102680

Master Thesis Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg Universidad de Sal zburg

Identificación automatizada de geoformas a partir de modelos digitales de elevación en el Piedemonte Llanero Colombiano Automated landform identification from digital elevation models in the Colombian Llanos foothills by/por

Jose Pedro Mora Ortiz 1322895

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS)

Bucaramanga - Colombia, Noviembre 2016

COMPROMISO DE CIENCIA

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Bucaramanga, Colombia. Noviembre 2016. _________________________________________

(Lugar, Fecha)

(Firma)

DEDICATORIA

A mi Dios que me da la oportunidad de probarme y demostrar que todo se puede con esfuerzo y dedicación.

A mi madre, la persona que con su apoyo incondicional, compañía y dedicación, me dan las fuerzas para continuar.

A mi hermano, que a pesar de todos los problemas siempre está a nuestro lado. Y a toda la familia, que desea lo mejor para mí y me lleva en sus oraciones.

En fin, a todos los que estuvieron de uno u otro modo a mi lado.

AGRADECIMIENTO

A mi familia y amigos, que con su apoyo hicieron posible este trabajo. A Karl Atzmanstorfer, que con sus consejos y revisiones mejoraron la versión inicial de este trabajo. A Jorge Pinto, que me ayudó despejando dudas en momentos importantes de la tesis. A todos los instructores de UNIGIS y de los cuales aprendí tanto en esta etapa de mi vida. Y a todos aquellos, que de una u otra manera, hicieron posible este sueño. Ahora comparto este trabajo con ustedes.

5

RESUMEN

La identificación tradicional de geoformas en imágenes provenientes de sensores remotos utiliza la digitalización y reconocimiento visual. Un enfoque automatizado puede brindar una rápida identificación de geoformas en modelos digitales del terreno en el contexto geológico Colombiano.

Esta tesis evaluó 3 metodologías para la identificación automatizada de geoformas utilizando modelos digitales del terreno (DEM) ASTER GDEM V2, SRTM 3 e imágenes Landsat 8 en el piedemonte y llanos orientales de Colombia. El DEM ASTER y SRTM fueron preparados usando reemplazo de datos y mascaras para minimizar errores, y a partir de esta información, se generaron los parámetros a usar en la identificación de geoformas.

Se derivaron mapas de pendientes, aspecto y apertura como insumos principales para la clasificación. Tres enfoques de identificación de geoformas son utilizados, el de Saha, Wells, y Munro-Stasiuk (2011), de Argialas y Tzotsos (2004) y de Prima y Yoshida (2010).

La clasificación de las geoformas fue realizada en el software Imagine Objective utilizando los parámetros obtenidos y datos Landsat mediante segmentación.

Los insumos y parámetros derivados de DEMs como aspecto, pendiente y apertura son comparados entre el ASTER y SRTM presentando los últimos resultados mejor calidad.

En la clasificación automatizada de objetos se diferenciaron tres geoformas principales, terraza antigua, terraza aluvial y montaña. Finalmente se realizó una comparación de las metodologías usadas y se evaluaron los resultados con mapas geológicos digitalizados del área de estudio.

La pendiente, aspecto y apertura del DEM SRTM presentan menores variaciones y anomalías que los resultados obtenidos del DEM ASTER. Las categorías obtenidas en la clasificación de objetos son aceptables, aunque se presenta una disminución de la efectividad en la zona plana para los dos DEM.

6

ABSTRACT

Traditional identification of landforms in remote sensor imagery uses manual on-screen digitalization using visual recognition. An automated approach can give a fast recognition of landforms in digital elevation models in Colombian geologic context.

This thesis evaluated three methodologies for automated identification of landforms using digital terrain models (DEM) ASTER GDEM V2, SRTM 3 and Landsat 8 images in the foothills and eastern plains of Colombia. The ASTER GDEM V2 and SRTM 3 were prepared using data replacement and masks to minimize errors, and from this information, parameters used in identification were generated.

Slope, aspect and openness maps were derived as the main input for the classification.

Three landform identification approaches were used, those from Saha, Wells and MunroStasiuk (2011), Argialas and Tzotsos (2004) and Prima and Yoshida (2010). The classification of landforms was executed in Objective Imagine software using the obtained parameters and Landsat data through segmentation.

The input data and derived parameters as aspect, slope and openness were compared between ASTER and SRTM, but the SRTM results have better quality.

In the automated identification of landforms, three main landforms were recognized: old terrace, alluvial terrace and mountain. Finally, a comparison of used methodologies was performed and the results were evaluated with digitized geological maps of the studied area.

Slope, aspect and oppennes derived from the SRTM DEM present smaller variations and anomalies than the results obtained from the ASTER DEM. All categories obtained in object classification are acceptable, although there is a decrease in the effectiveness in flat areas for the two DEMs.

7

TABLA DE CONTENIDO

RESUMEN ............................................................................................................................... 5 ABSTRACT .............................................................................................................................. 6 TABLA DE CONTENIDO........................................................................................................... 7 GLOSARIO ............................................................................................................................ 10 LISTA DE FIGURAS ................................................................................................................ 13 LISTA DE TABLAS .................................................................................................................. 17 LISTA DE GRÁFICOS .............................................................................................................. 18 LISTA DE ANEXOS ................................................................................................................. 19 1. INTRODUCCIÓN ............................................................................................................... 20 1.1. ANTECEDENTES ......................................................................................................... 20 1.2. OBJETIVOS Y PREGUNTAS DE INVESTIGACIÓN ......................................................... 22 1.2.1. OBJETIVO GENERAL ............................................................................................ 22 1.2.2. OBJETIVOS ESPECÍFICOS ..................................................................................... 22 1.2.3. PREGUNTAS DE INVESTIGACIÓN ........................................................................ 22 1.3. HIPÓTESIS:................................................................................................................. 23 1.4. JUSTIFICACIÓN: ......................................................................................................... 23 1.5. ALCANCE: .................................................................................................................. 24 2. REVISIÓN DE LITERATURA ............................................................................................... 26 2.1. GEOMORFOLOGÍA .................................................................................................... 26 2.2. MODELOS DIGITALES DE LA SUPERFICIE TERRESTRE................................................ 29 2.2.1. MÉTODOS DE PRODUCCIÓN Y FUENTES DE DEMS ............................................ 30 2.3. PRODUCTOS DEM MÁS CONOCIDOS: ....................................................................... 31 2.3.1. SRTM DEM:......................................................................................................... 31 2.3.2. ASTER DEM ......................................................................................................... 34 2.4. PREPARACIÓN DE DEMS ........................................................................................... 38

8

2.4.1. CALIDAD DEL DEM .............................................................................................. 38 2.4.2. TIPOS DE ERRORES: ............................................................................................ 39 2.5. GEOMORFOMETRÍA. ................................................................................................. 41 2.5.1 DATOS DE ENTRADA Y PRODUCTOS. .................................................................. 43 2.5.2 ESTRUCTURA DE ALMACENAMIENTO RASTER Y GEOMORFOMETRÍA ............... 44 2.5.3 INTRODUCCIÓN A ALGORITMOS GEOMORFOMÉTRICOS ................................... 45 2.6. PARÁMETROS SUPERFICIALES BÁSICOS.................................................................... 47 2.6.1 PENDIENTE Y ASPECTO ........................................................................................ 48 2.6.2 APERTURA TOPOGRÁFICA ................................................................................... 50 2.7. ANÁLISIS DE IMAGEN BASADOS EN PIXEL ................................................................ 52 2.7.1. CLASIFICACIÓN NO SUPERVISADA ..................................................................... 52 2.7.2. CLASIFICACIÓN SUPERVISADA ........................................................................... 55 2.8. ANÁLISIS DE IMAGEN ORIENTADA A OBJETO ........................................................... 58 2.8.1. SEGMENTACIÓN DE IMAGEN ............................................................................. 59 2.9. DEFINICIÓN DE GEOFORMAS Y ELEMENTOS DE GEOFORMAS ................................ 61 2.9.1 METODOLOGÍAS DESTACADAS EN IDENTIFICACIÓN DE GEOFORMAS. .............. 63 3. METODOLOGÍA ................................................................................................................ 69 3.1. ÁREA DE ESTUDIO: .................................................................................................... 69 3.2. DATOS USADOS Y SOFTWARE: .................................................................................. 71 3.3. DEFINICIÓN DE MÉTODOS Y PARÁMETROS USADOS: .............................................. 71 3.4. PREPROCESAMIENTO DE DATOS PARA CLASIFICACIÓN ........................................... 75 3.4.1. ASTER GDEM V2 ................................................................................................. 76 3.4.2. SRTM V3 ............................................................................................................. 77 3.4.3. LANDSAT 8 .......................................................................................................... 77 3.5. DERIVACIÓN DE PARÁMETROS DE MORFOMETRÍA ................................................. 78 3.5.1. PENDIENTE ......................................................................................................... 78 3.5.2. ASPECTO ............................................................................................................. 79 3.5.3. APERTURA TOPOGRÁFICA .................................................................................. 79 3.5.4. AJUSTE DE RESOLUCIÓN Y APILADO DE DATOS ................................................. 80 3.6. CLASIFICACIÓN DE GEOFORMAS EN IMAGINE OBJECTIVE ....................................... 82 3.7. VERIFICACIÓN DE RESULTADOS CON INFORMACIÓN PUBLICADA ........................... 85

9

4. RESULTADOS Y DISCUSIÓN .............................................................................................. 86 4.1. RESULTADOS ............................................................................................................. 86 4.1.1. RESULTADOS DE PREPROCESAMIENTO ............................................................. 86 4.1.2. RESULTADOS DE DERIVACIÓN DE PARÁMETROS............................................... 88 4.1.3. RESULTADOS DE LA IDENTIFICACIÓN DE GEOFORMAS ..................................... 90 4.2. ANÁLISIS DE RESULTADOS ........................................................................................ 95 4.2.1. ASTER Y SRTM DEM COMO FUENTES CONFIABLES DE DATOS PARA LA OBTENCIÓN DE PARÁMETROS MORFOMÉTRICOS EN EL ÁREA DE ESTUDIO. ............. 95 4.2.2. DEFINICIÓN DE REGLAS EN IMAGINE OBJECTIVE APLICABLE A PARÁMETROS SELECCIONADOS PARA ENCONTRAR GEOFORMAS EN EL ÁREA DE ESTUDIO. .......... 103 4.2.3. OBTENCIÓN DE PARÁMETROS MORFOMÉTRICOS A PARTIR DE UN DEM Y UTILIZACIÓN EN IDENTIFICACIÓN DE GEOFORMAS EN EL ÁREA DE ESTUDIO. ......... 104 4.2.4. DIFERENCIAS COMPROBABLES POR IDENTIFICACIÓN VISUAL DE LOS RESULTADOS DE LA IDENTIFICACIÓN DE GEOFORMAS ............................................. 105 4.3. EVALUACIÓN DEL HIPÓTESIS DE INVESTIGACIÓN .................................................. 113 5. CONCLUSIONES.............................................................................................................. 114 REFERENCIAS ..................................................................................................................... 119 ANEXOS .............................................................................................................................. 124

10

GLOSARIO ARCGIS: Software de sistemas de información geográfica desarrollado por el Enviromental Research Institute Systems (ESRI).

ASTER: El sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer, ASTER) es un instrumento a bordo del satélite Terra puesto en marcha en diciembre de 1999. Los datos obtenidos por el sensor se utilizan para crear mapas de temperatura, reflectancia y elevación de la superficie terrestre.

ASTER GDEM: (ASTER Global Digital Elevation Map) Modelo digital del terreno generado usando estereopares de imágenes colectadas por el instrumento ASTER. Clasificación: El proceso de clasificación implica agrupar datos en clases en función de la similitud en sus atributos, con el fin de simplificar la variedad de los elementos. La clasificación puede basarse en atributos espectrales, temáticos o geométricos.

ERDAS: (ERDAS Imagine) Software de sistemas de información geográfica con enfoque en procesamiento de información espacial raster.

ESRI: (Environmental Systems Research Institute) Empresa que desarrolla y comercializa software para Sistemas de Información Geográfica.

GMTED2010: (Global Multi-resolution Terrain Elevation Data 2010) Modelo de elevación global o conjunto de datos de elevación para aplicaciones a escala mundial y continental.

ICESat: (Ice, Cloud, and land Elevation Satellite) Satélite de la NASA diseñado para medir masas de hielo, nubes, aerosoles, topografía y características de la vegetación.

IGAC: (Instituto Geográfico Agustín Codazzi) Entidad oficial colombiana que produce la cartografía básica de Colombia.

Imagine Objective: Modulo del software ERDAS Imagine que extrae entidades vectoriales de forma automática a partir de imágenes. Incluye operadores para el procesamiento de vectores generando datos SIG listos para usar, evitando así el post-procesamiento.

ISODATA: (Iterative Self-Organizing Data Analysis Techniques) Método de agrupamiento iterativo.

11

Landsat: Serie de satélites construida por NASA, dedicados específicamente a la detección de recursos naturales.

Landsat OLI: Landsat 8 es el octavo satélite del proyecto Landsat operado por la NASA y el Servicio Geológico de los Estados Unidos (USGS). El satélite transporta dos instrumentos OLI y TIRS. LIDAR: (Light Detection and Ranging o Laser Imaging Detection and Ranging) Técnica que determina la distancia desde un emisor hasta la superficie utilizando un haz láser.

METI: (Ministry of Economy, Trade and Industry) Ministerio de Economía, Comercio e Industria (METI) de Japón.

Modelo digital del terreno: (Digital Elevation Model o DEM) Es la representación cuantitativa en formato digital de la superficie terrestre y contiene la información acerca de la posición (x,y) y la altitud Z de los elementos de la superficie.

NASA: La Administración Nacional de la Aeronáutica y del Espacio o National Aeronautics and Space Administration, es la agencia Estadounidense responsable del programa espacial y la investigación aeronáutica y aeroespacial.

NED: (The National Elevation Dataset) Información de elevación nacional de Estados Unidos.

NGA: (The National Geospatial-Intelligence Agency) Agencia Nacional de InteligenciaGeoespacial del Departamento de Defensa de Estados Unidos.

PCA: (Principal component analysis) Análisis de componentes principales, es una técnica para reducir la dimensionalidad de un conjunto de datos.

Pendiente: (Slope) Parámetro morfométrico que expresa la inclinación del terreno respecto del plano horizontal.

Píxel: (picture element) Unidad mínima o elemental percibida en una imagen digital, sobre la que se registra la radiación procedente del área del campo de visión instantáneo (IFOV). También se denomina así a la unidad mínima de información que se puede identificar en una imagen raster.

12

Radar: Sistema activo de microondas que emite una haz energético sobre la superficie terrestre para luego recoger su reflexión sobre ella.

RGB: (Red, Green, Blue) sigla en inglés de rojo, verde y azul.

Raster: Conjunto de datos distribuidos en celdas y estructurados en filas y columnas. El valor de cada celda representa el atributo del elemento.

Sistema de Información Geográfica: Es el conjunto formado por hardware, software y procedimientos para capturar, manejar, manipular, analizar y representar datos georreferenciados, con el objetivo de resolver problemas de gestión y planificación.

SPOT: (Satellite Pour l'Observation de la Terre) Satélite Para la observación de la tierra, es una serie de satélites de teledetección civiles franceses.

SRTM: Misión espacial de investigación topográfica internacional del transbordador espacial (Shuttle Radar Topography Mission), obtuvo datos de radar durante 11 días en febrero de 2000 para elaborar modelos de elevación digital en una escala casi global de 56°S a 60°N. Teledetección: Técnica mediante la cual se obtiene información sobre la superficie de la Tierra, a través del análisis de los datos adquiridos por un sensor o dispositivo situado a cierta distancia, apoyándose en medidas de energía electromagnética reflejadas o emitidas por la superficie terrestre.

TERRA: (EOS AM-1) Satélite multinacional de la NASA de investigación científica por satélite.

USGS: (United States Geological Survey) Servicio Geológico de los Estados Unidos o USGS, es una agencia científica del gobierno federal de Estados Unidos.

WORLDVIEW: Es el primer satélite de segunda generación de la empresa DigitalGlobe.

13

LISTA DE FIGURAS Figura 1 Escalas temporales y espaciales para diversos procesos geomorfológicos.. ........ 28 Figura 2 Jerarquía taxonómica de formas en superficie geomorfológicas. ........................ 29 Figura 3 Comparación de (a) SRTM DEM 90 m (b) SRTM DEM 30 m (c) DEM generado de mapa topográfico 1:50000 (d) DEM generado de mapa topográfico 1:5000.. ................... 31 Figura 4 Genealogía de todas las Versiones de SRTM, mostrando agencias y técnicas aplicadas a la información original. ..................................................................................... 33 Figura 5 Costa de Malibú y Simi Valley, (Izquierda) DEM Sin procesar, (Derecha) DEM procesado 2.1.. .................................................................................................................... 34 Figura 6 Modelo sombreado del lago Titicaca (Arriba) GDEM1, (Abajo) GDEM2. .............. 36 Figura 7 Comparación Visual de resolución Horizontal de 3 DEMs. ................................... 37 Figura 8 (Izquierda) Desviación estándar de error en elevación, (Derecha) Estimación de resolución en terreno práctica. ........................................................................................... 38 Figura 9 Ejemplos de artefactos en DEMs y reducción de los mismos; (a) ruido local de interpolación IDW, (b) patrones artificiales por fuentes de GPS, (c) errores sistemáticos en un DEM interpolado de datos de contorno......................................................................... 40 Figura 10 Geomorfometría y su relación con disciplinas especificas. ................................. 41 Figura 11 Flujo operacional general de la geomorfometría según Hengl y Reuter ............ 43 Figura 12 (Izquierda) Mapa raster ortogonal definido por 5 parámetros: número de filas y columnas, coordenadas de la esquina inferior y tamaño de celda, (Derecha) ejemplo de DEM de 6x6 pixels en archivo Ascii. .................................................................................... 45 Figura 13 Designación de vecinos en ventana 3x3 y 6x6 (a) por identificadores únicos como en Ilwis (b) por separación de columnas y filas en pixeles desde el pixel central (ArcInfo GIS)......................................................................................................................... 46 Figura 14 Ejemplo numérico mostrando el cálculo de pendiente extraído de un DEM con una ventana 3x3. ................................................................................................................. 47

14

Figura 15 Elevaciones seleccionadas en un DEM. Se muestra el origen A del cálculo de apertura, el ángulo del acimut D se mide en sentido horario desde el norte. L es el límite radial del cálculo.. ................................................................................................................ 51 Figura 16 La apertura definida en términos de ángulos cenitales

y nadir

, los

ángulos se calculan a lo largo de uno de los ocho acimuts D dentro de límite radial de L; apertura positiva es el promedio de las mediciones promedio de

y la apertura negativa es el

. .............................................................................................................. 51

Figura 17 Etapas de proceso de clasificación no supervisada por distancia mínima iterativa................................................................................................................................ 54 Figura 18 Esquema de clasificación supervisada. ................................................................ 56 Figura 19 Imagen de clasificadores por método de (a) mínima distancia, (b) Paralelepípedos y (c) máxima similitud. .............................................................................. 58 Figura 20 Clasificando formas de elementos basados en el perfil y curvaturas tangenciales.

Los elementos han sido clasificados positivos o negativos basados en el radio de curvatura (>600 o 600<).. ..................................................................................................................... 62 Figura 21 Área de estudio de Saha et al. (a) Imagen inicial del DEM de 30 m. (b) Pendiente derivada del DEM. (b) Aspecto derivado del DEM. (d) Imagen fusionada de los elementos a, b y c en RGB. .................................................................................................................... 64 Figura 22 Imagen ASTER compuesta en RGB (321) (Izquierda) y DEM de 1° grado del USGS (Derecha) para el valle de la muerte.. ................................................................................. 66 Figura 23 Parámetros morfométricos y mapa de sombras del área de estudio de Prima y Yoshida, (a) pendiente, (b) apertura positiva, (c) apertura negativa (d) Mapa de sombras. ............................................................................................................................................. 67 Figura 24 Mapa de ubicación del área de estudio. ............................................................. 69 Figura 25 Modelo estructural generalizado del área de estudio ........................................ 70 Figura 26 Flujograma de trabajo. ........................................................................................ 72 Figura 27 Flujo operacional general de la metodología aplicada en este documento. ...... 74

15

Figura 28 Mapa de área montañosa y plana, analizadas por estadística básica contra topografía del IGAC (Izquierda). Mapa de ubicación de perfiles dentro del área de estudio, cada perfil genera una grafica de alturas y pendientes por cada DEM (Derecha).............. 75 Figura 29 Proceso de corrección de anomalías del ASTER GDEM2..................................... 77 Figura 30 Preprocesamiento de Imágenes Landsat 8. ........................................................ 78 Figura 31 Derivación de parámetros de morfometría. ....................................................... 80 Figura 32 Preparación final de datos para Imagine Objective. ........................................... 81 Figura 33 Diagrama de Flujo de Procesos en Imagine Objective. ....................................... 83 Figura 34 Corrección de DEM ASTER (a) Imagen sin corregir, (b) Zonas anómalas y (c) DEM final ASTER corregido. Zona detalle del área de estudio. ................................................... 87 Figura 35 Corrección de DEM SRTM (a) antes de filtro (b) Resultado final. Zona detalle del área de estudio. ................................................................................................................... 87 Figura 36 Imagen Landsat 765 (RGB) de la zona, después de aplicar correcciones y contrastes. Zona detalle del área de estudio. ..................................................................... 88 Figura 37 Parámetros generados a partir del DEM ASTER, Pendientes (a), Apertura Positiva (b) y Negativa (d) y Aspecto (e). Zona detalle del área de estudio........................ 89 Figura 38 Parámetros generados del DEM SRTM, Pendientes (a), Apertura Positiva (b) y Negativa (b) y Aspecto (d). Zona detalle del área de estudio. ............................................ 90 Figura 39 Capas provenientes del DEM ASTER en Stacking utilizadas en la extracción de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Zona detalle del área de estudio. ...... 91 Figura 40 Capas provenientes del DEM SRTM en Stacking utilizadas en la extracción de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Zona detalle del área de estudio. ...... 92 Figura 41 Resultados finales de la clasificación en Objective a partir del DEM ASTER utilizando ( A) Elevación, Pendiente y Aspecto, (B) Elevación Pendiente y Apertura negativa, (C) Landsat PC, Elevación y Pendiente y (D) Geología generalizada del Servicio Geológico Colombiano ........................................................................................................ 93

16

Figura 42 Resultados finales de la clasificación en Objective a partir del DEM SRTM utilizando ( a) Elevación, Pendiente y Aspecto, (b) Elevación Pendiente y Apertura negativa, (c) Landsat PC, Elevación y Pendiente y (d) Geología generalizada del Servicio Geológico Colombiano. ....................................................................................................... 94 Figura 43 Mapa clasificado de la imagen de elevación, pendiente y apertura negativa del DEM ASTER. ....................................................................................................................... 106 Figura 44 Mapa clasificado de la Imagen Landsat de principales componente, elevación y pendiente ASTER. .............................................................................................................. 107 Figura 45 Mapa clasificado de la Imagen de elevación, pendiente y aspecto del DEM ASTER. ................................................................................................................................ 108 Figura 46 Mapa clasificado de la Imagen de elevación, pendiente y apertura negativa del DEM SRTM. ........................................................................................................................ 109 Figura 47 Mapa Clasificado de la Imagen Landsat de principales componente, Elevación y Pendiente SRTM. ............................................................................................................... 110 Figura 48 Mapa Clasificado de la Imagen de Elevación, Pendiente y Aspecto del DEM STRM. ................................................................................................................................. 111

17

LISTA DE TABLAS Tabla 1 Clasificación espacial de las morfologías. ............................................................... 27 Tabla 2 Significado variable de eventos geológicos a lo largo del tiempo. ......................... 29 Tabla 3 Características de productos de la colección Global SRTM. ................................... 34 Tabla 4 Características básicas del GDEM y SRTM1.. .......................................................... 35 Tabla 5 Lista de algunos Parámetros básicos de Superficie.. .............................................. 48 Tabla 6 Tabla de clasificación por K-means de las diferencias de altura entre modelos digitales de elevación ASTER y SRTM. ................................................................................. 99 Tabla 7 Porcentajes de áreas clasificadas a partir de los diferentes archivos vectoriales utilizados en la identificación de geoformas. .................................................................... 106

18

LISTA DE GRÁFICOS Gráfico 1 Histogramas de la diferencia de altura contra la topografía IGAC 1:100.000. .... 96 Gráfico 2 Variaciones de alturas en metros para los perfiles definidos en la figura 28...... 97 Gráfico 3 Variaciones de pendiente en grados para los perfiles en la figura 28................. 98 Gráfico 4 Ajuste de datos para el modelo de elevación ASTER........................................... 99

19

LISTA DE ANEXOS Anexo 1 Corrección de DEM ASTER (a) Imagen sin corregir, (b) Zonas anómalas y (c) DEM final ASTER corregido. Área completa. .............................................................................. 124 Anexo 2 Corrección de DEM SRTM (a) antes de filtro (b) Resultado final. Área completa. ........................................................................................................................................... 125 Anexo 3 Imagen Landsat 765 (RGB) de la zona, después de aplicar correcciones y contrastes. Área completa. ............................................................................................... 126 Anexo 4 Parámetros generados a partir del DEM ASTER, Pendientes (a), Apertura Positiva (b) y Negativa (d) y Aspecto (e). Área completa. .............................................................. 127 Anexo 5 Parámetros generados del DEM SRTM, Pendientes (a), Apertura Positiva (b) y Negativa (b) y Aspecto (d). Área completa........................................................................ 128 Anexo 6 Capas provenientes del DEM ASTER en Stacking utilizadas en la extracción de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Área completa. ................................ 129 Anexo 7 Capas provenientes del DEM SRTM en Stacking utilizadas en la extracción de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Área completa. ................................ 130

20

1. INTRODUCCIÓN 1.1. ANTECEDENTES En la actualidad, la información colectada por sensores remotos alrededor del planeta constituye una fuente de datos primarios importante, pues existe una gran cantidad de imágenes satelitales de acceso gratuito (Landsat, ASTER o Advanced Spaceborne Thermal Emission and Reflection Radiometer, SRTM o Shuttle Radar Topography Mission) e imágenes comerciales (Geoeye, WorldView, SPOT, etc.), de esta manera la tierra puede ser monitoreada en sus aspectos principales como la litósfera, hidrósfera, atmósfera y biósfera (Sabins, 1997).

