SIG Revolution

SIG REVOLUTION
Ordenación del territorio, urbanismo y paisaje

Colección Síntesis • Geografía

SIG REVOLUTION
Ordenación del territorio, urbanismo y paisaje
RafaelR.TemesCordovez(coordinador)
AlfonsoMoyaFuero
JuanJoséTusetDavó
EricGielen
M.ªPilarPeñarrubiaZaragoza
MoisésSimancasCruz
JoséSergioPalenciaJiménez
FernandoMiguelGarcíaMartín
PabloMartíCiriquián
AlmudenaNolascoCirugeda
LeticiaSerranoEstrada
EmilioMoleroMelgarejo
AnaRuizVarona
GersónBeltránLópez

Consulte nuestra página web: www.sintesis.com
En ella encontrará el catálogo completo y comentado
Actividades de los vídeos: Alba Ayuso, Alejandro Barrero y Alicia Peñalba
Edición de los vídeos: Nicole Vanessa Franchina
© Rafael R. Temes Cordovez (coord.)
© EDITORIAL SÍNTESIS, S. A.
Vallehermoso, 34. 28015 Madrid
Teléfono: 91 593 20 98
www.sintesis.com
ISBN: 978-84-9171-493-4
Depósito Legal: M-10.441-2020
Impreso en España. Printed in Spain
Reservados todos los derechos. Está prohibido, bajo las sanciones
penales y el resarcimiento civil previstos en las leyes, reproducir,
registrar o transmitir esta publicación, íntegra o parcialmente, por
cualquier sistema de recuperación y por cualquier medio, sea mecánico,
electrónico, magnético, electroóptico, por fotocopia
o cualquier otro, sin la autorización previa por escrito
de Editorial Síntesis, S. A.

Índice
Parte I. Investigación
9 Introducción
15 SIG y su uso en el urbanismo y la ordenación del territorio
Rafael R. Temes Cordovez
43 SIG para la extracción de geometrías y detección de cambios

con cartografía ráster
Alfonso Moya Fuero
67 SIG y el geodiseño: modelo colaborativo de planificación territorial
Juan José Tuset Davó
87 SIG y el análisis de aptitud
Eric Gielen
107 SIG y el geomarketing
M.ª Pilar Peñarrubia Zaragoza y Moisés Simancas Cruz
127 SIG y los riesgos de inundación
José Sergio Palencia Jiménez
145 SIG y los análisis morfológicos territoriales y urbanos
Fernando Miguel García Martín
163 SIG y las redes sociales
Pablo Martí Ciriquián, Almudena Nolasco Cirugeda y Leticia Serrano Estrada
177 SIG para cartografiar la actividad urbana: una aplicación
en la ciudad de Almería
Emilio Molero Melgarejo
193 SIG y la vulnerabilidad, el riesgo social y la justicia espacial
Ana Ruiz Varona
213 SIG y la geolocalización online
Gersón Beltrán López
Parte II. Aplicaciones
233 Introducción
237 Utilidades básicas de los SIG
243 Análisis del territorio y la ciudad
249 Gestión de datos y cartografías
255 Automatización de geoprocesos
261 Análisis con datos LiDAR y teledetección
267 Modelización de escenarios urbanos a partir del uso de CityEngine
Parte III. Casos prácticos
275 Introducción
276 Caso 1. Asistencia a la toma de decisiones para la ubicación
de una dotación de guardería en el municipio de Alcoy (Alicante)
280 Caso 2. Realización de un atlas de indicadores urbanos
para un municipio
284 Caso 3. Valoración de modelos tridimensionales urbanos para la gestión
municipal y la generación de cartografías a partir de la teledetección

SIG para la extracción
de geometrías
y detección de cambios
con cartografía ráster
Alfonso Moya Fuero
Departamento de Urbanismo
Universitat Politècnica de València

