Vol26 junio08

1,046 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,046
On SlideShare
0
From Embeds
0
Number of Embeds
6
Actions
Shares
0
Downloads
19
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Vol26 junio08

  1. 1. VOL. 26, Nº 1 JUNIO2008 ISSN 0717-2915SOCIEDAD LATINOAMERICANA DE PERCEPCIÓN REMOTA Y SISTEMAS DE INFORMACIÓN ESPACIALSOCIEDADE LATINO-AMERICANA EM SENSORIAMENTO REMOTO E SISTEMAS DE INFORMACAO ESPACIAILATINAMERICAN SOCIETY FOR REMOTE SENSING AND SPACE INFORMATION SYSTEMS Ciudad de San Carlos de Bariloche - Argentina Imágen de satélite QuickBird de DigitalGlobe
  2. 2. SOCIEDAD LATINOAMERICANA DE PERCEPCION REMOTA Y SISTEMAS DEINFORMACION ESPACIAL SOCIEDADE LATINO-AMERICANA EM SENSORIAMENTO REMOTO E SISTEMAS DE INFORMACAO ESPACIAI LATINAMERICAN SOCIETY ON REMOTE SENSING AND SPACE INFORMATION SYSTEM SELPER VOL. 26 Nº 1 JUNIO 2008 ISSN 0717-2915 FOTO PORTADA San Carlos de Bariloche - Argentina Imagen de satélite QuickBird de DigitalGlobe, producto Pansharpened resolución espacial 0.60 metros, en composición Color Natural (3,2,1) de la Ciudad de San Carlos de Bariloche. Esta majestuosa ciudad se encuentra a orillas del lago Nahuel Huapi, espejo de agua que junto a montaña y bosques integra el contexto de uno de los lugares más bellos del mundo. Esta ubicada al oeste de la provincia de Río Negro y a 1.640 kilómetros de la ciudad de Buenos Aires. En la imagen se observa el Centro Cívico de Bariloche y el puerto de la ciudad a orillas del Lago Nahuel Huapi. Esta ciudad fue sede del V Simposio Latinoamericano de Percepción Remota, en el año 1989.EJEMPLAR DE DISTRIBUCION GRATUITA. PROHIBIDA SU VENTA
  3. 3. REVISTA2 VOL. 26 Nº 1 JUNIO 2008 DIRECCIONES DE CONTACTO SELPER DIRECTORIO SELPER, SEDE COLOMBIA, 2006 - 2008 Centro para el Estudio de Sensores Remotos y SIG Av. 11 de Septiembre 2155 - A Of. 902 Tel.: 562 - 334 - 3923/946 - 0302 E-mail: mardila@prosis.com PRESIDENTE Myriam Ardila Torres Colombia VICE-PRESIDENTE VICE-PRESIDENTE VICE-PRESIDENTE Carlos Pattillo Eloy Pérez Jaime Molina Chile Cuba Colombia SECRETARIO GENERAL RESPONSABLE DE DIVULGACIÓN ELECTRÓNICA TESORERO Luz Angela Rocha Walter F. Sione Carlos Niño Colombia Argentina Colombia COMITÉ DE RELACIONES INTERNACIONALES COMITÉ EDITORIAL COMITÉ DE EDUCACIÓN Paulo Roberto Martini (Brasil) María Cristina Serafini (Argentina) Tania María Sausen (Brasil) Presidente Presidente Presidente Aurelie Sand – Francia Miriam Esther Antes – Argentina José Luis Lizeca - Bolivia Maurizio Fea – Italia Leila María Fonseca – Brasil Silvia Casas - México Alfredo Cuello – Argentina Eder Gutierrez – Colombia Alina Ariñez. - Bolivia Victor Barrena - Perú Fabián Lozano – México Mirta Raed - Argentina Lissette Correa – Bolivia Jorge Luis Martin – Cuba Sandra Huerta Bustamante - Chile Rodolfo Ayala – Bolivia Stephan Dalence M. – Bolivia Maria Antonia García Cisnero - Cuba María Elena Pezoa - Chile Glenda Lee - Guatemala Olga Piedad Rudas - Colombia Laurent Polidori, Guayana Francesa Anyul del Pilar Mora - Colombia Monica Rabolli - Argentina Luis Geraldo Ferreira - Brasil Andres Cárdenas - Colombia Ethel Rubín de Celís Llanos - Perú CAPÍTULOS CONSTITUIDOS GUATEMALA CAPÍTULOS ESPECIALES Carlos Alberto Duarte ARGENTINA Ingeniería Virtual ALEMANIA Francisca Celia González Ruta 4, 6-49 Zona 4, Oficina 14 Klaus Reiniger Universidad Nacional del Sur Ciudad de Guatemala (01004), Guatemala DLR Departamento de Geología Tel: 502 - 334-1039/4038 D-8031 Oberpfaffenohfen San Juan 670 (8000) Fax: 502 - 331-9390 Alemania Bahía Blanca, Argentina E-mail: chduarte@hotmail.com Tel: 49- 8153- 281.189 Tel: 54 - 291 - 459 5102 - int. 4360 Fax: 49- 8153- 281.443 Fax: 54 - 291 - 459 5127 GUYANA FRANCESA E-mail: ghgonzal@criba.edu.ar Laurent PolidoriI CANADÁ Directeur de Recherche IRD / US ESPACE 140 Fritz P. Dubois BOLIVIA Institut de Recherche pour le Développement 25 Nidland Rodolfo Ayala (ex-ORSTOM) Crs Nepean Ontario Kh2-8n2 Carrera de Topografía y Geodesia Route de Montabo - BP 165 - 97323 Cayenne Ontario, Canadá Facultad Técnica cedex Tel: 613- 596-4164 Universidad Mayor de San Andrés Tel. (+594) 594 29 92 81 Fax: 613- 723-9626 Av. Arce 2299 1º Piso Fax (+594) 594 31 98 55 La Paz, Bolivia E-mail:polidori@cayenne.ird.fr ESPAÑA Tel.: 591-2-2441401 José L. Labrandero MÉXICO Consejo Superior de Investigaciones Científicas (CSIC) BRASIL Silvia Lucero Casas Pinar 25- Madrid 28006, España Leila María García Fonseca UAM Agronomía y Ciencias Tel: 34- 411.10.98 INPE Universidad Autónoma de Tamaulipas Fax: 34- 562.55.67 Av. Dos Astronautas 1758, Sao José dos Campos Centro Universitario Victoria San Pablo, Brasil Cd. Victoria Tamaulipas, México FRANCIA Tel: 55 - 12-39456000 E-mail: scasas@uat.edu.mx Jean-Luc Devynck E-mail: leila@dpi.inpe.br CNES URUGUAY Chef Dpt. Cooperation et Dévelopement CHILE Antonio Alarcón 2, Place Maurice Quentín, 75039 París Cedes 01 Gina Ghio Servicio de Sensores Remotos Aeroespaciales París, Francia AYS Ltda Fuerza Aérea Uruguaya Tel: 33-1- 447.67500 Calle Teatinos 258 of 811 Ruta 101 s/n Km. 19500 Fax: 33-1-447.67849 Santiago, Chile. Carrasco, Canelones, Uruguay E-mail: Jean-Luc.Devynck@cnes.fr Tel: 562 - 6903768 Tel.: 598 -2 601 4083 Fax: 562 - 6903790 Fax: 598 -2 601 4090 HOLANDA E-mail: jnovikov@codelco.cl E-mail: director@ssra.gub.uy Carlos Valenzuela ITC COLOMBIA VENEZUELA 350 Boulevard 1945, P.O.X. 6. 7500 AA Myriam Ardila Ramiro Salcedo Enschede, Holanda PROSIS S.A. Centro de Procesamiento Digital del Instituto de Tel.: 31 53 874-444 Calle 94 A n° 11 A-70 Ingenieria en Caracas Fax: 31 53 874-400 Santa Fe de Bogota, Colombia Apdo. Postal 40200 / Caracas, Venezuela Tel: 57-1-6357272 Tel/fax: 58 - 212 - 903 -4682 ITALIA Fax: 57-1-6357190 E-mail: ramiros@fii.org Maurizio Fea E-mail: mardila@prosis.com ESA/ESRIN PERÚ Via Galileo Galilei, 00044 CUBA Victor Barrena Arroyo Frascati, Italia Eloy Pérez García Universidad Nacional Agraria La Molina Casilla Postal 64 UCT GEOCUBA IC Av. La Universidad s/n Tel: 39 - 694180940 Calle 4 No. 304, e/ 3ra y 3ra A La Molina, Lima, Perú Fax: 39 - 694180942 Miramar, Playa, La Habana, Cuba CP 11 300 Tel / Fax: 51-1-349-5647 anexo 232/349-2041 E-mail: Maurizio.Fea@esa.int investigaciones@geocuba.co.cu E-mail: vbarrena@lamolina.edu.pe USA ECUADOR CAPÍTULOS EN FORMACIÓN Patricia M. Ravelo José R. Aguiar V. SPOT CLIRSEN Estados Unidos PARAGUAY Edif. Instituto Geográfico Militar, Piso 4 Tel: 1-800-ask-spot ext. 137 Sergio M. Burgos Sosa Seniergues s/n y Paz y Miño Fax: 703-648.1813 IPPA Apartado Postal 17-08-8216 E-mail: ravelo@spot.com Dr. César Sánchez 431 Quito, Ecuador San Lorenzo, Paraguay Tel.: 593- 2- 254-3193 Tel/Fax: 595- 21-574909 Fax: 593- 2- 255-5454 Email: smburgos@highway.com.py E-mail: clirsen@clirsen.com
  4. 4. REVISTA VOL. 26 Nº 1SELPER INDICE TEMÁTICO Y COMITÉ EDITORIAL JUNIO 2008 03 COMITÉ EDITORIAL ÍNDICE TEMÁTICO María Cristina Serafini (Argentina) PRODITEL Universidad Nacional de Luján Cruce rutas 5 y ex 7 (6700) Luján, Buenos Aires, Argentina ANÁLISIS ESPACIO-TEMPORAL DE LA Tel: 54-2323-423171 int 248 EVAPOTRANSPIRACIÓN DE REFERENCIA (ETo) EN Fax: 54-2323-425795 E-mail: proditel@mail.unlu.edu.ar CUBA Alberto A. Méndez Jocik Miriam Esther Antes (Argentina) PRODITEL Oscar José Solano Ojeda Universidad Nacional de Luján Cruce rutas 5 y ex 7 Diuris Ruiseco Hernández Luján, Buenos Aires, Argentina Tel: 54-2323-423171 int 248 Felicita González Robaina .......................................................................5 Fax: 54-2323-425795 E-mail: proditel@mail.unlu.edu.arx Leila María Fonseca (Brasil) IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA INPE Av. Dos Astronautas 1758, Sao José dos USING OBJECT-BASED IMAGE ANÁLISIS Campos, Sao Paulo, Brasil Yan Gao Tel: 55 - 12-39456000 E-mail: leila@dpi.inpe.br Jean François Mas................................................................................. 15 Fabián Lozano (Mexico) Instituto Tecnológico y de Estudios Superiores de Monterrey TELEOBSERVACIÓN APLICADA A LA Av. Euganio Garza Sada # 2501 sur, Col. Tecnológico, Monterrey, Nuevo CARACTERIZACIÓN MORFOÓGICA Y EVOLUTIVA DE León, México COBERTURAS DE SUELOS EN LA LLANURA DE Tel: 52 - 81 - 8358 - 1400 ext 5275 Fax: 52 - 81 - 8358 - 6280 INUNDACIÓN DEL RÍO PARANÁ E-mail: dflozano@itesm.mx Lisandra P. Zamboni Eder Gutierrez (Colombia) SELPER Capítulo Colombia Pablo Aceñolaza Carrera 30 No. 48-51 Edificio IGAC-CIAF Walter Sione Of. 212 Bogotá, Colombia Fabio Kalesnik Tel: 57-1-369-4096 Fax:57-1-369-4096 Cristina Serafini ..................................................................................... 24 E-mail: edergutierrezd@gmail.com Jorge Luis Martìn (Cuba) SVD SA MAPEAMENTO DE ÁREAS URBANIZADAS COM O Montevideo 451 2º 24 USO DE IMAGENS LANDSAT E ANÁLISE ORIENTADA Capital Federal - Argentina Tel: 54 - 11 4371 - 8441 / 9547 A OBJETO E-mail: ciencia@geocuba.co.cu Claudia Durand Alves Stephan Dalence (Bolivia) ABTEMA Íris De Marcelhas E Souza Reyes Ortíz No 41 - Piso 13 Casilla 14248 La Paz, Bolivia Madalena Niero Pereira Tel: 591 - 2 - 521 259 / 113 Teresa Galloti Florenzano...................................................................... 33 Fax: 591 - 2 - 315 220 E-mail: dalence@clas.umss.edu.bo COMITÉ DE EVALUADORES Héctor del Valle (CENPAT - Argentina) Alfredo Cuello (UNLu - Argentina) Francisca González (UNS - Argentina) Graciela Marín (SEGEMAR - Argentina) Editado por: SELPER Internacional Universidad Nacional de Luján Rutas 5 y ex 7, (6700) Luján - Bs. As. - ARGENTINA EJEMPLAR DE DISTRIBUCIÓN GRATUITA PROHIBIDA SU VENTA