Uno de los campos principales de los sistemas de información geográfica se relaciona con el procesamiento de información de imágenes de satélite (Olaya, 2011). Pero, el procesamiento y análisis de información de satélite por métodos manuales es una tarea que consume tiempo y dificulta la interpretación de grandes volúmenes de información (Bue y Stepinski, 2006).

Datos provenientes de sensores remotos tienen aplicaciones en varias ramas de las ciencias de la tierra, geomorfología, geología estructural, mapeo litológico, mapeo mineral, exploración de hidrocarburos, etc. (Sabins, 1997). Los atributos de las rocas (estructura, litología, defectos de la roca) y los procesos físicos (configuración ambiental, agentes erosivos) operan en una región sobre un periodo de tiempo e influyen finalmente en la escena capturada por una plataforma satelital o aerotransportada (Gupta, 2003).

En el proceso de extracción de información de la litosfera a partir de imágenes de sensores remotos se utilizan herramientas en el procesamiento y análisis para diferentes aspectos de la corteza, entre los cuales se encuentra el componente geomorfológico (Evans, 2012). La identificación tradicional de geoformas en imágenes capturadas por sensores remotos usa digitalización manual en pantalla (Clark, Hughes, Greenwood, Spagnolo, y Ng, 2009), método que particularmente consume tiempo porque necesita personal dedicado para mapear cada geoforma especifica en la imagen (Bue y Stepinski, 2006). La interpretación manual de los resultados está influenciada por el concepto del intérprete (debido al entrenamiento previo y al conocimiento inseparables de cada

21

persona). Adicionalmente, la digitalización de los objetos es diferente según la escala definida o la rapidez con la cual la persona desee digitalizar los objetos (Evans, 2012).

Métodos de clasificación supervisados utilizan una muestra de entrenamiento y posteriormente el computador clasifica todos los pixeles de la escena basado en un muestreo inicial (Sabins, 1997). En el método no supervisado el computador separa los pixeles en clases sin ninguna dirección del usuario (Sabins, 1997). Según Hengl y Reuter (2009) y Saha, Wells y Munro-Stasiuk (2011), los métodos automatizados para clasificación de geoformas son usados en áreas específicas con relativa rapidez.

Se han realizado varias metodologías para encontrar una geoforma especifica en una forma reproducible usando metodologías especificas en modelos digitales de elevación que pueden ser usadas para dar una rápida respuesta en decisiones sobre cambios específicos sobre la superficies terrestre (Hengl y Reuter, 2009).

El piedemonte llanero Colombiano es un terreno activo, ejemplo de esto son las fallas de Guaicaramo y de borde llanero, asociadas a zonas de alta deformación en la Cordillera Oriental y a fallas de ángulo alto (60° o más) y grandes desplazamientos en el rumbo (Lopez, 2004). Adicionalmente existe alta precipitación, pendientes elevadas y vegetación abundante (Ingeominas y UPTC, 2007) por esta razón se dan cambios relativamente rápidos en el paisaje (Anderson y Anderson, 2010). Los movimientos de material en este tipo de terrenos, en latitudes tropicales, dan un uso potencial para el mapeo rápido de elementos geomorfológicos.

La presente investigación utiliza tres enfoques en el mapeo de geoformas del terreno en información raster con resolución de 30 metros (ASTER, Landsat y SRTM). Se podrán usar estos resultados para definir la eficiencia de los DEM (o Modelos digitales de Elevación) usados, los parámetros derivados, los enfoques aplicados y definir sus limitaciones en la identificación de geoformas.

Las metodologías y procesos usados en esta tesis, se pueden manejar en diferentes campos como desastres, ambiente y emergencias, también en mapeo geológico, puesto que el principio puede ser usado con otros datos como Lidar (Light Detection and Ranging o Laser Imaging Detection and Ranging) o DEM generado por drones, radar etc. (Hengl y Reuter, 2009).

22

1.2. OBJETIVOS Y PREGUNTAS DE INVESTIGACIÓN 1.2.1. OBJETIVO GENERAL El principal propósito de este trabajo es evaluar la identificación de geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia, usando tres enfoques diferentes para la identificación supervisada de geoformas con derivaciones de DEM como insumo principal, utilizando modelos de elevación de 30 metros ASTER y SRTM e imágenes de satélite de la serie Landsat 8.

1.2.2. OBJETIVOS ESPECÍFICOS Los principales objetivos para obtener los resultados de esta investigación pueden ser enunciados de la siguiente manera: - Validar los DEM ASTER y SRTM, evaluando las superficies derivadas de la información de alturas en la identificación de geoformas.

- Validar las superficies derivadas de los DEM utilizadas en la definición de geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia.

- Crear una serie de reglas en Imagine Objective aplicable a todos los derivados del DEM y Landsat para encontrar geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia usando procesamiento automatizado para encontrar geoformas.

- Analizar la metodología propuesta por identificación visual de los resultados de la identificación de geoformas en el área de estudio.

1.2.3. PREGUNTAS DE INVESTIGACIÓN Los principales objetivos plantean varias preguntas del problema que se investigó, las preguntas de investigación fueron las siguientes: - ¿Son el ASTER y SRTM DEM fuentes confiables de datos para la obtención de parámetros morfométricos en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia?

23

- ¿Es posible obtener parámetros morfométricos a partir de un DEM y utilizarlos en la identificación de geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia?

- ¿Es posible definir una serie de reglas en Imagine Objective aplicable a la pendiente, aspecto y apertura del DEM e imágenes Landsat para encontrar geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia, usando procesamiento automatizado?

- ¿Existe una diferencia comprobable por identificación visual de los resultados de la identificación de geoformas?

1.3. HIPÓTESIS: Los parámetros usados en las metodologías de Argialas y Tzotsos (2004), Prima y Yoshida (2010) y Saha et al. (2011) se pueden utilizar en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia, para la delimitación de geoformas usando modelos digitales de elevación mundiales ASTER y SRTM de 30 metros e imágenes Landsat 8.

1.4. JUSTIFICACIÓN: Según López (2004) la zona de piedemonte está afectada por las fallas de Guaicaramo y de borde llanero que muestran altas deformaciones y fallas de alto ángulo (60° o más), adicionalmente se encuentran grandes desplazamientos de rumbo, información que muestra las evidencias de un terreno activo. El área de estudio presenta una vegetación abundante, adicionalmente se presentan cambios rápidos en el paisaje debidos a la alta precipitación y pendientes elevadas (Ingeominas y UPTC, 2007). La presente tesis trata de aplicar tres metodologías en la identificación de geoformas en el piedemonte colombiano, estos enfoques pueden ser implementados en el mapeo rápido de elementos geomorfológicos en este tipo de terrenos, en latitudes tropicales.

Después de hacer la revisión de literatura se definen las metodologías de Argialas y Tzotsos (2004), Prima y Yoshida (2010) y Saha et al. (2011) como enfoques no analizados

24

en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia. Los parámetros usados por las metodologías mencionadas son utilizados para definir geoformas a partir de modelos digitales de elevación para encontrar cambios específicos en la superficie.

Los DEM ASTER V2 Y SRTM V3 Son las últimas versiones de los modelos digitales globales liberadas por la NASA (o National Aeronautics and Space Administration) y METI (o Ministry of Economy, Trade and Industry). Esta información de elevación es de libre acceso y su desempeño en la identificación de geoformas en la zona de estudio no está documentado. El resultado de este estudio se puede usar para aportar una estimación de la eficiencia de los DEM y las limitaciones de la información de altura proveniente de estas fuentes de datos en el área del piedemonte llanero de Colombia.

La información de alturas proveniente de modelos digitales de elevación de la NASA y de fuentes libres es usada en modelamientos ambientales, desastres, etc. y conocer el comportamiento de esta información en el área de trabajo permite tener una idea más clara de los productos ASTER y SRTM. La utilización de las metodologías anteriormente referenciadas permite probar los parámetros derivados de los DEM aportando a futuras investigaciones un vistazo del comportamiento de la información usada en la identificación de geoformas en el área de piedemonte.

1.5. ALCANCE: El actual estudio pretende identificar geoformas de manera automatizada en el costado oriental de la cordillera Oriental de Colombia, denominada piedemonte Llanero y Llanos orientales.

Para lograr lo anterior se utiliza identificación de geoformas manejando el software Imagine Objective. Los insumos utilizados son datos de libre acceso como el modelo de elevación ASTER y SRTM de la NASA y METI e imágenes de la misión Landsat 8.

Adicionalmente se realiza una revisión preliminar de los DEM utilizando estadística básica, comparando la altura de los modelos con topografía IGAC (o Instituto Geográfico Agustín

25

Codazzi) del año 2010 (IGAC, 2010). La derivación de parámetros se realiza en el Software ArcGIS para concluir con la identificación de geoformas en las diferentes superficies.

Los DEMs y la información de satélite tienen una resolución de 30 metros y cubre los departamentos del Meta, Cundinamarca, Boyacá y Casanare. Teniendo en cuenta que los estudios realizados sobre estos DEM que indican que la resolución horizontal se encuentra entre los 50 y 80 metros (NASA, 2015; Tachikawa et al., 2011b) se espera obtener límites de geoformas para escalas general de 1:500.000.

Los resultados de cada metodología y sus correspondientes parámetros se pueden comparar con datos publicados del servicio geológico de Colombia y en el presente contexto es posible decidir sobre los parámetros más acertados en la identificación de geoformas.

Como se discutió anteriormente, la escala es general y en este trabajo no se pretende obtener un mapa de múltiples geoformas detalladas a escala local. Este trabajo tampoco pretende realizar un análisis zonal exhaustivo del error, de cada uno de los modelos digitales de elevación utilizados.

Teniendo en cuenta que existe alta precipitación y pendientes elevadas en la Cordillera (Ingeominas y UPTC, 2007), se dan cambios en el paisaje relativamente rápidos (Anderson y Anderson, 2010), razón por la cual esta investigación sirve de referencia para futuros estudios geomorfométricos en la zona. Adicionalmente, este trabajo puede servir como base para la definición de parámetros derivados de DEM como pendiente, apertura y aspecto, en el estudio de geoformas del área.

26

2. REVISIÓN DE LITERATURA En este capítulo se relaciona la literatura consultada más importante y se ubica la investigación en el contexto científico actual. Se inicia la exposición de conceptos básicos de geomorfología y definición de geoformas. En segundo lugar, se explican los conceptos de Modelos Digitales de Elevación (DEM), presentando los más conocidos en la actualidad y explicando de manera general los métodos de preparación o preprocesamiento.

Finalmente se aborda el tema de parámetros superficiales básicos, para concluir el capítulo con la definición de geoformas en geomorfometría.

2.1. GEOMORFOLOGÍA La geomorfología es el área de estudio que lleva a entender y apreciar las geoformas y el paisaje, incluyendo continentes e islas, paisajes debajo del océano, lagos, ríos, glaciares, al igual que otros paisajes en planetas terrestres y lunas del sistema solar (Goudie, 2004).

Las geoformas son entidades activas que evolucionan a través del tiempo como consecuencia de los diferentes procesos endógenos o exógenos, y permanecen como un foco central en la geomorfología (Evans, 2012). Estas geoformas son fundamentales en la generación de mapas de riesgo, amenazas, uso de la tierra, agricultura, etc. los cuales afectan directamente las decisiones de las entidades administrativas y finalmente afectan el diario vivir del ser humano sobre la superficie terrestre.

En la geomorfología y el estudio de las geoformas uno de los factores más importantes es la escala espacial, pues hay que tener en cuenta que los procesos no son homogéneos a diferentes escalas. Adicionalmente, estos procesos actúan sobre la superficie terrestre y se muestran en la forma y estructura de las geoformas del terreno (Elorza, 2008).

27

Tabla 1 Clasificación espacial de las morfologías. Tomado de Elorza (modificado de Tricart, 1965 en Elorza, 2008)

Algunos autores han sugerido diferenciar las variadas características del relieve por tamaños, como se puede ver en la tabla 1 de Tricart (1965) la cual es modificada de trabajos previos de Tricart y Muslin (1951) y de Cailleux y Tricart (1956). En la clasificación, se encuentran 8 diferentes órdenes jerárquicos espaciales de las formas que comprenden desde las morfologías que se observan desde el espacio hasta las pequeñas rugosidades que presentan las rocas (Elorza, 2008). Tricart contempla un rango o unidades de superficie para cada unidad morfológica, teniendo en cuenta su mecanismo genético y su tiempo de persistencia, describiendo así desde continentes hasta los múltiples accidentes tectónicos, formas de relieve, microformas o en caso microscópico (Elorza, 2008).

28

Figura 1 Escalas temporales y espaciales para diversos procesos geomorfológicos. Tomado de Baker (2004 en Elorza, 2008)).

La figura 1 adaptada por Baker (2004 en Elorza, 2008)), muestra de una manera diferente los fenómenos geotectónicos y presenta la duración del fenómeno que origina la geoforma y su escala relativa en tamaño; muestra de un manera práctica los procesos generadores responsables en un amplio rango de tiempo y espacio.

En la visión de Schumm, presentada en la tabla 2, se muestran diferentes intervalos de tiempo y magnitud relativa de los eventos, clasificándolos como mega evento, meso evento, micro evento y sin evento (Schumm, 1985 en Elorza, 2008).

Varios estudiosos del tema creen que algunas geoformas especificas tienen dimensiones en la cuales ocurren y muchos reconocen implícita o explícitamente jerarquías con diferentes formas y tamaños de geoformas (Dikau, 1990). La figura 2 presenta el enfoque de Dikau (1990) ilustrando como las formas pueden ser conceptualizadas para ocurrir en diferentes escalas.

29

Tabla 2 Significado variable de eventos geológicos a lo largo del tiempo. Tomado de Elorza (Modificado de Schumm, 1985 en Elorza, 2008).

Figura 2 Jerarquía taxonómica de formas en superficie geomorfológicas. Tomado de Dikau (1990)

2.2. MODELOS DIGITALES DE LA SUPERFICIE TERRESTRE. Las imágenes satelitales tienen un componente básico que es el pixel, y se representa usualmente por una celda en una configuración matricial (Longley, Goodchild, Maguire, y Rhind, 2005). los valores de pixel generalmente almacenan valores que pueden representar la variación espectral en una región especifica del espectro electromagnético o un atributo físico (Longley et al., 2005).

30

Una simulación de la superficie es comúnmente llamada modelo digital de elevaciones o DEM, y es una representación completa de una superficie terrestre, que significa que las alturas están disponibles en cualquier punto del área de interés (Burrough y McDonnell, 1998). Generalmente existen 2 tipos de DEM, vector y raster, aunque el más usado se refiere al modelo raster (Hengl y Reuter, 2009).

Al seleccionar un tamaño de celda es posible tener diferencias grandes al terreno, pues quizás canales o puntos altos sean removidos al simplificar la superficie en un modelo digital (Evans, 2012). En general un DEM grueso o de poco detalle removerá características de la superficie original, mientras que un DEM fino o de gran detalle mostrara una superficie más ajustada y en consecuencia genera unos parámetros derivados más reales (Evans, 2012).

2.2.1. MÉTODOS DE PRODUCCIÓN Y FUENTES DE DEMS En general siempre se encuentra tres tipos de fuentes para un Modelo Digital de Elevaciones (Hengl y Reuter, 2009): a. Técnicas de levantamiento en campo: Levantamiento de datos en campo de altura y posición X y Y, por medio de métodos tradicionales y técnicas de alta tecnología. b. Mapas topográficos existentes: Obtener valores de altura o elevación a partir de copias análogas o digitales de mapas topográficos. Muchas de estas fuentes de datos hacen necesaria una digitalización (en mesa o en pantalla) o un escaneo semiautomático para convertir imágenes y mapas raster en vectores. c. Sensores remotos: Interpretación de una imagen obtenida por medio de plataformas aerotransportadas o espaciales teniendo en cuenta 3 procesos generales: (i) métodos fotogramétricos y estereoscópicos, ya sean imágenes de satélite o aerotransportadas; (ii) Laser, predominantemente de aviones o posiblemente de satélite en el futuro; (iii) Imágenes de radar por medio de interferometría de imágenes.

En contraste a los métodos de levantamiento en campo y de digitalización de mapas existentes, los DEMs generados por sensores remotos y técnicas asociadas, pueden cubrir grandes áreas en un periodo de tiempo relativamente bajo (Sabins, 1997).

31

2.3. PRODUCTOS DEM MÁS CONOCIDOS: A continuación, se verán algunos de los productos DEM más conocidos y sus características principales (Figura 3).

Figura 3 Comparación de (a) SRTM DEM 90 m (b) SRTM DEM 30 m (c) DEM generado de mapa topográfico 1:50000 (d) DEM generado de mapa topográfico 1:5000. Tomado de Hengl y Reuter (2009).

2.3.1. SRTM DEM: Los datos obtenidos por la Misión Topográfica de Radar de Transbordador o Shuttle Radar Topography Mission (SRTM) son el resultado de un esfuerzo colaborativo de la National Aeronautics and Space Administration (NASA) y la National Geospatial-Intelligence Agency, (NGA) así como la participación de las agencias espaciales de Alemania e Italia.

Esta colaboración internacional generó un modelo, casi global, de elevación digital (DEM) de la Tierra utilizando interferometría de radar (NASA, 2015).

Los radares de apertura sintética son instrumentos de observación lateral que adquieren los datos a lo largo de franjas continuas. Las franjas SRTM se extienden desde unos 30 grados (°) fuera del nadir a alrededor de 58 ° fuera del nadir desde una altitud de 233 kilómetros (km), y por lo tanto equivale a un área de unos 225 km de ancho (NASA, 2015).

32

Durante el vuelo, el instrumento operaba todo el tiempo y adquirió cerca de 1.000 franjas individuales obtenidas en los diez días de operación (NASA, 2015). La longitud de las franjas adquiridas varió de unos pocos cientos a varios miles de km. El objetivo fue obtener cada segmento de terreno al menos dos veces desde diferentes ángulos (viaje ascendente y descendente o hacia el sur) para llenar las áreas sombreadas de la señal de radar (NASA, 2015).

El sensor ASTER es un sistema óptico, por lo cual las nubes tienden a oscurecer las capturas del sensor, caso contrario del SRTM que es un sistema de radar que puede atravesar las nubes (NASA, 2015).

El ASTER y SRTM DEM pueden tener problemas al tomar datos en terrenos escarpados, pero el ASTER tiene una ventaja por tener una vista nadir (el par estéreo incluye una vista nadir) y puede llenar algunos huecos del DEM SRTM en terreno accidentado y que no está oscurecido por las nubes (NASA, 2015).

En terreno liso y plano, tales como arenas del desierto, una pequeña parte de la señal de radar SRTM se refleja al sensor y la estereoscopia ASTER se ve obstaculizada por la falta de patrones de superficie que se correlacionen entre pares estereoscópicos (NASA, 2015).

El DEM SRTM Versión 3.0 de la NASA (SRTM Plus) incluye datos topográficos de fuentes no SRTM para llenar vacíos ("voids" o vacíos). Los datos de relleno primarios son del Sensor Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) en el satélite Terra de la NASA. El relleno secundario corresponde a la información de elevación del terreno global de multiresolución GMTED2010 y el USGS National Elevation Dataset NED (Danielson y Gesch, 2011) en (NASA, 2015).

Procesamiento de la Versión SRTM 3.0 (NASA, 2015) Los datos SRTM se sometieron a una secuencia de procesamiento que resulta en versiones de datos con características diferentes (Figura 4).

1. Se preparó el GMTED2010 (Global Multi-resolution Terrain Elevation Data 2010) a partir de diferentes fuentes de datos incluyendo datos de altimetría del antártico, ICESat y DEMs Nacionales y Globales (Danielson y Gesch, 2011).

2. Se utilizó el ASTER GDEM2 para editar la máscara de agua en el SRTM.

33

Figura 4 Genealogía de todas las Versiones de SRTM, mostrando agencias y técnicas aplicadas a la información original. Tomado de NASA (2015)

3. Se aplica una metodología que crea una superficie de diferencias de altura y rellena los vacios con el ASTER GDEM2 (ASTER Global Digital Elevation Map).

