Indices y Sinergismo

8.
Índices Espectrales de las imágenes

Al hablar de índices nos referirnos a un conjunto de operaciones algebraicas efectuadas
sobre los valores numéricos de los pixeles, usando dos o más bandas pertenecientes a
la misma escena. Un Índice de Vegetación, puede ser definido como un parámetro
calculado a partir de los valores de la reflectancia a distintas longitudes de onda, y que
es particularmente sensible a la cubierta vegetal. También, corresponde a un número
generado por alguna combinación de bandas espectrales y que puede tener alguna
relación con la cantidad de la vegetación presente en un píxel dado. Estos índices, son
utilizados para mejorar la discriminación entre el suelo y la vegetación, reduciendo el
efecto del relieve en la caracterización espectral de las diferentes cubiertas. (Muñoz,
2013)
Figura . Representación de los índices

Fuente: (Muñoz, 2013)
8.1. Índice de Vegetación Diferencial Normalizado (NDVI)
Fue introducido por Rouse y colaboradores (1974), es el más conocido de todos, y es el
más utilizado para todo tipo de aplicaciones. La razón fundamental su sencillez de
cálculo y disponer de un rango de variación fijo (entre –1 y +1), lo que permite establecer
umbrales y comparar imágenes.
 Valores muy bajos de NDVI, del orden de 0.1, corresponden a áreas rocosas, arenosas
o nevadas.
 Valores de 0.2 a 0.3 pueden corresponder a áreas pobres con arbustos o pasturas
naturales.
A partir de estos valores tendremos los niveles correspondientes a praderas, cultivos,
forestaciones etc. dependiendo el valor alcanzado. Sin embargo, tiene el inconveniente
de ser sensible a la reflectividad del suelo sobre el que se sitúa la planta, lo que limita su
potencial de discriminación. Por ejemplo, en una zona con baja densidad de vegetación,
la reflectividad de un pixel en la banda infrarroja y en la banda roja, vendrían
determinados fundamentalmente por el suelo, con una pequeña variación debida a la
presencia de vegetación. El resultado, es que un índice de vegetación de esa zona, daría
resultados muy similares a los del suelo desnudo y sería imposible detectar la presencia
de vegetación. (Abaurrea, 2013)
Minimiza efectos topográficos y produce escala lineal de medición. La escala va de –1 a
1 con el valor cero representando el valor aproximado donde empieza la ausencia de
vegetación. Los valores negativos representan superficies sin vegetación. La
normalización que realiza, reduce el efecto de la degradación de calibración del sensor
y la influencia de los efectos atmosféricos. Gran sencillez matemática. (Muñoz, 2013)
(𝑁𝐼𝑅) − (𝑅𝐸𝐷)
𝑁𝐷𝑉𝐼 =
(𝑁𝐼𝑅) + (𝑅𝐸𝐷)
NIR: reflectividad del píxel en la banda infrarroja cercana
RED: reflectividad del píxel en la banda roja
Figura . Ejemplos de cálculo y valores de NDVI

Fuente: (Muñoz, 2013)
8.2. El Índice de Vegetación Transformado (TVI)
Propuesto por Deering y colaboradores en 1975, modifica el NDVI agregando una

constante de 0,50 a todos sus valores y calculando la raíz cuadrada de los resultados. La
constante 0,50 se introduce para evitar operar con valores negativos del NDVI. El cálculo
de la raíz cuadrada se emplea para corregir los valores del NDVI que se aproximan a una
distribución Poisson e introducir una distribución normal. Con estos dos elementos, el
TVI toma la siguiente forma:
𝑁𝐼𝑅 − 𝑅𝐸𝐷
𝑇𝑉𝐼 = √ + 0,5
𝑁𝐼𝑅 + 𝑅𝐸𝐷