  5. 5. VOL. 26 Nº 1 REVISTA4 JUNIO 2008 PRESENTACIÓN DEL PRESIDENTE DE SELPER SELPER PLAN EDITORIAL SELPER 2006 - 2008 PLAN EDITORIAL SELPER A partir de las decisiones adoptadas en el marco del X Simposio Latinoamericano de Percepción Remota y Sistemas de Información Espacial, organizado por nuestra Sociedad; llevado a cabo en Cochabamba, Bolivia, en noviembre de 2002, el Comité Editorial ha tomado el compromiso de regularizar las publicaciones de la Revista Técnica Científica. En este sentido es necesario destacar el invalorable apoyo obtenido de la Agencia Espacial Europea (ESA) por la impresión de los volúmenes correspondientes a los años 2000, 2001, 2002, 2003, 2004, 2005 y 2006 respectivamente, los cuales se encuentran disponibles para los miembros de nuestra Sociedad. La 1º edición del año 2007 se llevó a cabo gracias al importante aporte recibido por parte del Capítulo Nacional Selper México. En esta oportunidad hacemos llegar la publicación del volumen 26 número 1, donde se incluyen trabajos que han sido enviados por especialistas en el área de Teledetección y SIG que desarrollan sus actividades en diferentes instituciones de América Latina, los cuales han sido remitidos a expertos evaluadores para su revisión y aprobación. Nos toca agradecer muy especialmente la labor llevada a cabo por el grupo de evaluadores que ha participado en la revisión de los mismos. NORMAS PARA LOS AUTORES Los artículos recibidos serán enviados a tres (3) f) Resultados obtenidosexpertos en la temática para su revisión. Los g) Conclusionestrabajos aprobados serán publicados en estricto h) Bibliografía: sólo se incluirá la citada en elorden, de acuerdo a las fechas de llegada de las texto. Se indicarán los autores, por ordencontribuciones. alfabético, año, título, revista o medio donde fue Los idiomas oficiales SELPER son: Español, publicado, incluyendo volumen y páginas, cuandoPortugués e Inglés. corresponda. Los trabajos deberán estructurarsecontemplando las siguientes secciones: Los títulos y subtítulos de cada sección deberán e s ta r c l a r a m e n t e i n d i c a d o s ( y a s e a c o n a) Título del trabajo. Nombre de los autores y numeración o tamaño de letras). Las tablas, fotosdirecciones completas y figuras deberán ser suficientemente nítidas, b) Resumen (no más de 150 palabras) llevar un título y estar numeradas en formaindicando al final las palabras claves. Deberá consecutiva.incluirse en Español o Portugués, además de Se deberá enviar una copia del trabajo enInglés formato Word y una copia papel. La extensión c) Introducción total del trabajo no deberá superar las 12 páginas, d) Objetivos (DIN-A4). e) Metodología empleada y materiales Los trabajos se enviarán a: editorial@selper.org
  6. 6. REVISTA05 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPER Análisis espacio – temporal de la evapotranspiración de referencia (ETo) en Cuba. Alberto A. Méndez Jocik * Oscar José Solano Ojeda ** Diuris Ruiseco Hernández *** Felicita González Robaina **** * Dpto. de Geomática. Empresa Nacional de Proyectos Agropecuarios de Cuba. mendez@enpa.cu Conill y Ave. Boyeros. Ministerio de la Agricultura de Cuba, Piso 10. ** Dpto. de Agrometerelogía. Instituto de Meteorología de Cuba. oscar.solano@insmet.cu *** Diuris Ruiseco Hernández . Universidad Nacional Agraria de la Habana, UNAH. Cuba. diurislu@isch.edu.cu **** Dpto. de Investigaciones del Instituto de Investigaciones de Riego y Drenaje de Cuba. IIRD. felicita@iird.cuRESUMEN años 90 la FAO establece el método de Penman- Monteith como procedimientoestándar para suLa evapotranspiración (ET) constituye el segundo determinación donde se requiere de observacioneselemento del ciclo hidrológico del agua en la sinópticas de estaciones meteorológicas, las cualesatmósfera, a ella están ligados diversos y complejos no siempre están disponibles ni distribuidasprocesos en el que intervienen agua, suelo planta así espacialmente de forma que mediantecomo otros aspectos medioambientales y de manejo, interpolaciones se pudiera suplir de información desu determinación y utilización hace imperante por algunas zonas adyacentes, con un nivel de confianzaespecialistas que planifican, toman decisiones, requerido o al menos informarlo.explotan los recursos hídricos, ambientales y las El área de Cuba es de110 860 Km2 (ACC 1989), degeociencias en general. acuerdo a informaciones del Instituto de MeteorologíaEn los años 90 la FAO establece el método de existen unas 68 estaciones climáticas de diversasPenman-Monteith como procedimiento estándar para categorías que realizan observaciones del clima desu determinación donde se requiere de observa- ellas 62 pueden proveer de informaciones necesariasciones sinópticas de estaciones meteoro-lógicas las para la estimación de de la evapotranspiración decuales generalmente no están distribuidas referencia lo que daría una densidad de cubrimientoespacialmente que mediante herramientas de 1788 K2, estas estaciones fueron situadas nogeoestadísticas se pudiera suplir de información atendiendo a un objetivo agroclimático (algunas deprecisa de algunas zonas adyacentes con un nivel de ellas situadas en puntos como cayos, costas etc.) porconfianza requerido. tal motivo si se pretende realizar un análisis paraEn Cuba uno de lo trabajos mas relevantes y actuales áreas de interés agropecuario debe tenerse enson los desarrollados por el Instituto de Meteorología cuenta cuales deben seleccionarse a fin de no(Solano 2003), donde publica las tasas de generalizar información (propagación de errores), alevapotranspiración de referencia del Territorio realizar una interpolación utilizando cualquiera de losNacional, el presente trabajo pretende complementar métodos existentes siempre el número de datosestos estudios ofreciendo una metodología de trabajo disponibles y su distribución espacial constituye lapara la obtención de mapas de intervalos de primera limitante, pero haciendo un análisis objetivoconfianza dotando al estudio de resultados para poder realizar cualquier estudio relacionado concualitativos. la evapotranspiración de referencia es obligado a recurrir a esta fuente de información al no existir otra,INTRODUCCIÓN si se consulta información a cerca de la variabilidad espacial y temporal de la evapotranspiración en Cuba,La evapotranspiración (ET) constituye el segundo las publicaciones son insuficientes y algunas carecenelemento del ciclo hidrológico del agua en la de un nivel de robustez requerido ya que estánatmósfera, a ella están ligados diversos y complejos basados en análisis de datos los cuales fueronprocesos en el que intervienen agua, suelo planta así generalizados a niveles mensuales y de períodoscomo otros aspectos medioambientales y de manejo; hidrológicos donde se enmascara la verdaderasu determinación y uso se hace imperante naturaleza de la variabilidad espacial y temporal de laporespecialistas que planifican, toman decisiones y ET; la FAO recomienda la utilización de informacionesexplotan los recursos hídricos, ambientales y las decenales para este tipo de estudio (Smith 1990),geociencias en general. Desde siglos pasados se han entre los trabajos relevantes son de obligada consultagenerado una serie de modelos biofísicos y empíricos los desarrollados por el Instituto de Meteorologíapara lograr su aproximación pero siempre ha existido "Zonificación de la evapotranspiración de referenciauna limitación que es la alta variabilidad espacial y en Cuba. Atlas Agrometeorológico detemporal de cada uno de sus componentes, en los disponibilidades hídricas para una agricultura de
