CLASIFICACIÓN DE CULTIVOS A TRAVÉS DE IMÁGENES DE RADAR DE APERTURA SINTÉTICA (SAR) INFORME BIMENSUAL ENERO-FEBRERO

Transcripción

1 MAESTRÍA EN APLICACIONES ESPACIALES DE ALERTA Y RESPUESTA TEMPRANA A EMERGENCIAS INSTITUTO DE ALTOS ESTUDIOS ESPACIALES MARIO GULICH FACULTAD DE MATEMÁTICA, ASTRONOMÍA Y FÍSICA DE LA UNIVERSIDAD DE CÓRDOBA (UNC) COMISIÓN NACIONAL DE ACTIVIDADES ESPACIALES (CONAE) - ARGENTINA ACADEMIA EUROPEA (EURAC) BOLZANO, ITALIA CLASIFICACIÓN DE CULTIVOS A TRAVÉS DE IMÁGENES DE RADAR DE APERTURA SINTÉTICA (SAR) INFORME BIMENSUAL ENERO-FEBRERO Estudiante: Elena Campusano Tutora Italiana: Dra. Claudia Notarnicola Tutora Argentina: Ms. Sofía Lanfri Marzo

2 ÍNDICE CONTENIDO PÁGINA Resumen Introducción... 5 Objetivos... 6 Objetivo General Objetivo Específicos Materiales y Métodos... 7 Área de Estudio Comuna de Olivar Ubicación Comuna de Olivar... 8 Capa Vectorial... 9 Catastro Frutícola de la VI Región Capas Raster Alos PalSAR Alos Avnir Alos Prism DEM VI Región Quickbird II LandSat 5 Procedimiento Procesamiento de la Imagen 1. Apilar las Bandas y cambiar de Huso 2. Falso Color Recortar la Imagen LandSat

3 Selección de Muestras Selección de cultivos representativos Región de Interés De Vector a ROI Estadística Revisión de firma espectral 2. Posibilidad de separación Alcances a Considerar Desafíos Futuros Bibliografía

4 RESUMEN El presente informe corresponde a 1 de 3 documentos que se irán entregando durante el transcurso de esta pasantía. El objetivo principal de estos documentos, es ir mostrando las distintas actividades que se realizan en este período, el cual finaliza en el mes de julio del presente año. Esta pasantía es parte del plan de estudios de la maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias (AEARTE) que imparte el Instituto de Altos Estudios Espaciales Mario Gulich ubicado en Córdoba, Argentina. Todas las actividades que se realizan en esta pasantía son supervisadas directamente por la tutora italiana Dra. Claudia Notarnicola, ella es una investigadora de categoría mayor en el Instituto de Teledetección Aplicada, el cual forma parte de la Academia Europea (EURAC). Conjuntamente con la Dra. Claudia Notarnicola y el Dr. Mario Scavuzzo, Director de la Maestría, se ha seleccionado un tema el cual es de gran interés para el Centro de Información de Recursos Naturales (CIREN), institución chilena perteneciente al Ministerio de Agricultura a la cual represento y donde me desempeño laboralmente. El Plan de Trabajo se enfoca básicamente en poder identificar diferentes tipos de cultivos a través de imágenes de Radar de Apertura Sintética (SAR), en predios cuyo tamaño es igual o superior a 0.5 hectáreas. En una primera etapa, se trabaja con imágenes LandSat 5, para conocer la metodología que se utiliza al realizar una Clasificación. 4

