Manual erdas web

Manual de prácticas
de percepción remota
con el programa
ERDAS IMAGINE 2011
por
Elena Posada, IGAC
Hector Mauricio Ramirez Daza, IGAC
Norma Carolina Espejo Delgado, IGAC
Photo Credit: NASA

Centro de Investigación y Desarrollo en Información Geográfica
CIAF
MANUAL DE PRÁCTICAS DE PERCEPCIÓN REMOTA
PARTE 1
Por:
Elena Posada
Actualizado por:
Hector Mauricio Ramirez Daza
Norma Carolina Espejo Delgado
Bogotá DC, 2012
© Instituto Geográfico Agustín Codazzi, 2012. Todos los derechos comerciales reservados.
Prohibida su reproducción para fines no académicos o de Investigación.

INTRODUCCIÓN
La percepción remota se define como la ciencia y arte de obtener información útil sobre los objetos, áreas
o fenómenos bajo investigación mediante análisis de datos adquiridos por dispositivos que no están en
contacto físico con estos.
Con el lanzamiento del primer satélite comercial LANDSAT-1 (USA) en el año 1972, la comunidad científica y
él público en general empezaron a beneficiarse de las imágenes que ofrecían observación periódica y amplia
perspectiva de la superficie terrestre, de sus recursos, de los rasgos de actividades humanas y de sus
impactos. Desde entonces, las imágenes satelitales se han convertido en una fuente valiosa de información
para numerosas aplicaciones, tales como el inventario de recursos naturales, planificación urbana y rural,
monitoreo y gestión del medio ambiente, agricultura, infraestructuras, obras civiles, exploraciones mineras,
respuestas rápidas a desastres y operaciones militares, entre muchas otras.
Adicional a esto, con el desarrollo de nuevos sensores digitales aerotransportados con capacidad de
adquisición de imágenes en diversos rangos del espectro electromagnético se ha logrado obtener imágenes
de pequeñísimos tamaños en pixel con infinidad de bandas que han permitido realizar trabajos científicos y
cartográficos a escalas muy grandes. Por si fuera poco en la actualidad se ha logrado dominar la técnica de la
generación de imágenes de radar, con la posibilidad de obtener información de coberturas vegetales y
desarrollos fenológicos que hasta hace algunos años no era posible; todo esto permite inferir que la evolución
de los sensores remotos va de la mano con el desarrollo tecnológico y que a futuro nos esperan nuevas y
gratas sorpresas.
Para desarrollar las prácticas de sensores remotos se utilizará en este curso el programa ERDAS,
reconocido internacionalmente como una poderosa herramienta para la realización de estudios y
monitoreo de los recursos naturales.
Este manual contiene las instrucciones paso a paso sobre cómo llevar a cabo ciertos procesos. Se debe
ser consciente de que en cada ejercicio se proporciona una única vía a través de las herramientas de
ERDAS Imagine. Desde luego, en la mayoría de los casos, hay varias maneras de aprovechar al máximo
el uso de herramientas, en función de los diversos proyectos.
Este manual está dirigido para el entrenamiento del estudiante, junto con todas las imágenes y una
presentación de diapositivas utilizada por el instructor. Esto proporciona la capacidad para recrear los
conceptos explicados en clase, así como anotar los puntos clave de la teoría en cuestión.
Al finalizar la práctica, los estudiantes estarán en capacidad de entender la naturaleza de una imagen
digital y conocer las diferencias que existen entre las imágenes de diversos programas satelitales.

EJERCICIO 1: INDUCCION AL PROGRAMA ERDAS IMAGINE 2011
Para activar el programa ERDAS 2011ejecute la siguiente ruta desde la barra inferior de títulos así:
 INICIO / TODOS LOS PROGRAMAS /ERDAS 2011/ ERDAS Imagine 2011
En este momento se desplegará automáticamente la interface del programa erdas versión 2011.
Figura 1 Menu de inicio de ERDAS v 2011
La ventana superior contiene unas pestañas del programa ERDAS para acceder a sus diversas
funciones:
 FILE – Es el menú de aplicaciones en el se puede crear una nueva ventana en una vista de
mapa, vista en 2D (AOI layer, vector layer, annotation layer, IEC layer, Algorithm, conunt
features, foot print y record saniltrail) y vista en 3D (crear una vista en 3d), Open, menú para
abrir diferentes archivos se encuentran los mismos mencionados en la vista 2D y adicional a
ellos TerraModel Layer, Three Layer Arrangement y Web service, Recent, para abrir los
proyectos recientes, Save y Save as, para guardar el trabajo realizado, View, tipos de vistas
(View text file, View Raster Attributes, view binary data y view imagine HFA file), Print, para
imprimir, Session (view sesión log, preferences, generate system report, imagine properties, DLL
Information, Launch command window y enter log message)

 HOME – En esta pestaña se encuentran contenidos de ayuda, metadatos, herramientas básicas
de edición, extensión, ventana y vista (select, inquire, measure, cut, copy, paste, fit to frame,
reset, previous extent, pan, add views, link views, equalize scales, align north, swipe, clear view,
basemap, scale and angle y roam.
 MANAGE DATA – o manejo de datos, en el se encuentran catalogo, conversión, vectorizacion,
rasterizar y NITF (image catalog, coordinate calculator, import data, export data, feature
Exchange, pixels to ASCII, ASCII to pixels, ASCII to point vector layer, georaster manager,
imagizer data prep, raster to shapefile, vector to raster, image, NITF y Office tolos.
 RASTER – Son los procesamientos que se pueden realizar a las imágenes contiene resolución,
geometría y raster gis (radiometric, spatial, pan sharpen, spectral, mosaic, subset, geometric
calibration, reproject, check accuracy, classification, change detection, radar, thematic y
scientific).

 VECTOR – Esta pestaña trae operaciones para capas vectorizadas gestión, shapefile y raster to
vector (copy vector layer, rename vector layer, delete vector layer, attribute to annotation, zonal
attributes, reproject shapefile, subset shapefile, recalcúlate elevation, raster yo arc coverage,
raster to shapefile y arcinfo coverage).
 TERRAIN – Esta pestaña trae diferentes operaciones para administrar y analizar modelos del
terreno (terrain preparation, anaglyph, recalcúlate elevation values, elevation library, viewshed,
route intervisibility, slope, aspect, painted relief, level slice, raster contour, image drape y dem
tolos).
 TOOLBOX – Incluye herramientas de procesamiento comunes (model maker, mosaic, autosync
Workstation, stereo analys, maps y virtualGIS).
 HELP – Son todo el tipo de ayudas disponibles en el programa.
 GOOGLE EARTH – Este modulo permite la sincronización con google earth.
 MULTISPECTRAL – Este modulo permite la realizar cambios en una imagen multiespectral
contiene las secciones (Enhancement, brightness contrast, sharpness, bands, views, utilities,
transform & ortohocorrect y edit).

 DRAWING – Este modulo posee todas las herramientas de edición en un raster (Edit, insert
geometry, modify, insert map element, Font/size, locking, style y arrange).
 FORMAT –Herramientas de cambio en un raster (insert geometry, text, Font, symbol, lock, style,
symbology).
 DEFINICIÓN DEL ESPACIO DE TRABAJO
Para el desarrollo de ejercicios prácticos de la asignatura de Percepción Remota, se dispone de un
conjunto de imágenes de diversos sensores satelitales y aerotransportados, localizados en la siguiente
ruta: C:PR
Acceda a esta carpeta a través del EXPLORADOR de Windows y observe su contenido. Cree ahora una
nueva carpeta dentro este mismo directorio (Ej. PRACTICA), con el fin de guardar los datos que se
generarán posteriormente durante desarrollo de los ejercicios. Cierre el EXPLORADOR.
NOTA: Este programa no reconoce caracteres en los que aparezcan tildes o la letra Ñ, tampoco acepta
los espacios en blanco entre palabras o caracteres. Por tanto, es recomendable evitar estos signos
gramaticales y reemplazar los espacios por guiones bajos, Ej: salidas_ejercicio
Ahora, es necesario cambiar las preferencias asignadas por defecto dentro el programa ERDAS, con el
fin de acceder a su directorio de trabajo desde ERDAS directamente. Para esto, seleccione del menú File,
Session y preferences, automáticamente se despliega la ventana Preference Editor.

Estando en esta ventana, en el listado de la caja Category a la izquierda, aparecerá resaltada la fila User
Interface & Session, luego de esta verificación, cambie la ruta establecida por defecto del programa en
las cajas de diálogo situadas en la esquina superior derecha, por la que se ajusta a su espacio de trabajo
así:
 Default data directory = C:PR
 Default Output directory = C:PRpractica
Una vez este seguro de consignar esta ruta correctamente, confirme su selección oprimiendo el botón
User Save ubicado en la parte inferior de la ventana Preference Editor.
Finalmente, cerciórese de que ésta operación fue correcta ingrese a la pestaña File, Open, Raster Layer,
allí se tiene que desplegar la ventana Select layer to Add, si allí aparece en File la carpeta PR, la rutina
fue exitosa, de lo contrario es necesario repetir el procedimiento.
Figura 3. Ventana de dialogo de selección de datos a adicionar
EJERCICIO 2: DESCARGAR UNA IMAGEN GRATUITA DESDE LA PÁGINA DEL EARTH EXPLORER
DEL USGS (U.S. GEOLOGICAL SURVEY)
1. Entrar a la página de Earth Explorer y registrarse
- Inicie su navegador web de preferencia (puede ser Google Chrome, Microsoft Explorer , o
Mozilla firefox)
- En un buscador web como google digite: Earth explorer (Fig 4) y acceda al primer link que se
despliegue (Fig 5)

Figura 4
Figura 5
- Una vez este en la página del Earth explorer del USGS diríjase al link de registro y píquelo le
desplegará el formulario de registro (Fig6)
- Figura 6

- Diligencie los campos para crear un nuevo usuario y sus respectiva contraseña, igualmente se
llena una pregunta de seguridad (Fig 7)
Figura 7
- Pique en continuar y termine de llenar los campos de información que se le solicitan de acuerdo
a su objetivo (Fig 8).
Figura 8
- Pique en continuar y diligencia la información referente a sus datos de dirección, correo y
teléfonos

- Pique en continuar y verá la información de confirmación de su registro exitoso (Fig 9)
Figura 9
Una vez se está registrado ya se puede consultar y descargar imágenes, recuerde que si no está
registrado se puede consultar, pero al momento de descargar información tendrá que ser un
usuario registrado.
2. Seleccionar el área de interés
- Una vez registrado, vuelva al “home” del sitio web (Fig 6) picando en el link de la derecha
“Home”
- En el visor de mapa de la derecha navegue con la herramienta interactiva hasta la zona de su
interés, en este caso el canal del dique, en Colombia (Fig 10).
Figura 10. Visor interactivo del USGS en el área del canal del Dique

A continuación con el mouse marque con el botón izquierdo el punto de su interés (picando
sobre el área) Figura 11 y verifique en la parte izquierda de su pantalla que se haya marcado una
coordenada, Figura 12
Figura 11 Marca hecha con el mouse sobre el área de interés
Figura 12 Coordenada del área de interés, en la parte izquierda de la pantalla
3. Determinar el tipo de imágenes a buscar
- A continuación, observe en la parte inferior izquierda el panel que dice “Datas Selected” y deje
por defecto los valores de búsqueda entre 01/01/1920 y 12/31/2020, en la casilla que dice
“Search Months” seleccione ALL (Para que busque resultados para todos los meses), y
seleccione “1000” en Number of records to return (para que permita ver un hasta 1000 registros
de imágenes que tengan en la base de datos del USGS) Figura 13.

Figura 13 Configuración de la selección de datos
Continuando con el proceso, proceda a picar en el botón que dice “data sets” y vea como se
despliega una lista en árbol del tipo de datos que se pueden consultar, Figura 14 y 15.
Figura 14 Botón Data Sets que se debe picar para desplegar el tipo de datos.
Figura 15 Árbol desplegado de tipos de datos que se pueden consultar

Una vez desplegado el árbol, se debe ir a la cruz de la parte izquierda del menú que dice
“Landsat Archive” y allí observe el despliegue de posibilidades de datos a conseguir y marque las
opciones: L7 SLC – off (2003 – present), L7 SLC - ON, (1999- 2003), L4-5 TM; estas opciones
indican que se buscaran imágenes de Landsat de 2003 al presente (con bandeamiento o gaps
negros), imágenes de 1 999 a 2003 (antes del daño del sensor del satélite) y Landsat 4 y 5
tomadas para la zona de interés; Ver figura 16.
Figura 16 Selección de archivos Landsat
Una vez hecho esto, se procede a ir al menú de la parte superior que dice “results” resultados
(Figura 17) y el software iniciara a buscar los datos que cumplan el criterio de búsqueda
configurado por usted.

4. Realizar la búsqueda
Como resultado en la parte izquierda mostrará una lista de imágenes, con una pequeña pre-visualización
de cada imagen encontrada que satisface los criterios de búsqueda, Figura 18.
Figura 17 Link de resultados
Figura 18 resultados de la búsqueda
Como las imágenes encontradas se muestran desde la más antigua a la más reciente debe picar
en el link “Last” de color azul para ver las más recientes, igualmente en el menú Data sets puede

usted escoger si quiere ver las Landsat 5, las Landsat 7 con Gaps, o las Landsat 7 sin Gaps, Ver
figura 19.
Figura 19 Selección de tipos de datos que podemos apreciar, en listado de más reciente a más antiguo.
A continuación, pique sobre cada pequeña imagen de la parte izquierda de la pantalla para ver si
cumple para descargar de acuerdo a su objetivo, en ella además de una pequeña escena, se
puede observar un metadato de las características generales de la imagen. Figura 20.
Figura 20 Ventana de pre-visualización de una imagen seleccionada para el canal del dique del 30 de abril de 2011
Al igual que la imagen de la Figura 20 se pueden observar imágenes de Landsat 5 muy recientes
sin daño de gaps Figura 21.
Figura 21 Pre-visualización de imagen Landsat 5 de la zona del canal del Dique para el 5 de marzo de 2011

5. Seleccionar la imagen a descargar
Una vez tenga seleccionada la imagen que le interesa procesar (Recuerde que debe tener
software de procesamiento digital para trabajar con imágenes de satélite o software SIG),
proceda de la siguiente manera: en las opciones de visualización de la escena en el visor
geográfico (Figura 22) pique el primer icono para que le permita ver el cubrimiento de la
escena sobre el área de interés.
Figura 22 y 23 Botón de show Footprint y su respectiva visualización en el visor geográfico

Con el siguiente botón (Show browse overlay) podrá cargar un Quick look sobre el área de
interés para que observe como se ve la imagen en contexto (Figura 24 y 25).
Figura 24 y 25 Botón de Show browse overlay y su respectiva visualización en el visor geográfico
El siguiente botón nos permite ver el metadato de manera similar a como se vio en la figura
20 y 21.
6. Descargar las imágenes
Una vez se han realizado estas pruebas para ver cuál es la imagen (o imágenes) que mejor
satisface la necesidad de trabajo, se procede de la siguiente manera:
Sobre la información de la imagen que le interesa descargar pique el botón “download options”
opciones de descarga (Figura26)
Figura 26 Botón de Download options

Y saldrá una ventana de dialogo similar a la de la figura 27, en ella nos explican que esta imagen
de satélite tiene un peso considerable en megabytes y que es posible que su descarga se dé
como un proceso lento (esto depende del tipo de conexiona internet que tenga, por ejemplo con
modem telefónico puede tardar varias horas, pero con banda ancha de 4 Megas puede tardar 10
minutos), de igual manera nos recuerda que para este tipo de datos que se está a punto de
descargar se requiere un software especial de análisis que no viene instalado por defecto en los
computadores de escritorio o en estaciones de trabajo.
Figura 27 ventana de dialogo sobre advertencias de descarga
Decidido ya a descargar pique en download en la ventana de dialogo, recuerde que debe estar
registrado y en sesión (logueado) para que pueda descargar (ver Figura 6 y siguientes).
Hecho esto se desplegará una ventana de dialogo como se ve en la figura 28 donde nos indica
que se descargará un archivo en formato comprimido, que puede ser *.rar, *.zip, *.gz, *.tar entre
otros.
Figura 28 ventana de dialogo donde nos indica que se bajara un archivo en formato *.gz
Pique en aceptar y se iniciara la descarga, una vez descargado el archivo (en este caso de 178
megas) se deberá descomprimir en un programa como WinRAr (en línea en https://www.win-rar.
com/) o Winzip (en línea en http://www.winzip.com/es/downwz.htm) o 7-zip (en línea en

http://www.7zipportable.com/) y una vez descomprimido el *.gz, es posible que deba
descomprimir un *.tar.
Hecho esto ya puede observar la información de la imagen de satélite, como se observa en la
figura 29, note que cada banda está separada y en formato *.tif, igualmente se observan los
archivos planos de apoyo, como el metadato (*_MTL.TXT).
Figura 29 Archivos descargados una vez se han descomprimido mediante el software 7-Zip
Con esto concluye el proceso de descarga de las imágenes del Satelite Landsat de la página del
Earth Explorer del USGS de los Estados Unidos.
EJERCICIO 3: CARACTERISTICAS DE UNA IMÁGEN SPOT
OBJETIVO:
Visualizar una ventana de la imagen SPOT y conocer sus características.
MATERIAL:
Archivo: spot5_marzo2005_647_340.img, que contiene 4 bandas espectrales de una escena de una
imagen SPOT-5, cubre parte de la sabana de Bogota y se extiende en la parte izquierda hasta la
población de San Francisco. Las aplicaciones de cada banda se resumen en la tabla 1.
Tabla 1. Aplicaciones de las bandas SPOT 5.
Dominio espectral Banda Longitud de
onda(μm) Aplicación
Verde 1 0.50-0.59 Batimetría en aguas turbias, estimación de sedimentos,
vigor de la vegetación
Rojo 2 0.61-0.68 Clasificación de cultivos, color de los suelos y del follaje de
las plantas.
Infrarrojo Cercano 3 0.78-0.89 Estudio de biomasa, tipos de bosques, delimitación agua-suelos
Infrarrojo medio 4 1.58-1.75 Humedad en vegetación, diferenciación nubes-nieve
Pancromática 1 0.48 – 0.71 Catastro, cartografía básica, planificación urbana

PARTE I: ANÁLISIS DE LA IMAGEN POR BANDAS
1. Sobre la figura 30, tracé los rangos del espectro que corresponden a las bandas espectrales de
la imagen SPOT 5.
Figura 30. Curvas espectrales típicas del suelo, agua y vegetación y su relación con diferentes programas satelitales.
2. Desde las pestañas superiores seleccione: File > Open > Raster layer. En la ventana Select
Layer To Add, seleccione la imagen a estudiar: spot5_14marzo2005_bogota646_340.img, y
oprima OK. De esta manera, se desplegará la imagen en una composición a color.
Es posible que la imagen que se desea observar no aparezca de inmediato o se vislumbre
apenas una parte de esta. Para apreciar esta imagen en todo el espacio de la pantallas, localice
el cursor a la izquierda de la pantalla en el cuadro de Contents, haga click derecho en el nombre
de la imagen cargada y seleccione Fit layer to Windows, en este momento aparecerá toda la
imagen en la pantalla.
3. Desde el menú superior, ingrese a la pestaña Multiespectral, en la sección de Bands, asigne
la combinación RGB 4,3,2, allí se encuentran los cañones de color representados con cuadros
de colores, la combinación a utilizar es la correspondiente a una en falso color.
Responda: ¿a cuales rangos de espectro corresponden estas bandas?
R- 4: ________________________________
G-3: ________________________________
B-2: ________________________________

Nota: No cierre este el programa para continuar con el siguiente paso.
4. Desde el menú principal superior de ERDAS, vaya a la pestaña File, open, raster layer y
proceda a desplegar de nuevo la misma imagen, pero con opción de bandas individuales. Para
tal fin, en la ventana Select layer To Add, seleccione la pestaña Raster Options ubicada en la
parte superior. Luego de esto, se desplegara otra ventana auxiliar. Desde la caja Display As,
elija Gray Scale. De otro lado, en la caja Display Layer seleccione con los botones de flecha el
número1, lo que significa, selección de capas individuales y oprima OK.
NOTA: recuerde que para apreciar mejor la imagen, se debe ubicar el cursor sobre el nombre de
la imagen a la izquierda oprimir el botón derecho del Mouse y seleccionar Fit layer To Window
o click derecho sobre la imagen y seleccionar la opción Fit to Frame y se ajustará la escena al
marco de la pantalla.
5. De manera alterna, se pueden observar y comparar las dos imágenes activando o desactivando
las mismas con la parte izquierda de la pantalla o dejando encima la que se desea visualizar,
realice las funciones de acercamiento y de alejamiento (zooming) de la escena en la pestaña
home, la sección extend, con los botones que se muestran a continuacion:
Haga zoom (+) hasta llegar a observar los elementos al nivel de píxel. Identifique los diversos
accidentes geográficos y/ o coberturas; por ejemplo, áreas urbanas, vías de acceso, cuerpos de
agua, invernaderos, áreas de cultivos, bosques, etc. Esta imagen le servirá de apoyo, para
identificar los objetos o coberturas en las bandas individuales.
6. Observe ahora la imagen desplegada, que contiene la banda 1, correspondiente al rango Verde
del espectro electromagnético. Desde la barra superior seleccione la pestaña Home, Metadata,
y finalmente view/edit image metadata. Analice la información contenida en esta ventana.

Desde el menú la misma ventana, active View / Histogram y después View / Píxel. Con esto se
puede estudiar de otra manera la imagen en cuanto a: modo de distribución de frecuencias y
modo de matriz digital, la otra manera para acceder a esta información de metadatos es
ubicándose a la izquierda de la pantalla dando click derecho a la capa la cual quiero analizar y
escogiendo la opción Metadata.

7. Ahora, estando en la vista de la banda 1 intente identificar (Con base en tono, textura, patrón,
asociación) los siguientes tipos de coberturas: Urbana, cultivos, bosques, pastizales,
invernaderos, agua, suelo descubierto. Comente con su compañero de práctica, que tan fácil es
la identificación de objetos en una imagen en escala de grises frente a una composición a color.
8. Siendo esta una imagen digital, también es factible examinar las respuestas espectrales de cada
cobertura, representadas por un Nivel Digital (ND) para cada píxel.
Ingrese a la pestaña superior Home, la sección information y de click en Inquire ; con lo que se
desplegará un cursor en forma de cruz sobre la escena y una ventana adicional que muestra los
valores digitales por píxel de acuerdo con cada banda.

En esta ventana aparecen 5 columnas así: (1) Layer, (2) Band, (3) File pixel, (4) Lut value y (5)
Histogram. Su significado es el siguiente: 1: indica el numero de capas o bandas que posee el
archivo seleccionado; 2 : bandas desplegadas en el momento (cuando se despliega una
composición, aparecerán coloreadas tres bandas en orden así: AZUL, VERDE Y ROJO; pero si
es solo una banda, esta se ubica en el # 1 sin color); 3: Es el nivel digital ND del píxel
discriminado para cada banda en la escena; 4: Es el nivel visual NV que el programa ajusta de
manera automática del valor digital original de cada píxel para facilitar al usuario la apreciación
de una imagen; 5: Es una información estadística que posibilita ver el total de píxeles que
contienen ese mismo valor digital.
Ubique el cursor en algún tipo de cobertura que haya sido reconocido plenamente, ej. Bosque.
Observe y analicé la tendencia de los valores digitales en la columna File Pixel, de acuerdo con
la banda registrada.
9. Ahora, proceda a desplegar y analizar las bandas restantes (2, 3,4,). Para tal fin, vaya a la
pestaña File, open, raster layer y proceda a desplegar de nuevo la misma imagen, pero con
opción de bandas individuales. Para tal fin, en la ventana Select layer To Add, seleccione la
pestaña Raster Options ubicada en la parte superior. Luego de esto, se desplegara otra
ventana auxiliar. Desde la caja Display As, elija Gray Scale. De otro lado, en la caja Display
Layer seleccione con los botones de flecha el número2. De esta manera, se desplegara la
banda 2 de SPOT, correspondiente al rango del rojo. Siga con este proceso hasta analizar todas
las bandas.
Nota: Para realizar el análisis simultaneo y comparativo entre dos bandas, puede ir apagando y
encendiendo capas en la parte izquierda de la pantalla, con el procedimiento ya conocido.
Luego, abra dentro del mismo Viewer la banda 2, de la siguiente manera:
10. Como se hizo en la instrucción 4 y en el paso anterior vuelva a abrir otra capa, en la ventana
Select layer To Add, seleccione la pestaña Raster Options ubicada en la parte superior.
Seleccione el archivo de la imagen que viene siendo estudiada, oprima la opción Raster Option
y luego de esto, se desplegara otra ventana auxiliar. Desde la caja Display As, elija Gray Scale,

a la vez, seleccione layer 2, correspondiente a la banda 2, y desactive la viñeta en la opción
Clear display para que no se remueva las imágenes cargadas anteriormente.
Para ver las dos bandas desplegadas, utilicé desde el menú superior Home, la sección View,
seleccione Swipe. De esta manera, mediante el botón de corredera que aparece en la ventana
Viewer Swipe, se podrán visualizar en el Viewer con un barrido, las dos imágenes
sobrepuestas, para identificar así las diferencias en reflexión y contraste que exhiben estas dos
bandas de acuerdo con su rango espectral.
11. Ahora, analice comparativamente las propiedades de cada banda para la identificación de las
diversas coberturas. Resuma los resultados de análisis en la siguiente tabla:
Cobertura Caract. B1 B2 B3 B4 Observación
Urbano Tono
ND
NV
Bosque Tono
ND
NV
Cultivo Tono
ND
NV

Pastizal Tono
ND
NV
Suelo
descubierto
Tono
ND
NV
Agua Tono
ND
NV
Nubes Tono
ND
NV
Invernaderos Tono
ND
NV
A partir de los valores obtenidos en los niveles digitales (ND) y para cada cobertura en las bandas
individuales, grafique la tendencia de ND para el conjunto de bandas analizadas, la que representa las
curvas espectrales de cada cobertura terrestre y comente sobre su similitud o discrepancia con las
curvas típicas.
Concluya sobre la facilidad de identificar las coberturas señaladas en cada banda estudiada y el apoyo
que brinda el análisis de los ND.
PARTE II: ANÁLISIS DE LA IMAGEN LANDSAT EN COMPOSICION A COLOR
1. En la pestaña File, seleccionar Open, Raster Layer, se despliega la ventana Select Layer to
add, en la pestaña file seleccione la imagen importada completa y en la pestaña Raster Option
y deje por defecto en la caja Display As la opción True Color para el despliegue y en Layers To
Color asigne para el cañón de color Rojo la banda 3; para el color Verde la banda 2; y para el
color Azul la banda 1.
2. Ahora vuelva y cargue la imagen importada completa pero en otra combinación, para ello se
siguen los mismos pasos del numeral anterior, pero en la ventana Select Layer to add
seleccione la pestaña Raster Option y deje por defecto en la caja Display As la opción True
Color para el despliegue y en Layers To Color asigne para el cañón de color Rojo la banda 4;

para el color Verde la banda 5; y para el color Azul la banda 3. Desactive la opción Clear
Display y oprima OK.
Con la opción del SWIPE, utilizada anteriormente, compare las dos combinaciones a color de las
imágenes que se encuentran en el mismo Viewer, respecto a la facilidad de identificar objetos,
fenómenos o coberturas. Cierre la ventana Swipe.
3. Para cambiar el orden de despliegue, diríjase a la izquierda de la pantalla en la zona de
Contents, allí se encuentran las dos imágenes desplegadas en la pantalla, para cambiar el orden
de las mismas seleccione la que desee ubicar primero dele click sostenido con el cursor arrastre
el nombre de la imagen hacia arriba o hacia abajo y verá como se modifica el orden de estas
capas.

