Segmentación de imágenes mediante el empleo de índices de ...tig.age-geografia.es/docs/XII_2/080 - Navarro Pedreno et al.pdf · Los índices de vegetación empleados fueron: NDVI,

1093

SEGMENTACIÓN DE IMÁGENES MEDIANTE EL EMPLEO DE ÍNDICES DE VEGETACIÓN PARA LA ESTIMACIÓN DE

PARÁMETROS EDÁFICOS

NAVARRO PEDREÑO, J.; MELÉNDEZ-PASTOR, I.; GÓMEZ LUCAS, I.; ALMENDRO CANDEL, M. B.

Laboratorio de Sistemas de Información Geográfica y Teledetección Ambiental. Grupo de

Edafología Ambiental. Departamento de Agroquímica y Medio Ambiente. Universidad Miguel Hernández de Elche.

Av/ Universidad, s/n. Edif. Alcudia. E-03202. Elche. [email protected]

RESUMEN

Mediante el procesamiento de datos procedentes del sensor Landsat-5 TM, se realiza un análisis comparativo de la capacidad discriminatoria de diversos índices de vegetación para la identificación de áreas que presentan una cubierta vegetal laxa. La finalidad del trabajo, es la de proporcionar un método de segmentación de las imágenes para la obtención de cubiertas edáficas desnudas y posterior evaluación de propiedades del suelo. Los índices de vegetación empleados fueron: NDVI, SAVI, OSAVI. Como parámetros edáficos se estimo la presencia de hierro en estado de oxidación (Fe III) y (Fe II), por las notable implicaciones ambientales que tiene. El empleo de factores de corrección del efecto del suelo proporciona una ventaja de cara a la interpretación y evaluación de los análisis, pero puede llegar a ser altamente restrictivo y reducir mucho el área considerada como de suelo desnudo. El factor crítico en todo caso es la selección del umbral de discriminación para el establecimiento de la segmentación de la imagen. El estudio de parámetros edáficos en áreas identificadas como desnudas de vegetación, se revela como de alto interés para el conocimiento de los recursos edáficos y gestión del territorio.

Palabras clave

Índices de vegetación, Landsat-TM, segmentación de imágenes, suelos.

ABSTRACT A digital image processing of Landsat-5 TM data is presented for a comparative

analysis of discriminatory capabilities of several vegetation indices for soil studies. The objective was the establishment of a soil covers image segmentation method and posterior evaluation of soil properties. NDVI, SAVI and OSAVI were the selected vegetation indices. Oxidized iron (Fe3+) and reduced iron (Fe2+) were the selected soil parameters due to their great implication in several environmental phenomena. Soil adjustment factor provides a valuable advantage for results interpretation and evaluation. Potentially, an over correction of soil effect can be make. Thresholds are the critical factor for image segmentation. The study of soil parameters in areas identified with low vegetation have great interest for the study of soil resources and land management.

Keywords

Vegetation indices, Landsat TM, image segmentation, soils.

1. INTRODUCCIÓN El término segmentación suele aplicarse a la búsqueda de áreas homogéneas en una

imagen y posterior identificación de las mismas como una clase de información determinada (Mather, 2004). La segmentación de imágenes implica la división del