45
SIG PARA LA EXTRACCIÓN DE GEOMETRÍAS Y DETECCIÓN DE CAMBIOS CON CARTOGRAFÍA RÁSTER
INTRODUCCIÓN
Lacartografíatrataderepresentargráficamente,adiferentesescalas
lineales y tratando de conservar lo máximo posible las formas, la
realidad de una zona geográfica. Las diferentes técnicas tratan de
representar la realidad lo más fielmente posible, minorando en la
medida de lo posible las deformaciones producidas al representar
sobre un soporte plano la realidad esférica. A lo largo de los siglos,
se han desarrollado diferentes técnicas cartográficas que siempre
buscaban aumentar la precisión de los datos representados
disminuyendo los costes de producción. Se ha pasado de la
topografía clásica a las técnicas fotogramétricas, que, en los últimos
años, han constituido la forma más económica de producir mapas
masivamente en unos tiempos reducidos y con gran precisión.
La fotogrametría produce cartografía vectorial, abstrayendo la
realidad mediante formas geométricas (puntos, líneas y polígonos)
que se traducen en los objetos reales intentando que dicha
representación conserve el tamaño y la forma. A pesar de los avances
en fotogrametría digital y la gran automatización de procesos
necesarios en todo el procedimiento [Navarro, 2012] es necesaria
siempre la acción del fotogrametrista para ir cartografiando todos
los elementos que aparecen en el mapa.
La teledetección y el tratamiento de las imágenes obtenidas por
estanuevatecnologíaestárevolucionandolastécnicasdeproducción
cartográficas. Entre las ventajas de utilizar estos datos, se pueden
destacar la cobertura global del territorio, la alta periodicidad,
el aumento de la precisión de los datos (en los últimos años, ha
aumentado exponencialmente la precisión espectral, radiométrica
y geométrica) y la alta disponibilidad de los datos, muchos de ellos
liberalizados bajo licencias tipo creative commons.
Sobre las imágenes de teledetección y ortofotos, mediante
diferentes técnicas, se pueden ir detectando formas geométricas
correspondientes a la realidad que se quiere cartografiar, por ejemplo,
es posible detectar nuevas construcciones [Hermosilla, 2011] o
delinear obras lineales como carreteras [Recio, 2009]. El presente
capítulo expone brevemente algunas de estas técnicas empleadas y
sus fundamentos.
Cuando se implementa una técnica de extracción de elementos,
se suelen seguir los tres pasos siguientes. El primero es el
preprocesamiento de la imagen para eliminar errores y distorsiones
mediante normalizaciones geométricas (corrigen errores producidos
por la rotación y esfericidad de la Tierra, el ancho del campo de
visión, variaciones de altitud y velocidad, distorsión panorámica y
el efecto del relieve), correcciones radiométricas (son distorsiones

46
SIG REVOLUTION
provocadas por el instrumental, normalmente offset y ganancia) y
correcciones atmosféricas (la radiación solar directa y la reflejada
por los componentes atmosféricos que distorsionan el proceso de
captura de la información, ya que provocan cambios en las longitudes
de onda y variaciones en las reflectividades capturadas).
El segundo es la selección de una técnica aplicable a los datos
de partida y acorde con los resultados que se esperan obtener. El
presente capítulo expone someramente algunas.
El tercero es la evaluación de la exactitud obtenida. El método más
utilizado para la evaluación de la precisión es mediante validación
cruzada o cross-validation. Consiste en crear dos conjuntos de los
datos de muestra, en el primero se realizan las técnicas de extracción
(denominado datos de entrenamiento o training set), y validarlos
en el otro subconjunto (denominado datos de prueba o test set)
aplicando dichas técnicas. Previamente con estos segundos, se ha
verificado que son correctos, de forma que sea factible verificar el
grado de aciertos al aplicar dichas técnicas de extracción.
Para que la precisión de los resultados obtenidos sea lo más alta
posible,sedebentenerencuentadiversosfactores,como,porejemplo,
una georreferenciación precisa de las imágenes que garantice una
coordinacióncartográficaprecisasiseusanconjuntamenteconotras
bases. Igualmente, es importante que la calibración, normalización y
eliminación de distorsiones se hayan realizado de forma correcta. Si
se precisan datos de apoyo en campo, que la disponibilidad de estos
sea precisa y fiable. Con respecto a los elementos por detectar, su
complejidad geométrica es un factor clave. Se identifican mejores
elementos bien definidos y con características inequívocas. Por
ejemplo, a veces se producen errores en la detección de edificios
al confundirlos con contenedores de carga, o confundir sombras
con otros elementos constructivos. Otro factor es la experiencia y
habilidades del analista, su conocimiento y familiaridad del área de
estudio. Otro problema puede ser de restricciones de tiempo y coste,
ya que algunos algoritmos requieren mucho coste de proceso o se
quiere reconocer áreas muy extensas. A continuación, se expone un
resumen de las técnicas más extendidas para extraer geometrías.
OPERACIONES ALGEBRAICAS
Una imagen digital puede ser identificada como una matriz cuyas
filas y columnas identifican cada componente de la imagen. Se
pueden usar las bandas de las imágenes como matrices y aplicarles
operaciones de cálculo algebraico. De entre todas las técnicas
utilizadas por el álgebra de imágenes, la más usada es la diferencia de

