Pontificia Universidad Católica Madre y Maestra
Facultad de Ciencias de laS IngenieríaS
Departamento de Ingeniería TELEMÁTICA
Proyecto:
1ER
ENTREGABLE: analisis de imágenes multiespectrales para detectar minerales
Autores:
Leonardo
Antonio López 2008-2455
Anthony
Manuel Ortiz Cepeda 2009-1407
Asesores:
Ing. arlene
estévez
ing. Luis
Francisco Fernández
versión:
v4.0
Fecha:
14 de Abril
del 2014
Plan de Trabajo Detallado del Proyecto
Proyecto:
|
Análisis de Imágenes
Satelitales Multiespectrales para Detectar Minerales
|
Fecha:
|
14/04/2014
|
Autores:
|
Leonardo López y Anthony Ortiz
|
Versión:
|
3
|
2. Índice
Plan de Trabajo
Detallado del Proyecto.................................................................... 2
1 Historial del
Plan de Trabajo................................................................................ 2
1.1 Historia de Revisiones...................................................................................... 2
1.2 Aprobaciones.................................................................................................... 2
1.3 Distribución....................................................................................................... 2
3. Propósito del
Documento..................................................................................... 4
4. Antecedentes.......................................................................................................... 4
5. Definición del
Proyecto......................................................................................... 5
a. Visión y Objetivos............................................................................................... 5
b. Aspectos Metodológicos..................................................................................... 6
c. Alcance del proyecto......................................................................................... 11
d. Productos del proyecto..................................................................................... 11
6. Marco Teórico..................................................................................................... 11
7. Estructura de
Organización del Proyecto......................................................... 37
a. Estructura del Equipo de Proyecto.................................................................. 37
b. Roles y responsabilidades................................................................................. 38
8. Cronograma del
Proyecto.................................................................................. 40
9. Plan de
Administración de Riesgos................................................................... 40
a. Enfoque metodológico para la evaluación de riesgos...................................... 40
10. Presupuesto....................................................................................................... 40
11. Procedimiento.................................................................................................... 41
12. Bibliografía....................................................................................................... 53
13. Anexos............................................................................................................... 54
a. Riesgos preliminares del proyecto.................................................................... 54
3. Propósito del Documento
Este documento tiene como propósito servir de
historial, como también plantear una guía clara sobre el propósito y las
especificaciones de nuestro proyecto final de carrera en la Pontificia Universidad
Católica Madre y Maestra.
En la primera parte de la elaboración de nuestro
proyecto, el enfoque fue delimitar uno o varias metas, y en fin tener una idea
clara de lo que queremos alcanzar. También, se pretende hacer un planteamiento
e investigación sobre las diferentes técnicas y tecnologías que se quieren
aplicar, con el objetivo de probar cuáles de estas serían de mejor provecho
para nuestro objetivo de detectar minerales a través de imágenes satelitales.
Por otra parte, es necesario documentar el presupuesto
planeado para los gastos concernientes al proyecto, los cuales incluirían
material de documentación como libros y entrenamiento y la posible compra de
imágenes satelitales en caso de que las facilitadas por el LANDSAT no
proporcionen toda la información necesitada.
La plantilla de análisis de riesgos nos ayudará mejor
en manejar el presupuesto, como también el tiempo de desarrollo del proyecto, y
qué ambiciosos podemos ser con nuestros objetivos. El punto es poder prever
posibles dificultades que pueden afectar de forma negativa el progreso de este
proyecto.
4. Antecedentes
Las
imágenes obtenidas por los satélites ofrecen una perspectiva única de la Tierra
y sus recursos. La teledetección por satélite puede ser una fuente rentable de
valiosa información para numerosas aplicaciones, entre las que se pueden citar
la planificación urbana, vigilancia del medio ambiente, gestión de cultivos,
prospección petrolífera, exploración
minera, desarrollo de mercados, localización de bienes raíces y muchas otras.
El
valor de las imágenes de satélite y la información extraída de ellas son evidentes.
Ofrecen una visión global de objetos y detalles de la superficie terrestre y facilitan la comprensión de las relaciones
entre ellos que pueden no verse claramente cuando se observan a ras de tierra.
Además de estas ventajas evidentes, las imágenes de
satélite muestran, literalmente, mucho más de lo que el ojo humano puede
observar, al desvelar detalles ocultos que de otra forma estarían fuera de su
alcance. En la documentación ofrecida por Dirección General de Minería de la República
Dominicana no se observan trabajos de detección de minerales usando
teledetección. Esta carencia de medios que faciliten el
estudio efectivo del suelo es la razón por la que muchas personas propietarias
de vastas extensiones de terreno desconocen si su propiedad cuenta con recursos
explotables.
Por todo
esto nos hemos motivado a involucrarnos en este proyecto, y así aportar a
nuestro país y a la comunidad científica.
Para ello
se van a desarrollar los mecanismos científicos necesarios para obtener un modelo
de análisis de imágenes satelitales multiespectrales para detectar posibles
yacimientos minerales, que funcione para nuestro clima y relieve
característico.
5. Definición del Proyecto
a.
Visión y Objetivos
El
objetivo de este proyecto es realizar un análisis remoto mediante imágenes
satelitales multiespectrales que ayuden a determinar si alguna extensión de
tierra cuenta con algún valor inorgánico. Dicho con otras palabras, se pretende
desarrollar un algoritmo que proporcione la siguiente información:
identificación de grupos de arcilla que son indicadores de diferentes tipos de
depósitos minerales.
Se
trata más bien de un proyecto en dónde se analizarán imágenes del
satélite LANSAT 8 para lograr obtener información de minerales. Se pretende
hacer diferentes combinaciones de bandas para detectar qué combinación de estas
nos proporciona la mayor información para el análisis minero.
Se
mejoraría una situación como esta:
Imagen 1. Exploración Minera Manual.
Esta
información puede ser utilizada con el propósito de:
·
Identificar grupos de arcilla que son
indicadores de diferentes tipos de depósitos minerales.
Este
sistema generaría ciertos beneficios:
·
Conocimiento del subsuelo del país con
muy poca inversión de recursos.
·
Descubrimiento de posibles yacimientos
de minerales para su aprovechamiento y beneficio económico del país.
·
Aporte a la ciencia internacional con la
especificación de las bandas que ofrecen mayor información sobre minerales en
el Landsat 8.
b.
Aspectos Metodológicos
Se pretende plantear una metodología de trabajo
estricta, de mucha investigación sobre diferentes trabajos realizados en el
área y sobre las últimas publicaciones científicas de instituciones
especializadas en este tema como el Instituto de Ingenieros Eléctricos y
Electrónicos (IEEE), con el fin de estar al tanto de todo lo realizado en el
área. El siguiente paso es la obtención de imágenes satelitales
multiespectrales para lo que contamos con el satélite LANDSAT 8 de la NASA. Luego
de la obtención de las imágenes se procederá a hacer un análisis de estas.
Las imágenes multiespectrales tienen una resolución
baja puesto que un pixel representa hasta cientos de metros y en cada uno de
estos hay información de una enorme cantidad de elementos de la superficie y el
subsuelo. Además, estas se ven afectadas por efectos de dispersión atmosférica
debido a que la luz del atraviesa la atmósfera terrestre y algunas partículas
presentes en estas afectan la información recibida en el sensor del satélite
por lo que el primer reto será el de suprimir estos efectos no deseados de la
imagen, lo que se conoce como corrección radiométrica
Histogram
Values Method, DOS y COST son algoritmos importantes de corrección
radiométrica.
Luego
que se tiene la imagen adecuada para el análisis se procederá a hacer
combinaciones de bandas de las que proporciona el LANSAT 8 para determinar la
combinación que da mejor información acorde a nuestro objetivo. Se aplicará el
método de Ratio Image que se trata de
la realización de un cociente de los valores de pixel de dos bandas con el fin
de destacar la información útil para detección. El paso final es el de aplicar
algoritmos de clasificación basados en estadística de alto orden para la
discriminación de las zonas donde se considere haya alta probabilidad de
yacimientos minerales.
ELECCIÓN DE
ÁREA DE TRABAJO
Nos enfocamos en el cuadrante
geológico 6172 de Bonao, don se tiene información de estudios geológicos
manuales realizados previamente y dentro del cual se sitúa la minera canadiense
Barrick Gold (Imagen 2).
Imagen 2. Cuadrante Path 7 Row 47,
donde se sitúa Barrick Gold.
En el año 2004 en el Proyecto K
"Cartografía Geotemática en la República Dominicana" auspiciado y
financiado en su totalidad por la Unión Europea, formando parte del conjunto de
proyectos del Programa SYSMIN, cuyo objetivo general es promover el
conocimiento y desarrollo del sector geológico-minero del país presentó un
informe detallado de un estudio geológico realizado en el cuadrante de Bonao (6172).
En ese proyecto adjudicado al consorcio integrado por el Instituto Geológico y
Minero de España (IGME), el Bureau de
Recherches Géologiques et Minières (BRGM) e Informes y Proyectos S.A.
(INYPSA) bajo la supervisión de la
Dirección General de Minería (DGM) se presenta de forma detallada los minerales
presentes en este cuadrante.
Vamos a trabajar con las imágenes
multiespectrales de esa zona para demostrar lo realizado comparando nuestros resultados con los de este estudio.
Cuadrante Geológico de Bonao (6172)
En este cuadrante se encuentran representadas las
formaciones geológicas con mayor potencial metalogenético de la Rep.
