proyecto de grado 1 protocolo de procesamiento de...
TRANSCRIPT
1 Protocolo de Procesamiento de Imágenes Satelitales
PROTOCOLO DE PROCESAMIENTO DE IMÁGENES
SATELITALES PARA EL ENTRENAMIENTO Y PRUEBA DE
UNA RED NEURONAL DE PREDICCIÓN DE DAÑO
ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES
DENTRO DEL MARCO DE CELEBRACIÓN DE LOS 100
AÑOS DE LA FUERZA AÉREA COLOMBIANA
PROYECTO DE
GRADO: MODALIDAD
INVESTIGACIÓN
– INNOVACIÓN
2
PROTOCOLO DE PROCESAMIENTO DE IMÁGENES SATELITALES PARA EL
ENTRENAMIENTO Y PRUEBA DE UNA RED NEURONAL DE PREDICCIÓN DE DAÑO
ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES DENTRO DEL MARCO DE
CELEBRACIÓN DE LOS 100 AÑOS DE LA FUERZA AÉREA COLOMBIANA
AUTOR:
HEINNER SANTIAGO SUAREZ PRADA
PROYECTO DE GRADO
MODALIDAD INVESTIGACIÓN - INNOVACIÓN
DIRECTOR
M. Sc. JAVIER FELIPE MONCADA SANCHEZ
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
BOGOTÁ
2019
3 Protocolo de Procesamiento de Imágenes Satelitales
Agradecimientos Equipo de Trabajo
Teniente Coronel Henao Bohórquez Jorge Andrés
Gerente de Proyecto
Dra. Lilia Edith Aparicio Pico
Directora de Proyecto – Universidad Distrital
Francisco José de Caldas
Te. Calixto Rodríguez Iván Camilo – Fuerza Aérea
Colombiana
Director de Proyecto – Fuerza Aérea Colombiana
CT. Elkin Andrés Sastoque Rodriguez
Coordinador de Gestión
St. Guerra Ibáñez Laura Fernanda
Coordinador de Logistica
Ing. Paulo Cesar Coronado Coordinador Técnico - Arquitecto de Solución
Ts. Moreno Gonzales Adrián Felipe
Coordinador Técnico
Ts. Mosquera Rojas Ricardo Coordinador Técnico
Est. Ing. Heinner Santiago Suarez Prada
Líder en Procesamiento Digital de Imágenes y Análisis Espacial
Javier Felipe Moncada
Sanchez Coordinador Ingeniería Catastral
y Geodesia Director de Tesis
Ing. Oscar Munar Líder de Desarrollo
T3. Ramírez Aguja Eric
Equipo Operativo
T3. Herrera Plazas Jose Alberto
Equipo Operativo
T3. Villanueva Timotel Mario Fernando
Equipo Operativo
T3. DiazTavorda Lucas David Equipo Operativo
4
AUTOR
Heinner Santiago Suarez Prada
DIRECTOR DE TESIS
M. Sc. Javier Felipe Moncada Sanchez
DIRECTOR DE PROYECTO
Dr.-Ing Lilia Edith Aparicio Pico
COORDINADORES TÉCNICOS
M. Sc. Paulo Cesar Coronado Ts. Moreno Gonzales Adrián Felipe Ts. Mosquera Rojas Ricardo
EDICIÓN, DISEÑO, DIAGRAMACIÓN Y ESTILO
Heinner Santiago Suarez Prada
2019
ES PROPIEDAD DEL ESTADO
Derechos reservados. Queda estrictamente prohibida su reproducción total o parcial, por cualquier medio o procedimiento, sin la autorización expresa de la Universidad Distrital Francisco José de Caldas y La Fuerza Aérea Colombiana
5 Protocolo de Procesamiento de Imágenes Satelitales
RESUMEN Dando alcance a los objetivos y compromisos asumidos por la Universidad Distrital Francisco José de Caldas en cabeza del Grupo de Investigación en Telemedicina GITEM++, dentro del marco del convenio de Cooperación Interinstitucional entre la Fuerza Aérea Colombiana (FAC) y la Universidad Distrital, se plantea el siguiente proyecto de investigación - innovación en conmemoración de los 100 años de la FAC y cuyo propósito se centra en la definición de un protocolo para el entrenamiento y prueba de un modelo de predicción de daño ecológico causado por extracción ilegal de minerales a cielo abierto basado en técnicas de inteligencia computacional haciendo uso de imágenes satelitales.
Lo anterior implica la necesidad de un análisis de datos, en su mayoría imágenes satelitales procedentes de diferentes fuentes y que apoyadas en diversos tipos de información geográfica, documentación técnica, avances tecnológicos, entre otros, conforman un conjunto de información con datos estructurados como no estructurados, lo que conduce a un proceso de preparación de la información para ser introducidas dentro de un modelo de predicción, ya que no cumplen con una única estructura de los datos.
La creciente preocupación por los efectos ambientales provenientes de prácticas humanas ha unificado los esfuerzos mundiales desde esferas políticas, económicas, sociales y científicas con el objetivo de lograr una sostenibilidad ambiental y armonía con el medio ambiente, al tiempo en que se permitan las dinámicas de producción, crecimiento económico y desarrollo de las naciones, planteando estrategias y proyectos que reduzcan y mitiguen la crisis ambiental pronosticada para los próximos años.
6
Bajo este movimiento global la importancia de la predicción toma un rol protagónico, al facilitar la construcción de posibles escenarios futuros que adviertan situaciones desfavorables para el ambiente, convirtiéndose en insumos importantes para la planificación de los recursos presentes y así enfrentar los futuros paradigmas ambientales de manera acertada, lo cual sumado a tecnologías y técnicas de inteligencia computacional proporcionan un potencial campo de acción que para efectos de la presente investigación se enfoca en la predicción del daño ecológico consecuencia de la explotación ilegal de minerales a cielo abierto, integrando así información geográfica, imágenes satelitales y geomática, con modelos numéricos, técnicas de análisis multitemporal, heurística computacional y soft computing facilitando la identificación y análisis de comportamientos futuros, con el fin de activar diversos mecanismo gubernamentales, locales y corporativos que permitan la puesta en marcha de adecuados programas de reacción frente a estos desafíos medioambientales.
Las principales estrategias desarrolladas para su implementación en modelos de inteligencia computacional se encuentran las redes neuronales convolucionales multicapa y machine learning, las cuales junto a técnicas de análisis multitemporal permite analizar y obtener los cambios de cobertura del correspondiente daño ecológico por extracción ilegal de materiales.
7 Protocolo de Procesamiento de Imágenes Satelitales
El proyecto de investigación se encuentra focalizado en el municipio colombiano de El Bagre, Antioquia, quien presenta en su costado nor-occidental grandes áreas en las cuales se practica la extracción ilegal de minerales y cuyo impacto en el medio está enfocado en el planteamiento de un protocolo que permita la alimentación para entrenamiento y prueba de un modelo de predicción deep learning que permita predecir cambios de cobertura por extracción ilegal de materiales a cielo abierto siendo el tratamiento de los datos disponibles de vital importancia, integrando información proveniente de imágenes satelitales a métodos computacionales de predicción que faciliten la transferencia del conocimiento del medio científico a las diferentes organizaciones que tienen interés en el proceso de analizar el daño ecológico producido por la extracción de minerales a cielo abierto, con fines de mejorar aspectos de respuestas ante los posibles desastres.
8
Este logro ha sido posible gracias a la colaboración y el apoyo de muchas personas especiales que aportaron siempre un granito de arena a mi crecimiento personal y a
quienes dedico las siguientes palabras.
A mi madre, Lucero; mi padre, Jorge y mi hermana, Anggy, gracias por ser mi centro de inspiración, superación y referente.
Por confiar siempre en mí, iluminar mí camino y despertar mi curiosidad por descubrir el mundo.
Infinitas Gracias.
A mis amigos y amigas, de quienes he recibo apoyo sincero, quienes me han acompañado en diferentes etapas a lo largo del tiempo y me han aconsejado con
su mismo ejemplo de vida.
A todos aquellos maravillosos seres que han compartido junto a mí sus enseñanzas, logros y derrotas en estos años, así como quienes han estado para
darme una voz de aliento en los momentos difíciles.
A Laura V., Angélica O., Daniela G y Catherine C., que recorrieron junto a mí este camino y ayudaron a construir mi presente y sobre todo a Andrea y Alejandro,
amigos de corazón y quienes a lo largo del tiempo, vivieron mi lado horas de estudio, momentos felices y otros algo difíciles pero siempre de aprendizaje mutuo.