5 INTRODUCCIÓN Chile se caracteriza por ser largo y angosto, de Norte a Sur mide Km y de Este a Oeste la parte más ancha mide 365 Km 1 (considerando sólo territorio Americano, se excluye territorio Antártico, el Archipiélago de Juan Fernández e Isla de Pascua). Debido a esta geografía, cuenta con diversos tipos de suelos, climas y por consiguiente distintos tipos de cultivos, un tipo de cultivo corresponde a las plantaciones frutales comerciales. CIREN, realiza el censo de las plantaciones frutícolas comerciales en predios con un tamaño igual o superior a 0.5 hectáreas, entre octubre de 2008 y marzo de 2009 se realizó este catastro en la VI Región del Libertador General Bernardo O'Higgins. Del Catastro realizado en la VI Región, se selecciona la comuna de Olivar, debido a que la mayor parte de la superficie comunal está censada, por lo tanto hay una gran cantidad de datos y además cuenta con una gran variedad de cultivos, lo que hace interesante utilizar este levantamiento para llevar a cabo el proceso de clasificación. El objetivo es trabajar con imágenes SAR, pero en una primera etapa y para conocer y asimilar los conceptos del proceso de clasificación, se realizan pruebas con Imágenes LandSat 5. EURAC tiene gran experiencia en teledetección, tanto con imágenes ópticas como de radar, por lo tanto es una gran oportunidad para aprender de estas técnicas y aplicarlas posteriormente a otras comunas y/o regiones. Durante los meses de enero y febrero en EURAC, básicamente se ha explorado la parte teórica y práctica de lo que son las imágenes SAR, revisando bibliografía y efectuando procesamientos en éstas. Una vez que se definió el Plan de Trabajo, se empezó a buscar un Área de Estudio, la que debía tener la cantidad de datos suficientes para poder llevar a cabo un buen proceso de clasificación de cultivos. Una vez seleccionada el Área, se procedió a la elección y recopilación de todos los insumos necesarios para cada etapa a desarrollar. 1 martzluiss, Publicado por. «Historia y Geografía de Chile»

6 OBJETIVOS Objetivo General: Clasificar cultivos a través de imágenes de Radar de Apertura Sintética (SAR). Objetivos Específicos: Conocer los conceptos y las características de las imágenes de SAR Conocer y realizar procesamientos de imágenes SAR. Conocer y aplicar metodologías de Clasificación de imágenes Ópticas y SAR. Realizar comparación de resultados de los distintos tipos de procesamiento. 6

7 MATERIALES Y MÉTODOS Área de Estudio Comuna de Olivar El área de estudio seleccionada para llevar a cabo la clasificación de cultivos se encuentra localizada en Chile, VI Región del Libertador General Bernardo O'Higgins, Provincia de Cachapoal, en la comuna de Olivar. Figura N 1. Sus coordenadas geográficas son las siguientes: Vértice superior izquierdo: Longitud: Latitud: Vértice inferior derecho: Longitud: Latitud: Esta comuna tiene una superficie aproximada de 45 Km². La comuna de Olivar se presume que posee ese nombre por haber tenido importantes plantaciones de olivos en su territorio, que en la década de los años 1950 y 1960 aun tenían una producción considerable. Este cultivo fue reemplazado a comienzos del siglo XX por manzanos y ciruelos, además se construyó una fábrica de Conservas de Duraznos la que funcionó hasta la década del año Sus productivas tierras han llevado a esta zona a convertirse en una excelente productora de frutas de exportación como: manzanas, peras, duraznos, nectarinos y sabrosas uvas de mesa 2. La comuna de Olivar posee una población de habitantes (6.721 mujeres y hombres). Acoge a un 1,58% de la población total de la región, un 45,92% corresponde a población rural y el 54,08% a la población urbana 3. 2 «Mi comuna» «Olivar: De la Sexta Región a Todo el Mundo - Chile.com»

8 Ubicación de la Comuna de Olivar CHILE CONTINENTAL PROVINCIA DE CACHAPOAL VI REGIÓN DEL LIBERTADOR GENERAL BERNARDO O HIGGINS C COMUNA DE OLIVAR Figura N 1 8

9 Capa Vectorial Catastro Frutícola de la VI Región. Figura N 2 Figura N 2 El catastro frutícola que realiza CIREN consiste en realizar un censo de las plantaciones frutales comerciales en predios cuya superficie es de un tamaño igual o superior a 0.5 hectáreas. En el caso particular de algunas especies tales como Caqui, Babaco, Maracuyá, Papayo, y Feijoa se considera como mínimo a encuestar los huertos que presentan 50 o más plantas 4., pero en el caso de esta comuna, estas plantaciones no están presentes. El levantamiento se efectuó entre octubre de 2008 y marzo 2009, lo que significa que se realizó entre las estaciones de primavera y verano. El catastro abarca una superficie total de ha, lo que equivale a Km², es decir, el 42% de la comuna fue catastrado, cabe considerar que otra parte importante de la comuna la ocupa el Río Cachapoal, que atraviesa a la comuna por la parte norte. 4 «cfpr06_2009.pdf»