Sin embargo, el uso del TVI requiere que los valores del NDVI de entrada mínima sean
mayores que -0,5 para evitar abortar la operación. Los valores negativos aún
permanecerán si se hallan valores menores que -0,5 en el NDVI. Es más, no existe una
diferencia técnica entre el NDVI y el TVI en términos de la salida de imagen o de la
detección activa de vegetación. (Abaurrea, 2013)
8.3. El Índice de Vegetación Transformado Corregido (CTVI)
Propuesto por Perry y Lautenschlager (1984) apunta a corregir el TVI. Resulta obvio que
agregar una constante de 0,5 a todos los valores del NDVI no siempre elimina los valores
negativos porque los valores del NDVI pueden tener el rango -1 a +1. Los valores
menores que - 0,5 dejan pequeños valores negativos luego de la operación de adición.
Entonces, el CTVI se realiza para resolver esta situación al dividir (NDVI + 0,50) por su
valor absoluto ABS (NDVI + 0,50) y multiplicar el resultado por la raíz cuadrada del valor
absoluto (SQRT [ABS (NDVI + 0,50)]). Esto suprime el NDVI negativo. La ecuación se
escribe:
𝑁𝐷𝑉𝐼 + 0,5
𝐶𝑇𝑉𝐼 = ∗ √|𝑁𝐷𝑉𝐼 + 0,5|
|𝑁𝐷𝑉𝐼 + 0,5|
En el caso que la corrección se aplique de manera uniforme, la imagen de salida que usa
el CTVI no debe tener diferencia con la imagen inicial NDVI o la TVI cuando el TVI lleva a
cabo correctamente la operación de raíz cuadrada. La corrección se realiza para eliminar
los valores negativos y generar una imagen del índice de vegetación similar a, o mejor
que, el NDVI. Sin embargo, Thiam (1997) indica que la imagen resultante del CTVI puede
ser muy “ruidosa” debido a una sobrestimación de la cualidad verde. Él sugiere ignorar
el primer término de la ecuación CTVI para obtener mejores resultados. Esto se logra
simplemente sacando la raíz cuadrada de los valores absolutos del NDVI en la expresión
original del TVI para tener un nuevo índice de vegetación llamado Índice de Vegetación
Transformado de Thiam (TTVI). (Abaurrea, 2013)
𝑇𝑇𝑉𝐼 = √|𝑁𝐷𝑉𝐼 + 0,5|

8.4. Índice de Vegetación de Cociente (RVI)
Fue sugerido por Richardson y Wiegand (1977) por tener gráficamente la misma fuerzas
y debilidades que el TVI, mientras que resulta más simple a nivel computacional. Poco
sensible a las condiciones de iluminación, pero mucho a las propiedades ópticas de la
tierra. (Abaurrea, 2013)
𝑁𝐼𝑅
𝑅𝑉𝐼 =
𝑅𝐸𝐷
8.5. El Índice de Vegetación de Cociente Normalizado (NRVI)
Es una modificación del RVI por Baret y Guyot (1991) por el cual el resultado del RVI - 1
es normalizado sobre el RVI + 1.
𝑅𝑉𝐼 − 1
𝑁𝑅𝑉𝐼 =
𝑅𝑉𝐼 + 1
Esta normalización es similar en efecto a la del NVDI, es decir, reduce los efectos
topográficos, lumínicos y atmosféricos, y crea una distribución normal estadísticamente
apreciada. (Abaurrea, 2013)
8.6. NDWI Diferencial de agua normalizado
Propuesto por Clevers en 1988, este índice se utiliza para medir la cantidad de agua que
posee la vegetación o el nivel de saturación de humedad que posee el suelo. Los valores
que se obtienen oscilan entre -1 y 1, para las zonas con menos humedad. (Abaurrea,
2013)
𝑁𝐼𝑅 − 𝑆𝑊𝐼𝑅
𝑁𝐷𝑊𝐼 =
𝑁𝐼𝑅 + 𝑆𝑊𝐼𝑅
NIR = reflectividad del píxel en la banda del Infrarrojo Cercano
SWIR= reflectividad del píxel en la banda del Infrarrojo medio
8.7. El Índice de Vegetación Perpendicular (PVI)

Propuesto por Richardson y Wiegand 1974, usa la distancia perpendicular de cada pixel
a la línea del suelo.
𝑎 ∗ 𝑁𝐼𝑅 − 𝑅𝐸𝐷 + 𝑏
𝑃𝑉𝐼 =
√𝑎2 + 1
Su cálculo requiere de la ecuación correspondiente a la línea del suelo:
NIRsuelo = a Redsuelo + b
a= es la Pendiente de la línea de suelo.

