un SIG incluye imágenes de computador, mapas impresos, datos estadísticos y otros tipos de datos necesarios en un estudio. Aunque el término SIG es de uso común para describir paquetes de software, un verdadero SIG incluye personas con conocimiento, un programa de entrenamiento, presupuesto, mercadeo, hardware, datos y software (Walker y Miller 1990). La tecnología SIG puede usarse en casi cualquier disciplina relacionada con la geografía, desde la arquitectura paisajística hasta el manejo de los recursos naturales o el diseño de rutas de transporte.

El propósito principal de un SIG es convertir datos geográficos en información útil. Debe responder a preguntas de la vida real tales como:

• ¿Cómo podremos monitorear la influencia de los cambios climáticos globales sobre los recursos de la tierra?

• ¿Cómo podrían definirse nuevamente las divisiones políticas en una área metropolitana que crece rápidamente?

• ¿Cuál sería el mejor lugar para ubicar un centro comercial, que sea conveniente para los compradores y cause el menor impacto ambiental?

• ¿Qué áreas podrían ser protegidas para garantizar la supervivencia de especies en peligro de extinción?

• ¿Cómo podrían prepararse las comunidades para desastres naturales, tales como terremotos, tornados, huracanes e inundaciones?

Información Vs. Datos

La información, opuesta a los datos, es independientemente significativa. Esto es relevante para un problema o interrogante particular:

• "La cobertura de tierras de coordenadas N875250, E757261 tiene un valor 8 en el archivo de datos", es un dato.

• "Las coberturas de tierras con valor 8 son de pendientes muy elevadas para desarrollo", es información.

El usuario puede entrar datos en un SIG y obtener información. La información que el usuario desea derivar determina el tipo de datos que deben usarse en la entrada. Por ejemplo, si se está observando un lugar para situar un refugio apropiado para las águilas, los datos del código postal probablemente no se necesiten, mientras que los datos de cobertura terrestre pueden ser útiles.

Por esta razón, el primer paso en cualquier proyecto de SIG es usualmente una evaluación del alcance y de las metas del estudio. Una vez que el proyecto está definido se puede iniciar el proceso de construir la base de datos. Aunque el software y los datos están disponibles comercialmente, debe crearse una base de datos a la medida del proyecto y área de estudio en particular. Esto es, que debe ser diseñada para satisfacer las necesidades y objetivos de la organización. El ERDAS IMAGINE provee todas las herramientas requeridas para construir y manipular una base de datos SIG.

La típica implementación de un SIG incluye dos pasos:

• entrada de datos

• análisis

384 ERDAS

Entrada De Datos

En la entrada se reúnen dentro de una base de datos las capas de datos necesarias. En la fase de análisis, estas capas son combinadas y manipuladas en cierto orden para crear nuevas capas para luego extraer información útil de ellas. Este capítulo trata estos pasos en detalle.

Entrada De Datos La adquisición de los datos apropiados para un proyecto supone crear una base de datos de capas que abarquen el área de estudio. Una base de datos creada con ERDAS IMAGINE puede estar constituida por:

• capas continuas (imágenes de satélite, fotografías aéreas, datos de elevación, etc.)

• capas temáticas (uso de tierras, vegetación, hidrología, suelos, pendientes, etc.)

• capas vector (vías, redes de comunicación y servicios públicos, parcelas, etc.)

• estadísticas (frecuencia de una ocurrencia, demografía, etc.)

• datos de atributos (características de las carreteras, tierras, imágenes, etc.)

El paquete de software ERDAS IMAGINE emplea una arquitectura orientada a objetos, que utiliza imágenes raster y datos topológicos vector. Las imágenes raster son almacenadas en archivos .img, y las capas vector son coberturas basadas en los modelos de datos ARC/INFO. La perfecta integración de estos dos tipos de datos permite al usuario aprovechar los beneficios de ambos formatos en un sólo sistema.

Figura 11-1: Entrada de Datos

GIS analyst using ERDAS IMAGINE

Landsat TMSPOT panchromaticAerial photographSoils dataLand cover

RoadsCensus dataOwnership parcelsPolitical boundariesLandmarks

Vector Data Input Raster Data Input

Raster Attributes Vector Attributes

385Field Guide


En las siguientes aplicaciones podrían ser más apropiados los datos raster:

• selección de sitios

• manejo de recursos naturales

• exploración de petróleo

• planeación de misiones

• detección de cambios

De otra parte, los datos vector pueden ser útiles en estas aplicaciones:

• planeación urbana

• valoración de impuestos y planificación

• ingeniería de Tráfico

• gestión de instalaciones

La ventaja de un sistema vector y raster integrado tal como ERDAS IMAGINE es que una estructura de datos no sobresale sobre la otra. Ambos formatos de datos pueden ser usados y las funciones de ambos tipos de sistemas pueden ser utilizadas. Dependiendo del proyecto, pueden ser necesarios sólo datos vector o raster, pero se obtienen más beneficios de las aplicaciones si se usan ambos.

Temas y Capas Una base de datos usualmente contiene archivos con datos de la misma área geográfica, donde cada archivo contiene diferentes tipos de información. Por ejemplo, una base de datos para un departamento de recreación de una ciudad podría incluir archivos de todos los parques en el área. Estos archivos podrían representar los límites de los parques, límites distritales y municipales, tipos de vegetación, tipos de suelos, drenajes, pendientes, caminos, etc. Cada uno de estos archivos contiene diferente información, cada uno es un tema diferente. El concepto de temas ha evolucionado desde los comienzos de los SIG, en los que se crearon transparencias para cada tema y por superposiciones fueron combinadas de diferentes maneras para derivar nueva información.

Un tema sencillo puede requerir más que un simple archivo raster o vector para describirlo completamente. En cambio para la imagen, hay atributos que describen la información, un esquema de colores o una leyenda significativa para la imagen. Así, una capa es una colección completa de datos que describe cierto tema.

Dependiendo de las metas propuestas de un proyecto, tal vez sea útil combinar varios temas dentro de una capa. Por ejemplo, si un usuario desea proponer un nuevo sitio para un parque, puede crear una capa que muestre caminos, cobertura de la tierra, propietarios de la tierra, pendientes, etc., e indicar por medio del uso de colores y/o anotaciones cuáles áreas podrían ser las mejores para el nuevo lugar. Esta única capa podría entonces incluir muchos temas separados. Muchos de los análisis de los SIG se relacionan con la combinación individual de temas dentro de una o más capas que responden las preguntas manejadas en el análisis. Este capítulo explora estas técnicas de análisis.

Capas Continuas Las capas raster continuas son cuantitativas (miden una característica) y están relacionadas con valores continuos. Las capas raster continuas pueden ser multibanda (p.e., Landsat TM) o de una sóla banda (p.e., SPOT pancromática).

386 ERDAS

Capas Tematicas

Las imágenes de satélite, fotografías aéreas, datos de elevación, mapas escaneados y otros datos de capas continuas, pueden incorporarse a una base de datos y proveer información que no esté disponible en capas temáticas o capas vector. En efecto, estas capas forman el cimiento de la base de datos. Pueden crearse mapas base precisos a partir de imágenes de satélite o fotografías aéreas rectificadas. Luego, todas las otras capas que sean adicionadas a la base de datos pueden registrarse con este mapa base.

Aunque alguna vez se usaron únicamente para procesamiento de imágenes, los datos continuos se están incorporando a bases de datos SIG y se usan en combinación con datos temáticos que inciden en el procesamiento de algoritmos; también se usan como imagen de fondo en la presentación de los resultados del análisis. Actualmente los datos de satélite y fotografías aéreas son efectivos en la actualización de datos vectoriales obsoletos. Los vectores pueden superponerse sobre un fondo raster para actualizar dinámicamente elementos nuevos o que han cambiado, tales como caminos, redes de servicios públicos o usos de la tierra. Este capítulo explora los diversos usos de los datos continuos en los SIG.

Ver capítulo 1 "Datos Raster" para más información sobre datos continuos.