Dominicana. Reflejo de ello, es la presencia de un número importante de
indicios metálicos y, en menor proporción, de rocas industriales.
La hoja cuadrante de Bonao a escala 1/100 000, se
sitúa en la zona centro meridional de la República Dominicana. Está constituido
por las Hojas de Hatillo (6172-I) Villa Altagracia (6172-II), Arroyo Caña
(6172-III) y Bonao (6172-IV) a escala 1:50.000.
Su ámbito (superficie) se divide entre las provincias
de San Cristóbal, Sánchez Ramírez, La Vega, Peravía y una pequeña parte
correspondiente al Distrito Nacional.
Desde el punto de vista fisiográfico, la topografía es
accidentada en general presentando los mayores relieves en el sector SW y W con
cotas superiores a los 1,500 m. En el resto dentro de un contexto de relieves
alomados se presentan alineaciones montañosas notables como Siete Cabezas, con
cotas de hasta 1,000 m, Loma Peguera, Loma la Naviza, etc. entre las que se
sitúan valles con cotas de 100 m en los cauces de los ríos. A destacar la planicie
que constituye el Valle de Bonao en fuerte contraste fisiográfico con las alineaciones
de Loma Caribe y con las elevaciones de la parte occidental de la Hoja.
La red hidrográfica está formada por un gran número de
ríos y arroyos en general de cauces caudalosos y encajados. Los ríos más
notables son el Ozama y su afluente La Isabela que desemboca en la capital; el
Yuna que desemboca en la bahía de Samaná, el Haina, el Nizao, Maimón, etc.
La población es abundante, localizándose
preferentemente en los núcleos más destacados; Villa Altagracia, Bonao, Maimón,
Yamasá, Rancho Arriba, así como en multitud de pequeños núcleos distribuidos en
las zonas bajas y accesibles. La economía se basa fundamentalmente en la
agricultura, arroz, cacao, café; menos en la ganadería; también en el sector
minero ya que se localizan en este cuadrante las explotaciones de lateritas
niquelíferas de la compañía Falconbridge Dominicana (Bonao) así como la
explotación aurífera de la mina Pueblo Viejo, perteneciente a la compañía
canadiense Barrick Gold.
c.
Alcance del proyecto
Se pretende desarrollar un algoritmo e implementar mejoras
de uno o varios de los existentes para obtener información de recursos
minerales usando imágenes multiespectrales de Landsat 8. Se trata de un
proyecto complejo de varias etapas y que ameritará trabajar con muchos
algoritmos.
Por razón de la muy baja resolución de imágenes espectrales, es posible
de que un pixel contenga una mezcla de varios elementos al azar.
Se pretende descubrir, también, qué bandas del LANDSAT 8 ofrecen mayor
información sobre minerales.
d.
Productos del proyecto
El entregable de este proyecto estará disponible a
partir de Proyecto 1, y consistirá en los resultados de la investigación, los
algoritmos desarrollados y el análisis de su eficacia en contraste con otros
así como la comparación de nuestra investigación con los informes mineros
publicados anteriormente de la zona analizada.
Para la entrega de Proyecto 2, se pretende optimizar
los procedimientos ya hechos en el previo semestre.
6.
Marco Teórico
Imágenes Multiespectrales
Una imagen Multiespectral es un modelo de la
realidad construido con base en una respuesta espectral de los elementos que
componen una escena y las cuales son captadas por detectores sensibles a un
rango de longitudes de onda del espectro electromagnético.
Para ello se aprovecha el sol como
fuente de radiación y las propiedades que tienen la mayor parte de los cuerpos
en la superficie terrestre de reflejar una parte de esa radiación emitida que a
su vez es captada por un sensor calibrado para trabajar en una franja o banda
del espectro.
Con los programas
espaciales dedicados al estudio de los recursos naturales de la tierra ha sido
posible colocar un conjunto de sensores en un satélite para tener una visión
sinóptica de la misma, éstos sensores trabajan en bandas generalmente del
visible y del infrarrojo, lo que permite medir la respuesta espectral de
cuerpos en la superficie terrestre en diferentes rangos de longitud de onda,
creándose así la imagen de una escena de la tierra en múltiples bandas del
espectro, que es lo que se conoce como imagen multiespectral.
Breve Resumen del
Proyecto Landsat 8
Landsat 8 es un
satélite de observación global de origen estadunidense, y fue lanzado a órbita
el 11 de Febrero del 2013. Oficialmente, el Landsat 8 inició su operación
rutinaria el 30 de Mayo del 2013, cuando la NASA transfirió comando de las
operaciones satelitales hacia la entidad americana U.S. Geological Survey, o USGS.
Al transferir comando,
el nombre del satélite cambió de “Landsat
Data Continuity Mission” a “Landsat 8”. En la actualidad, USGS se encarga
de manejar el equipo de operaciones de vuelo satelital dentro del Mission Operation Center situado en
Goddart Space Flight Center de Nasa, en Greenbelt, Maryland, E.E.U.U. La
transición tuvo una duración de 100 días, cuyo tiempo fue dedicado para
verificaciones de los subsistemas de nave y tierra, y para subir el satélite a
su órbita operacional a 438 millas (705 km) de altura. Análisis de data obtenido durante este
periodo de verificación demuestra que el rendimiento del satélite, los
sensores, y del sistema terrestre correspondiente excede especificaciones anteriormente
planteadas.
Los satélites Landsat están destinados
específicamente a los estudios de recursos naturales, hasta la fecha se han
lanzado al espacio ocho de estos satélites.
Estos satélites cubren en forma
sistemática y repetitiva la superficie de la tierra girando alrededor de ella
cada 103 minutos en una órbita circular, polar, sincrónica con el sol a 920 km
de altura. El 11 de febrero del
2013 fue lanzado el satélite Landsat 8 (cuyo nombre técnico es LDCM: Landsat Data Continuity Mission, Misión
de Continuidad de la Información Landsat) desde la base aérea Vandenberg en
California, gracias a una operación conjunta entre la Administración Nacional
de Aeronáutica y del Espacio (NASA) y el Servicio Geológico de los Estados
Unidos (USGS).
Landsat 8, que
reemplazará a Landsat 5 TM y Landsat 7 ETM+, cuenta con dos instrumentos de
toma de datos: el OLI: Operational
Land Imager, o Generador Operacional de Imágenes de Tierra)
y el TIRS (Thermal Infrared
Sensor, o Sensor Infrarrojo Térmico). Las escenas de Landsat 8 tendrán un total de 11 bandas
espectrales, 9 tomadas por el OLI y 2 por el TIRS. En la siguiente tabla
se describen las principales características de las mismas:
Los
archivos de Landsat 8 rondan los 2 GB, por tener más bandas que sus antecesores,
tratarse de archivos de 12 bits y contener una banda de Valoración de Calidad
(QA), que proporcionará información sobre la “calidad” de determinado píxel,
respecto a anomalías en la toma del dato por problemas de instrumental u otras,
tales como presencia de aerosoles, agua o nieve, etc.
Estos
satélites proporcionan imágenes multiespectrales gratuitas que podrían
utilizarse para nuestro estudio. Las imágenes híperespectrales proporcionan
mucho más información para hacer un análisis muy detallado, pero son muy caras
y cada imagen cubre muy poca área de la superficie terrestre. Por los motivos
antes expuestos se trabajará con las imágenes que proporciona el satélite
LANDSAT 8.
Las
imágenes satelitales de LANDSAT 8 que cubren esta superficie son 2:
Satellite Path: 7, Satellite Row: 47
Satellite Path: 8, Satellite Row: 47
La luz de colores que vemos es el resultado del
reflejo de la luz blanca en los objetos. Es mejor hablar de radiación
electromagnética que de luz, puesto que la luz visible no es más que una parte
de la total.
Cuando se hace una foto se recoge la información
relativa a las intensidades de luz de los tres colores básicos del espectro
visible (rojo, azul y verde), pero sabemos que, en realidad, se podría obtener
información en muchas más zonas del espectro electromagnético y de hecho, los
sensores de los satélites lo hacen.
Los satélites permiten obtener sensores con 7 o más
filtros diferentes o "bandas". Las bandas 1, 2, 3, 4, 5, y 7
son sensibles a la energía de la luz solar reflejada por la superficie de la
Tierra. Cada banda es sensible a una parte distinta de esta radiación, definida
por su longitud de onda. Con esta información es posible estimar la
cantidad de luz reflejada por la superficie terrestre. Mediante análisis
matemático y el procesamiento digital de estas imágenes multiespectrales e híperespectrales
se pueden hacer estimaciones de los objetos, no solo que cubren la superficie,
sino también lo que hay en el sub-suelo.
Las propiedades de reflexión y de absorción, además de
la litología de los suelos, las rocas y la vegetación se pueden analizar
utilizando imágenes multiespectrales para identificar diversas estructuras
minerales. Las diferencias en la absorción y la reflexión se analizan y
traducen en colores asignados diferentes para cada tipo de roca y para cada
grupo de longitudes de onda. Cuando se utilizan bandas del infrarrojo 3, 2 y
1 del Landsat 7, por ejemplo, la vegetación aparece en rojo, nieve y secos
lagos de sal son de color blanco y las rocas expuestas aparecen como marrón,
gris, amarillo y azul. Otras longitudes de onda identifican arcilla, sulfitos y
de carbonita, en base a su cualidades de absorción y reflexión, que luego se
traduce en colores de la imagen final. Aún más longitudes de onda identifican
carbonita y rocas volcánicas.