A Lilia Edith Aparicio Pico, por acogerme desde tercer semestre en su grupo de
investigación, enseñarme, apoyarme, formarme y contar conmigo en este y muchos proyectos más.
A los autores, directores y revisores quienes sin su colaboración el presente trabajo
de grado no se habría podido llevar a cabo.
A la Fuerza Aérea Colombiana por abrirnos amablemente las puertas y tener total disposición de trabajar en equipo, en especial a la Teniente Laura, el Teniente Calixto y el Técnico Tercero Mario Villanueva, quienes apoyaron los diferentes
procesos para hacer de esta investigación una realidad.
A ti querido lector.
Y por supuesto, a la vida por permitirme llegar a una etapa más de muchas otras que me esperan.
Desde lo más profundo de mi corazón agradezco a todos aquellos que me
acompañaron durante este proceso.
. Espero que jamás se aparten de los senderos de mi vida, que me reciban siempre
con su cariño y me ofrezcan su compañía.
Santiago.
9 Protocolo de Procesamiento de Imágenes Satelitales
TABLA DE CONTENIDO
10
Tabla de contenido
PROYECTO DE GRADO: MODALIDAD INVESTIGACIÓN – INNOVACIÓN ....................................... 1
Resumen ................................................................................................................................ 5
TABLA DE CONTENIDO ........................................................................................................ 9
CAPÍTULO 1 .......................................................................................................................14
CONTEXTUALIZACIÓN .........................................................................................................14
Descripción del Problema ................................................................................................15
Estado del Arte ................................................................................................................15
1.2.1Extracción Ilegal de Minerales .......................................................................................15
Procesamiento Digital de Imágenes ......................................................................................17
1.2.2 Inteligencia Computacional ...........................................................................................18
CAPÍTULO 2 .......................................................................................................................20
MARCO TEÓRICO ...............................................................................................................20
2.1 Daño Ecológico y Degradación Ambiental .......................................................................21
2.1.2 Degradación Física Por Explotación Ilegal de Materiales a Cielo Abierto ..................21
2.1.3 Degradación Biológica Por Explotación Ilegal de Materiales a Cielo Abierto .............23
2.1.4 Degradación Química Por Explotación Ilegal de Materiales a Cielo Abierto ..............24
1.5 Regalías por Proyectos Mineros ..................................................................................25
.1.6 Indicador Global de Degradación 15.3.1 .....................................................................25
CAPÍTULO 3 .......................................................................................................................27
DISEÑO DE LA INVESTIGACIÓN ............................................................................................27
Objetivo ...........................................................................................................................28
3.1.1 General.........................................................................................................................28
3.1.2 Específicos ...................................................................................................................28
Zona de Estudio ...............................................................................................................28
Diseño de la Investigación ...............................................................................................29
Metodología .....................................................................................................................31
CAPÍTULO 4 .......................................................................................................................33
DESARROLLO DE INVESTIGACIÓN Y DESCRIPCIÓN DE RESULTADOS ......................................33
4.1 Caracterización Física y Demográfica del Área de Estudio - (Municipio El Bagre) ...........34
4.1.1 Caracterización Física ...............................................................................................34
4.1.2 Caracterización Demográfica ....................................................................................41
4.2 Daño Ecológico y Definición de Variables Explicativas ....................................................45
11 Protocolo de Procesamiento de Imágenes Satelitales
4.2.1 Definición de Variables..............................................................................................45
4.3 Procesamiento Experimental de Información Geográfica y Definición de Secuencia y Algoritmos de Procesamiento .............................................................................................55
4.3.1 Clasificación Supervisada .........................................................................................55
4.3.2 Síntesis de Resultados del Procesamiento Experimental ..........................................57
4.4 Análisis de Resultados ....................................................................................................62
4.4.1 Definición del algoritmo de mayor ajuste y número de muestras ..............................62
4.5 Productos ........................................................................................................................63
4.5.1 Protocolo de Procesamiento .....................................................................................63
Alcances e Impactos ........................................................................................................71
Evaluación de los objetivos ..............................................................................................71
Conclusiones ...................................................................................................................72
Recomendaciones ...........................................................................................................73
Bibliografía .......................................................................................................................73
Anexo 1. Tipos de Suelos del Municipio El Bagre, Antioquia. ................................................79
Anexo 2. Uso Recomendado del Suelo .................................................................................83
12
Índice de Tablas
Tabla 1. Datos Históricos de Temperatura. ...............................................................................36
Tabla 2. Clasificación de la Erosión ..........................................................................................39
Tabla 3. Clases a Utilizar - Corine Land Cover..........................................................................46
Tabla 4. Reglas de Decisión - Daño Ecológico por Cobertura en el Tiempo .............................47
Tabla 5. Clasificación de Pendiente ..........................................................................................50
Tabla 6. Reglas de Decisión – Pendiente en el Tiempo ............................................................51
Tabla 7. Reglas de Decisión – Suelos Inundables ....................................................................51
Tabla 8. Clasificación NDVI.......................................................................................................53
Tabla 9.. Re-escalado de Valores Clasificados NDVI ................................................................53
Tabla 10. Reglas de Decisión – NDVI ......................................................................................54
Tabla 11. Listado de Imágenes Seleccionadas .........................................................................55
Tabla 12. Matriz de Resultados - Proceso Experimental ...........................................................57
Tabla 13. Me. Síntesis de Resultados .......................................................................................59
Tabla 14. Prueba de Normalidad ..............................................................................................59
Tabla 15. Intervalos de Confianza Sensores MSS, TM y OLI - TIRS .........................................60
Tabla 16. Intervalos de Confianza Sensores ETM y ADS ........................................................61
Tabla 17. Características de Imagines Multiespectrales por Sensor .........................................62
Tabla 18. Características Imágenes Temáticas Obtenidas .......................................................62
Tabla 19. Metadatos Mínimos del Banco de Imagenes ............................................................65
Tabla 20. Clases Corine Land Cover a Utilizar ..........................................................................66
Tabla 21. Clasificaciones Obtenidas por Imagen ......................................................................67
Tabla 22. Matriz de Resultados de Coeficientes Kappa ............................................................68
Tabla 23. Matriz para Identificación de Mejor Algoritmo por Sensor ..........................................68
Tabla 24. Matriz de Identificación de Mejor Muestreo por Sensor y Clasificador .......................68
Tabla 25. Matriz de Síntesis de Resultados ..............................................................................69
Tabla 26. Clasificacion de Pendientes Metodologia IGAC .........................................................70
Tabla 27. Tipos De Suelos Del Municipio El Bagre, Antioquia ...................................................79
Tabla 28. Uso Recomendado Del Suelo ...................................................................................83
13 Protocolo de Procesamiento de Imágenes Satelitales
Índice de Ilustraciones
Ilustración 1. Delimitación Municipio El Bagre, Antioquia ..........................................................35
Ilustración 2. Climograma del Municipio El Bagre, Antioquia., ...................................................36
Ilustración 3. Tipos de Suelos del Municipio El Bagre. ..............................................................37
Ilustración 4. Red Hídrica del Municipio El Bagre. ....................................................................38
Ilustración 5. Uso Recomendado del Suelo del Municipio .........................................................39
Ilustración 6. Tipos de Suelos del Municipio El Bagre. ..............................................................40
Ilustración 7. Proyección Poblacional del Municipio El Bagre. ...................................................41
Ilustración 8.Distribución Porcentual de la Población por Sexo. ...............................................42
Ilustración 9. Estructura de la Población por Sexo y Grupos de Edad .......................................42
Ilustración 10. Causa de Cambio de Residencia .......................................................................43
Ilustración 11.Pertenencia Étnica Datos ...................................................................................43
Ilustración 12. Proporción del Nivel Educativo ..........................................................................44
Ilustración 13. Tasa de Alfabetismo de la Población .................................................................44
14
CAPÍTULO 1 CONTEXTUALIZACIÓN
15 Protocolo de Procesamiento de Imágenes Satelitales
Descripción del Problema
Dentro de las características del territorio una de las más importantes corresponde a su dimensión ambiental, no solo desde una perspectiva de conservación y definición del uso del suelo, sino también vista a partir de los impactos ambientales generados por actividades humanas, incluida su gravedad, riesgo y evolución.