Capas Tematicas Los datos temáticos están representados como capas sencillas de información y se almacenan como archivos .img que contienen clases discretas. Las clases son simplemente categorías de pixeles que representan la misma condición. Un ejemplo de una capa temática es una clasificación de la vegetación con clases discretas que representen: bosques de coníferas, bosques caducifolios, pantanos, zonas agrícolas, zonas urbanas, etc.

Algunas veces a una capa temática se le llama variable, porque representa una de las muchas características acerca del área de estudio. Las capas temáticas tienen generalmente sólo una banda, usualmente desplegada en modo pseudo-color, donde los colores particulares asignados sirven para ayudar a visualizar la información. Por ejemplo, el azul es generalmente usado para cuerpos de agua, el verde para vegetación, etc.

Ver capítulo 4 "Despliegue de Imágenes" para más información sobre despliegue en pseudo-color.

Sistemas de Numeración de Clases

En oposición a los valores de archivo de las capas continuas, las que generalmente son multibanda y están estadísticamente relacionadas, los valores de archivo de capas temáticas pueden tener escalas de medida nominal, ordinal, de intervalos y de razón (relación o proporción) (Star y Estes, 1990).

• La escala nominal representa categorías sin un orden particular. Usualmente, estas son características que no están asociadas con cantidades (p.e., tipos de suelos o áreas políticas).

• La escala ordinal es aquella que sigue una secuencia, tal como pobre, bueno, mejor y el mejor. Un sistema de numeración de escala ordinal es creado desde un sistema nominal, en el cual las clases han sido clasificadas por algún criterio. En el caso de las bases de datos de los departamentos de recreación utilizada en los ejemplos previos, la capa final puede ser utilizada para clasificar el terreno del parque propuesto de acuerdo con lo indicado.

387Field Guide


• La escala de intervalos también tienen una secuencia natural, pero la diferencia entre sus valores es significativa. Este sistema de numeración podría ser usado para datos de temperatura por ejemplo.

• La escala de razón difiere de la escala de intervalos solamente en que la escala de razón tienen un punto cero natural, por ejemplo cantidades de precipitación.

La variable que se esté analizando y la manera en que contribuye a crear el producto final, determina el sistema de numeración de clases que se use en las capas temáticas. Las capas que tienen un sistema de numeración pueden ser recodificadas fácilmente a un nuevo sistema. Esto se discute detalladamente en "Recodificación" on page 398.

Clasificacion Las capas temáticas pueden ser generadas a partir de datos adquiridos remotamente (p.e., Landsat TM, SPOT) usando las herramientas Image Interpreter, Classificacion y Spatial Modeler de ERDAS IMAGINE. Una aplicación frecuente y popular es la clasificación de la cobertura de la tierra por medio del uso de algoritmos de reconocimiento de patrones supervisado (asistido por el usuario) y no supervisado (automático) existentes en ERDAS IMAGINE. La salida es una capa temática sencilla que representa clases específicas basadas en el enfoque que se haya seleccionado.

Ver capítulo 6 "Clasificación" para más información.

Conversión de Datos Vector a Formato Raster

Las capas vector pueden ser convertidas a formato raster en caso que sea más apropiado para una aplicación en particular. Las capas vector típicas, tales como líneas de comunicación, hidrografía, límites y otros elementos lineales pueden convertirse fácilmente a formato raster para realizar nuevos análisis con ERDAS IMAGINE.

Use el menú Vector Utilites del icono Vector en el panel de íconos de ERDAS IMAGINE para convertir capas vector a formato raster.

Otras fuentes de datos raster son discutidas en el capítulo 3 "Fuentes de Datos Raster y Vectoriales".

Estadísticas Tanto las capas continuas como temáticas incluyen información estadística. Las capas temáticas contienen la siguiente información:

• un histograma de los valores de datos, los cuales son el número total de pixeles en cada clase

• una lista de nombres de clase que corresponden a los valores de clase

• una lista de valores de clase

• una tabla de colores, que almacena los valores de brillo de rojo, verde y azul, la cual muestra en colores cada una de las clases de la capa desplegada

Para datos temáticos, estas estadísticas son llamadas atributos y pueden estar acompañadas de otros tipos de información, como se describirá posteriormente.

388 ERDAS

Atributos

Use la opción Image Information del panel de íconos de ERDAS IMAGINE para generar o actualizar las estadísticas de los archivos .img.

Ver capítulo 1 "Datos Raster" para más información sobre almacenamiento de estadísticas de capas continuas.

Capas Vector Las capas vector usadas en ERDAS IMAGINE están basadas en el modelo de datos Arc/lnfo y consisten de puntos, líneas y polígonos. Estas capas son topológicamente completas, lo que significa que las relaciones espaciales entre las características guardan relación. Las capas vector pueden ser utilizadas para representar rutas de transporte, corredores de servicios públicos, líneas de comunicación, impuestos para parcelas, zonas escolares, distritos de votación, monumentos históricos, densidad poblacional, etc., las capas vector pueden ser analizadas independientemente o en combinación con capas continuas y temáticas.

Desde ERDAS IMAGINE V8.4, las capas vectoriales también pueden ser shapefiles basados en el modelo de datos de ArcView.

Los datos vector pueden adquirirse a través de agencias privadas y gubernamentales. Los datos vector también pueden ser creados en ERDAS IMAGINE digitalizando sobre la pantalla, usando una mesa digitalizadora o convirtiendo otros tipos de datos a formato vector.

Ver capítulo 2 "Capas Vectoriales" para más información sobre las características de los datos vector.

Atributos Se llaman atributos el texto y los datos numéricos que están asociados con las clases de una capa temática o con las características de una capa vector. Esta información puede tener formato de cadena de caracteres, números enteros ó números de punto flotante, muchos de los atributos que se trabajan van a ser manipulados por el software manejador de la base de datos. El usuario puede definir campos, los cuales son categorías de información de cada clase. Un registro es el conjunto de atributos para una clase. Cada registro es como una ficha que contiene información sobre una clase o característica en un archivo con muchas fichas, las cuales contienen información similar para otras clases o características.

La información de atributos para capas raster se almacena en un archivo de imagen (.img). La información de atributos vector es almacenada en un archivo INFO. En ambos casos, hay campos que son generados automáticamente por el software, pero pueden añadirse otros campos que sean necesarios para describir en detalle los datos. En ERDAS IMAGINE ambos son vistos como arreglos de celdas, que le permiten al usuario desplegar y manipular la información. Sin embargo, los atributos raster y vector son manejados de una forma ligeramente diferente; como se explicará enseguida.

Atributos Raster En ERDAS IMAGINE, los atributos raster para archivos .img se accesan desde el editor de atributos raster. El editor de atributos raster contiene un arreglo de celdas, el cual es similar a una tabla u hoja de cálculo que no sólo presenta la información, sino que incluye opciones para importar, exportar, copiar, editar y otras operaciones.

389Field Guide


La Figura 11-2 en la página 390 muestra los atributos de una capa de clasificación de cobertura terrestre.

Figura 11-2: Atributos Raster para Inlandc.imf

La mayoría de las capas temáticas contienen los siguientes campos de atributos:

• nombre de la clase

• valor de la clase

• tabla de colores (valores de rojo, verde y azul)

• porcentaje de opacidad

• histograma (número de pixeles en el archivo que pertenecen a la clase)

Pueden adicionarse tantos campos de atributos como sean necesarios para cada una de las clases definidas.

Ver capítulo 6 "Clasificación" para más detalles sobre la información de atributos que es generada automáticamente cuando se crean nuevas capas temáticas en el proceso de la clasificación.

Visualización de Atributos Raster

La observación de la información de atributos puede ser una herramienta valiosa de análisis. Dependiendo del tipo de información asociada con las capas de la base de datos, el procesamiento puede ser más refinado comparando los atributos de varios archivos. Cuando la capa raster y su información de atributos asociada se despliegan, el usuario puede seleccionar características de una utilizando la otra. Por ejemplo para localizar el nombre de la clase asociada con un polígono particular en una imagen desplegada, simplemente se hace click con el ratón sobre el polígono y la fila correspondiente se ilumina en el editor de atributos raster.

La información de atributos es accesible desde varios lugares usando ERDAS IMAGINE. En algunos casos es de sólo lectura y en otros casos funciona completamente desde el editor, permitiendo que la información sea modificada.