Bandas donde se obtendría mayor
información
Al
momento de redacción de este documento, en la base de datos de la IEEE sólo
existen dos papers relacionados con
Landsat 8 y ninguno habla entorno a este tema, pero se sabe que ninguna banda
única específica del LANSAT 7 da la
información requerida para lograr los objetivos buscados pero una combinación
de las bandas 7, 4, 1 (RGB) es
ampliamente utilizada en geología por la información que ofrecen en conjunto.
Utiliza las tres bandas menos correlacionadas entre sí. La banda 7, en rojo,
cubre el segmento del espectro electromagnético en el que los minerales
arcillosos absorben, más que reflejar, la energía; la banda 4, en verde, cubre
el segmento en el que la vegetación refleja fuertemente; y la banda 1, en azul, abarca el segmento en el
cual los minerales con óxidos de hierro absorben energía. En el LANDSAT 8 estas
bandas corresponden a las 7, 5 y 2. Se pretende poder detectar la combinación
que nos da mayor información geológica en el LANDSAT 8 y ver cómo se pueden
aprovechar esas nuevas bandas de información que proporciona.
ANÁLISIS
DE IMÁGENES MULTIESPECTRALES
El
análisis de imágenes multiespectrales por computador intenta detectar e identificar
fenómenos importantes en una escena. Una vez identificados los fenómenos, son
visualmente cuantificados y la información utilizada en la solución de un
problema.
El
análisis de las imágenes requiere del conocimiento de las características de
los datos que contiene.
PROCESAMIENTO
DIGITAL
Es posible
almacenar en una computadora una imagen numérica resultado de una
transformación hecha por el detector de la respuesta espectral de cada elemento
de escena para producir una imagen digital escalizada. Como ya es conocido, la
respuesta espectral de cada elemento de escena es captada por el sensor de
acuerdo a la banda del espectro electromagnético para el cual esté calibrado.
En realidad, lo que se hace es almacenar la respuesta espectral en varias
bandas de una misma escena.
CARACTERIZACIÓN
ESTADÍSTICA DE LAS IMÁGENES
Los
datos contenidos en una imagen multiespectral proporcionan abundante información,
sin embargo, para ello es necesario recurrir a la estadística para poder
cuantificar y mejorar las características de la imagen.
Comúnmente
se calculan histogramas, valores mínimos, medio y máximo, entropía, varianza,
desviación típica, covarianza y coeficiente de correlación como parámetros
fundamentales para caracterizar estadísticamente una imagen multiespectral
HISTOGRAMA
DE UNA IMAGEN
Es
la función que representa la frecuencia de ocurrencia de cada uno de los diferentes
niveles de gris (valores radiométricos) en una imagen digital. Puede representarse
en forma numérica o gráfica.
El
rango de los valores discretos que puede tomar un pixel generalmente es ubicado
en el eje de las abscisas, mientras que la frecuencia de ocurrencia de cada uno
de estos valores es desplegada sobre las ordenadas.
Otra
representación común del histograma es desplegar la frecuencia de aparición de
cada uno de los valores radiométricos expresando su porcentaje con respecto al
total y el porcentaje acumulado.
Antes
de aplicar cualquier tipo de proceso a una imagen multiespectral, se acostumbra
a calcular el histograma para cada una de las bandas lo que permite tener una
idea de la calidad de los datos originales. Después de aplicar una técnica de
mejoramiento se calcula de nuevo el histograma para documentar los efectos del
proceso sobre la imagen original.
ENTROPIA
Es
un parámetro que permite medir cuantitativamente la cantidad de información presente
en una imagen. (Grado de desorden de los pixeles o nivel de utilización de los
diferentes niveles de gris).
La
entropía no tiene en cuenta la información que proviene de la distribución espacial
de los pixeles.
VALOR
MÍNIMO
Es
el valor radiométrico (nivel de gris) más bajo encontrado en una imagen
digital.
VALOR
MÁXIMO
Es el valor
radiométrico más alto encontrado en una imagen digital
MEDIA
ARITMÉTICA.
La
media expresa el promedio de los valores radiométricos de la imagen.
VARIANZA
Es
una medida de dispersión o variación de los valores radiométricos de los pixeles
de una imagen alrededor de su media. Si los valores tienden a concentrarse
alrededor de la media la varianza es pequeña,
si los valores tienden a distribuirse lejos de la media, la varianza es grande.
COVARIANZA
Es una medida de
la variación conjunta de los valores de los pixeles en ambas bandas alrededor
de su media común.
COEFICIENTE
DE CORRELACIÓN
Es
una medida de la relación existente entre los valores de los pixeles de dos bandas.
El
coeficiente de correlación toma valores que van entre - 1 y 1.
Un
rxy = 1 indica una relación perfecta entre los valores radiométricos de los pixeles
en las dos bandas (un incremento en el valor de un pixel en una banda, implica
también un incremento igualmente proporcional en la otra banda. Sería el caso
en el cual las dos bandas son iguales).
Un
rxy = -1 indica que una banda está inversamente relacionada a la otra.
Un
rxy = 0 sugiere que no existe alguna relación entre las dos bandas X e Y.
El
que dos bandas estén relacionadas implica que existe redundancia en los datos de
las bandas.
Si
las dos bandas tienen un rxy = 0 significa que no existe ningún tipo
redundancia en los datos de las bandas.
Los
coeficientes rxy son usualmente almacenados en una matriz de correlación, que
resume la relación entre bandas, esta matriz es simétrica con respecto a la diagonal,
es decir que por ejemplo el coeficiente de correlación entre la banda con la
banda 2 es igual al coeficiente de correlación entre banda 2 con banda.
MATRIZ VARIANZA COVARIANZA
La
matriz de covarianza es uno de los más importantes conceptos matemáticos en el
análisis de datos de sensores remotos, donde se observa si existe una correlación
entre las respuestas en un par de bandas espectrales. La varianza y covarianza
se acostumbran a representar en una matriz, donde la diagonal contiene los
valores de la varianza y los elementos fuera de la diagonal serán grandes con
respecto a los de la diagonal si existe mucha correlación. Pero si existe poca
correlación, los elementos fuera de la diagonal serán cercanos a cero. Esta
característica puede también ser observada en términos de la matriz de
correlación.
PROCESAMIENTO DE IMÁGENES
Los
sistemas de sensores remotos introducen algunos errores en el proceso de
captación de datos. Estos errores afectan el análisis de las imágenes. Por esta
razón es necesario pre procesar los datos captados por el sensor, antes de analizarlos.
La
restauración de imágenes permite hacer correcciones de la distorsión, degradación
y ruido introducido durante el proceso de captación de las imágenes.
Para
corregir los datos de la imagen deben ser determinados los errores internos y externos.
Los errores internos son originados por el sensor mismo, son generalmente sistemáticos
(predecibles) y estacionarios (constantes).
Los
errores externos son debidos a perturbaciones de la plataforma y a la variación
de las características de la superficie.
DISTORSIONES
Y CORRECCIONES RADIOMÉTRICAS
Las
distorsiones radiométricas son las que afectan la radiometría de los objetos en
la imagen.
Algunos
de los problemas más frecuentes y el procedimiento para minimizarlos son:
Falta
de una línea
El
mal funcionamiento de un detector puede ocasionar que una línea de barrido aparezca
con valores muy bajos o nulos, es decir que el sensor no capte información
apareciendo en la imagen visual como una línea negra. La corrección a este
error se logra sustituyendo la línea problema por el valor promedio de los pixeles
correspondientes a la línea anterior y posterior.
Efectos atmosféricos
Los
efectos atmosféricos en imágenes de sensores remotos son debidos especialmente
a la atenuación que sufre la radiación en la atmósfera y la dispersión en dicha
radiación. La dispersión es un fenómeno físico que se presenta al penetrar la
radiación visible a la atmósfera, debido a que al chocar con las moléculas de
aire y de aerosol, se dispersa en varias direcciones, de tal manera que una
parte de esta puede ser desviada y nuevamente dirigida al espacio. Es claro que
la dispersión guarda una relación con la longitud de onda, entre más pequeña la
longitud de onda mayor será la dispersión. Por esta razón las imágenes
multiespectrales presentan menos contraste en las bandas correspondientes al
azul y al verde mientras aumenta en las bandas del infrarrojo.
Para
corregir el efecto de este fenómeno, el método más sencillo consiste en comparar
pixeles idénticos en todas las bandas.
Los errores de distorsión también pueden ser
corregidos usando métodos un poco más sofisticados basándose en estadísticas y
en modelos de absorción y dispersión tomando parámetros como humedad relativa,
visibilidad.
Ruidos
Se
entiende por ruido cualquier señal no deseada dentro de una imagen. En imágenes
de sensores remotos hay varios tipos de ruido, entre otros: ruido al azar, ruido
aislado, ruido periódico y estacionario, ruido periódico pero no estacionario.
El
ruido al azar se caracteriza por variaciones estadísticas de los niveles de
gris pixel por pixel. Este ruido puede ser originado en la atmósfera o en los componentes
electrónicos del sistema. Este tipo de ruido es independiente de la señal.
Error de medición de la irradiancia
Es
un error inherente al sensor, ya que éste tiene una determinada precisión para medir
la energía incidente, más allá de la cual el sensor no detecta señales diferentes.
Este tipo de error resulta difícil de corregir por cuanto tendría que cambiarse
la escala de valores radiométricos.
