Teledetección y redes neuronales aplicadas al mapeo de coberturas del suelo de la cuenca Matanza-Riachuelo, Buenos Aires, Argentina

Abstract

La cuenca del Matanza-Riachuelo es un área particularmente compleja tanto por su situación ambiental actual como por la diversidad de usos del suelo y de materiales que cubren la superficie. Por medio de análisis de imágenes satelitales es posible producir cartografía de base actualizada, imprescindible para la gestión ambiental de la cuenca. En este trabajo, usamos una serie multitemporal de imágenes Landsat 5 (TM) correspondientes a un ciclo anual, más un conjunto de bandas derivadas, entre ellas NDVI, brillo, verdor y humedad (transformación tasseled cap), y bandas de medidas de dispersión de los datos en el ciclo anual (ej.: varianza), entre otras. Luego de una selección de bandas, se entrenaron dos redes neuronales (perceptrones multicapa) mediante el algoritmo Backpropagation. La primera de ellas sirvió para clasificar la imagen en tres grandes grupos de cobertura del suelo: agua, impermeabilizado y vegetación. La segunda red se usó para clasificar a la vegetación en subclases: bosque de perennifolias, bosque de caducifolias, pasto, asociación vegetal invernal y asociación vegetal estival. El mapa resultante mostró una exactitud general del 95,13%. Las clases de cobertura más comunes son los pastos y las superficies impermeabilizadas. Éstas últimas se asocian principalmente con zonas urbanizadas y ocupan casi un cuarto del área de la cuenca. Dos coberturas vegetales relacionadas con usos agropecuarios también se encuentran en importante proporción. En el eje urbano-rural, la diversidad de coberturas del suelo cambia: hay mínima diversidad (máxima uniformidad) en áreas urbanas, máxima heterogeneidad en el periurbano, y valores bajos en las zonas rurales sin llegar al nivel de uniformidad de la ciudad. Los resultados de este trabajo alientan el uso de imágenes satelitales y de clasificadores no paramétricos como las redes neuronales para producir cartografía en ambientes complejos como el de la cuenca estudiada. Dicha cartografía podría ser útil como herramienta para la gestión ambiental de la misma.

The Matanza-Riachuelo river basin is a particularly complex area in terms of both its current environmental situation and the diversity of land use and of materials covering its surface. By analyzing satellite images, it is possible to produce upto-date base cartography, essential for the environmental management of the basin. We used a multitemporal series of Landsat 5 (TM) images for this work, which correspond to an annual cycle, as well as a set of derived bands, including NDVI, brightness, greenness, and humidity (tasseled cap transformation), and bands of scatter measurements of data in the annual cycle (e.g. variance), amongst others. After the bands had been selected, two neural networks (multilayer perceptrons) were trained using the Backpropagation algorithm. The first of these was used to classify the image into three main groups of ground cover: water, waterproofed, and vegetation. The second network was used to classify the vegetation into subclasses: evergreen forest, deciduous forest, grass, winter plant association, and summer plant association. The overall exactitude of the resulting map was 95.13%. The most common types of ground cover were grasses and waterproofed surfaces. The latter are mainly associated with urbanized zones and take up almost a quarter of the river basin area. Two types of vegetation related with agriculturalctivity are also found in large proportions. Along the urban-rural axis, the diversity of ground cover changes: there is minimal diversity (maximum uniformity) in urban areas, maxi-mum heterogeneity in periurban areas, and low values in rural areas, without reaching the level of uniformity shown in the city. The results of this work encourage the use of satellite images and nonparametric classifiers like neural networks to produce cartography in complex environments such as that of the river basin in question. This cartography could be useful as a tool for the environmental management of said basin.