b= es el intercepto (Abaurrea, 2013)
Figura . Representación del PVI
Fuente:
8.8. Índice de Vegetación de Diferencia (DVI)
también es sugerido por Richardson y Wiegand (1977) como un algoritmo para el

cálculo del índice de vegetación más fácil. La particularidad del DVI es que pesa la banda
infrarroja cercana por la pendiente de la línea del suelo. Éste se escribe:
𝐷𝑉𝐼 = 𝑎 ∗ 𝑁𝐼𝑅 − 𝑅𝐸𝐷
a = pendiente de la línea de suelo
Un valor de cero indica suelo desnudo, los menores de cero, agua y los mayores de cero,
vegetación. (Abaurrea, 2013)
8.9. El Índice de Vegetación Ajustado al Suelo (SAVI)
Es propuesta por Huete (1988). Está preparado para minimizar los efectos del fondo de
suelo sobre la señal de vegetación al incorporar un factor L de ajuste del suelo constante
en el denominador de la ecuación NDVI. L varía con las características de reflectancia
del suelo (Ej.: color y brillo). Huete (1988) provee un gráfico de donde se pueden extraer
los valores de L. El factor L elegido depende de la densidad de la vegetación que uno
desea analizar. Para un nivel de densidad muy pobre, Huete y colaboradores (1988)
sugieren usar un factor L de 1,0; para un nivel intermedio, 0,5 y para uno alto, 0,25.
Walther y Shabaani (1991) proponen que el mejor valor L para seleccionar es donde la
diferencia entre los valores de SAVI para suelos oscuros (dark soil) y claros (light soil) es
mínima. Para L = 0, SAVI es igual a NDVI. Para L = 100, SAVI se aproxima a PVI. (Abaurrea,
2013)
𝑁𝐼𝑅 + 𝑅𝐸𝐷
𝑆𝐴𝑉𝐼 = ∗ (1 + 𝐿)
𝑁𝐼𝑅 + 𝑅𝐸𝐷 + 𝐿
L = factor de ajuste del suelo

8.10. Índice de suelo ajustado transformado (TSAVI)
Propuesto por Baret y Guyol en 1991, considera la pendiente y el intercepto de la línea
de suelo. Mucho efecto del suelo de fondo. Tiene varias modificaciones de
transformaciones. (Muñoz, 2013)
𝑎(𝑁𝐼𝑅 − 𝑎 ∗ 𝑅𝐸𝐷 − 𝑏)
𝑇𝑆𝐴𝑉𝐼 =
𝑅𝐸𝐷 + 𝑎 ∗ 𝑁𝐼𝑅 − 𝑎𝑏
a= es la Pendiente de la línea de suelo.

b= es el intercepto
8.11. Índice de suelo ajustado transformado (MSAVI)
Propuesto por Qi, Kerr, Chehbou ni y Huete en 1994, es un índice de gama limitada:
-1<MSAVI<1; L no es a priori, sino que calculada. Reduce la incerteza del SAVI +-2.5% a
+- 1.6%. Es similar al WDVI en la reducción del ruido del suelo, pero sus valores de índice
de vegetación son mayores. (Muñoz, 2013)
𝑀𝑆𝐴𝑉𝐼 = 𝑆𝐴𝑉𝐼
Con
𝐿 = 1 − 2𝑠 ∗ 𝑁𝐷𝑉𝐼 ∗ 𝑊𝐷𝑉𝐼
s = pendiente de la línea de suelo

WDVI = NIR - s * RED
8.12. Índice 2° de suelo ajustado transformado (MSAVI2)
Es la segunda modificación del SAVI. Es como una repetición del MSAVI que básicamente
utiliza procesos iterativos y sustituye el factor L del MSAVI por 1-MSAVI(n-1). En el
proceso, se elimina la necesidad de pre calcular WDVI, NDVI y encontrar la línea de
suelo. (Muñoz, 2013)
1
𝑀𝑆𝐴𝑉𝐼2 = (2(𝑁𝐼𝑅 + 1) − √(2𝑁𝐼𝑅 + 1)2 − 8(𝑀𝐼𝑅 − 𝑅𝐸𝐷))
2
8.13. Índice de diferencia Ponderada (WDVI)
Propuesta por Clevers 1988, es matemáticamente más simple. Como el PVI, el WDVI es
muy sensible a las variaciones atmosféricas. (Muñoz, 2013)
𝑊𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑎 ∗ 𝑅𝐸𝐷
a = Pendiente de la línea de suelo