47
Técnica Características Ventajas Inconvenientes Factores
Diferenciación
de imágenes
Resta de píxeles
por fecha
Sencillo
y de fácil
interpretación
No produce una
matriz de cam-
bios y necesita
seleccionar
umbrales
Elección correc-
ta de bandas
y umbrales
Regresión
de imágenes
Establece
relaciones entre
imágenes tem-
porales, resta
ambas aplican-
do a cada una
la función de
regresión
Reduce
los impactos
ambientales,
atmosféricos y
del sensor. Fácil
Requiere la co-
rrecta implanta-
ción de funcio-
nes de regresión
en cada banda
seleccionada
Elección correc-
ta de bandas
y umbrales,
así como
de las funciones
de regresión
Ratio
de imágenes
o cociente
Calcula la ratio
o cociente entre
dos imágenes
temporales
Reduce el
impacto de las
sombras, ángulo
solar y topogra-
fía. Fácil
Se critica
la no distribu-
ción normal de
los resultados
Elección correc-
ta de bandas
y umbrales
Diferencia
de índices
de vegetación
Resta de índices
de vegetación
entre imágenes
temporales
Reduce impac-
tos de ilumina-
ción y topografía
y marca las
diferentes res-
puestas espec-
trales. Fácil
Mejora la elimi-
nación de ruido
aleatorio
Elección del
índice de vege-
tación para usar
y los umbrales
Vector
de cambios
Produce dos
salidas, una
la magnitud y
dirección del
cambio entre
imágenes tem-
porales y otra la
magnitud con
respecto al total
medida en dis-
tancia euclídea
entre los valores
extremos
Se puede aplicar
al número de
bandas que se
desee y pro-
porciona infor-
mación precisa
del cambio
producido
Dificultad para
detectar la
dirección de los
cambios de uso
producidos. Difi-
cultad media
Definición
de umbrales
e identificación
de trayectorias
de cambio
Cuadro 1. Técnicas algebraicas de procesado de imágenes

48
SIG REVOLUTION
imágenes. La resta entre la banda roja visible y el resto de bandas
de las imágenes ha demostrado ser adecuada para la detección de
cambios en los ambientes semiáridos y áridos, pero no funciona en
otros entornos, tales como tropical o regiones húmedas. Diferentes
autoresnohanllegadoaconcluirquémétodoproporcionalosmejores
resultados entre las ratios de imagen, los índices de vegetación, la
regresión de la imagen y el análisis vectorial de cambios (ACV), ya que
los resultados varían en función de las características de las áreas
de estudio y los datos utilizados. El método de sustracción de fondo
no es de uso frecuente debido a su poca capacidad de detección de
cambios (Cuadro 1).
MÉTODOS BASADOS EN TRANSFORMACIONES
Para poder extraer elementos de las imágenes, en muchos casos
es preceptivo un preproceso de estas para realzarlas y mejorarlas
o reducir su dimensionalidad (creando menos bandas a partir de
varias, pero con la menor pérdida de información posible). Existe una
gran cantidad de transformaciones realizables con este fin.
Las transformaciones implican a varias bandas de datos de
una imagen o varias del mismo ámbito geográfico. De todas ellas,
las más usadas para la detección de cambios son el análisis de
componentes principales (PCA) y la transformación Tesselled-cap
(KT). Es importante reseñar que, después de estas transformaciones,
las bandas resultantes no tienen significado físico alguno, aun en el
caso que los datos originales sí lo tuvieran. Por ejemplo, en el caso
de PCA, el objetivo es reducir el número de bandas simplificando la
información en unas bandas nuevas llamadas componentes, en las
que es más fácil detectar geometrías (Cuadro 2).
TÉCNICAS DE CLASIFICACIÓN
Las técnicas de clasificación de imágenes sirven para agrupar y
extraer características comunes de los elementos que las contienen
y poder categorizarlas posteriormente. Esas características se basan
en el color, textura, uniformidad, ND, valores de radiancias, etc.
Haydostiposdeclasificación,lasupervisadaylanosupervisada.La
primera de ellas, la supervisada, se basa en la detección previamente
de los tipos por clasificar mediante regiones de interés (ROI) que,
previamente, han de delinearse en las zonas de detección. Los
algoritmos de este tipo de clasificación buscan los mismos patrones
de los ROI dentro de toda la escena, asignando a cada píxel una clase
(la que estadísticamente esté más cercana).