390 ERDAS

Atributos

Manipulación de Atributos Raster

Las aplicaciones para manipular atributos son tan variadas como las aplicaciones para los SIG. La información de atributos en una base de datos dependerá de las metas del proyecto. Algunas de las capacidades para edición de atributos en ERDAS IMAGINE incluyen:

• importar/exportar información ASCII para y desde otros paquetes de software, tales como hojas de cálculo y procesadores de texto

• cortar, copiar y pegar celdas individuales, filas o columnas para y desde el mismo editor de Atributos Raster o entre varios Editores de Atributos Raster

• generación de reportes que incluye toda o parte de la información en el editor de Atributos Raster

• uso de fórmulas para celdas

• editar directamente celdas en las que esté entrando información nueva

El editor de atributos raster en ERDAS IMAGINE incluye una columna de color de celdas, que permite visualizar los colores de la clase (objeto). Además el usario puede manipular directamente los atributos que han sido cambiados por otros programas. Por ejemplo, algunas de las funciones de Image Interpreter calculan las estadisticas, las cuales se adicionan automaticamente al editor de atributos raster. También puede escribirse sobre modelos que leen y/o modifican información de los atributos.

Ver capítulo 5 "Realces" para más infomación sobre Image Interpreter.

Atributos Vector Los atributos vector se guardan en celdas para atributos vector. El usuario puede ver los atributos o usarlos para:

• seleccionar elementos en una capa vector para nuevos procesamientos

• determinar cómo serán simbolizados los vectores

• etiquetar elementos

La Figura 11-3 en la página 392 muestra los atributos para una capa de vías.

391Field Guide


Figura 11-3: Celdas de Atributos Vector

Ver capítulo 2 "Capas Vectoriales" para más información sobre atributos vector.

Análisis

Herramientas de Análisis en ERDAS IMAGINE

En ERDAS IMAGINE, las funciones de análisis y algoritmos de los SIG son accesibles a través de tres herramientas:

• modelos script creados con Spatial Modeler Language

• modelos gráficos creados con Model Maker

• funciones pre-definidas en Image Interpreter

Spatial Modeler Language (Lenguaje de Modelamiento Espacial)

Spatial Modeler Language es la base para toda las funciones SIG de ERDAS IMAGINE y además la más potente. Este es un lenguaje de modelamiento que permite al usuario crear modelos script (de texto) para una variedad de aplicaciones. Los modelos pueden ser usados para crear algoritmos hechos a la medida que manejen mejor los datos y satisfagan los objetivos del usuario.

392 ERDAS

Análisis

Model Maker (Modelador)

Model Maker es esencialmente el lenguaje de modelamiento espacial unido a una interface gráfica. Esto le permite al usuario crear modelos gráficos usando una paleta de herramientas. Los modelos gráficos pueden correrse, editarse, salvarse en librerías o convertirse a forma script y luego editarse usando Spatial Modeler Language.

NOTA: Las referencias a Spatial Modeler en este capítulo significan que los procedimientos nombrados pueden llevarse acabo usando Model Maker o Spatial Modeler Language.

Image Interpreter

Image Interpreter posee un conjunto de funciones que se crean usando Model Maker o Spatial Modeler Language. Ellos tienen una interface de diálogo que hacen juego con otros procesos en ERDAS IMAGINE. En la mayoría de los casos, estos procesos pueden correrse con un diálogo sencillo. Sin embargo, los modelos actuales cuentan con software que permite elaborarlos a la medida.

Muchas de las funciones descritas en las siguientes secciones pueden utilizarse usando cualquiera de estas herramientas. Model Maker es de uso fácil y requiere de muchos de los mismos pasos que se realizarían al dibujar un diagrama de flujo para un análisis. Spatial Modeler Language está hecho para análisis más avanzados y ha sido diseñado usando comandos de lenguaje natural y reglas de sintaxis simples. Algunas aplicaciones pueden requerir una combinación de estas herramientas.

Personalización de las Herramientas de ERDAS IMAGINE

ERDAS Macro Language (EML) permite crear y/o agregar nuevos diálogos personalizados. De necesitarse nuevas capacidades, ellas pueden ser creadas con herramientas de C. Empleando estas herramientas puede crearse un SIG completamente hecho a la medida para una aplicación específica. ERDAS Macro Language y las herramientas de C son partes de Developers '

Toolkit™ de ERDAS IMAGINE.

Vea la ayuda en línea de ERDAS IMAGINE para más información sobre EML y sobre Developers' Toolkit.

Procedimientos de Análisis

Una vez la base de datos (capas y atributos) está montada, pueden analizarse las capas y extraerse nueva información de ellas. Alguna información puede extraerse simplemente comparando las capas en forma visual. Sin embargo, la nueva información puede recuperarse combinando y comparando capas usando los siguientes procedimientos:

• Análisis de proximidad—los procesos de categorización y evaluación de pixeles basados en sus distancias a otro pixeles en una clase o clases especificadas.

• Análisis de Contigüidad—le permite al usuario identificar regiones de pixeles en la misma clase y filtrar por fuera regiones pequeñas.

• Análisis de Vecindad—cualquier técnica de procesamiento de imágenes que considere pixeles vecinos, tales como el filtrado por convolución y el escaneo. Este es muy similar al filtrado por convolución realizado sobre datos continuos. Pueden realizarse varios tipos de análisis, tales como límite, densidad, media, suma, etc.

• Recodificación—permite al usuario asignar nuevos valores de clase para todas o algunas de las clases en una capa.

393Field Guide


• Superposición—crea un nuevo archivo con el valor máximo o mínimo de las capas de entrada.

• Indexación—agrega los valores de las capas de entrada.

• Análisis Matricial—las salidas son los valores coincidentes en las capas de entrada.

• Modelamiento Gráfico—permite al usuario combinar capas de datos en un número ilimitado de formas. Por ejemplo, una capa de salida creada por modelamiento puede representar la combinación deseada de muchos temas de las capas de entrada.

• Modelamiento script—ofrece todo las capacidades de modelamiento gráfico con la capacidad de ejecutar funciones más complejas, tales como bucles condicionales.

Uso de un Área de Interés (AOI)

Cualquiera de estas funciones puede usarse sobre una o muchas capas. El usuario puede seleccionar un área de interés (AOl) particular que está definida en un archivo separado (capa AOl, mapa raster temático, o capa vector) o un área de interés que es seleccionada entrando sus coordenadas específicas antes de la operación o por simple selección del área en el visor.

Análisis de Proximidad

Muchas aplicaciones requieren algunas medidas de distancia o de proximidad. Por ejemplo, un urbanizador de bienes raíces estaría interesado en conocer la distancia entre un sitio potencial para un centro comercial y una vía principal.

El análisis de proximidad determina cuáles pixeles de una capa están localizados a una distancia específica de los pixeles de una cierta clase o clases. Se crea una nueva capa temática (archivo .img), categorizada por la distancia de cada pixel de las clases especificas de la capa de entrada. Este nuevo archivo se vuelve una nueva capa de la base de datos y proporciona una zona de influencia alrededor de la(s) clase(s) especificada(s). En nuevos análisis, puede ser beneficioso considerar otros factores, tomando en cuenta si ellos caen dentro o fuera de la zona de influencia.

La Figura 11-4 en la página 394 muestra una capa que contiene lagos y corrientes de agua y la capa resultante después de realizar un análisis de proximidad para crear una zona de influencia alrededor de todos los cuerpos de agua.

Figura 11-4: Análisis de Proximidad

Original layer After proximity analysis performed

Buffer

Lake

Streams

zones

394 ERDAS

Análisis de Contigüidad

Use la función Search (Analysis GIS) de Image Interpreter o Spatial Modeler para realizar un análisis de proximidad.

Análisis de Contigüidad

Un análisis de contigüidad considera las maneras en las que se agrupan los pixeles de una clase. Los grupos de pixeles contiguos en la misma clase, se llaman regiones raster, o grupos. Pueden manipularse o ser identificados por sus tamaños. Una aplicación de esta herramienta podría ser un análisis para localizar un helipuerto que requiere al menos 250 pixeles contiguos y una resolución de 10 metros.

