COMPARACIÓN DE IMÁGENES SATELITALES SENTINEL 2 Y LANDSAT 8

EN EL ESTUDIO DE ÁREAS URBANAS

Eje Temático 3: Investigación y aplicaciones de Tecnologías de la Información Geográfica

Picone, Natasha
CIG y Departamento de Geografía – FCH – UNCPBA
IGEHCS – CONICET/UNCPBA
[email protected]

RESUMEN
La utilización de productos teledetectados (fotografías áreas e imágenes satelitales) ha
sido central para el análisis de los espacios urbanos. Con el avance tecnológico y el
desarrollo de misiones continuas en imágenes satelitales se ha revitalizado el uso de estas
herramientas en dichos estudios. Actualmente existen varios satélites de uso no-comercial
que son centrales en estudio de las dinámicas territoriales, para este trabajo se
seleccionaron el Sentinel 2ª MSI y el Landsat 8 OLI.
En este trabajo se pretende comparar los resultados de diversos índices en estos dos
satélites, centrado el análisis en la ciudad de Tandil. Para ello se seleccionaron los
siguientes índices: NDBI, UI, NDVI, SAVI, NDWI, MNDWI.
Las imágenes satelitales corresponden a la primavera de 2016 con una diferencia de
adquisición de 1 día, todas descargadas desde el EarthExplorer del USGS. Las imágenes
fueron corregidas a reflectancia de superficie, reprojectadas a Posgard 94 Argentina Zona
5 y por último recortadas por el área de interés. Luego utilizando herramientas de
calculadora raster se calcularon todos los índices y a partir de las herramientas de análisis
local se realizaron las comparaciones. Los softwares utilizados fueron ArcGis 10 y QGIS
2.18.
A partir de los resultados obtenidos, se puede concluir que ambos sensores son
comparables con un nivel de correlación alrededor de 0,90. El satélite Sentinel 2A permite
un mayor nivel de detalle con su resolución espacial mejorando el análisis intra-urbano y
potenciando, debido a su comparabilidad, la misión Landsat.

INTRODUCCIÓN
La teledetección ha significado un gran avance para el monitoreo de la superficie terrestre.
Desde 1972 con el lanzamiento del primer satélite Landsat se han obtenido de manera
continua imágenes satelitales de todo el mundo, lo que ha permitido analizar la dinámica
terrestre a largo plazo (De Jong y Van Der Meer, 2005).
La utilización de esta fuente de información es de gran importancia para el desarrollo de
estudios multitemporales sobre todo en áreas donde los registros oficiales son inexistentes
y/o deficientes. La información recabada por los distintos sensores es muy variada por lo
que se han podido desarrollar estudios de monitorio ambiental, urbano, búsqueda de
recursos e incluso aplicaciones militares (Weng, 2010).
Actualmente existe una gran variedad de sensores y satélites que disponen de información
que es de gran utilidad para el estudio de fenómenos urbanos. De todos ellos sólo una
pequeña cantidad son de uso gratuito, entre los que se destacan la misión Landsat y la
misión Sentinel.
La misión Landsat comenzó en 1972 con el lanzamiento del primer satélite de monitoreo
de la superficie terrestre, pertenece al Servicio Geologico de los Estados Unidos (USGS) y
su información es gratuito. Hasta el día de hoy se cuenta con información periódica y
continua de toda la Tierra. La misión ha contado con siete satélites siendo el Landsat 8 el
último en ser puesto en órbita (2013) y el más avanzado tecnológicamente de dicha misión.

1
Cuenta con dos sensores OLI y TIRS, el primero de ellos es el central para este trabajo.
Las resoluciones de dicho sensor son: radiométrica de 16 bits, espacial de 30 m, espectral
nueve bandas 5 de ellas en el visible y los cuatro restantes en el infrarrojo cercano y medio
(Figura N° 1). El satélite pasa cada 16 días por el mismo lugar.
Por otro lado, la misión Sentinel es un proyecto de la Agencia Espacial Europea (ESA) y
se enmarca del programa Copernicus. Es una misión de reciente creación ya que los
primeros satélites se lanzaron en 2014. En el caso de este trabajo utilizamos el Satélite
Sentinel 2A, cuyo sensor es el MSI y su reincidencia temporal sobre la misma área es de
10 días fue lanzado en 2015. La resolución radiométrica de 12 bits, mientras que la espacial
varía según las bandas como se puede observar en la figura 1, a pesar de ellos todas las
bandas son remuestreadas por los proveedores de imágenes a 10 m. En cuanto a la
resolución espectral dicho sensor cuenta con: cuatro bandas en el visible y nueve en el
infrarrojo cercano y medio.
Figura N° 1: Comparación de distintos satélites en cuanto a su resolución espacial y
espectral.