Saturación del detector
Un
detector es sensible a un rango específico de radiación, fuera de este rango en
sensor se satura. Es un error que sólo se presenta cuando se tienen objetos en tierra
que presentan una alta reflectancia.
DISTORSIONES Y CORRECCIONES
GEOMÉTRICAS
Distorsión por rotación de la
tierra
Esta
distorsión se presenta porque la mayoría de las imágenes de sensores remotos
son registradas en forma continua y en el lapso de tiempo durante el cual se forma la imagen, la
tierra se ha desplazado debido a su rotación. Esta es una distorsión geométrica
sistemática pero no es constante, ya que el desplazamiento depende de la
latitud (a menor latitud mayor desplazamiento). Por ejemplo, las imágenes Landsat
con las que trabajaremos deben ser corregidas y por esta razón tienen forma de
paralelogramo. Esta corrección se hace aplicando algoritmos que logren
desplazar grupos de pixeles hacia una nueva dirección.
Dado
que es una distorsión determinística se corrige calculando la velocidad relativa
entre la tierra y el satélite.
Distorsión panorámica
A
medida que se aleja la línea del nadir el tamaño del pixel aumenta. Este tipo
de distorsión se corrige sólo cuando se tiene control terrestre adecuado y se
hace a través del llamado Algoritmo de expansión.
Efecto
de la curvatura terrestre
Afecta el tamaño
del pixel por cuanto a medida que se aleja del nadir el campo de vista
instantáneo el mayor
MEJORAMIENTO
DE IMÁGENES
Mejorar
una imagen consiste en ejecutar un procesamiento numérico para realzar, enfatizar
o suprimir características de la imagen. En este procesamiento se incluye el
mejoramiento del contraste entre objetos, énfasis en límites entre los diferentes
tipos de cobertura terrestre y también sirve para suprimir características no
deseadas en la imagen.
Se
han desarrollado diversas técnicas que de acuerdo al tipo de operación que ejecuta
sobre el pixel se pueden clasificar en puntuales y locales. El valor del pixel en
la primera es modificado en forma independiente de los demás y en la segunda depende
del valor que tengan los pixeles vecinos.
MEJORAMIENTO DEL CONTRASTE
Consiste
en la aplicación de procedimientos que realzan el contraste visual en la imagen.
Se utiliza una función definida por el usuario.
TRATAMIENTO CONJUNTO DE BANDAS
Trabajar con bandas individuales proporciona resultados útiles en
la interpretación, sin embargo, es posible mejorar estos resultados cuando se
incorpora información proveniente de varias bandas en forma simultánea por
cuanto existe un mayor aporte de datos. Es aquí donde las imágenes
multiespectrales demuestran su potencialidad para generar nuevas imágenes que
recogen el resultado de un análisis conjunto de datos que aunque aparentemente
se encuentra desmembrado en diferentes bandas del espectro, tiene una relación
estrecha, que como tal debe ser aprovechada. El tratamiento conjunto de las
bandas como tal, no implica que se tenga que trabajar con todas las bandas
disponibles, sino con aquellas que están menos correlacionadas con el fin de
que el aporte de información sea más significativo.
Existen múltiples operaciones que se pueden aplicar a las bandas
entre ellas operaciones matemáticas, como adición, sustracción, producto,
división y algunas combinaciones de las anteriores como el caso de índice de
vegetación. Otras operaciones son las de tipo lógico, entre las cuales se
encuentra la composición a color. También se pueden aplicar a las imágenes cierto
tipo de transformaciones que facilitan el análisis de los datos, entre ellas
están las transformada de Karhunen-Loeve y la transformada de Fourier, muy
utilizadas en imágenes de sensores remotos.
COMPOSICIÓN EN COLOR
Los
monitores de los computadores despliegan los colores basados solamente en tres
colores primarios el rojo, verde y azul, con los cuales construye otra serie de
colores, que dependen del porcentaje que aporte cada uno de ellos.
La
composición en color es un proceso mediante el cual se crea una nueva imagen
basado en la combinación de 3 bandas.
En
general este proceso se conoce como composición en falso color debido a que el
resultado difiere de los colores naturales, ya sea porque el monitor no alcanza
el número de colores, o porque no hay una correspondencia entre el rango de frecuencias
de la banda asignada y el color que está representando su aporte.
ANÁLISIS EN COMPONENTES PRINCIPALES
También
denominado factor KL o Transformador Karhunen-Locue. Tiene un significado
especial en el análisis de datos de Sensores Remotos. La transformación de los
datos usando CP puede resaltar imágenes en una nueva componente principal que a
menudo son más fáciles de interpretar que los datos originales.
Para
ejecutar la descomposición en CP, se aplica una transformación al conjunto de
datos correlacionados, es decir eliminando la redundancia de información y correlación
entre bandas, se consigue la reducción en la dimensionalidad de la imagen
multiespectral.
La
posición de un pixel en un espacio multiespectral puede ser descrita por vectores
cuyos componentes son respuestas espectrales en cada banda.
CLASIFICACIÓN
DE IMÁGENES MULTIESPECTRALES
Es
posible analizar datos captados por sensores remotos de la tierra y extraer información
temática útil. Uno de los métodos más utilizados para la extracción de información
es la Clasificación Multiespectral. Este procedimiento asume que la imagen de
un área geográfica específica es agrupada en múltiples regiones del espectro
electromagnético y que están registradas en las imágenes.
La
clasificación multiespectral es un concepto del procesamiento digital de imágenes
que contempla los procedimientos mediante los cuales un computador puede
agrupar los pixeles de una imagen de acuerdo a categorías o clases dentro de un
espacio multiespectral. Este proceso incluye la determinación de un criterio de
decisión que pueda usar un computador para asignar a un objeto determinado una
clase específica con base en reglas de clasificación.
Existen
dos enfoques principales para la determinación de las características espectrales
de todos los tipos de cobertura del terreno en los cuales se clasifican los
datos y estos son el método supervisado y el no supervisado.
CLASIFICACIÓN SUPERVISADA
Dentro
de la clasificación supervisada la identidad y localización de algunos de los tipos
de cobertura tanto urbana, agrícola y forestal son conocidos a priori a través de
una combinación de trabajos de campo, análisis de fotografías aéreas, mapas y experiencias
personales. Los análisis previos para localizar sitios específicos en los datos
de sensores remotos, que representan ejemplos homogéneos de éstas, son
comúnmente conocidos como áreas de entrenamiento en razón de que las características
espectrales de estas áreas conocidas son utilizadas para "entrenar" un
algoritmo de clasificación. Los parámetros estadísticos multivariados (media, desviación
estándar, matriz de covarianza, matriz de correlación) son calculados para cada
sitio de entrenamiento, para luego evaluar cada pixel de la imagen, compararlo
y asignarlo a una respectiva clase.
Los
principales aspectos que deben considerarse para orientar una clasificación supervisada
son:
1. Adoptar
un esquema de clasificación ordenado.
2. Seleccionar
áreas de entrenamiento representativas.
3. Extraer
las estadísticas de los datos espectrales del área de entrenamiento
4. Analizar
las estadísticas para seleccionar los datos que ofrezcan mayores ventajas
(bandas) en el proceso de clasificación.
5. Seleccionar
el algoritmo de clasificación adecuado
6. Clasificar
la imagen en n clases
7. Evaluar
estadísticamente la exactitud de la clasificación
En
este análisis se pueden utilizar mapas temáticos, fotografías aéreas, trabajos de
campo, experiencia previa, etc.
Selección de algoritmos apropiados
para la clasificación supervisada
Muchos
algoritmos fueron propuestos para responder a la pregunta de cómo asociar un
punto desconocido con cada información de clase.
Para
escoger un algoritmo particular o regla de decisión, se debe tener en cuenta la
naturaleza de los datos de entrada y lo que se desea obtener como resultado.
Los
algoritmos de clasificación paramétricos asumen que las medidas de los vectores
observados Xc obtenidos para cada clase, en cada banda espectral en la zona de
entrenamiento de la clasificación supervisada son de naturaleza
Gaussiana
(es decir, están normalmente distribuidos). Los algoritmos de clasificación no
paramétricos no asumen esta situación. Esta es una regla para revisar la lógica
de algunos de los clasificadores.
Entre
los clasificadores más frecuentemente usados están los de: Paralelepípedo, distancia
mínima y máxima verosimilitud.
Máxima probabilidad
El
clasificador de máxima verosimilitud evalúa cuantitativamente la varianza y correlación
de la respuesta espectral del patrón de la muestra de entrenamiento cuando
clasifica un pixel desconocido. Para realizar esto se asume que la distribución
de los puntos de una categoría de una zona de entrenamiento es
Gaussiana
(es decir, que su distribución es normal). Esto es razonable generalmente para
distribuciones espectrales de clases de entrenamiento comunes. En consecuencia,
la misma puede ser descrita por medio del vector promedio y la materia de
parámetros de covarianza.
El
principal inconveniente del clasificador de máxima verosimilitud es el gran número
de cómputos que se requieren para clasificar cada pixel. Esta complejidad hace
que el proceso de clasificación sea lento y más costoso que las técnicas más
sencillas. Mientras más costosa sea la técnica de clasificación de máxima
verosimilitud, es generalmente de mayor exactitud.
Intuitivamente
pareciera que cuando se utiliza un mayor número de bandas en un clasificador de
máxima verosimilitud, el resultado de la clasificación es mejor.