4. Practique ahora el despliegue de la imagen con otras composiciones de color y observe el
cambio de color que se presenta para las diferentes coberturas. Para cambiar la composición a
color de la imagen desplegada, seleccione la pestaña Multiespectral, en la sección de Bands,
allí se presentan los tres cañones de color rojo, verde y azul, con los cuadros que contienen la
información de la banda (1, 2, 3, 4, etc), allí se seleccionan las bandas que se deseen utilizar.
5. Para una mejor compresión de la formación de color en las composiciones RGB, despliegue la
tabla de colores desde la pestaña Home, en la sección view, buscar Display and Symbology
con el siguiente icono .
Ahora, active la opción inquire, de esta manera, sobre la escena se desplegara un cursor en
forma de cruz y aparecerá también una ventana donde se reportan los valores de ND para el

píxel indicado por el cursor. (Ingrese a la pestaña superior Home, la sección information y de
click en Inquire ; con lo que se desplegará un cursor en forma de cruz sobre la escena y una
ventana adicional que muestra los valores digitales por píxel de acuerdo con cada banda).
Estando en el modo de despliegue en color, observe que en la columna Band estarán activados
los layers que están desplegados en este momento, lo que se puede constatar por que aparecen
sus casillas con los colores: rojo, verde y azul.
6. Ubique el cursor en un tipo de cobertura que se haya reconocido, ej. cultivo; y tome nota de los
valores del Nivel visual-NV en LUT VALUE correspondientes a las bandas coloreadas. Ej., si se
tiene desplegada la composición a color RGB 342 al señalar un cultivo, a la banda 3 desplegada
en la capa de color rojo, le corresponde un NV=90; a la banda 4 de color Verde, le atañe un
NV=57; y a la banda 2 del color verde, le concierne un NV=44. Si cada banda tiene como
máximo un NV=255, es posible calcular el porcentaje que corresponde a los Niveles visuales NV
para el píxel correspondiente al cultivo estudiado. En este caso la deducción seria así:
Rojo=90*100/255= 35 o 0.35% de color rojo; Verde= 22 o 0.22 % de color verde; Azul=17 o 0.17
% de color azul.
7. Desplácese ahora a la tabla de colores abierta y asigne el porcentaje de color calculado para
cada capa de color y observe que color se forma (tenga la precaución de asignar los valores al
cañón RGB correspondiente). Practique el mismo procedimiento para otra cobertura de su
interés y explique los resultados. Responda: ¿que pasaría si todas las bandas desplegadas en
modo de RGB tuviesen el mismo valor de NV?
8. Finalmente, diga ¿porque en la imagen en composición a color RGB 342, la vegetación aparece
de tonos rojos? y en cambio, ¿en la combinación RGB 432 la misma aparece en tonos verdes?
¿Para obtener una composición en verdadero color, que combinación de bandas debe
asignar?
9. Practique otras opciones de combinación a color y resuma los resultados en la siguiente tabla:
Cobertura RGB 342 RGB 432 RGB XXX
Color % color
R:G:B
Color % color
R:G:B
Color % color
R:G:B
Urbano
Bosque
Cultivo
Suelo
Agua
Nubes
EJERCICIO 4: DESCARGA DESDE LA PAGINA DEL GLOBAL LAND COVER FACILITY ,
IMPORTACIÓN Y EXPORTACIÓN DE ARCHIVOS RASTER
Para poder manipular las imágenes dentro el ambiente de ERDAS, se requiere que estas sean
convertidas al formato propio del software, reconocidas por la extensión *.IMG. El proceso se denomina
IMPORTACIÓN. La transferencia del formato *.IMG a los formatos raster foráneos se denomina
EXPORTACIÓN.
OBJETIVOS:
 Descargar de la WEB una imagen LANDSAT del formato Generic Binary Data (L1G o dat)
 Importar la imágenes (dat y tiff) descargadas a formato *.IMG

 Exportar la imagen con la extensión *.IMG a las extensiones *.LAN y *.TIF.
1.1 PARTE I: DESCARGA E IMPORTACIÓN DE UNA IMAGEN LANDSAT EN FORMATO GENERIC
BINARY DATA
1. Descargue las bandas de una imagen LANDSAT 7 identificada con path 8 y row 57 y con la
extensión de dat.gz. Para tal fin, entre a la página de INTERNET de la Universidad de Maryland
http://glcf.umiacs.umd.edu/data/. En esta página, haga clic sobre el icono en forma de
mapamundi con una inscripción que dice ESDI.
.
2. Luego de esto, saldrá una nueva ventana con tres iconos grandes en la parte superior. Haga clic sobre
el icono central Path / Row Search:
3. Deje por defecto todos los parámetros de selección de imágenes y marque solo la identificación de
PATH y ROW de la imagen LANDSAT que piensa descargar; luego oprima el botón Submit Query
localizado en la parte inferior derecha.

Al aparecer la información sobre la cantidad de imágenes disponibles, haga clic en el botón Preview and
Download, ubicado en la parte inferior central.
Para la consulta, en la figura que a continuación se presenta, se observa la Grilla Mundial de Referencia
para imágenes LANDSAT sobre Colombia.
4. En la ventana que aparece, examine las imágenes disponibles, sus fechas, la presencia de nubes, el
formato en el que están guardadas. Para tal efecto, ubíquese en la columna ID y valla desplazándose de
manera vertical en cada registro. De esta manera podrá visualizar una imagen previa y los datos de la
misma en la parte superior izquierda.

5. Seleccione una imagen para realizar la descarga. En el ejercicio se va a descargar la imagen con la
extensión .dat, correspondiente a Generic Binary Data. En este caso, es importante conocer el número de
filas y columnas de la imagen de interés. Para tal fin, consulte el archivo Header.dat mediante un editor
de texto. En este documento, encontrará entre otros datos el reporte inscrito como: píxel per line
________, lo que significa columnas y lines per image_______ equivalente a rows o filas. Tome nota de
los datos que aparecen y continué con el ejercicio.
6. Haga clic en el botón Download y aparecerá una nueva ventana iniciándose la descarga. Busque el
archivo, donde se registra la información sobre el tamaño de la imagen, expresado en número de líneas
(line) y columnas (samples o pixels).
NOTA: Este archivo puede tener la extensión DAT, HDR, DDR, o MTL. Asegúrese que esta información
esta reportada; si no es así, no será posible realizar la importación a ERDAS. Apunte en su libreta el dato
o guarde el archivo en la misma carpeta donde se va a guardar la imagen.
7. Ahora, proceda a descargar la imagen, esta información está organizada en archivos por bandas
independientes. Haga clic en una de las bandas que desea descargar y guárdela en una carpeta
previamente creada. La descarga puede demorarse más de 30 minutos.
8. Al terminar el proceso, se debe confirmar siempre si la imagen bajó de la red completamente, para
esto, compare el tamaño de su descarga con el tamaño del archivo reportado en la página de INTERNET.
Luego, continué con la descarga de las demás bandas. Una vez termine la descarga, descomprima las
bandas y proceda con la importación de estas imágenes al programa ERDAS 2011.
NOTA: teniendo en cuenta que el proceso de descarga frecuentemente se demora o no es exitoso, se
trabajará con una imagen ya descargada del mismo sitio y el instructor dará las indicaciones en este
caso.
9. Para iniciar el proceso de importación, descomprima las bandas de la imagen utilizando el programa
WINZIP u otro. Luego, en el menu principal de Erdas seleccionar la pestaña Manage Data, allí
seleccionar el icono Import Data. Acto seguido, se desplegará la ventana Import. Estando en esta misma
ventana, habilite el tipo de formato: Generic Binary. En la caja INPUT FILE ubique la carpeta donde se
encuentra la imagen a importar y seleccione la banda 1. En la caja de OUTPUT FILE asigne el nombre
del archivo de salida y adiciónela a su carpeta de trabajo, se puede crear una carpeta con el nombre de la
imagen y la palabra importada. Oprima OK, el programa se demora unos segundos en mostrar una nueva
ventana para la importación.

NOTA: Es importante descomprimir las bandas antes de importarlas, ya que en muchos casos se
presentan errores al intentar importar el archivo comprimido.
10. Una vez se ha ejecutado lo anterior, se abrirá la ventana Import Generic Binary Data. En Data
Format seleccione BSQ, En #Row y #Cols digite el tamaño de la imagen que se ha extraído del
archivo del metadato de la imagen. (Lines son rows y samples son columnas). Oprima OK.

Luego de realizarse el paso anterior, se desplegará la caja de estado de proceso Importing
Genereic Binary Data. Cuando el estado de trabajo indique Done y llegue a un 100%, oprima
OK para completar el paso.
11. Despliegue la imagen importada para revisar si el proceso fue exitoso. Para desplegar la
imagen, ubíquese en la pestaña File, Open, Raster Layer. En la ventana de Select Layer To
Add seleccione el archivo de la imagen importada y oprima OK. Ubique el cursor sobre la a la
izquierda de la pantalla y en el nombre de la imagen importada, de click derecho y seleccione Fit
Layer to Window para ajustar la escena al espacio de vista.

12. De la misma manera, proceda a importar las bandas restantes. Una vez hecho esto, se requiere
unir los archivos individuales por banda de la imagen LANDSAT en un archivo único. Para esto,
del menú principal seleccionar la pestaña Raster, en la sección Resolution, seleccionar un
icono denominado Spectral, de allí se desplegaran una serie de opciones, escoger la primera
Layer Stack.
13. En la ventana del dialogo de Layer Selección and Stacking, seleccione en Input File la primera
imagen o banda a unir y oprima la opción Add. De nuevo, en Input File seleccione la banda 2 y
una vez seleccionada oprima Add. Repita esta operación hasta completar todas las bandas que

se desea unir. Asigne el nombre de salida de la nueva imagen y deje por defecto en la caja de
chequeo Output Options habilitado el botón circular correspondiente a Union, luego oprima OK.
14. Una vez terminado este proceso, cierre las ventanas del paso realizado. Finalmente, despliegue
y observe la imagen producto de la unión de varias bandas.

1.2 IMPORTACIÓN DE UNA IMAGEN LANDSAT EN FORMATO GEOTIF
1. De nuevo, seleccione del menú principal de ERDAS la pestaña Manage Data, en la sección
conversión seleccione Import data, allí se abre la ventana Import, en format escoja Geo TIFF en
Input file ubique la carpeta donde se encuentra la primera banda de la imagen a importar. En
OUTPUT FILE asigne el nombre del archivo de salida y adiciónelo a su carpeta de trabajo.
Oprima OK. Con esto, se abrirá una nueva ventana Import TIFF, en la que vienen por defecto
reportados los datos correspondientes a filas y columnas. Acepte todos los parámetros
oprimiendo el botón de OK.

2. Importe todas las bandas y únalas con la opción de Layer Snack, tal como se hizo en los pasos
13 y 14, del ejercicio anterior.
1.3 EXPORTACIÓN
1. Seleccione la opción EXPORT DATA de la sección conversión, de la pestaña Manage Data. En
la opción TYPE seleccione el formato con la extensión *.TIFF.
2. Ubique la imagen de entrada, xxx y asigne el nombre para la imagen de salida. Por defecto,
esta tendrá la extensión *tiff. Oprima OK. De este modo, se abrirá la ventana de Export Data.
Revise la información de soporte. Oprima OK.
EJERCICIO 5: RECORTE DE UNA VENTANA DE TRABAJO
En las fases preliminares de un proyecto que involucra el procesamiento digital de imágenes satelitales,
se recomienda recortar la imagen original en ventanas de trabajo. Esto posibilita ahorrar espacio en el
disco duro y el tiempo de los procesos a ejecutar, si se tiene en cuenta que un producto LANDSAT TM
está por encima de los 300 mega-bites de tamaño.
OBJETIVOS:
 Minimizar la cantidad de datos que se usan y almacenar por secciones sobre la base de un área
geográfica específica.
 Aprender las funciones de recorte de ventanas

 Recortar varias ventanas de las imágenes descargadas.
PROCEDIMIENTO:
La ventana recortada debe ser representativa del área de estudio, ya que sobre esta se realizan
diferentes pruebas y operaciones de mejoramiento de las imágenes y una vez seleccionadas las mejores
opciones, se aplican sobre toda la escena. El recorte también es necesario cuando el área del proyecto
cubre solo una porción de la imagen.
1. Para iniciar, despliegue la imagen que se importó en el ejercicio anterior. Ubique el cursor sobre
la imagen desplegada y oprima el botón de la derecha para activar luego la opción Inquire Box.
Sobre la imagen se activará un recuadro. Localice y ajuste con este recuadro el sector de la
imagen de interés que ha trabajado en los ejercicios previos.
NOTA: ¡No cierre la ventana de coordenadas hasta terminar el proceso de recorte!
2. Ahora, desde el menú principal del ERDAS vaya a la pestaña Raster, en la sección Geometry,
seleccione Subset & chip y finalmente Create subset image.

3. En la caja de texto de Input File a la derecha, seleccione la imagen que se utilizará para hacer el
recorte, oprimiendo el icono de archivo y en la caja de texto Output File digite el nombre de
salida de la ventana recortada.
Oprima ahora el botón que dice: From Inquire Box ubicado en la parte superior derecha y
seleccione en Coordinate Type: el botón de punto Map. Finalmente oprima OK.
Nota: Si desea, con la opción de Select Layers puede seleccionar solo algunas bandas para
incluir en la ventana de recorte.
Luego de realizar la rutina anterior, aparecerá la ventana llamada Modeler- runinng model:
subset. pmdl, indicando que el proceso ha corrido satisfactoriamente. Abra la imagen recortada y
cotéjela.

4. Ahora, a partir de la imagen inicial recorte una ventana irregular. Para esto, abra la imagen
correspondiente, en el menú principal de erdas, vaya a la pestaña Drawing, allí a la sección
Insert Geometry, Dentro de esta, oprima el botón (Polygon) y desplace el cursor hacia la
imagen para delimitar el área que se recortará. Dibuje un polígono irregular según su criterio,
oprimiendo con el botón izquierdo del Mouse cada vez que se elija un vértice. Con un doble clic
del botón izquierdo del Mouse, se concluirá dicha delimitación.
5. Salve el polígono dibujado AOI con la opción File>Save As>AOI layer as...> asigne un nombre
al archivo de salida, el que tendrá la extensión específica de AOI.
6. Luego de lo anterior, desde el menú principal del ERDAS vaya a la pestaña Raster, en la
sección Geometry, seleccione Subset & chip y finalmente Create subset image De esta
manera, aparecerá la ventana de dialogo Subset. En Input File accione el icono para
abrir la imagen de la cual se hará el recorte y en la caja de texto de Output File escriba un
nombre de salida para la ventana de recorte, luego de esto, déle Enter. Habilite ahora la viñeta
de la caja de chequeo en Ignore zero, además de esto, oprima el botón AOI en la parte inferior
de la ventana de Subset.

7. Luego del paso anterior, se abrirá la ventana auxiliar Choose AOI. En esta, seleccione la opción
de AOI File. y ubique en la caja Select The AOI File, el archivo AOI que acabó de guardar
mediante el botón . Oprima OK en esta ventana y para terminar, oprima otro OK dentro la
ventana de Subset.
Verifique enseguida el resultado, desplegando el archivo conseguido con este proceso.

EJERCICIO 6: ESTUDIO DE UNA IMÁGEN LANDSAT TM Y COMPARACIÓN DE ESTA CON LA
IMAGEN SPOT 5
OBJETIVOS:
 Visualizar una imagen LANDSAT TM y estudiar sus características.
 Identificar las diferentes coberturas terrestres en la imagen apoyándose en el análisis visual y
propiedades espectrales de las coberturas.
 Comparar imágenes LANDSAT y SPOT.
MATERIALES:
Archivo de la ventana recortada de la imagen LANDSAT 5 de 1997 con 7 bandas espectrales.
Como complemento, se cita un resumen de las aplicaciones por banda de LANDSAT TM (tabla3).
Tabla 3. Bandas espectrales de LANDSAT TM y sus principales aplicaciones.
Dominio espectral Banda
Longitud de
Onda (μm) Principal aplicación
Azul 1 0.45-0.52 Batimetría en aguas claras, diferenciación de suelos y tipos de bosques.
Verde 2 0.52-0.60
Batimetría en aguas turbias, estimación de sedimentos, vigor de
vegetación.
Rojo 3 0.63-0.69 Clasificación de cultivos, color de los suelos y del follaje.
Infrarrojo Cercano 4 0.76-0.90 Estudio de biomasa, tipos de bosques, delimitación agua-suelos.
Infrarrojo medio 5 1.55-1.75 Humedad en vegetación, diferenciación nubes-nieve
Infrarrojo térmico 6 10.4-12.5 Mapeo hidro-térmico, discriminación tipos de suelo y rocas
Infrarrojo medio 7 2.08-2.35
Mapeo térmico, estrés en vegetación, diferenciación usos urbanos y no
urbanos.
INSTRUCCIONES:
1. Analice las bandas de LANDSAT de manera individual y compárelas con las de la imagen SPOT.
2. Genere composiciones en falso color y verdadero color y analícelas.

3. Haga al menos 2 composiciones a color similares usando los productos LANDSAT y SPOT, e
indique que bandas tendría que utilizar en cada caso.
EJERCICIO 7: ELABORACIÓN DE PERFILES ESPECTRALES
El perfil espectral de una imagen satelital, facilita el análisis acerca del comportamiento espectral de las
diversas coberturas presentes, en relación con las bandas del sensor. Asimismo, se hace una primera
valoración sobre la posibilidad de separación espectral de las clases temáticas y la utilidad de cada
banda espectral de la imagen en el proceso de clasificación supervisada.
OBJETIVO:
 Generar curvas espectrales a partir de imágenes LANDSAT y SPOT.
 Estudiar de manera comparativa las curvas espectrales de varias coberturas terrestres.
PROCEDIMIENTO:
Para elaborar el perfil espectral, siga los siguientes pasos:
1. Despliegue la imagen LANDSAT, en una composición a color, que se considere la más
conveniente. Active las graficas espectrales, para ello vaya a la pestaña Multispectral, sección
utilities, allí escoja dos veces la opción Spectral profile.
De esta manera, aparecerá la ventana Spectral Profile, en la que debe activarse el icono
.
2. Luego de esto, seleccione sobre la imagen los puntos representativos de las diversas coberturas
que desea estudiar.
3. Ubíquese en el primer punto elegido, oprimiendo el botón izquierdo del Mouse, enseguida, se
desplegará de manera automática la ventana de Spectral Plot, en la que se graficarán las
curvas espectarles por punto, con un color específico por defecto.
4. mediante la opción Edit / Chart Legend de la misma ventana, active una nueva ventana
denominada Leyend editor. Con esta herramienta, modifique los colores y asigne el nombre a
cada curva, de acuerdo con la cobertura representada. Discuta los resultados.
5. Compare las curvas obtenidas con las curvas típicas discutidas en la teoría y comente a que se
debe la similitud o discrepancia entre estas.

6. Responda ahora las siguientes preguntas:
 ¿Qué consideración se debe tener respecto a la banda correspondiente al azul, al
analizar las curvas espectrales obtenidas a partir de una imagen?
 Con base en las curvas espectrales, determine cuales son las mejores bandas para
discriminación de las siguientes coberturas:
a. Bosque y Cultivos
b. Bosque y Suelos
c. Suelos y Área Urbana
d. Agua y Bosque
e. Invernaderos y suelos
 ¿En cual de las bandas, los cultivos tienen mayor reflexión y en cual la menor?
 ¿En que banda se discrimina mejor la red vial y porque?
 Seleccione dos bandas que considere sean las mejores para discriminación de todas las
coberturas presentes en la imagen.
 ¿Porque nuestros ojos perciben la vegetación sana y vigorosa con el color verde? ¿Cuales la
curva típica para este tipo de vegetación?
 ¿Cómo la presencia de la humedad en los suelos afectará su curva espectral?
 ¿En cuales bandas se puede determinar la presencia de humedad en las coberturas?

 ¿Que factores afectan la respuesta espectral del agua? ¿Que bandas son mejores para
estudiar diferentas tipos de agua?
 ¿Porque es importante estudiar las curvas espectrales de diversas coberturas?
5. Despliegue la imagen SPOT y genere las curvas espectrales. Compare estas con las curvas
generadas con la imagen LANDSAT.
6. Investigue, analice y responda a que se debe las diferencias en las respuestas espectrales de
las mismas coberturas terrestres en estos dos productos satelitales.
EJERCICIO 8: ESTUDIO DE IMÁGENES RADAR
OBJETIVO:
Conocer y comparar las imágenes radar Terrasar y RADARSAT.
MATERIALES:
PROGRAMA NOMBRE ARCHIVO
RADARSAT vs6radarsat_97.img
radbog97s6.img
radbog97s1.img
radbog97f2.img
TERRASAR tomine_terra_sep28_2007hh.img
tomine_terra_sep28_2007vv.img
LANDSAT TM bog857_14feb95utm.img
PARTE 1: Imágenes de radar del programa de RADARSAT 1 y comparación con la imagen
LANDSAT TM.
Las imágenes que se utilizaran en este ejercicio, cubren la ciudad de Bogota y sus alrededores. El objeto
del ejercicio, consiste en complementar el conocimiento de las imágenes de radar del programa de
RADARSAT y comparar estos productos con una imagen LANDSAT TM.
PROCEDIMIENTO
Siga cuidadosamente las siguientes indicaciones:
1. Despliegue la imagen LANDSAT, correspondiente a una ventana de Bogotá y familiarícese con esta.
2. Despliegue las dos imágenes de radar, File, Open, Raster Layer: RADBOG97S1.IMG (imagen
RADARSAT en modo estándar con 30 metros de resolución espacial y un ángulo de incidencia de
20°), RADBOG97S6.IMG (imagen RADARSAT en el modo estándar con 30 metros de resolución
espacial y un ángulo de incidencia de 46°), y RADBOG97F2.IMG. (imagen de RADARSAT en modo
estándar con 10 metros de resolución espacial y un ángulo de incidencia de 42°) de esta manera:
3. Compare las tres imágenes de radar respecto a la discriminación de las diversas coberturas
terrestres, en relación con lo que ofrecen las imágenes LANDSAT.