49
Análisis de
componentes
principales (PCA)
Asume que los
datos temporales
están altamente
correlacionados y
los cambios resaltan
en las nuevas
componentes
Reduce la
redundancia de
datos entre todas
las bandas y enfatiza
la información
de las nuevas
componentes. Fácil
implementación
PCA es muy
dependiente según
la escena y es
difícil de interpretar
y etiquetar. No
proporciona una
matriz compleja de
clases de cambios
y requiere umbrales
para las áreas
modificadas
El analista debe
decidir qué
componente detecta
mejor el cambio
y en qué umbrales
Transformación
Tasselled Cap (KT)
Similar al PCA, salvo
que no depende
de la escena. Los
componentes se
basan en el brillo,
verdor y humedad
de la imagen
Reduce la
redundancia de
datos entre todas
las bandas y enfatiza
la información
de las nuevas
componentes. Es
independiente
de la escena. Fácil
implementación
Difícil de interpretar
e etiquetar, no
proporciona una
matriz de cambios.
Con anterioridad,
hay que corregir
atmosféricamente
las imágenes de
forma muy precisa
El analista debe
decidir qué
componente detecta
mejor el cambio
y en qué umbrales
Transformación
Gramm-Schmidt
(GS)
Ortogonaliza
vectores espectrales
tomados de
imágenes
bitemporales. Igual
que KT, produce
tres componentes
de brillo, verdor
y humedad y una
componente
de cambio
La asociación
de componentes
transformadas a las
características de
la escena permite
extraer información
que no es accesible
por otras técnicas
Es difícil extraer
más de una sola
componente para
un tipo de cambio
determinado. EL
GS se basa en
la selección de
vectores espectrales.
Dificultad media
Requiere
identificación inicial
de los espacios
que no cambian
Chi-cuadrado
Se define como la
suma de diferencias
cuadráticas entre los
valores observados y
los esperados
Múltiples bandas son
simultáneamente
consideradas para
generar una única
imagen de cambio
Es complicado
calcular la dirección
de los cambios.
Dificultad media
Está distribuida
como una variable
aleatoria chi-
cuadrado con p
grados de libertad
(p es el número
de bandas)
MAD (Multivariate
Alteration Detection)
Transformación
ortogonal basada
en un análisis
multivariante
que establece la
correlación canónica
de los cambios
entre las bandas
Optimiza la varianza
de los datos en cada
nuevo componente
de la transformación
y la autocorrelación
representada por
cada componente
Solo aplicable
a ventanas de
trabajo pequeñas.
Dificultad alta de
implementación
Sensible a malas
correcciones
radiométricas. Es
un método iterativo
Cuadro 2. Técnicas de transformación de imágenes