EL ACCESO A LA INFORMACIÓN ESPACIAL Y LAS NUEVAS TECNOLOGÍAS GEOGRÁFICAS PÁG. 1093-1105

1094

territorio en áreas cuyas características espectrales son similares (Quintano et al., 2005) respecto a cierta característica o atributo. Dicha similitud en las características espectrales de los segmentos derivados de una imagen dada, puede ser de utilidad para posteriores aplicaciones como la generación de máscaras. Tales máscaras pueden servir, por ejemplo, para delimitar el área afectada por un incendio, la extensión de una inundación, o la discriminación entre el hielo glaciar y la neviza. La generación de máscaras para encubrir la vegetación y realizar posteriores análisis, respecto a la mineralogía u otros parámetros del suelo en los píxeles supuestamente desnudos de vegetación, es una práctica habitual en estudios edáficos mediante teledetección (p.e. Koch, 2000, Kariuki y Van der Meer, 2003). El empleo de índices de vegetación como el NDVI (Normalized Difference Vegetation Index) (Rouse et al., 1974) puede ayudar en la tarea de discriminar en función de los valores que adopta, entre las áreas vegetadas de las no vegetadas. Una de las mayores fuentes de incertidumbre en la aplicación de este tipo de máscaras, es la selección del umbral o punto de corte a partir del cual se diferencia entre un tipo u otro de cubierta. La decisión respecto a cual es el umbral óptimo de discriminación es una tarea complicada cuya argumentación muchas veces es excesivamente arbitraria y subjetiva. Para abordar tal problemática, algunas de las posibles metodologías para determinar tal umbral discriminatorio pueden ser las siguientes: a) la generación de un inventario en el campo respecto a las áreas vegetadas y de las no vegetadas, para posterior uso en la decisión del umbral de discriminación, en base a los datos recogidos y georreferenciados; b) la interpretación visual de las imágenes y ajuste del umbral de discriminación a tal interpretación intuitiva-empírica; o c) mediante una decisión empírica basada en el “conocimiento del experto”. Cualquiera de estas tres ejemplos de aproximaciones al problema posee ciertos pros y contras que contribuyen a la incertidumbre de la aplicación de este tipo de máscaras. En una aplicación más sofisticada mediante el empleo de modelos de transferencia radiativa para la simulación del comportamiento espectral de cubiertas, Baret et al. (1995) reportaron que un valor de NDVI igual a 0,3 se correspondía aproximadamente con una fracción de huecos (gap fraction) del 0,80-0,85%. Con un valor de fracción de huecos tan elevado, la extracción de información relativa al suelo potencialmente podría llevarse a cabo para aquellas áreas que cumplen tal requisito, siempre teniendo en cuenta la incertidumbre relativa a la precisión de la información derivada y a la similitud entre el tipo de cubiertas simuladas y las reales.

2. OBJETIVO

El presente trabajo tiene como objetivo evaluar las limitaciones y capacidades para la extracción de información relativa a dos parámetros edáficos, como son el contenido en hierro férrico (Fe3+) y hierro ferroso (Fe2+) de los suelos, derivados de la aplicación previa de máscaras de vegetación. Tales máscaras de vegetación han de servir para la discriminación entre áreas vegetadas de las de suelo desnudo o laxamente vegetadas, en base a un umbral fijo para los tres índices de vegetación seleccionados: NDVI, OSAVI y SAVI. La selección de un umbral fijo para los tres índices, se fundamenta en que todos ellos poseen una formulación similar (explotan las mismas bandas y el mismo rasgo espectral de la vegetación) y significado biofísico análogo (informan respecto a las mismas características de la vegetación), y se pretende evitar realizar ajustes en los umbrales respectivos para cada índice, que acomodarían la capacidad discriminatoria entre áreas vegetadas y desnudas de los índices entre sí, y que como contrapartida se obtendría una pérdida notable de información al repetir el mismo escenario para los tres índices.

SEGMENTACIÓN DE IMÁGENES MEDIANTE EL EMPLEO DE ÍNDICES DE VEGETACIÓN PARA LA ESTIMACIÓN DE PARÁMETROS EDÁFICOS

1095

El conocer el estado de oxidoreducción de los óxidos de hierro tiene una gran importancia a nivel edáfico. El hierro se presenta predominantemente en su forma reducida (Fe2+) en minerales primarios, mientras que en el suelo es frecuente que se presente en forma oxidada (Fe3+) (Sumner, 1999). El estado del hierro está relacionado con el contenido en agua del suelo debido a las reacciones redox que se pueden llevar a cabo. Cuando el hierro está en su forma oxidada, el contenido de agua es menor y el suelo adopta una tonalidad rojiza, mientras que cuando el hierro está en su forma reducida, existe un mayor contenido de agua e incluso saturación, tornándose el color del suelo a gris-azulado.