4. Ahora, en las tres imágenes de radar identifique los distintos tipos de coberturas según sus
características pictórico-morfológicas y resuma resultados en una tabla como la que se presenta
a continuación.
Imagen Cobertura Tono Patrón Textura Tipo de reflexión Observaciones
S1 Urbana
Bosque
Cultivo
Suelo
Agua
S6 Urbana
Bosque
Cultivo
Suelo
Agua
F2 Urbana
Bosque
Cultivo
Suelo
Agua
5. Describa las características pictórico-morfológicas, de acuerdo con la tabla que define estos aspectos a
continuación.
Elementos básicos Tono: variación distinguible de gris entre el blanco y el negro
Color: variación visible sobre la imagen, producida por múltiple combinación de los tres
colores primarios: rojo verde y azul
Patrón espacial Tamaño: Dimensión de objetos. Depende de la resolución espacial
Forma: se relaciona con la silueta, estructura y contorno de los objetos. Permite reconocer
objetos individuales.
Textura: organización y frecuencia de variaciones tonales. Depende de resolución del
sensor, tamaño del objeto, ángulo de toma, longitud de onda. También se puede
interpretar como rugosidad. Se designa con las expresiones: gruesa, mediana, fina
Patrón: arreglo espacial de tono / color de una cobertura.
Elementos complementarios Altura:
Sombra: ayuda a reconocer la altura relativa de objetos y es útil para identificación de
topografía.
EJERCICIO 9: COMPARACIÓN DE DIFERENTES IMÁGENES DE SENSORES REMOTOS
OBJETIVO: Habituarse y comparar las imágenes de diferentes sistemas de sensores en cuanto a su
resolución espacial y espectral
MATERIALES:
SENSOR
LANDSAT TM
SPOT 5 XS
SPOT 5 PAN

Cámara digital Ultracam
IKONOS
Rapid eye
ORTOFOTOMOSAICO
Quick_bird
Aster
DMC_2
MODIS
 Despliegue cada una de las imágenes y familiarícese con estas analizando cada banda por
separado. Practique diferentes combinaciones de color. Compare todas las imágenes en cuanto a
resolución espacial y espectral.
 Discuta sobre la facilidad de identificar diferentes tipos de coberturas.
Para resumir los resultados de su análisis, califique la facilidad de identificación de las distintas coberturas
en las imágenes en la tabla que se presenta a continuación:
Sensor / cobertura Urbano Bosque Cultivo Suelo Agua Observaciones
LANDSAT TM
SPOT 5 XS
SPOT 5 Pan
Cámara digital
IKONOS
Rapideye
ORTOFOTOMOSAICO
Quick_bird
Aster
DMC_2
MODIS
Facilidad de identificación: 1-excelente, 2-buena, 3-regular, 4-mala, 5-no se identifica; 6-no aplica
Confirme a partir de sus observaciones la validez de la tabla a continuación y si es el caso
complemente esta a partir del análisis de imágenes suministradas para el ejercicio.

 Consulte y complementa la tabla que se presenta a continuación respecto a las características
de las imágenes de los programas satelitales que se van a analizar.
LANDSAT TM SPOT 5 IKONOS DMC_2
Banda
, m
Banda
, m
Banda
, m
1 1 1
2 2 2
3 3 3
4 4
5 PAN PAN
6
7
R. Espacial
R. Espectral
R. radiométrica
R. temporal
Ancho faja
Precio x km²

Centro de Investigación y Desarrollo en Información Geográfica
CIAF
MANUAL DE PRÁCTICAS DE
PROCESAMIENTO DIGITAL DE IMÁGENES PARTE 2
ELENA POSADA
Revisión y Edición:
CAROLINA ESPEJO
Bogotá D.C, Junio de 2012
© Instituto Geográfico Agustín Codazzi, 2005. Todos los derechos comerciales reservados.
Prohibida su reproducción para fines no académicos o de Investigación.

IINTRODUCCIIÓN
Con el lanzamiento del primer satélite comercial LANDSAT-1 (USA) en el año 1972, la comunidad
científica y el publico en general se beneficiaron de las imágenes que ofrecen periódica observación
y amplia perspectiva de la superficie terrestre, de sus recursos, de los rasgos de actividades
humanas y de sus impactos. Desde entonces, las imágenes satelitales se han convertidos en una
fuente valiosa información para numerosas aplicaciones, así como: el inventario de recursos
naturales, planificación urbana y rural, monitoreo y gestión del medio ambiente, agricultura,
infraestructuras, obras civiles, exploraciones mineras, respuestas rápidas a desastres y operaciones
militares, entre muchas otras.
El valor práctico de las imágenes y la multiplicidad de aplicaciones, continúan aumentando a
medida que se lanzan más satélites con los sensores de nueva generación. Las imágenes
satelitales proveen altos volúmenes de datos en formato digital y pueden ser alternativas y
complementos a la fotografía aérea, ya que dado a su resolución espacial, espectral y temporal
sirven para producir los mapas de alta calidad y de manera eficiente. Actualmente alrededor de
30 programas satelitales de diferentes países se encuentran en orbitas espaciales, brindando las
imágenes y los datos de sistemas óptico-electrónicas y de radar en el rango visible, infrarrojo y
de microondas. La resolución espacial se aumento de 80 metros a 60 centímetros; la resolución
espectral paso de 4 bandas a 220 bandas; la resolución temporal se ha incrementado hasta 1
día. El precio de imágenes de satélite es variado; las imágenes de alta resolución espacial son
todavía muy costosas (IKONOS, QUICKBIRD, SPOT 5); las imágenes de mediana resolución
(ASTER y LANDSAT) son de bajo costo e inclusive se puede descargarlas gratuitamente desde
las paginas especializadas de la WEB. Igualmente, existen los datos gratuitos de sensores de
baja resolución espacial con periodicidad diaria (MODIS y NOAA-AVHHR).
Como consecuencia de aumento en la oferta de datos satelitales, se ha generado la necesidad
de desarrollar nuevos medios y métodos para el procesamiento, análisis y utilización de la
información, que se asocian a tareas de investigación y desarrollo y a la formación de recursos
humanos calificados1. El Centro de Investigación y Desarrollo en Información Geográfica (CIAF)
del IGAC ha jugado un papel importante para impulsar la utilización de imágenes satelitales para
múltiples aplicaciones ambientales, a nivel nacional e internacional por mas de 20 años. Por
consiguiente, su uso en Colombia presenta índices de crecimiento, que está en gran medida
asociado a una concientización nacional de la necesidad e importancia de monitoreo continuo
del medio ambiente y estudio de los recursos naturales. Con premisa en lo anterior, es apropiado
de mencionar la expresión del investigador argentino A. Brizuela: “Yo creo que para apostar al
desarrollo productivo de la provincia, de la región y del país, hay que partir de la necesidad de
contar con una buena logística que nos permita saber cuál es nuestra situación actual, cuáles
son nuestros recursos naturales, con cuáles podemos contar, dónde están, de qué calidad son y
en qué cantidad se encuentran. En función de esos datos, se puede realizar una planificación
estratégica que posibilite conducir eficientemente la toma de decisiones. En este sentido, las
imágenes satelitales se presentan como una herramienta de primer orden2**.
1 Informe de ccooperación internacional para la utilización del espacio ultraterrestre con fines pacíficos: actividades de los
Estados Miembros
2 www.cityttp.org.ar/prudkin07.pdf

PARTE I: INTRODUCCIÓN A PROCESAMIENTO DIGITAL DE IMÁGENES SATELITALES.
Para utilizar los datos de la superficie terrestre obtenidos con Sensores Remotos se procede a la
interpretación y análisis de imágenes, que consiste en extraer información útil a partir de los
datos recolectados, e involucra la identificación y/o medida de objetos observables en las
imágenes satelitales. Estos objetos puede tener cualquier forma, sean de tipo puntual, lineal o de
área, por ejemplo, la identificación de aeronaves en pistas aéreas, vías en una zona urbana o
grandes cuerpos de agua como lagos, todo ello, debe tener en cuenta como principal
característica que deben ser distinguible en la imagen, es decir, que contraste con respecto a los
otros objetos de su alrededor (CCRS, 2003).
La interpretación y análisis de imágenes puede ser definido como “técnica de examinar las
imágenes con el fin de identificar los objetos y extraer información”. El análisis de imágenes
estudia los datos de sensores remotos e intenta a través de procesos lógicos la detección,
identificación, clasificación medición y evaluación de la información de los objetos naturales y
culturales, así como sus relaciones y patrones espaciales (GIS Developmet, 2007).
Existen dos métodos para llevar a cabo esta interpretación y análisis de imágenes, a través de
un proceso manual o visual, en el cual una persona realiza la extracción de información directa
sobre una imagen ploteada o impresa, y es independiente del tipo de sensor que la capturó, en
este caso, se dice que los datos tienen un formato análogo. Sin embargo, generalmente los
datos de sensores remotos son almacenados en un formato digital, como una una matriz de
píxeles, en el que cada píxel representa un nivel numérico o de brillo en la imagen.
La interpretación visual tambiénse realiza a través del despliegue de las imágenes digitales en
una pantalla de computador, estos datos pueden ser visualizados en una escala de grises
(imagen monocromática) o como una imagen a color por la combinación de tres de sus bandas.
Gracias a la disposición de los datos de forma digital y un sistema computacional es posible
llevar a cabo un procesamiento digital de imágenes, cuyo fin es mejorar los datos antes de
realizar una interpretación visual o la extracción de información asistida por computador o
automática, sin embargo, no debe considerarse que este método reemplaza totalmente las
tareas del intérprete si no la complementa y asiste al análisis humano (CCRS).
VENTAJAS DE LOS MÉTODOS DE INTERPRETACIÓN VISUAL Y DIGITAL

La interpretación visual tiene sus orígenes con el nacimiento de la fotografía aérea, mientras que
el procesamiento digital de imágenes tiene un origen más reciente con la disponibilidad de
almacenamiento digital de imágenes de sensores remotos y con el desarrollo del computador.
Cada método tiene sus ventajas y limitantes, entre las que se destacan (CCRS, 2003; Chuvieco,
2002):
● Generalmente la interpretación visual requiere equipos menos especializados, frente a un
procesamiento digital de imágenes con equipos algo más avanzados y costosos.
● La interpretación visual frecuentemente se limita al análisis de un sólo canal de datos o una
imagen en el tiempo, debido a la dificultad de la interpretación continua de múltiples imágenes.
En los ambientes informáticos es más amigable el manejo de estas imágenes complejas
compuestas por varias bandas y de diferentes fechas. En este sentido, el procesamiento digital
es útil en el análisis simultáneo de muchas bandas espectrales y multi-temporales, logrando
procesar un gran conjunto de datos de forma más rápida, frente si se haría con una
interpretación de datos análogos.
● La interpretación visual es un proceso subjetivo, lo que significa que los resultados varían de
acuerdo a los trabajos realizados por diferentes interpretes, en el caso del análisis digital como
se basa en la manipulación de números en un computador, los resultados de los procesos
pueden ser algo más objetivos. Sin embargo, en el proceso de validación y exactitud de estas
salidas se muestra que lo resultados son más coherentes y precisos sobre todo en las clases
heterogéneas para el método de interpretación visual, que los logrados por el método digital.
● En la interpretación visual es posible incorporar variables visuales en la identificación de
objetos como la forma, tamaño, textura, contexto espacial, entre otras y que aún sigue siendo
complejas de determinar en el méttodo de procesamiento digital de imágenes.
● La restitución en la interpretación manual era inicialmente compleja a través de grandes
restituidores, con la interpretación digital es posible llevar a cabo este proceso de corrección
geométrica de forma sencilla y rápida. De otro lado, para la interpretación manual es necesario
realizar la conversión de los datos digitales a análogos, mientras que la interpretación digital es
posible trabajar con los datos originales, también es necesario en la interpretación manual
requiera de digitalización para conectarse a un SIG, mientras que la digital permite realizar la
conexión casi inmediata a través de la conversión de formatos raster – vector.
Es importante nuevamente resaltar que tanto la interpretación visual como el procesamiento
digital de imágenes de satélite no son mutuamente excluyentes. Ambos métodos son igual de
relevantes y en la mayoría de los casos, es preferible la integración de ambos en el análisis e
interpretación de imágenes. De hecho la decisión definitiva de la utilidad y la pertinencia de la
información extraída al final de cada proceso del análisis, todavía debe ser realizada por seres
humanos.
PROCESAMIENTO DIGITAL DE IMÁGENES DE SATÉLITE
El procesamiento digital es el conjunto de métodos y técnicas orientado a manipulación y análisis
cualitativo y cuantitativo de las imágenes digitales, su corrección, mejoramiento, transformación
y/o clasificación temática con el fin de generar información útil sobre objetos, áreas y fenómenos,
sin estar en contacto con ellos, y con el fin de mejorar conocimiento sobre los recursos naturales
de la tierra y medio ambiente (Posada, 2008; Gis Development, 2007; CCRS, 2003).
Normalmente toda interpretación y análisis de imágenes involucra algún proceso digital,
incluyendo la importación, exportación y corrección de datos, mejoras y realces para facilitar una
mejor interpretación visual, o algún tipo de clasificación automática de algunas clases de interés
complemente desde un computador. Para llevar a cabo un procesamiento digital de imágenes de
sensores remotos, es necesario que los datos deben estar almacenados y disponibles en

formato digital en algún dispositivo de almacenamiento, y obviamente, tener disponible un
sistema computacional, algunas veces referido como sistema de análisis de imágenes, con el
hardware y software apropiado para el procesamiento de los datos, adicionalmente, se debe
tener en cuenta la experiencia profesional en el campo de la aplicación temática y el dominio de
ese ambiente computacional, también se requiere conocimientos de estadística, matemáticas y
algunas veces lenguajes de programación. En el mercado hay disponible varias soluciones de
software tanto libres como privativos para llevar a cabo el análisis y procesamiento digital de
imágenes, entre estos encontramos ERDAS Imagine de Leica Geosystems, ILWIS Open del ITC
de Holanda, GRASS GIS mantenido principalmente por la Universidad de Baylor y la comunidad
de usuarios de software libre, ENVI de ITT Visual Information Solutions, SPRING del INPE de
Brasil, IDRISI de la Universidad de Clark, Geomatica de PCI Geomatics, SAGA GIS mantenido
principalmente por la Universidad de Göettingen y la comunidad de usuarios de software libre,
entre otros muchos, que examinaremos con más detalle en una próxima lección del curso virtual.
Los datos recibidos en forma de imagen y capturadas por los sensores remotos desde las
plataformas satelitales, normalmente contienen fallas y deficiencias. Para llevar a cabo una
corrección de estas, con el fin de obtener los datos originales, es necesario seguir varias etapas
o fases de procesamiento. Estas etapas varían de una imagen a otra dependiendo del formato,
condiciones iníciales de la imagen, la información de interés y composición de la escena de la
imagen. El procesamiento digital de imágenes incluye una amplia gama de procedimientos, los
cuales se puede asociar o categorizar dentro las cuatro etapas o fases siguientes (CCRS, 2003;
Posada, 2008):
● Preprocesamiento
● Mejoras y realces
● Transformaciones
● Clasificación y análisis
El diagrama a continuación ilustra los procedimientos a seguir asociados a las cuatro etapas del
procesamiento y análisis digital de imágenes de teledetección.

Figura 1: Procedimientos del procesamiento y análisis digital de imágenes
IMAGEN DIGITAL
De forma generalizada, se define a una imagen digital como un arreglo de números que
representa una distribución espacial de ciertos parámetros de campos, como la reflexión de
energía electromagnética, emisión, temperatura, o alguna variable de elevación topográfica o
geofísica (GIS Development, 2007).
Una imagen digital está conformada por elementos pictóricos discretos denominados píxeles
organizados en filas y columnas. Cada píxel tiene asociado un número denominado como Nivel
Digital (ND), el cual representa la intensidad o brillo promedio de una área mínima relativa
dentro de la escena, generalmente, el rango de niveles digitales va de 0 a 255. El tamaño de
esta área mínima afecta considerablemente la captura de detalles terrestres dentro de la escena,
si se reduce el tamaño de píxel se preservaran mejor estos detalles terrestres en la imagen.
CARACTERÍSTICAS DE UNA IMAGEN DIGITAL
Las imágenes poseen de unas propiedades o características específicas en cuanto a su
capacidad de registrar y discriminar la información de detalle. Se denominan como la resolución
de imágenes o también del sensor, y se divide en 4 tipos: espacial, espectral, radiométrica y
temporal (Chuvieco, 2002; Posada, 2008).
Resolución Espacial
Se define por el elemento más pequeño que puede ser discriminado en una imagen. Se mide
mediante el Campo de Visión Instantáneo (IFOV) de un sensor ópticoelectrónico, o en la

práctica, mediante distancia del terreno que corresponde a ese ángulo y que corresponde a
mínima unidad de información incluida en la imagen o píxel. Menor sea el tamaño del píxel,
mayor resolución posee la imagen y mayor nivel de detalle es posible extraer de la misma. Sin
embargo, si las áreas de interés son muy heterogéneas, como por ejemplo áreas urbanas, se ha
comprobado que mayor resolución espacial afecta negativamente la clasificación digital.
Igualmente, cabe mencionar que el umbral para discriminación de los objetos en una imagen es
4 veces mayor que el tamaño de un píxel (Jensen, 1986 y citado por Posada, 2008).
La resolución espacial de las imágenes de sensores remotos aplicados a estudios de recursos
naturales varía de 1m de hasta 1 km. En Colombia los más utilizados son las imágenes de
programas LANDSAT, con resolución espacial de 30 y 15 metros; y las imágenes de programa
SPOT de 20 y 10 metros de resolución. Recientemente han entrado al mercado las imágenes del
programa espacial IKONOS, con resolución espacial que varía de 1 a 4 mts y QuickBird con
resolución que varía de 0.6 mts a 2.4 mts. Es una excelente alternativa, sin embargo es muy
costosa y requiere de estudios cuidadosos sobre su aplicabilidad real, así como de generación
de los nuevos enfoques metodológicos de procesamiento digital a causa de su alta resolución
espacial. También están disponibles, desde hace poco tiempo, las imágenes del satélite Indio –
IRIS con resolución de 6 metros (Posada, 2008).
Resolución Espectral
Indica el ancho y número de las bandas espectrales que posee una imagen. Una imagen
multiespectral se caracteriza por ser más idónea si cuenta con mayor numero de bandas, ya que
facilita la caracterización espectral de los distintos objetos de la tierra. A la vez es conveniente
que estas bandas sean estrechas, ya que las bandas muy amplias registran un valor promedio,
que puede encubrir la diferenciación espectral entre los objetos de interés.
La elección del numero, anchura y localización de las bandas depende de objetivos del estudio.
Por ejemplo, para el estudio de la vegetación es recomendable contar con las bandas del rango
del espectro visible, infrarrojo cercano y medio; para estudio de calidad de las aguas es
importante contar con las bandas azul, verde y rojo. La menor resolución espectral posee las
imágenes de radar, cuentan con una sola banda y son monoespectrales. Las imágenes óptico-electrónicas
cuentan con un amplio rango de bandas espectrales en función del programa
espacial. Existen programas, como HRIS (High Resolution Imaging Spectrometer) con 196
canales espectrales, (Chuvieco, 2002). Los comunes para Colombia son las imágenes
LANDSAT-TM con 7 bandas espectrales hasta el programa LANDSAT-5 y 8 bandas para
LANDSAT-7. Siguen las imágenes SPOT, con 3 bandas en el programa SPOT-3 y 4 bandas
para SPOT-4. Las imágenes IKONOS y QuickBird cuentan con 4 bandas espectrales (Posada,
2008).
Resolución Radiométrica
Representa la capacidad del sensor para detectar las variaciones en la radiación espectral que
recibe. El rango con que se codifica la radiación varia para distintos sensores, sin embargo, los
de 256 niveles de codificación o 8 bits son las comunes en el mercado actual de las imágenes de
sensores óptico-electrónicos, así como LANDSAT y SPOT. Las imágenes de IKONOS son de 11
bits o 2048 niveles radiométricos. La mayor precisión radiométrica conlleva en teoría a mayor
precisión. Sin embargo, según Chuvieco, algunos autores han demostrado que el aumento de 64
a 256 niveles no implica una mejora significativa en la clasificación de cubiertas vegetales.
Igualmente se puede mencionar el caso de radar, que con una resolución radiometrica de 16 bits
65536 niveles de codificación, de ninguna manera podrá superar una imagen multiespectral de
256 niveles en cuanto a discriminación y clasificación de objetos terrestres (Chuvieco, 2002;
Posada, 2008; CCRS, 2003).

Resolución Temporal
Es la frecuencia con la que se adquieren las imágenes de la misma porción terrestre y la cual
depende de la altura, velocidad y inclinación de la plataforma, así como del ángulo de
observación. Las imágenes de LANDSAT se puede obtener, teóricamente, cada 16 días y de
SPOT cada 26 días. Sin embargo, obtención de las imágenes ópticoelectrónicos para mayoría
de las regiones de Colombia y específicamente en el área del Pacifico se dificulta debido a las
condiciones atmosféricas adversas y alta nubosidad durante casi todo año.
Cuando estudian las imágenes en cuanto a su calidad, las 4 resoluciones mencionadas se debe
analizar en su conjunto y la selección de una imagen apropiada depende de los objetivos
predeterminados por el estudio. Así para algunos estudios puede predominar la riqueza espectral
y radiométrica de las imágenes, caso de estudios de vegetación. Para otros, la resolución
temporal es más importante, caso de estudio de las áreas urbanas; o en el caso de alguna
catástrofe natural, es necesario de contar con las imágenes de muy corta periodicidad.
SOPORTES Y FORMATOS DE LAS IMÁGENES DIGITALES
El primer paso para procesamiento digital es la introducción de las imágenes al ambiente
computacional. Esta operación se deferencia en base de los tipos de formatos y soportes de las
imágenes. El soporte más utilizado actualmente son los discos ópticos o DVD/CD-ROMs, es el
dispositivo barato y muy accesible, idóneo para almacenar grandes volúmenes de datos.
También existen otros tipos de dispositivos, como: cintas compatibles con computador (CCT),
cartuchos de Exabyte de alta y/o baja densidad. Actualmente con el gran avance del Internet es
común descargar las imágenes directamente de servidores Web que ofrecen las imágenes de
forma gratuita o con pago.
Aunque aún no se ha producido un estándar a nivel mundial para la transferencia y
almacenamiento de datos de sensores remotos, a pesar del trabajo realizado por la CEOS -
Committee on Earth Observation Satellites (GIS Development, 2007). Para facilitar el intercambio
e interoperabilidad de datos digitales de sensores remotos, generalmente estos son
almacenados de acuerdo tres formatos comunes usados, para organizar datos de imágenes:
bandas intercaladas por línea (BIL), bandas secuenciales (BSQ), y bandas intercaladas por
píxeles (BIP). Las imágenes digitales se organizan en ficheros, normalmente cada imagen
incluye un fichero de cabecera, en donde se guarda la información básica de la imagen, así
como: el formato de grabación, tipo de sensor, localización geográfica de la escena, día,
elevación y azimut solar y el tipo de correcciones aplicadas por la estación receptora (Posada,
2008).
Los formatos de grabación indican la organización lógica de los ND de la imagen y la codificación
aplicada. Como se había enunciado anteriormente, los ND de una imagen se graban en código
binario (un bit, 0 y 1), y la mayor parte de sensores emplea grupos de 8 bits para almacenar el
ND correspondiente a cada píxel, con 256 posibles valores. Este es también el rango admitido
por la mayoría de los equipos de procesamiento digital. Las imágenes de radar se codifican con
16 bits o 65.536 niveles, y para su visualización, a veces se requiere de previa compresión
(Posada, 2008).
Formato BIL (Band interleaved by line): Los datos se organizan por líneas, intercalando
sucesivamente una línea de píxeles por cada banda. Por cada línea se codifica
consecutivamente los ND de la totalidad de las bandas presentes en la imagen, antes de
comenzar la línea siguiente. Ejemplo: línea 1 - banda 1, línea 1- banda 2, línea 3 - banda 3; 2
banda – 1, linea2 – banda 2 , etc….. Es un formato común para imágenes SPOT y a veces

también utilizado para grabar los datos LANDSAT. Es práctico si todas las bandas van a ser
usadas en el análisis y agiliza lectura de sub-escenas de la imagen. Si algunas bandas no son
de interés el formato es ineficiente por cuanto es inevitable leer serialmente datos innecesarios.
B1 B2 B3
línea 1 línea 1 línea 1
Formato BSQ (Band Secuencial): Los datos se organizan por bandas, los ND de cada banda
se graban uno a continuación del otro hasta completar la escena. Este formato se considera
bien estructurado, aunque es un poco lento para desplegar sub-escenas. Los ND de la imagen
son grabados almacenando primero todos los datos de la banda 1, luego de la banda 2 y así
sucesivamente. Este formato es muy común para imágenes LANDSAT.
Banda 1..... Banda 2... Banda 3.....
Formato BIP (Band interleaved by Pixel): Los datos numéricos de la imagen son grabados
intercalando sucesivamente un píxel por cada banda. Por ejemplo, tras de ND del píxel de la
línea 1, columna 1, banda 1, aparece el correspondiente a la línea 1, columna, banda 2 y así
sucesivamente. Este formato es poco utilizado en la actualidad, aunque se considera práctico
para agilizar desplegué de las sub-ventanas de una imagen.
B1 B2 B3 B1 B2 B3 B1 B2 B3 B1 B2 B3 B1
.
Pixel 1 pixel2 pixel 3 pixel 4
Cabe resaltar que los formatos anteriores son considerados los más comunes para el
intercambio de datos, sin embargo, cada software de procesamiento digital de imágenes exige la
conversión a formatos propios para implementar muchas de las funcionalidades de tratamiento
digital de imágenes, por ejemplo, ERDAS Imagine de Leica Geosystems trabaja con el formato
HFA (Hierarchical File Format) cuya extensión de archivos se conoce como *.img, en el caso del
software de Geomatica de PCI Geomatics implementa el formato denominado PCIDSK (PCI
Geomatics Data-base File Format) cuya extensión se conoce como *.pix. Estos formatos
generalmente se consideran como propietarios y muchas veces cerrados, sin embargo, también
suele tener una gran aceptación por los usuarios formatos abiertos como el caso del GeoTIFF,
diseñado inicialmente por la NASA, y lo que básicamente implementa un estándar de metadatos
de domino público que permite que información georreferenciada sea encajada en un archivo de
imagen de formato TIFF.
EJERCICIO 1: ANÁLISIS ESTADÍSTICO DE LA IMAGEN
Análisis estadístico unibanda
Este tipo de análisis estadístico es básico y aplicado a una banda por separado, permitiendo
obtener una descripción de la tendencia central y dispersión de los niveles digitales de la imagen,
tales como valores mínimo y máximo, rango, media aritmética, moda, mediana, varianza,

desviación estándar, histogramas y el comportamiento espectral de la cobertura terrestre en las
bandas en particular. Estas medidas nos permiten valorar información radiométrica de una
imagen, así como la comparación con respecto a las otras bandas y tener una idea sobre el nivel
de su calidad, heterogeneidad y separabilidad.
El histograma describe la distribución de los ND de los píxeles o la distribución de frecuencias
(número de repeticiones de un ND) a través de una representación gráfica o en forma de tabla.
El rango del histograma depende de la resolución radiométrica, para el caso de imágenes de 1
byte o 8 bits, su rango posible es de 0 a 255. En otra palabras, el histograma indica el número de
píxeles presentes por cada valor del rango o contiene las frecuencias de los ND en la imagen
(Kerle et al., 2004).
El histograma nos permite valorar la naturaleza de los datos, su forma de distribución, el número
de posibles clases temáticas, la separabilidad espectral, así como la calidad y contraste de una
imagen. Por ejemplo, una imagen con un pobre contraste visual presenta un histograma muy
estrecho y una imagen contrastada un histograma ancho.
Los diversos picos y valles en un histograma multimodal pueden suministrar alguna información
de los diferentes tipos de cobertura dominantes en la imagen. El desplazamiento del origen del
histograma nos indica presencia del efecto de dispersión atmosférica (Chuvieco, 2002; Posada,
2008).
Figura 2 : Histograma imagen de satélite.
Medidas de tendencia central
Estos tipos de medidas permiten identificar y ubicar el ND al cual tiende agruparse los Niveles
Digitales (valor central). Cuando se aplica a poblaciones, se les denomina parámetros o valores
estadísticos de la población. Las principales medidas utilizadas para ubicar el ND central son la
media aritmética, la mediana y la moda.
● Media aritmética
Es la medida de tendencia central más utilizada y sencilla de calcular, debido al manejo
algebraico. La media aritmética representa el valor medio, alrededor del cual se agrupa resto de
los valores radiométricos de una banda. La media se analiza en el conjunto con los valores
mínimos y máximos y la desviación estándar, lo que permite conocer el comportamiento
radiométrico de la imagen, su grado de homogeneidad y de dispersión.
La principal desventaja de la media aritmética, está en la sensibilidad a cambios de los valores o
valores extremos. Adicionalmente a la media aritmética, existen otras medidas como la media
geométrica, la media ponderada, la media cuadrática, entre otras.
● Mediana