El análisis de contigüidad puede ser usado para:

• dividir una gran clase en regiones raster separadas, o

• eliminar regiones raster que se consideran demasiado pequeñas para una aplicación.

Filtrado de Grupos En casos donde los grupos son muy pequeños y no son útiles, entonces pueden filtrarse de acuerdo a sus tamaños. Esto algunas veces se conoce como eliminación de los efectos sal y pimienta o cribado (tamizado). En la Figura 11-5 en la página 395 todos los grupos pequeños de la capa original son eliminados.

Figura 11-5: Análisis de Contigüidad

Use las funciones grupos y sieve (GIS Analysis GIS) del Image Interpreter o Spatial Modeler para realizar análisis de contigüidad.

Clumped layer Sieved layer

395Field Guide


Análisis de Vecindad

Con un proceso similar al filtrado por convolución de capas raster continuas, las capas raster temáticas tambien pueden filtrarse. El proceso de filtrado en los SIG algunas veces se llama escaneo, que no debe confundirse con la captura de datos por medio de una cámara digital. El análisis de vecindad está basado en características locales o de vecindad de los datos (Star y Estes 1990).

Todo pixel es analizado espacialmente, de acuerdo con los pixeles que lo rodean. El número y localización de los pixeles vecinos es determinado por la ventana de escaneo, que es definida por el usuario. Estas operaciones se conocen como operaciones focales. La ventana de escaneo puede ser:

• circular, con un diámetro máximo de 512 pixeles

• forma de donut, con un radio exterior máximo de 256 pixeles

• rectangular, hasta de 512 × 512 pixels, con la opción de enmascarar determinados pixeles

Use la función Neighborhood (Analysis GIS) de Image Interpreter o Spatial Modeler para realizar análisis de vecindad. La ventana de escaneo usada en Image Interpreter puede ser 3 × 3, 5 × 5 o 7 × 7. En Model Maker es definida por el usuario y puede ser hasta de 512 × 512. La ventana de escaneo en SML puede ser de cualquier tamaño.

Definición del Area de Escaneo

El usuario puede definir el área del archivo que va a ser escaneada. La ventana de escaneo se moverá sólo sobre esta área cuando se realiza el análisis. El área puede ser definida de una de las siguientes maneras:

• Especificar una porción rectangular del archivo a escanear. La capa de salida contendrá sólo el área especificada.

• Especificar un área de interés que esté definida en una capa AOl existente, una superposición de anotaciones, o una capa vector. El(Las) área(s) dentro del polígono será escaneada, y las otras áreas permanecerán iguales. La capa de salida tendrá el mismo tamaño que la capa de entrada y la parte rectangular seleccionada.

• Especificar una clase o clases en otra capa temática usada como máscara. Los pixeles en la capa escaneada corresponderán a los pixeles de la clase o clases seleccionada en la capa máscara, mientras que los otros pixeles permanecerán iguales.

396 ERDAS

Análisis de Vecindad

Figura 11-6: Uso de la Máscara

En la Figura 11-6 en la página 397, la clase 2 en la capa máscara fue seleccionada por la máscara. Sólo los pixeles correspondientes (sombreados) en la capa fuente serán escaneados—los otros valores permanecerán inalterados.

El análisis de vecindad crea una nueva capa temática. Hay varios tipos de análisis que puede realizarse sobre cada ventana de pixeles, como se describe a continuación:

• Frontera—detecta límites entre clases. La capa de salida contiene sólo pixeles de frontera. Esto es útil para crear fronteras o líneas de clases, tales como una interfaz tierra/agua.

• Densidad—proporciona el número de pixeles que tienen el mismo valor de clase que el pixel central (analizado). La densidad también es una medida de homogeneidad (igualdad), basada en el pixel analizado. A menudo es útil en la evaluación del dosel de vegetación.

• Diversidad—proporciona el número de los valores de clase que están presentes dentro de la ventana. La diversidad también es una medida de heterogeneidad (diferencia).

• Mayoría—da el valor de clase que representa la mayoría de los valores de clase en la ventana. El valor es definido por el usuario. Esta opción opera como un filtro paso bajo para limpiar la capa del efecto sal y pimienta.

• Máximo—da el mayor valor de clase dentro de la ventana. Esto puede usarse para dar énfasis a clases con valores de clase altos o eliminar rasgos lineales o de frontera.

• Media—promedia los valores de clase. Si los valores de clase representan datos cuantitativos, entonces esta opción puede trabajar como un filtro por convolución. Esto es principalmente usado en datos con escalas ordinales o de intervalo.

• Mediano—da la mediana estadística de los valores de clase en la ventana. Esta opción puede ser útil si los valores de clase representan datos cuantitativos.

• Mínimo—saca el valor de la clase menor o más pequeña dentro de la ventana. El valor es definido por el usuario. Esto puede usarse para dar énfasis a clases con valores de clase bajo.

• Minoría—saca el valor de la clase menos común que está dentro de la ventana. Esta opción puede usarse para identificar la clase común. También puede ser usada para resaltar rasgos lineales separados.

88222288222

26666226668

88888668334

45533344544

44454444555

55555

mask layer target layer

Field Guide
397


• Rango—saca el número de pixeles en la ventana de escaneo cuyo valor es menor que el pixel central.

• Desviación estándar—saca la desviación estándar de los valores de clase en la ventana.

• Suma—totaliza los valores de las clases. En un archivo donde los valores de clase están categorizados, totalizar permite al usuario promover rangos de pixeles basados en su proximidad a pixeles de mayor jerarquía.

Figura 11-7: Opción de Suma del Análisis de Vecindad (Image Interpreter)

En la Figura 11-7 en la página 398, la opción Suma del Analisis de Vecindad (Image Interpreter) es aplicado a una ventada de pixeles de 3 × 3 en la capa de entrada. En la capa salida, el pixel analizado dará un valor basado sobre el total de todos los pixeles de la ventana.

El pixel analizado siempre es el pixel central de la ventana de escaneo. En este ejemplo, sólo el pixel de la tercera columna y la tercera fila del archivo es sumado.

Recodificación Los valores de clase pueden ser recodificados a nuevos valores. La recodificación involucra la asignación de nuevos valores a una o más clases. La recodificación se usa para:

• reducir el número de clases

• combinar clases

• asignar valores de clases diferentes a clases existentes

Cuando una escala ordinal, de razón o de intervalo es numerada por el sistema, puede usarse la recodificación para asignar a las clases sus valores asignados. Frecuentemente la recodificación se usa para hacer más fácil los pasos posteriores. Por ejemplo, en la creación de un modelo de áreas con salidas de bueno, mejor y mucho mejor, puede ser beneficioso recodificar las capas de entrada de las clases mucho mejor que tienen valores de clase más altos.

En el siguiente ejemplo (Tabla 11-1 en la página 399), la capa de cobertura terrestre es recodificada para que las áreas más susceptibles ambientalmente (tierras húmedas y erosionadas) tengan valores de clase más altos.

22222

88222

66822

66682

66668

822

6482

668

Output of oneiteration of thesum operation

8 + 6 + 6 + 2 + 8 + 6 + 2 + 2 + 8 = 48

398 ERDAS

Superposición (Overlaying)

Use la función Recode (Analysis GIS) de Image Interpreter o Modeler Spatial para recodificar capas.

Superposición (Overlaying)

Las capas de datos temáticas pueden superponerse para crear una capa compuesta. La capa de salida contiene los valores de clase mínimo o máximo de las capas de entrada. Por ejemplo, si una área estuviera en clase 5 en una capa, y en clase 3 en otro, y dominara el valor de clase máximo, entonces la misma área será codificada a clase 5 en la capa de salida, como se muestra en la Figura 11-8 en la página 400.

Tabla 11-1: Ejemplo de una Capa de Cobertura Terrestre Recodificada

Value New Value Class Name

0 0 Background

1 4 Riparian

2 1 Grassland and Scrub

3 1 Chaparral

4 4 Wetlands

5 1 Emergent Vegetation

6 1 Water

399Field Guide


Figura 11-8: Superposición

El ejemplo de aplicación de la Figura 11-8 en la página 400 muestra el resultado de combinar dos capas—pendientes y uso de la tierra. La capa de pendientes se recodifica primero para combinar todas las pendientes altas en un sólo valor. Cuando se superpone con la capa de uso de la tierra, el valor de dato más alto (las pendientes altas) dominará en la capa de salida.