El área de estudio se encuentra ubicada en la cuenca alta del río Vinalopó. En la Figura 1 se muestra una composición en falso color obtenida mediante la combinación R.G.B. de las bandas 7 (2215 nm), 4 (830 nm) y 2 (560 nm), destacando los cultivos de regadío activos diseminados, pinares y monte bajo circunscritos a las elevaciones montañosas, y diversos tipos de suelos desnudos tanto de baldíos como de cultivos no activos o de secano.

Figura 1. Composición en falso color R.G.B:7.4.2 de la zona de estudio.

Landsat 5-TM (GLCF-UM), elaboración propia.

Yecla

Villena

Salinas


1096

Se trata de un área de transición entre el Prebético Interno Septentrional (materiales del Jurásico al Oligoceno) y el Prebético Externo (materiales del Cretácico Inferior al Oligoceno) (IGME, 1984). Los materiales más antiguos se corresponden con yesos y arcillas yesíferas del Keuper, presentes principalmente al oeste de la población de Villena. Las alineaciones montañosas poseen una clara dirección NE-SW, estando constituidas principalmente por calizas cretácicas en el Prebético Interno Septentrional (al sur del área de estudio), y dolomías y conglomerados cretácicas en el Prebético Externo (al sur del área de estudio). Entre las diferentes alineaciones montañosas, se presentan materiales cuaternarios, en forma de mantos de arroyada difusa y abanicos aluviales, constituidos por conglomerados, arcillas y arenas, muchas veces encostradas. Respecto a los suelos, es destacable la frecuente presencia de suelos desarrollados sobre sustratos yesíferos. Además, diversos procesos de edafogénesis han generado minerales secundarios a partir de los materiales más antiguos existentes en la zona, destacando las arcillas tan abundantes en el Cuaternario.

3. MATERIALES Y MÉTODOS

La secuencia metodológica empleada en el procesamiento digital de las imágenes, consistió en las siguientes fases:

• Pre-procesamiento de los datos del satélite multiespectral Landsat 5-TM. • Cálculo de los diferentes índices de vegetación (IV) seleccionados (NDVI,

SAVI, OSAVI). • Aplicación de un umbral fijo (IV ≥ +0,3) para la discriminación del suelo

desnudo-vegetación laxa respecto a la vegetación moderada-altamente vigorosa, y generación de máscara booleana.

• Análisis estadísticos (con y sin máscara) de las estimaciones de los índices de vegetación: descriptivos, número de píxeles excluidos, coincidencia geométrica y análisis de regresión lineal entre los IV (coeficiente de correlación de Pearson).

• Cálculo de parámetros edáficos (ratios Fe3+ y Fe2+). • Análisis estadísticos (con y sin máscara) de los parámetros edáficos:

descriptivos, análisis de regresión lineal entre los IV vs. parámetros edáficos. A continuación se exponen algunos de los aspectos metodológicos propios del

procesamiento digital de imágenes llevado a cabo para los análisis.

3.1. Pre-procesamiento Los análisis se realizaron en un sector de la cuenca alta del río Vinalopó, entre las

provincias de Alicante y Murcia. Se trata de una zona caracterizada por un clima mediterráneo semiárido, fuertemente antropizada, y que presenta notables problemas de degradación de los recursos edáficos (salinización, erosión, sobreexplotación agrícola...).

Se analizó una escena adquirida por el satélite Landsat-5, sensor Thematic Mapper (TM), del día 20 de abril de 1992 (9:33:00 GMT), localizada según el WRS-2 (Worldwide Reference System, versión 2) en el path 199 / row 033. Se trata de una escena con un nivel de procesamiento inicial 1G (corregida radiométricamente a cuentas digitales y geométricamente con parámetros orbitales), ortorectificada.

La imagen fue corregida radiométricamente para convertir los valores de cuentas digitales originales a reflectividad aparente o exoatmosférica (at-satellite reflectance),


1097

según el procedimiento y parámetros descritos por el U.S. Geological Survey (Chander, y Markham, 2003) en la revisión del 2003. Posteriormente la imagen fue corregida atmosféricamente para la minimización del efecto de la neblina (haze), mediante la substracción del objeto oscuro en base al valor mínimo del histograma (Mather, 2004). Este método de corrección atmosférica es ampliamente utilizado en diversas aplicaciones (Collado et al., 2002, Koch, 2000).