Corresponde al valor del ND intermedio cuando todos los elementos se ordenan en una lista de
menor a mayor o de mayor a menor. Se tiene que el 50% de las observaciones se encuentran
por arriba de la mediana del ND y 50% por debajo de ella.
Para el cálculo de la mediana, debe considerarse que las imágenes que cuenten con un número
total de píxeles impar, la mediana dará como resultado la posición intermedia de la serie
ordenada, mientras que para un número total de píxeles par, se debe promediar los dos valores
de las posiciones centrales.
● Moda
ND que presenta mayor frecuencia en una imagen. Algunas veces es posible que se presente
dos valores con mayor frecuencia, por lo que se denomina bimodal, otras veces con más de dos
valores, lo que se conoce como multimodal.
Medidas de dispersión
Estas medidas permiten identificar cuanto se dispersan los ND alrededor del ND central, en otras
palabras, permiten conocer como los valores de los datos se reparten a través del rango
radiométrico de la imagen, tomando como referencia el ND central.
● Desviación estándar o típica
La desviación estándar permite determinar el promedio aritmético o fluctuaciones de los datos
respecto a su punto central o media. Si los valores tienden a concentrarse alrededor de la media
- la desviación estándar es pequeña, si los valores tienden a distribuirse lejos de la media - la
desviación estándar es grande.
1. Despliegue la ventana de la imagen LANDSAT TM en una combinación a color; la cual
van a procesar y producir el mapa de cobertura y uso de la tierra.
2. Familiarizase con la estructura interna de la imagen. Para esto, desde la pestaña home
seleccionar Metadata y analice con detención la información contenida en la ventana
desplegada de Image Metadata. Observe si Pirámide_layer = Present (función que
optimiza el desplegué de la imagen). Si está ausente se debe calcularla mediante
siguiente procedimiento: EDIT > Compute Pirámide Layers > Activar la opción
Compute pirámide layers > Algorithm 2X2 para ventanas recortadas y para la escena
completa 4x4.
3. Observe las estadísticas e histogramas de esta imagen y interprete su significado. Abra
la aplicación de EXCEL y trascriba la información estadística para todas las 7 bandas.
Concluya respecto a la posibilidad de reconocer los diferentes tipos de coberturas en

cada banda individual. Responda, según análisis de histogramas, que banda o bandas
son mejores para diferenciar mayor número de coberturas terrestres y porque.
Bandas Media D. Estándar Min Max
B1
B2
B3
B4
B5
B6
B7
4. Desde la misma ventana active View / Histogram o el botón ; se desplegará el
histograma de la primera banda; El ancho del histograma, la forma y el desplazamiento del
origen, indican sobre los contrastes de la imagen, la facilidad de separar múltiples
coberturas, y problemas de dispersión atmosférica. Modifique él número de la banda con la
opción ubicada a la derecha del icono y analice los histogramas de las
restantes bandas.
EJERCICIO 2: CÁLCULO DEL FACTOR DEL ÍNDICE ÓPTIMO
Es un valor estadístico que puede ser usado para seleccionar la combinación a color óptima de
tres bandas de una imagen satelital. El cálculo de OIF se realiza sobre todas las posibles
combinaciones de la imagen, y se basa en la selección de las bandas que conserven la mayor
información espectral (mayores covarianzas entre bandas) y la menor duplicidad de información
(menores correlaciones entre bandas), matemáticamente se expresa por la siguiente ecuación
(Kerle et al, 2004):
Suma de desviación estándar de 3 bandas individuales
OIF = _____ __________________________________________________
Suma de coeficiente de correlación para 3 bandas

El mayor valor de OIF corresponde a la combinación de bandas con menor correlación entre
ellas y con mayor desviación estándar para cada banda indicando la mayor posibilidad de
discriminación de coberturas estudiadas.
Para calcular coeficiente de correlación se utilizara el modulo Model Maker desde la
pestaña Toolbox, se selecciona el modulo Model Maker. A continuación se presenta la
descripción de herramientas de diseño de modelos.
Description of the Model Maker Tools
Use this tool to select items on the Model Maker page. Once selected, these graphics (or text) can be
moved or deleted. Click and drag a selection box to select multiple elements. Multiple selected
elements can be dragged to a new location as a unit. You can also use the arrow to double click on
any of the graphics below to further define their contents.
Creates a raster object , which is a single or layer-set of raster data typically used to contain or
manipulate data from image files.
Places a vector object , which is usually an Arc/Info coverage or an Annotation layer.
Creates a matrix object , which is a set of numbers arranged in a fixed number of rows and columns
in a two-dimensional array. Matrices may be used to store numbers such as convolution kernels or
neighborhood definitions.
Creates a table object , which is a series of numeric values or character strings. A table has one
column and a fixed number of rows. Tables are typically used to store columns from an attribute table,
or a list of values which pertain to individual layers of a raster layer-set.
Creates a scalar object , which is simply a single numeric value.
Creates a function definition , which are written and used in the Model Maker to operate on the
objects. The function definition is an expression (like "a + b + c") that defines your input. You can use a
variety of mathematical, statistical, Boolean, neighborhood, and other functions, plus the input objects
that you set up, to write function definitions.
Use this tool to connect objects and functions together . Click and drag from one graphic to another
to connect them in the order they are to be processed in the model. To delete a connection, simply
click and drag in the opposite direction (from the output to the input).
Creates descriptive text to make your models readable. The Text String dialog is opened when you
click on this tool.
Fuente: Manual de ERDAS
Ahora, para calcular coeficiente de correlación procede con los siguientes pasos:
1. Active el modulo MODEL MAKER , se abrirá la ventana New_Model, dentro la
cual construirá el modelo que se presenta en la figura a continuación, usando la barra de
herramientas que se abrió simultáneamente.
2. Haga doble clic dentro y en la ventana desplegada baja la opción File Name
seleccione la imagen para la cual se van a calcular la matriz de correlación y oprime OK.

3. Ahora haga doble clic sobre la figura circular , con ayuda de este boton , se
hace clic sostenido sobre el y se relacionan las dos imágenes con esta flecha esto con el
fin de transferir los datos de la imagen, en la ventana desplegada seleccione frente la
opción Function la función de Correlation (covariance_matriz) y en la parte inferior de
la ventana con ayuda del cursor entre la imagen para la cual se va a calcular la función
desde Available Inputs: y oprime OK. Debe tener escrita siguiente expresión:
CORRELATION (nombre del archivo).

4. Por último, haga doble clic bajo la figura , se vuelve a relacionar con , se dejan
todos los parámetros por default y se le asigna nombre para archivo de salida bajo la
opción Output. Luego desde la ventana New_model active la opción Process > Run. Al
terminar el proceso, abre el archivo en EXCEL para analizar la matriz de correlación
entre las bandas de la imagen. A continuación observa una matriz de correlación:
Bandas 1 2 3 4 5 6 7
1 1,00 0,93 0,61 0,71
2 0,93 1,00 0,55 0,85
3 0,61 0,55 1,00 0,53
4 0,71 0,85 0,53 1,00
5
6
7
5. Calcule la sumatoria de coeficiente de correlación para las posibles combinaciones de la
imagen LANDSAT y resuma en la tabla presentada a continuación. Por ejemplo, la
sumatoria de coeficiente de correlación entre las bandas 1, 2, y 3 es igual a 0.93 + 0.61
+ 0.55 = 2.09.
6. Luego, suma las desviaciones estándar correspondientes a la combinación de bandas
estudiadas, por ejemplo: RGB 123, resumiendo su resultado en la misma tabla. Los
valores de desviación estándar para cada banda ya están extraídos en el ejercicio
anterior o accede a estos desde Menu Home>metadata .
7. Finalmente haga la división entre valor de suma desviaciones estándar y la suma de
coeficientes de correlación para obtener el valor del OIF.
Nº RGB
suma
desviaciones
estándar
suma coef.
correlación OIF
1 123 97.24 2.09 46.56
2

3
4
5
6
7
8. Responde, cual es la mejor combinación de bandas resultó a partir del calculo de OIF;
la cual debe tener el mayor valor de OIF. Desplegué esta combinación, analízala y
responde si esta coincide con la combinación seleccionada por ustedes como mejor en
el ejercicio anterior, mediante análisis visual.
EJERCICIO 3: DENSITY SLICING
Density slicing es una forma de clasificación uní banda, basada en agrupación de los rangos de
Niveles Digitales (ND) a las clases temáticas que estas representan.
1. Abra la ventana del área de trabajo en modo Pseudo_color. Para tal fin, ingrese a file,
open, raster layer, en Raster option-Select Layer to Add seleccione el modo de
Pseudo_color y deje por default otros parámetros de la ventana y oprima OK.
Visualice el resto de las bandas espectrales en modo Pseudo_color.
2. Al terminar la observación de todas las bandas, deje desplegada la banda 4 y seleccione
Table, View, Show Attributes. En la parte inferior se abre la tabla de atributos de la
imagen, en ese momento se activan todas las opciones de la pestaña Table, para hacer
cambios de color, ingresar a table, query, colors, allí se despliega la ventana de Colors,
allí en Slice Type-By, seleccionar Equal Areas y Apply. Observe el cambio producido
en la imagen y en la tabla de atributos.
3. Para volver al modo pseudo_color en tonalidades de grises seleccione la opción de RGB
slice bajo la opción de Slice Method, en la ventana Colors. Ahora, asigne los colores a
los grupos de Niveles Digitales que caracterizan a 3 coberturas terrestres (vegetación,
urbano-suelo, Agua), bajo la columna de COLOR de la ventana Tabla de Atributos
(parte inferior de la pantalla). Para agrupar los ND en clases debes apoyarse con
inspección visual de la banda. Al terminar asignación, cierre la tabla de atributos, sin
salvar los cambios y salve el resultado desde File> Save>Top Layer.

Cobertura Rango de Niveles digitales
Vegetación
Urbano-suelo
Agua
EJERCICIO 4: REALCES Y MEJORAMIENTOS
Los mejoramientos se aplican con el fin de realzar los contrastes y algunas características
particulares de las imágenes, para optimizar el proceso de la interpretación visual. ERDAS
soporta 4 tipos de mejoramientos: radiométricos, espaciales, geométricos y espectrales. Su
utilización está en directa relación con el tipo de imágenes a procesar, los objetivos del estudio,
de las características particulares del paisaje y la experiencia profesional. Siempre debe estar
presente la siguiente aclaración: al “mejorar” la imagen para un objetivo específico, estamos
alterando sus valores originales. Los mejoramientos pueden ser aplicados de modo temporal,
sobre la imagen desplegada en el Viewer; y de modo permanente, sobre la imagen del archivo.
MEJORAMIENTO VISUAL DE IMÁGENES
Con el objeto de facilitar una interpretación visual donde se mejore el aspecto de los elementos
en la imagen, es necesario aplicar un conjunto de operaciones que permiten realzar, resaltar o
suprimir ciertas características, tales como la expansión de los niveles de gris o el filtrado
espacial para la detección de bordes. Estas operaciones pueden o no modificar los valores
originales de la imagen, en el primer grupo encontramos las técnicas de reducción y ampliación

de la imagen, ajuste de contraste y composiciones a color, el segundo grupo están orientadas a
transformar los datos originales y obtener productos derivados, como los filtros espaciales,
índices de vegetación y análisis de componentes principales (Posada, 2008).
Reducción y ampliación de la imagen
Con la ventaja de disponer de un sistema de procesamiento digital, es posible desplegar los
datos en diferentes factores de escala, a través de una reducción o ampliación de detalles en la
imagen, logrado por muestreo o repetición de los píxeles que la forman.
A través de la reducción es posible visualizar una mayor área de la imagen en pantalla,
visualmente puede expresarse como perdida de detalle o de información, aunque debe ser claro
que los ND originales de la imagen no se modifican. El proceso inverso consiste en la ampliación
de la imagen, que consiste en disminuir el área de la imagen para una mayor ganancia de detalle
visual, muy útil para la selección o localización de puntos de control, áreas de entrenamiento u
otros procesos de identificación de objetos espaciales, a medida que se va aumentando el
detalle en la imagen es posible observar la perdida de nitidez espacial y el efecto de “pixelado”
en la imagen.
Para comprender mejor el concepto de reducción y ampliación de la imagen podemos introducir
la concepto de capas piramidales, en inglés “pyramid layer”. Una pirámide es creada por la
combinación de un grupo de píxeles de vecinos más cercanos para formar una nueva grilla con
menor número de píxeles, dependiendo del factor de reducción es posible crear varios capas
piramidales en la imagen, lo que permite un despliegue más eficiente en el sistema (Richards y
Jia, 2006). En varias ocasiones se requiere analizar una imagen en un sistema de procesamiento
que solo puede desplegar 512 x 512 píxeles simultáneamente. Para reducir una imagen se utiliza
la siguiente expresión: 1/x2 , donde x es el factor reductor y los datos originales, en cada x-ésima
fila y x-ésima columna de la imagen es sistemáticamente seleccionada y desplegada.
Figura 3: Construcción de una capa piramidal por el agrupamiento de
2x2 píxeles. [Tomado de Richards and Jia, 2006]
La reducción se expresa como una expresión de 1/x2, donde x representa el factor reductor.
Para el ejemplo de una imagen de 6940 x 5940 píxeles, si x=2, la nueva imagen será de 1/x2 =
1/22 = 1/4, es decir, 25% menor que la imagen original. Las dimensión final para esta imagen
reducida será de 6940/2 = 3470 columnas y 5940/2 = 2970 filas.

Figura 4: Cambio de escala de una imagen de 8x8 píxeles con un factor
de reducción de x = 2
Como puede observarse en la Figura 4, la reducción de acuerdo a un factor de reducción se
realiza seleccionando la x-ésima columna y la x-ésima fila, para el ejemplo anterior, el factor de
reducción es de x=2. La imagen reducida es un 25% más pequeña que la imagen original.
La ampliación de imágenes digitales, es realizada para aumentar la escala de despliegue con
propósitos de interpretación visual. Amplificar una imagen digital implica hacer una réplica de
valores de píxel. Para ampliar una imagen digital por un factor m2, cada píxel de la imagen
original es usualmente reemplazado por un bloque de m x m píxeles, todos con el mismo valor
radiométrico como píxel de entrada original (Figura 5).
Figura 5: Cambio de escala de una imagen de 4x4 píxeles con un factor
de ampliación de x = 2
4.1 MEJORAMIENTO RADIOMÉTRICO

Las distorsiones radiométricas son las que afectan los ND de la imagen. Algunos de los
problemas más frecuentes y el procedimiento para minimizarlos son:
Falta de una línea: El mal funcionamiento de un detector puede ocasionar que una línea de
barrido aparezca con valores muy bajos o nulos, es decir que el sensor no capte información
apareciendo en la imagen visual como una línea negra. La corrección a este error se logra
sustituyendo la línea problema por el valor promedio de los píxeles correspondientes a la línea
anterior y posterior.
Efectos atmosféricos: Los efectos atmosféricos en las imágenes de sensores remotos son
debidos especialmente a la atenuación que sufre la radiación en la atmósfera y la dispersión en
dicha radiación. La dispersión es un fenómeno físico, que se presenta al penetrar la radiación a
la atmósfera, que se dispersa en varias direcciones, de tal manera que una parte de esta es
desviada nuevamente al espacio y captada por el sensor, añadiendo el ruido al señal
proveniente de los cuerpos terrestres. La dispersión guarda una relación con la longitud de
onda, entre más pequeña la longitud de onda mayor será la dispersión. Por esta razón, las
imágenes multiespectrales presentan menos contraste en las bandas correspondientes al azul y
al verde mientras aumenta en las bandas del infrarrojo. Corregir los efectos atmosféricos es muy
difícil, debido a su heterogeneidad en espacio y en el tiempo, y se requiere de múltiples medidas
de parámetros atmosféricos simultaneas a la toma de la imagen. Pero al menos una estimación
aproximada es conveniente en las siguientes situaciones: combinación lineal entre las bandas;
modelamiento de parámetros físicos a partir de una imagen; y estudios multitemporales. El
método más sencillo fue ideado por Chavez (Histogram Minimum Metod, Campbell,1987).
Consiste en comparar los valores de ND para todas las bandas para los cuerpos de agua o
sombras, donde teóricamente la respuesta espectral es muy próxima al cero. Si valores son
superiores, se precede a restar a todos los ND de cada banda el ND mínimo de esa misma
banda, situando el origen del histograma en cero. Los métodos más sofisticados se basan en
estadísticas y en modelos de absorción y dispersión tomando parámetros como la temperatura,
humedad relativa, visibilidad , entre otros.
Ruidos: Se entiende por el ruido cualquier señal no deseada dentro de una imagen, originados
por un mal funcionamiento del sensor, de la antena receptora y/ o provocados por la atmósfera.
El ruido puede ser periódico y al azar. El ruido al azar se caracteriza por variaciones de los
valores de los ND píxel por píxel. La forma más aconsejable de eliminarlo es aplicar un filtro de
paso bajo. En el caso del ruido periódico, la imagen puede presentar algunas líneas de tonos
negros o blancos o bandeamiento. Este especialmente perceptibles en las zonas con baja
reflectividad y en las bandas del espectro del rango visible. Las correcciones se dirigen a mejorar
la representación visual de las imágenes defectuosas, ya que la información original perdida no
se podrá restaurarse. Las líneas perdidas se reestablecen a partir de auto-correlación espacial.
La forma mas sencilla se basa en sustitución de los ND de línea con anomalía por el de los de
sus vecinos inmediatos. Normalmente los software especializados en procesamiento digital
cuentan con los algoritmos para corrección de estos fenómenos. La tarea se reduce en la
identificación de estas líneas defectuosas, ver figura 6.

Figura 6. Ejemplo de bandeamiento. Fuente: CCRS, 1999
Los mejoramientos o realces radiométricos mejoran la imagen con base en valores de píxeles
individuales. Al desplegar una imagen, por default se aplica la función de expansión lineal de
histograma (lineal stretch). Para iniciar este ejercicio despliegue la imagen RGB 453 y el resto de
los parámetros déjelos por default. Ahora, en el mismo Viewer despliegue la misma
composición, pero active la opción de NO STRECH y desactive CLEAR DISPLAY. Con UTILITY
/ SWIPE analice las imagines desplegadas y posteriormente cierre o bórrelas.
4.1.1 AJUSTE DE CONTRASTES
1. Abra de nuevo la composición a color RGB 342 por default. Desde la pestaña
Multispectral, vaya a General Contrast, allí despliegue las opciones posibles, elija
Brightness/contrast. Se abre la ventana de CONTRAST TOOL:
2. Modifique los valores de brillo y de contraste, haga clic en APPLY. La imagen se
desplegará con los nuevos valores. Clic en RESET y nuevamente en APPLY, Se
reestablecerán los valores originales. Cierre la aplicación.
4.1.2 CONTRASTES GENERALES
1. Proceda con la ruta MULTISPECTRAL/ GENERAL CONTRAST/ se abre la ventana
Contrast Adjust, allí en method seleccione la opción de Histogram Equalization y
oprima APPLY. Analice el resultado.
2. Practique otras opciones de contrastes disponibles en esta sección. Para regresar a los
datos originales de la imagen, vaya a la pestaña Home, sección edit, busque la flecha
azul Undo.

4.2 MEJORAMIENTO ESPACIAL
El mejoramiento espacial involucra la transformación de los valores de píxeles individuales con
base en sus vecinos, modificando de esta manera la distribución de la frecuencia espacial de la
imagen. Jensen (1986) define la frecuencia espacial como “el número de cambios de valores de
brillo por unidad de distancia de una porción de la imagen”. Cuando los píxeles vecinos de una
imagen poseen valores muy contrastantes, se habla de alta frecuencia; y cuando los valores de
los píxeles vecinos son similares, se considera como baja frecuencia. Las áreas urbanas
normalmente presentan altas frecuencias.
ERDAS incluye los filtros para disminuir la frecuencia – filtros de Paso Bajo; y para aumentar la
frecuencia o resaltar los bordes- filtros de Paso Alto. También existe la opción de filtros
direccionales, que resaltan las características lineales de las imágenes.
Para practicar la aplicación de filtros espaciales, proceda con los siguientes pasos:
Despliegue la imagen y seleccione desde la pestaña Multispectral, la sección Sharpness,
desplegar la opción Filtering, allí seleccionar filtering.
En la ventana CONVOLVE existen diferentes filtros con los tamaños de kernel de 3x3, 5x5 y 7x7.
Experimente la aplicación de varios de estos filtros modificando el tamaño de kernel y
analice los resultados.

Para generar el archivo permanente de la imagen con un filtro, ingrese a la pestaña Raster
Tab, la sección Resolution, desplegar la opción Spatial, allí seleccionar Convolution
filtering.
Seleccione la imagen de entrada y escriba el nombre de salida a la nueva imagen con el
filtro y guárdela en su carpeta de trabajo. Seleccione el filtro y el tamaño de kernel, con
base en el análisis realizado en el ejercicio anterior. Clic en OK y desplegará la ventana
indicando el progreso de operación. Al terminar de nuevo clic en OK.
Abra la imagen generada y la original, compárelas.
4.3 MEJORAMIENTOS ESPECTRALES
Mediante las técnicas de mejoramiento espectral se derivan nuevas imágenes, a partir de varias
bandas de una imagen original, aportando la información adicional para la interpretación visual y
la clasificación digital. ERDAS incluye variedad de algoritmos prediseñados para este fin. Dentro
del contexto del curso consideraremos el cálculo de los componentes principales, el Índice de
Vegetación y Tasseled Cap.
4.3.1 ÍNDICE DE VEGETACIÓN
Para realzar las áreas con mayor vigor vegetal y para reducir el efecto de las sombras originado
por el relieve se recomienda el uso de los índices de vegetación. Existen variadas derivaciones
del Índice de vegetación, algunas de las ecuaciones se pueden observar cuando se despliega la
ventana del cálculo del Índice. Pero todos se basan en el uso de las bandas correspondientes al
rango del espectro electro-magnético del rojo y el infrarrojo cercano.
Índice de vegetación de diferencia normalizado (NDVI)
Este índice de vegetación conocido como NVDI por sus siglas en inglés (Normalized Diffrerence
Vegetation Index) es más utilizado para la discriminación de cubiertas vegetales y la actividad
fotosintética de las plantas. Su cálculo se basa en la comparación de la cantidad de luz reflejada
en el visible rojo y el infrarrojo cercano para una zona en particular de estudio.
En la Figura 7 se realiza un despliegue en falso color de una imagen del sensor SPOT-5, las
cubiertas se visualizan en tonos de color rojo, desde un rojo más intenso a tonos rojos más
oscuros, si respectivamente, si se trata de cubiertas de un mayor vigor a menor vigor vegetal.
Las otras cubiertas de ambientes urbanos tales como materiales de concreto, asfalto,
principalmente, se representan en tonos de grises.