10 A continuación se enumera todas las especies presentes en la comuna de Olivar que fueron catastradas por CIREN. Estas especies frutícolas se pretenden identificar a través de imágenes SAR 5 : Superficie Especie (ha) Almendro 12,6 Arándano americano 5,1 Cerezo 120,1 Ciruelo europeo 64,9 Ciruelo japonés 56,0 Damasco 30,3 Duraznero consumo fresco 63,8 Duraznero tipo conservero 136,8 Frambuesa 1,0 Kiwi 136,1 Manzano rojo 326,6 Manzano verde 353,7 Membrillo 11,6 Moras cultivadas e híbridos 0,4 Nectarino 97,3 Nogal 1,8 Palto 9,0 Peral 194,6 Peral asiático 5,4 Vid de mesa 281,6 TOTAL 1.908,7 5 «cfpr06_2009.pdf»

11 Capas Raster Una vez seleccionada el Área de Estudio, se procede a seleccionar imágenes SAR con las que eventualmente se podría hacer la clasificación de cultivos. En primer lugar, se realizó una revisión de imágenes Cosmo SkyMed a través del catálogo en línea que tiene E-GEOS 6, compañía compuesta por la Agencia Espacial Italiana y Telespazio, la cual ofrece una amplia gama de productos y servicios de la observación de la Tierra y de los dominios de aplicación geoespaciales, en base a satélites ópticos y de radar 7. Se descartaron estas imágenes por los siguientes factores: - No hay disponibilidad de imágenes de la fecha en que se realizó el Catastro Frutícola. Las imágenes del Área de Estudio están disponibles a partir del día 18 de junio del año 2009, y el catastro se realizó entre los meses de octubre de 2008 y marzo La resolución espacial no está acorde con este tipo de clasificación. Las imágenes disponibles de los años 2009 y 2012 poseen el modo del sensor SCN_HUGE, lo que significa que tienen una resolución espacial de 100 metros 8, es decir m², que para este tipo de clasificación es un valor muy grande (escala pequeña), ya que se requiere identificar cultivos en predios cuya superficie se igual o superior a 0.5 ha, es decir, a partir de 5000 m². - Las imágenes disponibles que tienen una mejor resolución espacial con el modo de sensor STR_HIMAGE de 3-15 metros, están disponibles a partir del año 2013, 4 años después del levantamiento del catastro, que para zonas rurales de Chile existe la posibilidad de que el predio tenga otro tipo de plantación frutícola. 6 «e-geos» f3bf3bc39dc40df3088b 7 «e-geos» «TELESPAZIO IBÉRICA - COSMO-SkyMed»

12 ALOS PALSAR En segundo lugar, se realizó una revisión de imágenes AlosPalSAR a través del sitio web de la ASF (Alaska Satellite Facility), en donde se distribuyen datos de teledetección para los usuarios científicos de todo el mundo 9. Estas imágenes tienen disponibilidad entre las fechas en que se levantó el catastro, además tienen una muy buena resolución, a continuación se entrega un resumen de las imágenes seleccionadas: N Granulo Resolución Espacial Modo del Haz Ángulo de Nadir Fecha Inicio Fecha Término Ruta Polarización ALPSRP m FBS 34.3 FEB :59:43 FEB :59: HH ALPSRP m FBD 34.3 SEP :59:47 SEP :59: HH + HV ALPSRP m FBS 34.3 JAN :58:04 JAN :58: HH ALPSRP m FBD 34.3 SEP :55:46 SEP :55: HH + HV ALPSRP m FBS 34.3 JAN :56:47 JAN :56: HH Todas estas imágenes se solicitaron al Instituto Mario Gulich, con nivel de procesamiento L1.1, es decir, todas vienen en un nivel de procesamiento denominado Single Look Complex Image (SLC), en donde la imagen viene con datos en bruto, contiene datos de fase de la imagen y no se han aplicado algoritmos para la reducción del fenómeno "speckle" y los datos están en forma de "slant-range" 10, es decir, en distancia oblicua. Se seleccionó este nivel de procesamiento porque uno de los objetivos es realizar todos los pasos del procesamiento de una imagen SAR (calibración radiométrica, filtro, geocodificación, etc.). Phased Array type L-band Syntectic Aperture Radar (PALSAR): es un sensor activo de microondas que utiliza frecuencia en banda L y obtiene una observación libre de nubes de día y de noche de la Tierra. Las imágenes proveen información de un mismo punto de la tierra cada 46 días y cubren un área de 70 Km X 70 Km «ASF User Remote Sensing Access (URSA)» «ASPECTOS TÉCNICOS DE IMÁGENES ERS-2» mgpercepcion/imgsatelite/doc/aspectos_tecnicos_de_imagenes_ers.pptx+&cd=1&hl=es&ct=clnk&gl=cl 11 «What is ALOS? - Advanced Land Observing Satellite data / ALOS»