  7. 7. REVISTA06 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPERsecano" (Solano 2003) al no existir otros autor fue el seleccionado y utilizado (cortesía de suantecedentes basados en análisis de series a nivel autor) en los posteriores análisis de este trabajo.decenal en el país. Como procedimiento de trabajo se estableció elEl presente trabajo tiene como objetivo siguiente:complementar este estudio estableciendo unametodología para el manejo de datos geoespaciales · Análisis estadístico exploratorio descriptivo de lade esta naturaleza haciendo un análisis espacio totalidad de los datos sin realizar ningunatemporal de esta variable y determinando los transformación.intervalos de confianza para las tasas deevapotranspiración de referencia, dotando al mismo · Prueba de Normalidad de Anderson - Darling la cualde un análisis cualitativo necesario para la toma de es recomendada como la prueba más robustadecisiones económicas, ambientales y de seguridad existente y valida cuando se quiere precisar losalimentaría. limites de la serie en cuanto a la normalidad, varios autores (Brown 1974; Filliben 1975; Sheather 1986)MATERIALES Y MÉTODOS la consideran superior a las pruebas de Ryan-Joiner y Kolmogorov-Smirnov.Para el presente estudio fueron utilizados datosdecenales de series históricas (30 años), mapas e · Análisis grafo - analítico de la distribución espacial yinformaciones obtenidas del Atlas Agrometeorológico temporal de la ETo.de disponibilidades hídricas para una agricultura desecano publicados por el Instituto de Meteorología · Estratificación de las poblaciones de la series de ETo(Solano 2003) (cortesía de sus autores), donde se a partir de la geomorfología .ofrecen los datos de ETo para el Territorio Nacional de62 estaciones climáticas determinados por el · Establecimiento de las nuevas clases a partir de lasprocedimiento estándar de FAO-Penman-Monteith series de ETo obtenidas.(Allen 1998). · Verificación de la normalidad de las clases. ·Análisis de patrones para identificar el comportamiento espacial de los datos. · Cálculo de los semi-variogramas experimentales. · Modelación de los semi-variogramas y establecimiento de los modelos. · Interpolación mediante el método del Kriging. · Cálculos de los errores (desviación estándar). FIG. 1. Localización de las estaciones · Estadística descriptiva y prueba de normalidad de climáticas en Cuba los errores.Para la aplicación de la metodología es necesario · Establecimiento de los intervalos de confianza.realizar una estratificación de los valores de ETomediante la geomorfología del relieve por la influencia ·Mapificación y despliegue de los resultadosque este aporta a la variable de estudio (Smith 1990), mediante sistemas de información geográficos (SIG).por este motivo se necesitan informaciones de estanaturaleza. Al consultar información al respecto de ANÁLISIS Y DISCUSIÓN DE LOS RESULTADOSlos estudios realizados en Cuba existen diferentescriterios (Hernández S.J 1993) señala que los Estadística exploratoria descriptiva: Se realizó unresultados actuales de investigación de la análisis estadístico exploratorio con la totalidad de losgeomorfología cubana obtenidos hasta hoy, reflejan datos sin realizar ninguna transformación según loun grado desigual e insufic iente de estudio dado por que sugiere Rossiter (2003) para determinar ladiversas causas. Uno de los trabajos más recientes naturaleza de los datos y en qué sentido se debeque considera los estudios antes realizados y utiliza orientar los siguientes pasos de la investigación .técnicas más avanzadas es el desarrollado por Reyes (Rossiter 2003) La Prueba de Normalidad de(2004) donde utiliza procesamientos utilizando Anderson - Darling en todos los casos muestratécnicas de radar (Shuttle Radar Topography Misión. suficiente evidencia para afirmar que ninguna de lasJet Propulsión ) con resoluciones espaciales de 90 m series se comportan como una distribución normal(NASA 2002). para el nivel de significación (a=0.05), entre lasEl modelo digital de elevaciones propuesto por su muestras se observa que existen diferencias entre las
  8. 8. REVISTA07 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPER Fig.2 Histograma ETo de todas las series Fig. 3 Evapotranspiración de refe rencia por estaciones climáticas Tabla 1. Estadística descriptiva exploratoria de todas las series
  9. 9. REVISTA08 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPERmedias (Min.= 26.871 y Máx.=52.853) con La introducción del Lapso Adiabático para variascoeficientes de variación (CV min.= 6.590 y CV Máx.= alturas fue introducido por Hargreaves (1980) y el11.810) provocadas a que los datos se distribuyen en factor de índice de aridez presentado por Allen y Pruittdiferentes poblaciones como se muestra en el (1986) son útiles ejemplos de esto; el panel señalabahistograma de la Fig. 2 lo que permite suponer que los además que las técnicas de teledetección puedendatos obedecen a una distribución que pudiera proveer de adicional información sobre la variabilidaddepender de la va riabilidad espacial (X, Y, Z) y espacial (Smith 1990). Por este motivo latemporal (T) como se muestra en la Fig. 3, este estratificación de las series de ETo se realizó teniendoanálisis define 3 direcciones de la investigación: en cuenta la geomorfología del relieve atendiendo a la1-Los análisis deben considerar la variabilidad clasificación antes mencionada (Reyes 2004).temporal de la evapotranspiración de referencia para Sobre la transformación de series para sulo cual hay que decidir cual es el periodo en el cual se normalización algunos autores (Rossiter 2003)establecen los valores más representativos de la sugieren trabajar con datos sin transformarserie . estratificándolos de forma tal que los agrupe en2-Los datos pueden estar influenciados por una poblaciones cuyos extremos se encuentren dentro devariabilidad espacial (X, Y, Z) que pudiera determinar una serie normalizada, respondiendo a un principiosu agrupamiento. biofísico y no matemático.3- Las series no presentan un comportamiento Los datos de evapotranspiración de referencia fueronNormal lo que implica su transformación para poder estratificados quedando normalizados excepto en elemplear métodos de interpolación basados en el primer estrato (0 – 40 m) donde fue necesariosupuesto de obedecer a una distribución Gausiana. reclasificarlo en 2 partes (0 -15 m) y (16 - 40 m) ya quePara decidir el período donde la variabilidad temporal aun existen 2 poblaciones en una misma serie, en elsea representativa de la serie, al analizar la Fig.3 se caso de las series 85-125, 459-800 y 800-1500 semuestra la alta variabilidad temporal de la ET aún agruparon normalmente dentro de una misma serie.cuando se utilizaran series diarias u horarias. Las diferentes series quedaron agrupadas en lasSobre la variabilidad temporal de la evapo- clases que se muestran en la Tabla No 2.transpiración existen pocos trabajos realizados,sobre esto en un panel de expertos agrupados por la Tabla 2. Clases obtenidas de la estratificaciónFAO en Roma, Smith (1990) señalaba que los geomorfológicaprocedimientos para analizar la varianza estadísticade las precipitaciones se ha convertido en calculo derutina, tales procedimientos no han sido llevados acabo en el caso de la evapotranspiración y otrasvariables climáticas de un comportamiento no normal,estudios comparativos adicionales para estimar lavariabilidad temporal y recomendar losprocedimientos prácticos en la planificación yexplotación de los recursos hídricos necesitan ser Para la estimación de la evapotranspiración (ETo) larealizados. determinación del número de datos necesarios paraEste panel de expertos establecía tiempos escala en que los resultados se encuentren dentro del intervaloel estudio de la evapotranspiración y señalaba que de confianza (en este caso un 95 % de probabilidad),estos están en dependencia del propósito de la lo deseable es que la ETo se estime con un máximoaplicación que se quiera realizar y la precisión del valor de confiabilidad y teniendo en cuenta que estamétodo de predicción con que se trabaje variable está expresada en lámina (1 mm – 10 m3/ha)recomendando intervalos diarios, decenales y consideraremos 0.5 mm de margen de error.mensuales para el método utilizado.(Smith 1990)Por lo antes señalado y teniendo en cuenta que el Intervalo de confianza para la población de una mediapresente estudio pretende obtención de valores deET con fines de planeamiento hidráulico y explotaciónpara usos de regadíos estableceremos el tiempoescala de 10 días. ( 1)Variabilidad espacial de la ET Donde:El panel de expertos antes mencionado señalaba a su Valores medios de la serievez que el uso de datos climáticos de estaciones Valores tabulados de la distribución normal para unmeteorológicas para áreas agrícolas presenta nivel de confianza (1.960 para un 95 % dediferentes limitaciones, los procedimientos en que se probabilidad)trabaje para la determinación de la evapo- ? : Desviación estándar de la serietranspiración deben tomar en cuenta las diferencias n : Número de observacionesmicro climáticas, vegetación, suelos y cambios dealtitud.