4. La superficie de diferencias de altura se utiliza para una revisión de errores del ASTER GDEM2.

5. Se rellenan los vacíos restantes con el procedimiento anterior utilizando el GMTED2010 o NED. Un ejemplo de los resultados del proceso anterior se puede ver en la figura 5 extraída de el manual de información del DEM SRTM V3 (NASA, 2015). Los datos SRTM se organizan en escenas individuales rasterizadas las cuales cubren cada una un grado de latitud por un grado de longitud. La separación de la muestra para puntos individuales es 1 o 3 segundos de arco en función del producto seleccionado como se identifica en la Tabla 3 (NASA, 2015).

34

Figura 5 Costa de Malibú y Simi Valley, (Izquierda) DEM Sin procesar, (Derecha) DEM procesado 2.1.

Tomado de NASA (2015).

Tabla 3 Características de productos de la colección Global SRTM. Tomado de NASA (2015).

Nombre corto SRTMGL1 SRTMGL1N SRTMGL3 SRTMGL30 SRTMGL3N SRTMGL3S SRTMSWBD SRTMIMGR SRTMIMGM

Nombre de Producto Global 1 arc-second Global 1 arc-second number Global 3 arc-second Global 30 arc-second Global 3 arc-second number Global 3 arc-second sub-sampled Water Body Data Shapefiles & Raster files Global SRTM Swath Image Data Global SRTM Combined Image Data

Filas/Columnas 3601/3601 3601/3601 1201/1201 6000/4800 1201/1201 1201/1201 3601/3601 3601/3601 3601/3601

Resolución Espacial 1 arc-second 1 arc-second 3 arc-second 30 arc-second 3 arc-second 3 arc-second 1 arc-second 1 arc-second 1 arc-second

2.3.2. ASTER DEM La misión Advanced Spaceborne Thermal Emission and Reflection (ASTER) a bordo de la plataforma Terra de la NASA, colecta imágenes con características estereoscópicas a lo largo de la órbita usando nadir posterior con cámaras de infrarrojo cercano (Tachikawa, Hato, Kaku, y Iwasaki, 2011a). Desde el año 2000, los estereopares se han utilizado para producir modelos de elevación digitales de escenas únicas (60 x 60 km) que tienen (error cuadrático medio) precisiones verticales entre 10 m y 25 m (Para el DEM GDEM1). La "versión 1" del ASTER GDEM (GDEM1) fue compilado de más de 1,2 millones de DEMs de escenas que cubren las superficies terrestres entre latitudes 83°N y 83°S, un resumen de características se puede ver en la tabla 4 (Tachikawa et al., 2011a).

35

Tabla 4 Características básicas del GDEM y SRTM1. Tomado de Tachikawa et al. (2011a).

Todos los datos ASTER estéreo se utilizan para generar el ASTER GDEM. La metodología de procesamiento automático desarrollada por Sensor Information Laboratory Corp.

(SILC) se aplica para producir el GDEM y se muestran los pasos usados a continuación (Tachikawa et al., 2011a).

1. Extracción de puntos correspondientes entre imágenes por coincidencia de patrones basados en métodos de correlación normalizados.

2. Cálculo de la elevación mediante paralaje de los puntos correspondientes.

3. Creación de DEMs basado en escenas únicas del Sensor ASTER. 4. Fusión o Apilamiento de los cada uno de los DEM teniendo en cuenta las áreas de nubes y agua, al apilar, los DEM individuales se combinan en una sola imagen y los errores de elevación se reducen.

Se tomó alrededor de un año generar la versión ASTER GDEM 1. El 29 de junio de 2009, la NASA y el Ministerio de Economía, Comercio e Industria de Japón (METI) publicó un modelo de elevación digital Global (GDEM) de libre acceso a usuarios de todo el mundo, como contribución al Sistema de Observación de la Tierra Mundial de Sistemas (GEOSS)(Tachikawa et al., 2011b).

36

Figura 6 Modelo sombreado del lago Titicaca (Arriba) GDEM1, (Abajo) GDEM2. Tomado de Tachikawa et al. (2011a)

Esta primera versión del ASTER GDEM (GDEM1) cubre superficies terrestres entre los 83 ° N y 83 ° S de latitud. Un equipo de validación de EE.UU. y Japón evaluó la exactitud del GDEM1 y se encontró que el GDEM1 tenía una precisión global de alrededor de 20 metros en un nivel de confianza del 95 %. El equipo también observó artefactos o anomalías asociadas con mala cobertura estéreo en latitudes altas, contaminación, problemas de enmascaramiento de nubes de agua y el errores de apilamiento en la información DEM GDEM1 en escenas individuales (METI, NASA, y USGS., 2009).

Una segunda versión del ASTER GDEM (GDEM2) se programó para liberarse por la NASA y METI a finales del 2011. Las mejoras en el DEM GDEM2 son el resultado de la adquisición de 260.000 escenas adicionales para mejorar la cobertura, un kernel de correlación más pequeño para alcanzar una mayor resolución espacial, y mejoras en el enmascaramiento del agua (Tachikawa et al., 2011b), en la figura 6 se puede ver la comparación de la versión 1 y 2 del DEM ASTER (Tachikawa et al., 2011b).

Al igual que con el GDEM1, la validación del GDEM2 fue realizado por estadounidenses y japoneses. Las evaluaciones de precisión vertical incluyen comparaciones contra referencias geodésicas absolutas de la conterminous de Estados Unidos, contra las redes nacionales de elevación en EE.UU. y Japón, contra la Shuttle Radar Topography Mission

37

(SRTM) 1 segundo de arco en los EE.UU., y contra datos de altimetría láser alrededor del globo (Misión ICESat o Ice, Cloud, and land Elevation Satellite)(Tachikawa et al., 2011b).

Evaluaciones de precisión horizontales se llevaron a cabo en Japón y a nivel globales, y estudios de resolución horizontal se llevaron a cabo en Japón y los EE.UU. (Tachikawa et al., 2011b).

Figura 7 Comparación Visual de resolución Horizontal de 3 DEMs. Tomado de (Tachikawa et al., 2011b)

El estudio de Tachikawa (Tachikawa et al., 2011b) observó que el GDEM2 tenía unos 8 metros por encima del DEM NED de 1 segundo de Arco sobre la mayoría de las zonas boscosas, y más de un metro por debajo del DEM NED sobre áreas desnudas. El estudio contra los datos del altímetro global encontró que el GDEM2 tiene en promedio 3 metros, y se documentó la sensibilidad a la altura de la copa de los árboles (Tachikawa et al., 2011b). El estudio muestra que el desplazamiento horizontal del GDEM1 de 0,95 píxeles se redujo a 0,23 píxeles en el DEM GDEM2 (Tachikawa et al., 2011b). Equipos americanos y japoneses observaron mejoras en la resolución horizontal, entre 71 y 82 metros, comparable con el SRTM 1 de 1 segundo de arco, pero a costa de un aumento de ruido. El número de pixeles vacíos y artefactos (anomalías) se redujeron sustancialmente en GDEM2, y en algunas zonas son prácticamente eliminados (Figura 7 y figura 8)(Tachikawa et al., 2011b).

38

Figura 8 (Izquierda) Desviación estándar de error en elevación, (Derecha) Estimación de resolución en terreno práctica. Tomado de Tachikawa et al. (2011a).

2.4. PREPARACIÓN DE DEMS Los algoritmos que se utilizan para preparar los DEM dependen mucho de los datos iniciales, es por esto que no todos los algoritmos son aplicables a modelos de elevación primarios. No existen algoritmos infalibles al preparar DEMs, pero es posible mejorar resultados si: (1) utiliza una detallada información auxiliar (cambios fisiográficos, canales, uso de suelo, red de drenaje), o (2) se seleccionan métodos de preparación que encajen en la aplicación estudiada y se limpian errores, pero obviamente dejando los objetos reales en los datos (Hengl y Reuter, 2009).

2.4.1. CALIDAD DEL DEM La calidad de los DEM determina la calidad del análisis geomorfométrico. Incluso el más sofisticado algoritmo geomorfométrico será incapaz de corregir los artefactos graves y los errores en los DEM de entrada (Hengl y Reuter, 2009). La calidad de los parámetros y objetos de la superficie terrestre y aplicaciones geomorfométricas depende de varios factores definidos por Florinsky (1998).

•

La rugosidad de la superficie terrestre.

•

La densidad de muestreo o el método utilizado para recopilar datos de elevación.

•

La resolución del raster o sampleo.

•

El algoritmo de generación del DEM.

•

La resolución vertical.

•

El tipo de análisis geomorfométrico.

39

Incluso los algoritmos geomorfométricos más robustos o exactos tendrán salidas pobres si los DEM de entrada son de baja calidad o inadecuados para una aplicación específica (Hengl y Reuter, 2009). Antes de extraer parámetros se aplican procedimientos disponibles en paquetes geomorfométricos bajo el nombre de pre-procesamiento o preparación DEMs, los cuales tienen tres objetivos principales (Hengl y Reuter, 2009). 

Eliminar errores gruesos y artefactos,



Hacer una mejor aproximación de la superficie de la tierra,



Hacer una mejor aproximación de los procesos ecológicos/hidrológicas (tales como el flujo, la radiación, la deposición, etc.).

2.4.2. TIPOS DE ERRORES: los Errores en un DEM se pueden agrupar en 3 grandes grupos (Hengl y Reuter, 2009): •

Artefactos, Equivocaciones o errores gruesos.

•

Errores sistemáticos.

•

Errores aleatorios o ruido.

Los artefactos son importantes al derivar parámetros de superficie de segundo orden (curvaturas), aspecto y/o parámetros hidrológicos. Son difíciles de detectar en un DEM, pero al derivar aspecto o índice de humedad, el algoritmo falla o da valores irreales como se ve en la figura 9 (Hengl y Reuter, 2009). En otros casos, es posibles derivar una superficie, pero se convertirá en un valor completamente erróneo (líneas fantasma, franja o similares). Hoyos por contornos de elevación erróneos o montañas apareciendo en pequeñas colinas por ubicaciones erróneas son otros artefactos (Hengl y Reuter, 2009).

Los errores sistemáticos, reflejan un sesgo en el método de toma de datos, limitaciones en los métodos utilizados para derivar el DEM, o la sensibilidad del algoritmo geomorfométrico para computar parámetro (por ejemplo, una ventana de análisis muy pequeña)(Hengl y Reuter, 2009). Estos errores no son evidentemente erróneos y no se puede confiar en una inspección visual de los resultados, por ejemplo, un DEM derivado de un par estereoscópico mostrará niveles altos de inexactitud en áreas sombreadas y cerca del borde de las fotografías, pero este error es invisible para el ojo humano (Hengl y Reuter, 2009).

40

Figura 9 Ejemplos de artefactos en DEMs y reducción de los mismos; (a) ruido local de interpolación IDW, (b) patrones artificiales por fuentes de GPS, (c) errores sistemáticos en un DEM interpolado de datos de contorno. Tomado de Hengl y Reuter (Hengl y Reuter, 2009).

Raaflaub y Collins (2006) evaluaron los efectos de los errores DEM en parámetros comunes de superficie terrestre (pendiente, orientación, índice topográfico) y concluyeron que los errores sistemáticos pueden reducirse si un número de vecinos alto se utiliza para derivar los parámetros de superficie terrestre locales (por ejemplo, pendiente). En el caso de derivación de aspecto, la sensibilidad a los errores promedio de error DEM no depende del tamaño de la vecindad (Hengl y Reuter, 2009).

Los errores aleatorios están relacionados con el ruido de la señal, que pueden ser bastante grande en DEMs producidos con instrumentos basados en sensores remotos, pero son inherentes a cualquier proceso de medición (Hengl y Reuter, 2009). Por ejemplo, un DEM SRTM puede mostrar un patrón ruidoso constante en toda el área de interés,

41

pero la verdadera rugosidad superficial debería mostrar diferentes rugosidades en diferentes puntos de la zona de estudio (Hengl y Reuter, 2009).

2.5. GEOMORFOMETRÍA. Según Pike (1995, 2000) y Rasemann, Schmidt, Schrott y Dikau (2004), la geomorfometría es la ciencia del análisis cuantitativo de la superficie terrestre, y en palabras de Tobler (1976, 2000) es un enfoque moderno analítico - cartográfico para representar la topografía de la tierra sin cobertura vegetal, por medio de la manipulación de la altura del terreno. La geomorfometría es un campo multidisciplinario que se ha desarrollado de las matemáticas, las ciencias de la tierra y más recientemente de las ciencias computacionales (Figura 10); a pesar de que es una actividad que se encuentra en diferentes campos como la geografía, geomorfología o edafología, ya no es una técnica sino una disciplina por si misma (Hengl y Reuter, 2009).

Figura 10 Geomorfometría y su relación con disciplinas específicas. Modificado de Hengl y Reuter (2009).

Según Evans (2012), hay que distinguir bien entre geoforma (Landform) y forma de la superficie terrestre (Land Surface form) pues es la base de la diferenciación de la geomorfometría especifica y la general (Evans, 1972; Goudie y British Geomorphological Research Group, 1990). La forma de la superficie terrestre (Land Surface form) es

42

continua y cubre todo el globo de manera subaérea o subacuática o cualquier planeta, luna o asteroide, la geomorfología general es el área que se encarga de todo este campo continuo. En el caso de las geoformas (Landforms), son fragmentos de superficie terrestre y puede ser discontinuos: no es necesario que cubran completamente la superficie, la geomorfología especifica analiza la geometría y las características topológicas de las geoformas (Evans, 2012).

La morfometría de geoformas en información digital o análoga, es considerada como parte de la geomorfología cuantitativa (Leopold, Wolman, y Miller, 1995; Rhoads y Thorn, 1996; Scheidegger, 1991; Thorn, 1988 en Hengl y Reuter, 2009). En esta investigación la geomorfometría se define como la caracterización y análisis, por medio de herramientas computacionales, de la topografía continua, siguiendo el concepto establecidos por Pike, Evans y Hengl en la publicación GEOMORPHOMETRY: Concepts, Software and Applications (Hengl y Reuter, 2009) .

Teniendo en cuenta los diferentes autores se utilizará el término superficie terrestre como el objeto principal del estudio de la geomorfometría. El término DLSM (digital land surface model) como un modelo digital de la superficie, que es prácticamente el mismo término DEM (Digital Elevation Model) que es ampliamente aceptado en países anglosajones (Hengl y Reuter, 2009).

El termino parámetro de superficie o Land Surface Parameter, es una medida descriptiva de la forma de la superficie (por ejemplo. la pendiente, aspecto o el índice de humedad) y se encuentra representado por valores continuos, usualmente en un raster o mapa (Hengl y Reuter, 2009). El objeto de superficie terrestre o Land Surface Object es un objeto espacial discreto (por ejemplo, una cuencas hidrográfica, drumlin, circo o abanico aluvial), y es mejor representado con un mapa vectorial consistente de puntos, líneas o polígonos, extraídos de un DEM raster (Hengl y Reuter, 2009).

A continuación, se tratará de manera general los datos de entrada y salida, así como el proceso generalmente usado en estos estudios y las herramientas computacionales que se trabajan en estos datos DEM.

43

2.5.1 DATOS DE ENTRADA Y PRODUCTOS. El objetivo primordial de la geomorfometría es la extracción de parámetros y objetos a partir de un DEM inicial, el DEM es simplemente una representación digital de una superficie ya sea vectorial o raster, almacenando los valores de altura con una referencia horizontal (sistema de coordenadas) y otra vertical (altura sobre el nivel del mar)(Hengl y Reuter, 2009).

Figura 11 Flujo operacional general de la geomorfometría según Hengl y Reuter (Hengl y Reuter, 2009).

Según Hengl y Reuter (2009), el proceso del análisis geomorfométrico se puede resumir a 5 pasos como se ve en la Figura 11.

1. Muestreo de la superficie terrestre (alturas).

2. Generación de un modelo de superficie a partir de las alturas muestreadas.

44

3. Corregir errores y artefactos en el modelo digital resultante.

4. Derivar parámetros de superficie terrestre y objetos.

5. Aplicación de los parámetros y objetos resultantes.

El análisis de geoformas en el campo ha sido la principal forma de cartografía a través de los años, determinar parámetros típicos como orientación, largo, radio de elongación etc.

(Wright, 1912; Raistrick, 1933; Zelcˇs, 1997 en Saha et al., 2011). Existen tres tipos de parámetros generales, los parámetros básicos que describen la morfología local (pendientes, aspecto, etc.), los parámetros hidrológicos o acumulación de flujo que muestran el potencial movimiento de material (índices de erosión, movimiento en masa, etc.) y un tercer grupo que es calculado generalmente por ajuste de cantidades climáticas o meteorológicas y su influencia en el relieve superficial (Hengl y Reuter, 2009).

2.5.2 ESTRUCTURA DE ALMACENAMIENTO RASTER Y GEOMORFOMETRÍA La estructura raster, a pesar de sus desventajas de tamaño de almacenamiento o alta densidad de muestreo en su generación, es la estructura con mas ventaja en la geomorfometría porque muchas de sus propiedades técnicas son controladas automáticamente por una única medida: resolución espacial (Tamaño de grilla o tamaño de celda), expresada por el espaciamiento X y Y (normalmente en metros)(Hengl, 2006).

En la figura 12, se puede observar que ‘ncols’ y ‘nrows’ equivalen al número de filas y columnas, ‘xllcorner’ y ‘yllcorner’ equivalen a esquina oeste y sur del mapa, mientras que cellsize es la resolución de la grilla en metros (Hengl y Reuter, 2009). Los valores adicionales corresponden a valores arbitrarios para datos nulos (nodata_value) y los valores a continuación son los valores de altura para cada celda en el archivo raster. Este ejemplo es el estándar Ascii para un archivo raster de ESRI Inc o Environmental Systems Research Institute. (Hengl y Reuter, 2009).

45

Figura 12 (Izquierda) Mapa raster ortogonal definido por 5 parámetros: número de filas y columnas, coordenadas de la esquina inferior y tamaño de celda, (Derecha) ejemplo de DEM de 6x6 pixels en archivo Ascii. Tomado de Hengl y Reuter (2009).

2.5.3 INTRODUCCIÓN A ALGORITMOS GEOMORFOMÉTRICOS El realizar operaciones morfométricas dentro de un SIG raster, implica calcular cantidades intermedias (sobre la misma grilla de interés) que luego se utilizarán para calcular la salida final (Hengl y Reuter, 2009).

La mayoría de los algoritmos morfométricas trabajan a través de la operación de vecindad (procedimiento por el cual se mueve una ventana de tamaño regular de celdas, llamado filtro o subgrilla) sobre todo el raster, desde la parte superior izquierda a la esquina inferior derecha y repitiendo una fórmula matemática en cada ubicación de esta subgrilla (Hengl y Reuter, 2009). Los pixeles dentro de la ventana de muestreo se definen por la posición relativa al pixel central, que es la ubicación donde el nuevo parámetro será calculado como se ve en la Figura 13 (Hengl y Reuter, 2009).

46

Figura 13 Designación de vecinos en ventana 3x3 y 6x6 (a) por identificadores únicos como en Ilwis (b) por separación de columnas y filas en pixeles desde el pixel central (ArcInfo GIS). Tomado de Hengl y Reuter (2009).

En el ejemplo mostrado en la figura 14, se realiza el cálculo del gradiente de la pendiente derivado del DEM por el método de Evans-Young. Este cálculo es simplemente realizar una repetición de una formula sobre un área de interés, así puede acercarse a una zona definida de 3x3 pixeles y aplicar los algoritmos u operaciones definidas para esta ventana (Hengl y Reuter, 2009). El pixel central de gradiente de pendiente resultante será obtenido por los cambios promedio de altura, primero obteniendo las diferencias en la dirección X, Y y después se obtiene el promedio cuadrático de los dos resultados (Hengl y Reuter, 2009).

47

Figura 14 Ejemplo numérico mostrando el cálculo de pendiente extraído de un DEM con una ventana 3x3.

Tomado de Hengl y Reuter (2009).

Debido a que los parámetros espaciales cambian con el tamaño de la celda o resolución espacial y que los algoritmos usados para generar los diferentes parámetros son aproximaciones diferentes por autor; entonces los mapas computados a partir de un DEM no son definitivos (Hengl y Reuter, 2009). Debido a diferentes razones es mejor referenciar el algoritmo usado, el tamaño de la ventana de muestreo y el tamaño de pixel (Hengl y Reuter, 2009)

2.6. PARÁMETROS SUPERFICIALES BÁSICOS Algunos de los parámetros relacionados a la morfología se pueden derivar directamente de un DEM sin más conocimiento del área representada, estos son parámetros básicos de la superficie terrestre (Hengl y Reuter, 2009).

Una vez que se tiene el DEM preprocesado, los primeros análisis deben ser ejecutados teniendo en cuenta sus propiedades geométricas y topológicas. Esto debe realizarse rápidamente, pues su utilidad y parámetros como la pendiente o insolación, entre otros, están relacionados con diversos campos prácticos como hidrología, geología o biología (Evans, 2012).

48

Algunos de los parámetros básicos se analizan a nivel local, mientras que otros (a nivel regional) consideran varias o todas las partes del DEM separadas desde el punto exacto en el que se han de calcular, algunos parámetros abarcan la pendiente, perfiles de curvatura, convexidad de plano, curvatura de secciones, curvatura máxima y mínima derivados de DEMs (Fisher et al., 2004; Pike, 2000; Wood, 2006 en Ehsani, Quiel, y Malekian, 2009), algunos de estos parámetros están enunciados en la Tabla 5.

Tabla 5 Lista de algunos Parámetros básicos de Superficie. Modificado de Hengl y Reuter (2009).

PARÁMETRO

TIPO

¿Que describe?

Pendiente

Local

Dirección de flujo

Aspecto

Local

Línea de dirección de flujo

Curvatura tangencial

Local

Mecanismo de acumulación 1

Curvatura de perfil

Local

Mecanismo de acumulación 2

Catchment area

Regional

Magnitud de flujo

Hipsometría

Regional

Distribución de valores de altura

Catchmente heigth/slope

Regional

Características de flujo

Insolación

Regional/local

Intensidad de radiación solar

Exposición visual

Regional

Extensión de área visible

Roughness

Local

Complejidad del terreno

2.6.1 PENDIENTE Y ASPECTO La pendiente está definida por un plano tangente a la superficie modelada por el DEM en cualquier punto y posee dos componentes, gradiente o la velocidad máxima de cambio de altitud; y el aspecto o la dirección de la brújula de la máxima tasa de cambio (Burrough y McDonnell, 1998).

Según Burrough y McDonnell (1998) muchos autores utilizan los términos 'pendiente o slope' para referirse a 'gradiente' y denominan 'exposición' al término 'aspecto'. La pendiente se mide generalmente en porciento, grados o radianes y el aspecto en grados (convertido a un rumbo de la brújula)(Hengl y Reuter, 2009).

Los parámetros generalmente se calculan localmente para cada pixel de altitud a partir de datos dentro de un kernel 3 X 3 o "ventana" que se mueve sucesivamente sobre el mapa (Hengl y Reuter, 2009). El método de diferencia finita para definir aspecto y pendiente más usado de Zevenbergen y Thorne utiliza un algoritmo de diferencia en los 4 vecinos más cercanos en la ventana (Burrough y McDonnell, 1998).

La ecuación de la pendiente (S=slope) se define por:

49

Donde z es la altitud de x e y son los ejes coordenados.