3.2. Índices de vegetación

Jensen (2000) define los índices de vegetación como aquellas medidas radiométricas adimensionales, que funcionan como indicadores de la abundancia relativa y actividad de la vegetación verde, incluyendo también indicaciones relativas al índice de área foliar (LAI), el porcentaje de cubierta vegetal verde, el contenido en clorofila, la biomasa verde, o la radiación activa fotosintéticamente absorbida. A lo largo de décadas se han ido proponiendo nuevos índices espectrales para el estudio de la vegetación, fruto de ello es el gran número de expresiones que se pueden encontrar en la literatura especializada. Para este trabajo se han empleado cuatro índices que reportan información relativa a la biomasa/verdor de la vegetación y/o humedad de la misma. Una breve aproximación a los mismos presenta a continuación. Todas las formulaciones de los índices de vegetación son presentados en su adaptación para ser calculados con datos procedentes del sensor Landsat-5 TM de la NASA.

Normalized Difference Vegetation Index (NDVI). La formulación original del NDVI es atribuida a Rouse et al., (1974). Este índice ha

sido y es ampliamente utilizado, estando basado en un intento de realzar las diferencias en la reflectividad entre las regiones espectrales de rojo y del NIR (infrarrojo cercano) para firmas espectrales características de la vegetación y atribuibles a la estructura interna de las hojas (Jensen, 2000). El NDVI se formula mediante la siguiente expresión:

34

34

TMTM

TMTMNDVIρρ

ρρ

+

−=

NDVI se relaciona entre otros parámetros con (Chuvieco, 2002): productividad

meta de la vegetación, contenido en clorofila de la hoja, LAI, contenido en agua de la hoja, etc.

Optimized Soil Adjusted Vegetation Index (OSAVI). El índice de vegetación OSAVI es encuadrado dentro de la familia de índices con

ajuste para el efecto del suelo, cuya expresión general es (Rondeaux et al., 1996):

)(

)(

XRNIR

RNIRVI

++

−=

Rondeaux et al. (1996) estimaron el valor óptimo del factor de corrección X en 0,16. mediante el empleo de reflectancia bidireccional. Posteriormente Steven (1998) evaluó el índice bajo las condiciones impuestas por parámetros observacionales reales. OSAVI se formula mediante la siguiente expresión:

16,034

34

++

−=

TMTM

TMTMOSAVIρρ

ρρ

OSAVI está especialmente indicado para la monitorización agrícola y reporta información biofísica de la vegetación análoga al NDVI.


1098

Soil Adjusted Vegetation Index (SAVI). Al igual que para el caso del índice anterior, el SAVI resulta de la modificación

del NDVI mediante la adición de una factor de ajuste del suelo (L) (Huete, 1988; Huete et al., 1992). El valor de L varía dependiendo de las características del suelo y es índice se formula como:

)1·()(

)(

34

34 LL

SAVITMTM

TMTM +++

−=

ρρ

ρρ

Huete (1988) sugiere un valor de L igual a 1 para áreas con poca vegetación, un

valor de L igual a 0.5 para áreas intermedias, y un valor de L igual a 0.25 para áreas con vegetación densa. SAVI reporta información similar al NDVI al respecto de los parámetros biofísico con los que se relaciona.

3.3. Parámetros edáficos

La teledetección es una herramienta útil para muchos edafólogos, ya que mediante el empleo de sensores remotos (p.e. ópticos) es posible adquirir información relativa a propiedades del suelo en su superficie a partir de las características de los espectros derivados de la adquisición, si el suelo no están totalmente cubierto por árboles o arbustos en formaciones muy densas con doseles coalescentes (Jensen, 2000)..