  10. 10. REVISTA09 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPERComo se observa en la tabla No. 3 en todas las clases estaciones climáticas con informaciones para estimares necesario un número de datos superior a los la evapotranspiración de referencia, estas deberíanexistentes para obtener un margen de error adecuado estar situadas a su vez con una distribución espaciallo que implicaría que existieran en el país unas 684 que se lograra una densidad adecuada en cada lugar. Tabla 3 Número de datos necesarios para un margen de error de 0.5 mm de ETo de intervalo de confianza de la media para un 95 % de probabilidadTrabajar con datos insuficientes puede provocarmárgenes de errores (Tabla No.4) con valoressobreestimados o subestimados de evapotrans-piración. Por otra parte si se quiere lograr unainterpolación precisa utilizando técnicasgeoestadisticas como el Kriging (interpolador óptimo)sería necesario estimar de forma fiable lossemivariogramas experimentales lo que requiere untamaño de muestras mínimo. Gascuel (1994) en sutrabajo sobre la variabilidad de estimacionesespaciales considera 150 datos y apunta como unnúmero suficiente, mientras Webster (1992)considera esta cantidad como el límite inferior yrecomienda un tamaño de muestra de 225. Fig. 4. Análisis de patrones de la evapotranspiración de Tabla 4. Cuantificación en unidades de norma de riego del referencia. margen de error En las figuras (Fig.5-9) cual se muestran los semivariogramas experimentales para cada claseAnálisis de patronesEn las interpolaciones se asume que existe unaaleatoriedad espacial de los puntos, para examinar elcomportamiento de los datos de puntos en el espacioe investigar si estos están distribuidos al azar seutiliza el análisis de patrones (Fig 4), dos técnicas Fig. 5 0-15 mbásicas se utilizaron para examinar el modeloespacial de puntos, distancia de vecinos máscercanos y reflexivos vecinos más cercanos.
  11. 11. REVISTA10 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPER Fig. 6 16-40 m Fig. 7 41-85 m Fig.8 85-1500 m Fig. 9 Semivariograma experimental todas las clases.De acuerdo a los semivariogramas se observan que 2- 3.5 mm altos si se compara con los valores mediosexisten dependencias espaciales entre los rangos de que se sitúan entre Min.= 2.6871 mm y Máx.=5.28530-400 Km. respecto a la evapotranspiración de mm en este rango de distancias.referencia, esta información puede servir de base en En las Fig. 10-19 se muestran los resultadosla distribución de las estaciones climáticas, por otra obtenidos de la interpolación de la evapotrans-parte la semivarianza oscila entre rangos de 4-12.5 piración de referencia mediante un Kriging ordinario ymm que implican desviaciones estándar de la media sus respectivos mapas de errores. Tabla 5 Parámetros de los semivariograma para todas las clases
  12. 12. REVISTA11 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPER Fig. 10-11 Clase 0-15 m Fig. 12-13 Clase 16 -40 m Fig. 14-15 Clase 41-85 m Fig. 16-17 Clase 85-1500m Fig. 18-19 Evapotranspiración de referencia I decena mes de enero y mapa de errores.A partir de la combinación de los mapas estimados comportamiento normal de los errores, los valoresmediante el Kriging ordinario y sus mapas de errores críticos de intervalos de confianza se obtuvieron de lase crearon mapas de intervalos de confianza tabla de valores estándar de la curva norma (Tabla 6)l.mediante mapas de cálculos, verificando el
  13. 13. REVISTA12 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPER Tabla 6 Intervalos de confianza y valores críticos de la curva normal.Donde son los valores de Kriging estimado y elerror estimado (estándar desviación). Lamultiplicación del factor c (Valor critico) por los valoresestimados en el mapa de errores de una cara de losintervalos de confianza provoca la obtención de losmapas de intervalos de confianza para la media.Del histograma del mapa de errores se evalúa laestadística descriptiva y la prueba de Anderson –Darling para verificar la normalidad, en los gráficos delas Fig., 20 y Fig.21 Se muestra la normalidad de loserrores lo que permite estimar los intervalos de Fig. 22 Intervalos de confianza de la evapotranspiraciónconfianza. de referencia Los resultados del análisis del mapa de intervalos de confianza y el histograma (Fig 22 y 23), nos muestran zonas de "incertidumbres " donde los intervalos de confianza presentan desviaciones entre 5-6 mm, esto coincide con las zonas donde la densidad de estaciones climáticas es baja e inclusive nula situadas en las zonas oeste de la Isla en las regiones centrales de la Provincia de Pinar del Rió pertenecientes a los municipios de San Juan y Martínez , Minas de Matahambre, Viñales, La Palma, Bahía Honda y San Cristóbal, similar comportamiento aparece en la región este del país en los municipios costeros de la Provincia de Granma como son Campechuela, Media Luna y Niquero y en la provincia de Holguín en el municipio de Moa, otras de las Fig. 20 Estadística descriptiva mapa de Errores regiones del mismo comportamiento es la región mas oriental de la isla en la Provincia de Guantánamo en los municipios de Yateras, San Antonio del Sur, Manuel Tames, Baracoa, Imias y Maisi todas estas áreas representan un 7.2 % del territorio nacional, en las restantes zonas del país unas 10,713,750 ha se comportan dentro de los rangos de intervalos de confianza de 0.5-4 mm, y representan el 92.6 % de las áreas de Cuba. Diferentes autores coinciden que las medidas de teledetección espacial permiten extender los modelos de cálculo a zonas amplias donde no se dispone de datos meteorológicos (Rivas 2004; Rivas. R 2004) y proponen una serie de modelos basados en el estudio de diferentes sensores y variables Fig. 21 Intervalos de confianza de la Prueba Anderson DarlingEn la figura 22 se muestra el mapa de los intervalos deconfianza para la media de la evapotranspiración dereferencia de la primera decena de enero evaluadopara un 95% de probabilidad. Fig. 23 Histograma Intervalos de confianza
  14. 14. REVISTA13 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPERobtenidas a partir de técnicas de teledetección (Jiang que limita el uso de datos puntuales de estaciones2003; Batra 2005; Batra climáticas cuando estas no se encuentran con una2006; Wang 2006; Bisht 2005). densidad adecuada y distribuidas uniformemente,Por otra parte existe una tendencia mundial a la aún cuando se utilicen procedimientos y métodosutilización sistemas inteligentes para la modelación geoestad?sticos avanzados (interpolador óptimo) lode la evapotranspiración debido a la imposibilidad de que constituye una limitante al sobrestimar omedir directamente y de forma precisa (error subestimar los valores reales de la misma, debeinstrumental), este parámetro, así como limitaciones restarse atención su utilización para evitar laen cuanto al conocimiento de las leyes biofísicas que propagación de errores o al menos informar el gradorigen este comportamiento, sobre este aspecto de confiabilidad con que se trabaja .Obregón (2002) (2003) señalaba que el estudio de 1. Es importante considerar las escalas de tiempo ensistemas complejos como es el caso de la la estimación de la evapotranspiración como loevapotranspiración tal como se puede evidenciar no recomienda la literatura internacional y no trabajar ensólo en la “textura” de las diferentes variables de escalas superiores de una década, la generalizaciónentrada y salida, sino también en el carácter no lineal de información a otras escalas utilizando estadígrafosde las funciones de transferencia y heterogeneidad de tendencia central como la media, desviaciónde sus parámetros, los modelos empleados en estándar y pruebas de normalidad enmascaran elingeniería procuran incorporar expresiones que verdadero comportamiento de la serie.consideran la complejidad de dichos sistemas. Para 2. La metodología ofrecida puede servir de herra-tal efecto se acostumbra a generar aproximaciones mienta en el análisis y procesamiento de este tipo deque pueden ser empleadas en los diferentes información que presenta un carácter estocástico,ejercicios de modelación. Una primera discriminación probabilístico y difuso, la utilización de otrosincluye los denominados modelos de “caja negra” y procedimientos estándar pueden inducirle otraslos de “caja blanca”. En los primeros la característica fuentes de error.principal es la ausencia de algún principio físico como 3. Este estudio no es conclusivo solo tiene un carácterpor ejemplo alguna de las leyes de conservación metodológico encaminado a proponer este(masa, momento o energía). Para los segundos por lo procedimiento de trabajo para la evaluación posteriormenos se incluye una o varias de estas leyes. En los de todas las series históricas de la base de datos conprimeros es común también hablar de dos tipos de que se cuenta pero es indicativo de similaresmodelos aquellos que se encuentran guiados por resultados a obtener al analizar otros períodos ya quedatos y los basados en el conocimiento. Como los intervalos de confianza están determinados por laherramientas de éstos se destacan los denominados cantidad de estaciones climáticas existentes, suSISTEMAS INTELIGENTES. distribución geográfica y su densidad. 