Lo anterior implica un entendimiento integral del territorio que lleva a afrontar nuevos retos en materia ambiental de la mano de los avances tecnológicos propios del auge actual del nuevo siglo; Estos adelantos tales como Inteligencia Artificial, Realidad Aumentada, Realidad Virtual, Deep Learning, Simulación, entre otros, permitirán dotar a la nación de nuevas herramientas geo-predictivas con la potencialidad de posicionar las entidades públicas y a la Fuerza Aérea en específico como líderes en la lucha contra el deterioro ambiental y la degradación del territorio cada vez más latente.
Para lo anterior es indispensable alimentar los sistemas predictivos con información geográfica capaz de reflejar cambios multitemporales de la superficie terrestre, convirtiéndose en base fundamental y decisoria para el entrenamiento y prueba de las tecnologías mencionadas anteriormente. Dado la heterogeneidad de esta información se plantea un protocolo de procesamiento que permita obtener datos de entrada para el entrenamiento del modelo de predicción de daño ecológico.
Estado del Arte 1.2.1EXTRACCIÓN ILEGAL DE MINERALES
La extracción ilegal de materiales como la minería en Colombia y el mundo ha presentado su mayor auge en los últimos años teniendo efectos devastadores sobre el medio ambiente, por tal motivo es importante estudiar sus efectos e impactos sobre el territorio, para lo anterior se han desarrollados diversos esfuerzos apoyados en múltiples tecnologías, muestra de lo anterior se plante en el documento Evaluación de la susceptibilidad a la erosión por el cambio de cobertura debido a la minería, en el Municipio de Anorí, Antioquia, Colombia, investigación que implementó un modelo de susceptibilidad del suelo a presentar erosión en dicho municipio por medio de Sistemas de Información Geográfica, evaluando
16
cambios de cobertura sobre el territorio por desarrollos mineros. (Ceballos Espinos & Toro R, 2012).
Los cambios del suelo usualmente son identificados y monitoreados a través de análisis multitemporales, siendo una herramienta útil para realizar estudios de impacto por minería, durante el XVI Simposio Brasilero de Sensoramiento Remoto se presentó un Análisis multitemporal para la detección de cambios ocasionados por actividades de minería ilegal en la cuenca media del río Caroní, Venezuela usando de imágenes Landsat Tm de los años 1991, 2001 y 2010, su investigaciòn se enfocó en la implementación de tres componentes de las imágenes satelitales en mención, el brillo (asociado con los cambios en la reflectancia del suelo), el verdor (correlacionado con el vigor de la vegetación) y la humedad (relacionada con la vegetación y el agua del suelo), los cuales facilitaron la homogeneización de la reflectancia, permitiendo una mejor separaciones de los objetos durante la combinación de componentes. (Lezama & da Silva Narvaes, 2013).
Uno de los artículos más notables en este campo es el Modelo de Restauración de Áreas Degradadas por Minería Ilegal en el Bagre Colombia, donde de evidencia que la minería aurífera aluvial, explota la mayor parte del área de humedales asociados al río Nechí en el municipio del Bagre, Antioquia – Colombia, lugar donde se han identificado graves problemas en la conectividad de las corrientes fluviales por minería, debido a lo anterior Vanegas (2014) plantea un modelo conceptual de restauración ecológica (RE) a escala regional con aplicación en humedales tropicales utilizando elementos de los modelos Bradshaw, NRC y Adaptable, potencial de restauración y 38 variables que componen su calificación. (Vanegas Villa, 2014).
La problemática ambiental que surge en Colombia a partir de la minería en el país abarca diferentes dimensiones del territorio generando “una serie de impactos y consecuencias ambientales degenerativas, donde no solo se evidencia en la degeneración de sus recursos naturales de manera indiscriminada sino también en la salud de sus pobladores y otros seres vivos pertenecientes a hábitats cercanos a áreas destinadas a explotación minera” (Pérez O & Betancur V, 2016).
Lo anterior induce a pensar en factores de análisis no solamente desde una perspectiva física, sino también aquellos factores sociales y culturales que hacen de la minería una actividad antrópica de alto impacto y que muchas veces se encuentra arraigada a tal punto de considerarse una actividad insignia de los municipios, tal y como se expone en un artículo de llamado Impacto ambiental y social de la minería a cielo abierto con maquinaria pesada en el municipio de Condoto, departamento del Chocó, a partir del año 2000, donde es posible dimensionar lo importante que ha sido la minería artesanal para la población de Condoto desde una perspectiva económica a pesar de ser dañino para su ambiente. (España Hoyos & Serna Còrdoba, 2016)
17 Protocolo de Procesamiento de Imágenes Satelitales
PROCESAMIENTO DIGITAL DE IMÁGENES
El proceso digital de imágenes es una herramienta útil a la hora de realizar estudios de las diferentes coberturas de la superficie terrestre, generalmente se implementan para estudios multitemporales, sin embargo cabe aclarar que aunque se suela implementar para dichos estudios, su campo de acción es bastante amplio.
En el documento Análisis multitemporal mediante imágenes de sensores remotos de la explotación a cielo abierto en la mina El Cerrejón municipio de Barrancas y Albania departamento de la Guajira, se describe el análisis multitemporal del estado de explotación de la mina el Cerrejón, donde se buscaba analizar el volumen del material extraído y el material acumulado. (Orozco Oñate & Valbuena Cely, 2016). Lo anterior utilizando imágenes Landsat para el cálculo de cambios planimétricos sobre la superficie, y Modelos Digitales de Superficie para hacer los cálculos de diferencias de volumen excavado a lo largo del tiempo.
En cuanto a la clasificación de imágenes como parte del procesamiento digital de imágenes, Arango Gutiérrez (2005) en su documento llamado Clasificación no supervisada de coberturas Vegetales sobre imágenes digitales de sensores Remotos: “landsat – etm+”, emplearon sensores remotos LANDSAT y ETM+, así como técnicas de inteligencia artificial no supervisadas (Self-Organizing Maps – SOM), como una alternativa viable para obtener información de una manera más veloz que corresponda a zonas con diferentes coberturas vegetales presentes en la geografía nacional, para lo anterior aplicaron sobre las imagenes análisis de componentes principales permitiendo reducir el número de datos conservando un gran porcentaje de la información. Sobre estos datos depurados se aplicaron las técnicas no supervisadas modificando algunos parámetros que pudieran mostrar una mejor convergencia de los métodos, los resultados obtenidos se compararon con la clasificación supervisada a través de matrices de confusión y se concluye que no hay una buena convergencia de los métodos de clasificación no supervisada con este proceso para el caso de las coberturas vegetales.
Por otro lado otro estudio nacional acerca de problemáticas ambientales llamado Análisis Multitemporal Y Multiespectral Para La Elaboración Del Mapa De Conflicto De Uso Del Suelo Por Actividades Mineras En La Vereda Canavita Del Municipio De Tocancipá (Cundinamarca), realiza una comparación entre el uso actual que los habitantes le dan al suelo y el que éste debería tener, evidenciando conflictos de uso del suelo en grandes extensiones de tierra debido a actividades antrópicas de minería a cielo abierto, generando problemáticas sociales, ambientales y políticas en la vereda Canavita del municipio de Tocancipá (Pomar Restrepo & Solano Barrera, 2016).
Por otra parte en el articulo Análisis Multitemporal De Las Coberturas Vegetales En El Área De Influencia De Las Minas De Oro Ubicadas En La Parte Alta Del Sector De Maltería En Manizales, Colombia hacen uso de fotografías aéreas de los años
18
1998 y 2010 y una imagen tomada de Google Earth del año 2015 para analizar variaciones en las coberturas vegetales a lo largo del tiempo, así como la influencia de los sistemas productivos sobre las áreas boscosas, las áreas que han tenido procesos de recuperación y otras en proceso de desaparición. ( Flórez-Yepes, Rncion Santamaría, Cardona, & Alzate Alvarez, 2016).