Pero
generalmente, hay un número óptimo relativamente pequeño que se utiliza.
Pues
al aumentarse el número de bandas, el tiempo computacional requerido dada la
gran cantidad de cálculos involucrados, aumenta y también porque el contenido
de la información puede estar contaminada por información insignificante en
otras bandas.
Este
problema es particularmente crítico, cuando se utilizan un número grande de
bandas espectrales correlacionadas. Se ha encontrado en algunos casos que la
exactitud del clasificador de máxima verosimilitud comienza a decaer cuando se
utilizan más de cuatro o cinco bandas espectrales, es beneficioso el considerar
un subconjunto de las bandas más representativas.
La
decisión sobre cuál de las bandas se debe utilizar se basa en un proceso llamado
selección de rasgos o características. En este proceso se evalúan muchos
subconjuntos de bandas para así determinar cuál combinación es más útil para
discriminar las categorías de intereses y el análisis de la clasificación se
limita a ese conjunto de bandas.
CLASIFICACIÓN NO SUPERVISADA
En
este método los tipos de cobertura no se conocen bien porque falta trabajo de campo
o porque las características espectrales de la superficie no están claramente
definidas en la imagen. El computador es orientado para que agrupe (cluster) los pixeles en diferentes
clases de acuerdo con un cierto criterio estadístico.
En
este enfoque los parámetros estadísticos que determinan las clases de entrenamiento
se determina mediante la selección de campos heterogéneos que contienen tantas
relaciones espectrales diferentes como sean posibles y entonces se usa un
algoritmo aglutinante para agrupar automáticamente los pixeles de características
espectrales similares en un número de clases de grupos separables
espectralmente. No se requiere conocer a priori la identidad del agrupamiento
(entrenamiento) y quizás una de las características más importantes de este
método es que no solo determina los tipos de cobertura pura del terreno, en una
zona, sino también las clases mezcladas que se presentan usualmente en un grupo
de datos Landsat. Por consiguiente, se obtiene una representación más cercana
de los agrupamientos espectrales naturales de una zona mediante el enfoque no
supervisado.
Evaluación de los resultados de la
clasificación
Para
que una clasificación multiespectral sea de utilidad práctica es necesario determinar
su exactitud y confiabilidad. Usando el análisis numérico es posible evaluar
cuantitativamente el grado de exactitud de una clasificación multiespectral.
Una imagen es una señal y su
análisis es también parte de nuestra carrera. Para lograr el objetivo planteado
se utilizarán diversas herramientas de Procesos Estocásticos, Señales y
Sistemas, Comunicaciones Digitales, etc. Entre estas herramientas se pueden
enunciar las siguientes:
Transformada discreta, rápida y
continua de Fourier.
Transformada Karhunen-Loeve (KL)
Una imagen multiespectral podría
modelarse como un conjunto de procesos aleatorios conjuntamente gaussianos.
Filtrado de Bandas y sub-bandas.
Funciones de correlación y auto
correlación.
Transformadas Espectral-Espacial y
Espacial-Espectral.
Transformada Espacial-Espectral
Compleja.
Transformada Z, y muchas más
herramientas.
First-order Gauss Markov random field
model.
11.
Procedimiento
1.
Obtención de las imágenes satelitales
Esta
sección abarca instrucciones sobre cómo adquirir imágenes de alta resolución
LANDSAT 8 de cualquier área en el mundo.
La
aplicación Google Earth facilita este proceso. Instalando Google Earth fue el
primer paso. En su sitio web, USGS provee un archivo .kml (Imagen 1) que provee
anotación geográfica para programas de vista satelital, como es Google Earth.
Imagen 3.
Fuente del archivo .kml en el sitio web de USGS.
Imagen 4. Archivo .kml obtenido del sitio web USGS, y
descargado.
Abrir
este archivo .kml con Google Earth muestra un overlay, o capa, por encima de la vista satelital de la aplicación,
la cual identifica la imagen satelital correspondiente a esa área en específico
(Imagen 3).
Imagen 5.
Identificador de imagen satelital (Path 7, Row 47) para fines de descarga de la
misma.
Se
necesita hacer click en el recuadro identificador etiquetado “Path 7, Row 47” (Imagen 4), lo cual
abrirá una ventana con detallada información sobre la imagen satelital que
estaremos descargando.
Imagen 6.
Ventana de información sobre opciones de descarga de imágenes Landsat.
Esta
nueva ventana provee cuatro (4) opciones (:
·
Ver imagen
[satelital] en el mapa [de Google Earth]
·
Descargar Imagen
Landsat para vista rápida (jpeg ≈ 5
mb)
·
Descargar
productos adicionales (requiere registración)
·
Buscar otras
imágenes L8 sobre las coordenadas actuales Path
7 Row 47
Imagen 7.
Opciones de descarga de imágenes Landsat 8.
Previo
a descargar las imágenes, nos pide ingresar a la página web USGS con nombre de
usuario y contraseña (Imagen 6).
Imagen 8.
Página de ingreso de usgs.gov.
Ingresamos
nuestro usuario y contraseña deseada en los campos definidos (Imagen 7).
Imagen 9. Ingreso de usuario y contraseña en la página
usgs.gov.
En
el segundo paso, nos muestra que ingrese información de uso de la data. Esto
es, que ingresara información sobre cómo usaremos la información descargada
(Imagen 8).
Imagen 10.
Información de uso de la data, requerido en el proceso de registración del
sitio web usgs.gov.
El
tercer y penúltimo paso, nos pide nuestra información personal, como se nota en
la imagen siguiente (Imagen 9).
Imagen 11.
Ingresando información de usuario en el proceso de registración del sitio web
usgs.gov.
Al
confirmar la información ingresada, nos encontramos logueados a la página
usgs.gov.
Imagen 12. Ya
ingresado al sistema de usgs.gov.
Regresando
a los pasos descritos en la Imagen 4 y la Imagen 5, donde nos muestra el
recuadro de la imagen Landsat que queremos descargar, le damos click nuevamente
al enlace “Search for more L8 Images over Path 7 Row 7”, el cual nos muestra un
formulario de búsqueda, y nos permite buscar dentro de un rango de días en
específico.
Optamos
por bajar la imagen con fecha más reciente que estaba disponible en el
servidor, la cual está compuesta por doce (12) bandas y un archivo de texto de
metadata, la cual está relacionada a la imagen descargada (Imagen 11).
Imagen
13. Imagen multiespectral Landsat 8 con sus
respectivas bandas, y un archivo texto que contiene información meta (meta-data), la cual describe parámetros
y condiciones relacionadas a la imagen.
DEFINICIONES DE TÉRMINOS DEL ARCHIVO METADATA
El archivo meta-data contiene una
estructura la cual está dividida en grupos y subgrupos (grupos padres y grupos
hijos) de información. El grupo raíz, llamado “L1_METADATA_FILE” contiene los
demás grupos dentro de él.
GROUP
= L1_METADATA_FILE
// El primer subgrupo es nombrado “METADATA_FILE_INFO”,
y contiene información básica de información del archivo, tal como el origen de
la imagen, que en el caso de la imagen LandSat 8 es la USGS; también se
encuentra la variable de número de identificación, fecha de captura, y versión
de software de procesamiento.
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "0101402106818_00001"
LANDSAT_SCENE_ID = "LC80070472013359LGN00"
FILE_DATE = 2014-02-10T16:58:38Z
STATION_ID = "LGN"
PROCESSING_SOFTWARE_VERSION = "LPGS_2.3.0"
END_GROUP = METADATA_FILE_INFO
// Dentro del grupo llamado
“PRODUCT_METADATA”, observamos que nos provee información relacionada con tipos
de formato de las bandas de la imagen multiespectral, y los nombres asociados a
estas bandas.
