2.3.3 Análisis de imágenes multiespectrales

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 interésROI (Region of Interest)para el análisis correspondiente e identificar los grupos de pixeles que pertenezcan a la cobertura de interés. Para lograr

resultados de clasificación supervisada aceptables, es importante que las ROI sean representativas y completas, esto permitirá al algoritmo clasificador localizar a los pixeles con mejor precisión (Pantaleone y Tosini, 2012; Puerto Lara, 2017). En clasificación supervisada de imágenes multiespectrales, la combinación adecuada de bandas facilita la segmentación de las regiones de interés, para lo cual es indispensable conocer la reflectividad del objeto en las diferentes bandas (Puerto Lara, 2017).

2.3.3.3 Índices de vegetación

Los índices de vegetación son medidas cuantitativas, basadas en los valores de reflectancia a distintas longitudes de onda y que son particularmente sensibles a la cubierta vegetal, ello permite realzar la vegetación en función de su respuesta espectral y atenuar los detalles de elementos como suelo, la iluminación del agua, vegetación inerte, entre otros (Alonso y Moreno, 1999).

Los índices de vegetación se estiman por medio de la combinación de bandas espectrales, resultantes de operaciones algebraicas, pudiendo ser suma, división o multiplicación, etc. de forma específica que permita destacar la cantidad o vigor de la vegetación dentro de un pixel (Trueba Aja, 2017). A continuación, en la tabla 2-2, se presenta los diferentes métodos de cálculos de índices de vegetación y breve descripción propuesta por Bravo Morales (2013) y Trueba Aja (2017).