Fuente: USGS (2016)

Existen varios trabajos que pretenden comparar distintos sensores para poder
correlacionarlos y hacer comparables sus resultados. Los principales son aquellos que se
centran los distintos sensores de la misión Landsat (Roy et al., 2016) y de ella con otros
satélites (Ke et al., 2015; Flood, 2017). Ninguno de ellos hace hincapié en las área urbanas.
Este trabajo pretende evaluar la comparabilidad de los sensores OLI y MSI para el estudio
de procesos urbanos a partir de la utilización de distintos índices. Para ello se seleccionaron
seis índices, dos de área construida, dos de vegetación y dos de agua. Todos ellos son
elementos centrales para determinar las características de las urbanizaciones. La
construcción es la componente central del proceso de crecimiento urbano, la vegetación
es la principal afectada por dicho aumento y a su vez el contenido de agua se relaciona
con los anteriores ya que a medida que la construcción aumenta y la vegetación disminuye
el contenido de agua de las coberturas decrece, y viceversa. Los índices seleccionados
son: NDBI (Normalized Difference Build-up Index en Zha et al., 2003), UI (Urban Index en
Kawamura et al., 1996), NDVI (Normalized Difference Vegetation Index en Kriegler et al.,
1969), SAVI (Soil Adjusted Vegetation Index en Huete, 1998), NDWI (Normalized
Difference Water Index en Gao, 1996) y MNDWI (Modified Normalized Difference Water
Index en Xu, 2005).
Para desarrollar el trabajo se seleccionó la ciudad de Tandil, la cual cuenta con 116.916
habitantes (INDEC, 2010) y es cabecera del partido homónimo, ubicado en el centro sur
de la provincia de Buenos Aires (Fig. 2). La zona urbana se localiza en el sector central de
las Sierras de Tandilia sobre la ladera norte de las mismas, ocupando los valles de los

2
arroyos Blanco y Del Fuerte los cuales se encuentran entubados y la cuenca del último
está regulada por dos diques, estos han condicionado el desarrollo de la ciudad.
Actualmente es un centro regional económico, social y cultural muy importante para los
partidos aledaños (Lan et al., 2010).
Figura N° 2: Localización del área de estudio

Fuente: elaboración propia.

METODOLOGÍA
En primer lugar, se seleccionaron las imágenes satelitales de los satélites Landsat 8 y
Sentinel 2A que contara con la menor separación temporal posible. Se obtuvieron las
siguientes: Sentinel 2A del 05/11/2016 (21HUU) y Landsat 8 del 06/11/2016 (Path 225 Row
86). Las mismas fueron descargas del www.earthexplorer.usgs.gov . En el módulo SCP v
5.3.6 (Semi-Automatic Classification Pluggin) del QGIS 2.14 se realizó la corrección
atmosférica de todas las bandas de manera automática mediante el método de corrección
atmosférica DOS. En el caso de este trabajo fueron seleccionadas del sensor Landsat 8
OLI las bandas: 2, 3, 4, 5, 6 y 7; mientras que del sensor Sentinel 2A MSI las bandas: 2, 3,
4, 8ª, 11 y 12. Dicha selección se basó en la comparabilidad de los espectros que cada
una de ellas toma (Fig. 1). En el caso puntual de las bandas del Landsat las mismas fueron
remuestreadas a 15 m de resolución espacial utilizando la banda pancromática.
Lo procedimientos realizados por dicho complemento se desarrollan a continuación. En
primer lugar, se convirtió los valores de cada pixel (Número Digital) a un valor radiométrico
para eliminar el ruido que generan los propios sensores (Chander et al., 2009; Chuvieco,
2010). Para ello se utiliza la siguiente ecuación:
Lλ = G ∗ ND + B [1]
donde Lλ es el valor de radiancia del pixel, ND es el número digital del pixel, G (Gain) y B
(Bias) de cada banda del sensor TM fueron obtenidos de Chander et al. (2009).
A partir de dichos valores se realiza la corrección atmosférica de las bandas del visible y el
infrarrojo cercano utilizando el método de sustracción de objetos oscuros (Chavez, 1989).
Este método postula que los efectos atmosféricos sobre la radiación solar aumentan los
valores de ND en áreas de agua limpia, profunda y calma, las cuales por sus características
físicas deberían presentar valores de reflectancia próximos a cero. Para lograr la corrección
atmosférica se sustrae en cada banda la diferencia entre el valor teórico y el almacenado
por el sensor de dichas áreas de la imagen.