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1T"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
SPACECRAFT_ID = "LANDSAT_8"
SENSOR_ID = "OLI_TIRS"
WRS_PATH = 7
WRS_ROW = 47
NADIR_OFFNADIR = "NADIR"
TARGET_WRS_PATH = 7
TARGET_WRS_ROW = 47
DATE_ACQUIRED = 2013-12-25
SCENE_CENTER_TIME = 15:04:01.6130145Z
CORNER_UL_LAT_PRODUCT = 19.83130
CORNER_UL_LON_PRODUCT = -70.87242
CORNER_UR_LAT_PRODUCT = 19.84085
CORNER_UR_LON_PRODUCT = -68.68675
CORNER_LL_LAT_PRODUCT = 17.72026
CORNER_LL_LON_PRODUCT = -70.84924
CORNER_LR_LAT_PRODUCT = 17.72872
CORNER_LR_LON_PRODUCT = -68.69064
CORNER_UL_PROJECTION_X_PRODUCT = 303900.000
CORNER_UL_PROJECTION_Y_PRODUCT = 2193900.000
CORNER_UR_PROJECTION_X_PRODUCT = 532800.000
CORNER_UR_PROJECTION_Y_PRODUCT = 2193900.000
CORNER_LL_PROJECTION_X_PRODUCT = 303900.000
CORNER_LL_PROJECTION_Y_PRODUCT = 1960200.000
CORNER_LR_PROJECTION_X_PRODUCT = 532800.000
CORNER_LR_PROJECTION_Y_PRODUCT = 1960200.000
PANCHROMATIC_LINES = 15581
PANCHROMATIC_SAMPLES = 15261
REFLECTIVE_LINES = 7791
REFLECTIVE_SAMPLES = 7631
THERMAL_LINES = 7791
THERMAL_SAMPLES = 7631
FILE_NAME_BAND_1 = "LC80070472013359LGN00_B1.TIF"
FILE_NAME_BAND_2 = "LC80070472013359LGN00_B2.TIF"
FILE_NAME_BAND_3 = "LC80070472013359LGN00_B3.TIF"
FILE_NAME_BAND_4 = "LC80070472013359LGN00_B4.TIF"
FILE_NAME_BAND_5 = "LC80070472013359LGN00_B5.TIF"
FILE_NAME_BAND_6 = "LC80070472013359LGN00_B6.TIF"
FILE_NAME_BAND_7 = "LC80070472013359LGN00_B7.TIF"
FILE_NAME_BAND_8 = "LC80070472013359LGN00_B8.TIF"
FILE_NAME_BAND_9 = "LC80070472013359LGN00_B9.TIF"
FILE_NAME_BAND_10 = "LC80070472013359LGN00_B10.TIF"
FILE_NAME_BAND_11 = "LC80070472013359LGN00_B11.TIF"
FILE_NAME_BAND_QUALITY = "LC80070472013359LGN00_BQA.TIF"
METADATA_FILE_NAME = "LC80070472013359LGN00_MTL.txt"
BPF_NAME_OLI = "LO8BPF20131225145305_20131225153629.02"
BPF_NAME_TIRS = "LT8BPF20131225144911_20131225153722.02"
CPF_NAME = "L8CPF20131001_20131231.04"
RLUT_FILE_NAME = "L8RLUT20130211_20431231v09.h5"
END_GROUP
= PRODUCT_METADATA
En
el grupo llamado “IMAGE_ATTRIBUTES”, se encuentra información imprescindible
sobre las variables que se estarán utilizando en la parte de pre-procesamiento
y procesamiento de la imagen final. Entre estas variables se destaca la
información de la variable del ángulo Azimut (SUN_AZIMUTH), el cual se mide en
sentido horario desde el Norte; el ángulo de elevación del sol (SUN_ELEVATION),
y la distancia desde el sol y la tierra (EARTH_SUN_DISTANCE). En el caso del
ángulo Zenit, el cual la imagen Landsat no provee, se calcula con la fórmula
siguiente:
donde
representa el ángulo Zenit, y
el ángulo de elevación del sol.
Figura 2. Descripción detallada de
los ángulos Azimut, de elevación, y de Zenit.
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 8.16
IMAGE_QUALITY_OLI = 9
IMAGE_QUALITY_TIRS = 9
ROLL_ANGLE = -0.001
SUN_AZIMUTH = 150.09884705
SUN_ELEVATION = 41.95373804
EARTH_SUN_DISTANCE = 0.9835172
GROUND_CONTROL_POINTS_MODEL = 254
GEOMETRIC_RMSE_MODEL
= 7.579
GEOMETRIC_RMSE_MODEL_Y = 5.906
GEOMETRIC_RMSE_MODEL_X
= 4.750
GROUND_CONTROL_POINTS_VERIFY = 75
GEOMETRIC_RMSE_VERIFY = 4.300
END_GROUP = IMAGE_ATTRIBUTES
// Otro conjunto importante de datos que
serán utilizados en el pre-procesamiento de las imágenes LandSat8 son los del
grupo llamado “MIN_MAX_RADIANCE”, cuya información representa los niveles
mínimo y máximo de Radiancia encontrados para cada banda de la imagen
multiespectral.
GROUP = MIN_MAX_RADIANCE
RADIANCE_MAXIMUM_BAND_1 = 785.75189
RADIANCE_MINIMUM_BAND_1 = -64.88765
RADIANCE_MAXIMUM_BAND_2 = 804.61951
RADIANCE_MINIMUM_BAND_2 = -66.44574
RADIANCE_MAXIMUM_BAND_3 = 741.45001
RADIANCE_MINIMUM_BAND_3 = -61.22918
RADIANCE_MAXIMUM_BAND_4 = 625.23242
RADIANCE_MINIMUM_BAND_4 = -51.63190
RADIANCE_MAXIMUM_BAND_5 = 382.61105
RADIANCE_MINIMUM_BAND_5 = -31.59615
RADIANCE_MAXIMUM_BAND_6 = 95.15189
RADIANCE_MINIMUM_BAND_6 = -7.85767
RADIANCE_MAXIMUM_BAND_7 = 32.07128
RADIANCE_MINIMUM_BAND_7 = -2.64846
RADIANCE_MAXIMUM_BAND_8 = 707.59100
RADIANCE_MINIMUM_BAND_8 = -58.43310
RADIANCE_MAXIMUM_BAND_9 = 149.53308
RADIANCE_MINIMUM_BAND_9 = -12.34849
RADIANCE_MAXIMUM_BAND_10 = 22.00180
RADIANCE_MINIMUM_BAND_10 = 0.10033
RADIANCE_MAXIMUM_BAND_11 = 22.00180
RADIANCE_MINIMUM_BAND_11 = 0.10033
END_GROUP = MIN_MAX_RADIANCE
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 1.210700
REFLECTANCE_MINIMUM_BAND_1 = -0.099980
REFLECTANCE_MAXIMUM_BAND_2 = 1.210700
REFLECTANCE_MINIMUM_BAND_2 = -0.099980
REFLECTANCE_MAXIMUM_BAND_3 = 1.210700
REFLECTANCE_MINIMUM_BAND_3 = -0.099980
REFLECTANCE_MAXIMUM_BAND_4 = 1.210700
REFLECTANCE_MINIMUM_BAND_4 = -0.099980
REFLECTANCE_MAXIMUM_BAND_5 = 1.210700
REFLECTANCE_MINIMUM_BAND_5 = -0.099980
REFLECTANCE_MAXIMUM_BAND_6 = 1.210700
REFLECTANCE_MINIMUM_BAND_6 = -0.099980
REFLECTANCE_MAXIMUM_BAND_7 = 1.210700
REFLECTANCE_MINIMUM_BAND_7 = -0.099980
REFLECTANCE_MAXIMUM_BAND_8 = 1.210700
REFLECTANCE_MINIMUM_BAND_8 = -0.099980
REFLECTANCE_MAXIMUM_BAND_9 = 1.210700
REFLECTANCE_MINIMUM_BAND_9 = -0.099980
END_GROUP = MIN_MAX_REFLECTANCE
GROUP = MIN_MAX_PIXEL_VALUE
QUANTIZE_CAL_MAX_BAND_1 = 65535
QUANTIZE_CAL_MIN_BAND_1 = 1
QUANTIZE_CAL_MAX_BAND_2 = 65535
QUANTIZE_CAL_MIN_BAND_2 = 1
QUANTIZE_CAL_MAX_BAND_3 = 65535
QUANTIZE_CAL_MIN_BAND_3 = 1
QUANTIZE_CAL_MAX_BAND_4 = 65535
QUANTIZE_CAL_MIN_BAND_4 = 1
QUANTIZE_CAL_MAX_BAND_5 = 65535
QUANTIZE_CAL_MIN_BAND_5 = 1
QUANTIZE_CAL_MAX_BAND_6 = 65535
QUANTIZE_CAL_MIN_BAND_6 = 1
QUANTIZE_CAL_MAX_BAND_7 = 65535
QUANTIZE_CAL_MIN_BAND_7 = 1
QUANTIZE_CAL_MAX_BAND_8 = 65535
QUANTIZE_CAL_MIN_BAND_8 = 1
QUANTIZE_CAL_MAX_BAND_9 = 65535
QUANTIZE_CAL_MIN_BAND_9 = 1
QUANTIZE_CAL_MAX_BAND_10 = 65535
QUANTIZE_CAL_MIN_BAND_10 = 1
QUANTIZE_CAL_MAX_BAND_11 = 65535
QUANTIZE_CAL_MIN_BAND_11 = 1
END_GROUP = MIN_MAX_PIXEL_VALUE
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 1.2980E-02
RADIANCE_MULT_BAND_2 = 1.3292E-02
RADIANCE_MULT_BAND_3 = 1.2248E-02
RADIANCE_MULT_BAND_4 = 1.0328E-02
RADIANCE_MULT_BAND_5 = 6.3205E-03
RADIANCE_MULT_BAND_6 = 1.5718E-03
RADIANCE_MULT_BAND_7 = 5.2980E-04
RADIANCE_MULT_BAND_8 = 1.1689E-02
RADIANCE_MULT_BAND_9 = 2.4702E-03
RADIANCE_MULT_BAND_10 = 3.3420E-04
RADIANCE_MULT_BAND_11 = 3.3420E-04
RADIANCE_ADD_BAND_1 = -64.90063
RADIANCE_ADD_BAND_2 = -66.45903
RADIANCE_ADD_BAND_3 = -61.24143
RADIANCE_ADD_BAND_4 = -51.64222
RADIANCE_ADD_BAND_5
= -31.60247
RADIANCE_ADD_BAND_6 = -7.85925
RADIANCE_ADD_BAND_7 = -2.64899
RADIANCE_ADD_BAND_8 = -58.44479
RADIANCE_ADD_BAND_9 = -12.35096
RADIANCE_ADD_BAND_10 = 0.10000
RADIANCE_ADD_BAND_11 = 0.10000
REFLECTANCE_MULT_BAND_1 = 2.0000E-05
REFLECTANCE_MULT_BAND_2 = 2.0000E-05
REFLECTANCE_MULT_BAND_3 = 2.0000E-05
REFLECTANCE_MULT_BAND_4 = 2.0000E-05
REFLECTANCE_MULT_BAND_5 = 2.0000E-05
REFLECTANCE_MULT_BAND_6 = 2.0000E-05
REFLECTANCE_MULT_BAND_7 = 2.0000E-05
REFLECTANCE_MULT_BAND_8 = 2.0000E-05
REFLECTANCE_MULT_BAND_9 = 2.0000E-05
REFLECTANCE_ADD_BAND_1 = -0.100000
REFLECTANCE_ADD_BAND_2 = -0.100000
REFLECTANCE_ADD_BAND_3 = -0.100000
REFLECTANCE_ADD_BAND_4 = -0.100000
REFLECTANCE_ADD_BAND_5 = -0.100000
REFLECTANCE_ADD_BAND_6 = -0.100000
REFLECTANCE_ADD_BAND_7 = -0.100000
REFLECTANCE_ADD_BAND_8 = -0.100000
REFLECTANCE_ADD_BAND_9 = -0.100000
END_GROUP = RADIOMETRIC_RESCALING
GROUP = TIRS_THERMAL_CONSTANTS
K1_CONSTANT_BAND_10 = 774.89
K1_CONSTANT_BAND_11 = 480.89
K2_CONSTANT_BAND_10 = 1321.08
K2_CONSTANT_BAND_11 = 1201.14
END_GROUP = TIRS_THERMAL_CONSTANTS
GROUP = PROJECTION_PARAMETERS
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 19
GRID_CELL_SIZE_PANCHROMATIC = 15.00
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"
END_GROUP = PROJECTION_PARAMETERS
END_GROUP = L1_METADATA_FILE
END
Preprocesamiento
Bandas a
pre-procesar:
Para nuestro objetivo de detección de minerales se
trabajará en el preprocesamiento de las bandas 2, 3, 4, 5, 6, 7 y 9 de las 11
bandas con las que se cuenta en una imagen multiespectral del LANDSAT 8.