50
SIG REVOLUTION
Cuadro 3. Técnicas de clasificación de imágenes
Comparación de
posclasificación
Clasifica las
imágenes temporales
separadamente y
luego las compara
píxel a píxel
Minimiza los efectos
atmosféricos, del
sensor y del entorno,
y proporciona una
matriz de cambios
Requiere mucho
tiempo y experiencia
para crear la
clasificación. La
precisión depende
de la calidad de la
imagen
Dependen de la
calidad de los datos
de entrenamiento
seleccionados
Análisis combinado
espectral de series
temporales
Combina en una sola
banda los diferentes
datos espectrales
y los etiqueta por
clases
Simple y requiere
poco tiempo de
cálculo
Dificultad
para detectar
correctamente el
número de clases. No
proporciona matriz
de cambios y hay
que indicarle a priori
ejemplos de cada
clase
Etiquetado
de las clases
Detección EM
Utiliza un algoritmo
de clasificación
expectativa-
maximización (EM)
que estima a priori la
probabilidad de cada
clase en dos tiempos
diferentes
Este método
proporciona más
precisión que otros
en la detección de
cambios
Requiere estimar a
priori el conjunto de
la probabilidad de
cada clase
Estimación de la
probabilidad de cada
clase
Detección
de cambios
unsupervisados
Selecciona clases
espectrales iguales
en la imagen,
etiqueta estas
mismas clases
en la imagen
2 y finalmente
proporciona los
cambios producidos
Este método
hace uso de la
clasificación
unsupervisada y
automatización del
proceso
Dificultad en
identificar y etiquetar
las direcciones de los
cambios
Identificar las clases
que espectralmente
son homogéneas y
forman una unidad
Detección de
cambios híbrido
Usa una
superposición
de una imagen
con los píxeles de
cambio aislados
y los clasifica
unsupervisadamente,
a partir de ello crea
una máscara donde
se produce el cambio
Excluye los píxeles
que no tienen
cambios para reducir
los errores
Requiere la selección
de umbrales en
las direcciones de
cambio entre las
clases
La selección de
umbrales entre las
áreas de cambio
y no cambio
Redes neuronales
artificiales (ANN)
Los datos de entrada
son la información
espectral en una
serie temporal. Usa
un algoritmo de
propagación hacia
atrás para entrenar
la red neuronal
ANN es un método
no supervisado
no paramétrico
que predice las
propiedades de los
elementos a partir
del entrenamiento
Necesita mucho
tiempo, a priori se
desconocen las
capas de cambio.
No se utiliza
frecuentemente
en la detección
de cambios.
Dificultad alta
La dificultad de
establecer el número
de capas que han
de clasificarse
y de extraer los datos
de entrenamiento

51
La clasificación no supervisada no necesita a priori definir zonas
ya clasificadas, únicamente hay que especificar el número de clases
en el que se va a disgregar toda la escena. Los algoritmos de este tipo
de clasificación realizan clustering. En cada paso, se van agrupando
las zonas más próximas en función de unas características (color,
textura, variables estadísticas, etc.), quedando dividida la imagen
en clases en cada iteración. Cuando se llega al número de clases
predefinido, se detiene el proceso (Cuadro 3).
MODELOS AVANZADOS
Los modelos avanzados se usan para estimar parámetros biofísicos
o BRDF (Bidireccional Reflectance Distribution Function). Estos
modelos tratan de parametrizar el comportamiento real de los
parámetros biológicos mediante la emulación de su comportamiento
espectral y permiten extrapolar dicho comportamiento a zonas
donde no hay datos disponibles. En estos métodos, los valores de
reflectividad de la imagen se convierten a menudo en parámetros
físicos a través de modelos lineales o no lineales. Los parámetros
transformados son más intuitivos para interpretar y mejores para
extraer índices de vegetación (NVDI) que los obtenidos a partir de
firmas espectrales. La desventaja de estos métodos es el consumo
de tiempo y la dificultad de desarrollar modelos adecuados para
la conversión de los valores de reflectividad de las imágenes a los
parámetros biofísicos. Otra desventaja es que solo se aplican a
parámetros biofísicos, por el contrario, son muy fiables y precisos
(Cuadro 4).
SISTEMAS DE INFORMACIÓN GEOGRÁFICOS
Los sistemas de información geográficos (SIG) tienen la capacidad
de incorporar diferentes fuentes en las aplicaciones de extracción
y detección de cambios. Hay que intentar normalizar las fuentes
para que no afecten el resultado final (por ejemplo, homogeneizar
escalas).Sepuedenincorporar,ademásdelosdatosdeteledetección,
cartografías vectoriales, usos del suelo, estadísticas, etc., que
enriquecen los procesos de detección, facilitando, por ejemplo, la
selección de ROI o la comprobación de aciertos. El potencial de los
SIG proporciona herramientas prácticas que ayudan a la detección
de cambios en ámbitos que tradicionalmente no se habían estudiado.
Los SIG también destacan por la capacidad de manejar cantidades
ingentes información de una forma eficiente y ligera, además de
la versatilidad que ofrece a la hora de publicar resultados, realizar
estadísticas, etc. (Cuadro 5).