1.2.2 INTELIGENCIA COMPUTACIONAL Como tal las redes neuronales, pertenecientes a la inteligencia artificial se vienen trabajando desde el siglo pasado, sin embargo los artículos acerca de procesamiento de imágenes datan de la última década del mismo, como lo es el artículo Multispectral image-processing with a three-layer backpropagation network, publicado en la Conferencia Conjunta Internacional de Redes Neuronales en 1989 en el cual los autores buscan informar sobre el uso de una red neuronal con el fin de realizar una clasificación pixel por pixel de una imagen multiespectral de la superficie de la tierra, según lo expresado en el documento se implementaron técnicas estándar con el fin de especificar y entrenar la red, finalmente el resultado es una losa de salida que presenta los resultados de la clasificación de los píxeles como una pantalla de vídeo de tres colores estándar. (McClellan, DeWitt, Hemmer, Matheson, & Moe, 1989)
Posteriormente encontramos en el artículo llamado Multisource Remote Sensing Data Analysis With Self-organizing Neural Networks publicado en el 10º Simposio Internacional Anual de Geociencias y Teledetección en 1990 se describe el entrenamiento de una Red Neuronal (N-N) haciendo uso de algoritmos de propagaciós hacia atrás para clasificar un mapeador de imagen temático multitemporal, el objetivo fundamental de dicha investigación era evaluar la efectividad del enfoque de red neuronal respecto a un máximo de probabilidad estadística (M-L), los enfoques fueron relacionados con la medida estadística de la separabilidad en los datos de entrenamiento de entrada. (Tenorio, Safavian, & Kassebaum, 1990)
En 1991 en el documento Classification of LANDSAT Image Data and Its Evaluation Using a Neural Network Approach, se utilizan imágenes Landsat para procesos de clasificación donde se aplica el enfoque NN a las imágenes LANDSAT TM, donde posteriormente se investiga la utilidad de dicho enfoque para la clasificación ( KAMATA, EASON, & KAWAGUCHI, 1991). Por otro lado en el siguiente año se publica Multispectral classification of Landsat-images using neural networks, donde los autores informan la aplicación de redes de propagación inversa de tres capas, como se venía trabajando en artículos anteriores, a diferencia de que esta es para de la clasificación de los datos de Landsat Tm en una base pixel por pixel. (Bischof, Schneider , & Pinz, 1992)
En 1993 se publica A neural net classifier for multi-temporal LANDSAT images using spacial and spectral information, en el cual se propone utilizar un modelo NN para combinar la información espectral y espacial de imágenes LANDSAT TM en
19 Protocolo de Procesamiento de Imágenes Satelitales
un estudio multitemporal que busca investigar la robustez de dos métodos de normalización utilizando información espectral y espacial, donde se confirma que el enfoque NN con el preproceso es más efectivo para la clasificación que el enfoque NN original. (Kamata & Kawaguchi, 1993). De ésta forma en dicha década se siguieron manejando artículos en torno a esta línea.
En el presente siglo resalta una tendencia a la implementación redes neuronales con el fin de determinar coberturas tal y como se muestra en el documento Reusing back-propagation artificial neural networks for land cover classification in tropical savannahs, el cual se enfoca en un método para superar alguna desventajas relacionadas con el uso de éstas redes como clasificadores supervisados, en el método que se propone en dicho documento se busca acelerar el aprendizaje de la red, así como mejorar las precisiones de clasificación y finalmente reducir la variabilidad en el rendimiento de clasificación debido a la inicialización de peso aleatorio. (Verbeke, Vancoillie, & De Wulf, 2004).
En el siguiente año durante el Simposio Brasilero de Sensoramiento Remoto surge el documento Un método para combinar datos espectrales e información auxiliar en una red artificial neuronal, el cual describe un enfoque de redes neuronales para incorporar información auxiliar, en donde se usaron perceptores para generar mapas difusos y perceptores multicapa para clasificar imágenes Landsat para producir mapas difusos basados en información espectral. (Mas, 2005), posteriormente se siguieron generando artículos sobre redes neuronales que permiten clasificar coberturas basándose en datos de procesamiento digital y sensoramiento remoto.
El artículo Streamflow Forecasting Using Different Neural Network Models with Satellite Data for a Snow Dominated Region in Turkey publicado recientemente nos muestra un avance mayor en términos de redes neuronales, ya que se empieza a hablar de pronósticos utilizando redes neuronales con datos satelitales empleando modelos ANN diferentes, comparándolos entre sí utilizando los nuevos productos satelitales MODIS para áreas cubiertas de nieve como una entrada alternativa a los modelos basados en datos climáticos, En el estudio se investigan detalladamente la determinación de arquitecturas de modelos, algoritmos de optimización y métodos para evitar el sobreajuste (Uysa, Orman, & Fensoy, 2016).
20
CAPÍTULO 2 MARCO TEÓRICO
21 Protocolo de Procesamiento de Imágenes Satelitales
2.1 DAÑO ECOLÓGICO Y DEGRADACIÓN
AMBIENTAL De acuerdo al Centro Regional de Información sobre desastres – CRID (2000), el daño ecológico se entiende como el detrimento, perjuicio o alteración del equilibrio de las interrelaciones e interacciones de animales y plantas con su medio, por el efecto de diversos agentes tales como la contaminación.
Tal efecto es visto según el CRID al citar el International Decade for Natural Disaster Reduction (IDNDR) (1992)
“como la degradación de uno o más elementos o aspectos del medio ambiente, debido a desperdicios industriales, químicos o biológicos nocivos, provenientes de desechos de productos hechos por el hombre y por el mal manejo de los recursos naturales y ambientales” (Material II - IDNDR, 1992).
La degradación según el IDEAM y U.D.C.A (2015) es clasificada a partir de tres frentes, degradacion fisica, quimica y biologica, vistos por el autor en mención de la siguiente manera:
En la degradación física se destaca la erosión y la compactación; la primera consiste en la pérdida físico-mecánica del suelo a causa del agua o del viento con daño en sus funciones y servicios ecosistémicos.
En la degradación química se resalta la salinización de los suelos, la acidificación y la contaminación, debida en general al uso excesivo de riego y fertilizantes y como consecuencias de las actividades mineras e industriales.
En la degradación biológica, el proceso de degradación más importante es la pérdida de materia orgánica, que influye en la disminución de la actividad biológica y en procesos de descomposición y mineralización
De acuerdo a lo anterior la degradación ambiental enfocada a la minería cumple con las clasificaciones y características expuestas anteriormente, bajo esta perspectiva el Geólogo Julio Fierro Morales en el Libro Minería en Colombia publicado por la Contraloría General de la República (2019) nos hace una aproximación sintética sobre los impactos ambientales de la minería no legal y se apoya en el documento de MAV-DT-IDEAM (2011), que pueden ser agrupados como degradacion fisica, quimica o biologica.
2.1.2 Degradación Física Por Explotación Ilegal de Materiales a Cielo Abierto
Fierro Morales (2019) nos habla sobre un componente edáfico, enfocado principalmente a la pérdida de suelos, este tipo de degradación se entiende como la disminución o alteración negativa de una o varias de las ofertas de bienes, servicios y/o funciones ecosistémicas y ambientales, ocasionada por procesos naturales o antrópicos que, en casos críticos, pueden originar la pérdida o la destrucción total del componente ambiental (IDEAM, 2004).
22
Desde esta perspectiva la pérdida de suelos es explicada desde dos ángulos importantes, pérdida de suelos debido a erosión y debido a remoción en masa.
Pérdida de Suelos por Erosión
La erosión se define como la pérdida físico-mecánica del suelo, con afectación en sus funciones y servicios ecosistémicos (Lal, 2001) y se califica como degradación cuando se presentan actividades antrópicas indebidas que lo aceleran, intensifican y magnifican. (IDEAM y U.D.C.A, 2015).
De acuerdo a IDEAM y U.D.C.A (2015) la erosión es clasificada en dos tipos, una de naturaleza hídrica y otra debido a dinámicas eólicas sobre los suelos, bajo esta perspectiva los autores mencionados las definen así:
La erosión hídrica es causada por la acción del agua (lluvia, ríos y mares), en las zonas de ladera, cuando el suelo está desnudo (sin cobertura vegetal). En estos casos las gotas de lluvia o el riego, ayudadas por la fuerza gravitacional, arrastran las partículas formando zanjas o cárcavas, e incluso causando movimientos en masa en los cuales se desplaza un gran volumen de suelo. Por otra parte, la erosión eólica es causada por el viento que levanta y transporta las partículas del suelo, produciendo acumulaciones (dunas o médanos) y torbellinos de polvo.
De acuerdo a (M. Victoria López, José Luis Arrúe y Ricardo Gracia, s.f) La susceptibilidad del suelo a la erosión eólica o erosionabilidad viene determinada por:
La textura: suelos de textura gruesa (arenosos) son más erosionables por crear estructuras edáficas inestables (débiles uniones entre partículas y agregados) y por secarse más rápidamente tras lluvia o riego, el contenido en materia orgánica: factor responsable de la agregación y régimen de humedad: influye en la tasa de desecación del suelo y, por tanto, en la duración de la susceptibilidad a la erosión.