3
Toda conversión de radiancia a reflectancia tiene como variables centrales de corrección
la fecha de toma de la imagen y el ángulo de incidencia solar, para lograr una comparación
de los parámetros físicos obtenidos en distintas imágenes (Chuvieco, 2010). De esta
manera la fórmula para la conversión de radiancia a reflectancia corregida
atmosféricamente es:
𝜋 ∗ 𝐷 2 ∗ (𝐿𝜆 − 𝐿ℎ𝑎𝑧𝑒)
𝑅𝑒𝑓λ = [2]
𝐸𝑠𝑢𝑛 ∗ 𝑐𝑜𝑠 𝜃 ∗ 𝜏
0.01∗ cos θ∗ Tz∗Esun
𝐿ℎ𝑎𝑧𝑒 = 𝐿𝑚𝑖𝑛 − 𝜋∗𝐷 2
[2a] a la radiancia
donde D es el factor corrector de la distancia Tierra-Sol, Lλ corresponde
espectral recibida por el sensor en la banda a corregir, Esun es la irradiancia solar en el
techo de la atmósfera para esa banda del espectro, θ es el ángulo de incidencia solar y τ
es la trasmisividad atmosférica que afecta al rayo incidente (en el DOS es igual a 1), Lhaze
es la radiancia atmosférica debida a la dispersión y se estimaría a partir del valor mínimo
(Lmin) del objeto oscuro seleccionado [2a], Tz es una constante atmosférica para cada una
de las bandas seleccionadas.
Luego de obtener las reflectancias de superficie de cada una de las bandas, se procedió a
incorporar cada una de ellas en el ArcGIS 10®. Utilizando el módulo Image Analysis, se
procedió a la preparación de las imágenes. En primer lugar, se compilaron las bandas de
cada satélite en una sola imagen, luego se las reproyecto a POSGARD Argentina Zona 5
y por último se recortó la imagen con un polígono que representa el área urbana y
complementaria (zona de futuro crecimiento) de la ciudad. A partir de ambas imágenes se
realizó el cálculo de los índices dentro del mismo módulo. El cuadro N°1 muestra las
fórmulas de cada índice según cada uno de los satélites.
Cuadro N°1: Índices calculados y formulas según cada satélite
INDECES SENTINEL 2A LANDSAT 8

NDBI
CONSTRUCCIÓN

𝐵11 − 𝐵8𝐴 𝐵6 − 𝐵5
(Normalized Difference
ÍNDICES DE

𝐵11 + 𝐵8𝐴 𝐵6 + 𝐵5
Build-up Index)

UI 𝐵12 − 𝐵8𝐴 𝐵7 − 𝐵5
(Urban Index) 𝐵12 + 𝐵8𝐴 𝐵7 + 𝐵5

NDVI
𝐵8𝐴 − 𝐵4 𝐵5 − 𝐵4
VEGETACIÓN

(Normalized Difference
ÍNDICES DE

𝐵8𝐴 + 𝐵4 𝐵5 + 𝐵4
Vegetation Index)
𝐵8𝐴 − 𝐵4 𝐵5 − 𝐵4
SAVI × (𝐿 + 1) × (𝐿 + 1)
𝐵8𝐴 + 𝐵4 + 𝐿 𝐵5 + 𝐵4 + 𝐿
(Soil Adjusted
Vegetation Index)
L= 0 a 1. L= 0.75 L= 0 a 1. L= 0.75
NDWI
𝐵8𝐴 − 𝐵11 𝐵5 − 𝐵6
ÍNDICES DE

(Normalized Difference
𝐵8𝐴 + 𝐵11 𝐵5 + 𝐵6
AGUA

Water Index)
MNDWI
𝐵3 − 𝐵8𝐴 𝐵3 − 𝐵5
(Modified Normalized
𝐵3 + 𝐵8𝐴 𝐵3 + 𝐵5
Difference Water Index)
Fuente: elaborado a partir de los datos presentados en Hasanlou y Mostofi (2015)

4
Luego de obtener todos los índices de ambas imágenes para poder realizar una
comparación estadística de los resultados se generó una capa de puntos (Fishnet) cada
200 m. A esta se le añadieron todos los valores de los índices resultantes del
procesamiento de ambas imágenes (Extract Multi-value to Point). Esta tabla fue
incorporada en el Excel y se elaboraron diagramas de dispersión, en los cuales se
compararon los resultados de cada uno de los índices entre ambas imágenes. Además, se
incorporó en dicho gráfico el índice de correlación de Pearson (r).