13 Las características de las imágenes permiten hacer Modelos Digitales de Elevación (DEM), extraer datos de la topografía por interferometría, estimación de biomasa, seguimiento de los bosques, agricultura, vigilancia de derrames de petróleo, humedad del suelo, etc. ALOS AVNIR-2 Se selecciona imágenes ALOS ópticas AVNIR-2, a continuación se entrega un resumen de las imágenes seleccionadas: N 1 2 Gránulo Resolución Espacial Modo Fecha de Inicio Fecha de Término Ruta ALAV2A m OBS FEB :50:34 FEB :50: % ALAV2A m OBS FEB :48:41 FEB :48: % Cantidad de Nubes Las imágenes se solicitaron al Instituto Mario Gulich, con nivel de procesamiento L1B2, las cuales tienen corrección radiométrica, geométrica y una proyección cartográfica aplicada 12. Advanced Visible and Near Infrared Radiometer type 2 (AVNIR-2): proporciona información de la superficie terrestre en el espectro del visible y el infrarrojo cercano. Las imágenes proveen información de un mismo punto de la tierra cada 46 días y cubren un área de 70 Km X 70 Km 13. Las características de las imágenes las hacen adecuadas para estudios que requieren alto nivel de detalle, en áreas como estudios de uso y cobertura terrestre, monitoreo de desastres, planificación urbana, agricultura (investigación vegetación), vigilancia de los bosques, vigilancia costera, etc. 12 «IDEAS-VEG-OQC-REP-0124 ALOS OPTICAL FAQ.pdf» «JLAP Bio-Geociencias: IMÁGENES ALOS-ALI VISTA DEL ISTMO DE TEHUANTEPEC Y VOLCÁN CHICHONAL»

14 ALOS PRISM Se selecciona una imagen ALOS óptica PRISM, a continuación se entrega un resumen de la imagen seleccionada: N 14 Granulo Resolución Espacial Modo Fecha de Inicio Fecha de Término Ruta ALPSMW m OB2 AUG :51:55 AUG :52: % Cantidad de Nubes Esta imagen se solicitó al Instituto Mario Gulich, con nivel de procesamiento L1B2, tiene corrección radiométrica, geométrica y una proyección cartográfica aplicada. Panchromatic Remote-sensing Instrument Stereo Mapping (PRISM): Tiene tres sistemas ópticos independientes para la visualización del Nadir, hacia adelante y hacia atrás que producen una imagen estereoscópica a lo largo de la traza del satélite 14. Las imágenes proveen información de un mismo punto de la tierra cada 46 días y cubren un área de 70 Km en el nadir y con 70 x 35 Km en la traza por escena 15. Las características de las imágenes las hacen adecuadas para la planificación urbana, agricultura, vigilancia de los bosques, monitorio costero, monitoreo de inundaciones, vertidos ilegales, etc. 14 «What is ALOS? - Advanced Land Observing Satellite data / ALOS» «ALOS PALSAR - Geoscience Australia»

