Artículo
Los Sensores Remotos se han convertido en los últimos tiempos en una herramienta importante para la planificación territorial, debido a la originalidad metodológica con la cual operan y el amplio espectro de observación de la superficie terrestre. El número de algoritmos disponibles en la literatura científica, permiten tratar individualmente muchas de las coberturas terrestres y caracterizarlas en base a su comportamiento espectral. En el presente trabajo se han aplicado dos métodos de clasificación de imágenes: árboles de decisión o reglas y clasificación no supervisada. También se han calculado índices de vegetación y de agua (NDVI y MNDWI), para identificar las coberturas y generar cartografía temática que sirva como base para posteriores estudios. Además, se ha elaborado la matriz de confusión con el fin de determinar la validez de la clasificación obtenida. Como resultado, se han obtenidos coberturas de vegetación, urbano, cursos y cuerpos de agua, clasificados a partir de técnicas oportunamente mencionadas, que brindan una fiabilidad global del orden del 61%, y si se consideran de manera individual (urbano y cuerpos y cursos de agua), las mismas alcanzan una precisión superior al 70%. Remote Sensing has become in recent years an important tool for land use planning, due to the methodological originality with which it operates and the wide view of the Earth surface. The range of image processing algorithms available today in scientific literature allows that many coverages can be treated individually and can be characterized by their spectral behavior. In this paper we have applied different image classification methods such as decision tree or rules, unsupervised classification, have also been calculated Normalized Difference Vegetation Index (NDVI) and Modified Normalized Difference Water Index (MNDWI) to identify coverages and generate thematic mapper, as the basis for further studies. Furthermore, has been applied the confusion matrix in order to determine validity of the classification obtained. Have been obtained coverages vegetation, urban, courses and water bodies, that they have classified by mentioned techniques the previous paragraph, which provide a global reliability of the order of 61%, and if considered individually (urban and bodies and waterways) , they reach an accuracy above 70%.
Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013)
Título:
Mapping ofland coverages through remote sensing, in Resistencia city, Argentina (2013)
Fecha de publicación:
01/2014
Editorial:
Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía
Revista:
Geográfica Digital
ISSN:
1668-5180
Idioma:
Español
Tipo de recurso:
Artículo publicado
Clasificación temática:
Resumen
Palabras clave:
Sensores Remotos
,
Mndwi
,
Clasificación No Supervisada
,
Árbol de Decisión
,
Ndvi
Archivos asociados
Licencia
Identificadores
Colecciones
Articulos(CCT - BAHIA BLANCA)
Articulos de CTRO.CIENTIFICO TECNOL.CONICET - BAHIA BLANCA
Articulos de CTRO.CIENTIFICO TECNOL.CONICET - BAHIA BLANCA
Articulos(CCT - NORDESTE)
Articulos de CTRO.CIENTIFICO TECNOL.CONICET - NORDESTE
Articulos de CTRO.CIENTIFICO TECNOL.CONICET - NORDESTE
Citación
Da Silva, Cristian Javier; Insaurralde, Juan Ariel; Cardozo, Osvaldo Daniel; Cartografía de coberturas del suelo mediante Sensores Remotos, de la ciudad de Resistencia, Argentina (2013); Universidad Nacional del Nordeste. Facultad de Humanidades. Instituto de Geografía; Geográfica Digital; 11; 21; 1-2014; 1-18
Compartir