Use la función Overlay (Analysis GIS) de Image Interpreter o Spatial Modeler para superoponer capas.

Indexación Las capas temáticas pueden ser indexadas (adicionadas) para crear una capa compuesta. La capa de salida contiene las sumas de los valores de la capa de entrada. Por ejemplo, la intersección de clase 3 en una capa y clase 5 en otra resultará en la capa de salida como clase 8, como se muestra en la Figura 11-9 en la página 401.

68

92

16

13

5

22

34

12

25

3

99

94

19

25

3

99

90

09

00

0

Recode

Overlay

Original Slope1-5 = flat slopes6-9 = steep slopes

Recoded Slope0 = flat slopes9 = steep slopes

Land Use1 = commercial2 = residential3 = forest4 = industrial5 = wetlands

Overlay Composite1 = commercial2 = residential3 = forest4 = industrial5 = wetlands9 = steep slopes

(Land Use masked)

53

Basic Overlay Application Example

400 ERDAS

Análisis Matricial

Figura 11-9: Indexación

El ejemplo de aplicación en la Figura 11-9 en la página 401 muestra el resultado de la indexación. En este ejemplo, el usuario quiere desarrollar una nueva subdivisión y probablemente los sitios donde está la mejor combinación (valor más alto) de suelos, pendiente y buenos accesos. Puesto que una buena pendiente es el factor más crítico para el usuario que un buen suelos o un buen acceso, se aplica un factor de peso a la de pendientes. El factor de peso tiene el efecto de multiplicar todos los valores de entrada por alguna constante. En este ejemplo, se usó un peso de 2 para la capa de pendientes.

Use la función Index (Analysis GIS) del Image Interpreter o Spatial Modeler para indexar capas.

Análisis Matricial El análisis matricial produce una capa temática que contiene una clase separada por cada coincidencia de clases en dos capas. La salida se describe mejor con un diagrama matricial.

99

59

91

19

5

95

19

95

99

9

3624

1636

368

2836

16

1810

1018

182

1818

2

Soils9 = good5 = fair

Slope9 = good5 = fair

Access9 = good5 = fair1 = poor

1 = poor

1 = poor

Output values calculated

WeightingImportance×1×1×1



+

+

=

3 58

Basic Index Application Example

401Field Guide


En este diagrama, la clases de las dos capas de entrada representan las filas y columnas de la matriz. Las clases de salida son asignadas de acuerdo con la coincidencia de cualquier par de clases de entrada.

Todas las combinaciones de 0 y cualquier otra clase son codificadas con 0, porque usualmente 0 es la clase del fondo, que representa un área que no está siendo estudiada.

A diferencia de la superposición o de la indexación, los valores de clase resultantes de una operación matricial son únicos para cada coincidencia de dos valores de clase de entrada. En este ejemplo, el valor de clase de salida, en la columna 1 y fila 3 es 11, y la clase de salida en la columna 3 y fila 1 es 3. Si estos archivos fueran indexados (sumados) en vez de estar en la forma matricial, ambas combinaciones serían codificadas como clase 4.

Use la función Matrix (GIS Analysis) de Image Interpreter o Spatial Modeler para capas matriciales.

Modelamiento El modelamiento es una herramienta de análisis muy potente y flexible. El modelamiento es el proceso de crear nuevas capas a partir de capas existentes ya sea combinándolas o haciendo operaciones entre ellas. El modelamiento le permite al usuario crear un pequeño conjunto de capas—quizás una sola capa—que puede contene muchos tipos de información acerca del área de estudio.

Por ejemplo, si un usuario quiere encontrar las mejores áreas para instalar un refugio de aves, teniendo en cuenta: la vegetación, disponibilidad de agua, clima y distancia de las áreas mejor desarrolladas, se crearía una capa temática para cada uno de estos criterios. Así, cada una de estas capas sería una entrada del modelo. El proceso de modelamiento ofrecería una capa temática mostrando sólo las mejores áreas para la instalación del refugio.

Valores de los datos en la capa 2 de entrada (columnas)

0 1 2 3 4 5

Valores de los datos en la capa 1 de

entrada

0 0 0 0 0 0 0

1 0 1 2 3 4 5

2 0 6 7 8 9 10

3 0 11 12 13 14 15

402 ERDAS

Modelamiento Gráfico

Un modelo es el conjunto de procedimientos que definen el criterio. En ERDAS IMAGINE, los modelos pueden crearse gráficamente y son parecidos a un diagrama de flujo, o también pueden crearse usando un lenguaje script. Aunque estos dos tipos de modelos parecen diferentes, ellos son el mismo, se definen los archivos de entrada, se especifican los operadores y/o funciones y se definen las salidas. Al correr el modelo se crea una(s) nueva(s) capa (s) de salida. Los modelos pueden utilizar funciones de análisis previamente definidas o funciones nuevas que pueden ser creadas por el usuario.

Use la función Model Maker en Spatial Modeler para crear modelos gráficos y Spatial Modeler Language para crear modelos script.

Capas de Datos En el modelamiento, el concepto de capas es muy importante. Antes que se usaran los computadores para el modelamiento, el mayor uso fue sobreponer mapas registrados sobre papel o transparencias, en donde cada mapa correspondía a un tema separado. Hoy, en día los archivos digitales reemplazan estas capas duras y permiten mayor flexibilidad para recolorear, recodificar y reproducir información geográfica (Steinitz et al 1976).

En un modelo, los pixeles correspondientes a las mismás coordenadas en todas las capas de entrada son direccionados como si ellos estuvieran sobrepuestos físicamente como en los mapas en papel.


El modelamiento gráfico permite al usuario dibujar modelos usando una paleta de herramientas que define entradas, funciones y salidas. Este tipo de modelamiento es muy similar a dibujar diagramás de flujo, en el que el usuario identifica el flujo lógico de los pasos necesarios para realizar una acción deseada. Por medio de funciones y operadores más amplios disponibles en el programa de modelamiento gráfico de ERDAS IMAGINE el usuario puede analizar muchas capas de datos en unos pocos pasos, sin crear archivos intermedios que ocupan espacio extra en disco. El modelamiento se realiza usando un editor gráfico que elimina el tener que aprender un lenguaje de programación. Pueden desarrollarse modelos más complejos fácilmente y ser editados rápidamente lo mismo que correrlos una y otra vez con conjuntos de datos diferentes.

Use la función Model Maker del Spatial Modeler para crear modelos gráficos.

El Procesamiento de Imágenes y los SIG

En ERDAS IMAGINE, las funciones tradicionales de los SIG (p.e., análisis de vecindad, análisis de proximidad, recodificación, sobreposición, indexación, etc.) pueden realizarse con modelos así como con funciones del procesamiento de imágenes. Tanto las capas temáticas como continuas pueden ser entrada en los modelos que logran muchos objetivos a la vez.

Por ejemplo, suponga que es necesario evaluar la susceptibilidad medioambiental de una área para desarrollo. Una capa de salida puede ser creada con la mayoría de regiones más sensibles basadas en varios factores, tales como pendientes, cobertura terrestre y zonas de inundación. Para ver la localización de estas áreas, la capa temática de salida puede ser sobrepuesta a una capa raster continua de alta resolución espacial (p.e., SPOT pancromática) a la que se le haa aplicado un filtrado por convolución. Todo esto puede lograrse con un sólo modelo (como se muestra en la Figura 11-10 en la página 404).

403Field Guide


Figura 11-10: Modelo Gráfico para un Análisis de Susceptibilidad

Ver el manual Tour Guides de ERDAS IMAGINE para las instrucciones paso a paso para crear el modelo de susceptibilidad ambiental de la Figura 11-10 en la página 404. Las descripciones de todos los modelos gráficos usados con ERDAS IMAGINE están disponibles en la ayuda en línea.