El aspecto (A=Aspecto) se define por la ecuación:

La herramienta usada por el software ArcGIS utiliza la ecuación anterior de Zevenbergen y Thorne, pero utiliza el enfoque de Horn (1981) para estimar

y

. El valor de

pendiente y aspecto del plano se calculan por la técnica de promedio máximo (Esri, 2010), ejecutando el cálculo sobre 8 puntos en el pixel central según el algoritmo de Horn (Burrough y McDonnell, 1998; Horn, 1981).

El método de Horn y el algoritmo de Zevenbergen y Thorne son utilizados por los SIG comerciales más conocidos, y por lo general existe un acuerdo general que estos son los mejores algoritmos (Burrough y McDonnell, 1998).

La pendiente es finalmente definida en ArcGIS como (Esri, 2010):

y el aspecto se define como (Esri, 2010):

La notación de la formula ejecutada en el software es (Esri, 2010):

50

El valor de orientación después se convierte a valores de dirección de brújula (0 a 360 grados), de acuerdo a la siguiente regla: Si

aspecto < 0 celda = 90.0 - aspecto

De lo contrario

aspecto > 90.0

celda = 360.0 - aspecto + 90.0 De lo contrario celda = 90.0 - aspecto El resultado del aspecto se mide en el sentido de las agujas del reloj en grados de 0 (hacia el norte) a 360 (hacia el norte, nuevamente), formando un círculo completo. Las áreas planas que no tienen dirección de pendiente descendente tienen un valor de -1 (Esri, 2010).

2.6.2 APERTURA TOPOGRÁFICA La apertura es un parámetro morfométrico desarrollado por Yokoyama, Shirasawa y Pike (2002) que expresa el grado de dominio o encerramiento de una ubicación en una superficie irregular y se desarrolló para visualizar el carácter topográfico. Es una medida angular de la relación entre el relieve y la distancia horizontal (Yokoyama et al., 2002).

Este parámetro incorpora conceptos de línea de vista de terreno y se calcula a partir de ángulos cenitales y nadir a lo largo de ocho acimuts (Yokoyama et al., 2002). La apertura tiene dos puntos de vista del espectador. Los valores positivos, que expresan la apertura por encima de la superficie, son altos para las formas convexas, mientras que los valores negativos describen este atributo debajo de la superficie y son altos para las formas cóncavas (Yokoyama et al., 2002).

51

Figura 15 Elevaciones seleccionadas en un DEM. Se muestra el origen A del cálculo de apertura, el ángulo del acimut D se mide en sentido horario desde el norte. L es el límite radial del cálculo. Tomado de Prima, Echigo, Yokoyama y Yoshida (2006).

Figura 16 La apertura definida en términos de ángulos cenitales y nadir , los ángulos se calculan a lo largo de uno de los ocho acimuts D dentro de límite radial de L; apertura positiva es el promedio de las mediciones y la apertura negativa es el promedio de Tomado de Yokohama et al. (2002).

La apertura se puede obtener calculando los ángulos cenitales o nadires para las ocho direcciones de brújula desde el punto central y usando la media. La figura 16 muestra un punto de origen A para el cálculo de apertura y apunta hacia el exterior de ese punto a lo largo de cada uno de los ocho acimuts (Yokoyama et al., 2002).

La figura 15 muestra una superficie de apertura para A definido en términos de ángulos cenitales y nadires. A lo largo de acimut D (D = 0, 45, 90, 135, 180, 225, 270, y 315), el ángulo cenital al. (2002):

en una malla dentro de una distancia radial L es, según Yokohama et

52

y el ángulo nadir

es, según Yokohama et al. (2002):

La apertura positiva de

de A en una ubicación en la superficie a una distancia de L en

el DEM es, según Yokohama et al. (2002):

La apertura negativa

Los valores de

y

dentro de una distancia L es, según Yokohama et al. (2002):

siempre tienen el signo positivo y los cambios en valores de L

permiten la representación de apertura a escala fina y a escala gruesa (Yokoyama et al., 2002). Si la distancia L es mayor, las geoformas más gruesas son detectables, a menor distancia L, geoformas más detallados son representados (Prima et al., 2006).

2.7. ANÁLISIS DE IMAGEN BASADOS EN PIXEL El objetivo de la clasificación de imágenes es descomponer una imagen espectralmente y asignar a un grupo de celdas o pixeles en clases de cobertura terrestre o temas (ERDAS, 1999; Lillesand y Kiefer, 2004).

El análisis de imagen basado en pixel se refiere al concepto de clasificación clásico, que clasifica de acuerdo a la información espectral almacenada en una imagen agrupando la información "pixel por pixel" y cada pixel pertenece a una sola clase (Blaschke, 2010; Hay y Castilla, 2008; Yan, 2003).

Dos tipos de clasificación se describirán a continuación, la supervisada y la no supervisada.

2.7.1. CLASIFICACIÓN NO SUPERVISADA Una de las ventajas que ofrece este método es que la intervención humana se centra en la interpretación más que en la consecución de los resultados (Arango Gutiérrez, Branch

53

Bedoya, y Botero Fernández, 2005). Así que se usa cuando hay poco o nulo conocimiento de la distribución de la información temática del área (Yan, 2003). Es necesario definir valores iniciales (tamaño y tolerancia entre clases) para guiar al algoritmo en la definición de clases (Chuvieco y Salinero, 2000; Lillesand y Kiefer, 2004; Olaya, 2011).

Este método no utiliza datos de entrenamiento como base para la clasificación (ERDAS, 1999; Yan, 2003). Los clasificadores analizan los píxeles en la imagen y los agregan a una serie de clases basadas en las agrupaciones naturales o grupos presentes en los valores de la imagen (Lillesand y Kiefer, 2004). Todos los valores que pertenecen a una clase determinada deben estar juntos en el espacio de medición, mientras que los datos de diferentes clases deben estar comparativamente bien separados (Lillesand y Kiefer, 2004). El análisis no supervisado se convierte en un proceso interactivo, pues es el usuario quien define los valores iniciales de los algoritmos y deben ser modificados mientras se obtienen los resultados (Arango Gutiérrez et al., 2005).

En esta clasificación existen diferentes métodos no supervisados conocidos como métodos de clustering, siendo dos de los más conocidos dentro del ámbito de los sistemas de información geográfica los siguientes (Lillesand y Kiefer, 2004; Olaya, 2011): (a) DISTANCIA MÍNIMA ITERATIVA o K-MEANS: Este método es conocido como de distancia mínima iterativa o K-means (Forgy, 1965; Hartigan y Wong, 1979) y es uno de los métodos más conocidos para clasificación no supervisada (ERDAS, 1999). El número de clases se define por el operador arbitrariamente y solo es necesario conocer los valores medios de las clases, siendo este el único valor estadístico con el que se trabaja. El centro habitual de las primeras clases se ubica equiespaciadamente en el rango de los valores a clasificar (Forgy, 1965; Olaya, 2011).

Después de la primera iteración se realizan nuevas iteraciones, analizando los valores incluidos en cada clase y se calculan nuevamente los valores de las medias por clase, hasta que se cumple un criterio de convergencia (Forgy, 1965; Lillesand y Kiefer, 2004; Olaya, 2011), como se puede ver en el ejemplo de la figura 17.

Los elementos pueden cambiar de clase hasta que el número de pixeles que cambian de clase, que puede ser usado como un criterio de convergencia, detenga el algoritmo

54

(Lillesand y Kiefer, 2004; Olaya, 2011). La varianza media de las clases también puede ser utilizada como medida de la modificación, si no se produce una disminución suficiente de la varianza, puede asumirse que el proceso ha llegado un resultado óptimo (Lillesand y Kiefer, 2004; Olaya, 2011).

Figura 17 Etapas de proceso de clasificación no supervisada por distancia mínima iterativa. Tomado de Olaya (2011)

(b) ISODATA: El método ISODATA (Iterative Self–Organizing Data Analysis Technique) comparte los mismos fundamentos que el anterior, pero continúa hasta que el cambio del número de pixeles en cada clase o grupo es bajo con referencia a un valor de tolerancia o hasta cierto número de iteraciones predefinidas (Arango Gutiérrez et al., 2005; Olaya, 2011). El proceso anterior disminuye el número de clases totales en uno (Olaya, 2011).

Sí dos de las clases pueden ser similares, resulta conveniente unir dichas clases. Un caso opuesto se da si la clase tiene una variabilidad elevada, para lo cual el método divide este grupo en dos nuevas clases. La definición de un umbral mínimo de distancia entre clases permite al algoritmo considerar esta circunstancia (Olaya, 2011).

En el proceso ISODATA debe especificarse el número de clases máximo y mínimo de clases a crear, y así, acotar el número de clases totales que resulta de los procesos de ajuste mencionados (Arango Gutiérrez et al., 2005; ERDAS, 1999; Olaya, 2011).

55

Incluyendo estos procesos junto a la estructura del algoritmo de distancia mínima iterativa, se tiene el proceso global del método descrito (ERDAS, 1999; Olaya, 2011).

2.7.2. CLASIFICACIÓN SUPERVISADA En la clasificación supervisada, el analista depende de su capacidad para identificar patrones y está a cargo del proceso de categorización de píxeles, debe especificar los descriptores numéricos de las diferentes clases presentes en la imagen (ERDAS, 1999; Yan, 2003). La forma de proporcionar definiciones de clase en el método de clasificación supervisada se da mediante zonas de entrenamiento o mediante valores directos (ERDAS, 1999; Olaya, 2011). Las muestras de entrenamiento o valores directos deben describir el patrón espectral de las clases y debe ser definido, pues serán comparados numéricamente a todos los píxeles de la imagen (ERDAS, 1999; T. M. Lillesand y Kiefer, 2004; Yan, 2003).

En la etapa de entrenamiento debe reunirse el conjunto de estadísticas que describen la respuesta espectral de cada clase en la imagen, (Figura 18) capturando la ubicación, el tamaño, la forma y orientación de las "nubes de puntos" para cada clase (Lillesand y Kiefer, 2004). Para obtener resultados aceptables en la clasificación, la información de muestras de entrenamiento deben ser representativos y completos (Lillesand y Kiefer, 2004; Olaya, 2011). Todas las clases espectrales que constituyen cada clase de datos o tema, deben estar adecuadamente representados en las estadísticas del conjunto de entrenamiento utilizados para clasificar una imagen (Lillesand y Kiefer, 2004; Olaya, 2011).

56

Figura 18 Esquema de clasificación supervisada. Tomado de Olaya (2011)

La dispersión de los datos en los sitios seleccionados aumenta la probabilidad de que las muestras de entrenamiento recopilen excesiva variación espectral de la clases de información (ERDAS, 1999; Lillesand y Kiefer, 2004). Al usar cualquier clasificador, el límite inferior teórico del número de píxeles que deben estar contenidos en una muestra de entrenamiento es n + 1, donde n es el número de bandas espectrales (Olaya, 2011).

A continuación, se presentan algunos enfoques de clasificadores supervisados (Figura 19). (a) CLASIFICADOR MÍNIMA DISTANCIA: El método de mínima distancia se basa también en conceptos geométricos dentro del espacio de atributos (Olaya, 2011). En primer lugar, el valor espectral medio de cada banda para cada clase es definida y esos valores espectrales comprenden el vector medio de cada clase (Lillesand y Kiefer, 2004). Un píxel desconocido se puede clasificar computando la distancia entre el valor del píxel y los promedios de cada clase. Si el píxel se sale de la distancia definida en el umbral (umbral de distancia) de cualquier clase, será clasificado como "desconocido" (Lillesand y Kiefer, 2004; Olaya, 2011).

El umbral de distancia puede variar para cada clase en función del grado esperado de dispersión, estimado de la desviación estándar para cada característica de los píxeles que componen la muestra de entrenamiento (ERDAS, 1999; Lillesand y Kiefer, 2004). Este clasificador no se utiliza ampliamente donde las clases espectrales están muy cercanas de

57

la una a la otra en el espacio de medición y que tengan alta varianza (Lillesand y Kiefer, 2004; Olaya, 2011). (b) CLASIFICADOR PARALELEPÍPEDOS: Este método de clasificación establece una región por cada clase, con forma de paralelepípedo(Lillesand y Kiefer, 2004), dentro del espacio de atributos trabajado. Los pixeles pertenecen a una localización si la posición de sus valores está dentro de la región correspondiente a la clase (Lillesand y Kiefer, 2004; Olaya, 2011).

Los lados de los paralelepípedos están definidos por la media de cada variable en la clase y su desviación típica. La longitud de los lados es igual a dos veces la desviación típica, y se encuentran centrados en la media (Olaya, 2011). El mismo tipo de análisis puede aplicarse a cualquier número de n variables (resultaría un espacio de atributos n–dimensional) y cualquier número de clases (Lillesand y Kiefer, 2004; Olaya, 2011).

La precisión de este método es baja, y el número de elementos sin clasificar o clasificados en varias categorías es alto, su mayor ventaja reside en la velocidad de proceso, al no requerir operaciones complejas (Lillesand y Kiefer, 2004; Olaya, 2011). (c) CLASIFICADOR DE MÁXIMA SIMILITUD: Este clasificador evalúa la varianza y covarianza de los patrones de respuesta de la categoría espectral cuando clasifica un pixel(Lillesand y Kiefer, 2004) es por eso que se basa en fundamentos estadísticos. Conociendo la media y desviación típica que caracteriza a una clase, se puede suponer una función de densidad de probabilidad, y con los valores de un elemento dado se puede estimar la probabilidad que correspondan a cada clase (Lillesand y Kiefer, 2004; Olaya, 2011).

Este método permite que todos los elementos queden clasificados. Es fácil aplicar un umbral inferior a los valores de probabilidad, de tal forma que si la clase más probable tiene un valor por debajo del umbral, no se asigne el elemento a dicha clase (Lillesand y Kiefer, 2004; Olaya, 2011). Este método es semejante al de paralelepípedos, pero en lugar de paralelepípedos se tienen hiperelipses n–dimensionales. Es posible que un elemento se encuentre dentro de varias de estas hiperelipses, el cual se resuelve, directamente con

58

los valores de probabilidad de estas (Olaya, 2011) una extensión de este método de máxima similitud se denomina clasificador bayesiano (Lillesand y Kiefer, 2004).

Puede verse un gráfico relativo a este método en la figura 19, considerando la aplicación de un umbral inferior de probabilidad.

Figura 19 Imagen de clasificadores por método de (a) mínima distancia, (b) Paralelepípedos y (c) máxima similitud. Tomado de Olaya (2011).

2.8. ANÁLISIS DE IMAGEN ORIENTADA A OBJETO Todos los algoritmos clasificatorios discutidos hasta acá se basan en el análisis espectral de pixeles individuales. En contraste los clasificadores orientados a objetos usan patrones espectrales y espaciales para clasificación de imágenes (Lillesand y Kiefer, 2004).

Según Hay y Castilla (2008), el análisis de imagen basado en objetos geográficos se dedica a desarrollar métodos automatizados para dividir imágenes en objetos de imagen significativos y evaluar sus características a través de escalas espaciales, espectrales y temporales, para generar nueva información en formato SIG.

59

En el análisis de imágenes orientado a objetos, las unidades básicas de procesamiento de imágenes son objetos o segmentos o parches, no píxeles individuales (Lillesand, Kiefer, y Chipman, 2008; Yan, 2003). Desde un punto de vista de segmentación de imagen los parches o segmentos se dividen en cuatro categorías que son:(a) basada en puntos, (b) basada en limites, (c) basada en regiones y (d) combinada (Blaschke, 2010), pero en general los clasificadores orientados a objetos son clasificadores blandos basados en lógica difusa (Blaschke, 2010; Yan, 2003). Los clasificadores suaves usan afiliación (membership) para expresar la asignación de un objeto a una clase y ese valor por lo general se encuentra entre 1 y 0. El grado de afiliación depende de cuánto cumplen las condiciones que describen las clase (1.0 es una asignación completa a una clase y 0.0 absolutamente improbable)(ERDAS, 2010; Lillesand et al., 2008; Yan, 2003). Las ventajas de estos clasificadores blandos radican en su posibilidad de expresar la incertidumbre sobre las descripciones de clases (Lillesand et al., 2008; Yan, 2003).

La segmentación es la primera fase que crea unidades de procesamiento, relativamente homogéneas y significativas, llamadas objetos candidatos, para pasar a la etapa de clasificación en el análisis orientado a objetos (Blaschke, 2010; Yan, 2003).

2.8.1. SEGMENTACIÓN DE IMAGEN Es necesario realizar un proceso de generación de regiones o parches en los que de acuerdo a ciertos parámetros se obtenga información resumida pero significante, esto es la segmentación (López, Valero, y Escorcia, 2004).

En la segmentación de imágenes se espera que los objetos extraídos del análisis se extraigan automáticamente. Los objetos formados por la agrupación de píxeles conforme a los criterios de heterogeneidad y homogeneidad por segmentación de imagen, son las unidades básicas de transformación en el enfoque de análisis de imágenes orientada a objetos (Lillesand et al., 2008; Yan, 2003).

Los métodos de segmentación de imágenes se dividen en dos dominios principales: métodos guiadas por el conocimiento (top down) y guiados por los datos (bottom up) (Corcoran y Winstanley, 2008; Yan, 2003). En el enfoque de arriba abajo o top down, el usuario ya sabe que necesita extraer de la imagen, pero no sabe cómo llevar a cabo la extracción. Mediante la formulación de un modelo de los objetos deseados, el sistema

60

trata de encontrar el mejor método de procesamiento para extraerlos (Corcoran y Winstanley, 2008; Yan, 2003).

Los métodos de abajo a arriba o bottom up pueden verse como una compresión de datos.

Al principio los segmentos generados son sólo objetos primitivos de imagen, es responsabilidad del usuario determinar qué tipo de objetos del mundo real son los objetos generados (Yan, 2003). Este método lleva a cabo una segmentación completa y agrupa pixeles que cumplen ciertos criterios de homogeneidad y heterogeneidad (Corcoran y Winstanley, 2008; López et al., 2004; Yan, 2003).

La siguiente parte es un resumen de algunos enfoques comunes en la segmentación de imágenes (Fan, Yau, Elmagarmid, y Aref, 2001; Yan, 2003). (a) Umbralización global: Están basados al asumir que pixeles adyacentes tienen un valor cercano en cierto rango y pertenecen a una misma clase (Fan et al., 2001).

En este enfoque, el espacio se divide en subdivisiones, y píxeles adyacentes locales de la misma subdivisión se fusionan (Fan et al., 2001; Yan, 2003). Este método lleva a resultados de calidad limitada. La separación en unidades que son demasiado pequeños o regiones fusionadas que no pertenecen uno a otro, se llevan a cabo sin un buen control de umbrales significativos. Los contrastes locales no son representados de una manera consistente y las regiones resultantes pueden diferir en tamaño (Fan et al., 2001; Yan, 2003). (b) Algoritmos de región creciente: asumen que pixeles adyacentes en la misma región tienen características similares, como color valor o textura (Fan et al., 2001; Schiewe, 2002). Agrupan pixeles empezando de un número limitado de puntos de semillas individuales. Estos algoritmos dependen básicamente del conjunto de semillas dadas y frecuentemente falta control en el criterio de quiebre para el crecimiento de una región (Fan et al., 2001; Schiewe, 2002; Yan, 2003). (c) Algoritmos de segmentación de textura: Obedecen a un esquema de dos etapas (Yan, 2003): 1) en la etapa de modelado los objetos característicos se extraen de la imagen texturada y el rango de frecuencias espaciales. 2) En la etapa de optimización, los objetos son agrupados en segmentos homogéneos minimizando una medida de calidad

61

apropiada. Aunque la textura de la segmentación conduce a resultados rápidos, reproducibles, algunas veces son aplicables a un número limitado de tipos de datos, textura y problemas (Yan, 2003). Las texturas deben ser muy regulares para ser reconocidas. Los resultados no se pueden conseguir en cualquier escala (Yan, 2003). (d) Enfoques basados en el conocimiento o híbridos: Estos enfoques tratan de incorporar los conocimientos derivados de áreas de entrenamiento u otras fuentes en el proceso de segmentación (Fan et al., 2001; Yan, 2003). Estos enfoques en su mayoría realizan la clasificación basada en píxeles, basados en la agrupación en un espacio global. Los segmentos se generan de forma implícita después de la clasificación, simplemente mediante la fusión de todos los píxeles adyacentes de la misma clase (Fan et al., 2001; Yan, 2003). Estos enfoques no son típicamente capaces de separar diferentes unidades u objetos de interés de la misma clasificación. Además, la clasificación puede actuar normalmente se limita a derivados espectrales y de filtro (Yan, 2003).

2.9. DEFINICIÓN DE GEOFORMAS Y ELEMENTOS DE GEOFORMAS La extracción de geoformas de la superficie terrestre a partir de DEM es una de las técnicas más atractivas en la actualidad en campos tan diferentes como la agricultura de precisión, modelado del paisaje, modelado ambiental ecológico y climático, aplicaciones hidrológicas y planeación urbana junto a la exploración espacial (Hengl y Reuter, 2009).

Los primeros esfuerzos al identificar partes de geoformas reconocían puntos específicos como puntos altos, pozos, valles, crestas y planicies. Varios enfoques se basan en considerar la forma de la superficie local, medido por valores de curvaturas calculadas dentro de una ventana de 3 × 3, aunque es mejor trabajar una ventana mayor. Conceptos básicos de uso de curvaturas fueron adaptados y aplicados por Hugget y Dikau como se puede resumir en la figura 20 (Dikau, 1989; Wood, 1996) en (Hengl y Reuter, 2009).

Aunque existen otras clasificaciones de formas no se examinaran en este documento.

62

Figura 20 Clasificando formas de elementos basados en el perfil y curvaturas tangenciales. Los elementos han sido clasificados positivos o negativos basados en el radio de curvatura (>600 o 600<). Tomado de Dikau (1989).

A partir de las superficies y definiendo parámetros como el sombreado o iluminación de terreno en los procedimientos de extracción de información se llegan a generar geoformas (Saha et al., 2011). El problema es la variación de azimut en las geoformas, razón por la cual se podrían perder límites de elementos lineales al cambiar de dirección en la superficie (Saha et al., 2011).

Se han desarrollado aplicaciones semi-automáticas para identificar objetos por reglas basadas en análisis de imagen y rutinas de análisis geomorfométrico con parámetros como pendiente y aspecto (Evans, 2012; Miliaresis y Argialas, 1999). Muchos cálculos basados en píxeles funcionan bien en datos multiespectrales en la evaluación de cobertura forestal, agua o zonas urbanas, pero no captan adecuadamente los objetos del mundo real (Saha et al., 2011). Superficies no uniformes como accidentes geográficos cubren varios píxeles, pero pueden ser cubiertas por usos diferentes del suelo (Saha et al., 2011).

Un enfoque en análisis de superficies es la clasificación difusa, que es apropiada donde es difícil encontrar límites nítidos de accidentes geográficos, pues este método asigna varias clases a un objetos y puede funcionar de dos maneras (Saha et al., 2011). La pertenencia a una clase puede basarse en conocimientos previos de parámetros específicos asociados

63

a una geoforma, o también es posible identificar similitudes entre geoformas. Según Saha et al. (2011), MacMillan y otros en el 2000 identificaron valles, crestas y pasos en cuencas pequeñas usando pendientes, grado de pendiente y curvatura, aunque todavía se usa el enfoque de pixeles.