RGB 321 Visible verde Infrarrojo cercano
Figura 7 : Despliegue de una imagen SPOT-5 en falso color y bandas del visible rojo e infrarrojo cercano para el
cálculo del índice de vegetación
Como se observa en la Figura 7, las cubiertas vegetales que se visualizan en tonos rojos, tienen
una baja reflectividad de luz en el visible rojo y una alta reflectividad de luz en el infrarrojo
cercano. Una forma de calcular este índice de vegetación NDVI, es sustraer la cantidad de luz
visible observada en el infrarrojo cercano del visible rojo, y luego dividir por la cantidad total de
luz reflejada en ambas longitudes de onda, matemáticamente esto se expresa por:
NDVI= BIRC−BR
BR+BIRC
Donde:
BIRC = Banda del Infrarrojo cercano
BR = Banda del Visible Rojo
Los valores del NDVI son valores numéricos reales, que van desde -1 a +1, donde la vegetación
está presente en el rango de 0.1 (menor vigor vegetal) hasta 1.0 (mayor vigor vegetal), los
valores menores de este rango representa ausencia de vegetación.
El resultado del NDVI es una nueva banda, generalmente, su visualización se realiza con una
escala de colores, que pueden ir desde el rango de azules, café, hasta el rango de verdes, como
puede verse en la Figura 8.

Figura 8: Cálculo del NDVI en una imagen SPOT-5 de una zona de la ciudad de Bogotá D.C.
En la Figura 8 se observa que los valores comprendidos de indices de vegetación van desde el
rango de 0.1 a 0.52, esto quiere decir que los menores valores de este rango presentan menor
contenido de clorofila (representados en colores marrones) que los registrados en una mayor
escala (representados en colores verdes oscuros). Para valores menores de este rango es
posible discriminar otras cubiertas tales como cuerpos de agua (representado en color azul
oscuro) hasta las cubiertas urbanas, en este caso representados en colores grises claros.
El NDVI puede revelar las condiciones fisiológicos de la planta dependiendo de su contenido de
agua, muy importante en monitoreo de cultivos en la agricultura, debido a factores como
temperatura, suministro de agua, entre otros, lo que posibilita detectar cambios multitemporales
con imágenes de diferentes fechas.
Objetivo: Calcular y comparar el Índice de Vegetación Normalizado (NDVI) y el Índice de
Vegetación Normalizado Trasformado (TNDVI)
1. Seleccione la pestaña Raster, la sección Classification, Despliegue Unsupervised y
selecciones Índices, se abre la ventana de Índices.

2. Ubique la imagen de entrada y escriba el nombre de salida de la nueva imagen. Bajo la
opción SENSOR seleccione LANDSAT TM y bajo OUTPUT OPTION, active la casilla
Stetch to Unsigned 8 bit . Seleccione la función NDVI y observe la formula que le
corresponde a este algoritmo. Haga clic en OK y se desplegará la ventana indicando el
progreso de operación. Al terminar de nuevo clic en OK.
3. Despliegue la imagen generada con la opción de PSEUDO COLOR desde RASTER
OPTIONS. Vaya a Table, View, Show Attributes, allí se despliega la tabla de atributos,
se activan las opciones de la pestaña View, ahora vaya a Table, Query, Colors, se
despliega la tabla de Colors.

4. Seleccione SLICE TYPE : By Equal Areas y oprima OK. Guarde la tabla del color en
File – Save. Analice la imagen resultante y su utilidad para diferenciar las diferentes
coberturas terrestres.
5. Calcule el índice de Vegetación Normalizado Trasformado (TNDVI) disponible en el
menú. Compare los dos índices en cuanto al aporte de la nueva información que estos
dan para la clasificación supervisada.
4.3.2 COMPONENTES PRINCIPALES
El cálculo de Componentes Principales deriva las imágenes sin redundancia espectral a partir de
las bandas originales. Las bandas de Componentes Principales, son independientes y no
correlacionadas y a menudo son más interpretables que la imagen fuente. (Jensen 1996; Faust
1989).
Estimación tradicional del índice de vegetación NDVI para una imagen RapidEye.
1. Antes de empezar la estimación de cualquier índice de vegetación con el ERDAS, es
necesario asegurarse que la imagen este en reflectancia, si no está en reflancia es necesario
convertir la imagen. Este proceso es explicado en la guía de Augusto Campo.
2. Abra ERDAS 2011 y vaya al módulo llamado Model Maker ubicado en el Toolbox;
posteriormente el modulo mencionado.

3. Se abrirá el model maker (es la caja que aparece en la parte izquierda de la interface y que se
llama New Model), posteriormente debes cargar la imagen, en este caso se cargará una imagen
RapidEye (la cual está en valores de reflectacia) correspondiente a la región de Paipa, Boyacá
(archivo cuyo nombre es plancha_refr.img). Dicha imagen puede ser desplegada en cualquier
combinación de bandas. En este ejercicio es mostrada en combinación real (RGB-321).
4. En la caja de herramientas del Model Maker presiona la herramienta “place raster object in the
model” y arrástrala hasta la caja new model.

5. En la caja de herramientas del Model Maker presiona la herramienta “Place a funtion in the
model” y arrástrala hasta la caja new model. Posteriormente presiona la herramientas “connect
inputs to functions or functions to output” y conecta el place raster object con la function.
6. Adiciona otro “place raster object in the model” y conéctalo con “connect inputs to functions or
functions to output”.
7. Carga el archive de la imagen en el primer raster hacienda doble click (plancha_refr.img)

8. Posteriormente has doble click en el place a function in the model (circulo), se despliega una
caja llamada Function definition en la cual se despliegan los 5 raster correspondientes a las
bandas de RapidEye (azul, verde, rojo, borde infrarrojo e infrarrojo cercano). Escribe la ecuación
que permite el cálculo tradicional de NDVI
(($n1_plancha_refr(3) - $n1_plancha_refr(5)) / ($n1_plancha_refr(3) + $n1_plancha_refr(5))
9. Dale un nombre de salida al archivo, puede ser NDVI y selecciona single float para que los
datos finales resulten en escala de 1 a -1.

10. Ve a process y corre (Run) el proceso.
11. Analiza el resultado de NDVI, observa que los valores quedan en decimales y en escala de
grises. Puedes cambiar la escala de grises a otra representación a color.

ANÁLISIS DE COMPONENTES PRINCIPALES
El concepto parte del tema del análisis estadístico multibanda de imágenes, concretamente la
correlacción entre bandas. Este análisis estadístico entrega una medida de la relación existente
entre los niveles digitales. Es muy frecuente por ejemplo, que diferentes bandas del espectro del
visible se encuentren altamente correlaccionadas, o que presenten una información espectral
similar, debido a que la reflectancia de las diferentes cubiertas tiene respuestas similares. Un
gráfico estadístico muy útil para observar este grado de correlacción entre bandas son los
gráficos de dispersión, tal como se muestran en la Figura 9, este gráfico representa cada ND de
los píxeles de un par de bandas, si los datos están correlacionados los píxeles tienden a formar
una línea (banda TM1 y TM2), caso inverso se puede deducir que los datos no están
correlaccionados (banda TM3 y TM4). De esta manera, las técnicas de transformación de
imágenes, basados en el procesamiento complejo de características estadísticas de datos
multibanda pueden ser usadas para reducir la redundancia de estos datos y correlacción entre
bandas.

Figura 9: Diagrama de dispersión de las bandas de una imagen LANDSAT TM
Una de estas transformaciones es la denominada como Análisis de Componentes Principales o
también referido en inglés como PCA por sus siglas en inglés Principal Component Analysis. El
objetivo es reducir la dimensionalidad o número de bandas de una imagen, y comprimir la
información espectral original en un número reducido de componentes. Este proceso logra
maximizar, desde el punto de vista estadístico, la cantidad de información o varianza de los
datos originales, por ejemplo, la aplicación del PCA sobre una imagen LANDSAT TM de seis
bandas pueden ser transformada en sólo los tres primeros componentes o bandas que
contengan más del 90% de la información de toda la imagen (CCRS, 2003). Lo realmente
importante de este proceso o transformación, así como cualquiera de los procesos realizados en
el tratamiento digital de imágenes, es la interpretación de estos componentes obtenidos, ya que
es muy útil su implementación como técnica de mejoramiento en la interpretación visual, o
también pueden ser objeto de la clasificación digital de imágenes, ya que reduce la cantidad de
datos de entrada de un algoritmo, lo que a su vez reduce el tiempo computacional del proceso
realizado.
Análisis de Componentes Principales
La transformación de imágenes por PCA tiene muchas aplicaciones prácticas en sensores
remotos, dado que permite reducir la dimensión de las variables o bandas de análisis,
comprimiendo la mayor cantidad de información espectral posible. Algunas de ellas son:

● Mejoramiento y realce visual de imágenes. Como se ha comentado en temas anteriores, el
despliegue de imágenes puede llevarse a cabo de tres formas, despliegue en escala de grises,
pseudo-color o composición a color a partir de la combinación de tres bandas. Un análisis de
componentes principales, es implementado para mejorar visualmente el despliegue de
imágenes, representando la mayor cantidad de información espectral posible (varianza) de todas
las bandas. Para llevar a cabo una interpretación visual, es conveniente probar el despliegue de
los componentes principales, resaltando la importancia del despliegue en color para el
reconocimiento de coberturas y objetos terrestres (Richards y Jia, 2006).
● Interpretación de imágenes multitemporales. El análisis de componentes principales se
implementa para detectar cambios en el tiempo, usando imágenes multiespectrales y
multitemporales. El análisis multitemporal que se lleva a cabo con la transformación PCA, se
realiza a partir de las altas correlacciones que existe en las coberturas que no sufren cambios
significativos en imágenes de diferentes fechas, y de forma inversa, para aquellas coberturas
que presentan cambios significativos en el tiempo, presentan una baja correlacción. De esta
manera el análisis de componentes principales, puede ser de utilidad para condensar la
información o variabilidad espectral de un conjunto de imágenes en diferentes fechas para llevar
a cabo el análisis de cambios y anomalías de coberturas (Richards y Jia, 2006; Chuvieco, 2002).
● Reducir el ruido de imágenes. Algunas veces puede implementase el análisis de
componentes principales, para reducir o remover el efecto de bandeamiento o efectos
atmosféricos de las imágenes, el objetivo parte de aplicar la transformación PCA, seleccionar los
componentes con la mayor variabilidad y desechar los últimos componentes que representan el
ruido de la imagen, y posteriormente realizar la transformada inversa para obtener las bandas
originales corregidas (Eastman, 2001).
● Análisis de imágenes hiperespectrales. El análisis de componentes principales como
técnica de reducción de variables o dimensionalidad de datos, es muy útil en el análisis de datos
hiperespectrales, ya que recordemos, que estos sensores como MODIS, capturan hasta 36
bandas y AVIRIS captura más de 200 bandas.
● Compresión de imágenes. A pesar de el análisis de componentes principales son utilizados
para compresión de datos en telecomunicaciones, ya que parte del principio de seleccionar los
componentes que retienen la mayor cantidad de información, y luego aplicar la transformada
inversa para obtener los datos originales, en sensores remotos se implementa de igual modo
para comprimir información de datos hiperespectrales, y de este modo reducir el volumen,
almacenamiento y transmisión de datos (Richards y Jia, 2006).
● Fusión de imágenes. El objeto es mejorar la resolución espacial a partir de dos imágenes con
diferente tamaño de píxel, el principio parte de reemplazar el primer componente principal por la
imagen pancromática con mayor resolución espacial, luego se realiza la transformada inversa
para obtener la imagen fusionada (Meenakshisundaram, 2005).
● Clasificación digital de imágenes. Reducción de las variables de entrada para diferentes
algoritmos de clasificación digital, de utilidad para reducir el tiempo de procesamiento de las
imágenes. También puede ser útil para definir las áreas de entrenamiento en las clasificaciones
supervisadas (Duda y Canty, 2002).
Objetivo: Calcular y analizar cuatro Componentes Principales de la ventana de trabajo de la
imagen LANDSAT TM.
1. Para derivar en Componentes Principales, seleccione del menú principal RASTER/
RESOLUTION / SPECTRAL / PRINCIPAL COMPONENT.

2. Seleccione la imagen de entrada y escriba el nombre de salida de la nueva imagen. En
la opción EIGEN MATRIZ y EIGEN VALUES escriba los nombres de los archivos de
salida de las estadísticas que se generan en el proceso.
3. Asigne en Número de componentes: 7 (siete) y a continuación OUTPUT OPTION,
seleccione STRECH TO UNSIGNED 8 bit. Y haga Clic en OK, entonces se desplegará
la ventana indicando el progreso de la operación. ER
4. Despliegue cada uno de los componentes generados en escala de grises. Utilizando
EXCEL abra los archivos de las estadísticas generadas de matriz de correlación (Eigen
Matriz) y Autovalores (Eigenvalue). Analice el significado espectral y temático de cada
banda con ayuda de las estadísticas y realice sus conclusiones.
5. Produzca y compare los histogramas bidimensionales de la imagen original y de las
imágenes de Componentes Principales. Para tal fin selecciones desde el modulo Raster,
Classification, Supervised la opción Feature Space Image... En la ventana Create
Feature Space Images seleccione el archivo de la imagen LANDSAT TM a partir de la
cual han calculado las componentes principales (Input Raster Layer). Active la opción
Output to Viewer y oprime OK. Analice los histogramas desplegados y responde cuál
de estas presenta mayor correlación espectral y cual la menor y porque.
6. Genere ahora los histogramas para las bandas de Componentes Principales, con los
mismos procedimientos del paso anterior y compáralas con las de las imágenes
originales. Responde en que consiste la diferencia ente estas.

7. Finalmente, despliegue las diferentes combinaciones de las bandas a partir de los
componentes principales y discuta sobre: que nos aportan estas imágenes para la
identificación de las diferentes coberturas de la tierra en comparación con las
composiciones a partir de la imagen original.
EJERCICIO 5. GEOREFERENCIACIÓN

La georeferenciación es el proceso de ajuste de una imagen de acuerdo a un sistema de
proyección cartográfica determinada, la asignación de coordenadas geográficas y escala y
eliminación de distorsiones geométricas.
Para tal fin se requiere ubicar sobre la imagen no georeferenciada los puntos geográficos con buena
correspondencia con un mapa de referencia u otra imagen ya georeferenciada. Estos puntos se
denominan como puntos de control (Ground Control Points – GCPs). Los puntos deben cumplir
como mínimo las siguientes condiciones: estar uniformemente ubicados sobre la imagen para
minimizar las deformaciones en todas las direcciones; estar localizadas en diferentes niveles de
altura topográfica; ser evidentes en la imagen y tener coordenadas conocidas precisamente; y tener
al menos doble cantidad de requerimiento mínimo de interpolación (3 – lineal; 6 – bilineal y 10 –
cúbica).
Para la georeferenciacion se debe realizar los siguientes pasos: Desplegar la imagen; Iniciar el
modulo de GEOMETRIC CORRECTION; luego, ubicar sobre la imagen los puntos de control
(GCPs); Posteriormente, se debe calcular la matriz de transformación; luego remuestrear la
imagen y finalmente verificar los resultados.
OBJETIVO: Aprender a georeferenciar y reproyectar las imágenes utilizando una imagen de
referencia.
PROCEDIMIENTOS:
1. Abra los dos VIEWERS. Para esto va a file, open, raster layer y despliega la imagen
georreferenciada, para ver la segunda oprima al tiempo Ctrl + N allí se despliega el otro
viewer, allí visualice la imagen no georreferenciada. Observe sus diferencias, cabe
resaltar que para saber obtener información de si está o no georreferenciada vaya
donde está la imagen activa en el recuadro de la izquierda, de click derecho y seleccione
metadata, allí en la pestaña general en la parte inferior aparece información de
projeccion al igual hay una pestaña dentro de esta misma ventana de Projection, para
obtener estos datos.

2. Cierre la imagen del viewer 1 y deje solo la del viewer 2 (Imagen no georreferenciada),
vaya a la pestaña Multispectral, transform & orthocorrrect y seleccione la opción
Control Points.
Alli se despliega la ventana set geometric model, allí se deja activo model list y se coloca
polinomial, ok, se da ok a la próxima ventana, se despliega una ventana final para allí
cargar la imagen de referencia, se carga y se da ok, seguido sale el modelo polinomial,
se da aplicar, finalmente se abre una gran ventana con dos subventanas donde
aparecen las imágenes y una tabla final en la parte inferior donde se calcula la precisión
de estos puntos.
4. Inicie con la creación de los puntos de control, ubicando estos en el Viewer 3 con la
ayuda del icono . En el Viewer 4, ubique el mismo punto. Asigne 4 puntos en las
dos imágenes. Cuando termine, salve los puntos de entrada y de referencia: FILE /
SAVE INPUT AS... (asigne un nombre) y FILE / SAFE REFERENCE AS...

5. Active el icono el registro automático de los puntos y registre otros 10 puntos.
Cuando termine, salve los puntos de entrada y de referencia.
6. Oprima el icono de cálculo automático de transformación. , para calcular la matriz
de transformación y el Error Medio Cuadrático (RMS). Comience a eliminar los puntos
con mayor contribución de error hasta lograr el RMS deseado. Cuando el error sea
aceptable, salve de nuevo los puntos de INPUT y de REFERENCE.
7. Para hacer el remuestreo, en la ventana principal de MULTIPOINT GEOMETRIC
CORRECTION oprima el icono . Seleccione RESAMPLE METHOD: Nearest
Neighbor, escriba el nombre de la imagen de salida, Haga clic en OK, y se iniciará el
proceso de remuestreo, al terminar oprima OK. Oprima Exit para salir de la aplicación,
aparecerá ventana del dialogo preguntando si salva el modelo, sálvelo. Despliegue la
imagen georeferenciada y compare con la original.
8. Abra ambas imágenes y compárelas.

OPCIONAL: GEOREFERENCIACION CON MAPA EN FORMATO ANALOGO
1. Despliegué la imagen a georeferenciar. Vaya a la pestaña Multispectral, transform &
orthocorrrect y seleccione la opción Control Points. Alli se despliega la ventana set
geometric model, allí se deja activo model list y se coloca polinomial, se da ok.
2. Se abre la ventana de GCP Tool Reference Setup, se deja activa la ultima opción
Keyboard Only, allí se despliega la ventana Reference Map Information, en Horizontal
Units se selecciona Meters, se da click en el recuadro Set de esta ventana, Se abre la
ventana de PROJECTION CHOOSER.
3. En Estándar, seleccione en Categories: EPSG Coordinate Systems y en Projection:
MAGNA-SIRGAS / Colombia Bogota zone (3116), en la cajita de CUSTOM se deja todo
por defecto debe tener los siguientes parámetros:

4. Oprima OK. La ventana se cerrará, de nuevo ok y se cierra la ventana de Reference
Map Information, en ese momento se despliega la ventana POLYNOMIAL MODEL
PROPERTIES salve el modelo definido con la opción SAVE AS... y CLOSE.
5. Se abrirá el VIEWER 1 con la imagen a georeferenciar, con la cajita de conexión con el
VIEWER 2, cuya función es ver la imagen en detalle. Moviendo la cajita en el VIEWER 1,
se relaciona la posición de de la misma porción de la imagen del VIEWER 2 . Adicional a
los viewers, se una tabla en la parte inferior mediante la cual se realiza la recolección de
puntos de control.
6. Desactive el icono y active . Lleve el cursor a la imagen y ubique un punto
de fácil identificación en la imagen y en el mapa de referencia, y a continuación oprima
el cursor. Las coordenadas de este punto en la imagen ( X, Y) se adicionan
automáticamente en la tabla de GCP EDITOR. Calcule las coordenadas para este punto
en el mapa y registre en las columnas correspondientes de Xref y Yref. Repita este
procedimiento y complete 4 puntos. Active el icono y registre otros 10 puntos.
Salve los puntos de entrada y de referencia: FILE / SAVE INPUT AS... (asigne un
nombre) y proceda con REFERENCE AS...
7. Oprima el icono de cálculo automático de transformación. para calcular la matriz
de transformación y el Error Medio Cuadrático (RMS) Analice las columnas de Xres y
Yres, RMS ERROR y CONTRIB para cada punto. Comience a eliminar los puntos con
mayor contribución de error hasta lograr el RMS deseado. Cuando el error sea aceptable
(menor a uno), salve de nuevo los puntos de INPUT y de REFERENCE.
8. Para hacer el remuestreo, en la ventana principal de GEO CORRECTION TOOLS
oprima el icono . Aparecerá la ventana RESAMPLE. Seleccione RESAMPLE
METHOD, escriba el nombre de la imagen de salida, Haga clic en OK, y se iniciará el
proceso de remuestreo, al terminar oprima OK. Oprime Exit para salir de la aplicación,
aparecerá ventana del dialogo preguntando si salvas el modelo, sálvalo. Despliegue la
imagen georeferenciada.
REPROYECCIÓN DE UNA IMAGEN
Las imágenes que se están adquiriendo actualmente están georeferenciados en el Sistema de
Proyección de UTM (Universal Trasversal Mercator). Para utilizar con la cartografía local deben

ser reproyectados al sistema local de proyección, que en nuestro caso será TM (Transversal
Mercator). Para realizar la reproyección siga los siguientes pasos:
1. Abre la imagen a reproyectar. Luego seleccione del menú RASTER, grupo Geometry, la
opción Reproject.
2. Se abre la ventana Reproject images, allí en input file, coloca la imagen que desea
reproyectar, en output file, nombre de la imagen reproyectada, a continuación aparcen
las categorías, las cuales pueden diligenciarse directamente seleccionando o también se
puede ingresar al cuadro Projection chooser dando click en el siguiente icono .
Se debe elegir en categories EPSG Coordinate Systems y el Projection: MAGNA-SIRGAS/
Colombia Bogota zone (3116), units: meters, activar ignore Zero in Stats, el
resto se deja por defecto Resample Method: Nearest Neigboor se da ok.
3. Aparece el recuadro de proceso.