Banda 1: Fue añadida a petición de investigadores del
color del océano para aplicaciones marítimas. (http://landsat.gsfc.nasa.gov/pdf_archive/20101119_LDCMbrochure.pdf) No será útil para nuestros fines.
Banda 8: Una escena NIR Landsat 8 en la banda 8
prácticamente no posee valores de reflectancia por encima de cero y ninguna
escena de las preprocesadas present valores de reflectancia mayores a 0, 01(1%)
que es la reflectancia mínima realista. Por tal motivo esta banda se dejó tal
cual como fue recibida.
Bandas 10 y 11: Estas Bandas corresponden al
infrarrojo de longitude de onda larga. Son captadas con un sensor de infrarrojo
termal y usadas para aplicaciones donde la temperatura es una variable
influyente. Para nuestro objetivo no seran
utilizadas por lo que no fueron preprocesadas.
Corrección Radiométrica de la
Imagen
Debido a que el satélite con el sensor se encuentra situado a una altura
de unos 705 Km, la respuesta radiométrica que le llega desde la superficie se
modifica a consecuencia de su paso por la atmósfera. Uno de los efectos más
importantes de la atmósfera en las radiaciones visibles e infrarrojas próximas
es debido a la dispersión producida por las moléculas de los gases (dispersión
de Rayleigh). (Ver marco teórico).
Tres
mecanismos de corrección Radiométrica han sido aplicados a la imagen a
procesar:
1. Histogram
Minimum Method
2. DOS
3. COST
Histogram
Minimum Method (Campbell, 1987)
En
primera instancia se procedió a hacer una mejora a la imagen tomando en cuenta
solo los valores oscuros en esta. Se eligió un valor mayor a por lo menos 100 números
digitales(DN) en la imagen usando la parte baja del histograma de cada banda.
Imagen 14. Histograma banda 5 (NIR)
realizado en MATLAB
Este método se limita a substraer en cada
banda el valor mínimo observado, ya que se supone que en una escena siempre
pueden existir algunos pixeles en sombra total, que en ausencia de atmósfera no
recibirían ni deberían reflejar ninguna energía de procedencia solar.
Imagen 15. Banda 2 como se recibió del satélite
Imagen 16. Banda 2 preprocesada con el método de los valores
mínimos del histograma.
Los
resultados no fueron los mejores debido a que no se tomaron en cuenta elementos
que afectan la imagen como lo es el ángulo de elevación entre el satélite y el
sol al momento de la toma de la imagen y la distancia de la Tierra al Sol ese día.
Imagen 17. Calculando Scatter, imagen de gisagmaps.
La
reflectancia es la relación entre la cantidad de radiación total reflejada y la
cantidad de radiación total que entra gracias a la influencia del sol.
DOS (Dark Object Subtraction)
Partimos
de la ecuación de reflectancia propuesta por Chávez en 1988
Lsatrad
es la radiancia en el sensor del satélite. Las imágenes de los satélites
Landsat presentan los valores de los pixels en format de números digitales
(DN). Estos valores van desde 0 hasta 65535. Los DNs se deben convertir a
radiancia esto se hace con en una ecuación basada en algunos valores presents
en el archive .MTL suministrado por la NASA (específicamente la USGS) junto con
la imagen. La ecuación suministrada por la USGS para este objetivo es la
siguiente:
Donde,
ML:
Factor de re-escalamiento multiplicativo de cada banda (RADIANCE_MULT_BAND_x, donde x es la banda a preprocesar)
Qcal
: Valor del pixel cuantizado y calibrado (DN).
AL:
Factor de re-escalamiento aditivo de cada banda (RADIANCE_ADD_BAND_x,
donde x es la banda a preprocesar)
Lhaze1%rad: Este componente representa la
cantidad de radiación que se incrementa de forma incorrecta debido a los
efectos de la distorsión atmosférica. Como la radiación solar viaja por el
espacio, atraviesa la atmosfera terrestre y hay partículas en esta que reflejan
luz al sensor del satélite, aumentando de forma errónea el valor de radiancia
real. La teoría detrás de este método es que en una escena cualquiera e Landsat
con millones de pixeles debería haber por lo menos algunos que no reflejen
ninguna radiancia (que sean negros) y que el valor de dicho pixel es mayor que
cero debido al efecto de dispersión atmosférica. Sin embargo debido a que muy
pocos objetos en la superficie de la tierra son absolutamente negros Chávez en
1996 demostró que una reflectancia mínima del 1 por ciento es mejor que la del
cero por ciento.
Hay varios métodos para elegir el valor de dispersión
que debería ser el de reflectancia de 0%. Nosotros utilizamos el método del
valor mínimo del histograma descrito anteriormente eligiendo el valor de pixel
número 100 ordenados de menor a mayor y despreciando los ceros.
Despejando de la ecuación original:
TAUz es
asumido como 1 para Landsat para fines de corrección atmosférica por lo que no
afectará el resultado y no es necesario tomarlo en cuenta.
Los
valores de ESUN son proporcionados por la USGS y son los siguientes:
d2: Cuadrado de la distancia de la tierra
al sol al momento en que se tomó la imagen.
Π = 3.14159265.
COST
COST fue una mejora realizada por Chávez en el 1996 a
el método DOS incluyendo un factor en la ecuación para para aumentar el valor
de reflectancia real ya que se dió cuenta que DOS permitía valores de
reflectancia menores que los reales en Landsat 5 y 7. La ecuación para
reflectancia del COST es:
Para Landsat, TAUz coincide con
por lo que la ecuación
resultante sería:
Conclusiones en la parte de pre-procesamiento
COST ha sido el algoritmo que ha funcionado mejor para
la corrección de imágenes de LANDSAT 5 y LANDSAT 7. COST se trata realmente de
una mejora de DOS hecha en 1996 por Chávez a el algoritmo de corrección que
hasta ese momento daba mejores resultados, el DOS(Dark Object Substraction). Para
la mejora Chávez agregó un factor de coseno del angulo Zenith (Ver Marco Teórico).
La razón de esto era que el modelo de DOS calculaba valores de reflectancia
mayore a los reales en cada pixel de cada banda. Con ese factor coseno en el
COST se mejora el cálculo de reflectacia y los valores son más precisos.
En nuestro caso trabajamos con Landsat 8. De este satélite
hay pocos estudios realizados (En la base de datos de la IEEE solo hay dos
papers relacionados a Landsat 8 al momento de redacción de este documento) y no
se puede asumir que los modelos de LANDSAT 7 y Landsat 5 se adaptan igual a las
nuevas imágenes.
Se implementaron las tres técnicas de
preprocesamiento. Los resultados se muestran a continuacion:
Imagen 18 Imagen como fue recibida de Landsat 8
Imagen 19 Imagen RGB por el método de los valores mínimos del histograma
Imagen 20 Imagen preprocesada con DOS
Imagen 21. Imagen preprocesada con COST
Al
observar las imágenes resultantes con DOS y COST en RGB (Se presenta el RGB
para ver las diferencias en los resultados) se observa que los resultados del
DOS parecen ser mucho mejores que los del COST en cuya imagen se pierden muchos
detalles y se va gran parte a negro. El peor método es el de los valores
mínimos del histograma como se esperaba.