4. Recomendamos la combinación de estosCONCLUSIONES Y RECOMENDACIONES procedimientos de trabajo con técnicas de teledetección espacial modelados a partir deA la vista de los resultados obtenidos podemos sistemas inteligentes para tratar de reducir lasconcluir que:En las condiciones de Cuba la incertidumbres de algunas zonas donde la estimaciónevapotranspiración de referencia presenta una alta no ha alcanzado los valores deseados.variabilidad espacial (x,y,z) y temporal (t) coincidentecon lo reportado por la bibliografía internacional, loREFERENCIAS University Cincinnati. Master of Science 120.ACC, Ed. (1989). Nuevo Atlas Nacional de Cuba,Editado por el Instituto de Geografía de la Academia Batra, N., S., Islam, V., Venturini, G., Bisht, and L.,de Ciencias de Cuba, el Instituto Cubano de Jiang. (2006). "Estimation and comparison ofGeodesia y Cartografía y el Instituto Geográfico evapotrasnpiration from MODIS and AVHRR sensorsNacional de España for clear sky days over the Southern Great Plains. ." Remote Sens. of Environ. 103: 1-15.Allen, R., Pereira, L., Raes, D. and Smith, M. (1998).Evapotranspiración del cultivo. Guía para la Bisht, G., V., Venturini, S., Islam, and L., Jiang. ( 2005).determinación de los requerimientos de agua de los "Estimation of the net radiation using MODIScultivos. Estudio FAO Riego y Drenaje No. 56. FAO: (Moderate Resolution Imaging Spectroradiometer)298. data for clear sky days." Remote Sens. of Environ. . 97: 52-67.Batra, N. (2005). Estimation and comparation of Brown, M. B., Forsythe (1974). "Robust Tests for theEvapotranspiration from multiple satellites for clear Equality of Variances." Journal of the Americansky days. Department of Civil & Environmental Statistical Association 69: 364-367.Engineering of the College of Engineering. Ohio, USA. , Filliben (1975). "The Probability Plot Correlation
  15. 15. REVISTA14 VOL. 26 Nº 1 JUNIO 2008 ANÁLISIS ESPACIO-TEMPORAL DE LA EVAPOTRANSPIRACIÓN... SELPERCoefficient Test for Normality." Technometrics 17: 111. estimate spatial reference evaporation from remote sensing-based surface temperature and localGascuel, O. (1994). "Variability of variograms and meteorological data." Remote Sensing ofspatial estimates due to soil sampling: a case study." Enviromental 93: 68-76.Geoderma 62: 165- 182. Rossiter, D. G. (2003). "Spatial Analysis &Hernández S.J, D. J. L., Portela P.A, Magaz G.A Geostatistics." Department of Earth Systems Analysis(1993). "Geomorfologia de Cuba." La evalolucion de International Institute for Geo-information Science &la morfologia. Academia de Ciencias de Cuba. Earth Observation (ITC): 283.Habana. Cuba.13 Sheather , H. (1986). "Confidence Intervals Based onJiang, L., and S., Islam. (2003). "Estimation of surface Interpolated Order Statistics." Statistics andevaporation map over southern Great Plains using Probability Letters 4: 75-79.remote sensing data." Water Resources Research.37(2): 329-340. Smith, M. (1990). Expert Consultation on Revision of FAO Methodologies for Crop water requirements.NASA (2002). Shuttle Radar Topography Mission, Land and Water Development Division. L. a. W. D.NASA. Division. Rome, Italy, FAO: 57.Obregón, N., & F. Fragala (2002). "Sistemas Solano, O., C. J. Menéndez, R. J. Vázquez y J. A.Inteligentes, Ingeniería e Hidroinformática." Ciencias Menéndez . I . (2003). Zonificación de lae Ingeniería Neogranadina Vol. 13. evapotranspiración de referencia en Cuba. Atlas agrometeorológico de disponibilidades hídricas paraObregón, N., & F. Fragala (2003 ). Some Applications una agricultura de secano 2 p, 4 Anexos, 102 mapas.of Artificial Intelligent Systems in Hydroinformatics. La Habana, Cuba, Instituto de Meteorología.Eighteeen International Joint Conference on ArtificialIntelligence. Workshop Acapulco, Mexico. Wang, K., Li, Z., M., Cribb. (2006). "Estimation of evaporative fraction from a combination of day andReyes, R. (2004). Geomorphometry characterization night land surface temperatures and NDVI: A newof Cuba by use Digital Elevation Model (DEM) From method to determine the Priestley – TaylorShuttle Radar Topography Mission (SRTM) with 90 m parameter." Remote Sens. of Environ. 102: 293-305.of resolution. Netherland, International Institute forGeo-information Science and Earth Observation Webster, R., Oliver, M.A. (1992). "Sample adequatelyMsc.: 50. to estimate variograms of soil properties." Journal of Soil Science 43: 177– 192.Rivas, R., Caselies (2004). "A simplified equation to
  16. 16. REVISTA15 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER Image classification on a mountainous area using object-based image analysis Yan Gao*1 and Jean François Mas* * Centro de Investigaciones en Geografía Ambiental, Universidad Nacional Autónoma de México (UNAM), Antigua Carretera a Pátzcuaro No. 8701, Col. Ex-Hacienda de San José de La Huerta C.P. 58190 Morelia Michoacán MÉXICO, Tel. (443) 322 38 35, E-mail: gaoyan@pmip.unam.mx, jfmas@ciga.unam.mxABSTRACT bear either very general land-cover information, or else detailed information with limited accuraciesObject-based image analysis classifies image objects (Franklin et al. 2003). In object based image analysis,which are created by image segmentation. Image homogeneous image objects at a chosen resolutionsegmentation delineates image objects according to a are first extracted and subsequently classified and thecertain homogeneity criteria, and at the same time, results produced are smoother and closer to therequires spatial contingency. Since objects are human vision. The development of object basedcomprised of a group of pixels, the objects properties image analysis stems primarily from the desire to usesuch as mean, standard deviation, shape, texture, etc. the semantic information to interpret an image, whichcan thus be calculated and used in the image analysis. is not presented in single pixels but rather inObject-based image analysis uses object’s spectral meaningful objects and their mutual relations. Objectsand spatial information, and information pertaining to are composed of groups of homogeneous pixels, andan object’s sub-or super-objects if a multi-level image thus more information than just the grey value can beobject hierarchy has been created. With all these used in the classification, which considerably extendsavailable features, it is critical the proper the possibilities for image analysis. Object basedselection of features and thresholds to differentiate image analysis intends to do what an imagethe classes of interest. Normally, this selection of the interpreter does: recognizing the colour, shapes,proper features and thresholds relies on the expertise textures and coherent regions presented within anof the analyst and is performed on a trial and error image and associating meaningful objects and theirprocess. In this paper, a SEaTH algorithm was used to contextual relations.calculate the proper features and thresholds based on A feature represents certain information concerningthe properties of the selected representative objects objects of interest, such as spectral relatedof class. This paper performed land cover information, shape, texture, etc. It is important toclassification using object based image analysis on identify the characteristic features for objects ofLandsat-7 ETM+ imagery in a mountainous area with interest in order to differentiate objects of differentcomplex land cover classes. In the definition of the land cover types. Usually, it is based on a timeclassifiers of the land cover classes, the used features consuming trial and error process. According to theand thresholds were calculated by SEaTH algorithm. selected training objects and features,Eight land cover classes were produced: temperate SEparability and Threshold (SEaTH) algorithmforest, tropical dry forest, orchards, grassland, calculates the proper features and thresholds that areirrigated agriculture, rain-fed agriculture, lava flow, best fit for the separation of interested classes. Basedand human settlements. In this paper, it is on a statistical approach, it calculates the features anddifferentiated between object primitives and object of thresholds for any number of given features and anyinterest. Object primitives are building blocks in object number of interested classes, so it avoided the time-based image analysis and are produced by image consuming trial and error process. This papersegmentation; object of interest here corresponds to investigates the performance of object based imagethe earth objects. analysis for mapping land-covers in a mountainousKey words: Multi-resolution segmentation, Object- forested area, using the features and thresholdsbased image analysis, Separability and thresholds. identified by the SEaTH algorithm.1. INTRODUCTION 2. METHODS 2.1. Object based image analysis in eCognitionPixel-based image classification usually produceshighly freckled results in classifying images of Object based image analysis in eCognition (Definiensheterogeneous areas. The resulting thematic maps 2006) comprises two parts: multi -resolution1 Corresponding author. gaoyan@pmip.unam.mx
