41
2.3.3
Análisis de imágenes multiespectrales
En los últimos años, el análisis multiespectral se ha desarrollado de forma acelerada, diseñándose aplicaciones para casi todas las áreas de las ciencias, trayendo consigo beneficios y ventajas como la geolocalización, observación de estados temporales, discriminación de los tipos de vegetación y especies de plantas (Corrales Andino, 2011). 2.3.3.1 Respuestas espectrales El fundamento de la teledetección reside en las diferentes respuestas de cada superficie a la radiación en las distintas zonas del espectro electromagnético, caracterizada cada una de ellas por una firma espectral. Estudiar de un modo general el comportamiento espectral de las superficies que pueden ser detectadas por un sensor en órbita o aerotransportado viene a concretarse en el estudio de los suelos desnudos, de la vegetación y de la mezcla de ambas en toda su gama de proporciones (UJA, 2004). En el estudio de la superficie vegetal, la teledetección permite clasificar diferentes ecosistemas, identificar cultivos específicos, los volúmenes etc., basado en una serie de índices para la vegetación (Rodríguez Cabrera, 2017). 2.3.3.2 Clasificación de imágenes La finalidad de la clasificación de imágenes es automatizar la categorización de la totalidad de pixeles de una imagen en clases de coberturas. La clasificación se puede realizar de dos formas, la primera ‘clasificación no supervisada’ cuando únicamente se define el número de clases y un algoritmo agrupa las clases en base de medios estadísticos y la segunda ‘clasificación supervisada’ la cual, utiliza un patrón obtenido de las regiones de interés, por lo tanto es una alternativa en investigaciones para segmentar una respuesta espectral especifica (Puerto Lara, 2017). 2.3.3.2.1 Clasificación supervisada de imágenes La clasificación supervisada es una herramienta de los SIG que permiten evaluar los pixeles de una o varias bandas de una imagen ráster para identificar y clasificar de acuerdo al patrón o firma espectral identificada en las áreas de entrenamiento. En las áreas de entrenamiento se identifican las regiones de interés ROI (Region of Interest) para el análisis correspondiente e identificar los grupos de pixeles que pertenezcan a la cobertura de interés. Para lograr