El avance en técnicas de identificación de geoformas continua hasta llegar a la realización de análisis de imágenes basado en objetos. Este enfoque disminuye el número de unidades identificadas y elimina el efecto de 'sal y pimienta' común en clasificadores por píxel, adicionalmente se extraen formas de relieve como polígonos individuales, junto a información como asimetría, tamaño y orientación, mientras que esos detalles son inaccesibles en clasificaciones por píxel. En resumen, un enfoque basado en objetos debe dar lugar a un análisis más robusto y más flexible de geoformas que muestran patrones (Argialas y Tzotsos, 2004, 2006).

El enfoque orientado a objetos se ha aplicado a abanicos aluviales, en parametrización y escalamiento de datos generales en el terreno, mapear unidades geomorfológicas como crestas, montañas, llanuras aluviales, terrazas y colinas sedimentarias, y clasificación de deslizamientos de tierra y roca (Aksoy y Ercanoglu, 2012; Argialas y Tzotsos, 2006; Prima y Yoshida, 2010; Saha et al., 2011). En todos los casos, el método fue desarrollado para delimitar mejor la forma de relieve de elección, no necesariamente para encontrar otras formas de relieve del mismo tipo (Saha et al., 2011).

2.9.1 METODOLOGÍAS DESTACADAS EN IDENTIFICACIÓN DE GEOFORMAS. A continuación, se muestran las metodologías revisadas y que utilizan parámetros geomorfológicos en la identificación de geoformas en la superficie. (a) Metodología de Saha et al. (2011) El primer enfoque, en esta revisión bibliográfica, se refiere a un mapeo automatizado orientado a objetos utilizando modelos digitales de elevación (DEM), en la identificación de drumlins en Pensilvania y Nueva York (Saha et al., 2011). Los autores usaron el DEM USGS de 30 m de resolución suficiente para delimitar formas de relieve a mediana escala.

Posteriormente se derivan superficies de pendientes y aspecto para fusionarlas junto al

64

DEM en un solo archivo raster (Figura 21), el cual es utilizado en la clasificación de objetos (Saha et al., 2011).

El software Definiens developer (v.7) es un programa que puede integrar valores de píxel y atributos espaciales para cada objeto, Definiens sigue el concepto de que la información necesaria para interpretar una imagen no está representada por píxeles individuales sino en objetos de imagen y sus relaciones mutuas (Saha et al., 2011).

Figura 21 Área de estudio de Saha et al. (a) Imagen inicial del DEM de 30 m. (b) Pendiente derivada del DEM. (b) Aspecto derivado del DEM. (d) Imagen fusionada de los elementos a, b y c en RGB (Red, Green, Blue). Tomada de Saha et al. (2011).

Definiens developer fue utilizado en la segmentación multiresolución, seguido de una clasificación basada en reglas para extraer polígonos individuales o drumlins (Saha et al., 2011). Los resultados obtenidos fueron comparados visual y estadísticamente con la identificación manual utilizando estadística descriptiva. Aunque los resultados no fueron estadísticamente idénticos en su totalidad, una comparación detallada de los drumlins

65

identificados en ambos procedimientos mostró que los métodos automatizados fácilmente acertaron con la digitalización manual (Saha et al., 2011). El método automatizado identificó más drumlins que el método manual y en este sentido superó el método manual (Saha et al., 2011). (b) Metodología de Argialas y Tzotsos (2004).

Un primer enfoque en la identificación de geoformas aluviales fue desarrollado por Miliaresis y Argialas (Miliaresis y Argialas, 2000) y utilizó redes de drenaje para encontrar puntos de inflexión en la pendiente, y así definir una serie de puntos que se utilizaron como regiones de crecimiento en imágenes de Landsat y en mapas de pendiente derivados de DEM (Miliaresis y Argialas, 2000).

En una publicación actualizada de Argialas y Tzotsos del año 2004 se presenta un análisis de imágenes orientadas a objetos para la extracción automática de abanicos aluviales en el Valle de la Muerte, Nevada, EE.UU (Argialas y Tzotsos, 2004).

Los datos usados incluían una imagen de satélite ASTER L1, un modelo digital de elevación de 1° y una superficie derivada del DEM de pendiente (Argialas y Tzotsos, 2004) (Figura 22). Los autores realizaron un pre-procesamiento de los datos digitales: el filtrado del modelo de elevación digital (DEM) para la eliminación de ruido, una transformada de Fourier para eliminar bandas en las imágenes ASTER y un registro geométrico de la imagen y DEM (Argialas y Tzotsos, 2004).

Se utilizó una técnica de segmentación multi-resolución en cuatro niveles de resolución.

En el primer nivel, se extrajeron cuencas, piedemonte y montañas del DEM para utilizarse en la clasificación difusa de los siguientes niveles (Argialas y Tzotsos, 2004). A continuación, se implementaron conocimientos adquiridos en la definición de materiales aluviales, montañas, depósitos de sal de fondo de cuenca y sedimentos del fondo de cuenca (Argialas y Tzotsos, 2004).

66

Figura 22 Imagen ASTER compuesta en RGB (321) (Izquierda) y DEM de 1° grado del USGS (Derecha) para el valle de la muerte. Tomado de Argialas yTzotsos (2004).

En el segundo nivel se realizó una clasificación por vecino más próximo utilizando información espectral en la primera iteración de la clasificación (Argialas y Tzotsos, 2004).

Para la segunda iteración, la base de conocimientos se amplió con información contextual heurística de los materiales aluviales relacionados y con las características geomorfológicas extraídas en el primer nivel (Argialas y Tzotsos, 2004).

En el último nivel, se hizo una proyección de dos clases: abanicos aluviales y no abanicos aluviales (Argialas y Tzotsos, 2004). El método dio buenos resultados en la detección de unidades de grandes abanicos aluviales, y pequeños problemas para conos de deyección de menor tamaño por dificultad en su delimitación (Argialas y Tzotsos, 2004).

Los resultados se compararon con métodos alternativo para la extracción de conos de deyección y fueron satisfactorios (Argialas y Tzotsos, 2004). (c) Metodología de Prima y Yoshida (2010) Otro parámetro utilizado en esta tesis es la apertura y la metodología de Prima y Yoshida en la identificación de geomorfología volcánica y geología (Prima y Yoshida, 2010) es un buen ejemplo de su uso.

Prima y Yoshida utilizaron un DEM del volcán Iwate en Japón para calcular la pendiente y la apertura topográfica del área (Figura 23) (Prima y Yoshida, 2010). Posteriormente los

67

autores realizaron un análisis de componentes principales (PCA o Principal component analysis) y un análisis discriminante por pasos (stepwise discriminant analysis ó SDA) para evaluar diferencias estadísticas de los parámetros morfométricos en cada unidades geológicas (Prima y Yoshida, 2010).

Figura 23 Parámetros morfométricos y mapa de sombras del área de estudio de Prima y Yoshida, (a) pendiente, (b) apertura positiva, (c) apertura negativa (d) Mapa de sombras. Tomado de Prima y Yoshida (2010)

Las tres metodologías explicadas anteriormente usan parámetros que fueron usados en la tesis y como se ha visto son útiles para definir geoformas en el terreno. El capítulo presentado a continuación se enfoca en explicar los procedimientos y enunciar los insumos utilizados en el análisis desarrollado en este libro.

68

Se categorizaron unidades geológicas por edades y procesos de formación (Prima y Yoshida, 2010). Los análisis PCA permitieron seleccionar unidades geológicas para el análisis, mientras que SDA se utilizó para seleccionar parámetros morfométricos, lo que podría explicar las diferencias en los procesos de formación y las edades de las unidades geológicas (Prima y Yoshida, 2010).

Según los autores se demostró que la geología del área del volcán de Iwate puede ser caracterizada por dos parámetros morfométricos como la pendiente y la apertura topográfico negativo derivadas del DEM (Prima y Yoshida, 2010).

69

3. METODOLOGÍA En este capítulo se presenta la metodología definida para el trabajo de esta tesis y los diferentes procesos aplicados a la información. En primer lugar, se presenta el área de trabajo y los datos usados, en segundo lugar, se presentan de manera general la metodología. Finalmente se presentan los procesos ejecutados para obtener los resultados presentados.

3.1. ÁREA DE ESTUDIO: El área de estudio está ubicada en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia (Figura 24). Abarca aproximadamente 200 Km en sentido NE y 90 Km en sentido NW, con un área aproximada de 17000 Km2. Las unidades a estudiar poseen las elevaciones más bajas de la zona, excluyendo abanicos en la cordillera o en montaña (Gómez et al., 2015). Las máximas elevaciones en la zona de estudio corresponden a alturas de 4000 msnm, mientras las zonas más deprimidas se encuentran en elevaciones de 150 msnm (Gómez, et al., 2015).

Figura 24 Mapa de ubicación del área de estudio.

70

Las expresiones geomorfológicas del área estudiada se relacionan a procesos tectónicos regionales, mostrando tres estructuras y morfologías de familias de origen estructural, fluvial y fluvial afectado por neo tectónica (Lopez, 2004).

En la zona estudiada, denominada comúnmente piedemonte llanero, se ha registrado una transición entre cinturón deformado y cuenca de antepaís (Figura 25). En esta configuración el cinturón deformado se desplaza hacia el oriente gracias al fracturamiento y desplazamiento de las unidades litológicas por fallas de bajo ángulo.

Según López (2004), este tipo de estructuras están asociadas a zonas de alta deformación en la cordillera oriental, fallas de ángulo alto (60° o más) y desplazamientos en el rumbo, asociado a la convergencia de las placas tectónicas desde el cretáceo hasta el reciente en el norte de sur América, permitiendo esfuerzos tangenciales al escudo, generando movimientos de rumbo.

Figura 25 Modelo estructural generalizado del área de estudio Tomado de López (2004).

Las estructuras regionales y los procesos de sedimentación actuales tienen estrecha relación, porque la distribución de los materiales está directamente relacionada con la energía de transporte del medio (agua), que a medida que disminuye la pendiente, disminuye la energía y en consecuencia el tamaño de los sedimentos arrastrados y la configuración de los canales.

71

3.2. DATOS USADOS Y SOFTWARE: En este análisis se usaron tres tipos de datos: (1) Fajas de información de Elevación de 1° x 1 ° del ASTER DEM versión 2 (NASA y METI, 2011) con una resolución de 30x30 m cubriendo el área desde 6° a 4° en latitud norte y de 72° a 74° en longitud oeste. (2) Fajas de información de 1° x 1° del SRTM DEM Versión 3 (NASA, 2014) con una resolución de 30x30 m cubriendo el área desde 6° a 4° en latitud norte y de 72° a 74° en longitud oeste y, (3) escena Landsat 8 OLI (NASA, 2014) capturada el 31 de marzo de 2014 (Scene Identifier LC80070572014090LGN00, Path 007, WRS Row 057) que cubre la zona de estudio en su totalidad, y tiene un porcentaje bajo de nubes (menor al 10%).

El software usado en el pre-procesamiento y generación de parámetros derivados del DEM es ArcGIS 10.1 y en la clasificación de las geoformas se utiliza Imagine Objective, del paquete ERDAS 2013.

La información de curvas de nivel utilizada en la verificación de alturas de los DEM es extraída de la compilación de planchas topográficas del IGAC a escala 1:100.000 del año 2010 (210, 211, 212, 228, 229, 230, 231, 247, 248, 249, 266, 267, 268) (IGAC, 2010).

La información geológica, usada en la comparación final de los resultados obtenidos, se encuentra publicada en el mapa geológico de Colombia a Escala 1:500.000 (Gómez, et al., 2015) y las planchas 211 (Ulloa y Rodriguez, 1983), 230 (UPTC y Ingeominas, 2008), 248 (Duarte, Moreno, Morales, y Villegas, 2010a), 267 (Duarte et al., 2010b) , 266 (Pulido, Gómez, y Marín, 1998) de la zona del Piedemonte Llanero. Esta información es compilada, georeferenciada o digitalizada para utilizarla en la comparación visual de los resultados.

3.3. DEFINICIÓN DE MÉTODOS Y PARÁMETROS USADOS: El flujograma de la figura 26 muestra los diferentes pasos seguidos en el desarrollo de la metodología de esta tesis.

72

Figura 26 Flujograma de trabajo.

Después de definir el área de trabajo se seleccionó la metodología a trabajar. Varios enfoques de identificación de geoformas se revisaron en capítulos anteriores (Aksoy y Ercanoglu, 2012; Argialas y Tzotsos, 2004, 2006; Dikau, 1989; Evans, 2012; Hengl y Reuter, 2009; Miliaresis y Argialas, 1999; Prima y Yoshida, 2010; Saha et al., 2011; Wood, 1996), los enfoques que más se acercan a los objetivos de esta tesis, manejan una clara definición en los procedimientos y una cierta similitud en las geoformas a identificar. Los trabajos definidos fueron los trabajos de Saha et al. (2011), Argialas y Tzotsos (2004) y Prima y Yoshida (2010).

La metodología de Saha et al. (2011) trata de identificar drumlins utilizando procesos y software orientado a objetos. En el caso de Argialas y Tzotsos (2004) se utiliza un acercamiento a la identificación orientada a objetos, y tiene una zona similar a la estudiada en términos geológicos (piedemonte). En el caso de la metodología de Prima y

73

Yoshida (2010), los resultados no son enfocados en la identificación de objetos, pero se obtienen geomorfologías a partir de parámetros no convencionales, derivados del DEM. La metodología de Saha et al. (2011) es la más cercana a los objetivos generales de esta tesis y es la razón por la cual se utiliza como marco general del análisis. Las otras dos metodologías son utilizadas como ejemplos de parámetros en la identificación de objetos y solo se utilizarán los parámetros utilizados definidos por cada metodología.

Teniendo en cuenta lo anterior, se definen los lineamientos generales de la presente metodología utilizando los de Saha et al. (2011). Al igual que Saha et al. (2011) en esta tesis se utilizan los parámetros de elevación, pendiente y aspecto, para determinar geoformas. En segundo lugar se utiliza una fusión o apilamiento de capas de parámetros al igual que Saha et al. (2011) y en tercer lugar se realiza una comparación de resultados con datos existentes o previamente digitalizados (Saha, et al., 2011).

Saha et al. (2011) realiza una identificación de drumlins u objetos específicos del entorno (limites específicos y claros), mientras que esta tesis no define clases geomorfológicas tan especificas. El software usado por Saha et al. es orientado a objetos, aplicando limitaciones a tamaños, vecindades, etc. (Saha, et al., 2011). La clasificación en esta tesis es realizada en Imagine Objective, y a pesar de que esta herramienta puede definir objetos, la clasificación usada aplica la máxima probabilidad al estudio de pixeles.

La metodología de Argialas y Tzotsos (2004) define la altura, la pendiente e imágenes Landsat como insumos en la identificación de abanicos aluviales (Argialas y Tzotsos, 2004). En esta tesis se utilizan los parámetros utilizados en ese análisis.

La metodología de Prima y Yoshida (2010) utiliza la pendiente y la apertura topográfica.

Llama la atención el parámetro poco usado y los buenos resultados en Japón (Prima y Yoshida, 2010). La pendiente y la apertura topográfica son usadas para definir geoformas en esta tesis.

Las tres metodologías tienen enfoques específicos e insumos diferentes. En este capítulo se explica paso a paso cada proceso.

Este documento presenta las divisiones del trabajo de clasificación según Hengl y Reuter (2009).

74

- Muestrear la superficie (medición de alturas).

- Generar el modelo de superficie usando los datos de altura.

- Corregir errores y artefactos en el modelo digital resultante (preprocesamiento).

- Derivar parámetros de superficie terrestre y objetos (derivar parámetros).

- Aplicación de los parámetros y objetos resultantes (identificación de objetos o geoformas).

El análisis geomorfométrico anterior se resume en cinco pasos y en el caso presente, solo se utilizan los tres finales. Los dos pasos iniciales se enfocan en la captura y generación de DEMs, proceso que es realizado por NASA y METI (NASA, 2015; Tachikawa et al., 2011b).

En la figura 27 se muestra el recuadro naranja con los insumos y preprocesamiento de los datos, en el recuadro verde se muestran los resultados de la aplicación de algoritmos de cálculos morfométricos y en el azul se muestra el resultado final de la clasificación de geoformas en Imagine Objective.

Figura 27 Flujo operacional general de la metodología aplicada en este documento.

75

3.4. PREPROCESAMIENTO DE DATOS PARA CLASIFICACIÓN Como paso previo a la edición de los datos de entrada y preprocesamiento se hizo una revisión estadística de los modelos ASTER y SRTM frente a información cartográfica de las planchas del IGAC a escala 1:100.000 del año 2010 (210, 211, 212, 228, 229, 230, 231, 247, 248, 249, 266, 267, 268) (IGAC, 2010).

Se realizó la comparación de curvas de nivel con modelos digitales del terreno. Se convirtieron las curvas de nivel del mapa topográfico a formato raster y se restó la información de altura a la superficie del modelo digital de elevaciones según la metodología usada por Galván, Bonzano, y Mas (2013). El raster resultante del proceso anterior se caracterizó en zonas planas y de montaña (Ver ubicación de zonas en la figura 28), elaborando histogramas y calculando estadísticos de promedios, desviación estándar, máximos y mínimos.

Una segunda comparación se realizó utilizando 2 perfiles de altura del terreno y 2 perfiles de pendiente, observando las diferencias entre terrenos montañosos y planos de los DEM ASTER y SRTM (Ver ubicación de perfiles en la figura 28).

Figura 28 Mapa de área montañosa y plana, analizadas por estadística básica contra topografía del IGAC (Izquierda). Mapa de ubicación de perfiles dentro del área de estudio, cada perfil genera una gráfica de alturas y pendientes por cada DEM (Derecha).

Los derivados de los modelos digitales son influenciados por los datos iniciales, y los algoritmos geomorfométricos tendrán resultados pobres, sí los datos de entrada son de

76

baja calidad (Hengl y Reuter, 2009). De acuerdo a lo anterior, se realiza el preprocesamiento planteado en el flujograma de trabajo en la figura 26.

3.4.1. ASTER GDEM V2 El primer paso en la preparación del DEM es generar un mosaico de tiles o de fajas de imágenes descargadas de la NASA, unificando la información.

El ASTER GDEM es un modelo de elevaciones propenso a tener artefactos y vacíos debido principalmente a cobertura de nubes, se han encontrado precisiones alrededor de 17 metros de precisión general en algunas zonas de la tierra (Sadeq, Drummond, y Li, 2012), mientras que en la zona estudiada se encuentran artefactos con diferencias de 3000 metros en comparación con el SRTM V3. Se revisaron diferentes metodologías en corrección de alturas generales de DEMs, entre las cuales Arefi y Reinartz proponen una corrección de datos a partir de la Altimetría Laser ICESat (Arefi y Reinartz, 2011). Después de la revisión de los datos de altimetría ICESat se decide no utilizar esta metodología, en primer lugar por el gran volumen de datos a procesar y en segundo lugar los datos SRTM V2 están calibrados con esta misión.

Después de revisar diferentes metodología se decide implementar la propuesta de Santillan y Santillan (Santillan y Santillan, 2014). En algunos estudios se ha reportado que el SRTM V2 tiene una mayor precisión en las alturas (Santillan y Santillan, 2014) por lo cual en primer lugar se realiza la calibración de todas las elevaciones según el SRTM V2.

Según Santillan y Santillan (2014) se realiza un muestreo aleatorio de la zona, teniendo en cuenta que los puntos aleatorios no deben caer en huecos o altos obvios (artefactos positivos o negativos) del DEM y posteriormente se realiza una regresión lineal con los datos extraídos con lo cual se mejora la precisión vertical del ASTER GDEM, el resultado de esta regresión se presenta en el capítulo de resultados.

Siguiendo la metodología de Santillan y Santillan (2014) se genera una imagen de la sustracción de datos del SRTM y ASTER GDEM corregido en el paso anterior, para identificar las zonas de mayor variación de alturas. A la sustracción anterior se le aplica un filtro de paso bajo de 3x3 para preservar y suavizar los pixeles de baja frecuencia conectados que pueden encontrarse en los datos. Posteriormente se aplica una

77

clasificación por Cluster K-means generando 10 clases principales y las clases con errores elevados serán eliminadas en el proceso de reemplazo de pixeles.

Finalmente y siguiendo el trabajo de Santillan y Santillan (2014), se realiza una máscara para los datos considerados como huecos o altos para el GDEM v2 calibrado. Los pixeles definidos como anomalías de altura son sustituidos por valores de elevación provenientes del SRTM V3. Para asegurar una transición suave entre los datos del SRTM y GDEM, se realiza un filtro de suavizado de 7x7. El proceso general de la corrección de alturas de Santillan y Santillan (2014) se ve en la figura 29. La metodología usa el software ArcGIS 10.1 en este proceso.

Ajuste de Alturas en ASTER GDEM

Extracción de puntos de SRTM Y ASTER

Eliminación de Anomalías en ASTER GDEM Sustracción de DEMs diferencias de Altura Definición de Zonas Anómalas

Regresión lineal aplicada ASTER Gdem

Reemplazo de Zonas Anómalas con Datos DEM SRTM

Figura 29 Proceso de corrección de anomalías del ASTER GDEM2.

3.4.2. SRTM V3 El DEM SRTM V3 fue creado específicamente con la intención de eliminar vacíos o saltos presentes en productos SRTM previos, y el resultado fue conseguido usando diferentes fuentes de información (NASA, 2015). Teniendo en cuenta que todavía existirán algunos saltos y anomalías en el DEM SRTM, se asume que los errores de este DEM pueden ser limpiados o minimizados con el uso de máscaras de suavizado 7x7, puesto que encontrar errores específicos y su cuantificación en esta superficie es difícil en el área trabajada.

3.4.3. LANDSAT 8

78

Las metodologías usadas por Argialas, Miliaresis y Tzotsos (Argialas y Tzotsos, 2004, 2006; Miliaresis y Argialas, 2000) en la identificación de cuaternarios utilizan imágenes espectrales ASTER y Landsat. En este trabajo, se utilizan imágenes provenientes del satélite Landsat 8, que tiene una cobertura mundial y son datos de libre acceso (NASA, 2014).

La figura 30 presenta el preprocesamiento de la imagen Landsat e incluye procesos de conversión de números Digitales DN a radianza espectral y la aplicación correcciones atmosféricas a la imagen. Finalmente se realizará un ajuste de contraste para mejorar el análisis de espectro en la clasificación. Las herramientas utilizadas en este procesamiento no tienen en cuenta la corrección topográfica, puesto que el producto usado ya tiene este factor corregido (NASA, 2014). En esta etapa se utilizaron los scripts de procesamiento de imágenes Landsat 8 de la herramienta Geobia desarrollada por la Universidad de Dansk (Urbanski, 2014). El ajuste de contraste a una banda se realiza con un análisis de componentes principales a una banda en Erdas Imagine.

Descarga de productos Landsat 8 L1T Ajuste de Contraste Conversión de DN a Radianza

Conversión a Unsigned 16 bit

Corrección Atmosférica

Figura 30 Preprocesamiento de Imágenes Landsat 8.

3.5. DERIVACIÓN DE PARÁMETROS DE MORFOMETRÍA Después del preprocesamiento de la información de entrada, se aplicaron diferentes algoritmos para la creación de los parámetros morfológicos aspecto, pendientes y apertura, estos parámetros se derivan en ArcGIS 10.1 (Figura 31).