15 DEM VI REGIÓN: Para poder llevar a cabo el proceso de Geocodificación (Corrección del terreno) con las imágenes ALOS PALSAR es necesario tener un Modelo Digital de Elevación (DEM) del Área de Estudio. Unos de los últimos trabajos que ha llevado a cabo CIREN es la generación de un DEM, el cual se generó a partir del uso de pares estéreos (bandas 3N y 3B) de las imágenes satelitales ASTER y puntos de control tomados en terreno mediante un equipo GPS. Como resultado se puede concluir que se obtuvo errores promedios cercanos a los 6 m (altura) con una resolución de 15 m. IMAGEN QUICKBIRD II Las ortoimágenes que abarcan la comuna de Olivar, son un insumo auxiliar para llevar a cabo el proceso de clasificación de cultivos, ya que éstas se utilizaron en la generación de cartografía para la campaña de terreno escala 1:10000, y sobre éstas se digitalizó el catastro frutícola del la VI Región. Es un complemento muy útil para seleccionar muestras, ya que el nivel de detalle permite identificar claramente un cultivo de otro, esto se debe a que la resolución espacial de estas ortoimágenes es de 0.6 m. Estas imágenes se solicitan a CIREN. LANDSAT 5 Mientras se realiza la solicitud de imágenes y se espera la entrega de los archivos, se realiza a modo de prueba una clasificación de cultivos con una imagen óptica, LandSat 5, a continuación se muestra las principales características. ORIGIN = "Image courtesy of the U.S. Geological Survey" LANDSAT_SCENE_ID = "LT CUB00" DATA_TYPE = "L1T" OUTPUT_FORMAT = "GEOTIFF" SPACECRAFT_ID = "LANDSAT_5" SENSOR_ID = "TM" WRS_PATH = 233 WRS_ROW = 084 DATE_ACQUIRED =

16 Esta imagen fue descargada del portal web de la United States Geological Survey (USGS) que es una organización científica que proporciona información imparcial sobre la salud de los ecosistemas y el medio ambiente, peligros naturales, recursos naturales, impactos del cambio climático y uso de la tierra y los sistemas básicos de ciencias que ayudan a proporcionar información oportuna, relevante y utilizable 16. El nivel de procesamiento de la imagen es L1T, lo que significa que el producto proporciona una precisión radiométrica sistemática, precisión geométrica mediante la incorporación de puntos de apoyo, también emplea un Modelo Digital de Elevación (DEM) para la exactitud topográfica. La precisión geodésica del producto depende de la precisión de los puntos de control del terreno y la resolución del DEM utilizado. LandSat 5 posee un sensor TM (Tematic Mapper), el cual realiza un barrido multiespectral, opera simultáneamente en siete bandas espectrales, 3 en el espectro visible, 1 en el infrarrojo cercano, 2 en el infrarrojo medio y 1 en el infrarrojo termal. Las bandas en el espectro visible e infrarrojo tienen una resolución espacial de 30 m a excepción de la banda del infrarrojo termal, ya que esta tiene una resolución espectral de 120 m. La escena terrestre registrada es de 185 Km. A continuación se muestra una tabla con las principales características de la Imagen LandSat 5 17 : MODO ESPECTRAL RESOLUCIÓN ESPACIAL (metros) RESOLUCIÓN ESPECTRAL (micras) RESOLUCIÓN RADIOMÉTRICA (bits) RESOLUCIÓN TEMPORAL (días) Banda 1 azul Banda 2 verde Multiespectral 30 Banda 3 roja Banda 4 infrarrojo cercano Banda 5 infrarrojo cercano Banda 7 infrarrojo medio Termal 120 Banda 6 infrarrojo térmico «USGS Global Visualization Viewer» «aspectos_tecnicos_de_imagenes_landsat.pdf» sat.pdf 16

17 PROCEDIMIENTO Procesamiento de la Imagen: Una vez que es descargada la imagen se procede a procesarla para poder trabajar con los parámetros que se desean. El procesamiento de las imágenes se realiza en ENVI 4.8: 1. Apilar las Bandas y cambiar de Huso Figura N 3: Se importan todas las bandas de la imagen y se recurre a la herramienta Layer Stacking, este proceso apila todas las bandas en una sola imagen. Al utilizar esta herramienta, también se puede cambiar las características del sistema de coordenadas, en este caso es necesario dejar la imagen en: UTM - WGS84 - Huso 19 Sur. Figura N 3 17

18 2. Falso Color Figura N 4: Se realiza la combinación de bandas 4, 3, 2, ya que con esta combinación de bandas se pretende llevar a cabo el proceso de clasificación, debido a que permite resaltar las masas vegetales, las cuales se ven de color rojo más intenso cuanto más frondosas sean Figura N 4 18 «01_Estudio_Medio_Ambiente.pdf» «Landsat-analisis-visual.pdf»