4. Despliegue la imagen georeferenciada y sobre ella una capa de vectores del archivo
para examinar la utilidad de reproyección y la exactitud del ajuste con la cartografía
local.
EJERCICIO 6: CONVERSION DE ND´S A REFLECTANCIA
Realizaremos la correccion radiometrica de una imagen landsat 5:
-Primero realizaremos el esquema en model maker como se muestra a continuacion:
- En el raster superior
cargamos la imagen con las 6 bandas.
- Luego cargamos las
funciones con la formula de reflectancia. Se deberia ver asi (Banda 1):
ROUND ((3.1415926 * ($n1_modelo_ref52820122130(1) * 1.05587 + -0.00778 ) *
1.00897360698 * 1.00897360698) / (1957 * COS ((90 - 56) * 3.1415926 / 180 )) * 400)

Realizar esta formula para las 6 bandas (1-5,7) cambiando los valores respectivamente.
- A los resultados raster
(Aquellos que se encuantran en el medio) los colocamos como raster temporales
haciando uso de la selección “Temporary raster”.
- Creamos otra funcion que
contenga la ecuacion de layer stack para volver a unir las bandas de las imágenes:
STACKLAYERS ( $n2_memory, $n4_memory, $n6_memory, $n8_memory,
$n10_memory, $n12_memory)

- Seleccionamos la ruta a
guardar el raster (Raster inferior).
-
TABLAS Y FORMULAS:
Radiancia:
Donde:
L es la radiancia
Gain es la ganancia de una banda especifica
Bias es el bias de una banda especifica
DN es el valor digital del pixel
Reflectancia:
Donde:
P= Reflectancia
L = radiancia
d= distancia tierra-sol en unidades astronómicas
ESUN= irradiancia solar

Ѳ= ángulo solar zenith
Earth-Sun distance (d) in astronomical units for Day of the Year (DOY)
DOY d DOY d DOY d DOY d DOY d DOY d
1 0,98331 61 0,99108 121 1,00756 181 1,01665 241 1,00992 301 0,99359
2 0,98330 62 0,99133 122 1,00781 182 1,01667 242 1,00969 302 0,99332
3 0,98330 63 0,99158 123 1,00806 183 1,01668 243 1,00946 303 0,99306
4 0,98330 64 0,99183 124 1,00831 184 1,01670 244 1,00922 304 0,99279
5 0,98330 65 0,99208 125 1,00856 185 1,01670 245 1,00898 305 0,99253
6 0,98332 66 0,99234 126 1,00880 186 1,01670 246 1,00874 306 0,99228
7 0,98333 67 0,99260 127 1,00904 187 1,01670 247 1,00850 307 0,99202
8 0,98335 68 0,99286 128 1,00928 188 1,01669 248 1,00825 308 0,99177
9 0,98338 69 0,99312 129 1,00952 189 1,01668 249 1,00800 309 0,99152
10 0,98341 70 0,99339 130 1,00975 190 1,01666 250 1,00775 310 0,99127
11 0,98345 71 0,99365 131 1,00998 191 1,01664 251 1,00750 311 0,99102
12 0,98349 72 0,99392 132 1,01020 192 1,01661 252 1,00724 312 0,99078
13 0,98354 73 0,99419 133 1,01043 193 1,01658 253 1,00698 313 0,99054
14 0,98359 74 0,99446 134 1,01065 194 1,01655 254 1,00672 314 0,99030
15 0,98365 75 0,99474 135 1,01087 195 1,01650 255 1,00646 315 0,99007
16 0,98371 76 0,99501 136 1,01108 196 1,01646 256 1,00620 316 0,98983
17 0,98378 77 0,99529 137 1,01129 197 1,01641 257 1,00593 317 0,98961
18 0,98385 78 0,99556 138 1,01150 198 1,01635 258 1,00566 318 0,98938
19 0,98393 79 0,99584 139 1,01170 199 1,01629 259 1,00539 319 0,98916
20 0,98401 80 0,99612 140 1,01191 200 1,01623 260 1,00512 320 0,98894
21 0,98410 81 0,99640 141 1,01210 201 1,01616 261 1,00485 321 0,98872
22 0,98419 82 0,99669 142 1,01230 202 1,01609 262 1,00457 322 0,98851
23 0,98428 83 0,99697 143 1,01249 203 1,01601 263 1,00430 323 0,98830
24 0,98439 84 0,99725 144 1,01267 204 1,01592 264 1,00402 324 0,98809
25 0,98449 85 0,99754 145 1,01286 205 1,01584 265 1,00374 325 0,98789
26 0,98460 86 0,99782 146 1,01304 206 1,01575 266 1,00346 326 0,98769
27 0,98472 87 0,99811 147 1,01321 207 1,01565 267 1,00318 327 0,98750
28 0,98484 88 0,99840 148 1,01338 208 1,01555 268 1,00290 328 0,98731
29 0,98496 89 0,99868 149 1,01355 209 1,01544 269 1,00262 329 0,98712
30 0,98509 90 0,99897 150 1,01371 210 1,01533 270 1,00234 330 0,98694
31 0,98523 91 0,99926 151 1,01387 211 1,01522 271 1,00205 331 0,98676
32 0,98536 92 0,99954 152 1,01403 212 1,01510 272 1,00177 332 0,98658
33 0,98551 93 0,99983 153 1,01418 213 1,01497 273 1,00148 333 0,98641
34 0,98565 94 1,00012 154 1,01433 214 1,01485 274 1,00119 334 0,98624
35 0,98580 95 1,00041 155 1,01447 215 1,01471 275 1,00091 335 0,98608
36 0,98596 96 1,00069 156 1,01461 216 1,01458 276 1,00062 336 0,98592
37 0,98612 97 1,00098 157 1,01475 217 1,01444 277 1,00033 337 0,98577
38 0,98628 98 1,00127 158 1,01488 218 1,01429 278 1,00005 338 0,98562
39 0,98645 99 1,00155 159 1,01500 219 1,01414 279 0,99976 339 0,98547
40 0,98662 100 1,00184 160 1,01513 220 1,01399 280 0,99947 340 0,98533
41 0,98680 101 1,00212 161 1,01524 221 1,01383 281 0,99918 341 0,98519
42 0,98698 102 1,00240 162 1,01536 222 1,01367 282 0,99890 342 0,98506
43 0,98717 103 1,00269 163 1,01547 223 1,01351 283 0,99861 343 0,98493
44 0,98735 104 1,00297 164 1,01557 224 1,01334 284 0,99832 344 0,98481
45 0,98755 105 1,00325 165 1,01567 225 1,01317 285 0,99804 345 0,98469
46 0,98774 106 1,00353 166 1,01577 226 1,01299 286 0,99775 346 0,98457
47 0,98794 107 1,00381 167 1,01586 227 1,01281 287 0,99747 347 0,98446
48 0,98814 108 1,00409 168 1,01595 228 1,01263 288 0,99718 348 0,98436
49 0,98835 109 1,00437 169 1,01603 229 1,01244 289 0,99690 349 0,98426
50 0,98856 110 1,00464 170 1,01610 230 1,01225 290 0,99662 350 0,98416
51 0,98877 111 1,00492 171 1,01618 231 1,01205 291 0,99634 351 0,98407
52 0,98899 112 1,00519 172 1,01625 232 1,01186 292 0,99605 352 0,98399
53 0,98921 113 1,00546 173 1,01631 233 1,01165 293 0,99577 353 0,98391
54 0,98944 114 1,00573 174 1,01637 234 1,01145 294 0,99550 354 0,98383
55 0,98966 115 1,00600 175 1,01642 235 1,01124 295 0,99522 355 0,98376
56 0,98989 116 1,00626 176 1,01647 236 1,01103 296 0,99494 356 0,98370
57 0,99012 117 1,00653 177 1,01652 237 1,01081 297 0,99467 357 0,98363
58 0,99036 118 1,00679 178 1,01656 238 1,01060 298 0,99440 358 0,98358
59 0,99060 119 1,00705 179 1,01659 239 1,01037 299 0,99412 359 0,98353
60 0,99084 120 1,00731 180 1,01662 240 1,01015 300 0,99385 360 0,98348
361 0,98344
362 0,98340
363 0,98337
364 0,98335
365 0,98333
366 0,98331

HEADER:
PRODUCT =99182224-01 WRS =008/05700 ACQUISITION DATE =19970830 SATELLITE =L5
INSTRUMENT =TM10 PRODUCT TYPE =ORBIT ORIENTED PRODUCT SIZE =FULL SCENE
TYPE OF GEODETIC PROCESSING =SYSTEMATIC RESAMPLING =CC RAD GAINS/BIASES
= 1.05587/-.00778 2.60528/-.01562 1.63518/-.01131 2.94281/-.02359 0.68562/-.00549
1.52431/0.12378 0.42566/-.00308 TAPE SPANNING FLAG=1/1 START LINE #= 1 LINES
PER VOL= 5965 ORIENTATION = -8.19 PROJECTION =UTM USGS PROJECTION # = 9
USGS MAP ZONE = 18 USGS PROJECTION PARAMETERS = 0.637813700000000D+07
0.635675231414000D+07 0.999600000000000D+00 0.000000000000000D+00 -
0.750000000000000D+06 0.000000000000000D+00 0.500000000000000D+06
0.000000000000000D+00 0.000000000000000D+00 0.000000000000000D+00
0.000000000000000D+00 0.000000000000000D+00 0.000000000000000D+00
0.000000000000000D+00 0.000000000000000D+00 EARTH ELLIPSOID =GRS_1980
SEMI-MAJOR AXIS =6378137.000 SEMI-MINOR AXIS =6356752.314 PIXEL SIZE =28.50
PIXELS PER LINE= 6967 LINES PER IMAGE= 5965 UL 0751405.2316W 051258.6064N
473981.540 576576.437 UR 0732744.3403W 045731.7025N 670489.777 548308.595 LR
0734059.1904W 032615.4551N 646288.024 380066.401 LL 0752708.0824W 034138.9799N
449779.787 408334.243 BANDS PRESENT =1234567 BLOCKING FACTOR = 1 RECORD
LENGTH = 6967 SUN ELEVATION =56 SUN AZIMUTH =081 CENTER 0742729.9215W
041938.2229N 560106.572 478325.477 3483 2983 OFFSET= 164 REVB
EJERCICIO 7: SINERGISMO (MERGE)
En este ejercicio vamos a crear un nuevo archivo raster con mejor resolución espacial y con
mejores características espectrales a partir de dos imágenes que estén georeferenciadas y
ortorectificadas. Los archivos de entrada deben ser una imagen con mejor resolución espacial y
el otro archivo debe contener las bandas de interés.
En Erdas 2011 ingresamos a la pestaña Raster, en el grupo Radar damos clic en la opción
Utilities y se despliega el menú en donde aparece la opción Sensor Merge.
En la ventana que se despliega se ingresan los archivos de entrada como los son la Imagen
Pancromática de mejor resolución espacial y la imagen Mutiespectral.

Se escribe el nombre con el cual se quiere guardar el archivo de salida y se selecciona la
extensión de salida.
En el Grupo llamado Method seleccionamos Principal Components, este método permite
guardar o respeta mejor la radiometría de la imagen original.
En Resampling Techniques seleccionamos Cubic Convolution, esta técnica se puede aplicar
si el tamaño de imagen es mediano o pequeño, de lo contrario se escoge Bilinear o Nearest.
Las otras opciones se dejan por defecto, con esta configuración ya está listo para ejecutar el
comando, entonces se da clic en OK.

Resultado del Merge.
Una recomendación importante de algunos autores es sobre la proporción máxima que se debe
guardar entre la imagen Pancromática y Mutiespectral en cuanto a la resolución espacial, lo que
significa que debe ser de 1 a 4, por ejemplo: Una imagen pancromática del sensor SPOT5 con
resolución espacial de 2.5mts no se podría fusionar con una imagen Mutiespectral del sensor

Landsat ya que esta es de 30mts. La resolución espacial máxima permitida para poder realizar el
Merge con la imagen SPOT5 es una imagen de 20mts de resolución.
EJERCICIO 8: EJERCICIO DE ANÁGLIFO (ANAGLYPH)
El anáglifo es una imagen de dos dimensiones capaz de provocar un efecto tridimensional,
cuando se ve con lentes especiales (lentes de color diferente para cada ojo).
Para la generación de un anáglifo se requiere como dato de entrada un DEM, el cual permite
obtener la profundidad del terreno y el archivo de imagen de interés. Estos archivos deben
coincidir espacialmente, para que no haya errores en la generación del anáglifo.
Este tipo de imágenes tienen aplicaciones en interpretación geológica, forestal, ambientales, etc.
Ya que las alturas proporcionan información valiosa en algunos casos específicos.
En Erdas 2011, en la pestaña Terrain, en el grupo Manage está el botón de Anaglyph, para
configurar la generación de él.
En esta ventana ingresamos el DEM y la imagen que queremos visualizar en 3D.
En exageración se establece las veces que se quiere aumentar el relieve, esto permite visualizar
mejor la profundidad, pero geométricamente se genera más distorsión. En este campo
ingresamos como valor 3.
El resto de parámetros se deja por defecto y finalmente dar clic en OK.

EJERCICIO 9: ELABORACIÓN DE MOSAICO
OBJETIVO: Aprender a realizar un mosaico a partir de 2 ventanas de LANDSAT
MATERIALES: Dos archivos de las ventanas de dos imagen Landsat TM :
bogota_1995feb14_b345.img (path 8, row 57) con sistemas de proyección diferentes y también
con diferencia en cantidad de bandas, una por ejemplo puede tener 3 bandas: 3,4,y 5; y otra
geoneusa_93marzo (parh 8 row 56) con 7 bandas.
PROCEDIMIENTOS:
1. Abra las dos imágenes que va a unir en el mosaico en dos Viewers diferentes. Observe
desde LAYER INFO que estas cuenten con diferentes sistemas de proyección y
contengan diferente número de bandas. Cierra ambas imágenes.
2. Ambas imágenes deben tener un sistema de proyección común, por tal razón primero se
reproyectan las imágenes de Bogotá a Magna. Según lo realizado en el ejercicio
anterior.
3. Segundo, las imágenes deben tener el mismo número de bandas para hacer el mosaico.
La imagen de Bogotá tiene bandas 3, 4, y 5 y de Neusa todas las 7 bandas. Elimine las
bandas de la imagen de Neusa, dejando solo bandas 3, 4 y 5. Para esto, vaya a la
pestaña Rater, grupo Geometry, despliegue el menun subset & chip y de clic a Create
subset image, instantáneamente se abre la ventana Subset, en input file se selecciona
la imagen con las 7 bandas y en la parte inferior se activa ignore zero in output stats, en
select layers, se colocan las tres bandas que van a conformar la nueva imagen, tal como
se observa a continuación:

4. Ahora, abra en el mismo Viewer las dos imágenes, desactivando la opción de CLEAR
DISPLAY, además active las opciones de Fit to Frame y Background Trasparent.
5. Por otro lado, para abrir el modulo de Mosaicos, vaya a la pestaña Raster, Geometry,
Mosaic allí seleccione Mosaic Pro. En la ventana de Mosaic Pro, seleccione la opción
Edit >Add Images o el boton . En la ventana Add Images, ubique la primera
imagen para realizar el mosaico, de Neusa con 3 bandas y bajo la opción Add Images
active la opción Compute Active Area y luego OK.
6. Desde la ventana Add Images, seleccione ahora la imagen de Bogotá y bajo la opción
Add Images seleccione Compute Active Area y Set… En Active Area Options,
seleccione bajo la opción Boundary Search Type = Edge y oprime OK y luego Ok.

7. Cierre la ventana de Add Images for Mosaic.
8. Los layers o capas del mosaico pueden ser reorganizado con los siguientes botones
. Por ejemplo. si usted sabe que una de las imágenes tiene
mejor calidad que la otra, usted puede colocar está en la parte superior, de esta manera
sus valores van a dominar sobre los valores de la otra imagen o pueden ser varias
imágenes. Al terminar la selección, haga un clic con el mouse fuera del área de
imágenes, para deseleccionarlas.
9. En la tabla inferior, se encuentra una columna de nombre Vis, de da click en los
recuadros (Activar) que aparecen debajo señalando que se quiere visualizar cada
imagen, a continuación, seleccione el botón (Display Raster Images), allí aparecen
las imágenes satelitales, ahora la unión entre las imágenes puede hacerse de manera

automática, se da click en el botón (Automatically Generate seamlines for
Intersections), allí se despliega una ventana de Custo Seamline Generation Options, en
la cual se activa la opción Weighted Seamline, allí se genera automáticamente la línea
de unión entre las dos imágenes.
Para editar esta línea pulse el botón Trate de trazar la línea por las carreteras,
ríos o cercas o otros accidentes naturales lineales.
10. Si desea cargar un AOI, puede hacerlos con , method, used defined AOI, allí se
carga el AOI, esta es otra forma de hacer la unión de la imagen.
11. Haga clic sobre el botón escoja feather Apply y Close.
12. Ahora haga clic en y en la ventana que aparecerá asegurase que bajo la opción de
Define Output Map Area(S) esta seleccionada el parámetro de Union of All Inputs y
oprime OK.
13. Seleccione Process > Run Mosaic. Asigne un nombre para el archivo de salida y bajo
la opción Stats Ignore Value asigne = 0 y oprime OK. Al terminar el proceso de
mosaico, cierre la ventana de Mosaic en el VIEWER abra y observe el resultado.

EJERCICIO 10. ELABORACIÓN DEL MAPA DE COBERTURA Y USO DE LA TIERRA
MEDIANTE CLASIFICACION DIGITAL
La clasificación digital comprende el proceso de conversión de una imagen continua a otra
categorizada temáticamente, a partir de agrupación de los niveles digitales espectralmente
similares. Existen dos métodos de clasificación: supervisado y no supervisado.
7.1. CLASIFICACIÓN NO SUPERVISADA
La clasificación no supervisada contempla los procedimientos de agrupación de los píxeles de
una imagen según su similitud espectral, sin conocimiento previo del contexto temático.
Clasificación Digital No Supervisada
En este método no se requiere conocimiento de los tipos de cobertura a priori. El proceso se
basa en la elección de las bandas espectrales de la imagen a clasificar, definición de numero de
clases espectrales, selección de los criterios de similitud y algoritmos de agrupación de los ND
(Posada, 2008).
En este método es el propio algoritmo quien define las clases de acuerdo a los datos. Para llevar
esto a cabo es necesario suministrar algunos valores tales como el número de clases que se
desea crear los tamaños mínimos y máximos de cada una, o ciertas tolerancias para la distinción
entre clases. Estos parámetros (guían) al algoritmo en la definición de clases, que se produce en
estos métodos de forma simultánea a la asignación de los elementos a una u otra de dichas
clases. En general, se trata de procedimientos iterativos en los que una clasificación inicial va
convergiendo hacia una final en la cual se cumplen las características buscadas de
homogeneidad, número de clases, etc (Olaya, 2007).
Los métodos de clasificación no supervisado entrega una capa raster con los píxeles
clasificados, sin embargo no se tiene conocimiento acerca de las clases de cobertura
suministrados por el algoritmo, y será necesario estudiarlas después para saber que representa
cada una de ella. Si en un método de clasificación supervisada definimos zonas de
entrenamiento con distintas clases de suelo, el resultado será una capa con clases de suelo. Si
diferenciamos según otro criterio, será ese criterio el que quede reflejado en la capa resultante.

En el caso de la clasificación no supervisada no existe tal criterio, ya que simplemente se aplican
operaciones estadísticas con los datos, pero no se trabaja con el significado de los datos. Al
utilizar una zona de entrenamiento sí estamos empleando este significado, ya que le estamos
diciendo al algoritmo que los valores de dicha zona representan una clase dada, esto es, que
“significan” dicha clase (Olaya, 2007).
La elección de las bandas originales o sus derivadas depende del análisis estadístico de estas,
por separado y en conjunto, en cuanto a su comportamiento espectral y separabilidad
radiométrica. Por ejemplo, una imagen de LANDSAT_TM 5 cuenta con 7 bandas espectrales, de
ellas estaría descartada la banda 6, por ser la banda de emisión de energía y no de reflexión.
Las restantes bandas requieren de un análisis fundamentado, ya que al utilizar todas a la vez
podría generarse la redundancia en información espectral, lo que afectaría los resultados finales.
Con base en las experiencias practicas se puede concluir que la utilización de 3 a 5 bandas,
espectralmente contrastantes, es más que suficiente para una clasificación (Posada, 2008).
El número de clases depende del análisis visual de la imagen, de los histogramas de las bandas
y es un proceso de pruebas. Es bueno correr la clasificación con el mayor número y
paulatinamente ir reduciendo su cantidad, volviendo repetir la clasificación hasta llegar a un
resultado razonable.
Junto a la capa de clases resultantes, los métodos de clasificación no supervisada proporcionan
una definición de dichas clases a través de los valores estadísticos de las mismas. Estos valores
se emplearán para asignar una interpretación a cada clase una vez éstas hayan sido definidas.
Junto a ellas, es habitual añadir la varianza de cada clase, como indicador de la homogeneidad
lograda en la clasificación (Olaya, 2007).
Aunque los métodos de clasificación no supervisada son validos de por sí para establecer una
separación categórica dentro de un área de estudio, es habitual que se empleen como soporte a
métodos de clasificación supervisada. Mediante estos métodos se obtiene una primera división,
que puede utilizarse posteriormente bien sea para la definición de zonas de entrenamiento o bien
para operaciones más complejas como la segmentación de imágenes (Olaya, 2007).
El resultado de la clasificación no-supervisada es categorización de la imagen en clases
espectrales y usuario debe asignar el significado temático a estas, donde resida su mayor
limitación. Así que, en general, este método nos es recomendable para producción de los mapas
temáticas sino como paso previo la clasificación supervisada, la cual involucra conocimiento
previo del área de estudio (Posada, 2008).
El método no supervisado pretende a identificar las clases espectrales presentes en la imagen,
proporcionando resultados a veces difíciles para interpretar y poco conectados con las
necesidades del usuario final y no es claro como este puede identificar las agrupaciones
naturales (Posada, 2008).
OBJETIVO: Realizar una clasificación no supervisada de la imagen LANDSAT TM.
PROCEDIMIENTO:
1. Desde la pestaña Raster, ir al grupo Classification, desplegar la opción Unsupervised
y seleccionar Unsupervised classification. Se abrirá la ventana de Unsupervised
Classification (ISODATA); bajo INPUT seleccione la imagen que va a clasificar y bajo
OUTPUT CLUSTER LAYER, entre el nombre de la imagen de salida.
2. Desactive la opción de OUTPUT SIGNATURE SET y confirme INITIALIZE FROM
STADISTICS bajo CLUSTERING OPTIONS. Esto permitirá generar los clusters al azar.
Entre el dato de 20 en el NUMBER OF CLASSES.

3. Entre 10 como MAXIMUM ITERATIONS bajo PROCESSING OPTIONS. Este es el
número máximo que ISODATA utilizará para reagrupar los píxeles de la imagen.
Confirme 0.95 como CONVERGENCE THRESHOLD. Esto significa que al llegar al 95%
de la agrupación de los datos sin presentar cambios durante las interacciones, el
proceso finalizará.
4. Oprima OK y espere a que se termine el proceso de clasificación.
5. La segunda parte corresponde al proceso de evaluación de la clasificación, durante el
cual se identifican y se asignan los nombres de clases y los colores. Compare la imagen
original con la imagen clasificada.
6. Abra las dos imágenes (original y clasificada) en el mismo VIEWER, utilice la opción
Swipe (Home, View, Swipe). Acceda a la pestaña Table, View, Show Attributes, allí se
despliega la tabla de atributos en la parte inferior de la pantalla y se activan las opciones
de la pestaña table, ahora vaya en esa misma pestaña a la opción Query y escoja
Column Properties.

7. Desde COLUMN PROPERTIES, bajo COLUMN, seleccione OPACITY y oprima UP
para mover OPACITY debajo de HISTOGRAM. Seleccione CLASS_NAME y con UP
mueva por debajo de COLOR. Asigne el número 10 en DISPLAY WIDHT. Oprima OK.
8. Antes de iniciar el análisis de clases individualmente, se debe asignar el valor = 0 para
todas las clases. En la Tabla de Atributos (ubicada en la zona inferior de la pantalla)
oprima la palabra OPACITY de la columna OPACITY, para seleccionar todas las clases
y oprima el botón izquierdo del mouse, seleccionando FORMULA....
9. En la ventana de FORMULA, oprima 0 de la sección de números y APPLY para cambiar
todos los valores en OPACITY a 0 y cierre la ventana con CLOSE.
10. En la misma tabla, bajo columna COLOR oprima el botón derecho del mouse para
cambiar el color de la CLASE 1, por el color amarillo, después en la columna Opacity se
le cambia el valor de 0 por 1. En el Viewer se desplegarán todas las áreas
correspondientes a clase 1 con el color amarillo. Desde la pestaña Home, ir al grupo
View, allí desplegar la opción Swipe, seleccionar Flicker, en esa ventana oprima AUTO
MODE. Sobre la imagen, la clase seleccionada comienza a aparecer y desaparecer.
Analice a que clase temática corresponde esta área y asigne el nombre debajo de la

columna CLASS_NAME en La Tabla de Atributos y cambie el color según el contenido
temático de esta clase.
11. Cierre el FLICKER y asigne 0 en la columna de OPACITY para esta clase. Repita el
mismo procedimiento para el resto de las clases. Al finalizar seleccione FILE / SAVE
para salvar los cambios realizados.
12. Para calcular el área correspondiente a cada clase, seleccione Table, Column, Add
Class Name, (para esto es necesario que el raster este georreferenciado caso contrario
la opcion Add column aparecerá desactiva), se despliega la ventana ADD AREA
COLUMN dentro la cual seleccione HECTÁREAS como unidades de medida y asigne el
nombre de columna y oprima OK. En La tabla de Atributos se desplegará la columna
correspondiente al área por cada clase. Analice el resultado y cierre la aplicación.

10.2. CLASIFICACIÓN SUPERVISADA
La clasificación supervisada requiere de cierto conocimiento previo del terreno y de los tipos de
coberturas, a través de una combinación de trabajo de campo, análisis de fotografías aéreas, mapas e
informes técnicos y referencias profesionales y locales. Con base de este conocimiento se definen y se
delimitan sobre la imagen las áreas de entrenamiento o pilotos. Las características espectrales de estas
áreas son utilizadas para "entrenar" un algoritmo de clasificación, el cual calcula los parámetros
estadísticos de cada banda para cada sitio piloto, para luego evaluar cada ND de la imagen, compararlo y
asignarlo a una respectiva clase (ver Figura 10). La clasificación supervisada pretende definir las clases
temáticas que no tengan claro significado espectral, considerada por esto como un método artificial
(Posada, 2008).
Figura 10: Esquema de Clasificación digital supervisada [Fuente: Olaya, 2007]
El proceso de clasificación supervisada, se puede resumir en las siguientes etapas: análisis visual y
estadístico de la imagen y de sus bandas, elaboración de la leyenda del mapa, selección y delimitación
de áreas pilotos, generación y evaluación de sus estadísticas y reajustes, elección y aplicación del
algoritmo de clasificación, reajustes y clasificación de nuevo, y finalmente, la evaluación de los resultados
y su presentación (Posada, 2008).
Análisis estadístico y visual de las bandas
La etapa inicial consiste en valoración cualitativa y cuantitativa de la calidad de la imagen de modo
multibanda, de sus contrastes, del comportamiento espectral de distintas cubiertas dentro las bandas
espectrales y se evalúa la separabilidad espectral de las bandas en relación con estas. Al final se obtiene
la primera apreciación sobre el número de posibles clases temáticas a discriminar, sobre las bandas a
utilizar, y los posibles procesos adicionales para derivar las nuevas imágenes, que podrían ser útiles en la
fase de clasificación (Posada, 2008).
Algunas de las medidas o gráficas útiles para el análisis de las bandas son las estadísticas multibanda,
correlación, varianza y covarianza, los gráficos de dispersión entre bandas, etc.
Igualmente se seleccionan y se recortan las ventanas de trabajo, ya que es mas operacional a realizar el
procesamiento preliminar sobre las ventanas experimentales representativas y al final los procesos
óptimos extrapolar sobre la totalidad de la escena (Posada, 2008).
En general, el análisis se orienta a definir las cuales bandas de una imagen multiespectral se utilizaran en
el proceso de clasificación. La idea se basa de elegir las bandas donde se presente mayor contraste
espectral entre las coberturas – objeto del estudio. Intuitivamente pareciera que cuando se utiliza un
mayor número de bandas en una clasificación, el resultado de la misma es mejor (Posada, 2008).
Elaboración de la leyenda.