52
SIG REVOLUTION
Li-Strahler modelo
de reflectividad
Se utiliza para
detectar la corona
de coníferas
entre imágenes
temporales. Devuelve
los cambios
producidos
Combina las técnicas
de teledetección
con las clásicas
observaciones de
campo. Proporciona
patrones de cambio,
estadísticas y mapas
de cambio
Necesita muchos
datos de campo y
solo detecta cambios
en la vegetación
Identifica las coronas
de la vegetación
Modelo de mezcla
espectral
Utiliza una mezcla
espectral para
derivar imágenes
fracción y compara
las diferencias
de clases en las
imágenes finales.
Utiliza una librería
espectral para crear
las zonas
de entrenamiento
Las clases
resultantes tienen
significado biofísico,
los resultados son
precisos, estables
y reproducibles
Este método está
considerado como
avanzado y complejo
Identificar los
umbrales de
cambio entre
clases y las zonas
de entrenamiento
finales
Método de
parámetros
biofísicos
Integra datos
biofísicos de campo
y de teledetección
y clasifica la
vegetación según
estos parámetros.
Normaliza los datos
de entrada y los
calibra y devuelve los
cambios producidos
en una serie
temporal
Este método
puede detectar
con precisión
cambios basados en
estructuras físicas
en la vegetación
Requiere
mucho esfuerzo
implementar la
normalización
y correcciones
atmosféricas.
Necesita muchos
datos de cambio y
es solo válido para
cambios
en la vegetación
Desarrolla modelos
de estimación
basados en
parámetros
biofísicos
Cuadro 4. Técnicas de modelos avanzados de procesado de imágenes
Técnica Características Ventajas Inconvenientes Dificultad Factores
Método
integrado de SIG
y teledetección
Integra datos
SIG y de
teledetección.
Explota los
resultados
dentro del SIG
Permite el
acceso a datos
auxiliares para la
interpretación.
Tiene la
capacidad de
actualizar los
datos de usos
del territorio
El uso de
diferentes
fuentes de
información
puede degradar
la precisión del
resultado final
Medio
El uso de diferentes
datos con diferentes
precisiones.
Tienen que estar
georreferenciados
correctamente
Aproximación SIG
Se integran
datos históricos
con datos
topográficos
y geológicos.
Enmascara los
datos para poder
medir el grado
de cambio
entre clases
Permite la
integración de
diferentes datos
cartográficos
El uso de
diferentes
fuentes de
información
puede degradar
la precisión del
resultado final
Medio
El uso de diferentes
datos con diferentes
precisiones.
Tienen que estar
georeferenciados
correctamente
Cuadro 5. Técnicas de sistemas de información geográfica aplicadas a las imágenes

53
Interpretación
visual
Se basa en la
comparación
visual de
diferentes
bandas en
diferentes
fechas, de una
misma zona
en una serie
temporal
Se aprovecha
la experiencia
del técnico que
realiza el trabajo
El resultado
final depende de
la experiencia
del técnico y
no proporciona
datos exactos
de las zonas
de cambio
El grado de
conocimiento
del técnico
de los datos
a clasificar
Cuadro 6. Técnica de interpretación visual de imágenes
ANÁLISIS VISUAL
El análisis visual se basa en la interpretación directa de los
datos, la experiencia del técnico y el conocimiento que tenga de
la zona. En la interpretación visual, un analista experto puede
incorporar el color, textura, forma, tamaño, etc., para ayudarlo
a tomar decisiones sobre los cambios y detección de formas.
La gran desventaja de este método es el coste temporal para
extensas zonas de análisis, teniendo este método mucha menor
productividad que los métodos vistos anteriormente aplicados de
forma automatizada. Sin embargo, la fortaleza del análisis visual
es su alta precisión y grado de acierto, superior a los anteriores
(Cuadro 6).
Grupo Técnica
Análisis visual Análisis visual
SIG Método integrado de SIG y teledetección
Álgebra
Diferenciación de imágenes
Regresión de imágenes
Ratio de imágenes o cociente
Diferencia de índices de vegetación
Vector de cambios
Transformación
Chi-cuadrado
Transformada MAD (Multivariate Alteration Detection)
Clasificación Método no supervisado (K-means)
Cuadro 7. Técnicas aplicadas en el método propuesto de detección de nuevas construcciones