19 3. Recortar la Imagen LandSat 5 Figura N 5: Para que sea más efectiva la prueba de clasificación es necesario recortar la imagen abarcando sólo el sector de la comuna donde se levantó el catastro y se tienen datos, ya que si se aplica sobre toda la imagen, no se puede verificar si está bien o no la clasificación, debido a que no se tienen datos para comprobarlo. La herramienta utilizada para el recorte de la imagen es Resize Data (Spatial/Spectral). Figura N 5 19

20 Selección de Muestras: Una vez que se dejó la imagen con los parámetros deseados, se procede a seleccionar las muestras tanto de entrenamiento como de testeo. Este procedimiento se realiza en ArcGis Selección de cultivos representativos Figura N 6: Se despliega la imagen recortada con la combinación en falso color 4-3-2, y sobre ella el archivo vectorial del catastro frutícola. Una vez que se identifican los cultivos, se generan polígonos de los cultivos más representativos de la comuna, es decir los que visualmente se distinguen y diferencian. Al crear el conjunto de muestras, es importante dejar 2 grupos de polígonos, los primeros para el entrenamiento, éstos serán los que utilice el algoritmo para clasificar y los segundos para el testeo, los cuales se utilizarán una vez que ha efectuado la clasificación éstos permitirán comprobar qué tan efectiva resultó la clasificación. Figura N 6 20

21 Región de Interés Una vez que se ha seleccionado el conjunto de muestras a trabajar, se procede a crear en la imagen regiones de interés con las cuales se van a efectuar las primeras pruebas. Este proceso se realiza en ENVI De vector a ROI Figura N 7: Sobre la imagen recortada se carga el archivo vectorial de las muestras, este se exporta como ROI (Región de Interés) para poder editarlo y así poder realizar el primer entrenamiento sobre la imagen. Cabe señalar que el archivo ROI es solo un archivo que localiza posiciones dentro de una matriz, no posee información acerca de la proyección, por lo tanto sólo sirve para la imagen que se está trabajando, en este caso para el recorte de la imagen LandSat 5. Estos ROI, se pueden editar (cambiar de nombre, color, etc.). Figura N 7 21

22 Estadística 1. Revisión de Firma Espectral Figura N 8: Una vez que las regiones de interés son editadas, se puede comenzar con la evaluación de la estadística, la que entrega el primer indicio de cómo se comporta espectralmente una muestra con otra en las bandas de la imagen. Si estas firmas espectrales son muy parecidas entre un tipo de especie de fruto y otro, es un indicio de que el algoritmo no será capaz de distinguir claramente uno de otro. En este primer intento, se detecta claramente que hay una gran similitud entre la firma espectral de las muestras de las distintas especies seleccionadas, lo que da el primer indicio que hay que editar las muestras. Figura N 8 22

23 2. Posibilidad de Separación Figura N 9: Otra forma de verificar si el algoritmo será capaz de distinguir una especie de otra en la imagen, es a través de la herramienta Compute ROI Separability, la cual entrega un reporte de cuáles especies el algoritmo será capaza de diferenciar. Es importante que las muestras abarquen más píxeles de la cantidad de bandas que posea la imagen (independiente si se está trabajando con una combinación de bandas), por ejemplo para este ejemplo se está trabajando con 7 bandas, por lo tanto la cantidad de píxeles de la muestra tiene que ser superior a este número. La cantidad de píxeles recomendable para una muestra es 50, ya sea en un sólo polígono o varios pequeños, eso dependerá de la superficie que abarque la muestra que se quiere representar. En este primer intento, se detecta claramente que hay una gran de muestras de las distintas especies seleccionadas, que no son capaces de ser separadas, lo que da el segundo indicio de que hay que editar las muestras. Figura N 9 Figura N 9 23