RESULTADOS
En la Figura N° 3 se puede observar las imágenes de Color Verdadero (True Color) de
cada uno de los sensores. Entre ambas se nota una ligera diferencia entre la distinción de
los colores verdes, que en el Landsat 8 permiten una mayor definición de coberturas lo cual
puede ser debido a la mayor capacidad del sensor OLI en su resolución radiométrica. A
pesar de ellos ambas permiten una clara distinción visual de las distintas coberturas que
se presentan en la ciudad y particularmente la distribución de las densidades de
construcción.
Figura N° 3: Color Verdadero de Lansat OLI 8 y Sentinel MSI 2A

Fuente: elaboración propia.

En la Figura N° 4 se muestra la distribución espacial de los índices de construcción en cada
una de las imágenes. En ellos se destacan en colores violetas (NDBI) y marrones oscuros
(UI) las áreas con mayores construcciones. Al comparar los resultados de cada sensor se
puede observar que los índices del Sentinel MSI 2A presentan mayores superficies con
valores altos tanto en el centro como la zona de la Metalúrgica. Por otro lado, en la zona
del Barrio Procrear, gracias a su resolución espacial este satélite permite un mayor detalle
a nivel intra-manzana. Ambos aspectos son destacables de dicho sensor ya que son
centrales en la distinción de cambios a futuro.
Por otro lado, en la Figura N° 5 se muestran los gráficos de dispersión que comparan los
resultados de cada índice entre ambos sensores. Se puede decir que de ambos índice el
que presentó mejores correlaciones es el Urban Index con r = 0,92, mientras que los
valores del NDBI son similares con una correlación de 0,91, mostrando que ambos son
comparables entre los sensores.

5
 Figura N° 4: Índices de construcción en Landsat OLI 8 y Sentinel MSI 2A.

Fuente: elaboración propia.

Figura N° 5: Gráficos de dispersión de cada índice (NDBI y UI) entre ambos satélites.

Fuente: elaboración propia.

6
Los índices de vegetación se presentan en la Figura N° 5, los valores altos en ambos casos
representan lás zonas con mayor vegetación. En primer lugar, el NDVI presenta
características similares que los índices de construcción, mostrando en colores amarillos y
naranjas las áreas donde se presentan zonas más compactas o densas. Al igual que los
índices anteriores el sensor MSI presenta un mejor detalle de dichas áreas. Por otro lado,
el índice SAVI presenta mayores diferencias sobre todo en en la distribucíon de los valores
más bajos (rojos) los cuales en el sensor OLI tiene una mejor distinción de áreas
construidas con las zonas circundantes que el MSI.
Figura N° 6: Índices de vegetación en Landsat OLI 8 y Sentinel MSI 2A

Fuente: elaboración propia.

Los gráficos de dispersión de ambos índices (Figura N° 7) muestran resultados muy
dispares en la comparación de los satélites. En primer lugar, el NDVI presentó valores de
r de 0,89 con lo cual ambos tienen una buena correlación para la comparación; mientras
que el SAVI tiene correlación más baja (r = 0,80), corroborando lo observado en los mapas.
Cabe destacar que el índice SAVI no es ideal de utilizar en la zona donde se localiza la
ciudad de Tandil, ya que el mismo fue desarrollado como una variación del NDVI para
mejorar la distinción de vegetación en zonas de características áridas.

7
Figura N° 7: Gráficos de dispersión de cada índice (NDVI y SAVI) entre ambos satélites.

Fuente: elaboración propia.

Figura N° 8: Índices de agua en Landsat OLI 8 y Sentinel MSI 2A

Fuente: elaboración propia.

8
Por último, la Figura N° 8 muestra los índices de agua, donde los colores amarillos (NDWI)
y lilas (MNDWI) presentan las áreas con menores contenido de agua coincidiendo con las
áreas urbanizadas. Los resultados muestran que en el índice NDWI no existen grandes
diferencias entre ambos sensores al momento de distinguir contenido de agua. En cambio,
el MNDWI si presenta diferenciaciones importantes nuevamente siendo el satélite Sentinel
el que mejor detalle presenta en la distinción del contenido de agua en cada área.
Figura N° 9: Gráficos de dispersión de cada índice (NSWI y MNDWI) entre ambos
satélites.

