Introducción y objetivos
La premisa básica en la utilización de datos registrados mediante técnicas de teledetección, es que los cambios en el terreno tienen que identificarse como cambios en los valores de radiancia registrados en la secuencia de imágenes. Debido a ello, se considera importante el estudio en profundidad de los métodos aplicados como pre-procesos que permitan la posterior comparación multitemporal. Los factores climáticos influyen de forma continua y siguen una serie de ciclos temporales, repitiendo las características climatológicas para cada intervalo estacional, marcado por una tendencia de cambio interanual. A nivel global, los ecosistemas mediterráneos presentan una tendencia a la desertización de los entornos naturales que los componen; este factor tiene gran influencia en la actividad humana y en su relación con el entorno.
Este estudio tiene como objetivo principal proponer una metodología de trabajo para detección de cambios, centrándose en el desarrollo y optimización de los ajustes radiométricos. Se han orientado la metodología para poder implementarse en entornos no supervisados, procesos de carácter automático; se pretende minimizar el proceso de supervisión y su influencia en el resultado. Se propone un método permita discriminar entre los cambios detectados, según su tipología.
Trabajos de investigación - metodología propuesta
En el estudio multitemporal del terreno por teledetección se pretende combinar o integrar en el proceso varias imágenes correspondientes a distintas fechas, pero es muy importante tener en cuenta que existen factores que influyen en la radiometría de la imagen y alteran el valor digital de cada celda; como los distintos estados fenológicos, ángulo de toma de la imagen, nubosidad, etc. Se ha comprobado (Chuvieco, 1998; Mateu y Ruiz, 1999; Mena y Malpica, 2002; Du et al., 2002; Estornell et al., 2004; Martínez, 2013) que la compensación de estos desequilibrios mejora la semejanza entre imágenes y por tanto ayuda a eliminar efectos no deseados en el proceso de detección de cambios.
Previamente a la aplicación de los métodos de comparación para la discriminación de los cambios, es imperativo aplicar procesos de corrección radiométrica que minimicen los desajustes producidos en el registro del VD en las celdas de la imagen, ya que si no podrían ser considerados por sí mismos como cambios. Algunos autores proponen métodos de corrección relativos, basados en los parámetros estadísticos de la imagen (Mateu y Ruiz, 1999; Estornell et al., 2004; Mena & Malpica, 2008; Martínez, 2013) para transformar el valor de la imagen inicial () respecto a los parámetros estadisticos de las imágenes inicial y final.
La magnitud del vector de cambios (CVA) se define como la componente cuadrática de las diferencias radiométricas de las bandas/capas de una secuencia multitemporal. Este método permite combinar cualquier número de imágenes, siempre que tengan la misma magnitud. Para las zonas de estudio se ha aplicado este método de comparación multitemporal a partir de las diferencias entre todas las bandas del espectro electromagnético registradas con el satélite SPOT-5.
En este indicador de cambios, no se distinguen entre cambios negativos y cambios positivos, cuantificándose únicamente la magnitud del cambio en valor absoluto (Chuvieco, 1998; Louakfaoui et al., 2001; Bruzzone et al. 2002; Estornell et al., 2004; Rivera, 2005; Kolehmainen et al. 2008; Rodríguez-Galiano et al., 2010; Martínez, 2013). La principal ventaja de utilizar el CVA como método de comparación multitemporal, es que se pueden procesar cualquier número de bandas espectrales (n); se engloba en el conjunto de operaciones multicriterio.
Partiendo de la hipótesis de que el porcentaje de cambios es muy reducido, los valores correspondientes se encuentran situados en los extremos del histograma de frecuencias (Estornell et al. 2004). Para generar una máscara de cambios es preciso señalar un umbral que delimite ambas categorías (cambio/no cambio) a partir de un índice de cambios (Radke et al., 2005). Se propone utilizar criterios estadísticos a partir de los valores del histograma para discriminar los valores de cambio/no cambio (Chuvieco et al., 1998; Rodriguez-Galiano et al., 2010; Fernández et al., 2007; Estornell et al.,2004; Lu et al., 2004; Martínez, 2013).
U = μ ± n . σ
Al considerarse las dos imágenes como semejantes, los cambios producidos en el terreno afectan a la radiometría registrada en las imágenes, y por tanto, en los parámetros estadísticos que las definen. En el presente estudio, se establece como hipótesis que los cambios están introduciendo ruido en el proceso de normalización radiométrica; cuanto mayor sea la superficie de cambios, mayor será su influencia en el proceso de normalización, y por tanto, en el resultado obtenido en la detección de cambios.
Se pretende evaluar la manera de minimizar dicha influencia; se propone realizar una normalización radiométrica iterativa (Martínez, 2013), transformando la imagen a normalizar utilizando los parámetros estadísticos estimados a partir de las celdas clasificadas como no cambio. Al generarse una máscara de cambios, se pueden ‘omitir’ las zonas donde se han producido cambios y volver a normalizar las imágenes iniciales.
Un método de clasificación pretende discriminar entre varios grupos de celdas, en este caso, tipos de cambios. La dirección del vector de cambio (Chuvieco, 1998; Loukafaqui et al., 2001; Estornell el at. 2004; Martínez, 2013) expresa información cualitativa de utilidad para clasificar los tipos de cambios. Esta variable se complementa con la magnitud del vector de cambios definiendo el espacio CVA (de carácter mutitemporal) como un sistema local de carácter geométrico.
Se ha optado por combinar las bandas de la imagen SPOT5, considerando su rango espectral; las bandas del intervalo visible (B1-Verde, B2-Rojo) y las bandas del infra-rojo (B3-IRc, B4-IRm) se han procesado por separado. Estos parámetros direccionales se han combinado entre sí, utilizando una clasificación no supervisada Iso-Cluster (Tarabalka et al., 2009). De la imagen clasificada Iso-Cluster, se ha eliminado las zonas de cambio intersectándola con la máscara de cambio generada a partir del umbral menos restrictivo (n=0,5). Este proceso es de carácter no supervisado, por lo que se requiere de un análisis digital/visual para interpretar el resultado obtenido y discriminar entre las distintas tipologías de cambios.