Si bien la erosión eólica es importante a largo plazo, para que se considere degradación debe ser acelerada o intensificadas por actividades antrópicas, que para objeto de esta investigación se traducen en actividades de extracción ilegal de minerales a cielo abierto, en ese sentido los impactos de este tipo de degradación, se ven reflejados principalmente en los suelos desnudos quienes son los directos afectados por el viento, incluyendo su dirección e intensidad.
23 Protocolo de Procesamiento de Imágenes Satelitales
Pérdida de Suelos por Remoción en Masa
Dando continuidad a la definición de erosión hídrica aportada por el IDEAM y U.D.C.A (2015), esta se puede abordar desde los impactos físicos por pérdida de suelos debido a procesos de remoción en masa, definidos por Ramírez (2018) y El Instituto Distrital de Gestión de Riesgos y Cambio Climático (2019), como “el proceso por el cual un volumen de material constituido por roca, suelo o escombros que se desplazan por acción de la gravedad por una ladera, son conocidos popularmente como deslizamientos o derrumbes”. En contraste a lo anterior el Manual de derrumbes del Servicio Geológico de Los Estados Unidos (Highland & Bobrowsky, 2008) afirma que:
La saturación de las pendientes por el agua es la principal causa de los deslizamientos de tierra. La saturación puede producirse en forma de lluvias intensas, (…) Los deslizamientos de tierra y las inundaciones están estrechamente vinculadas porque ambos están relacionados con la precipitación, la escorrentía y la saturación del suelo por el agua.
En ese orden de ideas es posible considerar como factores detonantes de la erosión del suelo tanto las precipitaciones, como las zonas de alta pendiente, que en suelos bajo actividades antrópicas de extracción ilegal de minerales a cielo abierto aceleran, intensifican y magnifican sus efectos, generando procesos de degradación ambiental y por consiguiente en daño ecológico.
Desecación
Fierro Morales (2019) dentro de los impactos ambientales de la minería aborda un componente geosférico referido a los impactos sobre la interfaz del suelo, más específicamente a alteración de aguas superficiales por desecación y relleno de humedales.
2.1.3 Degradación Biológica Por Explotación Ilegal de Materiales a Cielo Abierto
La degradación desde una perspectiva biológica es abordada por Fierro Morales (2019) como la transformación de ecosistemas naturales debido al retiro de coberturas, así como la disminución de conectividad ecológica traducida en la eliminación de coberturas vegetales funcionales, tales como remanentes naturales y corredores biológicos.
24
2.1.4 Degradación Química Por Explotación Ilegal de Materiales a Cielo Abierto
La degradación química de acuerdo al IDEAM y U.D.C.A (2015) se puede reflejar en la pérdida de nutrientes y la contaminación del suelo, en ese sentido como bien lo afirma Del Pozo Loayza, C., & Paucarmayta Tacuri, V. (2014)
se ha encontrado evidencia que indica que la minería y la agricultura serían actividades económicas excluyentes entre sí dentro de un mismo espacio territorial (...) sugieren que los hogares rurales más expuestos a la minería (hogares en distritos mineros) tienen en promedio menores niveles de producción agrícola
razón por la cual Fierro Morales (2019) establece una relación entre la minería y los impactos sobre las actividades agropecuarias por pérdida de productividad del suelo, dado los niveles de degradación de estos.
Lo anterior se explica desde una perspectiva economicista tomando en cuenta que “ambas actividades productivas necesitan de los mismos recursos: tierra y agua.” (Del Pozo Loayza, C., & Paucarmayta Tacuri, V, 2014) que en últimas de acuerdo a El Tiempo (1995), desencadena problemas sociales “en cualquier zona de explotación minera, tales como un aumento de la demanda de los servicios, migraciones masivas de población, cambio de actividades económicas y sociales y por ende el abandono del campo”.
En este orden de ideas es posible relacionar la desaparición de cultivos como un factor a tener en cuenta dentro de los impactos sobre el entorno por degradación ambiental química debido a presencia de minería.
La degradación química en términos de contaminación no genera impactos al entorno alejados del ser humano , puesto que también en palabras de Julio Ferro Morales (2019)
Las implicaciones sobre la salud pública que tiene la minería no legal de oro por el uso indiscriminado de mercurio, puede constituir una amenaza para la salud de los ecosistemas y los pobladores de sus áreas de influencia.
Lo anterior implica una relación directa entre aquellas zonas de presencia minera y afectaciones de salud de sus pobladores aledaños, estor reflejado en el número de personas que presentan perjuicios a su salud debido a la presencia de mercurio por minería de oro, expuestos por Olivero y Johnson (2002) y sintetizados por Julio Ferro Morales (2019) como
25 Protocolo de Procesamiento de Imágenes Satelitales
Daños en el cerebro, los riñones y los testículos; déficit en el desarrollo neurológico y de comportamiento (…) daños sutiles en la memoria visual, atención y velocidad en las respuestas visuales, auditivas y psicomotoras (…) inflamación severa en la piel (…) irritación del tracto gastrointestinal y daño hepático severo (…) parálisis progresiva y generalizada de las extremidades.
1.5 Regalías por Proyectos Mineros
Un recurso no renovable es aquel que no se puede restaurar por procesos naturales a una velocidad superior a la del consumo por los seres humanos. En ese sentido la Constitución Política de Colombia establece en su Artículo 332 al Estado Colombiano como “propietario del subsuelo y de los recursos naturales no renovables….”. ( Const., 1991, art. 332) y ordena que “la explotación de un recurso natural no renovable causará a favor del Estado una contraprestación económica a título de regalía” ( Const., 1991, art. 360), con lo cual se establece una relación directamente proporcional entre los niveles de explotacion legal de oro y la percepción de regalías de los municipios por la explotación de sus recursos.
De acuerdo a la Contraloría General de La Nación (s.f), la minería ilegal “exonera del pago de cargas tributarias establecidas por el Estado; así como de las regalías que la producción debe generar, para beneficio directo, en términos de protección ambiental y cobertura en salud y educación, de la población asentada en ese territorio.” sin embargo los montos de dinero que ingresan por este concepto es mínimo, de lo anterior se puede inferir que en colombia los municipios no están recibiendo la cantidad de ingresos por regalías acorde a sus dinámicas de extracción, por lo tanto, aquellos municipios con grandes áreas de explotación minera y baja percepción de dineros públicos por concepto de regalías, deberán presentar altos índices de minería ilegal y/o evasión de pago de regalías.
.1.6 Indicador Global de Degradación 15.3.1
En el marco del Programa de las Naciones Unidas Para el Desarrollo (PNUD) y por consiguiente en la agenda 2030 para el desarrollo sostenible se establecieron los Objetivos de Desarrollo Sostenible, los cuales “son un llamado universal a la adopción de medidas para poner fin a la pobreza, proteger el planeta y garantizar que todas las personas gocen de paz y prosperidad” (PNUD, 2016).
El ODS 15 llamado “ Vida de Ecosistemas Terrestres” plantea “tomar medidas urgentes para reducir la pérdida de hábitats naturales y biodiversidad que forman parte de nuestro patrimonio común y apoyar la seguridad alimentaria y del agua a nivel mundial, la mitigación y adaptación al cambio climático, y la paz y la seguridad” (PNUD, 2016).
26
Con el fin de dar revisión y seguimiento al progreso de este objetivo, la Comisión de Estadística de las Naciones Unidas estableció un indicador global denominado 15.3.1 (Proportion of land that is degraded over total land area) el cual permite la medición de la proporción de tierra degradada sobre un área total basado en cambios de cobertura terrestre, productividad de la tierra y stocks de carbono sobre el territorio.
27 Protocolo de Procesamiento de Imágenes Satelitales
CAPÍTULO 3 DISEÑO DE LA
INVESTIGACIÓN
28
Objetivo 3.1.1 GENERAL
Definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales en el municipio El Bagre, Antioquia
3.1.2 ESPECÍFICOS
Identificar variables de influencia en daño ecológico por extracción ilegal de minerales a cielo abierto del Municipio El Bagre, Antioquia
Generar un banco de imágenes temáticas que permitan evidenciar información sobre el territorio, relacionada al daño ecológico.