54
SIG REVOLUTION
CONSIDERACIONES A LOS MÉTODOS EXPUESTOS
Algunos autores hacen otras clasificaciones parecidas, por ejemplo,
Sui, Gong y Ma [2008], que distinguen las siguientes: comparación
directa,clasificación,métodosorientadosaobjetos,modelos,análisis
de series temporales, análisis visual y método hibrido. La mayoría de
estudios han concluido que no hay una metodología específica única
que sea apropiada a todos los casos de estudio.
Todos los esfuerzos hoy en día se centran en aproximaciones
automatizadas basadas en analizar imágenes multiespectrales de
secuencias multitemporales de imágenes. Las técnicas tradicionales
de fotointerpretación o topografía clásica producen un resultado de
alta precisión y calidad, pero su alto coste material como en tiempo,
aconsejan la automatización de estos procesos.
A pesar de que ha aumentado mucho la resolución de las
imágenes espectrales utilizadas, sigue siendo una tarea complicada
la detección automatizada de cambios. La complejidad de forma y
tamaño, como la variación de reflectividad, sobre todo en entornos
urbanos, multiplican exponencialmente la variedad de casos a
identificar [Donnay, Barnsley y Longley, 2001]. Actualmente, la
nueva adquisición de datos, como el LiDAR, usos del suelo u otras
cartografías, son integradas junto a datos de los objetos derivados
de las imágenes, así como información topológica acerca de los
colindantes para crear modelos de aproximación [Blaschke, 2004].
MÉTODO DE DETECCIÓN DE CAMBIOS
Basándose en algunas técnicas antes citadas, como tesina final del
máster de Teledetección de la Universitat de València [Moya y García,
2012], se propuso un método de detección de cambios orientado a
nuevas construcciones sobre el territorio. Se utilizaron los métodos
indicados en el Cuadro 7.
Además de estas técnicas, y como herramienta de soporte a
los métodos de extracción de bandas para la clasificación, se han
utilizado operaciones morfológicas en dichas bandas para mejorar
la clasificación de los cambios. Estas operaciones son aperturas,
cierres, dilataciones y erosiones utilizando como elementos
estructurales rectángulos y rombos, ya que son los elementos que
más se parecen geométricamente a las nuevas construcciones.
Detección de nuevas construcciones mediante una comparación
visual entre dos ortofotos de dos fechas diferentes
Los datos de partida son dos ortofotomapas del Institut Cartogràfic
Valencià (ICV), de dos años diferentes (2006 y 2008), con las bandas

55
Figura 1
Ortofoto de 2006
y 2008.
IRGB, para poder localizar sobre ellos nuevas construcciones
en el territorio y así poder comprobar diferentes metodologías
de detección de cambios. La resolución es de 0,5 m el píxel. En la
Figura 1, se aprecia una nueva construcción.
Recorte de las ventanas manteniendo la misma georreferenciación
de los píxeles comunes
Se han recortado ventanas de 200 x 200 píxeles para emplear el
método propuesto. Se han generado nuevas bandas mediante
álgebra de mapas (Cuadro 8):
Cuadro 8. Bandas empleadas para la detección de nuevas construcciones
2006_GREEN: Banda verde del RGB del año
2006.
2008_IR: Banda del infrarrojo del año 2008.
2006_BLUE: Banda azul del RGB del año
2006.
2008_NDVI: NVDI del año 2008.
2006_RED: Banda roja del RGB del año 2006.
dif_GREEN: Diferencia entre 2006_GREEN
y 2008_GREEN.
2006_IR: Banda del infrarrojo del año 2006.
dif_BLUE: Diferencia entre 2006_BLUE
y 2008_BLUE.
2006_NDVI: NVDI del año 2006.
dif_RED: Diferencia entre la banda 2006_RED
y 2008_RED.
2008_GREEN: Banda verde del RGB del año
2008.
dif_IR: Diferencia entre 2006_IR y 2008_IR.
2008_BLUE: Banda azul del RGB del año
2008.
dif_NDVI: Diferencia entre 2006_NVDI
y 2008_NVDI.
2008_RED: Banda roja del RGB del año 2008. change vector: (Vector de diferencias).