Estructura del Modelo

Un Modelo creado con Model Maker es esencialmente un diagrama de flujo que define:

• imagen(es) de entrada, matriz(ces), tabla(s) y escalar(es) para ser analizado(s)

• cálculos, funciones u operaciones para ser realizado sobre los datos de entrada

• imagen(es) de salida a ser creada(s)

Los modelos gráficos creados en Model Maker tienen la misma estructura básica: entrada, función, salida. El número de entradas, funciones y salidas puede variar, pero todo el resto es constante. Todos sus componentes deben ser conectados unos a otros antes de poder ejecutar el modelo. El modelo de la izquierda en la Figura 11-11 en la página 405 es la forma básica. El modelo de la derecha es más complejo, pero conserva el mismo flujo: entrada/función/salida.

404 ERDAS


Figura 11-11: Estructura del Modelo Gráfico

Los modelos gráficos son almacenados en archivos ASCII con la extensión .gmd. Hay varios modelos gráficos simples desarrollados en ERDAS IMAGINE que pueden ser usados como están o editados para personalizar su procesamiento.

Vea la ayuda en línea para instrucciones sobre edición de modelos existentes.

Funciones de Model Maker

Las funciones disponible en Model Maker se dividen encategorías:

Input

Input

Function Output

Basic Model

Input

Function

Output

FunctionInput

Output

Complex Model

Tabla 11-2: Funciones de Model Maker

Categoría Descripción

Análisis Incluye filtrado por convolución, histograma, expansión del contraste, componentes principales y otras.

Aritmética Ejecutan funciones aritméticas básicas que incluyen adición, substracción, multiplicación, división, factorial y módulos.

Bitwise Use bitwise y, o, o exclusivo y negación.

Boolean Ejecuta funciones lógicas incluyendo y, o y negación.

Color Maneja colores para y desde RGB (rojo, verde, azul) a IHS (intensity, hue, saturation).

405Field Guide


Estas funciones también están disponibles para modelamiento script.

Ver el manual Tour Guides de ERDAS IMAGINE y el manual Spatial Modeler Language en línea para instrucciones completas para usar el Model Maker y para información más detallada acerca de las funciones y operadores disponibles.

Objetos Dentro del Model Maker, un objeto es una función de entrada o salida. Los cuatro tipos de objetos básicos usados en el Model Maker son:

Condicional Ejecuta pruebas lógicas usando declaraciones condicionales y si... o... de otra forma.

Generación de datos Crea capas raster desde las coordenadas de mapa, números de columna o de filas. Crea una matriz o tabla desde una lista de escalares.

Descriptor Lee información de atributo y mapas raster usando una columna de atributo.

Distancia Ejecuta funciones de distancia, incluyendo análisis de proximidad.

Exponencial Usa operadores exponenciales, incluyendo locaritmos comunes y naturales, potencias y raíz cuadrada.

Focal (Scan) Ejecuta funciones de análisis de vecindad, incluyendo frontera, mayoría, diversidad, densidad, media, minoría, rango, desviación estándar, suma y otras.

Global Analiza una capa completa y saca un valor, tal como diversidad, máximo, media, mínimo, desviación mínima, suma y más.

Matriz Multiplica, divide y transpone matrices, así como convertir una matriz a tabla y viceversa.

Otras Incluye más de 20 funciones para conversión de tipos de datos, diversas pruebas y otras utilidades.

Relacional Incluye igualdad, desigualdad, mayor que, menor que, mayor o igual que, menor o igual que y otros.

Estadísticas Incluye densidad, mayoría, diversidad, media, rango, desviación estándar y más.

String Maneja cadenas de caracteres.

Superficie Calcula aspecto y grado/porcentaje de la pendiente y produce relieve sombreado.

Trigonométrica Usa funciones trigonométricas comúnes, incluyendo seno/arcsen, coseno/arccos, tangente/arctag y funciones hiperbólicas como arcsen, arccos, coseno, seno y tangente.

Tabla 11-2: Funciones de Model Maker (Continuado)

Categoría Descripción

406 ERDAS


• raster

• escalar

• matriz

• tabla

Raster

Un objeto raster es una sóla capa o conjunto de capas. Son usados para especificar y manipular datos de archivos de imagen (.img).

Escalar

Un objeto escalar es simplemente un valor numérico se usan. Frecuentemente como factores de peso.

Matriz

Un objeto matriz es un arreglo bidimensional de números. Una matriz tiene un número de filas y columnas fijo. Las matrices puede ser usadas para almacenar kerneles de convolución o definir vecindades usadas en las funciones de vecindad. Ellas pueden ser usadas para almacenar matrices de covarianza, matrices de vectores propios o matrices de coeficientes de una combinación lineal.

Tabla

Un objeto tabla es una serie de valores numéricos o de cadena de caracteres. Una tabla tiene una columna y un número fijo de filas. Son usadas para almacenar columnas del Raster Attribute Editor o una lista de valores que pertenecen a las capas individuales de un conjunto de capas. Por ejemplo, una tabla con cuatro filas podría usarse para almacenar el valor maximo de cada capa de un archivo de imagen con cuatro capas. Una tabla puede contener hasta 32,767 filas. La tabla puede tener información de: atributos, cálculos (p.e., histogramas), o ser definidas por el usuario.

Escalar

Un objeto escalar es un valor numérico simple, un color o uan cadena de caracteres. Los escalares son usados a menudo como factores de peso.

Los gráficos usados en Model Maker representan estos objetos como se muestra en la Figura 11-12 en la página 408.

407Field Guide


Figura 11-12: Objetos de Modelamiento

Tipos de Datos Los cuatro tipos de objetos descritos anteriormente pueden ser de cualquiera de los siguientes tipos de datos:

• binario—0 (falso) o 1 (verdadero)

• entero—valores enteros desde -2,147,483,648 a 2,147,483,648 (enteros con signo 32-bit)

• flotante—datos en punto flotante (doble precisión)

• string—una cadena de carácter (solamente para objetos tabla)

Los tipos de entrada y salida no tienen que ser los mismos. Usando el Spatial Modeler Language, el usuario puede cambiar el tipo de datos de los archivos de entrada antes que estos sean procesados.

Parámetros de Salida

Debido a que es posible tener varias entradas en un modelo, uno puede opcionalmente definir la ventana de trabajo y el tamaño de la celda de pixel de los datos de salida.

Ventana de Trabajo

Capas Raster de diferentes áreas pueden ser entradas en un modelo. Sin embargo, el área de la imagen, o ventana de trabajo, debe especificarse para usarla en los cálculos del modelo. Puede seleccionarse una de las siguientes opciones:

• Unión—el modelo operará sobre la unión de todas las capas raster de entrada. (Ésta es la opción por defecto.)

• Intersección—el modelo usará sólo el área de las capas raster común a todas las capas raster de entrada.

Tamaño de la Celda del Pixel

Los capas raster de entrada pueden tener diferente resolución (tamaño del pixel), el usuario puede seleccionar el tamaño de celda de salida como:

• Mínimo—se usará el tamaño mínimo de las capas de entrada (esta es la opción por defecto).

• Máximo—se usará el tamaño de celda máximo de las capas de entrada.

• Otro—especificar un nuevo tamaño de celda.

Raster

Matrix Scalar

Table

+

+

Vector

408 ERDAS


Proyección Cartográfica

La proyección cartográfica por default es la misma que la primera entrada, pero la proyección puede seleccionarse para que sea la misma que una entrada seleccionada. La proyección de salida también puede ser seleccionada de una librería de proyecciones.

Uso de Atributos en los Modelos

Con la función criterio en Model Maker, los atributos de los datos pueden ser usados para determinar valores de salida. La función criterio simplifica el proceso de crear declaraciones condicionales. La función criterio puede usarse para construir una tabla de condiciones que deba ser satisfecha por el valor de una fila particular en la salida para un atributo (o valor de celda) asociado con el raster seleccionado.

Las entradas de una función criterio son raster. Las columnas de la tabla criterio representan atributos asociados con la capa raster o la misma capa, si los valores de celda son de interés directo. El criterio que debe reunirse para cada columna de salida son entrados en una celda de esta columna (p.e., >5). Diferentes conjuntos de criterios pueden ser entrados en múltiples filas. El raster de salida contendrá en la primera fila el número del conjunto de criterios que se usaron para una celda raster.