Zona de Estudio
El Municipio El Bagre se encuentra ubicado en la Subregión del Bajo Cauca Antioqueño en las estribaciones de la Cordillera Central en el departamento de Antioquia con una extensión superficial de 1563 km2, a una altura promedio de 50 msnm.
Actualmente se enmarca entre los 8º00’08” de latitud Norte y 74º49’ 40” de longitud Oeste, y 7º23’10” de latitud Norte y 74º29’ 00”, de longitud Oeste, equivalentes a la codificación 840604 521111 18N en el sistema de coordenadas Universal Transversal de Mercator basado en el modelo elipsoidal WGS84.
Su cabecera municipal está ubicada en (7º, 35’, 25” N y 74º, 48’, 48” W) a orillas del río Nechí , en la confluencia con el río Tigüí y al este del río Cauca. (Alcaldía El Bagre, Antioquia, 2018)
Limita al norte con el municipio de Nechí; por el sur con los municipios de Zaragoza y Segovia, por el occidente con los municipios de Caucasia y Zaragoza y al este con los municipios de San Lucas y Santa Bárbara pertenecientes al Departamento de Bolívar
29 Protocolo de Procesamiento de Imágenes Satelitales
Diseño de la Investigación
A continuación se plantea el conjunto de principios aplicados en la recolección, análisis y procesamiento de diversas fuentes de información para la predicción de daño ecológico por extracción ilegal de materiales a cielo abierto.
El diseño metodológico utilizado en el desarrollo de la presente investigación se sustenta bajo una luz híbrida entre dos paradigmas, el positivista cuantitativo y el interpretativo cualitativo, el primero aporta desde la orientación nomotética de la investigación el empleo de métodos cuantitativos, estadísticos y por lo tanto predictivos en el procesamiento de información, el segundo paradigma permite el reconocimiento de la realidad desde una fuerte carga fenomenológica y naturalista que suele estar orientada a la comprensión de las acciones humanas.
El paradigma positivista busca explicar y predecir un objeto de estudio, sobre el cual se establece una serie de generalizaciones a través de una relación de causalidad, para esto se sigue un razonamiento deductivo que hacen de la teoría una norma para la práctica.
Bajo esta perspectiva se introduce al objeto de estudio como un objeto de conocimiento científico precisado, definido y acotado, que planteando niveles descriptivos alcanza niveles explicativos (Bozzano, 2018, p. 428) en este sentido Bachelard establece la construcción de este objeto bajo la combinación de cuatro momentos, (1) el recorte de la realidad, (2) la caracterización del objeto de estudio a partir de concepciones determinadas, (3) la articulación de conceptos y (4) el reconocimiento de las dimensiones de análisis. (Bachelard, G.; 1986, 1ª edición: 1935).
Si bien el paradigma positivista es vital para otorgar elementos de independencia y objetividad al conocimiento, implica la resolución de problemas a partir de la “fragmentación del estudio de la realidad en diversas disciplinas” (Rosales Ortega, R. Gutierrez Ramírez, S.; et al.; 2006), lo que introduce razonamientos estáticos a problemas reales dinámicos.
En contraste el paradigma interpretativo ofrece una visión flexible de la realidad, apuntando a un desarrollo ideográfico mayoritariamente inductivo de las interacciones humanas y su relación con el entorno, haciendo uso de técnicas tales como la entrevista, observación sistemática y estudios de caso. Bajo esta perspectiva se conciben las acciones sobre el territorio como fuente fundamental del conocimiento y por lo tanto principal eje de análisis.
30
Ambos paradigmas poseen métodos y concepciones en el entendimiento de la realidad que se entretejen de formas complementarias y conflictivas de acuerdo al objeto de investigación.
Es importante mencionar que si bien el objetivo de esta investigación pretende definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales, es importante llevar a cabo un ejercicio descriptivo y explicativo en torno a las relaciones, causas y efectos sobre el territorio que giran entorno al daño ecológico por extracción ilegal de materiales a cielo abierto, otorgando atributos espaciales y territoriales a la investigación.
Según Bourdieu et al (1973) “Un objeto de investigación, por más parcial y parcelario que sea, no puede ser definido y construido sino en función de una problemática teórica que permita someter a un sistemático examen todos los aspectos de la realidad puestos en relación por los problemas que le son planteados” en contraste Bozzano (2018, pg 110) plantea que “definir al territorio como un objeto de estudio no son sinónimos de un método estructurado y sistemático, sino de entender al método como una combinación de pasos y arte, de rigurosidad y creatividad” es decir “una sucesión de pasos que sobrevive y conjuga con la del arte, entendida en el sentido de habilidad” (Marradi, A; 2007: 47-48).
Dicho esto, la construcción del objeto de estudio para esta investigación es considerada dialéctica puesto que de acuerdo a Bozzano (2018, pg 428) “se trata de un proceso donde simultáneamente enfoques más empiristas y otros más racionalistas -emparentados con conceptos y nociones operativas de un enfoque teórico determinado-, permiten transformar el objeto real -en términos de una realidad descrita- en un objeto científico y explicado conceptualmente elaborado con referencia al complejo real concreto y de pensamiento”.
Lo anterior implica elementos positivistas e interpretativos que a lo largo de esta investigación busca aportar en el entendimiento de la extracción ilegal de materiales a cielo abierto como una acción antrópica polidimensional compuesta de elementos físicos, sociales, políticos y económicos sobre el territorio y que como tal se tratan de exponer desde visiones fundamentadas en la teoría y en la práctica, a través de datos continuos y discretos, así como en conocimiento producto de estudios de caso prácticos basados en la experiencia de diversos actores que asi como esta investigación trataron de abordar este tema de alto impacto.
31 Protocolo de Procesamiento de Imágenes Satelitales
Metodología
El proyecto pretende por medio del procesamiento digital de imágenes definir un protocolo que permita obtener estructuras de datos que alimenten una red neuronal para la predicción de extracción ilegal de materiales a cielo abierto, a continuación podremos observar el paso a paso propuesto para poder alcanzar dicho objetivo.
1. REVISIÓN BIBLIOGRÁFICA
· Proyectos de investigación de degradación ambiental a causa de extracción ilegal de materiales.
· Proyectos de investigación sobre la implementación de procedimientos de procesamiento digital de imágenes que permitan alimentar una red neuronal.
2. DIAGNÓSTICO DE RECURSOS TECNOLÓGICOS
· Especificaciones técnicas de los equipos
3. TRABAJO PREVIO- RECOPILACIÓN INFORMACIÓN ZONA DE TRABAJO Y DEFINICIÓN DE VARIABLES
· Caracterización física. · Caracterización demográfica · Definición de variables de impacto en daño ecológico del municipio
4. TRABAJO PREVIO – CONSULTA, SELECCIÓN Y DESCARGA DE DATOS.
· Definir intervalo de tiempo a analizar · Búsqueda de imágenes con porcentajes de nubosidad aceptables · Descargar imágenes elegidas · Establecer catálogo de imágenes obtenidas para procesamiento posterior · Recopilación de información sistema sensor a trabajar
5. IMPORTACIÓN DE DATOS.
· Realizar ensamble de imagen multiespectral · Realizar corte de la imagen de ser necesario · Calibración de imagen dependiendo de sensor y misión · Transformación de imágenes de tener diferentes resoluciones radiométricas para
homogeneizar trabajo posterior
6. ANÁLISIS EXPLORATORIO-VISUAL DE LOS DATOS.
· Descripción de información visual · Mejoramiento de contraste para mejor análisis de la imagen e ser necesario
32
· Ecualización de imagen de ser necesario
7. ANÁLISIS VISUAL UNI-BANDA DE LOS DATOS.
· Análisis exploratorio de cada banda para determinar los niveles de información resaltados por cada una y el uso de cada una de ella apoyado en la literatura y en la información recopilada del sensor
· Representación visual de las bandas seleccionadas en pseudocolor, escala de grises y color natural
· Descripción de coberturas de las bandas seleccionadas
8. ANÁLISIS ESTADÍSTICO DE LOS DATOS.
9. ANÁLISIS MULTIESPECTRAL.
· Obtención de firmas espectrales de las coberturas en la imagen · Utilización de índices y transformaciones (taseled cap, ihs, componentes
principales) de ser necesario · Clasificación de imágenes
11. DETERMINACIÓN Y PLANTEAMIENTO DEL PROTOCOLO DE ALIMENTACIÓN
· Establecimiento y organización del protocolo
12. PRESENTACIÓN DE RESULTADOS DE PROCESAMIENTO
· Presentar los resultados de las coberturas de los diferentes índices y transformaciones utilizadas
· Generación de mapas de las coberturas ·
13. OTROS PASOS A LOS QUE HAYA LUGAR
· Demás situaciones que se presenten en el transcurso de la investigación y que se consideren realizar
Nota: Es posible que en lo recorrido de la investigación se considere prescindible alguno de los pasos aquí descritos.