10. Sinergismos
El sinergismo consiste en mejorar la calidad de la Imágenes respecto a la resolución espectral.

Este proceso es utilizado principalmente para fusionar imágenes de satélite producidas por
diferentes sensores, pero con características semejantes. En algunos casos se realiza este
proceso con imágenes de satélite Landsat e imágenes Spot. Se establece utilizar la banda
pancromática, con el objetivo de reducir el tamaño del pixel, este tipo de imágenes por defecto
tienen un tamaño de pixel de 30 por 30, al realizar este proceso el tamaño del pixel se reduce a
15 por 15 lo que garantiza una mejora en la resolución espectral y un mayor desempeño al
realizar un proceso de clasificación. (Grande, 2015)
10.1. Pan sharpening
El algoritmo pan sharpening funde la imagen multiespectral de baja resolución y la

pancromáticas de alta resolución juntas para crear una imagen color de alta resolución realzada.
La imagen en color de alta resolución conserva la fidelidad del color original y permite mejorar
la visualización e interpretación. El dato de imagen pancromático puede ser fundido con la
imagen multiespectral adquiridas simultáneamente por el mismo sensor, o imágenes de
diferentes sensores pueden ser usados. Sin embargo, los mejores resultados se obtienen cuando
la imagen es recolectada simultáneamente y las resoluciones de los datos pancromáticos y
multiespectrales están estrechamente relacionadas. Las características espectrales del dato
original serán conservadas en la imagen de alta resolución resultante. Esto significa que el
análisis como la clasificación pueden ser hechas sobre la imagen pan-sharpened con el beneficio
agregado por la resolución espacial más alta. (Geosoluciones, 2016)
Figura. Aplicación de pan sharpening

Fuente: (Geosoluciones, 2016)
10.2. Transformación IHS
Se basa en la transformación de los colores primarios: Rojo, Verde y Azul en propiedades del
color: Intensidad (brillo), Hue (tono o color) y Saturación (pureza de color) de forma que se
pueda obtener una imagen con mayor contraste.
Figura. Imagen SPOT 5 (3-2-1, R-V-A) originada por transformación de RGB a IHS
Fuente: (García, y otros, 2014)
En esta transformación resaltan en color rojo las parcelas de regadío con cultivos y la vegetación
de ribera con alta actividad clorofílica. Los suelos en barbecho o desnudos tienen tonos azulados
muy claros. En verde aparecen las urbanizaciones y otras cubiertas con poca vegetación, por lo
que solo es posible discriminar los suelos sellados por el mosaico de tonos verdes
entremezclados con negros que crean una textura muy irregular. (García, y otros, 2014)

Indices y Sinergismo

Cargado por

Copyright:

Formatos disponibles

Indices y Sinergismo

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Indices y Sinergismo

Cargado por

Copyright:

Formatos disponibles

8.

Índices Espectrales de las imágenes

Figura . Representación de los índices

Figura . Ejemplos de cálculo y valores de NDVI

8.2. El Índice de Vegetación Transformado (TVI)

Propuesto por Deering y colaboradores en 1975, modifica el NDVI agregando una

NIR: reflectividad del píxel en la banda infrarroja cercana

𝑇𝑇𝑉𝐼 = √|𝑁𝐷𝑉𝐼 + 0,5|

8.7. El Índice de Vegetación Perpendicular (PVI)

a= es la Pendiente de la línea de suelo.

8.8. Índice de Vegetación de Diferencia (DVI)

también es sugerido por Richardson y Wiegand (1977) como un algoritmo para el

𝐷𝑉𝐼 = 𝑎 ∗ 𝑁𝐼𝑅 − 𝑅𝐸𝐷

a = pendiente de la línea de suelo

8.9. El Índice de Vegetación Ajustado al Suelo (SAVI)

L = factor de ajuste del suelo

a= es la Pendiente de la línea de suelo.

8.11. Índice de suelo ajustado transformado (MSAVI)

s = pendiente de la línea de suelo

8.12. Índice 2° de suelo ajustado transformado (MSAVI2)

8.13. Índice de diferencia Ponderada (WDVI)

𝑊𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑎 ∗ 𝑅𝐸𝐷

a = Pendiente de la línea de suelo

El sinergismo consiste en mejorar la calidad de la Imágenes respecto a la resolución espectral.

10.1. Pan sharpening

El algoritmo pan sharpening funde la imagen multiespectral de baja resolución y la

Figura. Aplicación de pan sharpening

10.2. Transformación IHS

También podría gustarte