Hierro (III) La presencia de hierro férrico u oxidado (Fe3+) en los suelos, produce un aumento

en la reflectividad de la porcion espectral del rojo (600-700 nm), motivo por el cual tales suelos adoptan una tonalidad rojiza, reduciéndose la reflectividad en las porciones azul y verde del espectro, y una banda de absorción en torno a 850-900 nm (Jensen, 2000). Aprovechando el aumento de la reflectividad en la porción espectral del rojo, diversos autores (Rowan y Mars, 2003, Rowan et al., 2005) han propuesto una ratio específico, que aquí se presenta adaptado a las bandas del sensor TM:

2

32

TM

TMFe =

+

Hierro (II) Desarrollado para el sensor ASTER, Rowan et al. (2005) reportan que el ratio entre

las bandas ASTER1 / ASTER2 es sensible a la absorción generada por la presencia de hierro ferroso o reducido (Fe2+), ya que la presencia de este elemento en tal estado de oxidoreducción genera un aumento en la reflectividad de la porción azul-verde del espectro. Manteniendo las mismas bandas equivalentes entre el sensor ASTER y el TM, el ratio sería:

3

22

TM

TMFe =

+

4. RESULTADOS Y DISCUSIÓN En las figuras 2 a 4, se muestran las estimaciones de los índices de vegetación

correspondientes al NDVI, OSAVI, y SAVI correlativamente. Como puede apreciarse en general, se observan valores moderadamente elevados, en torno a 0,3 unidades, con un claro patrón diferencial entre las masas vegetales de las alineaciones montañosas (matorrales y pinares), los campos de cultivo de secano dispersos por el área de estudio y los regadíos. Para el primero de los casos, el valor de los IV se sitúa en torno a 0,35-0,5 unidades, descendiendo tal estimación en torno a 0,20 para los cultivos de secano y aumentando notablemente hasta valores de IV cercanos a 0,7 y superiores, en los


1099

regadíos en activo. Debido a que se trata de una imagen adquirida en primavera, en general los valores de los IV obtenidos para la totalidad del área de estudio son moderadamente elevados, fruto del estatus fenológico de la vegetación y la relativa presencia de reserva de agua en el suelo.

NDVI

Figura 2. Estimación del NDVI (imagen de la izquierda) y máscara resultante de la aplicación del umbral NDVI ≥ 0,3 para la identificación de las áreas vegetadas (rojo).

Fte. Elaboración propia.

OSAVI

Figura 3. Estimación del OSAVI (imagen de la izquierda) y máscara resultante de la aplicación del umbral OSAVI ≥ 0,3 para la identificación de las áreas vegetadas (rojo).



1100

SAVI

Figura 4. Estimación del SAVI (imagen de la izquierda) y máscara resultante de la aplicación del umbral SAVI ≥ 0,3 para la identificación de las áreas vegetadas (rojo).

Fte. Elaboración propia. En la tabla 1, se presenta un sumario de diversos parámetros estadísticos

descriptivos para las estimaciones de los índices de vegetación. NDVI y OSAVI presentan valores muy similares entre sí, mientras que el SAVI es un poco más discordante, presentando un rango más amplio y valor medio sensiblemente superior al de los otros dos índices. Como elemento distorsionador de la interpretación de los análisis, es destacable el hecho de que en el caso de la estimación del SAVI se han alcanzado valores superiores a 1, motivado por la presencia de cuerpos de agua en forma de balsas de riego cuyo fondo esta constituido por materiales plásticos.

Tabla 1. Estadísticos descriptivos de los índices de vegetación (n = 640.000).