  17. 17. REVISTA16 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPERsegmentation and context-based classification. Multi - the maximum allowed heterogeneity for the resultingresolution segmentation allows generating image image objects. With a certain scale parameter, objectsobjects on an arbitrary number of scales considering are formed based on “colour” and “shape”homogeneity in colour and shape. characteristics, and the relation between these twoAdditionally, the created segments/objects are criteria is colour + shape = 1. “Colour” defines theembedded into a hierarchical network in which each weight the spectral values of the image layersobject knows its neighbouring objects in horizontal contribute to image segmentation. Shape criterion isand vertical direction (figure 1) (Baatz and Schape represented by smoothness and compactness.1999). The classification is based either on a fuzzy Smoothness is to optimize image objects with regardnearest neighbour classifier or membership function. to smooth borders, and compactness with regard to compact borders (Baatz et al. 2004).2.1.1. Multi-resolution image segmentation Besides, for a given set of segmentation parameters, heterogeneous image data result in smaller imageMulti -resolution image segmentation extracts objects objects than homogeneous image data.in a number of hierarchical segmentation levels, andeach subsequent level yields image objects of a larger 2.1.2. The fuzzy classifier and hierarchicalaverage size by combining objects from a level below, network classifierwhich represents image information on differentscales simultaneously (figure1). The classification uses either nearest neighbourIn image segmentation, scale parameter determines classifier (NN) or membership function, or a means Figure 1: Image object hierarchy. Source: Definiens professional 5 user guidecombination of both. Object features can be used approach based on training objects. It measures theeither to describe membership functions, or to statistical distance (Jeffries-Matusita distance) todetermine the feature space for NN (Baatz and compare the feature separability of two interestedSchape 1999). NN classifier is based on fuzzy logic, classes. The measure result is in interval of [0, 2], inwhich replaces the two Boolean logical statements which 0 implies that the class distributions in these two“true” and “false” by the continuous range of (0…1) features are completely correlated and 2 implies thewhere 0 means false and 1 means true and all values complete uncorrelation.between 0 and 1 represent a transition in between. The features in which the class has the highTo guarantee a definite hierarchy the segmentation separability (high J value) are the optimum features.procedures follow two rules: 1) object borders must To apply this method in the classification in eCognition,follow borders of objects on the next lower level; 2) first of all, samples of the interested classes aresegmentation is constrained by the border of the selected and the statistics (feature values) of thoseobject on the next upper level. Different hierarchical samples are exported.levels can be segmented using different data, an The separability of the classes represented by Jupper level, for example, can be built using thematic distance is then calculated, and the features with theinformation, whereas a lower layer is segmented high J distance are favorable features to differentiateusing remote sensing data. Classifying the upper level, between land-cover classes. The selected favorableeach object can be analyzed based on the features can then be used to build the rule base. It is acomposition of its classified sub-objects. By means of parametric approach and the assumption is that all thethis technique different data types can be analyzed in random variables encountered during the processingrelation to each other. can be approximated as Gaussian distributions.2.2. SEaTH algorithm 3. THE STUDY AREA AND DATASEaTH algorithm was proposed by Marpu et al. The study area is located in Michoacán state, central(2006) and Nussbaum et al. (2006), the algorithm west of Mexico, covering an area of approximatelyidentifies the characteristic features with a statistical 58*60 km 2 , within the longitude of 102° 00’ W and
  18. 18. REVISTA17 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER102° 32’ W, and latitude of 19° 02’ N and 19° 36’ N(figure 2). Figure 2: The study area. Left side of the figure are two sketch maps indicating Mexico and Michoacán state where the study area is located; right side is the false colour composite of Landsat-7 ETM+ image with red, green, and blue bands of 4, 5, and 7.The available data are comprised of a Landsat-7 different information that is defined in the attachedETM+ image obtained on 16 February 2003, with 6 attribute list. To be able to clearly define the affiliationbands and a spatial resolution of 30m, a mosaic of 25 of an object to a thematic class given by the themati cortho-corrected photos taken in 1995 with 2 meters layer, it is not possible to create image objects whichspatial resolution, and a land-cover map from the belong to different thematic classes. To ensure this,Forest Inventory generated in the year 2000. Eight the borders separating different thematic classes areland-cover types need to be classified: ‘orchards’, restrictive for further segmentation whenever a‘temperate forest’, ‘irrigated agriculture’, ‘rain-fed thematic layer is used. For this reason, thematicagriculture’, ‘lava flow’, ‘tropical dry forest’, ‘grass layers can not be given different weights but canland’, and ‘human settlement’. merely be selected for use or not. In this case, of course, the thematic layer which contains the4. RESULTS AND DISCUSSION settlements information was given the weight one to include it in the segmentation. Meanwhile, the imagePrincipal component analysis was carried out to the layers can also be given to different weights. If switchsix Landsat-7 ETM+ spectral bands and three PCA the weights for all image layers to 0, the producedbands were generated. NDVI was calculated based image objects are based exclusively on thematic layeron bands 3 (red), and 4 (near infrared) and its value information and the obtained objects do not representwas calibrated into the range of 0-300. The three PCA the averaging of layer values. The purpose of thebands, the calibrated NDVI, and the six Landsat segmentation in this level was to create onlyspectral bands were used in the object based image settlement and non-settlement objects. In order toanalysis. Two segmentation levels were created by group all the objects which are not the settlementmulti -resolution segmentation. In the first level image objects into one object for facilitating the objectwas segmented using both image layers and thematic allocation, an extremely large scale factor 10000 waslayer which contains ‘human settlement’ information. used and the segmentation created ‘humanIncluding the information of a thematic layer in the settlement’ objects and one non-settlement objectsegmentation influences the generation of image (figure 3). This level acted as super level in classobjects. Thematic layers contain discrete information, hierarchy.which means that related layer values can carry