Tomando en cuenta los objetivos del proyecto, el nivel de detalle requerido, la escala de trabajo y tipo de
imagen a utilizar se revisan distintas sistemas de clasificación y se establece una leyenda especifica
(Posada, 2008).
Selección y delimitación de las áreas de entrenamiento
Es la fase más importante del proyecto. Requiere previo conocimiento de las características del área, así
como de las categorías que pretende discriminar. Con base de experiencias locales y profesionales,
trabajo de campo, uso de fotografías aéreas y otra información secundaria se definen y se delimitan las
áreas de entrenamiento o pilotos representativas de cada una de las categorías de interés (Posada,
2008).
Figura 11. Selección y estadísticas de las áreas de entrenamiento
Se basa en los criterios pictórico-morfológicos de la imagen, como: tono o color, textura, tamaño, forma,
sitio, etc (ver Figura 11). La errónea selección de muestras conducirá a resultados erróneos. A partir de
estas muestras el algoritmo clasificador calcula los ND que definen cada una de las clases y asigna el
resto de los píxeles de la imagen a una de esas categorías. La delimitación se realiza mediante un ratón
sobre la pantalla del computador. Se recomienda seleccionar varias muestras por categoría, para reflejar
adecuadamente la variabilidad de la zona de estudio. Es importante contar con los datos de campo
próximos a la fecha de adquisición de la imagen, con el fin de garantizar la consistencia entre la realidad y
la imagen. Se recomienda evitar la delimitación de muestras en los sitios de transición entre las dos
clases, ya que estas presentaran confusión espectral. Las areas no deben ser muy homogéneas,
obviando la variación real de las coberturas temáticas. El tamaño de la muestra, en teoría, puede ser de 9
píxeles. El número de píxeles recomendable es de 200 píxeles como mínimo, distribuidos sobre toda la
imagen en varios campos pequeños y no en una muestra grande, para no subestimar la variabilidad de
esa categoría. Debe tener en cuenta las propias características de la imagen intentando abarcar las
variaciones que se presentan para cada clase, su orientación, pendiente, densidad, vigor, contenido de
humedad y tipo del suelo (Posada, 2008).
Evaluación estadística de las áreas de entrenamiento
Las estadísticas evalúan el grado de representatividad de las ares pilotos y dan idea sobre la
separabilidad espectral de las clases temáticas, lo que al final garantiza una buena clasificación. Existen

métodos gráficos y numéricos para evaluar las estadísticas, un ejemplo de estadísticas básicas se
presenta en la Figura 11.
Las más utilizadas son los diagramas de signaturas espectrales y los diagramas de dispersión espectral.
Se basan en el análisis de las medias aritméticas y desviaciones estándar, la primera indica el
comportamiento espectral medio de los ND, y la segunda el grado de heterogeneidad de la muestra. En
un diagrama espectral se plasman las bandas que intervienen en clasificación en la eje X y las medias de
ND de cada clase, con este gráfico se evalúan las tendencias espectrales de cada clase, resaltándose el
compartimiento de las bandas espectrales en relación con sus vecinas. Las líneas paralelas y cercanas
indican de posible confusión espectral y las intersecciones ente las líneas, la buena separabilidad entre
estos (Posada, 2008).
Figura 12: Gráficas de dispersión de áreas de entrenamiento en las bandas TM3, TM4 y TM5
Elección y aplicación del algoritmo de clasificación
Con base de las áreas de entrenamiento delimitadas se puede iniciar el proceso de clasificación el cual
es automático. El proceso consiste en agrupación de todos los píxeles de cada banda espectral a uno de
las clases predeterminadas en la etapa anterior. El resultado será una nueva imagen donde los ND están
categorizados en clases temáticas, y la cual se considera como un mapa digital formato raster. Pero
antes de correr la clasificación se requiere elegir el criterio o algoritmo de asignación. Los más comunes
son de Mínima Distancia, de Paralelepípedos, y de la Máxima Probabilidad o Verosimilitud (Posada,
2008).
OBJETIVO: Realizar clasificación supervisada de la ventana de la imagen LANDSAT TM .
PROCEDIMIENTO:
RECOLECCIÓN DE ÁREAS DE ENTRENAMIENTO Y GENERACIÓN DE SIGNATURAS
1. Despliegue la imagen que se va a clasificar en una composición a color apropiada y
aplique los mejoramientos necesarios para disponer de una vista optima para la
identificación y delimitación de los patrones o áreas de entrenamiento.
2. Analice el paisaje presente en la escena, identifique los principales tipos de coberturas
presentes en la escena y elabore una leyenda que contenga las clases temáticas
deseadas.

3. Desde el menú principal de ERDAS vaya a la pestaña Raster / Classification /
Supervised / Signature Editor
4. Para iniciar, diríjase a Drawing, insert geometry (allí se encuentran las herramientas
necesarias para la elaboración de las áreas de entrenamiento)
Analice la escena de la imagen y utilizando la opción de ZOOM del VIEWER haga un
acercamiento a la parte de la imagen donde va a colectar la primera área de
entrenamiento, p.e, agua. Active el icono de POLYGON y delimite el área de
interés. Con el doble clic finalice la delimitación del polígono, el cual debe ser bordeado
por una caja, indicando que este está seleccionado.
5. En la ventana de SIGNATURE EDITOR oprima el icono de adición de signaturas.
Bajo la columna SIGNATURE NAME aparecerá consignado esta primera signatura con
el nombre de CLASS 1. Oprima el botón izquierdo del mouse y cambie el nombre por
uno que represente la clase de cobertura seleccionada. Bajo la columna de COLOR,
oprima el botón izquierdo y asigne el color apropiado para esta clase temática. Proceda
con la generación de áreas de entrenamiento y sus signaturas espectrales para otras
clases de la leyenda.
Recuerde, que áreas de entrenamiento deben representar la variabilidad espectral de la
cobertura estudiada: sin ser muy homogéneos, ni muy heterogéneos; el tamaño de muestra debe
ser como mínimo 10 veces más grande que el numero de las bandas; si la cobertura presenta
variación espectral, se generan varias áreas de entrenamiento y para cada una se calcula la
signatura espectral posteriormente los unen en una solo clase, p.e agua1, agua2, agua3 se
unirá en clase de agua.

6. Para el área urbana, muy heterogénea como un conjunto, determine el area mediante
uso de la herramienta SEED GROWING. Para esto, vaya a la pestaña Drawing, Insert
geometry, despliegue Grow y seleccione Growing Properties. Se abrirá la ventana de
REGION GROWING PROPERTIES. Oprima el icono y bajo GEOGRAPHIC
CONSTRAINTS active la opción AREA y entre el valor 500 píxeles, máximo número de
píxeles para incluir en el AOI. Bajo SPECTRAL EUCLIDEAN DISTANCE entre el valor
10.00. Bajo OPTIONS... asegúrese que esta activada la opción de INCLUDE ISLAND
POLYGONS. Cierre la ventana.
7. Haga clic sobre la imagen, bajo el área de interés y genere el polígono, En la ventana de
REGION GROWING PROPERTIES cambie los valores de área y distancia (p.e. 1000 y
20) y oprima la opción REDO. Observe el resultado. Explore la opción Option y
consulte Help para ver el significado de los parámetros de estas opciones. Después de
la creación de AOI, adiciónelo en la ventana de SIGNATURE EDITOR y asigne un color
apropiado.
8. Según sus criterios, utilice uno u otro método de recolección de áreas de entrenamiento
para todas las clases temáticas.
No olvides salvar las áreas de entrenamiento desde el Viewer con opción de File> Save>AOI
layer as...; y las signaturas desde la ventana Signature Editor.

EVALUACIÓN DE LAS SIGNATURAS CREADAS
Una vez creadas las signaturas, se pueden borrar, renombrarlas o fusionarlas; pero antes se
debe realizar su evaluación mediante análisis Matriz de contingencia, separabilidad de
signaturas, Estadísticas e histogramas y curvas espectrales.
Para iniciar la evaluación estadística, dentro Signature Editor seleccione la opción File-
Report, (Calcula estadísticas básicas: mínimos, máximos, media y desviación estándar de las
áreas de entrenamiento para cada banda). Señale Statistics y All Signatures. Analice si algunas
signaturas se superponen estadísticamente, observe los valores de las desviaciones estándar y
rango mínimo y máximo para cada clase.
1. Análisis de histogramas: Dentro de la ventana Signature Editor utilice la opción
, para calcular y analizar los histogramas para cada área de entrenamiento en cada
banda espectral. Los histogramas deben tener forma próxima a campana , ser unimodal
y tener los rangos de mínimo y máximo razonables para no traslaparse con las
signaturas de otras clases.
2. Curvas espectrales: Seleccione la opción View - Mean Plots- Multiple Signature u
oprima el botón . Se abrirá la ventana de Signature Mean Plot, en la cual se
observan las curvas espectrales de las áreas de entrenamiento. Analice en que bandas
y que clases presentan traslapes y confusión espectral y deben ser cambiadas o
reajustadas o unidas en una sola clase.

3. Separabilidad espectral: Seleccione la opción Evaluate – Separabilility,. Aparecerá la
ventana de Signature Separability. Seleccione las opciones de Distance Measure -
Trasformed Divergence y Complete report. Practique diferentes opciones frente a
Layers Per Combination, para ver con que combinación de bandas se presenta mayor
separabilidad entre signaturas espectrales. Mediante este procedimiento concluya con
que combinación de bandas se presenta mayor separabilidad espectral y que clases
presentan baja separabilidad. (El valor mayor a 1950 – corresponde a excelente
separabilidad, separabilidad media- entre 1950 y 1900; y baja separabilidad
corresponde a valores menores a 1900.)
4. Uso de la matriz de contingencia: Calcule la matriz de porcentaje de píxeles que se
incluyen dentro el área de entrenamiento. Para este fin, seleccione desde la barra del
menú de SIGNATURE EDITOR la opción EVALUATE / CONTINGENCY..., se abrirá la
ventana de CONTINGENCY MATRIX. Defina los parámetros de las reglas de las
decisiones según la ventana de dialogo presentada abajo. Oprima OK y espere que
termine el proceso y analice los resultados.

AJUSTES
Corresponden a acciones de borrar completamente una signatura, unir con otra signatura o
recalcular la signatura a partir de redefinición de área de entrenamiento.
Para borrar: seleccione la signatura en columna Class, esta se iluminara con el color azul y con
el boton derecho oprimido oprime la opción Delete Selection.
Para unir: con el uso de mouse y oprimiendo Shift de teclado, seleccione dos signaturas que se
piensa a unir, p.e agua 1 y agua2; y luego, oprime el botón (Merge selected signature). Al
final de filas aparecerá nueva signatura, resultado de la unión (Class1). Las dos seleccionados
siguen realzadas; con el botón izquierdo del mouse borra estas signaturas y a la asignatura de
unión asigne el color de nuevo y un nombre, p.e.: agua.
Para reemplazar una signatura o modificar: primero, en el Viewer ubica y seleccione su área
delimitada, oprima el botón Reshape, ubicado la pestaña Drawing, Modify, despliegue line, ,
en ventana de Signature Editor seleccione la signatura iluminando con el color azul y oprime el
botón (Replace Current Signature).
Al terminar ajustes, organice la signaturas en la tabla, ya que al unir las diferentes signaturas se
altero su orden; observa las columnas VALUE y ORDER. Para esto utilice la opción
Edit>Values>Reset y luego Edit>Order>Reset.

Finalmente, salve las áreas de entrenamiento desde el File y signaturas desde Signature Editor,
con nuevos nombres, para no dañar los primeros archivos. Evaluar de nuevo estas signaturas y
si está satisfecho, proceda con el siguiente paso: agrupación.
AGRUPACIÓN ESPECTRAL
La etapa final de la clasificación corresponde a la agrupación de los ND de toda la imagen
alrededor de las clases temáticas definidas en el proceso de patronamiento, mediante unos
algoritmos específicos de agrupación, que pueden ser: Mínima Distancia, Mahalonobis Distancia
y Máxima Verosimilitud. El mejor resultado de la agrupación ha demostrado ser el algoritmo de
Máxima Verosimilitud.
1. Para realizar la clasificación, desde la ventana Signature Editor seleccione Edit –
Layer Selection. Elija las bandas que presentaron mayor separabilidad, durante el
proceso de evaluación de signaturas espectrales. Cierre la ventana de dialogo de Layer
Selection.
2. En la ventana Signature Editor oprima Classify – Supervised. Aparecerá la ventana
de Supervised Clasification; Asigne los parámetros de clasificación según se indica en
la figura de abajo; escriba el nombre de salida del archivo para la imagen clasificada y
clic en OK.
3. Abra la imagen original con una combinación de bandas apropiada y sobre esta
superponga la imagen clasificada. Utilizando la opción del SWIPE realice el análisis de

correspondencia temática. También se puede proceder con el análisis utilizando los
procedimientos realizados durante la clasificación no supervisada.
EJERCICIO 11. ELIMINACIÓN DE BANDEAMIENTO DE IMÁGENES LANDSAT
Las imágenes Landsat han sido una gran fuente información por casi 40 años, la más reciente
generación Landsat 7 en el año 2003 sufrió una grave avería en su sensor y desde entonces
toma imágenes con pérdidas de información o gaps, este defecto puede ser corregido de
diferentes formas, una de ellas es por medio de la generación de mosaicos compuestos por
diferentes imágenes con bandeamiento de la misma zona y por medio de filtros especializados
que reduzcan o eliminen el ruido presente en las mismas.
INSUMOS:
Imágenes Landsat con path 6 y row 57 del 19 de Enero de 2011 y del 23 de Febrero de 2012.
Las imágenes proporcionadas con el ejercicio vienen con bandas separadas en archivos
independientes por tal razón estas deben ser unidas en un solo archivo para poder realizar
combinaciones de bandas en el software donde se piensan desplegar.
Para realizar la unión de bandas se debe abrir el software Erdas 11 y en la pestaña “Raster”
hacer clic en el icono “Espectral” ir a la opción “Layer Stack”, como se observa a continuación:
En la opción “Input File”, clic en el
botón que contiene una carpeta
amarilla, allí se abrirá una
ventana en la cual se debe seleccionar el

archivo que corresponde a cada banda que conformará cada imagen que se usará para el
ejercicio tal como se ilustra a continuación:
En la ventana anterior se deberá seleccionar el archivo de la banda 1 dar clic en OK, luego de
regreso a la ventana “Layer selection and stacking” hacer clic en el botón “Add” repetir el mismo
proceso con las bandas 2, 3, 4, 5 y 7, como se muestra a continuación:
Una vez adicionadas todos los archivos que corresponden a todas las bandas en la opción
“output file” elegir una carpeta y un nombre para el archivo final de la imagen con todas sus
bandas, se sugiere “l72006057_05720110119.img”, clic en la opción “Ignore zero in stats” y
luego clic en “Ok”, tal como se indica a continuación:

Luego una vez terminado el proceso en la ventana “Process List” clic en “close”:
Este mismo procedimiento debe ser repetido con la imagen L71006057_05720120223
correspondiente al 23 de Febrero de 2012.
Una vez que a las dos imágenes se les realizó el proceso de layer stack estas deben ser
desplegadas en un mismo viewer, para esto en un viewer nuevo, en la ventana “contents”,
ubicada al lado izquierdo clic derecho sobre “2D View # 1” y en el menú contextual que aparece
clic en “Open Raster Layer…”, a continuación se abre la ventana “Select Layer to Add”, en la
pestaña file seleccionar la imagen a desplegar en este caso la L71006057_05720120223.img:

Luego en la pestaña “Raster Options” elegir en “layer to colors” los valores 4 para “Red”, 5 para
“Green” y 3 para “Blue” y marcar la opción “Background Transparent”, luego clic en “OK”, como
se muestra a continuación:
Luego en el mismo viewer repetir el mismo procedimiento para abrir la otra imagen, una vez
hecho esto el viewer se verá de la siguiente manera:
Para ver las imágenes completas dentro del viewer en la pestaña “Home” clic en el botón “Fit to
frame”, y las imágenes se verán así:

A continuación hacer zoom para acercarse a cualquier parte de las imágenes:
En la ilustración anterior se observa como entre las dos imágenes se cubren los “gaps”, por lo
tanto al hacer un recorrido por toda la imagen se podrá verificar que con esas dos imágenes es
suficiente para cubrir todos los gaps.
A continuación se debe determinar cual será la imagen principal, es decir la que mejor estado
presenta (menor cobertura de nubes, menos bruma, etc), esta imagen es la que quedará como
imagen superior en el mosaico, mientras que la otra se usará para cubrir los gaps o vacíos de
información.
Para esto se deben abrir las dos imágenes en dos viewers separados para hacer la
comparación:

De la ilustración anterior se puede determinar que la imagen en mejor estado es la de la
izquierda la del 19 de Enero de 2011, por lo tanto está será la imagen principal del mosaico.
A continuación, en la pestaña “Raster” clic en el ícono “Mosaic” y elegir “Mosaic pro”, la ventana
de “Mosaic Pro” se abrirá como se muestra a continuación:
En la barra de herramientas de esta ventana hacer clic en el botón “Display Add Images Dialog”:
Enseguida se abre el cuadro diálogo “Add Images”, en este cuadro adicionar las imágenes que
harán parte del mosaico, como se ilustra a continuación:

En la ventana anterior se debe verificar que la imagen principal (la del 19 de Enero de 2011)
quede ubicada en el fondo de la tabla, de esta manera el software la considerará como la imagen
principal. De no estar en el fondo, esta debe ser seleccionada y luego clic en la herramienta
“Send Selected Image(s) Up One” para que quede de esta manera ubicada al fondo de la tabla,
tal como se muestra a continuación:
Para la elaboración del mosaico es necesario ajustar las estadísticas de las imágenes de tal
manera que valores extremos en sus niveles digitales, no afecten la imagen resultante, estos
valores son los cercanos a 255 dados por las nubes y los cercanos a 0 generados por sombras
de las nubes o cuerpos de agua. Para esto es necesario emplear la herramienta “Color
corrections” la cual se abre haciendo clic en el siguiente ícono de la barra de herramientas:
Una vez hecho se abre la ventana “Display Color Corrections Options Dialog”, como se muestra
a continuación:

En el cuadro de diálogo anterior seleccionar la opción “Use Histogram Matching”, se deben dejar
los valores por defecto y luego clic en el botón “OK”, como se indica a continuación:
Esta opción se debe emplear como primera alternativa de corrección de color si esta no es
suficiente se debe probar con “excluede areas”, una vez elegido “Use Histogram Matching” se va
a generar el mosaico con base en los parámetros establecidos, para esto en el menú de la
ventana del mosaico ir al menú “Process” luego “Run Mosaic”, en el cuadro de diálogo que se
despliega se debe indicar una carpeta de ubicación y un nombre para el archivo de salida, para
este caso se pone el nombre de la imagen principal más el sufijo “_mosaico”, de esta manera el
nombre quedaría “L71006057_05720110119_mosaico.img”, como se indica a continuación:

Una vez hecho lo anterior clic en “OK”, de esta manera quedará hecho el mosaico. En un nuevo
Viewer abrir el mosaico resultante en combinación RGB-453, como se ilustra a continuación:
Mediante las herramientas de Zoom realizar acercamientos a diversas zonas de la imagen, con
el fin de determinar la calidad del mosaico resultante en cuanto a los “gaps” cubiertos y posible
ruido que puede quedar en el mismo:

En la imagen anterior se observa cierto ruido de color rojiso y verde, esto se debe a posibles
pixeles con valores nulos que difieren de banda a banda y que al hacer las diferentes
combinaciones de colores genera esta clase de problema. Para mitigar este inconveniente se
debe emplear un filtro contenido en la herramienta “Focal Analysis”. Para aplicar esta
herramienta, seleccionar la pestaña “Raster”, en el ícono “Spatial” elegir la opción “Focal
Analysis”, una vez se despliegue el cuadro de diálogo en la opción “Output File”, indicar una
carpeta y un nombre al archivo de salida como por ejemplo
“l71006057_05720110119_mosaico_def.img”, en la opción “Output” elegir “Unsigned 8 bits”, en
“Function” elegir “Median” y seleccionar “Ignore zero in Stats”, como se muestra a continuación:
Una vez hecho lo anterior clic en “OK” para generar una nueva imagen filtrada y luego una vez
en el 100% clic en close en la ventana “Process List”. En un nuevo viewer, desplegar la imagen
filtrada hacer zoom en diversas zonas de la misma para verificar que el ruido ha sido eliminado,
de no ser así repetir el filtrado a la imagen resultante del filtrado anterior.
La imagen resultante lucirá de la siguiente manera:

De esta manera queda eliminado el bandeamiento de las imágenes Landsat, el resultado es
bastante bueno para interpretación visual de imágenes, además que se pueden emplear estas
imágenes gratuitas que son una gran fuente de información para varias épocas incluso para
periodos recientes.
EJERCICIO 12. GENERACIÓN DE RATIOS DE BANDA
De acuerdo a Gandía. S (1991), las diferentes imágenes pueden combinarse entre si por suma,
resta, o de forma mas común por división. Los ratios se consiguen dividiendo los valores
digitales de una banda por los correspondientes en otra banda espectral. En general podría
considerarse que los ratios son cocientes de bandas que permiten discriminar objetos, gracias a
las diferencias evidentes, entre las huellas espectrales de los elementos que se analizan, en
determinados sectores del espectro electromagnético, traducidas en curvas de reflectancia.
Entre las aplicaciones de los ratios de bandas se encuentras las del campo de la geología con
énfasis en la exploración de minerales, para lo cual se han empleado imágenes como Landsat 5,
7, ASTER, y actualmente las imágenes hiperespectrales.
Sin embargo la aplicación para la búsqueda de minerales también depende de características de
la zona, como la densidad de vegetación, el clima, entre otras, la mayoría de casos se ha
aplicado en áreas de escasa vegetación y desérticas. Cuando la vegetación es considerable se
recomienda buscar la asociación de comportamientos espectrales de la vegetación que sean
atípicos (presencia de anomalías) como consecuencia de la presencia de ciertos minerales,
siendo necesario aplicar técnicas complementarias como la geoquímica y la geobotánica.
Entre los ratios de banda mas comunes en imágenes Landsat ETM se encuentran: Oxido de
hierro: 3/1, Minerales de arcilla: 5/7, Minerales ferrosos: 5/4, por lo general estos ratios relacionan las bandas
donde los materiales presentan una menor y mayor reflectancia. A continuación se sugieren algunos links
de artículos donde pueden ser consultados más ratios de bandas aplicados a la detección de
minerales y diferentes casos de estudio:

TEMA/ ARTICULO LINK DE DESCARGA Y CONSULTA
ASTER Mineral Index Processing Manual http://www.ga.gov.au/image_cache/GA18328.pdf
Landsat Thematic Mapper:
http://crcleme.org.au/Pubs/OPEN%20FILE%20REPORTS/OFR%20144/03L
andsatTM.pdf
Image Processing and Analysis of Mapping
Alteration ZonesIn environmental research,
East of Kurdistan, Iran.
http://idosi.org/wasj/wasj11(3)/5.pdf
Ratio image processing techniques: a
prospecting tool for mineral deposits, red sea
hills, NE Sudan
http://www.isprs.org/proceedings/XXXVII/congress/8_pdf/12_WG-VIII-
12/22.pdf
Landsat TM Brightness and ratio codes of
minerals, vegetation and snow
http://www.uabcs.mx/geologia/geo_bajamx/pr/tablas_vincent.pdf
Cuadro 1. Links de consulta y descarga de ratios y aplicaciones.
1. Despliegue la imagen de Landsat 5/ 756 (p007r56_4t19920902) con cubrimiento parcial
de los departamentos de Boyacá y Casanare.
Figura 1. Imagen Landsat 7 56, lago de tota. Ejercicio.
2. Consulte algunas características de la litología y tipos de minerales presentes en el área, por
ejemplo: el área se encuentra sobre rocas de edad terciario de tipo fosfático, para mayor
información consultar el siguiente link: http://www.ingeominas.gov.co/Geologia/Informacion-de-interes.
aspx.
3. La imagen se encuentra en niveles digitales, por lo tanto es necesario realizar la conversión a
niveles de reflectancia de acuerdo al procedimiento descrito en ejercicios anteriores (Ejercicio
conversión DN-NR/Augusto C), empleando los parámetros que se encuentran en el archivo HDR
de la imagen.

Figura 2. Sup. Imagen en DN. Inf. Imagen en NR
4. Compare perfiles espectrales de diferentes pixeles con igual localización en las dos
imágenes.
Figura 3. Comparación de perfiles espectrales de la imagen en DN y la imagen en NR.
5. Generar los ratios de banda para Oxido de hierro: 3/1, Minerales de arcilla: 5/7, Minerales
ferrosos: 5/4.
Una vez definidos los ratios, debe ingresar en ERDAS en la opción toolbox de la parte superior
e ingresar a la opción model maker.
Figura 4. Localización de model maker e n Erdas.
Model maker permite realizar modelos de acuerdo a las necesidades y objeto de estudio, allí se
desplegara un cuadro de dialogo en blanco sobre el cual se diseñara el modelo, el nombre del
archivo será ratio_31.