Ejemplo

Considere la capa temática, parks.img, que contiene la siguiente información de atributos:

Un modelo simple crearía una capa de salida que mostraría sólo los parques con necesidad de reparaciones. La siguiente lógica se codificaría en el modelo:

"Si la Condición de Césped no es Buena o Excelente y si la Condición de ruta no es Buena o Excelente, entonces el valor de clase de salida es 1. De otra forma, el valor de clase de salida es 2".

También podría usarse más de una capa de entrada. Por ejemplo, un modelo podría crearse, usando las capas de entrada parks.img y soils.img, que mostrarían los tipos de suelo, para parques con condición de césped regular o pobre. Pueden usarse atributos de cada uno de los archivos de entrada.

El siguiente es un ejemplo ligeramente más complejo:

Tabla 11-3: Información de Atributos para parks.img

Nombre de la Clase

Histograma AcresCondición de

RutaCondición de

CéspedParqueaderos

Grant Park 2456 403.45 Regular Buena 127

Piedmont Park 5167 547.88 Buena Regular 94

Candler Park 763 128.90 Excelente Excelente 65

Springdale Park 548 46.33 Ninguna Excelente 0

409Field Guide


Si un usuario tiene un archivo de cobertura terrestre y desea crear un archivo de bosques de pinos mayor a 10 acres, la función criterio que podría ser usada para los valores de salida sólo para áreas que satisfagan ambas condiciones: bosque de pinos y mayor de 10 acres. El archivo de salida tendría dos clases: bosques de pinos mayores de 10 acres y fondo. Si el usuario desea que el archivo de salida tenga varios tamaños de bosque de pinos, simplemente podría adicionar más condiciones a la tabla de criterios.

Las comparaciones de atributos también pueden ser combinadas con funciones matemáticas y lógicas sobre los valores de clase de(l)(los) archivo(s) de entrada. Con estas capacidades pueden crearse modelos muy complejos.

Ver el manual Tour Guides de ERDAS IMAGINE o la Ayuda en línea para instrucciones específicas acerca de la función criterio.

Modelamiento Script

El Spatial Modeler Language es un lenguaje script usado internamente por el Model Maker para ejecutar las operaciones especificadas en los modelos gráficos creados. El Spatial Modeler Language también puede ser usado para escribir directamente modelos creados por el usuario. Este incluye todas las funciones disponibles en Model Maker, además de:

• bifurques y bucles condicionales

• habilidad para usar tipos de datos complejos y de color

• mayor flexibilidad en el uso de objetos raster y atributos

Los modelos gráficos creados con Model Maker pueden ser salidas a un archivo script (sólo texto) en el Spatial Modeler Language. Estos scripts pueden ser editados con un editor de texto usando la sintaxis del Spatial Modeler Language y volverse a correr o ser salvados en una librería. Los modelos script también pueden escribirse desde un editor de texto. Ellos son almacenados en archivos ASCII con extensión .mdl.

El Editor de Texto está disponible desde el panel de íconos de ERDAS IMAGINE y desde Script Library (Spatial Modeler).

En la Figura 11-13 en la página 411, se muestran los modelos gráficos y script para una transformación de gorro de borlas. Note como la anotación en el modelo gráfico está incluida en el modelo script generado automáticamente. La generación de modelos script desde los modelos gráficos ayudan al aprendizaje de Spatial Modeler Language.

410 ERDAS

Modelamiento Script

Figura 11-13: Modelos Gráficos y Script para la Transformación Gorro de Borlas

Convierta modelos gráficos a script usando el Model Maker. Abra los modelos script existentes desde Script Librarian (Spatial Modeler).

Declaraciones Un modelo script consiste de una o más declaraciones. Cada declaración está dentro de una de las siguientes categorías:

• Declaración—define objetos a ser manejados dentro del modelo.

• Asignación—asigna un valor a un objeto.

Graphical Model

Script Model

Tasseled Cap Transformation

Models

# TM Tasseled Cap Transformation# of Lake Lanier, Georgia## declarations#INTEGER RASTER n1_tm_lanier FILE OLD NEAREST NEIGHBOR "/usr/imagine/examples/tm_lanier.img";FLOAT MATRIX n2_Custom_Matrix;FLOAT RASTER n4_lntassel FILE NEW ATHEMATIC FLOAT SINGLE "/usr/imagine/examples/lntassel.img";## set cell size for the model#SET CELLSIZE MIN;## set window for the model#SET WINDOW UNION;## load matrix n2_Custom_Matrix#n2_Custom_Matrix = MATRIX(3, 7:

0.331830, 0.331210, 0.551770, 0.425140, 0.480870, 0.000000, 0.252520, -0.247170, -0.162630, -0.406390, 0.854680, 0.054930, 0.000000, -0.117490, 0.139290, 0.224900, 0.403590, 0.251780, -0.701330, 0.000000, -0.457320);

## function definitions#n4_lntassel = LINEARCOMB ( $n1_tm_lanier , $n2_Custom_Matrix ) ;QUIT;

411Field Guide


• Mostrar y Ver—permite al usuario ver e interpretar resultados del modelo.

• Conjunto—define el alcance del modelo o establece los valores usados por el Modeler.

• Definición Macro—define textos de sustitución asociados con el nombre de la macro.

• Salida—termina la ejecución del modelo.

El Spatial Modeler Language también incluye estructuras de control de flujo, así que el usuario pueda utilizar bifurcación y bucles condicionales en los modelos y estructuras de bloque de declaraciones que origina un conjunto de declaraciones a ser ejecutadas como un grupo.

Ejemplo de una Declaración

En el modelo script de la Figura 11-13 en la página 411, las siguientes líneas forman la porción de declaración del modelo:

INTEGER RASTER nl_tm_lanier FILE OLD NEAREST NEIGHBOR "/usr/imagine/examples/tm_lanier.img";

FLOAT MATRIX n2_Custom_Matrix;

FLOAT RASTER n4_lntassel FILE NEW ATHEMATIC FLOAT SINGLE "/usr/imagine/examples/lntasse].img";

Ejemplo de Conjunto

Son usadas las siguientes declaraciones:

SET CELLSIZE MIN;

SET WINDOW UNION;

Ejemplo de Asignación

Son usadas las siguientes declaraciones de asignación:

n2_Custom_Matrix = MATRIX(3, 7:

0.331830, 0.331210, 0.551770, 0.425140, 0.480870, 0.000000, 0.252520,

-0.247170, -0.162630, -0.406390, 0.854680, 0.054930, 0.000000, -0.117490,

0.139290, 0.224900, 0.403590, 0.251780, -0.701330, 0.000000, -0.457320);

n4_lntassel = LINEARCOMB ( $n1_tm_lanier , $n2_Custom_Matrix ) ;

Tipos de Datos En adición a los tipos de datos utilizados por Graphical Modeling, los objetos del modelo script pueden almacenar datos de los siguientes tipos:

• complejo—datos complejos (doble precisión)

• color—tres números de punto flotante en el rango de 0.0 a 1.0, que representan las intensidades de rojo, verde y azul

412 ERDAS

Análisis Vector

Variables Las variables son objetos en el Modeler que han sido asociadas con un nombre usando una declaración. La declaración define el tipo de datos y tipo de objeto de la variable. La declaración puede también asociar una variable raster con ciertas capas de un archivo de imagen o una variable de la tabla con una tabla de atributos. Las declaraciones de asignación son usadas para fijar o cambiar los valores de una variable.

Para la reglas de sintaxis del modelo script y la descripción de las funciones y operadores disponibles, y modelos simples vea el manual Spatial Modeler Language en línea.

Análisis Vector Muchas de las operaciones discutidas en las páginas anteriores de este capítulo son para datos raster. Sin embargo, en una base de datos SIG, se presentan tanto capas raster como vector. Una de las aplicaciones más comúnes que involucra la combinación de datos raster y vector es la actualización de capas vector usando imágenes raster corrientes como fondo para la edición vector. Por ejemplo, si una base de datos vector tiene más de uno o dos años, entonces probablemente tenga errores debido a cambios en el área (nuevas carreteras, carreteras trasladadas o nuevos desarrollos, etc.). Cuando se despliegan capas vector existentes dentro de una capa raster, el usuario puede actualizar en forma dinámica la capa vector digitalizando nuevas características o cambiándolas sobre la pantalla simplemente.