Índice Mínimo Máximo Media Desviación estándar NDVI -0.350 0.784 0.269 0.063 OSAVI -0.349 0.783 0.269 0.062 SAVI -0.519 1.173 0.402 0.093

Fte. Elaboración propia. En las figuras 2 a 4, se incorpora adicionalmente a las estimaciones de los

diversos índices de vegetación, las respectivas imágenes correspondientes a la máscara booleana resultante de la aplicación del umbral fijo IV ≥ 0,3 para la discriminación de las áreas vegetadas de las que no lo están. En la tabla 2, se presenta la cuantificación del número de píxeles incluidos en cada una de las dos clases generadas en las máscaras de vegetación, así como también una estimación de la fracción del territorio supuestamente vegetada derivada de aquellos píxeles que cumplen la condición de IV ≥ 0,3. Teniendo en cuenta los datos presentados en la tala 1, el resultado esperable es el lógico, pues se mantiene la gran similitud entre las máscaras derivadas del NDVI y el OSAVI, siendo en este caso muy dispar el resultado de la máscara del SAVI, ya que frente a valores del


1101

22% de supuesta fracción vegetada para los dos primeros índices, el SAVI reporta una fracción vegetada del 95%, lo que indica que es bastante restrictivo respecto a la presencia de suelo desnudo.

Tabla 2. Cuantificación del número de píxeles incluidos en cada una de las clases de la

máscara booleana de vegetación, y fracción vegetada resultante (n = 640.000). Índice Píxeles IV ≥ 0,3 Píxeles IV < 0,3 Fracción vegetada (%) NDVI 145,538 494,462 22.7403 OSAVI 143,344 496,656 22.3975 SAVI 609915 30,085 95.2992

Fte. Elaboración propia. En las figuras 5 y 6 se presentan las imágenes resultantes de la estimación de los

parámetros edáficos Fe3+ y Fe2+ respectivamente. Así mismo, en la tabla 3 se presentan los valores de ciertos parámetros estadísticos para las dos imágenes.

Figura 5. Estimación del parámetro edáfico contenido relativo en Fe3+.



1102

Figura 5. Estimación del parámetro edáfico contenido relativo en Fe2+.

Fte. Elaboración propia. Estimamos que en ambas imágenes se está reportando información relativa a sus

respectivos parámetros, cuando el ratio adopta valores superiores a la unidad. De este modo es posible observar como para el caso del Fe3+ existen grandes diferencias entre las áreas vegetadas y las no vegetadas, debido a que en el caso de las primeras, el ratio adopta valores inferiores a la unidad. Los mayores valores de tal ratio se encuentran en áreas próximas a un abanico aluvial que se extiende hacia el sur desde la localidad de Yecla. Destacable es el hecho de que coincidiendo con la parte final de tal abanico fluvial, el ratio correspondiente al Fe3+ presenta unos valores inferiores a los anteriormente comentados, y sin embargo, en la observación de la composición en falso color de la figura 1, adopta una totalidad rojiza muy intensa que mediante una simple interpretación visual aseveraríamos que se trata de un área con posiblemente gran contenido en minerales con Fe3+. Analizando la misma zona pero para las estimación del Fe2+, es posible observar como precisamente en esa porción final del abanico aluvial, tal ratio presenta valores moderadamente elevados en comparación con su contexto circundante (excluyendo un campo de regadío). Tal fenómeno sugiere la presencia de suelos con un contenido hídrico superior, debido a que se trata de una zona de desagüe del acuífero aluvial, lo que permite la existencia de condiciones


1103

moderadamente reductoras que generan que el hierro se presente en forma de Fe2+. Como comentario adicional, respecto a este segundo ratio para la detección del hierro reducido, es interesante destacar como los campos de cultivo en regadío adoptan unos valores de ratio elevados, sin duda alguna influidos por la posible presencia del hierro en los suelos más húmedos propios de tal sistema de cultivo, así como a la banda de absorción en el rojo y mayor reflectividad en el verde, originada por la presencia de pigmentos clorofílicos.

Tabla 3. Estadísticos descriptivos de los parámetros edáficos (n = 640.000).

Parámetro Mínimo Máximo Media Desviación estándar

Fe3+ 0,5 1,375 1,067 0,096

Fe2+ 0,727 2 0,945 0,093 Fte. Elaboración propia.