56
SIG REVOLUTION
Extracción de bandas como entradas de los algoritmos de
clasifi cación
Para poder aplicar estas operaciones morfológicas, primero hay
que calcular las bandas de la imagen que mejor reflejen los cambios
producidos. Para ello, vamos a basar el trabajo en cuatro bandas.
Transformada IRMAD
En este trabajo, se ha aplicado una nueva transformación ortogonal,
la transformación (MAD, Multivariate Alteration Detection), basada
en un análisis multivariante que establece la correlación canónica
de los cambios entre las bandas. A diferencia de los sistemas
tradicionales de detección de cambios univariados, este esquema
transforma dos series de observaciones multivariantes (por ejemplo,
dos imágenes multiespectrales de satélite que cubren la misma
área geográfica adquirida en diferentes fechas) en una diferencia
entre dos combinaciones lineales de las variables originales, estas
diferencias cuantifican el cambio máximo (es decir, la diferencia que
explica la varianza máxima) en todas las variables simultáneamente.
La transformación MAD es invariante a escala lineal. Puede ser
usada de forma iterativa. En primer lugar, se puede utilizar para
detectar valores atípicos o el ruido y, en una segunda iteración, se
puede utilizar para realizar la detección de cambio real después de
la acción apropiada en los valores atípicos o de ruido (corrección
radiométrica).
Debido a su capacidad para detectar cambios en los canales de
manera simultánea, la transformación y el post-procesamiento
MAD/MAF es aún más útil cuando se aplica a un mayor número de
bandas en las que se aprecien los cambios. Los datos de entrada
para la extracción de la transformada MAD son las bandas R, G, B e IR
correctamente georreferenciadas píxel a píxel (Figura 2).
Figura 2
Tranformada MAD
para la banda IR
y para las bandas R,
G y B.

57
Dado que el análisis se basa en un estudio multitemporal de
imágenes,hayqueasegurarsequeambasfechassoncomparables,es
decir,queloscambiosobservadosenambassedebanexclusivamente
a variaciones del territorio y no tenga ruidos causados por cambios
atmosféricos, diferencia del sensor de toma de datos, sombras,
o efectos de superficies subyacentes. Corregir estos errores se
denomina normalización radiométrica. Se ha utilizado un enfoque
denominado normalización de imágenes. Consiste en elegir una
escena como referencia que contenga el mayor número de elementos
con reflectividades invariantes (arena, asfalto, barbecho, etc.) y lo
menor afectada posible por las condiciones atmosféricas. Con ello
también se consigue reducir las diferencias de iluminación entre
secuencias y la degradación temporal en la respuesta del sensor. El
algoritmo de MAD [Morton y Nielsen, 2012] permite estimar, de un
modo casi automático, las áreas radiométricas invariantes a partir
de técnicas multivariadas. El resultado se aprecia en la Figura 3.
Figura 3
Imagen del 2008
normalizada
por el método MAD.
Se observa cómo se ha homogeneizado con respecto a la de
entrada del 2006. Los valores de reflectividad del 2006 son ahora
comparables con los del 2008 normalizados, siguen la misma
distribución estadística (media y desviación típica) y se reducen los
efectos atmosféricos y de calibrado del sensor entre ambas fechas.
Chi-cuadrado (χ2)
Entre las propiedades que tienen las componentes MAD, una es la
ortogonalidad no correlacionada, cuyas varianzas se guardan en una
matriz. La correlación mide el valor y dirección de esa asociación de
píxeles de una manera lineal, es decir, si en la imagen de entrada
va aumentando un valor, en la imagen homónima también irá
aumentando de la misma manera, si no, es que hay cambios entre
los píxeles y no hay correlación. En la Figura 4, se representa esta
nueva banda. Se aprecia la homogeneidad de los datos en la zona de
cambio.

SIG Revolution

Más contenido relacionado

La actualidad más candente (7)

Similar a SIG Revolution (20)

Más de Gersón Beltran (20)

Último (20)

SIG Revolution