Las capas vector también pueden usarse para indicar un área de interés (AOl) para procesamientos futuros. Suponga que el usuario desea correr un modelo de conveniencia de sitio sobre sólo áreas diseñadas para desarrollo comercial en zonas reglamentadas. Seleccionando estas zonas en una capa de polígonos vector, el usuario podría restringir el modelo a sólo aquellas áreas en los archivos de entrada raster.

Edición de Coberturas Vector

Los objetos editables son polígonos (como líneas), líneas, puntos estiquetados y nodos. Pueden seleccionarse múltiples características mezclando algunos tipos de características. Pueden realizarse operaciones de edición y comandos sobre selecciones múltiples o simples. Además de las operaciones básicas de edición (p.e., cortar, pasar, copiar, borrar), el usuario puede realizar las siguientes operaciones sobre la línea de características en selecciones múltiples o simples:

• Spline—suaviza o generaliza todas las líneas selecionadas usando una tolerancia especificada.

• Generalización—elimina vértices de líneas seleccionadas usando una tolerancia especificada.

• Split/Unsplit—hace dos líneas de una agregando un nodo o uniendo dos líneas eliminando un nodo.

• Densificar—adiciona vértices a líneas seleccionadas a una tolerancia especificada por el usuario.

• Rehacer (para sólo líneas simples)—permite al usuario mover los vértices de una línea.

El rehacer (adicinar, borrar o mover un vértice o nodo) puede hacerse sobre sólo una línea seleccionada. A bajo en la Tabla 11-4 en la página 414, aparecen las operaciones de edición general y los tipos de características que soportan cada una de estas operaciones.

413Field Guide


La utilidad Undo puede aplicarse a cualquier edición. El software almacena todas las ediciones en orden secuencial, para que al presionar continuamente undo se reversará la edición.

Ver capítulo 3 "Fuentes de Datos Raster y Vectoriales" para más información.

Construcción de la Topología

La opción de construir o borrar pueden ser usadas para construir la topología. Para crear relaciones espaciales entre características de una capa vector, es necesario crear la topología. Después de editada una capa vector, deberá construirse la topología para mantener las relaciones topológicas entre las características. Cuando se construye la topología, a cada característica se le asigna internamente un número. Estos números son usados para determinar la conectividad entre líneas y la contigüidad entre polígonos. Una vez calculados, estos valores son grabados y almacenados en la tabla de atributo asociada a la capa.

Usted debe reconstruir la topología de las capas vector importadas en ERDAS IMAGINE.

Cuando se construye la topología, se crean automáticamente tablas de atributos de características con varios campos. Para los diferentes tipos de capas se almacenan diferentes campos. Los campos generados automáticamente para una capa de líneas son:

• FNODE #—número interno del nodo para el comienzo de una línea (de-nodo)

• TNODE #—número interno para el final de una línea (para-nodo)

• LPOLY #—número interno para el polígono a la izquierda de la línea (será cero para pas que contienen sólo líneas y ningún polígono)

• RPOLY #—número interno para el polígono a la derecho de la línea (será cero para capas que contienen sólo líneas y ningún polígono)

• LENGTH—longitud de cada línea, medida en las unidades de la capa

• Cover #—número interno de línea (valores asignados por ERDAS IMAGINE)

• Cover-ID—user-ID (valores modificados por el usuario)

Los campos generados automáticamente para una capa de puntos o polígonos son:

• ÁREA—área de cada polígono, medida en unidades de la capa (será cero para capas que contienen sólo puntos y ningún polígono)

Tabla 11-4: Operaciones de Edición General y Tipos de Características Soportados

Adicionar Borrar Mover Rehacer

Puntos Si Si Si No

Líneas Si Si Si Si

Polígonos Si Si Si No

Nodos Si Si Si No

414 ERDAS

Construcción de la Topología

• PERÍMETER—longitud de cada límite poligonal, medido en unidades de la capa (será cero para capas que contienen sólo puntos y ningún polígono)

• Cover #—número interno del polígono (valores asignados por ERDAS IMAGINE)

• Cover-ID—user-ID (valores modificados por el usuario)

Construcción y Borrado de Coberturas

El proceso de construir es para puntos, líneas y polígonos, mientras que el proceso borrar es sólo para líneas y polígonos. El construir reconoce sólo intersecciones existentes (nodos), mientras borrar crea intersecciones (nodos) por donde quiera que las líneas se cruzan unas con otras. Las diferencias entre estas dos opciones se resumen en la Tabla 11-5 en la página 415 (ESRI 1990).

Errores

La construcción de la topología ayuda a identificar errores en la capa. Algunos de los errores que se encuentran más comúnmente son:

• líneas con menos de dos nodos

• polígonos que no están cerrados

• polígonos que no tienen puntos etiqueteados o puntos con muchas etiquetas

• user-IDs que no son únicos

La construcción de la topología puede identificar los errores mencionados anteriormente. Cuando se construye la topología, se crean las intersecciones entre líneas, se identifican las líneas que forman cada polígono y un punto con etiqueta es asociado con cada polígono. Mientras se construye la topología, no existen polígonos ni líneas que se crucen unos con otros, ni que están conectadas a un nodo, puesto que no hay intersecciones.

Construya la topología utilizando el menú Vector Utilities del ícono Vector en el panel de IMAGINE.

Tabla 11-5: Comparación de Construcción y Borrado de Coberturas

Capacidades Construir Borrar

Procesos:

Polígonos Si Si

Líneas Si Si

Puntos Si No

Números de características Si Si

Cálculos de medidas espaciales Si Si

Creación de intersecciones No Si

Velocidad de procesamiento Muy rápido Muy lento

415Field Guide


Usted no debe construir ni borrar una capa que este desplegada en un visor, ni debe tratar de desplegar una capa que está siendo construida o borrada.

Cuando se usan las opciones construir o borrar para la construcción de la topología de una capa vector, los errores en los potenciales nodos son marcados con símbolos especiales. Estos símbolos se listan a continuación (ESRI 1990).

Pseudo nodos, dibujados con un símbolo en forma de diamante, ocurren donde una línea se conecta consigo misma (una isla) o donde solamente se intersectan dos líneas. No necesariamente los pseudo nodos indican un error o problema. Los pseudo nodos aceptables pueden representar una isla (un pseudo nodo espacial) o el punto donde un camino cambia de pavimentado a grava (un atributo de un pseudo nodo).

Un nodo colgante, representado por un símbolo en forma de cuadrado, se refiere a nodos sin construir de una línea colgante. Todas las líneas comienzan y terminan en un punto nodo. Así, si una línea no está cerrada adecuadamente o fue digitalizada más allá de una intersección, esta se registrará como un nodo colgante. En algunos casos, un nodo colgante puede ser aceptable. Por ejemplo, en un mapa de ejes viales, una calle cerrada se representa por nodos colgantes.

En las capas de polígonos puede haber errores de etiqueta, usualmente un punto sin etiqueta para un polígono, o más de un punto con etiqueta para un polígono. En el último caso, dos o más puntos pudieron haber sido digitalizados por equivocación para un polígono, o pudo ser que una línea no intersecte a otra línea, resultando un polígono abierto.

Figura 11-14: Errores en una Capa

Los errores detectados en una capa pueden ser corregidos cambiando el conjunto de tolerancia para esa capa o borrando y construyendo nuevamente, o editando la capa manualmente y corriendo construir o borrar.

Refiérase al manual Tour Guides de ERDAS IMAGINE para ver las instrucciones paso a paso sobre edición de capas vector.

Label points in one polygon (due to dangling node)

Dangling nodes

No label pointin polygonPseudo node

(island)

416 ERDAS

Sistemas de Información Geográfica - …ingenieroambiental.com/4018/11 sistemas de informacion...

Documents

Transcript of Sistemas de Información Geográfica - …ingenieroambiental.com/4018/11 sistemas de informacion...