33 Protocolo de Procesamiento de Imágenes Satelitales
CAPÍTULO 4 DESARROLLO DE INVESTIGACIÓN Y
DESCRIPCIÓN DE RESULTADOS
34
4.1 CARACTERIZACIÓN FÍSICA Y
DEMOGRÁFICA DEL ÁREA DE ESTUDIO - (MUNICIPIO EL BAGRE)
4.1.1 Caracterización Física
Localización
El Municipio El Bagre se encuentra ubicado en la Subregión del Bajo Cauca Antioqueño en las estribaciones de la Cordillera Central en el departamento de Antioquia con una extensión superficial de 1563 km2, a una altura promedio de 50 msnm.
Actualmente se enmarca entre los 8º00’08” de latitud Norte y 74º49’ 40” de longitud Oeste, y 7º23’10” de latitud Norte y 74º29’ 00”, de longitud Oeste, equivalentes a la codificación 840604 521111 18N en el sistema de coordenadas Universal Transversal de Mercator basado en el modelo elipsoidal WGS84.
Su cabecera municipal está ubicada en (7º, 35’, 25” N y 74º, 48’, 48” W) a orillas del río Nechí , en la confluencia con el río Tigüí y al este del río Cauca. (Alcaldía El Bagre, Antioquia, 2018)
Limita al norte con el municipio de Nechí; por el sur con los municipios de Zaragoza y Segovia, por el occidente con los municipios de Caucasia y Zaragoza y al este con los municipios de San Lucas y Santa Bárbara pertenecientes al Departamento de Bolívar
35 Protocolo de Procesamiento de Imágenes Satelitales
Ilustración 1. Delimitación Municipio El Bagre, Antioquia Fuente: Elaboración Propia con Datos IGAC (2004)
Clima
El municipio El Bagre cuenta con un clima tropical. El clima aquí se clasifica como Af por el sistema Köppen-Geiger. (Climate-Data.org, 2018), La temperatura media anual en El Bagre se encuentra a 28.9 °C con una precipitación media aproximada es de 4280 mm.
36
Ilustración 2. Climograma del Municipio El Bagre, Antioquia. Fuente: Climate-Data.org, (2018),
De acuerdo al climograma del municipio (Ilustración 2), la menor cantidad de precipitación se presenta en el mes de Enero correspondiente a 94 mm a 29.1ºC, en contraste el mes de Octubre se posiciona como la mayor temporada de lluvias con un registro de 531 mm a una temperatura de 28.4º C, tal y como se relaciona con el siguiente Tabla 1. de temperatura.
Tabla 1. Datos Históricos de Temperatura.
Mes Temperatura Media (ºC)
Temperatura Mínima (ºC)
Temperatura Máxima (ºC)
Precipitación (mm)
Enero 29,1 23,7 34,5 94 Febrero 29,3 23,8 34,9 112 Marzo 29,7 24,4 35 149 Abril 29,3 24,3 34,4 312
Mayo 29 24,1 33,9 477 Junio 28,8 24 33,7 452 Julio 28,8 23,7 34 458
Agosto 28,8 23,8 33,8 525 Septiembre 28,5 23,6 33,4 490
Octubre 28,4 23,6 33,3 531 Noviembre 28,5 23,8 33,2 453 Diciembre 28,5 23,6 33,5 227
37 Protocolo de Procesamiento de Imágenes Satelitales
Suelos
El municipio de El bagre cuenta con 28 tipos de suelo discriminados en el anexo 1, de entre los cuales la mayor parte se encuentra cubierta por suelos de profundos a moderadamente profundos limitados por fragmentos de roca, bien drenados, texturas medias a finas, erosión ligera a moderada, fertilidad muy baja a alta clasificados como (LRe) representando una extensión de 29962,59 hectáreas y correspondiente al 19.17% del territorio.
Ilustración 3. Tipos de Suelos del Municipio El Bagre. Elaboración propia con datos IGAC (2003)
Fuentes Hídricas
El municipio del bagre se encuentra alimentado principalmente por las aguas del río Nechi con una extensión de 124,693 km y un área de drenaje doble de 34,38031 km2, así mismo la red hidrográfica de menor envergadura (Drenajes Sencillos) y que dependen de la precipitación pluvial y/o el afloramiento de aguas subterráneas
38
(IGAC, 2017), la cual se despliega en 593,4579504 kilómetros lineales a lo largo y ancho del territorio.
Ilustración 4. Red Hídrica del Municipio El Bagre. Fuente: Elaboración Propia con Datos IGAC (2017)
Uso Recomendado del Suelo
Entre los usos recomendados resaltan los cultivos semiperennes o perennes, semi densos o densos, sistemas agroforestales y forestales debido principalmente a suelos en su mayoría con pendientes y baja fertilidad (clasificación 6p-5) que limitan el uso del suelo. La caracterización de este tipo de suelos se encuentra discriminada en el Anexo 2.
39 Protocolo de Procesamiento de Imágenes Satelitales
Ilustración 5. Uso Recomendado del Suelo del Municipio El Bagre. Fuente: Elaboración Propia
con Datos IGAC (2004)
Erosión
De acuerdo al IDEAM (2015) la mayor parte del municipio se encuentra sin evidencia de erosión principalmente en zonas de baldíos al oriente del territorio, sin embargo se focaliza la erosión muy severa en zonas cercanas al rio Nechí y la cabecera municipal.
Tabla 2. Clasificación de la Erosión Fuente: Elaboración Propia con Datos IGAC (2004)
GRADO ZONIFICACI Área Km2
Muy Severa
Erosión Muy Severa
34,5009397
Severa Erosión Severa 106,875964
Moderada Erosión Moderada
443,324946
Ligera Erosión Ligera 667,954109
Sin Evidencia
Sin Evidencia de Erosión
5887,65753
Ilustración 1.Uso Recomendado del
Suelo del Municipio El Bagre.
40
No Suelo Sin Suelo con Cuerpos de Agua
31,5994937
Ilustración 6. Tipos de Suelos del Municipio El Bagre. Fuente: Elaboración Propia con Datos IGAC (2004)
41 Protocolo de Procesamiento de Imágenes Satelitales
4.1.2 Caracterización Demográfica
Proyección Poblacional
De acuerdo al Boletín General del Municipio El Bagre realizado por el DANE, se resaltan los siguientes aspectos demográficos:
El municipio El Bagre cuenta actualmente con 24437 habitantes (DANE, 2005) y cuya tendencia decreciente es evidente, a pesar del aumento poblacional progresivo que se refleja en las estadísticas desde el año 2006
Ilustración 7. Proyección Poblacional del Municipio El Bagre. Fuente: Elaboración Propia con
Datos DANE (2005)
Caracterización por Sexo
En cuanto a la distribución por sexo de la población Bagreña, los hombres pertenecen al 50.8 % y las mujeres al 49.2% restante, dando como resultado una población relativamente equilibrada.
0
10.000
20.000
30.000
40.000
50.000
60.000
20
05
20
07
20
09
20
11
20
13
20
15
20
17
20
19
20
05
20
07
20
09
20
11
20
13
20
15
20
17
20
19
20
05
20
07
20
09
20
11
20
13
20
15
20
17
20
19
Nu
me
ro d
e P
ers
on
as
Año
42
Ilustración 8.Distribución Porcentual de la Población por Sexo. Datos DANE (2005)
La estructura de la población del Bagre por sexo en grupos de edad refleja una concentración poblacional en edades en los primeros 20 años de vida (alta natalidad), para luego reducirse considerablemente debido al efecto de la migración en jóvenes y la mortalidad masculina.
Ilustración 9. Estructura de la Población por Sexo y Grupos de Edad Datos DANE (2005)
50,8
49,2
48
48,5
49
49,5
50
50,5
51
Hombres Mujeres
Po
rce
nta
je
43 Protocolo de Procesamiento de Imágenes Satelitales
Migración
El efecto de migración latente en el municipio el burro se debe mayoritariamente a razones familiares y dificultad para encontrar empleo.
