Do the classification schemes capture variations in the elasticity of

Los muestreos en suelos, aunque son similares desde el punto de vista de los requerimientos necesarios a los de cubiertas vegetales, presentan una característica diferencial que los hace singulares como es la necesidad de contemplar los diferentes tipos de suelos y las condiciones de contaminación de cada uno de ellos en los lugares bajo estudio. Los suelos, en general, son más oscuros si hay humedad, de manera que, en lugares donde hay diferentes contenidos de agua, es una buena idea medirlos tanto cuando están húmedos como cuando están secos.

Un adecuado planteamiento y planificación iniciales de un trabajo de campo puede conducir a un resultado final que minimiza las debilidades y carencias inherentes al proceso de registro de información espectral. Es por ello que el autor de esta Tesis propuso una metodología eficiente de registro de datos espectrales próximos que tuvo una buena acogida en la comunidad científica internacional en el ámbito del “Procesado de Señal e Imagen” (Vázquez 2004). Esta metodología será especificada en este documento.

En una reciente publicación (McCoy 2005) se corrobora la metodología propuesta por el autor de este documento (Vázquez 2004), con el fin de llevar a cabo óptimamente el trabajo de recogida de muestras en el campo para correlacionar esta

24

información con la obtenida mediante teledetección, mencionando seis “problemas” a tener en cuenta:

Problema 1. Ausencia de objetivos claros para el proyecto.

Aunque parece evidente que es preciso tener los objetivos claros antes de empezar el proyecto, no siempre sucede así. Una descripción precisa de los objetivos será fundamental y determinante a la hora de seleccionar los métodos a usar en cada etapa de trabajo.

El planteamiento de los objetivos dependerá, a su vez, de los resultados esperados o exigidos al proyecto, y también de la naturaleza del mismo o producto final a obtener. Dentro de este planteamiento inicial, los objetivos considerados deberían tener en cuenta los siguientes aspectos:

ƒ Localización y tamaño del área.

ƒ Escala de los mapas finales, si éste es el producto final a obtener. ƒ Precisión requerida.

ƒ Propósito y perfil de los usuarios finales.

ƒ Tipos de datos de imágenes, fotos y otros materiales de referencia utilizados. ƒ Metodología de campo utilizada.

Problema 2. Ausencia de un plan de muestreo válido.

Muchos de los planes para el desarrollo de los proyectos de campo deben asegurar la representatividad de las muestras obtenidas. Esto supone no sólo adquirir un número suficiente de muestras homogéneas para cada categoría o endmember, sino también asegurarse de que, la reunión de todas las muestras, representa de manera adecuada toda la variación o variabilidad existente dentro de cada una de las categorías.

Con respecto a este tema es preciso mencionar que algunos de los métodos de clasificación de datos en teledetección asumen que los puntos de muestreo tienen una distribución aleatoria dentro del área de estudio. Frecuentemente, sin embargo, esta suposición se ignora a la hora de recolectar las muestras estando comprometida así la exactitud del mapa resultante.

Problema 3. Dificultad en relacionar escalas diferentes.

Este problema es bastante común en las personas no expertas en la toma de medidas en campo. La alta resolución del ojo humano a una distancia de algo más de un metro de la superficie del suelo, que es la distancia a la cual el analista se desplaza por la superficie elegida, presenta tal abundancia de información que, a veces, es difícil relacionarla con la proporcionada por las imágenes y fotos aéreas del mismo lugar.

De este modo, el trabajo de campo debe consistir, principalmente, en recoger información que pueda ser fácilmente “escalada” mediante agregación o acumulación, de manera que pueda ser correlacionada convenientemente con la procedente de sensores o fotos aéreas. Para lograr este objetivo se debe “visualizar” previamente la extensión de un “píxel de campo” que será el área de cobertura representada posteriormente por un píxel de imagen.

25 Problema 4. Errores en la localización.

Con una imagen georreferenciada y un GPS, los problemas de localización se reducen en gran medida. No obstante siempre es difícil tener la certeza de que la exactitud de las localizaciones en campo se corresponde perfectamente con las coordenadas específicas del píxel de imagen. Por esta razón es preciso estimar un error potencial de localización en las unidades de píxel y ajustar en lo posible las muestras de campo a la unidad de medida.

Este error potencial es tanto más grande cuanto mayor sea la superficie y la frecuencia de variación en el tipo de coberturas existentes en la misma (p.e. áreas urbanas frente a bosques).

Si se tienen grandes áreas homogéneas el error de localización cometido apenas tendrá efectos a menos que el terreno localizado se encuentre demasiado próximo a la frontera de la categoría. También es preciso comentar que el ángulo de visión del sensor (IFOV), también influye en la precisión con que se determina la localización. Problema 5. Observaciones y medidas no apropiadas.

La cuestión de qué medir, cómo y con qué nivel de detalle es una de las grandes preguntas para el equipo de toma de muestras en campo. Normalmente en las conferencias o ponencias sobre estos temas se suele prestar mucha atención y tiempo de la exposición a los detalles de las medidas.

Sin embargo, cuando se consultan artículos o publicaciones sobre ese aspecto apenas se menciona o incluso desaparece totalmente cualquier referencia a los mismos.

Tanto el nivel de detalle recogido por las muestras como el nivel de exactitud de cada una de ellas dentro de cada categoría pueden resultar insuficientes para alcanzar los objetivos en términos de número de categorías o endmembers a ser considerados para su representación en mapas temáticos.

Al contrario, otras veces ocurre que se recogen muchos más datos en campo que lo necesarios para conseguir los objetivos del proyecto, con lo que ello significa en cuanto a incrementos de tiempo y coste de realización del proyecto. No obstante, la mayor parte de los investigadores ante esta disyuntiva prefieren tomar claramente datos por exceso que por defecto.

