METODOLOGA PARA EL ANLISIS DE COBERTURA Y CANTIDAD DE

REA AGRCOLA PARA RIEGO MEDIANTE TELEDETECCIN

Erik Viveros Martnez1, Giovanni Flores Fernndez2, Sonia Tatiana Snchez Quispe3

Palabras Clave: (Imgenes satelitales, rea agrcola, uso de suelo)

Resumen
Las actuales exigencias a las que est sometida la agricultura en la zona del Bajo
Michoacano ubicada al norte del estado y en colindancia con el estado de Guanajuato,
hacen necesario una buena planeacin entre productividad y sostenibilidad. La
teledeteccin ofrece la posibilidad de desarrollar una metodologa operativa para
cuantificar los manejos de reas agrcolas.
El presente trabajo pretende evaluar de forma indirecta mediante el anlisis
multitemporal de imgenes satelitales Landsat , las reas que sern utilizadas para el
aprovechamiento del riego agrcola, as como tambin conocer la superficie en
porcentaje ocupada por los diferentes tipos de cultivos de un determinado periodo.
La visualizacin hecha del trabajo en campo as como la informacin de imgenes
satelitales Landsat disponibles para la zona del Bajo Michoacano en diferentes fechas
de adquisicin, nos permiti hacer una comparativa en las diferentes coberturas
vegetales para las distintas reas de siembra de esta zona. Se obtuvo como resultado
que los diferentes tipos de usos de suelo tienen una firma espectral muy parecida,
especialmente el sorgo que es el cultivo ms representativo y que mayormente se
cultiva en esta regin, igualmente se observ la dinmica de los cultivos en periodos
agrcolas distintos todo con el objetivo de aprovechar los recursos hdricos y
recomendar o dar seguimiento de las prcticas de riego en los principales cultivos de la
zona.
Introduccin
La percepcin remota (Remote Sensing) o Teledeteccin es definida por algunos como;
la ciencia de adquirir informacin acerca de un objeto a distancia, sin un contacto
material entre el objeto observado y el observador. Siendo este ltimo un sensor de
satlite que rene la tecnologa necesaria para captar imgenes a distancia y es
transportado por una plataforma espacial que es capaz de medir la radiacin
electromagntica (energa solar) reflejada por los objetos. Estas mediciones se conocen
como firma espectral. El conocer las firmas espectrales es fundamental para elegir el
sensor ms conveniente, identificar los distintos objetos y elegir las bandas ms
apropiadas.
El uso de los sensores tiene una aplicacin importante en la interpretacin de recursos
y sus superficies, construccin de mapas, planos, estudios urbanos y territoriales.
Segn el procedimiento de percepcin remota sobre los objetos del terreno se
1

Universidad Michoacana de San Nicols de Hidalgo; vimaer_07@hotmail.com

Universidad Michoacana de San Nicols de Hidalgo; cangiogler_98@hotmail.com
3
Universidad Michoacana de San Nicols de Hidalgo; soniatsq@hotmail.com
2

denomina percepcin activa y percepcin pasiva. La activa genera una seal, rebota
con los objetos y son medidas las caractersticas de la seal reflejada, en la pasiva, las
imgenes creadas son de mayor valor en las aplicaciones de teledeteccin y
simplemente reciben las seales reflejadas o emitidas naturalmente por los objetos. Los
sensores pticos multiespectrales como Landsat, son sistemas de tipo pasivo.
La superficie analizada tiene una extensin de 32,675 hectreas que abarcan
municipios como Abasolo, Huanimaro, Valle de Santiago, Purundiro y Jos Sixto
Verduzco que conforman una parte del Bajo Michoacano y Guanajuatense.
El anlisis visual de imgenes satelitales se realiza combinando tres bandas del sensor
y dando como resultado los diferentes colores y tonos. Los monitores poseen un total
de tres caones RGB (Red/Green/Blue) y con estos se construye el resto de colores. La
combinacin de colores se emplea para discriminar aspectos de vegetacin, morfologa
de zonas urbanas, aspectos geolgicos y uso de suelo. La Fig.1, muestra las
combinaciones ms comunes para Landsat.
Figura 1. Combinaciones con tres bandas.