Figura 5. Modelo para generación de ratios.
Con la barra de herramientas lateral realice la siguiente estructura del modelo, en el primer
proceso (Create a raster object), ingrese la imagen suministrada para el ejercicio
(p007r56_4t19920902), como se indica en la figura 4b.
En la opción (Create a function definition), define la operación a realizar entre bandas de la
siguiente forma, posteriormente conecte los procesos (connect objects and functions together).
Figura 6. Operación entre bandas.
Posteriormente en el último proceso se genera la imagen de salida ratio_31. Para ejecutar el
proceso ingrese a la opción
Realizar el mismo procedimiento para los demás ratios y generar sus respectivas imágenes de
salida.

Figura 7. Modelo de los ratios 3/1, 5/7, 5/4
Figura 8. Izq. ratios de banda 5/7, 5/4,3/1, Der. Composicion 731, 321
Despliegue la imagen de salida y compare con la imagen en niveles de reflectancia en
composiciones de verdadero color y falso color (731), esta composición es sugerida en
diferentes artículos, como apoyo a la identificación de algunas anomalías asociadas a minerales
y que suelen verse en colores verdes.
EJERCICIO 13. COMPARACION DE IMÁGENES DE RADAR
OBJETIVO:
Conocer y comparar las imagen óptica LandSat y de radar como Radarsat y Cosmoskymed.
MATERIALES:
Sensor
NOMBRE ARCHIVO
RADARSAT 9_mayo-2009-geo-utm.
img
C0SMOSKYMED 7_enero-2012-utm.img
LANDSAT ls20070207-utm.img
DEM-30 m sombras-dem30utm.
img
Las imágenes que se utilizaran en este ejercicio, cubren la zona de Saldaña y sus alrededores.
El objeto del ejercicio, consiste en complementar el conocimiento de las imágenes de radar y la

comparación de algunas de las coberturas de la tierra, según los datos y características
polarimétricas de imágenes radar.
1.1. Comparación de características polarimétricas de Imágenes de radar
Si se tiene la misma escena, bajo diferentes esquemas de polarización, es posible formar una
imagen con una composición a color. Los esquemas de polarización permiten observar
características diferentes en la escena, es decir aspectos que pudieran no ser visibles en una
solo combinación como HH y podrían ser distinguibles en una polarización VV. De esta manera
los cuatro (4) esquemas de polarización en una imagen multi-polarimétrica de bandas conducen
a incrementar el potencial de separabilidad de un clasificador, por lo tanto se procederá a
analizar estas características polarimétricas bajo el siguiente y esquema.
PROCEDIMIENTO
Despliegue la imagen polarimétrica indicada e identifique las polarizaciones correspondientes
para cada una.
El despliegue de la imagen 9_mayo-2009-geo-utm.img, se debe realizar en el viewer del
programa Erdas y para identificar las polarizaciones se realiza en el modulo multiespectral-->
bands como se indica a continuación:
De acuerdo al anterior grafica forme las otras 3 polarizaciones correspondientes a banda HH, HV
y VV , siguiendo el esquema:

Complete el cuadro con la descripción de color, textura, patrón según de las diferentes
coberturas como drenajes, cultivos, zonas urbanas y vías; para cada polarización vista.

1.2. Comparación de tipos cobertura según Modos de toma y datos proporcionados por las
imágenes Radar
Compare las dos imágenes de radar respecto a la discriminación de las diversas coberturas
terrestres, identificando los distintos tipos de coberturas según sus características pictórico-morfológicas
y resuma resultados en una tabla como la que se presenta a continuación.
Despliegue las imágenes RadarSat y Cosmoskymed en el programa ArcGis o Erdas. Estas
imágenes corresponden a los archivos 9_mayo-2009-geo-utm.img y 7_enero-201-2utm.img.
Para la imagen RadarSat deje la polarización combinada HV con el RGB=222 y para la imagen
Cosmoskymed en modo amplitud con RGB=111, en pancromatic con Layer 1 como se observa a
continuación:
Complete el cuadro con la descripción de color, textura, patrón según de las diferentes
coberturas como drenajes, cultivos, zonas urbanas y vías; para cada ejemplo de imagen y
teniendo en cuenta las anteriores recomendaciones.

Describa las características pictórico-morfológicas, de acuerdo con la tabla que define estos
aspectos a continuación.
1.3. Comparación Imagen óptica & radar y fusión de imágenes
Compare las dos imágenes óptica de LandSat y radar respecto a la discriminación de las
diversas coberturas terrestres, identificando los distintos tipos de coberturas según sus
características pictórico-morfológicas . Compare las tres imágenes con respecto a la
discriminación de las diversas coberturas terrestres, identificando los distintos tipos de
coberturas.
PROCEDIMIENTO
Para la fusión de imágenes y sensores despliegue en el programa Erdas las imágenes sombras-dem30utm.
img y ls20070207-utm.img

Realice una fusión de imágenes, de la siguiente manera:
En el modulo de Raster Radar Utilities Sensor Merge

Despliegue el resultado de imagen y haga sus observaciones.
EJERCICIO 14. VERIFICACIÓN DE LA EXACTITUD TEMÁTICA
La clasificación digital es un mapa temático donde se registra la ubicación y la distribución de
unidades cartográficas. Para que este mapa sea fiable se requiere verificar su exactitud. La
pobre exactitud de una clasificación se relaciona con la complejidad del terreno, el nivel de
detalle y la adquisición no apropiada de las imágenes. En la estimación de la exactitud se puede
aplicar los siguientes métodos de confrontación: datos de campo, mapas existentes, fotografías
aéreas, y la comparación de cada ND del área piloto contra su signatura espectral. La signatura
es la caracterización estadística de una muestra. La última opción está incluida en todos los
paquetes de procesamiento digital, la cual permite generar las matrices de contingencia. A partir
de esta se puede construir la matriz de confusión, que identifica los conflictos entre clases de
referencia y clases clasificadas. La columnas corresponden a clase producidas en clasificación
(1), y las filas – las clases de referencia (2). La diagonal de esta matriz expresa el número de
puntos de verificación en donde se produce acuerdo entre las dos fuentes (mapa y realidad),
mientras los marginales suponen los errores de asignación Figura 13. Los residuales en filas
indican tipos de coberturas real que no se incluyeron en el mapa ( errores de omisión), mientras
residuales en columnas implican cubiertas del mapa que no se ajustan a la realidad (errores de
comisión) (Posada, 2008).
Figura 13: Ejemplo de una matriz de contingencia o de confusión [Fuente: Olaya, 2007]
La evaluación de la exactitud temática de una clasificación en Erdas se puede realizar mediante
varios métodos: análisis visual con superposición de la imagen clasificada sobre la imagen de
referencia; y por el método de asignación de puntos de muestreo: aleatorio, estratificado o
proporcional.
En el caso de recolectar los datos de campo con la información posicional X e Y mediante uso de
GPS, se puede utilizar estos para la evaluación de la exactitud temática. Para esto, se debe
realizar algunos procedimientos, tendientes a recalcular las coordenadas geográficas
((Latitud/Longitud) recolectados con el GPS a coordenadas planas (cartografía local para
Colombia) y después incluir estos en el muestreo. Si no se cuenta con esta información, pase de
una vez a la parte II de este ejercicio.
I. TRASFORMACION DE COORDENADAS RECOLECTADAS EN CAMPO CON GPS
1. Desde la barra del menú principal de ERDAS la pestaña MANAGE DATA >
CONVERSION > COORDINATE CALCULATOR>PROJECTION > SET INPUT
PROJECTION. En la ventana Input Projection and Units Setup se observa que no
hay ningún sistema de proyección activo (Unknown), por lo tanto hay que definirlo
haciendo clic en Set Input Projection lo cual despliega la ventana Projection Chooser
y en ésta seleccionar Custom que permite definir un nuevo sistema de proyección.

Tenga en cuenta que el sistema de entrada es geográfico (Latitud/Longitud). Inserta los
parámetros que se presentan en la tabla a continuación y al terminar haga clic en OK.
Observa que se ha cargado el nuevo sistema de proyección, se maneja en grados.
2. Ahora define el sistema de coordenadas de salida (coordenadas planas) para lo cual
activa la opción Projection y dentro de ella la opción de Set output Projection and
Units. Ingrese los datos que se observan en la grafica de abajo y oprime OK.

3. Luego, ingrese las coordenadas de puntos de control, que se han recolectado en campo
utilizando GPS, en la tabla de la ventana SET INPUT PROJECTION haciendo
corresponder la columna de X con Input Longitud y, Y con Input Latitud. Observe que
automáticamente se calculan las coordenadas planas en las columnas Output X y
Output Y. Enumere los puntos en forma secuencial. Salve el nuevo archivo.
4. Seleccione las columnas Output X y Output Y, y exporte con la extensión .dat
5. Abra el archivo desde Excel como caracteres Delimitados, active la opción Espacio
salve el nuevo archivo como tipo de texto (definido por tabulaciones).

II. MUESTREO AL AZAR
1. Despliegue la imagen clasificada en el Viewer 1 y en el Viewer 2 (para abril el viewer 2
oprima al mismo tiempo Ctrl + N) con la composición a color de la imagen que utilizaron
de base para clasificación; la cual será la fuente de información de campo. Únalas con la
opción de LINK, seleccione la pestaña Home, Windows, despliegue Link Views y
seleccione Link Views, para desactivar siga los mismos pasos.
2. Desde menú principal de ERDAS haga clic en la pestaña Raster, Classification,
desplegar la opción Supervised finalmente seleccionar Accuracy Assessment y
dentro la ventana de dialogo de este en File – Open seleccione la imagen clasificada
que va a evaluar.
3. En View – Select Viewer o con el botón , seleccione el Viewer para analizar donde
está desplegada la clasificación.
4. Para subir los puntos de control levantados en campo desde Edit>Import User-defined
Points>ASCII Point File seleccione el archivo salvado con Excel en pasos anteriores y
oprima OK. En la ventana de Import Option que aparecerá - OK. Los puntos se
desplegarán en la ventana Accuracy Assessment.

5. Con la opción Edit – Create/Add Random Points adicione más puntos de muestreo;
para esto cambie Number of Points por 30, para realizar 30 muestreos sobre toda la
imagen. Bajo Distribution Parameters seleccione Random y oprima la opción Select
Classes para seleccionar clases a evaluar desde la tabla de atributos; que sean todas,
excepto 0 (Unclassifi). Deje abierta la tabla de atributos y oprima OK desde la ventana
Add Random Points.

6. En bajo la opción View seleccione Show All, sobre la imagen aparecerán puntos de
muestreo en color blanco. Oprima Edit>Show class valúes; en la columna de Class se
desplegarán los valores de las clases calculadas en el proceso de clasificación.
7. En la columna Reference asigne los números de clases temáticos que corresponde a
“Verdad de Campo”, explorando la imagen en composición a color desplegada y con
los apuntes de campo para todos los puntos de muestreo. El número de cada clase se
encuentra en la tabla de atributos en la columna Value.
8. Para calcular la exactitud temática, seleccione Report-Option, y asegurase que están
activados los parámetros: Error Matrix, Accuraccy Total y Kappa Statistics. Proceda
con la opción Report – Accuracy, para elaborar el reporte de la exactitud temática.
Analícelo y sálvelo.

9. Por último, seleccione Report- Cell Report, para ver los detalles de asignación
automática de las clases temáticas en el remuestreo aleatorio.
EJERCICIO 15. EDICIÓN FINAL DE LOS RESULTADOS DE CLASIFICACIÓN
Las principales operaciones consisten en: recodificación global, generalización de la
clasificación, recodificación local y el cálculo de las áreas ocupadas por cada clase temática.
RECODIFICACIÓN GLOBAL
En el caso de necesidad de generalizar el mapa final generada a partir de la clasificación digital
se utiliza el proceso de re-codificación, en cambio de unión de signaturas espectrales.
1. Entre a la pestaña Raster, Raster Gis, despliegue la opción Thematic y elija Recode
(aquí aparece la ventana de Recode). Introduzca en el Input file la clasificación que
queremos recodificar y en Output File el nombre de la salida del proceso.
2. Pique con el botón derecho del mouse la opción Setup Recode, se despliega una tabla
de contenido con toda la información de la clasificación. La columna de Value es el
orden que tienen nuestras clases temáticas en Signature Editor y en Raster Atributes.
3. Para unir o recodificar las clases pique bajo Value el número que corresponde a la
categoría en cuestión. Si se quiere elegir varias categorías: presione la tecla Shift del
teclado simultáneamente con el botón derecho del ratón sobre las categorías a
seleccionar. Frente la opción New Value asigne el número de clase a que va a unirla y
oprime la opción Change/Selected Rows para hacer efectivos los cambios. Agrupa
todas las clases temáticas según sus propias consideraciones; por ejemplo todos los
bosques (b1,b2, y b3) en una sola clase (b), igual cultivos, etc. Importante: en una hoja
a parte anote los nuevos valores asignados por Usted a cada clase temática. Por
último, haga clic en OK.

4. El Data Type, Output sera: Unsigned 8 bit. Active la opción Ignore Zero in Statistics.
Haga clic en OK para correr el proceso.
5. Desplegué la imagen re-codificada. Compara con la clasificación original. Debido a la re-agrupación
se modificaran los colores de las clases temáticas y se perderá la columna
de nombres. Para editar de nuevo los colores y nombres abra desde la zona izquierda
de la pantalla Contents, View, click derecho Display Attribute Table la tabla de
atributos de la imagen recodificada. Primero modifique en esta tabla los colores de cada
clase y luego adicione la columna de nombres con La pestaña Table Add Clase Name
y re-escribe los nombres de cada clase. Para esto necesitaran los apuntes hechos
durante recodificacion. Salve la tabla de atributos y ciérrela con la imagen.
GENERALIZACIÓN DE LA CLASIFICACION
En la imagen clasificada quedan una serie de píxeles aislados, los cuales en muchos casos no
representan un área significativa, por lo que se podrá aplicar un filtro con la finalidad de que las
clases predominantes absorban estos píxeles. Algo que se debe tomar en cuenta al momento
de hacer este proceso es la escala final del mapa.
1. Para realizar el proceso seleccione desde la pestaña Raster, Raster GIS, despliegue
thematic y elija Neighborhood en el Input file la imagen de entrada (resultado de la
clasificación), y en el Output file: Nombre de salida del resultado. En el Size se podrá
elegir tres opciones: la más suave de las opciones es 3 x 3, y las más fuertes 7 x 7. En
la mayoría de los casos es recomendable pasar dos veces el filtro de 3 x 3, en lugar de
aplicar de una en filtro de mayor tamaño. Bajo Función: Majority; active la opción
Ignore Zero in Statistics y todo lo demás se deja por defecto. Oprima OK. Desplegué
la imagen resultante y analízala. Si todavía quedan muchos píxeles aislados aplique de
nuevo el filtro, pero ya sobre la imagen generalizada y no original.
RECODIFICACION LOCAL
Previo a la realización de este proceso se debe pasar por los filtros CLUMP y ELIMINATE. La
función CLUMP agrupa píxeles vecinos con ND iguales, uniéndolos en una entidad. La función
ELIMINATE elimina los polígonos pequeños, uniéndolos a los polígonos más grandes.
1. Raster, Raster GIS, Thematic/ CLUMP. Entre archivo de entrada (Clasificación con
el filtro de Neighborhood) y asigne el nombre para el archivo de salida, active la
opción Ignore cero in Stat. Y deje resto de parámetros por default, OK. Después
de finalizar el proceso abre la imagen resultante y la tabla de atributos y observe los
resultados.

2. Raster, Raster GIS, Thematic/ ELIMINATE. Seleccione el archivo de entrada
(Imagen con Clump) y asigné el nombre para el archivo de salida, active la opción
Ignore cero in Stat., y asigne Minimum – 100 píxeles, lo que representa en
terreno 9 ha. (La escala final recomendada para imágenes Landsat es de 1:100.000,
entonces polígonos menores de 3 mm x 3mm no estarán incluidas en el mapa). Deja
el resto de parámetros por default, y oprime OK.
6. Despliegué la imagen generada a partir de algoritmo ELIMINATE y abra la tabla de
atributos de la imagen. Observe que no existe la columna de los nombres y colores
del mapa son de tonos gris.

7. Se puede adicionar la columna de nombre con La pestaña Table Add Clase Name y
manualmente modificar los colores, o copiar de otro archivo que ya los contiene. Para
este, en la pestaña Table, Query, seleccionar Merge; aparecerá la ventana de Merge
Raster Attribute Columns:, en Input Raster Layer, seleccione el archivo de la
clasificación reproyectada en el ejercicio 11. En la parte inferior de la ultima ventana,
seleccione todas las columnas, menos - la columna Histogram y oprime OK. En la
ventana que aparecerá, confirme que va a sobrescribir la información. De esta manera
se asignarán los colores de la clasificación a la imagen resultante de ELIMINATE.
8. Ahora se puede iniciar el proceso de recodificacion local de la clasificación. Deje la
imagen generada con Eliminate y vaya a la herramienta de dibujo en la pestaña
Drawing, Insert Geometry... desde la pestaña Thematic, edit seleccione Recode.
9. Observe en la imagen las áreas que no corresponden a la realidad de campo y con la
opción seleccionelas; manteniendo AOI seleccionado desde la tabla de RECODE,
cambie el valor de una clase incorrecta por el valor de la clase correcta, confirmando con
la opción Change Selecction y Apply. Salve la imagen con otro nombre para no dañar
la original, desde FILE- SAVE- Top Layer as....
10. Proceda con la edición de la clasificación hasta que considere que el resultado es
satisfactorio. Antes de editar una nueva área, borre el AOI anterior y no olvide
periódicamente salvar las ediciones.

11. Por último, reproyecte al sistema local de referencia (procedimientos del ejercicio de
reproyección).
CÁLCULO DE ÁREAS EN UNA CLASIFICACIÓN
Una vez finaliza la edición, se podrá conocer el área y porcentaje que corresponde a cada clase
temática. Los pasos a seguir son los siguientes:
- Abrir un Viewer y desplegar la clasificación; Ir a la pestaña Table, Column y elegír la
opción Add Area Coumn; aquí se eligen las unidades en las que obtendremos las áreas y
OK para hacerlas efectivas en la tabla de Attribute Editor.
CÁLCULO DE PORCENTAJE DE ÁREAS EN UNA CLASIFICACIÓN
1. En la tabla de atributos seleccione la columna Histogram con el botón izquierdo del
mouse y enseguida oprime el botón derecho sobre Histogram allí se despliegan una
serie de opciones, elegir Compute stats. Aparecerá una ventana con los resultados de
la estadística de la clasificación. Anote el valor del Total o deja esta ventana abierta.
2. Seleccione la pestaña Table/ Query/ Column Properties y en la ventana que aparecerá
oprime el botón NEW. Luego, asigne el nombre a la columna y active la opción
Editable; Type = Real; Format= 0.00%, seleccionando bajo el botón More...
3. Frente el campo Formula oprime el botón More. En la ventana Formula seleccione el
nombre de la columna (Histogram), oprime el botón del signo de división ( / ), digite el

valor correspondiente al "Total" obtenido de las estadísticas desde la ventana
FORMULA y OK.
4. Seleccione la opción APPLY ON OK en la ventana Column Properties y OK. Observa el
resultado generado en la ventana de la tabla de atributos. Salve resultados.
Una vez creada la columna de áreas y de porcentaje y se han organizado las columnas en el
Editor, se procederá a obtener el reporte final de resultados de la clasificación. Desde Attribute
Editor entre a Edit y busca la opción Report ; active Total para obtener los totales, y OK para
desplegar la tabla de resultados .
EJERCICION 16. CONVERSION RASTER A VECTOR (SHAPE)
Para incorporar el mapa elaborado a partir de la clasificación supervisada a un SIG como una
capa temática se requiere convertir esta a formato vector. Previo a la realización de este
proceso se debe pasar por los filtros CLUMP y ELIMINATE y edición de la clasificación y luego
procede con los siguientes pasos:

1. Desde la pestaña VECTOR en el grupo RASTER TO VECTOR, seleccionar Raster to
Shapefile. En archivo de entrada la imagen con filtro ELIMINATE y asigne el nombre de
salida y oprime OK. Se genera el archivo vector en formato shapefile.
2. Abra la imagen clasificada y editada con RECODE y sobre esta el archivo shape
generado. Vaya a la pestaña Format, al grupo Symbology y seleccione VIEWING
PROPERTIES active ARCS y POINTS. Observe la capa de vectores y su información.
3. Para observar los atributos y adicionar nuevo atributo, correspondiente a nombre de
clase, abra la tabla. Desde la pestaña table, desplegar query y seleccione Column
properties.

BIBLIOGRAFÍA BASICA
1. Manual ERDAS. Tour Guide y Field Guide.
2. E. Chuvieco Fundamentos de teledetección especial
3. Posada, Elena. Conceptos Básicos de Procesamiento Digital de Imágenes Satelitales.
Instituto Geográfico Agustín Codazzi. Bogotá. Notas de Clase. 2004.
4. Posada, Elena. Prácticas de PDI con ERDAS. Instituto Geográfico Agustín Codazzi.
Bogotá. Notas de Clase. 2006
Bibliografía adicional de las paginas WEB
http://meteor.upc.es/launik/launik5.html
http://www.mundofree.com/igomenor/homesats.html
De La Ville N., García J. Uso de sensores remotos, GIS y modelos espaciales como apoyo al
plan de ordenación territorial
http://gis.esri.com/library/userconf/latinproc99/ponencias/usos%20de%20sensores%20remotos%
20sigis.html
Aplicación de las tecnologías SIG para la realización de una clasificación de usos de suelo
híbrida paramétrica-no paramétrica a partir de imágenes de satélite Landsat TM.
http://www.mappinginteractivo.com/plantilla-ante.asp?id_articulo=39
Applications of satellite remote sensing to forested ecosystems. R. Iverson
http://www.fs.fed.us/ne/delaware/4153/global/iverson10.pdf
Mapping Rural Land Use & Land Cover Change In Carroll County, Arkansas Utilizing Multi-
Temporal Landsat Thematic Mapper Satellite Imagery. R. Bottomley
http://www.cast.uark.edu/local/brandon_thesis/index.html
Interpretation of tropical vegetation using Landsat ETM+ Imagery. Rahman M. y otros.
http://www.isprs.org/istanbul2004/yf/papers/951.pdf
Soil and vegetation optical properties. Leblon B. http://www.r-s-c-c.
org/rscc/Volume4/Leblon/leblon.htm
Introduction to Digital Image Processing of Remotely Sensed Data. Jensen, Eastman, Faust.
http://www.r-s-c-c.org/rscc/v3.html
Quantifying vegetation change in semiarid environments: precision and accuracy of spectral
mixture analysis and the normalized difference vegetation index. Elmore A.
http://andrew.elmore.cc/pubs/Elmore_et_al_2000_RSE.pdf
Land Cover Analysis applications: http://www.csc.noaa.gov/crs/lca/apps.html
TUTORIALES

The Remote Sensing Core Curriculum: http://www.r-s-c-c.org/
Remote Sensing Tutorial (by Nick Short) http://rst.gsfc.nasa.gov/start.html
ASPRS RemoteSensing Core Curriculum: http://research.umbc.edu/~tbenja1/umbc7/
Tutorial de teledetección del Canadá Centre for Remote Sensing
http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/fundam/fundam_e.html
NCGIA Core Curriculum : National Center for Geographic Information Analysis (NCGIA)
Application of Remote Sensing http://www.r-s-c-c.org/rscc/v4.html
SOFTWARE PDI
DRAGON, Six University Drive Suite 213, Amherst, MA 01002, USA.
ENVI, Research Systems Inc.,4990 Pearl East Circle, Boulder, CO 80301, USA.
Representante español:
Estudio Atlas, Constitución 70, 28100 Alcobendas - Madrid.
ERDAS, 430 Tenth Street, N.W., Suite N206, Atlanta, GA 30318. Representante
español: Infocarto, Gobelas, 25 -3º, 28023 Madrid.
ER-Mapper, 87 Colin Street, West Perth, Western Australia 6005. Representantes
españoles: (a)
Tragsatec, Avda. Ciudad de Barcelona, 118/124, 28007 Madrid, (b)
Ibersat, Araquil, 11 -28023 Madrid.
ESRI, 380 New York St. Redlands CA92373, USA Representante español: ESRI
España, Princesa, 3 - 7ª Planta, 28008 Madrid.
IDRISI, Clark University, Clark Labs for Cartographic Technology and Geographic
Analysis, 950 Main Street, Worcester MA 01610-1477, USA.
GRASS
ILWIS, International Institute for Aerospace Survey and Earth Sciences (ITC), P.O. Box
6, NL-7500 AA, Enschede, Holanda
Intergraph, One Madison Industrial Park, Mail Stop IW17 B6, Huntsville, Alabama 35894,
USA. Laser Scan, Cambridge Science Park, Milton Road, Cambridge CB 4FY, Reino
Unido.
MultiSpec, Universidad de Purdue (dominio público)

PCI, 50 West Wilmot Stree, Richmond Hill, Ontario L4B 1M5, Canada. Representante
español: Dharma Ingeniería, Monte Esquinza 24 - 3º dcha., 28010 Madrid. Terra-Mar,
1937 Landings Drive, Mountain View, CA 94043, USA. TNT, Micro-images Inc., 201
North 8th Street, Lincoln, NE 68508-1347, USA.

Manual erdas web

Más contenido relacionado

Similar a Manual erdas web (20)

Último (20)

Manual erdas web