Por otra parte, es preciso tener en cuenta el desconocimiento que normalmente existe, en la mayor parte de los casos, entre las variables biofísicas de los diferentes materiales y cubiertas existentes en el terreno y sus respuestas espectrales para las diferentes longitudes de onda consideradas.

Por ello, cualquier proyecto de medidas de campo que se quiera realizar con la mínima fiabilidad debe comenzar por tener una sesión de “brain-storming” entre el equipo de trabajo de campo, para identificar todas las variables biofísicas que pueden afectar la respuesta espectral de cada una de las cubiertas en las diferentes longitudes de onda consideradas, de acuerdo con los objetivos perseguidos por el proyecto.

26

Problema 6. Materiales de referencia no adecuados. En general este tipo de problemas se refieren a:

ƒ Variación excesiva en las escalas de los mapas y fotos aéreas considerados respecto a la superficie real del píxel considerado.

ƒ Diferencias estacionales, a veces de un año o incluso más, entre los datos obtenidos mediante trabajo de campo y los obtenidos a través de mapas, fotos, etc. del lugar de estudio.

Estas dificultades se pueden subsanar si se planifican los trabajos de campo de manera que, la recogida de los mismos, coincida al máximo con el paso del satélite o los aviones por el lugar.

Dependiendo del tipo de proyecto y sobre todo de las características de los materiales o las cubiertas incluidas en el lugar de estudio, estas diferencias estacionales pueden no ser tan importantes ya que las variaciones de las mismas pueden llegar a ser mínimas y no comprometer el trabajo de campo. En cualquier caso, la adquisición de materiales de referencia, así como la investigación en fuentes y bases de datos sobre el lugar de estudio pueden reducir notablemente la cantidad del trabajo de campo necesario para conseguir los objetivos especificados por el proyecto.

Una definición completa de los objetivos requiere, como se mencionó en los párrafos anteriores, una considerable reflexión de partida sobre cada detalle del proyecto, que determinará a su vez, los procedimientos de medida en el campo, el nivel de generalización, el tipo de muestreo a desarrollar, la técnica del procesado de los datos y las características del producto final.

La correcta definición de los objetivos de cualquier proyecto debería comportar, en principio en el orden que se estime más oportuno, el desarrollo de las siguientes tareas:

Localización y tamaño del área de estudio. Para ello es indispensable disponer de materiales de referencia y datos de la imagen sobre el lugar. Un factor importante para determinar el tamaño adecuado del área de estudio es la extensión y uniformidad de las cubiertas o categorías existentes en la zona. Si el lugar de estudio es, por ejemplo, un bosque, la zona seleccionada deberá tener mayor tamaño que si la zona elegida es, por ejemplo, un lugar urbano donde la variabilidad espacial entre clases es mayor.

Definir un área de trabajo demasiado grande suele ser un error bastante común entre los analistas. El tamaño óptimo de la zona de estudio debe estar determinada por criterios como:

ƒ Período de tiempo y presupuesto disponible.

ƒ Número de personas integrantes del equipo de toma de muestras. ƒ Tiempo necesario para la toma de muestras.

ƒ Modo de traslado al lugar de estudio (automóvil, a pié, etc.).

En cualquier caso hay una consideración que es preciso tener siempre en cuenta y es la referida a que, “las áreas de estudio de gran tamaño no suponen, necesariamente, una mayor o mejor realización del proyecto concreto”.

27 La regla a seguir es, normalmente, la dictada por el sentido común y se podría resumir diciendo que la calidad óptima del proyecto se consigue eligiendo un área adecuada, función, básicamente, de los tipos y la variabilidad de las cubiertas existentes, que tienen mucho que ver, a su vez, con el número de muestras máximo a tomar y el tipo de muestreo elegido.

Finalmente, un factor importante a considerar también es la mayor o menor facilidad de obtención del correspondiente permiso para acceder a la zona de estudio, así como la identificación de las carreteras o sendas necesarias para llegar al lugar deseado.

Escala del mapa y nivel de exactitud. Como regla general, si la escala del mapa es pequeña (áreas grandes), las unidades del mapa (celdas) y las categorías deberán agruparse proporcionando de ese modo un aumento de la exactitud. Para ello es preciso recordar que un píxel de datos TM (Thematic Mapper) aparece como un punto de 0,83 mm en un mapa a escala de 1:24.000.

La exactitud del mapa resultante será pues tanto más precisa cuanto más fácil sea la identificación de ciertas localizaciones y referencias de tamaño del píxel en el campo para poder así compararlas más fácilmente con los correspondientes píxeles de la imagen. En cualquier caso, el número de categorías en el mapa y la homogeneidad de las cubiertas dentro de cada una de ellas, también afectan a la exactitud final del mapa.

Tipos de imágenes y datos de referencia. Idealmente, la selección de datos de imagen se basará en los objetivos perseguidos. Las longitudes de onda apropiadas y su resolución (espacial, radiométrica, espectral o temporal) son factores esenciales para la determinación de la identificación y clasificación de las imágenes. La selección del área de estudio vendrá determinada a su vez por los tipos de materiales de referencia disponibles, incluyendo fotos aéreas, mapas topográficos, mapas de coberturas de suelos, datos censales y suelos, siendo conveniente adquirirlos todos.

Preprocesado y clasificación aproximada. Para este aspecto resulta esencial el conocimiento de la estructura estadística de los datos de la imagen de manera que puedan seleccionarse algoritmos de clasificación cuyas premisas básicas estén de acuerdo con las conclusiones de dicho análisis estadístico. Normalmente, una buena base de partida, es la consideración de algoritmos basados en la aproximación de máxima verosimilitud que asumen distribuciones normales de los datos.