Fuente: elaboración propia.

Los gráficos de dispersión (Figura N° 9) muestran valores similares de correlación entre
ambos índices 0,91 para el NDWI y 0,89 para el MNDWI. Esto demuestra que existe una
gran posibilidad de comparar los resultados de estos sensores en los índices de agua.

CONCLUSIONES
De manera general se puede asegurar la potencialidad de los productos teledetectados
para el estudio de área urbanas. Particularmente aquellos que son gratuitos como las
imágenes Landsat y Sentinel.
Los resultados han demostrado que la comparabilidad de ambos sensores es alta sobre
todo en los índices de construcción (NDBI y UI), el NDVI y los de agua (NDWI y MNDWI).
Los mismos se corroboran en correlaciones que rondan el 0,90.
Por otro lado, se puede concluir que el nivel de detalle de las imágenes satelitales del
sensor MSI es central para mejorar el análisis de mayor escala en las ciudades. Las
imágenes Landsat son de gran importancia por su larga data y por los numerosos trabajos
que existen que hacen comparables los resultados de los distintos sensores de dicha
misión.
La comparabilidad de resultados a nivel ciudad entre ambos sensores es central para el
estudio de los procesos intra-urbanos, ya que permite extender estudios de más de cuatro
décadas llevadas a cabo por los satélites Landsat a una herramienta aún más poderosa
como lo es el sensor MSI que aumenta la resolución espacial de las bandas, central para
el desarrollo de estudios al interior de las manzanas.

REFERENCIAS BIBLIOGRÁFICAS
Chander, G., Markham, B.L. y Helder, D.L. (2009) Summary of current radiometric
calibration coefficients for Landsat MSS, TM, ETM+ and EO-1 ALI sensors. Remote
Sensing of Environment, 11(3), 893-903.
Chavez, P. S. (1989). Radiometric Calibration of Landsat Thematic Mapper Multiespectral
images. Photogrammetric Engineering and Remote Sensing, 55(9), 1285-1294.

9
Chuvieco, E. (2010) Teledetección Ambiental. La observación de la tierra desde el espacio.
Editorial Planeta, S. A. Barcelona.
De Jong, S. M. y Van Der Meer, F. D. (2005) Remote Sensing Image Analysis: including
the spatial domain. Kluwer Academic Publishers. New York.
Flood, N. (2017). Comparing Sentinel-2A and Landsat 7 and 8 Using Surface Reflectance
over Australia. Remote Sensing, 9(7), 659.
Gao, B.C. (1996.) NDWI–A normalized difference water index for remote sensing of
vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266.
Huete, A.R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of
Environment, 25(3), 295–309.
INDEC (2010). Censo Nacional de 2010. Instituto Nacional de Estadística y Censos.
Buenos Aires, Argentina.
Kawamura, M.; Jayamana, S.; Tsujiko, Y (1996) Relation between social and environmental
conditions in Colombo Sri Lanka and the urban index estimated by satellite remote sensing
data. Int Arch Photogramm Remote Sens, 31, 321–326.
Ke, Y., Im, J., Lee, J., Gong, H., & Ryu, Y. (2015). Characteristics of Landsat 8 OLI-derived
NDVI by comparison with multiple satellite sensors and in-situ observations. Remote
Sensing of Environment, 164, 298-313.
Kriegler, F. J., Malila, W. A., Nalepka, R. F. y Richardson, W. (1969) Preprocessing
transformations and their effects on multispectral recognition. Remote Sensing of
Environment, VI, (1), 97.
Lan, D., Linares, S., Di Nucci, J. y Lopez Pons, M. M. (2010) La lógica de la organización
espacial de la ciudad de Tandil. Agentes Econômicos e restauraçâo urbana regional. Tandil
e Uberlândia. Editora Expressão Popular, San Pablo, Brasil. 29-155.
Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov,
A. (2016). Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized
difference vegetation index continuity. Remote Sensing of Environment, 185, 57-70.
Xu, H., (2005). A study on information extraction of water body with the Modified Normalized
Difference Water Index (MNDWI). Journal of Remote Sensing, 9(5), 511–517.
Weng, Q. (2010) Remote Sensing and GIS integration. Theories, Methods and Applications.
McGraw-Hills. New York. Zha, Y., Gao, J. y Ni, S. (2003). Use of normalized difference built-
up index in automatically mapping urban areas from TM imagery. International Journal of
Remote Sensing, 24(3), 583–594.

10