La composion de las bandas es lo mas importante a la hora de querer visualizar los

distintos tipos de suelo y asi poder digitalizar o procesar todas ellas.
Materiales y mtodos
Se eligieron imgenes Landsat 8 OLI Operational Land Imager, sensor que es
operado por la NASA (National Space and Administration). La produccin y
comercializacin de imgenes depende de la USGS (United Sates Geological Survey).
Se adquirieron imgenes del mes de junio que es un mes representativo de siembra en
los diferentes ciclos agrcolas existentes en la regin Primavera-Verano (Mayo a
Octubre) y Otoo-Invierno (Diciembre a Mayo).
Las imgenes cuentan con una resolucin de 30 metros, un formato TIFF y 7 bandas
que van del espectro visible as como el infrarrojo cercano, medio y lejano. El
tratamiento de las imgenes se realiz con el software ArcGis y sus modulos Image
Analysis e Image Classification, el cual a consistido en obtener una imagen con la
discriminacin de las coberturas de suelo deseadas, teniendo en cuenta que para esta
zona existen dos distintos ciclos agricolas principales, por lo cual se realizo el analisis
para Junio del 2014 y 2015 que corresponden a la fecha actual de adquisicion de las
imgenes satelitales y pertenece al ciclo agricola mas importante de la region.
Para reconocer cuales son las bandas mas aconsejables a combinar, se han
identificado en campo las areas de entrenamiento (campos detectados mediante la
imagen del satelite) Fig. 2 y haciendo coinsidir la imagen de satelite tambien de verano
para que la informacion se correspondiera el maximo posible. El analisis de la zona de
2

estudio permitio identificar los siguientes tipos de suelo; bosques de encino, pastizales,
zonas urbanas, cuerpos de agua, suelos desnudos y siembras como el maiz, Sorgo y
Garbanzo . A cada una de estas zonas se les asigna un valor numerico (1,2,3n)
distinto para su posterior digitalizacion. Para comenzar con la digitalizacion de zonas de
entrenamiento se eligio la misma combinacion de bandas RGB_257 (Clasificacin de
cubiertas) para Junio del 2014 y 2015 que de cierta forma hacen que mejor se
visualizen los diferentes tipos de suelo.

Figura 2.Combinacin de bandas RGB_257.

Las metodologias para la digitallizacion del tipo de suelo fue la clasificacion
supervisada. Como su nombre lo indica la clasificiacion supervisada trata de muestrear
de manera practica los usos de suelo que se pudieron levantar en campo y de otros
mapas. Aunque la clasificacion supervisada suene como la mejor opcion de
clasificacion de imgenes por el hecho de utilizar zonas de entrenamiento, no siempre
resulta ser la mejor por que depende principalmente de la cantidad de muestreos y lo
disperso de estos. Antes de iniciar la clasificacion es bueno realizar un ajuste de
georeferenciacion a las imagenes en coordenadas UTM, asi como tambien el ajuste del
contraste en la ventana del modulo de Image Analysis que permite adaptar la resolucion
de la imagen a la capacidad de visualizacion del monitor. Fig. 3

Figura 3. Mejora visual por aumento de contraste.

Despues de haber mejorado la visualizacion de las imagenes se procede a analizar los
pixeles de cada zona, a realizar la digitalizacion de los poligonos para cada sitio de
entrenamiento Fig. 4, crear la curva de la firma espectral para cada tipo de cubierta y
clasificar la imagen para que el programa reconozca los patrones de los valores
asignados a cada campo. Es conveniente sealar que en este tipo de clasificacin, se
corre el riesgo de que si los sitios de entrenamiento, no han sido seleccionados
adecuadamente y existan clases espectrales que no fueron incluidas o se sobrestimen
las superficies, ya que todos los pixeles sern asignados a una clase aunque la
probabilidad de que pertenezcan a ella sea muy baja.

Terminada la digitalizacon de los campos de entrenamiento se procede a guardar el

layer y extraer sus firmas expectrales para cada campo utilizando para esto el modulo
de Image Classification Fig 5. Despues de extraer las firmas espectrales se realiza las
clasificaciones por las siguientes formas estadisticas: Maximum Likelihood
Classification e Iso Cluster Unsupervised Classification. Donde el primer clasificador es
el de maxima probabilidad y evalua la probabilidad de que un pixel pertenesca a una
categoria y lo clasifica con la mayor probabilidad de pertenecer a el. El siguiente
clasificador determina grupos similares de pixeles depediendo de las areas de
entrenamiento ubicadas en la zona de estudio en este caso se identificaron 7 tipos de
clases.

Figura 4. Zonas de entrenamiento.

Figura 5. Campos para la firma espectral.
Despues de obtener los mapas clasificados se observa detalladamente y se evalua su
confiabilidad de forma visual para poder seguir procesandolo y asi obtener un mapa
tematico de uso de suelo. En base a los resultados visualizados la mejor clasificacion
fue con el metodo de Maximum Likelihood Classification Fig.6.

Figura 6. Clasificacion supervisada Maximum Likelihood.