3.5.1. PENDIENTE

79

La superficie de pendiente se deriva con la herramienta slope de ArcGIS. ArcGIS utiliza el método de Horn (Burrough y McDonnell, 1998; Esri, 2010; Horn, 1981) que calcula coeficientes de ponderación diferentes para valores de elevación de los ocho pixeles del DEM más próximos. Jones (1998 en Prima y Yoshida, 2010) comparó ocho métodos de cálculo de pendiente utilizados con frecuencia sobre los DEM y llegó a la conclusión de que el rendimiento del método de Horn era superior.

3.5.2. ASPECTO El aspecto identifica la dirección de la máxima pendiente descendente en un pixel o en otras palabras dirección de la pendiente. Los valores de cada celda de salida indican el azimut a la que apunta la superficie en esa ubicación y se mide de 0 a 360, formando un círculo completo. Las áreas planas que no tienen dirección de pendiente descendente tienen un valor de 1.

Conceptualmente, la herramienta aspecto ajusta un plano a los valores z de una vecindad de pixeles de 3 x 3 alrededor de la celda central. La dirección a la que apunta el plano es la orientación para la celda de procesamiento (Burrough y McDonnell, 1998; Esri, 2010).

3.5.3. APERTURA TOPOGRÁFICA Openness o apertura es el promedio del ángulo de Zenit o Nadir a lo largo de 8 Azimuts con Limite Radial de distancia L (Prima et al., 2006). Los cálculos con ángulos cenitales producen apertura topográfica positiva, mientras que los ángulos de nadir dan apertura topográfica negativa. Los valores positivos y negativos de apertura varían de 0 a 180 °. La elección de un valor apropiado de L es importante para obtener los detalles topográficos a partir de los datos, pero no hay una regla clara para determinar L. Los valores más altos de L destacan relieve de mayor tamaño (Prima y Yoshida, 2010).

En 2006, se identifican dos aperturas con radio L de 150 m y 5000 m para derivar los diferentes patrones topográficos de cinco geoformas diferentes (Prima, et al., 2006).

Prima y Yoshida en 2010, seleccionaron el valor de 500 m determinado por interpretación visual. En este trabajo se define una apertura de 500 m siguiendo los lineamientos de Prima y Yoshida (2010). Se utiliza la caja de herramientas de ArcGIS Raster Analysis Tool

80

descargada de la página de toolboxes de ArcGIS.com y la cual usa los parámetros de apertura definidos por Yokohama et al. (2002).

Aperturas Aspecto DEM ASTER y SRTM

Pendiente

Algoritmo

Elevaciones

Figura 31 Derivación de parámetros de morfometría.

3.5.4. AJUSTE DE RESOLUCIÓN Y APILADO DE DATOS La herramienta utilizada en la extracción de geoformas es Imagine Objective, y en su estructura de trabajo no se permite el manejo de diferentes resoluciones espaciales y radiométricas, razón por la cual es necesario el uso de herramientas de transformación de raster a diferente resolución radiométrica (Unsigned 16 bit) para generar una sola imagen de diferentes bandas.

81

Figura 32 Preparación final de datos para Imagine Objective.

En este punto los diferentes raster se encuentran en una sola resolución radiométrica (valores de pixel de 0 a 65565 o Unsigned 16 bit) y así se aplica el último paso de preparación de la información para iniciar el análisis en Imagine Objective.

Se realizó un posterior ajuste de histograma para los datos de elevaciones y pendientes con el objetivo de optimizar y resaltar el valor de pixeles con pendientes y alturas bajas (puesto que estos pixeles predominan en la zona de estudio del presente trabajo). En el caso del aspecto y apertura no se realizó ningún ajuste de histograma, solo se realizó un ajuste a menor y mayor sin perder datos en poblaciones de pixeles.

De las diferentes capas de información se generan 3 diferentes insumos para cada DEM, en consecuencia, se realiza un apilado de capas o Stacking. En primer lugar, se apila la

82

imagen de componentes principales Landsat con la pendiente y la elevación, En segundo lugar apertura, pendiente y elevación, y finalmente aspecto, elevación y pendiente. Los procesos se realizan para el DEM ASTER y SRTM (Figura 32).

El hecho de utilizar dos superficies de apertura para un solo modelo de elevaciones sería algo redundante, es razón por la cual se usó una sola superficie de salida. Se tienen en cuenta las superficies usadas en estudios similares de Prima y Yoshida (2010) y las mismas observaciones de los resultados. Finalmente, se decidió utilizar la apertura negativa.

3.6. CLASIFICACIÓN DE GEOFORMAS EN IMAGINE OBJECTIVE El propósito del diseño de Imagine Objective es automatizar el proceso de extracción de las características de los raster (ERDAS, 2010). En Imagine Objective existen dos tipos de señales distintas: señales a nivel de píxel y señales a nivel de objeto (ERDAS, 2010).

Las señales a nivel de píxel deben ser adimensionales y medibles como valores de píxel.

Las señales a nivel de objeto miden propiedades dimensionales (líneas, polígonos) o relaciones de distribución, asociación espacial o característica de los objetos con otros objetos (ERDAS, 2010). Así que para que utilizar todas las señales de píxeles y de objetos se debe utilizar un flujo de procesos globales de Imagine Objective como se ve en la figura 33.

La señal a nivel de objetos no se utiliza en la metodología planteada por esta tesis, puesto que las geoformas a extraer no tienen límites tan claros en la superficie del área estudiada.

83

Figura 33 Diagrama de Flujo de Procesos en Imagine Objective. Tomado de Erdas (2010).

Para la definición de geoformas a identificar se tuvieron en cuenta 4 factores: (1) El ambiente geológico del área de estudio. (2) la cobertura vegetal de la zona, (3) la resolución de los DEM usados y proceso de preprocesamiento, y (4) los trabajos revisados en el marco teórico. Se definieron 4 clases de geoformas a extraer, deposito aluvial, deposito de terraza, terrazas antiguas y montañas (clase que engloba geoformas que no se asemejan a las clases anteriores).

Imagine Objective necesita una definición de áreas de entrenamiento o muestras de la zona de estudio (ERDAS, 2010). Se definen áreas de entrenamiento utilizando información geológica previamente referenciada y digitalizada del Servicio Geológico Colombiano.

Los procesos en Imagine Objective, utilizan los mismos parámetros para el análisis de los diferentes archivos, así que se realizó el siguiente proceso para todas las clasificaciones: - Raster Pixel Processor (RPP): El nodo de Raster Pixel Processor realiza la clasificación de imágenes a nivel de píxel. Este es normalmente el primer nodo de proceso en el modelo Imagine. Se utilizó un clasificador de pixeles multibayesiano SFP (single feature

84

probability) que calcula la probabilidad (entre 0 y 1) para cada píxel de la imagen en función de su valor de píxel y las muestras de entrenamiento.

Los valores de probabilidad altos se asignan a los píxeles cuyos valores son similares a los píxeles en las muestras de entrenamiento. Valores de probabilidad bajos se asignan a los píxeles significativamente diferentes a las muestras de entrenamiento.

Se obtienen muestras de entrenamiento para 4 tipos de geoformas o clases, teniendo en cuenta el mapa geológico de Colombia (Gómez et al., 2015) y otras planchas del servicio geológico de Colombia (Duarte et al., 2010a; Duarte et al., 2010b; Pulido et al., 1998; UPTC y Ingeominas, 2008), definiendo así 12 muestras de montaña, 8 de Abanicos aluvial y 15 de terrazas, aunque son las mismas muestras, en algunos modelos no se usan todas las muestras pues el modelo ASTER y SRTM tienen algunas diferencias.

- Raster Pixel Processor (RPP): Se utilizó un clasificador de pixeles multibayesiano SFP (single feature probability). Obteniendo muestras de entrenamiento para las geoformas a definir.

- Raster Object Creators (ROC): Crea un conjunto de objetos raster de los datos de entrada. En este nodo se utilizó una segmentación para todas las capas utilizando el método de distancia euclidiana con diferencia de valores de 15 y una variación de factor de 3.5, finalmente se define un tamaño mínimo de 50 pixeles para los objetos.

- Raster Object Operators (ROO): Este operador manipula los objetos raster creados por el Raster Object Creator, es decir modifica los objetos segmentados en el paso anterior y mejora los resultados anteriores. En primer lugar, se utilizó un filtro focal de mayoría con una ventana de 30 pixeles, en este caso de múltiples clases los objetos pequeños son absorbidos por la vecindad de mayor tamaño. Después se utilizó el Reclump y finalmente Eliminate para eliminar y agrupar zonas con vecindades pequeñas de datos no significativos.

- Raster to Vector Conversion (RVC): Este operador convierte conjuntos de objetos raster a conjuntos de objetos vectoriales, es decir se convierten las vecindades de objetos raster y se convierte todo a polígonos.

85

- Vector Object Operators (VOO): Este operador manipula los objetos vectoriales creados por la conversión de raster a vectorial. En este trabajo no se utilizó en la clasificación de este modelo.

- Vector Object Processor (VOP): Realiza la clasificación de los objetos vectoriales según forma o tamaño. En este análisis, los objetos no se definen con atributos de objetos específicos, por lo cual el peso de la probabilidad de pixeles se define en 100%.

- Vector Cleanup Operators (VCO): Finalmente se trabaja el operador Vector Cleanup Operators que manipula los objetos vectoriales después de que han sido procesados por el Vector Object Processor (VOP). Se agregó el nodo de etiquetado que asigna la clase más probable a los polígonos vectoriales creados, afectando la tabla de atributos, los objetos no son modificados. Finalmente, el proceso Disolver elimina los bordes adyacentes de las mismas clases.

3.7. VERIFICACIÓN DE RESULTADOS CON INFORMACIÓN PUBLICADA Se hizo una comparación de los resultados para verificar la eficiencia predictiva de la clasificación final. Cada clasificación debe ponerse a prueba para ver su eficiencia (Hengl y Reuter, 2009) por lo cual se realizó una comparación con datos publicados por el Servicio Geológico de Colombia.

En primer lugar se georeferenciaron las planchas 211 (Ulloa y Rodriguez, 1983), 230 (UPTC y Ingeominas, 2008), 248 (Duarte et al., 2010a), 267 (Duarte et al., 2010b) y 266 (Pulido et al., 1998) de la zona del Piedemonte Llanero. Al estar en formato raster se procedió finalmente a digitalizar la información geológica de la zona.

En segundo lugar se descargó la información vectorial geológica del mapa geológico de Colombia a Escala 1:500.000 (Gómez et al., 2015). Esta información es compilada y organizada para su posterior uso.

Finalmente se realiza la comparación en ArcGIS con los datos obtenidos en la clasificación.

Los resultados fueron comparados en formato vectorial y utilizando información de área y tamaño de polígonos, al igual que la distribución espacial. En el capítulo de resultados se enumeran las diferencias y similitudes obtenidas en esta etapa.

86

4. RESULTADOS Y DISCUSIÓN En el presente capítulo se abordarán los resultados y discusión del trabajo, en primer lugar, se presentarán los resultados, en el cual se expone los datos finales obtenidos de cada proceso, sin interpretación, discusión, o análisis.

En segundo lugar, se abordará la discusión de resultados que es más analítica y en alguna manera más extensa que los resultados, se interpretan los resultados, la importancia y los límites. Se comparan trabajos anteriores y los resultados generados por el actual trabajo.

4.1. RESULTADOS El capítulo de resultados que se presenta a continuación, está dividido según los tres pasos finales de las divisiones del trabajo de clasificación de objetos según Hengl y Reuter (2009).

- Corregir errores y artefactos en el modelo digital resultante (preprocesamiento).

- Derivar parámetros de superficie terrestre y objetos (derivación de parámetros).

- Aplicación de los parámetros y objetos resultantes (identificación de objetos o geoformas).

4.1.1. RESULTADOS DE PREPROCESAMIENTO En este capítulo se anexan las superficies y datos generados en la etapa del preprocesamiento; la información de estadísticas y perfiles se presenta en el capítulo de análisis de resultados con el propósito de facilitar la interpretación de la información en profundidad.

En este subcapítulo se presentan figuras en detalle de casos especiales del área de estudio (Figuras 34 a 40), en los anexos (1 a 7) se presentan los resultados para el área completa.

En primer lugar se presenta un área detallada del ASTER DEM (Figura 34), se muestra la información sin corregir, las zonas anómalas definidas y el resultado corregido, resultado generado utilizando la metodología de Santillan y Santillan (2014) explicada anteriormente.

87

Figura 34 Corrección de DEM ASTER (a) Imagen sin corregir, (b) Zonas anómalas y (c) DEM final ASTER corregido. Zona detalle del área de estudio.

En segundo lugar, se presenta el DEM SRTM corregido (Figura 35) generado a partir de la aplicación de filtros de suavizado en el DEM inicial, para evitar anomalías marcadas en los parámetros calculados posteriormente, la imagen del área completa se encuentra en el anexo 2.

Figura 35 Corrección de DEM SRTM (a) antes de filtro (b) Resultado final. Zona detalle del área de estudio.

El tercer insumo de datos primarios es la imagen espectral del satélite Landsat 8, y se muestra la combinación de bandas 765 (Figura 36 en RGB) y que es el espectro de bandas seleccionadas a partir de las cuales se extraen los componentes principales utilizados en este trabajo para definir la identificación de cuaternarios en el área de piedemonte.

88

Figura 36 Imagen Landsat 765 (RGB) de la zona, después de aplicar correcciones y contrastes. Zona detalle del área de estudio.

4.1.2. RESULTADOS DE DERIVACIÓN DE PARÁMETROS Después de la corrección de datos de elevación y la preparación de datos de Imagen se generan los diferentes parámetros que deben usarse en la identificación de cuaternarios en la zona de estudio, así se presentan los mapas de pendientes, aspecto y apertura (positiva y negativa) para el ASTER DEM (Figura 37), y el SRTM (Figura 38).

En este subcapítulo se presentan graficas de áreas en detalle o zonas específicas, en los anexos se presentan los resultados para el área completa.

89

Figura 37 Parรกmetros generados a partir del DEM ASTER, Pendientes (a), Apertura Positiva (b) y Negativa (d) y Aspecto (e). Zona detalle del รกrea de estudio.

90

Figura 38 Parámetros generados del DEM SRTM, Pendientes (a), Apertura Positiva (b) y Negativa (b) y Aspecto (d). Zona detalle del área de estudio.

4.1.3. RESULTADOS DE LA IDENTIFICACIÓN DE GEOFORMAS Finalmente, como paso previo a la identificación de geoformas en Imagine Objective, se realiza el apilado de capas o Stacking para estandarizar la información en un solo archivo.

Es necesario realizar este paso pues el software utilizado en la clasificación de geoformas

91

trabaja de esta manera. A continuaciรณn, se presenta un detalle de zona de las capas apiladas para el DEM ASTER (Figura 39) y DEM SRTM (Figura 40).

Figura 39 Capas provenientes del DEM ASTER en Stacking utilizadas en la extracciรณn de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Zona detalle del รกrea de estudio.

92

Figura 40 Capas provenientes del DEM SRTM en Stacking utilizadas en la extracción de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. Zona detalle del área de estudio.

Como resultado de la clasificación en Imagine Objective se obtienen seis mapas presentados a continuación. Los gráficos se muestran en grupos de cuatro mapas, en los cuales se ve el resultado final de clases a partir de derivados DEM de SRTM y ASTER y se presenta la geología generalizada del área, obtenida a partir del mapa geológico de Colombia (Gómez et al., 2015).

93

Figura 41 Resultados finales de la clasificación en Objective a partir del DEM ASTER utilizando ( A) Elevación, Pendiente y Aspecto, (B) Elevación Pendiente y Apertura negativa, (C) Landsat PC, Elevación y Pendiente y (D) Geología generalizada del Servicio Geológico Colombiano (Gómez et al., 2015).

El resultado A de la figura 41 corresponde a la clasificación obtenida del archivo apilado de elevación ASTER, pendiente ASTER y aspecto ASTER; El resultado B corresponde a la clasificación obtenida del archivo apilado de elevación ASTER, pendiente ASTER y apertura negativa ASTER; El resultado C corresponde a la clasificación obtenida del

94

archivo apilado de la imagen de principales componentes Landsat, elevación ASTER y pendiente ASTER y el gráfico D es la geología de la zona.

Figura 42 Resultados finales de la clasificación en Objective a partir del DEM SRTM utilizando ( a) Elevación, Pendiente y Aspecto, (b) Elevación Pendiente y Apertura negativa, (c) Landsat PC, Elevación y Pendiente y (d) Geología generalizada del Servicio Geológico Colombiano (Gómez et al., 2015).

El resultado A de la figura 42 corresponde a la clasificación obtenida del archivo apilado de elevación SRTM, pendiente SRTM y aspecto SRTM; El resultado B corresponde a la

95

clasificación obtenida del archivo apilado de elevación SRTM, pendiente SRTM y apertura negativa SRTM; El resultado C corresponde a la clasificación obtenida del archivo apilado de la imagen de principales componentes Landsat, elevación SRTM y pendiente SRTM y el gráfico D es la geología de la zona como se explica anteriormente.

4.2. ANÁLISIS DE RESULTADOS Después de presentar los resultados, se analizan e interpretan, exponiendo la importancia y los límites de ellos. Se analizará críticamente la metodología y se utilizará la información encontrada en la literatura para comparar sus resultados con otros estudios realizados. Se utilizarán las preguntas de la investigación para realizar el análisis de resultados.

4.2.1. ASTER Y SRTM DEM COMO FUENTES CONFIABLES DE DATOS PARA LA OBTENCIÓN DE PARÁMETROS MORFOMÉTRICOS EN EL ÁREA DE ESTUDIO. Una de las preguntas planteadas en la introducción se refiere a la confiabilidad de las fuentes de datos ASTER y SRTM para la obtención de parámetros morfométricos en la zona de estudio. A continuación, se presentan los resultados de la metodología propuesta y que se refiere a parámetros derivados de esta información.

- Preprocesamiento DEMs: La metodología propuesta contiene un análisis estadístico de la información de los DEM utilizados según Galván et al. (2013) cuyos resultados y análisis se presentan a continuación.

El gráfico 1 presenta los resultados de histogramas y estadística básica de la sustracción de alturas de la topografía IGAC y los DEM. Este análisis se realiza sobre zona de montaña y zona de llanura o plana.

En la zona de montaña el DEM ASTER presenta valor mínimo de -702 y máximo de 3405 metros con promedio de 12.78 y una desviación estándar de 68.346. El DEM SRTM presenta valor mínimo de -466 y máximo de 1708 metros con promedio de 5.61 y una desviación estándar de 42.59. Como se puede ver en la información anterior el margen de diferencias y la dispersión es mayor para el DEM ASTER. El valor medio del DEM ASTER está más alejado que el valor del DEM SRTM y bajo este análisis el SRTM tiene un mejor desempeño en la representación del relieve en esta zona montañosa.

96 Gráfico 1 Histogramas de la diferencia de altura contra la topografía IGAC 1:100.000. En la parte superior se ubica la zona montañosa y en el inferior las zonas predominantemente planas, se presentan las estadísticas básicas para cada conjunto de datos al inferior de cada histograma.

En la zona de llanura o plana del gráfico 1 el DEM ASTER presenta valor mínimo de -156 y máximo de 156 metros con promedio de 0.58 y una desviación estándar de 19.41, mientras el DEM SRTM presenta valor mínimo de -142 y máximo de 137 metros con promedio de 0.6 y una desviación estándar de 17.0. Como se puede ver en la información anterior el margen de diferencias y la dispersión es mayor para el DEM ASTER. El valor

97

medio del DEM ASTER está muy cercano al DEM SRTM. Bajo este análisis el SRTM tiene un desempeño relativamente mejor que el DEM ASTER. Gráfico 2 Variaciones de alturas en metros para los perfiles definidos en la figura 28. El perfil superior está en una zona predominantemente plana y el perfil inferior tiene zona plana y área montañosa.

El gráfico 2 se presenta con los perfiles de los DEM ASTER y SRTM en una zona plana y otra con terreno montañoso, la ubicación de tales perfiles se encuentra en la figura 28.

Las diferencias de altura entre los dos DEM en la zona plana (Perfil de alturas 1, perfil A) en algunos lugares llegan a los 12 metros.

En la zona montañosa del perfil mixto de plana y montaña (Perfil de alturas 2, perfil B), se pueden ver diferencias de alturas mayores a 100 metros.

El gráfico 3 presenta los resultados de la aplicación del método de Horn de 1981 (Burrough y McDonnell, 1998) en los datos DEM originales. Los perfiles presentados en la grafica 3 están ubicados una zona plana y otra con terreno montañoso, la ubicación de tales perfiles se encuentra en la figura 28.

98

Gráfico 3 Variaciones de pendiente en grados para los perfiles en la figura 28. El perfil superior está en una zona predominantemente plana y el perfil inferior tiene zona plana y área montañosa.

Como se puede observar en el perfil de pendiente 1 (Perfil de pendiente 1, perfil A), Las diferencias de pendientes entre los dos DEM llegan a los 8 grados y la variación de pendientes en distancia es mayor en el DEM ASTER. En el perfil de pendiente 2 (Perfil de pendiente 2, perfil B), Las diferencias de pendientes entre los dos DEM llegan a los 20 grados y la variación de pendientes en distancia es mayor en el DEM ASTER. En segundo lugar, y teniendo en cuenta el objetivo de identificación de geoformas con el DEM ASTER, se corrigió según la metodología propuesta de Santillan y Santillan (2014), para minimizar el efecto de los huecos y altos presentes en la información.

Se extrajo información de altura de 1000 puntos aleatorios, constatando que la posición de cada punto no sea una anomalía evidente del modelo de elevación ASTER. Posteriormente se realizó una regresión lineal a partir de la información de valores de altura ASTER y SRTM aplicando la metodología de Santillan y Santillan (2014). En el gráfico 4, se presenta la ecuación y ajuste de función generada a partir de esos datos de altura.

99

Gráfico 4 Ajuste de datos para el modelo de elevación ASTER.

Ajuste DEM Aster 4000

y = 0.9964x + 1.7197 R² = 0.9998

SRTM DEM Elevation

3500 3000

2500 2000

zSRTM

1500

Lineal (zSRTM)

1000 500 0 0

1000

2000

3000

4000

Aster GDEM Elevation

El DEM ASTER se ajusta según la ecuación del gráfico 4, este ajuste lineal de alturas en el DEM no genera una deformación significante para los resultados de clasificación.

La metodología de Santillan y Santillan (2014) propone la comparación de los DEM para identificar pixeles anómalos positivos y negativos. Evidentemente en los DEM las alturas no coinciden, pero existen diferentes rangos de variación entre las dos superficies, por lo cual se realiza una sustracción y posteriormente una clasificación K-Means de 11 clases diferentes presentada en la tabla 6.

Tabla 6 Tabla de clasificación por K-means de las diferencias de altura entre modelos digitales de elevación ASTER y SRTM. Clase 1 2 3 4 5 6 7 8 9 10 11

Mínimo null -611.768 -17.817 -12.378 -7.075 -1.962 3.140 8.406 13.784 19.171 39.599

Máximo null -17.817 -12.378 -7.075 -1.962 3.140 8.406 13.784 19.171 39.599 3.380.591

Mean null -32.292 -14.691 -9.309 -4.310 0.508 5.480 10.781 16.172 25.763 110.349

Sigma -1 19.931 1.546 1.492 1.451 1.455 1.501 1.533 1.537 5.282 215.660

Covarianza 397.258 2.389 2.225 2.106 2.118 2.254 2.352 2.362 27.895 46.509.092

Numero pixeles 18502052 841465 751473 1915615 3830627 4454076 2889086 1477866 738239 733229 174976

100

Las distribuciones de datos o clases 1, 2 y 11 (los valores máximos de diferencia de altura pueden llegar a los 3380 metros, o -17817) de la tabla 6, fueron eliminadas del DEM ASTER y reemplazadas por datos del modelo de elevaciones SRTM V3. Finalmente se aplicó un filtro de suavizado de 7x7 a todo el DEM, para minimizar anomalías de altura entre los pixeles agregados y sus vecinos (Figura 34).