  19. 19. REVISTA18 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER The rest seven class use also class related features from the super level class ‘non-settlement’: “class related features, relation to super class ‘non- settlement’. Besides this class related feature, other features used were calculated using the SEaTH algorithm. For SEaTH analysis about 2-5% sample objects of each land cover class were selected as training data. Then 104 characteristic features including spectral related, shape, and texture features were selected for the training objects. Based on the training objects and selected features, SEaTH tool calculated, for every object class combination, the separability and thresholds for each of the 104 features. Based on the separability value, the “best” among 104 features are selected for each object class combination, and the features with maximum separability are used for classification. The selected features and thresholds based on SEaTH results for the land-cover classes were shown in the figure 5. The calculated features and thresholds are presented in the “class description” in eCognition. A class description is composed of expressions which describe a class through fuzzy or crisp terms and are Figure 3: Segmentation using the thematic layer connected by logical operators. Logical operators are (level 1) needed because usually there are multidimensional dependencies in the feature space and a logical combination of features is used to represent thisA second segmentation level was created with the condition. The most common operators are “andthree PCA bands and the calibrated NDVI with (min)” and “or (max)” which are used in the followingparameters of scale factor 25, colour factor 0.7, way:compactness 0.5. The selection of appropriatesegmentation factors was based on trial and error withthe segmentation procedure until a satisfactorypattern was found. In this case, the producedsegments are smaller than the objects of interest. Theimportance of visual inspection in segmentation resultevaluation was addressed in Pal and Pal (1993) andBenz (2004) and it is still a common practice insegmentation parameters selection. The settings ofall segmentation parameters are very muchdependent on the image data, study area, and thedesired land cover types, which gives thesegmentation black box characteristics, thoughseveral groups are working on approaches toovercome this limitation (e.g. Espindola et al. 2006).These two levels were differentiated usinghierarchical membership function. The second level isthe actually classification level (figure 4). The smallerobjects (in level 2) are nested within larger 5 ones (inlevel 1) and inherit any characteristics of a largerimage object. First the super-level was classified. Twochild classes were created in this level: ‘humansettlement’ and ‘non human settlement’. Eight classeswere created in the classification level: ‘humansettlement’, ‘irrigated agriculture’, ‘rain-fedagriculture’, ‘grassland’, ‘tropical dry forest’, Figure 4: Segmentation by scale factor 20,‘orchards’, ‘temperate forest’, and ‘lava flow’. ‘Human colour 0.7, and compactness 0.5 (level 2)settlement’ at this level was classified using theclassification result from its super level “class relatedfeatures, relation to super class ‘human settlement’.
  20. 20. REVISTA19 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER
  21. 21. REVISTA20 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER
  22. 22. REVISTA21 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPER Figure 5: The calculated features and thresholds for the land cover classification by SEaTH algorithmIn the classification scheme, class ‘irrigated thresholds can be adjusted in order that the featureagriculture’ has three sub-classes and ‘temperate values of those objects are being included and thusforest’ has five sub-classes. Using SEaTH algorithm, they can be classified.the training objects were selected for each of the sub- First it needs to be clear which classes thoseclasses and SEaTH calculated the features and unclassified objects should belong to, and then thethreshold for the sub-classes. In eCognition, after the object feature values are compared with thoseclassification of the sub-classes, they can be grouped desired classes. However, adjusting the calculatedtogether as the classes of interest. threshold could cause the mis-classification of otherMost of the object primitives were classified correctly objects and it should be done carefully. When very fewinto the classes of interest. This classification does not objects remain unclassified, manual classification canproduce fuzzy results. Due to the spectral variety of be used to allocate them to the correct classes. In thisobjects of interest, it is possible that the selected case, there were only a reduced number of objectstraining samples do not always fully represent the unclassified. By observing the characteristics of thosecharacteristics of those objects, and thus there are objects and comparing them with the features andobjects that were not classified. If there are a large thresholds of the desired classes, the thresholds ofamount of objects unclassified, the process of the classes were adjusted and the objects wereselecting the training objects and calculating the reclassified.features and thresholds should be re-done; if the The classification result is shown in figure 6 and 7.unclassified objects are relatively few , the calculated Figure 7: Legend of SEaTH classification result (level 2) Figure 6: Classification result of level 2.
  23. 23. REVISTA22 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPERAccuracy assessment was carried out based on 600 classification.stratified random points. 75 random points were put to The desirable features and thresholds are then puteach of the eight classes of interest in a land use map back to the class hierarchy to define the classifiers for(2000). These points were interpreted based on the each of the classes in eCognition. The classificationortho-corrected photographs, land use map 2000, with the features and thresholds calculated by thisdata from field survey, and Landsat-7 ETM+ images. SEaTH algorithm does not produce fuzzy results, andThe accuracy assessment result was then put into an each classified object has the full membership to itserror matrix based on the ground data and class. SEaTH algorithm calculates the features andclassification data. Indices such as the overall thresholds based on the selected training objects,accuracy, the producer’s and user’s accuracies were which should be representative enough to cover thecalculated and it obtained an overall accuracy 78.7%. entire spectral range of the class. Usually, the classifi cation using the features and thresholds calculated by5. CONCLUSIONS 9 SEaTH do not classify all the objects due to that there are objects with feature values outside of theImage objects are characterized by a variety of range of the selected training objects. So, usingspectral, spatial, texture, and contextual features. SEaTH algorithm, there will often be a “back and forth”The usually trial and error process of searching the process. After select the training objects, calculate theproper features is time consuming and thus hinders features and thresholds, and classify the image, it isthe utilization of the strength of object based image needed to observe which objects are not includedanalysis. Separability and Threshold (SEaTH) (classified), and then reselect the training objectsalgorithm is able to evaluate statistically any number again, include those objects, and recalculate theof given features for any number of object classes of features and thresholds, and classify the image again.interest and to identify the optimum features and To avoid this back and forth process, based on thethresholds for the separation of objects of interest. observed values of those not-classified objects, theThe working process of SEaTH algorithm can be thresholds of the calculated features can be adjustedgenerally described as the following: first, training in order to include those values, but it isobjects for the classes of interest were selected. If a recommended only when the missing objects are few,class has several subclasses, training objects should because adjusting the thresholds withoutbe selected for each of the sub-class. Then the feature recalculating can cause the mis-classification of othervalues of those training objects are exported and the objects. All in all, the object based image analysis withdesirable features and thresholds are calculated features and thresholds identified by SEaTHbased on the separability. For each class, SEaTH algorithm produced a good classification