Elegimos esta clasificacion para hacer un filtrado de pixeles mediante el modulo
Dissolve de ArcGis con los mapas en formato Shape (Poligonos), eliminando el efecto
sal y pimienta Fig. 7 que agrupa los pequeos poligonos en masas mas grandes para
este caso se eliminaron areas menores a 0.5 Ha en ambos periodos agricolas.

Figura 7. Reduccion del efecto sal y pimienta.

Con esto se obtiene un nuevo mapa Fig. 8 que se observa, con mayor armonia en la
clasificacion de pixeles y se acepta como mapa de uso de suelo bien clasificado.

Figura 8. Mapa final de tipo de suelo (Junio 2014 Y 2015).

Resultados
Con la finalidad de tener una mejor comprensin de los resultados obtenidos, y que
estos se puedan manipular de acuerdo a las necesidades. Se presenta a continuacin
Fig. 9 las respectivas reas de tipo de suelo y su respectivo porcentaje con respecto al
rea total analizada para los distintos periodos agrcolas.
Figura 9. Superficie estimada de tipo de suelo.

Al analizar las superficies de los principales cultivos (maz y sorgo) para el ciclo
Primavera-Verano en diferentes aos, se tiene, que las firmas espectrales de ambos
cultivos son muy distintas, y es fcil diferenciar uno del otro, por lo que, la superficie
estimada de maz y sorgo para el 2014 es de 16,130.43ha y comparando con el 2015
se estim una superficie de 15,324. 53ha lo que representa un decremento de 805.90ha
en reas de siembra. Actualmente la zona del Bajo Michoacano y alrededores es
afecta por una plaga conocida como Pulgn Amarillo, pudiendo ser este un motivo del
decremento en las actividades agrcolas. Con respecto a los bosques y pastizales,
estos no se ven afectados por esta plaga y no se tienen grandes diferencias en las
hectreas estimadas en ambos periodos, la mayor superficie entre estos es ocupada
por Bosque-Encino que se encuentra en la zona sur del rea en estudio.
Cabe mencionar que los resultados obtenidos se han considerado confiables (pero no
se descarta la posibilidad de un error durante el proceso de datos o un error
5

dependiente de la escena), ya que para la fecha de toma de la imagen del 2015 los
cultivos especialmente el sorgo y el maz no han sido trillados y se identifica con mayor
confiabilidad la firma espectral de los cultivos en ambas fechas.
Conclusiones
Los mapas obtenidos del uso de suelo en el Bajo Michoacano, aplicando tcnicas para
la interpretacin de imgenes Landsat no son del todo confiable ya que no representa al
100% lo que existe en la realidad, sino que trata de representarla lo mejor posible. No
por esto menosprecia su utilidad. Adems solo se presenta una alternativa para la
elaboracin de mapas temticos de uso de suelo y cuantificacin de reas utilizadas
para fines agrcolas.
La utilizacin de la percepcin remota es fundamental para planear un ordenamiento
territorial, as como tambin evaluar riesgos que estos generan en cuanto a cambio de
uso de suelo. La aplicacin de procedimientos para la determinacin de uso de suelo y
generacin de mapas avanza de tal forma que existan ms alternativas para la
actualizacin de estos.
En Mxico no existe una planificacin de la distribucin territorial ni mucho menos en la
implementacin del impacto ambiental que la poblacin provoca. Es por ello que es
importante demostrar la forma en que el cambio de uso de selo afecta a los procesos
eco sistmico que hay dentro de territorio.
Referencias
Emilio Chuvieco. 1990. Fundamentos de Teledeteccin Espacial. Madrid.
Ediciones Rialp S.A
Secretaria de Ambiente y Desarrollo Sustentable. 2004. Manual de teledeteccin.
Argentina.
Jafet Zimri Prez M. 2013. Procedimientos para la Determinacin de Uso de
Suelo con Informacin Satelital. Mxico.
Ignacio Alonso Fernndez-Coppel. 2001. Anlisis visual de imgenes obtenidas
del sensor ETM+ Satlite Landsat. Universidad de Valladolid.
Julio Martnez Muoz. 2005. Percepcin Remota Fundamentos de Teledeteccin
Espacial. Comisin Nacional del Agua.
L. Ruiz. 2006. Introduccin al tratamiento digital de imgenes en Teledeteccin.
Universidad Politcnica de Valencia. Editorial UPV.
V. Ruiz. (2013). Anlisis multitemporal del cambio de uso de suelo, en el Paisaje
Terrestre Protegido Miraflor Moropotente Nicaragua. Revista Cientfica de Ecologa y
Medio Ambiente. P. 117