La imagen anterior explica el hecho de que para
Landsat 8 la corrección radiométrica usando DOS (Chávez 1988) sea mejor que
usando COST(Chávez 1996). El punto es que Landsat 8 sensa valores de longitud
de onda del espectro electromagnetico más altos. Si recurrimos a la naturaleza
fotónica de la luz obsevaremos que la física cuántica explica que a longitudes
de onda menores hay mayor energía por lo que la reflectancia será mayor. Como
el factor coseno del ángulo Zenith introducido en COST aumenta los valores en
el cálculo de la reflectancia, al Landsat 8 tener valores de reflectancia menor
COST producirá imágenes con valores de números digitales más pequeños (oscuros)
que los reales.
El grupo de estudio de ArcGis concuerda con nuestra
conclusión. Ellos afirman que basados en los valores de reflectancia
principalmente de las bandas en infrarrojo DOS debería ser el método de
corrección atmosférica utilizado para Landsat 8.
Valores de Reflectancia de cada Banda
Banda
2:
8.21%
DOS
12.28%
COST
Banda
3
4.17%
DOS
6.24%
COST
Banda
4
2.35%
DOS
3.51%
COST
Banda
5
0.85%
DOS
1.28%
COST
Banda
6
0.08675%
DOS
1.3%
COST
Banda
7
0.02094%
DOS
0.03132%
COST
Banda
9
-0.07180%
DOS
-0.11%
COST
Procesamiento de la imagen
Tabla
#1: Información de la correlación calculada entre bandas
Algunas
combinaciones de bandas nos dan información de elementos que son probables
hayan en la superficie y/o subsuelo
Imagen 22. Imagen con la combinación de las bandas 7 en Rojo, 5
een verde y 3 en Azul
En
verde se destaca la vegetación, la parte rojiza indica la presencia de
minerales ferrosos.
Imagen 23. Combinación de bandas 567
en RGB
Imagen 24. Combinación de Bandas 765 en RGB, Vegetación en azul.
La
primera técnica usada ha sido la de Ratio Image (División de pixeles
equivalentes) de las bandas menos correlacionadas
Ratio
Image
Normalización
de los resultados
Imagen 25. Normalización de Ratio
Image 67 con respecto al valor máximo
Imagen 26. Normalización de Ratio
Image 67 con respecto a la media
Imagen 27. Normalización del Ratio
Image 67 dando el mismo peso a los valores entre 0 y 1 que a los valores entre
1 y 65535.
Imagen 28. Gráfica que muestra el
comportamiento de la tangente hiperbólica
La
tangente hiperbólica tiene un dominio de todos los números reales y un
recorrido que va desde -1 hasta 1. Además da mucha mayor prioridad a un
conjunto de valores específicos. La ecuación de la tangente hiperbólica fue
adaptada a nuestros objetivos
µ:
Media aritmética de los números digitales de la imagen.
Desv:
Desviación estándar de los números digitales de la imagen.
Imagen 29. Normalización de Ratio
Image 67 usando un modelo de tangente hiperbólica adaptado.
El
nivel de contraste logrado con la normalización de Ratio Image usando la
tangente hiperbólica es bastante bueno y acorde con los resultados esperados.
Imagen 30. Imagen RGB compuesta en
falso color (Ratio Image 67 en rojo,
Ratio Image 75 en verde y Ratio Image 47 en azul).
Imagen 31. Zoom de la imagen
anterior. En amarillo brillante se destaca una alta probabilidad de presencia
de minerales hidrotermales con concentraciones de oro.
A
la imagen compuesta obtenida con la combinación de diversos Ratio Images se le
aplicó un algoritmo de clasificación no supervisado conocido como K-means
usando el software Erdas Imagine 2013. Se probó con la creación de diversas
cantidades de clases y se concluyó que a partir de 160 clases la diferencia no
es muy notoria. De esas 160 clases 159 fueron agrupadas en un súper clase de no
interés. La clase 150 indica alta probabilidad de presencia de minerales
hidrotermales.
Tabla 1. Parte de las 160 clases
creadas con el algoritmo de clasificación no supervisado K-means usando Erdas
Imagine 2013. La clase 150 es la clase que representa la presencia de minerales
hidrotermales con concentraciones de oro.
Imagen 32. En amarillo se resaltan,
usando k-means, las zonas con altas probabilidades de presencia de minerales
hidrotermales con concentraciones de oro de alrededor del 5%.
Es
importante resaltar las diferencias entre la imagen 32 y la Imagen 31. Hay
amarillos en la imagen 31 que usando solo el ojo humano como clasificador
pidiesen confundirse con las áreas de interés. Luego de la clasificación estas
zonas no deseadas por sus diferencias estadísticas con respecto a lo esperado
fueron representadas con otro color.
Imagen 33. Zonas detectadas dentro de
la clasificación hecha en nuestro estudio.
La
mayor parte de las zonas detectadas en nuestro estudio son también mencionadas en
el proyecto de Cartografía Temática de la Republica Dominicana en el cuadrante
geológico de Bonao como zonas de presencia de oro. Entre estas se pueden
mencionar: Falconbridge Dominicana, Barrick Gold y la Mina Cerro Maimón.
Conclusiones y recomendaciones
Método
de corrección radiométrica recomendado para landsat 8:
·
Dark Object
Substraction (DOS).
La
banda 8 no necesita de corrección geométrica en territories de la República
Dominicana debido a que sus valores de reflectancia en ninguno de los casos excede
el 1%.
Se
propone normalizar los valores resultants de Ratio Images usanda un modelo
adaptado de tangente hiperbólica.
La
densidad de la cobertura vegetal afecta la detección de minerals. A mayor
densidad vegetal menor capacidad de deteccion por lo que este mecanismo
funciona major para zonas áridas y semiáridas.
12.
Bibliografía
1. M. Jovovic, Space-color
quantization of multispectral images in hierarchy of scales," Proc. IEEE
Intl. Conf. Image Processing, 2001.
2.
P. De Neve, W. Philips, K. Denecker, I.
Lemahieu, Introducing a decorrelated color space in the lossy compression of
pre-press applications," Proc. 5th Color Imaging Conference, Scottsdale,
AZ, pp. 88-92, 1997.
3.
D.
Tretter and C. Bouman, Optimal transforms for multispectral and multilayer
image coding," IEEE Trans. on Image Processing, Vol. 4, pp. 296-308, March
1995.
4.
https://engineering.purdue.edu/~bouman/publications/pdf/multispec.pdf, Perdue University.
5.
Multispectral satellite image analysis
based on the method of blind separation and fusion of sources. Geoscience and Remote Sensing Symposium, 2003. IGARSS '03. Proceedings.
2003 IEEE International, Vol. 6,
pp.3638-3648, Julio 2003.
6.
Use of Multispectral Data Extracting
Information of Gold Ore Bearing Rocks by MPH Technique in Hatu Gold Occurrence
Area in Western China. Geoscience and Remote Sensing Symposium, 2008. IGARSS 2008. IEEE
International , Vol. 2, pp. 1663-1665, Julio 2008. Boston, Ma.
7.
Unsupervised iterative detection of land
mines in highly cluttered environments. Image Processing, IEEE Transactions on (Vol.
12), pp. 509-523. Mayo 2003.
8.
Unmixing based Landsat ETM+ and ASTER
image fusion for hybrid multispectral image analysis. Geoscience and Remote Sensing Symposium, 2007. IGARSS 2007. IEEE
International, pp. 3074-3077, Julio 2007.
9.
Agar
& T. J. Coughlin, Gold and Base
Metal Exploration Project Generation Using Landsat TM Data and Spectral Angle Mapping
for Specific Alteration Styles in the Peruvian Andes. R. A. Resource Discovery Systems, Cumbrae Stewart Building, Research
Road, The University of Queensland, St. Lucia, Qld. 4072, Australia. 2498-2500.
10. Alexandru Imbroane, Cornelia Melenti, Dorian
Gorgan. Ninth International Symposium on Symbolic and Numeric Algorithms for
Scientific Computing. Mineral
Explorations by Landsat Image Ratios. pp. 335-340
11. Remote
Detection of Vegetation Stress for Mineral Exploration E.
J. M. Carranza, M. Hale. International Institute for Aerospace Survey and Earth
Sciences.
12. B.
T. San, E. O. Sumer, B. Gurcay, COMPARISON
OF BAND RATIOING AND SPECTRAL INDICES METHODS FOR DETECTING ALUNITE AND KAOLINITE
MINERALS USING ASTER DATA IN BIGA REGION, TURKEY. General Directorate of
Mineral Research and Exploration, Remote Sensing Center - 06520, Ankara, TURKEY
15. JORGE LIRA
CHÁVEZ, Tratamiento
digital de imágenes multiespectrales, 2010, Mx.
16. http://www.nasa.gov/mission_pages/landsat/main/index.html#.UxAMRXn38ds, Administración
Nacional de la Aeronáutica y del Espacio de los Estados Unidos NASA.
Servicio Geológico de los Estados Unidos.
18. Chavez, P.S., Jr. 1996. Image-based atmospheric
corrections–revisited and improved. Photogrammetric Engineering and Remote
Sensing: pp.1025-1036.
19. Chavez, P.S., Jr.
1988. An improved dark-object subtraction technique for atmospheric scattering
correction of multispectral data. Remote Sensing of Environment: pp.459-479.
20. http://mapas.igme.es/sgn/docu/Memoria%20Recursos%20Minerales%206172%20Bonao.pdf
"Mapa de recursos minerales de la RD, cuadrante Bonao"
21. http://ffyl.uncu.edu.ar/IMG/pdf/Notas_clase_Procesamiento_digital.pdf
Fundamentos de procesamiento digital de imagenes de satelite, Ing. Esp. H.
Cristina Salvatierra. PP.1