El único proceso correctivo aplicado al DEM SRTM es el suavizado 7x7 de la superficie raster. Según la información de usuario de la Misión (NASA, 2015), el DEM SRTM fue calibrado con la misión altimétrica ICESat lo cual aumenta la confianza del usuario, además la fuente original de los datos es radar, método que no es afectado por nubes o alteraciones atmosféricas comunes, es pues una de las razones para decidir aplicar el suavizado como método de ajuste o preprocesamiento (Figura 35).

Al aplicar el suavizado, las superficies DEM presentan un resultado suavizado del terreno, conservando las tendencias generales de las geoformas. Este proceso mejora la respuesta de los derivados del DEM que pueden llegar a generar una imagen crispeada con valores derivados elevados (multitud de picos anómalos en distancias muy pequeñas), adicionalmente minimiza la dispersión de los datos en áreas cercanas o vecindades de pixeles en el DEM analizado.

La figura 36 que se presentó anteriormente corresponde a las bandas 765 en RGB de zona estudiada, la imagen resultante es la mejor representación para geología de la superficie en entornos de latitudes bajas y con alta vegetación, aun así, la escena es afectada por la vegetación, caso contrario a la zona de estudio de Argialas, Tzotsos y Miliaresis (Argialas y Tzotsos, 2006; Miliaresis y Argialas, 2000). La escena es filtrada y mejorada con realces digitales y en último lugar se realiza en análisis de componentes para finalizar el proceso de preprocesamiento Landsat.

- Calculo de parámetros pendiente: En los dos mapas (Figura 37 A y figura 38 A) las pendientes más altas se encuentran en la zona montañosa, ubicada en la cordillera oriental al oeste de la zona de estudio. Los menores rangos de pendientes se hallan hacia la zona de los llanos orientales, presentando pendientes bajas en un rango alrededor de los 0 a 14 grados. En la zona montañosa se encuentra algunos ríos encañonados y pequeños cuaternarios, pero la

101

tendencia general de la zona montañosa es de pendientes altas. Esta variable a pesar de ser simple y muy conocida es la más sencilla de analizar en el tema geomorfológico.

Un aspecto importante de estos resultados es la dispersión de los datos de pendiente. En el ASTER DEM la variación de la pendiente es mayor que en el SRTM (el SRTM tiene una superficie con mayor continuidad y menores anomalías). Estas diferencias se observan en la figura 37 A y figura 38 A, al realizar una inspección visual, y ya se reviso anteriormente en el gráfico 3.

- Calculo de parámetros apertura: Al comparar las figuras 37 B,C y 38 B,C se evidencia que el modelo ASTER tiene más variación en el resultado, es menos continuo y anómalo, con menos continuidad en su superficie; el SRTM al contrario tiene más efectividad al resaltar datos de cuaternarios en la zona de llanura.

En general los valores más altos de apertura negativa y positiva se dan en la zona montañosa, los valores más bajos u oscuros se encuentran en la llanura. En el análisis de geoformas de llanura en donde hay pendientes bajas, los resultados fueron satisfactorios, aunque no óptimos, debido a las anomalías y dispersiones en la llanura.

Una desventaja en este cálculo es la definición de la ventana de análisis, pues no hay un proceso estipulado en la definición de esta ventana. El procedimiento puede demorarse al tratar de generar un mapa de apertura adecuado para la identificación de geoformas.

- Cálculo de parámetros aspecto: En las figuras 37 D y 38 D de aspecto se encuentran 2 tendencias principales, las facetas montañosas muestran una orientación en sentido principal noroeste y una segunda tendencia principal hacia el sureste. La zona de llanura tiene facetas con una pendiente o inclinación hacia el sur este, aunque se encuentran pixeles o zonas con valores de aspecto en otras direcciones.

Al revisar visualmente el desempeño del algoritmo en cada DEM, se observa que los resultados en el SRTM presentan una menor dispersión o variabilidad en la zona de la llanura, hay menos alteración la superficie y la uniformidad es mayor en todas las zonas analizadas.

102

En el modelo ASTER, las zonas cercanas al piedemonte tienen una variabilidad alta y poca continuidad, en la zona montañosa se ve una mejora, aunque es una representación similar a la del DEM SRTM. Este parámetro se usa para identificar facetas y formas del terreno, y teniendo en cuenta las variaciones geológicas y estructurales de la zona es recomendable utilizarlo en áreas de poca extensión. ¿Son el ASTER y SRTM DEM fuentes confiables de datos para la obtención de parámetros morfométricos en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia?

Retomando la pregunta de la investigación inicial se concluye con lo siguiente: Los DEM si son fuentes de datos confiables para la generación de parámetros morfométricos, es necesario entender que sus resultados no pueden utilizarse en trabajos de detalle, debido a su resolución espacial y su resolución efectiva que se encuentra entre los 80 metros (DEM y SRTM)(NASA, 2015; Tachikawa et al., 2011b).

El SRTM posee mejores resultado debido principalmente al uso de radar en la adquisición, y la menor incidencia de la atmosfera en la imagen, otro factor puede ser el uso de datos temporales similares en la generación del DEM (NASA, 2015; Sabins, 1997).

Los resultados de DEM ASTER son de menor calidad al compararlo con el SRTM. El resultado final de la preparación del DEM ASTER es satisfactorio, pues las anomalías evidentes originadas por nubes o errores en la generación del DEM son eliminadas, mejorando su calidad para calcular parámetros morfométricos.

Como se explicó anteriormente los DEM deben ser corregidos teniendo en cuenta la superficie del suelo y en el caso del SRTM y ASTER, la superficie contiene el follaje de los árboles, vegetación o suelo. Esta corrección no es realizada por falta de información de espesor de coberturas.

Después de revisar los mayores problemas de los DEMs utilizados se detecta la menor resolución y mayor dispersión local en los datos de altura en la zona plana. Lo anterior se deduce de la representación alterada o anómala del terreno en dichas zonas.

103

4.2.2. DEFINICIÓN DE REGLAS EN IMAGINE OBJECTIVE APLICABLE A PARÁMETROS SELECCIONADOS PARA ENCONTRAR GEOFORMAS EN EL ÁREA DE ESTUDIO. Las inquietudes que se analizan en este aparte se relacionan a la posibilidad de definir una serie de reglas en Imagine Objective aplicable a la pendiente, aspecto y apertura del DEM e imágenes Landsat para encontrar geoformas en el área, usando procesamiento automatizado.

Previo proceso de identificación se realiza un apilado de resultados para los tres métodos que se han propuesto, unificando de esta manera el tipo de dato y archivo. El resultado final son 6 imágenes (3 para cada DEM) (figuras 39 Y 40), dos archivos con elevación, pendiente y aspecto, dos segundos archivos apilados de elevación, pendiente y apertura negativa, y dos archivos apilados de la imagen de principales componentes Landsat, elevación y pendiente.

En esta fase fue necesario definir los parámetros para el software Imagine Objective y es el resultado de probar diferentes formas y características y alternativas.

Los procesos en Imagine Objective, utilizan los mismos parámetros para el análisis de los diferentes archivos, así que se realizó el proceso explicado en la metodología para todas las clasificaciones.

El software Imagine Objective es una herramienta de clasificación con un buen desempeño y la posibilidad de identificar geoformas es mayor al entender las variables de trabajo del programa. ¿Es posible definir una serie de reglas en Imagine Objective aplicable a la pendiente, aspecto y apertura del DEM e imágenes Landsat para encontrar geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia, usando procesamiento automatizado?

Como se puede ver, se definieron una serie de reglas en Imagine Objective y fueron aplicadas efectivamente a cada uno de los productos presentados en las figuras 39 y 40.

Los resultados son expuestos en las figuras 41 y 42 encontrando geoformas en el área, usando procesamiento automatizado. Así que la respuesta a la pregunta de investigación es afirmativa.

104

4.2.3. OBTENCIÓN DE PARÁMETROS MORFOMÉTRICOS A PARTIR DE UN DEM Y UTILIZACIÓN EN IDENTIFICACIÓN DE GEOFORMAS EN EL ÁREA DE ESTUDIO. En este aparte se analiza la posibilidad de utilizar los parámetros obtenidos anteriormente en la identificación de geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia.

En el análisis inicial de las imágenes se generó una clasificación de 4 clases a saber, cuaternario de río o aluvión, terraza aluvial, terraza antigua y montaña. Después de seleccionar diferentes muestras de entrenamiento y probar con diversos cambios en el proceso de clasificación, se elimina el cuaternario de aluvión, pues los resultados no son satisfactorios. La razón de la eliminación de la clase de aluvión o cuaternario de rio, se relaciona directamente con la poca diferencia de los datos de terraza aluvial y es difícil diferenciarlos. En el caso de la pendiente, la terraza aluvial reciente tiene valores de pendiente muy similares (promedio entre 3 y 4 grados) y la diferencia entre las dos clases es muy baja para ser identificada fácilmente. En el caso de la elevación, hay diferencias de aproximadamente 5 a 10 metros entre aluvión y terraza aluvial (para zonas cercanas de 1 o 2 Km), situación que se presenta en los DEM debido a la estructura geológica de la zona de estudio.

En la zona de estudio la cantidad e intensidad de las lluvias aumenta de sureste a noroeste, de manera que la zona más lluviosa está localizada en el flanco oriental de la Cordillera y en el piedemonte entre 1000 a 3000 msnm. En estos lugares se alcanza precipitaciones cercanas a los 4100 mm/año (Ingeominas y UPTC, 2007) y los suelos son fértiles creando una capa de vegetación alta, esta capa vegetal y de bosques genera dificultades al tratar de extraer las diferentes geoformas presentes en la zona.

El resultado final son tres clases de geoformas. En primer lugar, terraza aluvial, que equivale a zonas geomorfológicas con elevaciones y pendientes bajas.

En segundo lugar, la terraza antigua se presenta como una zona determinada por pendientes intermedias bajas, en un rango mayor a 10 grados; la correspondencia a unidades cartografiadas se da con terrazas aluviales antiguas y diferenciadas por una altura e inclinación levemente mayores que la terraza aluvial.

105

Finalmente se encuentra la clase denominada montaña y otros, que equivale a áreas con altas pendientes y altas elevaciones; en el área corresponde a unidades geológicas pre eocenas, compuesto por rocas metamórficas, ígneas y sedimentarias (Gómez et al., 2015).

La presencia de alta vegetación en la zona es una característica que no presentaba el área de Argialas, Tzotsos y Miliaresis (Argialas y Tzotsos, 2004, 2006; G. C. Miliaresis y Argialas, 2000). ¿Es posible obtener parámetros morfométricos a partir de un DEM y utilizarlos en la identificación de geoformas en el piedemonte llanero y llanos orientales del Meta, Cundinamarca, Boyacá y Casanare en Colombia?

La respuesta a esta pregunta se responde en dos partes. En primer lugar se vio que el ASTER y SRTM DEM se pueden usar como fuentes de datos para la obtención de parámetros morfométricos en el área de estudio (sección 4.2.1. del análisis de resultados).

En segundo lugar, se puede ver que a pesar de los problemas en la identificación de geoformas en la zona de llanura o plana, el análisis resultante genera 3 clases de geoformas (aluvial, montaña y terrazas) que pueden verse en las figuras 41 y 42, lo que finalmente da una respuesta afirmativa a la pregunta de investigación.

4.2.4. DIFERENCIAS COMPROBABLES POR IDENTIFICACIÓN VISUAL DE LOS RESULTADOS DE LA IDENTIFICACIÓN DE GEOFORMAS La pregunta de investigación final se refiere a la diferencia comprobable por identificación visual de los resultados de la identificación de geoformas, y en este aparte se analizarán los resultados enfocados en este punto.

En la tabla 7 se presentan los porcentajes de área de las geoformas aluvial, montaña y terraza. Cada columna equivale a los resultados de un mapa, en el caso de la geología, la información proviene del mapa geológico de Colombia (Gómez et al., 2015) clasificado en 3 unidades. Los recuadros muestran los porcentajes totales de cada unidad en el mapa.

Los resultados de cada DEM están diferenciados en SRTM y ASTER, pero los nombres de cada columna se refieren a apertura (resultados de identificación en elevación, pendiente

106

y apertura negativa), Landsat (resultados de identificación en Landsat, elevación y pendiente) y aspecto (resultados de identificación en elevación, pendiente y aspecto).

Tabla 7 Porcentajes de áreas clasificadas a partir de los diferentes archivos vectoriales utilizados en la identificación de geoformas.

Geología

SRTM

ASTER

Clase Aluvial

Simplificado 54.01

Apertura 42.34

Landsat 44.01

Aspecto 47.19

Apertura 46.41

Landsat 34.18

Aspecto 48.34

Montana y otros

30.72

26.55

29.08

27.53

27.34

28.93

30.23

Terraza

15.26

31.11

26.92

25.29

26.24

36.88

21.43

Total

100 %

100.00 %

100.00 %

100.00 %

100.00 %

100.00 %

100.00 %

El análisis de la comparación de unidades o geoformas se expone a continuación: a. Clasificación del archivo de elevación, pendiente y apertura del DEM ASTER: El primer resultado utilizando la elevación, la pendiente y la apertura negativa provenientes del ASTER DEM se presentan en la figura 43 y se comparan con las unidades generalizadas del mapa geológico de Colombia.

4

2

1 3

Figura 43 Mapa clasificado de la imagen de elevación, pendiente y apertura negativa del DEM ASTER.

107

El porcentaje de terraza antigua clasificado (ver tabla 7) es mucho mayor al encontrado en la geología. Algunas partes de montaña y terrazas aluviales son clasificadas como terrazas antiguas.

Como se ve en la figura 43 la base del piedemonte está bien definida en lugares donde la pendiente y la litología cambian de manera fuerte. En lugares con pendientes bajas, las estructuras de terrazas antiguas no son bien caracterizadas (zona 1) y algunas parcialmente caracterizadas (zona 2). Gran parte de la terraza aluvial reciente es clasificada como Terraza antigua en la zona 3. Clasificaciones anómalas de Terraza antigua se realizan en la parte alta de la cordillera (zona 4) debido a pendientes intermedias encontradas en el sector. b. Clasificación del archivo Landsat, elevación y pendiente del DEM ASTER:

5

2 3 1

4

Figura 44 Mapa clasificado de la Imagen Landsat de principales componente, elevación y pendiente ASTER.

108

El mapa resultante de la imagen de componente principal Landsat 8, la elevación, la pendiente provenientes del ASTER DEM se presenta en la figura 44 comparada con las unidades generalizadas del mapa geológico de Colombia. El porcentaje de terraza antigua clasificado (Ver tabla 7) es, de nuevo, mayor al encontrado en la geología de la zona. La zona de montaña y terrazas aluviales son clasificadas en algunos lugares como terrazas antiguas.

El perfil del piedemonte está bien definido en este mapa, aun mejor que con la clasificación de la figura 43, esto se presenta donde la pendiente cambia de manera fuerte. El problema de la clasificación en la figura 44 está en la zona de pendientes bajas.

En esta clasificación la zona 1 y 2 están bien caracterizados los límites de las grandes terrazas antiguas, pero en la zona 3 no es extraída en su totalidad. La zona 4 es clasificada en su totalidad como terraza antigua, lo cual no es ajustado a la realidad. Y finalmente en la zona 5 son extraídas terrazas antiguas, por las pendientes intermedias del área. c. Clasificación del archivo de elevación, pendiente y aspecto del DEM ASTER:

4

2 1

3

Figura 45 Mapa clasificado de la Imagen de elevación, pendiente y aspecto del DEM ASTER.

109

El estudio de la elevación, la pendiente y el aspecto provenientes del ASTER DEM se presentan en la figura 45 y se comparan con las unidades generalizadas del mapa geológico de Colombia. El porcentaje de montaña es aproximadamente igual al mapa geológico (ver tabla 7), la clasificación de terraza antigua es ligeramente mayor que en la geología, pero las similitudes se dan por el cambio de terraza aluvial por antigua y viceversa.

En la base del piedemonte, los terrenos se diferencian claramente gracias a los cambios abruptos de pendiente y aspecto. Se han expuesto los problemas generales del aspecto en lugares con pendientes bajas y en esta clasificación se ven zonas con terrazas antiguas clasificadas con una presentación "agujereada o crispeada" (Zonas 1 y 3). En la zona 2 se encuentra una terraza antigua, que es delineada, pero no es clasificada totalmente como una única entidad. En la zona 4 como es habitual en este análisis ASTER se identifican algunas zonas como terrazas antiguas. d. Clasificación del archivo de elevación, pendiente y apertura del DEM SRTM:

4

2 1

3

Figura 46 Mapa clasificado de la Imagen de elevación, pendiente y apertura negativa del DEM SRTM.

110

El primer resultado utilizando la elevación, la pendiente y la apertura negativa provenientes del STRM DEM se presenta en la figura 46 y se compara con las unidades generalizadas del mapa geológico de Colombia. Como el caso del análisis ASTER, el porcentaje de terraza antigua clasificado (ver tabla 7) es mucho mayor que el encontrado en la geología. Algunas partes de montaña y terrazas aluviales son clasificadas como terrazas antiguas.

En la figura 46, la base del piedemonte está definida en lugares donde la pendiente cambia de manera fuerte, aunque la clasificación no funciona de manera satisfactoria en el límite sur de la cordillera (norte de la zona 3). En lugares con pendientes más suaves, las estructuras de terrazas son captadas de manera parcial (zona 1) y algunas de manera bastante precisa (zona 2). En la zona 3 y en otras áreas, la terraza aluvial reciente es clasificada como terraza antigua. Clasificaciones anómalas de terraza antigua se realizan en la cima de la cordillera (zona 4) debido a algunas pendientes intermedias que se encuentran en la zona. e. Clasificación del archivo de Landsat, elevación y pendiente del DEM SRTM:

4

2 1

3

Figura 47 Mapa Clasificado de la Imagen Landsat de principales componente, Elevación y Pendiente SRTM.

111

El mapa resultante de la imagen de principales componentes de Landsat 8, la elevación, la pendiente provenientes del STRM DEM se presenta en la figura 47 y se comparan con las unidades generalizadas del mapa geológico de Colombia. El porcentaje de terraza antigua clasificado es, de nuevo, mayor al encontrado en la geología de la zona (ver tabla 7).

Algunas partes de montaña y terrazas aluviales son clasificadas como terrazas antiguas.

En la figura 47, el perfil del piedemonte está bien definido, aun mejor que con la clasificación de apertura, esto se presenta donde la pendiente y la litología cambian de manera fuerte. Al abordar los resultados de la clasificación en la zona de las pendientes bajas, se ve que la zona 1 está mal definida pero existen pequeños parches clasificados.

En la zona 2 las terrazas antiguas están mejor clasificadas. La zona 3 es clasificada en gran parte como terraza antigua, lo cual no es cierto, y en la zona 4 de nuevo son extraídas terrazas antiguas erróneamente. f. Clasificación del archivo de elevación, pendiente y aspecto del DEM SRTM:

4

2 1

3

Figura 48 Mapa Clasificado de la Imagen de Elevación, Pendiente y Aspecto del DEM STRM.

El estudio de la elevación, la pendiente y el aspecto provenientes del STRM DEM se presentan en la figura 48 y se comparan con las unidades generalizadas del mapa

112

geológico de Colombia. El porcentaje de montaña es menor en la parte sur, y el porcentaje de terraza antigua es mayor a la geología, pero las similitudes de la tabla 7 se dan en parte por el cambio de terraza aluvial por antigua y viceversa.

La figura 48 muestra que la base del piedemonte se diferencia nuevamente por la pendiente. Ya se ha expuesto el problema de la baja pendiente, y en esta clasificación se ven zonas con terrazas antiguas no clasificadas (Zonas 1 y 2), aunque en la parte norte del área 2 se encuentra una terraza antigua bien definida. En la zona 3 hay una mala clasificación de la terraza aluvial y la terraza antigua (problema recurrente en todas las clasificaciones). En la zona 4 se identifican algunas zonas como terrazas antiguas debido a pendientes intermedias (clasificación errónea según el mapa geológico). ¿Existe una diferencia comprobable por identificación visual de los resultados de la identificación de geoformas?

Como se vio anteriormente si hay diferencias comprobables al realizar la identificación visual de los resultados de la identificación de geoformas, los resultados de las clasificaciones varían y las geoformas obtenidas son una representación de las geoformas en el terreno analizado.

El resultado de las clasificaciones anteriores con Imagine Objective es limitado, aun con el filtro de suavizado para minimizar los artefactos y manejando una resolución de 30 metros en los DEM, la diferencia en las clasificaciones es alta. Uno de los factores probables para esto proviene de la poca definición de las zonas planas o llanuras en los dos DEM, donde la diferenciación de terrazas con pocas diferencias en pendiente es difícil.

Otro tema a considerar es el área total cubierta en el análisis, pues las variaciones en altura son extremas (zonas planas muy bajas y zonas montañosas muy altas). Es posible pensar que la identificación de geoformas en sean afectadas por la variación menor en altura de las zonas planas y los extremos que se encuentran en todo el análisis, disminuyendo la capacidad de identificar geoformas utilizando el atributo de elevación. Es probable que la respuesta del clasificador pueda mejorar en áreas más pequeñas.

113

4.3. EVALUACIÓN DEL HIPÓTESIS DE INVESTIGACIÓN La hipótesis ubicada en el principio de este estudio plantea el uso de parámetros de las metodologías de Argialas y Tzotsos (2004), Prima y Yoshida (2010) y Saha et al. (2011)en el área de estudio, para la delimitación de geoformas usando modelos digitales de elevación mundiales ASTER y SRTM de 30 metros e imágenes Landsat 8. Esta hipótesis es cierta, y a pesar de los diferentes resultados, las geoformas pueden ser identificadas con el uso de los parámetros usados.

114

5. CONCLUSIONES El propósito de este trabajo consistió en identificar geoformas en el piedemonte llanero, usando identificación automatizada de geoformas empleando como insumos principales los DEM ASTER y SRTM de 30 metros e imágenes de satélite de la serie Landsat 8.

El propósito general se cumplió, pues en la clasificación realizada por el software se diferencian tres geoformas principales, y teniendo en cuenta la geología de la zona y los resultados de la comparación, esto se llevó a cabo. La precisión de estos resultados no permite usarlos para levantamientos de precisión o de detalle, solo enfoques generales.

El DEM ASTER es una fuente de datos abierta y es uno de los insumos trabajados en este análisis. El pre procesamiento y eliminación de anomalías es un paso necesario a la hora de utilizarlo en cualquier aplicación de geomorfometría. El método utilizado por Santillan y Santillan (2014) es una forma rápida y efectiva para eliminar datos excesivamente anómalos en el DEM, una de las desventajas puede estar en la selección de DEM a comparar, pues una mala elección conlleva a elevar la incertidumbre de los datos. El SRTM V3 fue utilizado para la comparación de DEM y es utilizado por ser uno de los modelos digitales con mayor confiabilidad y con mayor número de correcciones basadas en otros datos de superficie (ICESat, ASTER DEM V2, NAD) (NASA, 2015).