24 Alcances a Considerar: Con las muestras que se seleccionó en la primera etapa, se pudo percibir, gracias a la estadística, que hay que modificar las muestras iniciales, ya que la firma espectral de cada especie da muy parecida una con otra, además al efectuar el proceso de la separabilidad entre una especie y otra éste entrega resultados en donde se puede estimar que se hace dificultosa esa distinción, por lo tanto se debe hacer una revisión del tamaño, localización y cantidad de polígonos que representan a cada especie frutal, esto ayudará a tener mejores pruebas tanto de entrenamiento como de testeo. Las razones de que este primer conjunto de muestras seleccionado, no sea óptimo se puede deber a varias razones: a. En una imagen LandSat 5 se hace complicado distinguir los cultivos de cierto tipo de especie frutal que se encuentran en predios de un tamaño pequeño. b. Existe más de una especie frutal dentro de un predio, por lo tanto, se debe considerar la posibilidad de descartar aquellos que producen confusión, dejando sólo los predios con cultivos claramente identificables. c. Algunas especies frutales no son representativos dentro del área de estudio, ya que abarcan una cantidad de pixeles insuficiente para que el algoritmo pueda realizar una adecuada clasificación. Al momento de la redacción de este informe se está trabajando en la edición de las muestras, para así llegar a resultados estadísticos óptimos tanto en la firma espectral de cada una de las especies frutales, como en la capacidad de separabilidad que pueda distinguir el algoritmo entre una y otra especie frutal. Eso permitirá posteriormente realizar pruebas con distintos de tipos de algoritmos en una clasificación supervisada y evaluar los resultados obtenidos. Además ya se cuenta con las ortoimágenes Quickbird II, las que tal como se dijo anteriormente, son un complemento muy importante para poder seleccionar un conjunto de muestras más representativas. 24

25 DESAFÍOS FUTUROS 1. Seleccionar un conjunto de muestras óptimo, tanto de entrenamiento como de testeo, para poder utilizar distintos tipos de algoritmos en una clasificación supervisada. 2. Comparar los resultados de los siguientes algoritmos: a. Maximum Likelihood b. Neural Net c. Support Vector Machine 3. Con las muestras finales, realizar el mismo ejercicio que se llevó a cabo con la imagen LandSat 5 pero esta vez con las imágenes ALOS, tal como se muestra en la siguiente tabla: ENTRADA DATO FECHA Imagen Óptica AVNIR-2 febrero 2009 AVNIR-2 febrero Imagen SAR FBS febrero enero enero 2008 FBD septiembre septiembre 2009 Imágenes SAR+Óptico AVNIR+FBS AVNIR febrero FBS enero 2009 AVNIR+FBD AVNIR febrero FBD septiembre

26 BIBLIOGRAFÍA 1. «Remote Sensing of the Environment an Earth Resource Perspective Second Edition, Chapter 9: Active and Passive Microwave Remote Sensing». 2. «Introduction to SAR, SAR basic concepts» Claudia Notarnicola. 3. «Introduction to SAR Remote Sensing, Practical Session» Giovanni Cuozzo, Anastasia Polycronaki, Bartolomeo Ventura, Claudia Notarnicola. 4. «A survey of image classification methods and techniques for improving classification performance» International Journal of Remote Sensing» 5. «Background on classification techniques and related application to SAR images» Claudia Notarnicola 6. «martzluiss, Publicado por. «Historia y Geografía de Chile» «Mi comuna» «Olivar: De la Sexta Región a Todo el Mundo - Chile.com» «Olivar: De la Sexta Región a Todo el Mundo - Chile.com» «cfpr06_2009.pdf» ir/cfpr06_2009.pdf 11. «e-geos» =regc9e6567fbee92c0a5b24f3bf3bc39dc40df3088b 12. «e-geos» «TELESPAZIO IBÉRICA - COSMO-SkyMed» «ASF User Remote Sensing Access (URSA)»

27 15. «ASPECTOS TÉCNICOS DE IMÁGENES ERS-2» gi.org.mx/geo/contenidos/imgpercepcion/imgsatelite/doc/aspectos_tecnicos_de_im agenes_ers.pptx+&cd=1&hl=es&ct=clnk&gl=cl 16. «What is ALOS? - Advanced Land Observing Satellite data / ALOS» «IDEAS-VEG-OQC-REP-0124 ALOS OPTICAL FAQ.pdf» %20ALOS%20OPTICAL%20FAQ.pdf. 18. «JLAP Bio-Geociencias: IMÁGENES ALOS-ALI VISTA DEL ISTMO DE TEHUANTEPEC Y VOLCÁN CHICHONAL» «What is ALOS? - Advanced Land Observing Satellite data / ALOS» «ALOS PALSAR - Geoscience Australia» «USGS Global Visualization Viewer» «aspectos_tecnicos_de_imagenes_landsat.pdf» cnicos_de_imagenes_landsat.pdf 23. «01_Estudio_Medio_Ambiente.pdf» «Landsat-analisis-visual.pdf»