Como último análisis realizado, se pretendió constatar la posible influencia de las

máscaras de vegetación derivadas de cada uno de los tres índices de vegetación anteriormente presentados, respecto a la información reportada por los dos ratios de parámetros edáficos calculados. Tal y como es esperable, considerando los comentarios anteriores respecto al comportamiento de los parámetros edáficos respecto a los diferentes tipos de cubiertas, la exclusión de las áreas donde la vegetación es más densa y/o activa fotosintéticamente, conlleva para el caso del Fe3+ un aumento en los valores de la pendiente, mientras que para el caso del Fe2+, el comportamiento es el opuesto, pues se produce una disminución de la pendiente, ya que como anteriormente se ha comentado, el ratio para la detección del Fe2+, es sensible tanto a la presencia de hierro en su forma reducida, como a la presencia de pigmentos clorofílicos.

Tabla 4. Resultados del análisis de regresión lineal entre los índices de vegetación y los parámetros edáficos considerados. Se incluye el prefijo m para diferenciar los análisis de

regresión lineal únicamente realizados con los píxeles incluidos en la zona considerada como desnuda o laxamente vegetada, en base a las máscaras generadas para cada índice de vegetación.

Pendiente (a)

Fe3+ mFe3+ Fe2+ mFe2+

NDVI -0,480 -0,218 0,508 0,247

OSAVI -0,478 -0,220 0,507 0,249

SAVI -0,712 0,252 0,754 -0,303

Punto de corte en el eje de ordenadas (b)


NDVI 0,781 0,483 -0,212 0,018

OSAVI 0,779 0,485 -0,210 0,016

SAVI 1,161 -0,001 -0,311 0,553

Coeficiente de correlación de Pearson (r2)


NDVI 0,563 0,248 0,583 0,229

OSAVI 0,562 0,251 0,582 0,233

SAVI 0,560 0,286 0,580 0,371 Fte. Elaboración propia.


1104

Finalmente, se cuantificó la presencia de píxeles con bajos valores para los índices

de vegetación (por debajo del umbral 0,3) y valores mayores a la unidad para los ratios de los parámetros edáficos (Tabla 5). Como puede apreciarse, se han detectado muy pocos píxeles que cumple ambas condiciones con respecto al hierro ferroso, ya que como ejemplo, en solamente un 7,6% de los píxeles de la escena se han estimado bajos valores de NDVI y elevados de hierro en estado reducido. En el caso del hierro oxidado, el número de píxeles que cumple ambas condiciones comentada es muy superior, del orden diez veces más que para el caso del hierro reducido, siendo similares al número de píxeles no excluidos por las máscaras de vegetación (Tabla 2).

Este resultado es lógico teniendo en cuenta que el área de estudio presenta un régimen de precipitación bajo y considerando el prolongado período de sequía que afecta al SE español, lo que implica un menor grado de humedad en los suelos y por tanto, condiciones más favorables a los procesos de oxidación.

Tabla 5. Cuantificación del número de píxeles correspondientes con áreas con baja

cobertura vegetal (IV < 0,3) y valores de los ratios de parámetros edáficos mayores a la unidad (n = 640.000).

Fe3+ ≥≥≥≥ 1 Fe2+ ≥≥≥≥ 1

NDVI < 0,3 472.324 (73,8%) 48.900 (7,6%)

OSAVI < 0,3 473.770 (74,0%) 50.075 (7,8%)

SAVI < 0,3 29.011 (4,5%) 2.137 (0,3%) Fte. Elaboración propia.

5. CONCLUSIONES El empleo de índices de vegetación para detectar aquellas áreas en una escena que

poseen una cubierta vegetal desnuda o suficientemente laxa como para poder extraer con cierto grado de confianza información relativa al suelo, ha sido evaluada con diversos índices de vegetación, obteniéndose como resultado una alta restrictividad para el caso del SAVI, debido a que este índice incluye ya una corrección para el efecto del suelo en áreas moderadamente vegetadas. El análisis de parámetros edáfico mediante teledetección, resulta de gran interés para el conocimiento y gestión del recurso suelo. Tales parámetros edáficos pueden servir de guía para posteriores análisis de mineralogía de suelos, o para ordenar el territorio. El avance en el estudio de los suelos mediante teledetección y el análisis del efecto de la vegetación sobre diversos parámetros edáficos, es una pieza fundamental para el futuro desarrollo de cartografía de suelos mediante teledetección.