El DEM SRTM y el ASTER son ajustados con un filtro de suavizado 7x7 pues las anomalías de vecindad de alturas afectaran los derivados del DEM (Hengl y Reuter, 2009). Los DEMs no se ajustaron por cobertura vegetal, pues no existe la información necesaria para corregir los DEM. Esta corrección afecta los derivados que se extraerán del DEM, pues son evidentes los límites de ciertos cultivos, ríos y bosques.

La imagen Landsat 8 se utiliza como un análisis de componentes principales 765 para generar un único insumo en el stack o apilado de capas. El resultado es satisfactorio y teniendo en cuenta los resultados obtenidos, la imagen conserva mucha de la información de la combinación de bandas.

La derivación de parámetros de pendiente utiliza el método de Horn (Burrough y McDonnell, 1998), y para la zona montañosa los resultados son óptimos, pues las diferencias de altura permitieron una buena estimación de la pendiente. El problema

115

básico de los parámetros se encontró en la zona de llanuras, pues al calcular las pendientes se generan datos anómalos y zonas crispadas. El modelo ASTER evidencia mayores anomalías y dispersión que el SRTM. En cuanto a la apertura negativa en zonas de la llanura, se muestran anomalías en los datos de la zona plana, El DEM ASTER muestra mayor variación en los datos en la zona de la llanura y tiene más artefactos que el DEM SRTM. El aspecto es calculado de 1 a 360 (azimut) y cero equivale a zonas completamente planas, de nuevo la zona montañosa es muy bien representada, pero en zonas de la llanura, la diferenciación de zonas continuas se hace más compleja y los valores de aspecto empiezan a variar continuamente. El DEM SRTM tiene la menor variabilidad en la zona de la llanura y tiene menos artefactos que el DEM ASTER. La clasificación generada en Imagine Objective depende directamente de las muestras de entrenamiento seleccionadas por el usuario en la imagen a clasificar. La clasificación que se usa no utiliza un peso vectorial, es decir la clasificación utiliza solo información de pixeles y probabilidades en vecinos próximos, sin tener en cuenta su forma o limitaciones estructurales, puesto que no hay formas definidas para las geoformas a extraer.

Las seis clasificaciones generan tres clases de geoformas o áreas homogéneas. En primer lugar, la terraza aluvial, que es una superficie litológica con pendiente y elevaciones muy bajas. Esta unidad está presente predominantemente en la parte más baja del área de estudio y cubre gran parte del piedemonte, debido a la geología de la zona. Está ubicada al sur este de la zona y con una orientación paralela a la cordillera.

La terraza antigua es una unidad diferenciada por las pendientes intermedias bajas mayores a 10 grados, son terrazas aluviales antiguas y son estructuralmente diferenciadas por su elevación e inclinación, que es levemente mayor a la unidad de terraza aluvial. Esta unidad se encuentra contenida en la terraza aluvial, y se encuentra también al pie de la cordillera, en abanicos aluviales antiguos. Las mayores extensiones están en el centro y norte del área estudiada.

La clase denominada montaña y otros, contiene las unidades o formaciones con altas pendientes y altas elevaciones en el área corresponde a unidades geológicas pre eocenas,

116

compuesto por rocas metamórficas, ígneas y sedimentarias (Gómez et al., 2015). Se encuentra al oeste de la zona de estudio y está asociada directamente a la cordillera.

El resultado de las clasificaciones con Imagine Objective es limitado, aun con el filtro de suavizado para minimizar los artefactos y con la resolución de 30 metros en los DEM la diferencia en las clasificaciones es alta, uno de los factores probables para esto proviene de la poca definición de las zonas planas o llanuras (Tomislav Hengl y Reuter, 2009).

Un segundo aspecto a considerar es el tamaño de la zona estudiada pues la distancia que existe en la llanura es de 60 a 70 Kilómetros (perpendicular a la línea de la cordillera) y la extensión máxima de 200 kilómetros en sentido noreste (paralelo a la cordillera). Después de analizar los resultados y el proceso de clasificación, es posible pensar que las variaciones de altura en la cuenca afectan la clasificación y disminuya la capacidad de identificar geoformas basados en altura. En áreas más pequeñas es posible que la respuesta del clasificador pueda mejorar, este es un tema que puede ser investigado en futuros trabajos en esta zona.

En cuanto a las imágenes satelitales usadas en las metodologías de Argialas, Tzotsos y Miliaresis (Argialas y Tzotsos, 2004, 2006; Miliaresis y Argialas, 2000) para la extracción de abanicos aluviales, se tiene que tener en cuenta que la zona estudiada era una zona con poca o nula vegetación y los cambios de tonalidad sutiles son reconocibles fácilmente. La zona de estudio actual tiene precipitaciones de hasta 4000 mm lo cual genera alta vegetación espesa y diferentes usos de suelo, lo cual disminuye la capacidad de extraer cuerpos cuaternarios (Sabins, 1997).

El parámetro de apertura de la metodología de Prima y Yoshida (2010) fue utilizado para extraer geoformas en litología volcánica en Japón, en el caso del presente trabajo el objetivo es mas plano y con pendientes bajas, y los resultados fueron satisfactorios, aunque no óptimos, debido a las anomalías y dispersiones en la llanura.

La herramienta de clasificación de Objective es una herramienta automatizada de buen desempeño y después de salir de la curva de aprendizaje de dicho software, las posibilidades mejoran con la práctica.

117

Es recomendable entender las limitaciones de los procesos automatizados para la identificación de geoformas. Cada variable, desde la forma de realizar contrastes hasta la selección de muestras e insumos, afecta el resultado de la clasificación. Se recomienda controlar todos los aspectos mencionados anteriormente (Insumos, preprocesamiento, métodos clasificatorios, muestras, etc.). Es de entender que a mayor control del proceso, los resultados obtenidos serán mejores.

La metodología de imágenes Landsat para la clasificación automática de cuaternarios es una metodología que en la zona estudiada con presencia vegetación espesa, tiene limitaciones. Aunque se tienen buenos resultados, la definición precisa de los cuaternarios es ocultada por la vegetación.

Se recomienda usar la pendiente en futuras clasificaciones, pues es el parámetro mas informativo de los usados, indica la variación del ángulo del terreno y es una de las superficies más sencillas para analizar en el sentido geomorfológico.

El aspecto es un parámetro que puede ser usado para identificar facetas y formas del terreno con una orientación general, por lo cual es recomendable usarla en zonas o áreas de poca extensión.

Finalmente la apertura puede ser utilizada como parámetro de análisis, pero la definición de la ventana de análisis en el algoritmo no es fácil de definir (no hay proceso claro en la definición de esta ventana). El analista puede consumir un tiempo adicional en la generación de un mapa de apertura adecuado para la aplicación deseada.

Una de las mayores incógnitas en este trabajo fue la baja resolución de los DEM en zonas planas, puesto que cada uno de los parámetros calculados en las zonas de llanura entregó una representación alterada o anómala del terreno, en el trabajo de extraer clases automáticamente.

De la investigación realizada se generan preguntas y desafíos entre los cuales está el comportamiento del DEM en la zona de la llanura. En primer lugar: ¿Son las metodologías de generación de DEM SRTM y ASTER las causantes de la dispersión de los datos en la zona plana? ó ¿Es la precisión del sensor que captura las imágenes, el que genera los problemas de dispersión en los DEM?, ¿Es posible generar una metodología para

118

optimizar los resultados en la zona llana en los dos DEM?. Debido a preguntas como las anteriores, se recomienda estudiar el comportamiento de los modelos digitales de elevaciĂłn ASTER V2 y SRTM V3 en la zona de baja pendiente del piedemonte y las razones por las cuales se generan dicha dispersiĂłn y anomalĂ­as en los datos.

119

REFERENCIAS Aksoy, B., y Ercanoglu, M. (2012). Landslide identification and classification by objectbased image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey). Computers & Geosciences, 38(1), 87-98. doi: 10.1016/j.cageo.2011.05.010 Anderson, R. S., y Anderson, S. P. (2010). Geomorphology : the mechanics and chemistry of landscapes. Cambridge ; New York: Cambridge University Press.

Arango Gutiérrez, M., Branch Bedoya, J. W., y Botero Fernández, V. (2005). Clasificación no supervisada de coberturas vegetales sobre imágenes digitales de sensores remotos: Landsat-ETM+. Revista Facultad Nacional de Agronomía, Medellín, 58(1), 2611-2634.

Arefi, H., y Reinartz, P. (2011). Accuracy Enhancement of ASTER Global Digital Elevation Models Using ICESat Data. Remote Sensing, 3(12), 1323-1343. doi: 10.3390/rs3071323 Argialas, D., y Tzotsos, A. (2004). Automatic Extraction Of Aluvial Fans From Aster L1 Satellite Data And A Digital Elevation Model Using Object-Oriented Image Analysis.

XXth ISPRS Congress, 12-23.

Argialas, D., y Tzotsos, A. (2006). Automatic extraction of physiographic features and alluvial fans in Nevada, USA, from digital elevation models and satellite imagery through multiresolution segmentation and object-oriented classification. Proc. of ASPRS 2006 Annual Conference, Reno, Nevada, 1-5 May 2006.

Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2-16.

Bue, B. D., y Stepinski, T. F. (2006). Automated classification of landforms on Mars.

Computers & Geosciences, 32(5), 604-614. doi: 10.1016/j.cageo.2005.09.004 Burrough, P. A., y McDonnell, R. A. (1998). Principles of Geographical Information Systems. New York: Oxford University Press Inc. Cailleux, A., y Tricart, J. (1956). Le problème de la classification des faits géomorphologiques. Annales de Géographie, 162-186.

Chuvieco, E., y Salinero, E. C. (2000). Fundamentos de teledetección espacial: Rialp.

Clark, C. D., Hughes, A. L., Greenwood, S. L., Spagnolo, M., y Ng, F. S. (2009). Size and shape characteristics of drumlins, derived from a large sample, and associated scaling laws. Quaternary Science Reviews, 28(7), 677-692.

Corcoran, P., y Winstanley, A. (2008). Using texture to tackle the problem of scale in landcover classification Object-based image analysis (pp. 113-132): Springer.

Danielson, J. J., y Gesch, D. B. (2011). Global multi-resolution terrain elevation data 2010 GMTED2010): U.S. Geological Survey Open-File Report (U. S. G. Survey, Trans.) (pp. 26). Reston, Virginia: U.S. Geological Survey.

120

Dikau, R. (1989). The application of a digital relief model to landform analysis. In J. F. Rapier (Ed.), Three dimensional applications in Geographical Information Systems (pp. 51-77). London: Taylor & Francis.

Dikau, R. (1990). Geomorphic landform modeling based on hierarchy theory. Paper presented at the Proceedings of the 4th International Symposium on Spatial Data Handling, Zürich, Switzerland.

Duarte, R., Moreno, M., Morales, C. J., y Villegas, H. (Cartographer). (2010a). Geología de la Plancha 248.

Duarte, R., Moreno, M., Morales, C. J., Villegas, H., Alvarado, S., Téllez, M., . . . Rojas, N. (Cartographer). (2010b). Geologia de la Plancha 267, Pachaquiaro.

Ehsani, A. H., Quiel, F., y Malekian, A. (2009). Effect of SRTM resolution on morphometric feature identification using neural network—self organizing map. GeoInformatica, 14(4), 405-424. doi: 10.1007/s10707-009-0085-4 Elorza, M. G. (2008). Geomorfología: Pearson Educación.

ERDAS, I. (1999). ERDAS field guide. Erdas, Inc., Atlanta, GA, 698.

ERDAS, I. (2010). Imagine Objective User's Guide I. ERDAS (Ed.) Esri.

(2010).

ArcGIS Help Library Retrieved from http://help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#/Welcome_to_the _ArcGIS_Help_Library/00r90000001n000000/

Evans, I. S. (1972). General geomorphometry, derivatives of altitude, and descriptive statistics. In R. J. Chorley (Ed.), Spatial Analysis in Geomorphology (pp. 17-90): Harper & Row. Evans, I. S. (2012). Geomorphometry and landform mapping: What is a landform?

Geomorphology, 137(1), 94-106. doi: 10.1016/j.geomorph.2010.09.029 Fan, J., Yau, D. K., Elmagarmid, A. K., y Aref, W. G. (2001). Automatic image segmentation by integrating color-edge extraction and seeded region growing. IEEE transactions on image processing, 10(10), 1454-1466.

Florinsky, I. V. (1998). Accuracy of local topographic variables derived from digital elevation models. International Journal of Geographical Information Science, 12, 47-62.

Forgy, E. W. (1965). Cluster analysis of multivariate data : efficiency versus interpretability of classifications. Biometrics, 21, 768-769.

Galván, M. J., Bonzano, C. A., y Mas, G. E. (2013). Comparación entre modelos digitales de elevación obtenidos a partir de imágenes de radar SRTM y cartas Topográficas del IGN. entreVistas, dedicado al XXII Encuentro Nacional del Profesores de Geografía., 1(4).

Gómez, J., Nivia, Á., Montes, N. E., Almanza, M. F., Alcárcel, F. A., y Madrid, C. A. (Cartographer). (2015). Mapa Geológico de Colombia.

Goudie, A., y British Geomorphological Research Group. (1990). Geomorphological techniques (2nd ed.). London ; Boston: Unwin Hyman.

121

Goudie, A. S. (2004). Encyclopedia of Geomorphology (Vol. 1 y 2). London: Routledge.

Gupta, R. P. (2003). Remote sensing geology (2nd ed.). Berlin ; New York: Springer.

Hartigan, J. A., y Wong, M. A. (1979). Algorithm AS 136: A K-Means Clustering Algorithm.

Journal of the Royal Statistical Society. Series C (Applied Statistics), 28(1), 100-108. doi: 10.2307/2346830 Hay, G., y Castilla, G. (2008). Geographic Object-Based Image Analysis (GEOBIA): A new name for a new discipline. Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications, 75.

Hengl, T. (2006). Finding the right pixel size. Computers & Geosciences, 32, 1283-1298.

Hengl, T., y Reuter, H. (2009). Geomorphometry : concepts, software, applications (1st ed.). Amsterdam, Netherlands ; Oxford, UK ; Boston Mass.: Elsevier.

Horn, B. K. P. (1981). Hill shading and the reflectance map. Proceedings IEEE, 69, 14-47.

IGAC (Cartographer). (2010). Planchas topograficas 210, 211, 212, 228, 229, 230, 231, 247, 248, 249, 266, 267, 268, Escala 1:100.000.

Ingeominas, y UPTC. (2007). Investigación geológica e hidrogeológica en el suroeste del departamento de Casanare, Informe Final. Yopal, Casanare.: Ingeominas.

Leopold, L. B., Wolman, M. G., y Miller, J. P. (1995). Fluvial Processes in Geomorphology (reprinted from 1964 ed.). New York: Dover.

Lillesand, T. M., y Kiefer, R. W. (2004). Remote Sensing and Image Interpretation (5th ed.): Wiley.

Lillesand, T. M., Kiefer, R. W., y Chipman, J. W. (2008). Remote sensing and image interpretation: John Wiley & Sons.

Longley, P., Goodchild, M. F., Maguire, D. J., y Rhind, D. W. (2005). Geographical information systems and science (2nd ed.). Chichester ; Hoboken, NJ: Wiley.

Lopez, E. (2004). Aspectos más relevantes de la Geomorfología y Geología y del Piedemonte Llanero de Colombia. (pp. 23). Bogotá: INGEOMINAS. López, J. P. A., Valero, O. J. E., y Escorcia, J. L. H. (2004). Validación de una Metodología de Clasificación de Imágenes Satelitales en un entorno Orientado a Objetos.

Ingeniería, 10(1), 61-69.

METI, NASA, y USGS. (2009). ASTER Global DEM Validation - Summary Report (Vol. 1, pp.

27): METI, NASA, USGS. Miliaresis, G. C., y Argialas, D. P. (1999). Segmentation of physiographic features from the global digital elevation model/GTOPO30. Computers & Geosciences, 25, 715-728.

Miliaresis, G. C., y Argialas, D. P. (2000). Extraction and delineation of alluvial fans from digital elevation models and Landsat thematic mapper images. Photogrammetric engineering and remote sensing, 66, 1093-1101.

NASA. (2014). NASA Shuttle Radar Topography Mission Combined Image Data Set (Publication no. http://doi.org/10.5067/MEaSUREs/SRTM/SRTMIMGM.003). from

122

NASA EOSDIS Land Processes http://doi.org/10.5067/MEaSUREs/SRTM/SRTMIMGM.003

DAAC

NASA. (2015). NASA Shuttle Radar Topography Mission Global 1 arc second - The Shuttle Radar Topography Mission (SRTM) Collection User Guide.

NASA, y METI. (2011). ASTER Global Digital Elevation Model Version 2. from NASA EOSDIS Land Processes DAAC http://gdex.cr.usgs.gov/gdex/ NASA, L. P. (2014). Landsat 8 OLI scene LC80070572014090LGN00. Retrieved 31 Marzo 2014, from USGS Olaya, V. (2011). Sistemas de Información Geográfica V. Olaya (Ed.) Pike, R. J. (1995). Geomorphometry –- progress, practice, and prospect. Zeitschrift für Geomorphologie, Supplementband 101, 221-238.

Pike, R. J. (2000). Geomorphometry –- diversity in quantitative surface analysis. Progress in Physical Geography, 24, 1-20.

Prima, O. D. A., Echigo, A., Yokoyama, R., y Yoshida, T. (2006). Supervised landform classification of Northeast Honshu from DEM-derived thematic maps.

Geomorphology, 78(3-4), 373-386. doi: 10.1016/j.geomorph.2006.02.005 Prima, O. D. A., y Yoshida, T. (2010). Characterization of volcanic geomorphology and geology by slope and topographic openness. Geomorphology, 118(1-2), 22-32. doi: 10.1016/j.geomorph.2009.12.005 Pulido, O., Gómez, L. S., y Marín, P. (Cartographer). (1998). Geología de la Plancha 266, Villavicencio.

Raaflaub, L. D., y Collins, M. J. (2006). The effect of error in gridded digital elevation models on the estimation of topographic parameters. Environmental Modelling & Software, 21, 710-732.

Rasemann, S., Schmidt, J., Schrott, L., y Dikau, R. (2004). Geomorphometry in mountain terrain. In M. P. Bishop & J. F. Shroder (Eds.), GIS & Mountain Geomorphology (pp.

101-145). Berlin: Springer.

Rhoads, B. L., y Thorn, C. E. (1996). The Scientific Nature of Geomorphology. Chichester, UK: Wiley.

Sabins, F. F. (1997). Remote sensing : principles and interpretation (3rd ed.). New York: W.H. Freeman and Co. Sadeq, H., Drummond, J., y Li, Z. (2012). Evaluation of ASTER GDEM v.2 using GPS checkpoints, OSGB DEM values and photogammetrically derived DEMs. Paper presented at the XXII Conference of International Society of Photogrammetry and Remote Sensing, Melbourne, Australia. http://eprints.gla.ac.uk/64189/ Saha, K., Wells, N. A., y Munro-Stasiuk, M. (2011). An object-oriented approach to automated landform mapping: A case study of drumlins. Computers & Geosciences, 37(9), 1324-1336. doi: 10.1016/j.cageo.2011.04.001 Santillan, J. R., y Santillan, M. M. (2014, 27-31 October 2014). Detection and Correction of ASTER GDEM v2 Data Anomalies through DEM differencing. Paper presented at

123

the Proceedings of the 35th Asian Conference on Remote Sensing (ACRS 2014) – Sensing for Reintegration of Society, Myanmar International Convention Center II, Nay Pyi Taw, Myanmar.

Scheidegger, A. E. (1991). Theoretical Geomorphology (3rd ed.). Berlin: Springer-Verlag.

Schiewe, J. (2002). Segmentation of high-resolution remotely sensed data-concepts, applications and problems. International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 34(4), 380-385.

Tachikawa, T., Hato, M., Kaku, M., y Iwasaki, A. (2011a, 24-29 July 2011). Characteristics of ASTER GDEM version 2. Paper presented at the Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International.

Tachikawa, T., Kaku, M., Iwasaki, A., Gesch, D., Oimoen, M., Zhang, Z., . . . Curtis, B. (2011b). ASTER Global Digital Elevation Model Version 2 – Summary of Validation Results: NASA Land Processes Distributed Active Archive Center, Joint Japan-US ASTER Science Team.

Thorn, C. E. (1988). An Introduction to Theoretical Geomorphology. Boston: Unwin Hyman.

Tobler, W. R. (1976). Analytical cartography. The American Cartographer, 3, 21-31.

Tobler, W. R. (2000). The development of analytical cartography –- a personal note.

Cartography and Geographic Information Science, 27, 189-194.

Tricart, J. (1965). Principes et Méthodes de la Géomorphologie. Paris: Masson.

Tricart, J., y Muslin, J. (1951). L'étude statistique des versants. Revue de Géomorphologie dynamique, 2, 173-182.

Ulloa, C., y Rodriguez, E. (Cartographer). (1983). Geologia de la Plancha 211, Tauramena.

UPTC, y Ingeominas (Cartographer). (2008). Mapa Geológico Plancha 230, Sector Monterrey - Tauramena.

Urbanski, J. (2014, 21-24 May 2014). Integration of GEOBIA with GIS for semi-aautomatic land cover mapping from Landsat 8 Imagery. Paper presented at the Geobia in ArcGIS, 5th GEOBIA conference Thessaloniki.

Wood, J. (1996). The Geomorphological Characterisation of Digital Elevation Models. phd{Ph.D.\@ thesis}, University of Leicester.

Yan, G. (2003). Pixel based and object oriented image analysis for coal fire research.

Master Thesis. Master in Science Master Thesis., International Institute for GeoInformation Science and Earth Observation, Enschede, The Netherlands.

Yokoyama, R., Shirasawa, M., y Pike, R. J. (2002). Visualizing topography by openness: A new application of image processing to digital elevation models. Photogrammetric Engineering and Remote Sensing, 68, 251-266.

124

ANEXOS

Anexo 1 Correcciรณn de DEM ASTER (a) Imagen sin corregir, (b) Zonas anรณmalas y (c) DEM final ASTER corregido. ร rea completa.

125

Anexo 2 Correcciรณn de DEM SRTM (a) antes de filtro (b) Resultado final. ร rea completa.

126

Anexo 3 Imagen Landsat 765 (RGB) de la zona, despuĂŠs de aplicar correcciones y contrastes. Ă rea completa.

127

Anexo 4 Parรกmetros generados a partir del DEM ASTER, Pendientes (a), Apertura Positiva (b) y Negativa (d) y Aspecto (e). ร rea completa.

128

Anexo 5 Parรกmetros generados del DEM SRTM, Pendientes (a), Apertura Positiva (b) y Negativa (b) y Aspecto (d). ร rea completa.

129

Anexo 6 Capas provenientes del DEM ASTER en Stacking utilizadas en la extracciรณn de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. ร rea completa.

130

Anexo 7 Capas provenientes del DEM SRTM en Stacking utilizadas en la extracciรณn de geoformas en Objective, (a) Imagen Landsat PC, DEM y pendientes. (b) DEM, Pendientes y apertura negativa. (c) DEM, Pendientes y aspecto. ร rea completa.