result. Withcompares it other classes using each of the selected SEaTH, the time-consuming trial and error practice forfeatures. The features and thresholds were listed in seeking significant features and proper thresholdsthe sequence of the separability values. Based on the can be avoided; it also helps to minimize humancalculation, features and thresholds with the highest involvement in classification steps and speeds up theseparability-the highest Jeffries-Matusita (J) value, process of classification when huge data is to be dealtwhich is in the range of (0, 2), are selected for the with, however, it could be at the expense of accuracy.REFERENCES Mathematical Society 35, pp. 99-109.Baatz, M., and Schaepe, A., 1999. Object-oriented Definiens, 2006. Definiens professional User Guide 5.and multi -scale image analysis in semantic networks. Definiens AG, Munich. Espindola, G. M.,2nd International Symposium: Operationalization ofRemote Sensing, 16-20 August, ITC, the Netherlands. Camara, G., Reis, I. A., Bins, L. S., and Monteiro, A. M., 2006. Parameter selection for region-growing imageBaatz, M., Heyen, M., and Hofman, P., 2004. segmentation algorithms using spatial autocorrelation.eCognition professional, user guide 4. User guide. International Journal of Remote Sensing, 27, pp.Definiens AG. http://www.definiens-imaging.com 3035-3040.Baatz, M., and Schaepe, A., 2000. Multiresolution Franklin, J., Woodcock, C. E., and Warbington, R.,segmentation optimization approach for high quality 2000. Multi-Attribute Vegetation Maps of Forestmulti-scale image segmentation. In: J. Strobl, T. Services Lands in California Supporting ResourceBlaschke and G. Griesebner (eds), Angewandte Management Decisions. PhotogrammetricGeographische Informations-Verarbeitung XII, Engineering & Remote Sensing, 66, 1209-1217.Wichmann, Karlsruhe, pp. 12-23. Fukunaga, K., 1990, Introduction to Statistical PatternBhattacharyya, A., 1943, On a measure of divergence Recognition. 2nd ed. Academic Press, London.between two statistical populations defined by theirprobability distributions, Bulletin of the Calcutta Hay, G.L., Gastilla, G., Wulder, M., Ruiz, J.R., 2005, An
  24. 24. REVISTA23 VOL. 26 Nº 1 JUNIO 2008 IMAGE CLASSIFICATION ON A MOUNTAINOUS AREA... SELPERautomated object-based approach for the multi-scale SEaTH-A new tool for automated feature extraction inimage segmentation of forest scenes. International the context of object-based image analysis. In: Proc.Journal of Applied Earth Observation and 1st International Conference on Object-based ImageGeoinformation 7, pp. 339-359. Analysis (OBJECT BASED IMAGE ANALYSIS 2006), Salzburg, 4-5 July 2006, ISPRS Volume No. XXXVI –Marpu P.R., Niemeyer I., Nussbaum S., Gloaguen R., 4/C42.102006. A procedure for automatic objectbasedclassification. In: Proc. 1st International Conference Shackelford A. K., and Davis C. H., 2003. A combinedon Object-based Image Analysis (OBJECT BASED fuzzy pixel-based and object-based approach forIMAGE ANALYSIS 2006), Salzburg, 4-5 July 2006, classification of high-resolution multispectral dataISPRS Volume No. XXXVI - 4/C42. over urban areas. IEEE Transactions on Geoscience and Remote Sensing, 41, pp. 2354-2364.Nussbaum, S., Niemeyer, I., & Canty, M. J., 2005.Feature Rcognition in the Context of Automated Tahir, M. A., and J. Smith, 2006, Improving NearestObject-Oriented Analysis of Remote Sensing Data Neighbour Classifier Using Tabu Search andMonitoring the Iranian Nuclear Sites. In: Proc. SPIE’s Enhance Distance Metrics. Icdm, Sixth IEEEEurope Symposium Optics/Photonics in Security & International Conference on Data Mining (ICDM’ 06),Defense, Bruges, 26-29 September 2005, SPIE Vol. pp. 1086-1090.ED103 (CD-Rom).Nussbaum S., Niemeyer I., Canty M. L., 2006.
  25. 25. REVISTA24 VOL. 26 Nº 1 JUNIO 2008 TELEOBSERVACIÓN APLICADA A LA CARACTERIZACIÓN... SELPER Teleobservación aplicada a la caracterización morfológica y evolutiva de coberturas de suelos en la llanura de inundación del río Paraná Lisandra P. Zamboni 1, Pablo Aceñolaza1,2; Walter Sione1,3; Fabio Kalesnik4; Cristina Serafini3. 1: CEREGEO-UADER, Urquiza 980 (3100) Paraná, Entre Ríos Argentina. 2: CICyTTP -CONICET y FCAUNER, Materi y España (3105) Diamante, Entre Ríos, Argentina. 3: PRODITEL-UNLU, Ruta 5 y 7 (6700) Luján, Buenos Aires, Argentina. 4: GIEH FCEyN -UBA, Intendente Güiraldes 2160 – Ciudad de Buenos Aires. acenolaza@gmail.com , pamelazamboni@gmail.com , sione@selper.org, fabio@ege.fcen.uba.ar, proditel@mail.unlu.edu.arRESUMEN sedimentación de mayor granulometría y vinculadas directamente al régimen hidrológico de alta energía.La llanura aluvial actual del Paraná, conforma una Se identificaron así mismo, sistemas más estables,llanura viva, compleja, dendrítica, la porción entre de tierras altas (porción mas externa de la Dorsal delSanta Fe y Rosario con una compleja red de drenaje Paraná) y bajas (sistema Coronda y parte sur de laanastomosado con una alta densidad de cuerpos de porción superior del Complejo Deltaico).agua grandes, irregulares e interconectados, con Palabras clave: unidades de ambiente, Río Paran á,islas de mayor tamaño hacia el sur, y con áreas coberturas, geomorfología, vegetación, hidrología.geomorfológicamente más activas son las ubi cadasen o cerca de los canales. El área de estudio, ABSTRACTdelimitada desde la diagonal Paraná/Santa Fe(31º40´S) hasta Puerto Gaboto/Arroyo Las Ceibas The current floodplain of Paraná, forms a living,(32º30´S), corresponde a un área de ambientes complex and dendritic plain, the portion betweenlóticos, lénticos, y de islas con diferente tamaños y Santa Fe and Rosario with a complex network ofdinámicas de inundación. El sistema hidrológico del drainage anastomosed with a high density of largeRío Paraná en este tramo ejerce a escala regional un irregular and interconnected bodies of water, withefecto de control. A escala local los principales larger islands towards the south, and with areasprocesos de transformación están ligados a las geomorphology more active are located on or near thehistorias de uso del suelo. La Teleobservación se canals. The area of study, bounded from the diagonalpresenta como una herramienta de análisis Parana / Santa Fe (31 ° 40S) to Puerto Gaboto / Theapropiada, y una fuente de datos adecuada para el Arroyo Ceiba (32 º 30S), corresponds to an area ofestudio de las características y dinámicas lotic and lénticos environments, and islands withmorfológicas y evolutivas de la cobertura del suelo de different sizes and dynamics of flooding. Theambientes de la llanura aluvial del Paraná. Se ha hydrological system in Rio Parana in this stretchdefinido como objetivo general del trabajo ensayar exercises at regional level an effect of control. At localtécnicas de procesamiento de imágenes para la level major transformation processes are linked to thecaracterización de la cobertura de suelo en la llanura stories of land use. Remote sensing is presented asaluvial del Río Paraná de acuerdo a su geomorfología, an appropriate analysis tool, and a source of datatopografía e hidrología. Se trabajó sobre una ventana suitable for studying the characteristics andde la imagen Landsat TM5 del 13 de febrero de 2007, morphological and evolutional dynamics of groundPath/Row 227/082. Se utilizaron también cartas cover in environments of the floodplain from Parana. Ittopográficas del Instituto Geográfico Militar (IGM) has been defined as a general objective in this studyescalas 1:100.000 y 1:50.000. Se generó cartografía to try out image processing techniques for thetemática correspondiente a geomorfología, characterization of covering ground on the floodplaintopografía e hidrología. Los resultados obtenidos of the Parana River according to its geomorphology,indican que el área estudiada presenta una alta topography and hydrology. We worked on a window ofheterogeneidad espacial (y temporal) dada the Landsat image TM5 from February 13, 2007, Pathfundamentalmente por la dinámica de los procesos / Row 227/082. It was also used topographic chartsgeomorfológicos y fluviales, modeladores principales from the military geographic institute (IGM) scalesdel paisaje. Se diferenciaron grandes unidades 1:100.000 and 1:50.000. It was generated thematicambientales asociadas a diferentes procesos cartography for geomorphology, topography andmodeladores, con caracte-rísticas y evolución hydrology.propias. Se reconocen sistemas de islas The results obtained indicate that the studied area hasevolutivamente clasificadas en complejas y simples, a high spatial heterogeneity (and temporary) givencorrespondientes a depósitos de cauce, con mainly by the dynamics of the fluvial and

×