6. REFERENCIAS BIBLIOGRÁFICAS Baret, F., Clevers, J.G.P.W., Steven, M.D. (1995). The robustness of canopy gap

fraction estimates from red and near-infrared reflectances: a comparison of approaches. Remote Sensing of Environment, 54: 141-151.

Chander, G., Markham, B. (2003). “Revised Landsat-5 TM Radiometric Calibration Procedures and Postcalibration Dynamic Ranges”. IEEE Transactions on Geoscience and Remote Sensing, 41 (11): 2674-2677.


1105

Chuvieco, E. (2002). Teledetección ambiental. La observación de la Tierra desde el espacio. Barcelona: Ariel Ciencia. 586 p.

Collado, A.D., Chuvieco, E., Camarasa, A.M. (2002). “Satellite remote sensing analysis to monitor desertification processes in the crop-rangeland boundary of Argentina”. Journal of Arid Environments, 52: 121-133.

Huete, A.R. (1988). “A Soil Adjusted Vegetation Index (SAVI)”. Remote Sensing of Environment, 25: 295-309.

Huete, A.R., Hua, G., Qi, J., Chehbouni, A., Van Leeuwem, W.J. (1992). “Normalization of Multidirectional Red and Near-Infrared Reflectances with the SAVI”. Remote Sensing of Environment, 40: 1-20.

IGME. (1984). Mapa Geológico de España, E. 1:50.000, hoja 845 “Yecla”. Madrid, Instituto Geológico y Minero de España (IGME). Memoria y cartografía.

Jensen, J.R. (2000). Remote Sensing of the Environment: An Earth Resource Perspective. Prentice Hall: Upper Saddle River (NJ), USA.

Kariuki, P.C., Van der Meer, F.D. (2003). “Swelling Clay Mapping for characterizing expansive soils; results from laoratory spectroscopy and Hysens DAIS analysis”. 3rd EARSeL Workshop on Imaging Spectroscopy, Oberpfaffenhofen, May 13-16.

Koch, M. (2000). “Geological controls of land degradation as detected by remote sensing: a case study in Los Monegros, north-east Spain”. International Journal of Remote Sensing, 21 (3): 457-473.

Mather, P. M. (2004). Computer Processing of Remotely-Sensed Images. An Introduction. John Wiley & Sons, Ltd: West Sussex (England), UK. 324 p.

Quintano, C., Shimabukuro, Y.E., Fernández, A., Delgado, J.A. (2005). “A spectral unmixing approach for mapping Burneo areas in Mediterranean countries”. International Journal of Remote Sensing, 26 (7): 1493-1498.

Rondeaux, G., Steven, M., Baret, F. (1996). “Optimization of Soil-Adjusted Vegetation Indices”. Remote Sensing of Environment, 55:95-107.

Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. (1974). Monitoring Vegetation Systems in the Great Plains with ERTS. Proceeding, Third Earth Resources Technology Satellite-1 Symposium, NASA SP-351 (pp. 309-317).Goddard Space Flight Center, Greenbelt (MD), USA.

Rowan, L.C., Mars, J.C. (2003). Lithologic mapping in the Mountain Pass, California area using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data. Remote Sensing of Environment, 84: 350-366.

Rowan, L.C:, Mars, J.C., Simpson, C.J. (2005). Lithologic mapping of the Mordor, NT, Australia ultramafic complex by using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER). Remote Sensing of Environment, 99: 105-126.

Steven, M.D. (1998). “The sensitivity of the OSAVI vegetation index to observational parameters”. Remote Sensing of Environment, 63: 49-60.

Sumner, M.E. (ed.). (1999). Handbook of Soil Science. Boca Ratón (FL), USA: CRC Press. 2148 pp.

Documents

Segmentación de imágenes mediante el empleo de índices de ...tig.age-geografia.es/docs/XII_2/080 - Navarro Pedreno et al.pdf · Los índices de vegetación empleados fueron: NDVI,