Ilustración 10. Causa de Cambio de Residencia Datos DANE (2005)
Pertenencia Étnica
Dentro de la pertenencia étnica del municipio se encuentra que el El 20,7% de la población residente en El Bagre se auto reconoce como Raizal, palenquero, negro, mulato, afrocolombiano o afrodescendiente y un 2% como indígena.
Ilustración 11.Pertenencia Étnica Datos DANE (2005)
0
5
10
15
20
25
Indigena Raizal, palenquero,negro, mulato,
afrocolombiano oafrodescendiente
Po
rce
nta
je
44
Nivel Educativo
La mayoría de habitantes del municipio El Bagre, cuentan con un nivel educativo de Básica Primaria correspondiente al 43.6% , seguido de un 26.8% de población que asistió a la Secundaria y el 19.4 de los habitantes que no tienen un nivel educativo.
Ilustración 12. Proporción del Nivel Educativo Datos DANE (2005)
Los niveles asociados de analfabetismo corresponden a un 16,4% en la cabecera municipal y un 28% para el resto del territorio.
Ilustración 13. Tasa de Alfabetismo de la Población Datos DANE (2005)
45 Protocolo de Procesamiento de Imágenes Satelitales
4.2 DAÑO ECOLÓGICO Y DEFINICIÓN DE
VARIABLES EXPLICATIVAS
4.2.1 Definición de Variables
De acuerdo a la fundamentación teórica presentada anteriormente, se establecen las siguientes variables que explican en gran medida factores físicos y socioeconómicos directamente ligados a la extracción ilegal de materiales a cielo abierto.
Cobertura Terrestre
El Programa de Naciones Unidas para el Medio Ambiente (UNEP) define el cambio en la cobertura de la tierra como “un subindicador importante por sí mismo, ya que proporciona una primera indicación de una reducción o aumento en la extensión y el grado de fragmentación de los hábitats / ecosistemas naturales, así como las posibles conversiones adversas de la tierra.” (UNEP, 2016).
Con el fin de estandarizar la identificación y clasificación de coberturas, en el año 2010 el gobierno nacional adaptó la metodología europea Corine Land Cover al marco nacional colombiano, documento denominado Leyenda Nacional de Coberturas de la Tierra, sobre el cual reposa “una propuesta metodológica para realizar la caracterización de las coberturas naturales y antropizadas presentes en el territorio colombiano.” (IDEAM, 2010).
En base a la metodología nacional para coberturas de la tierra se implementa en la clasificación de coberturas las siguientes clases, las cuales permitirán identificar cambios de cobertura sobre el territorio, orientados a la extracción ilegal de minerales a cielo abierto:
46
Tabla 3. Clases a Utilizar - Corine Land Cover
Código Corine Land Cover Nombre de Cobertura 1.1 Zonas urbanizadas
1.2 Zonas industriales o comerciales y redes de comunicación
1.3 Zonas de extracción minera y escombreras
1.4 Zonas verdes artificializadas, no agrícolas
2.1 Cultivos transitorios
2.2 Cultivos permanentes
2.3 Pastos
2.4 Áreas agrícolas heterogéneas
3.1 Bosques
3.2 Áreas con vegetación herbácea y/o arbustiva
3.3 Áreas abiertas, sin o con poca vegetación
3.3,3 Tierras desnudas y degradadas
4.1 Áreas húmedas continentales 4.2 Áreas húmedas costeras
5.1 Aguas continentales
5.1,4 Cuerpos de agua artificiales
5.2 Aguas Marítimas
Cabe resaltar que se profundizó en la separabilidad de las clases 3.3.3 y 5.1.4 dado el enfoque para la identificación de zonas que presenten extracción ilegal de minerales a cielo abierto, adicionalmente la clase 5.1.4 aguas artificiales toma una representación concreta como conglomerados de agua superficiales empozados sobre áreas mineras y que hacen parte del proceso extractivo en los socavones mineros.
Para realizar el análisis de cambio de cobertura se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación:
47 Protocolo de Procesamiento de Imágenes Satelitales
Tabla 4. Reglas de Decisión - Daño Ecológico por Cobertura en el Tiempo
Tiempo n+1
Valor Pixel
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Tie
mp
o n
Valor Pixel
Zonas urbanizadas
Zonas industrial
es o comercia
les y redes de comunic
ación
Zonas de
extracción
minera y escombr
eras
Zonas verdes
artificializadas, no agrícolas
Cultivos
transitorios
Cultivos permane
ntes
Pastos
Áreas agrícolas heterogé
neas
Bosques
Áreas con
vegetación
herbácea y/o arbusti
va
Áreas abiertas, sin o
con poca
vegetación
Tierras desnud
as y degradadas
Áreas húmeda
s continen
tales
Áreas húmedas
costeras
Aguas continen
tales
Cuerpos de agua artificiales
Aguas Maritimas
1 Zonas
urbanizadas
0 0 - -3 -4 -5 -6 -7 + + + + + + + - +
2
Zonas industrial
es o comercial
es y redes de comunica
ción
0 0 - -2 + + + + + + + + + + + - +
3
Zonas de extracción minera
y escombre
ras
+ + 0 -1 + + + + + + + + + + + + +
4
Zonas verdes
artificializadas, no agrícolas
- - - 0 + + + + + + + + + + + - +
5 Cultivos
transitorios
- - - - 0 0 0 0 + - - - - - - - -
6 Cultivos permane
ntes - - - - 0 0 0 0 + - - - - - - - -
7 Pastos - - - - 0 0 0 0 + - - - - - - - -
48
8
Áreas agrícolas heterogé
neas
- - - - 0 0 0 0 + - - - - - - - -
9 Bosques - - - - - - - - 0 - - - - - 0 - 0
10
Áreas con
vegetación
herbácea y/o
arbustiva
- - - - + + + + + 0 - - - - + - +
11
Áreas abiertas, sin o con
poca vegetació
n
- - - - + + + + + + 0 - - - + - +
12
Tierras desnudas
y degradad
as
- - - - + + + + + + + 0 + + + - +
13
Áreas húmedas continent
ales
- - - - - - - - - - - - 0 0 - - -
14 Áreas
húmedas costeras
- - - - - - - - - - - - 0 0 - - -
15 Aguas
continentales
- - - - - - - - 0 - - - - - 0 - 0
16 Cuerpos de agua
artificiales 15 + - + + + + + + + + + + + + 0 +
17
Aguas Maritimas
- - - - - - - - 0 - - - - - 0 - 0
Donde el color rojo significa degradación, el amarillo estabilidad y el verde mejora (disminución de degradación), como se muestra a continuación:
49 Protocolo de Procesamiento de Imágenes Satelitales
Degradación - Estable 0 Mejora +
La anterior matriz de decisión evidencia cómo impositivos aquellos cambios físicos (pérdida de biomasa, desecación, entre otros) y socioeconómicos (disminución de cultivos) descritos en la fundamentación teórica traducidos a cambios de cobertura sobre el territorio a lo largo del tiempo.
50
Suelos, Pendiente y Precipitación
De acuerdo a la fundamentación teórica sobre degradación física por pérdida de suelos mencionadas anteriormente, se consideran factores detonantes de la erosión del suelo: las precipitaciones, las zonas de alta pendiente y suelos que presenten altos niveles freáticos, por lo que son variables que describen potenciales zonas erosivas y de daño ecológico.
Pendiente
De acuerdo a la Resolución 2965 de 1995 del IGAC a continuación se clasifica la pendiente del suelo de acuerdo a su porcentaje de inclinación.
Tabla 5. Clasificación de Pendiente
Pendiente Rango (%)
Plano 0-3
Levemente Inclinado 3-7
Fuertemente Inclinado 7-12
Quebrado 12-25
Fuertemente Quebrado 25-50
Escarpado 50-75
Muy Escarpado >75
Fuente: Resolución IGAC 2965 de 1995
Para realizar el análisis de cambio de cobertura por pendiente se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación
51 Protocolo de Procesamiento de Imágenes Satelitales
Tabla 6. Reglas de Decisión – Pendiente en el Tiempo
Rango (%) Pendiente
Plano
Levem
ente
Inclina
do
Fuertem
ente
Inclinado
Quebrado
Fuertem
ente
Quebrad
o
Escarpad
o
Muy
Escarpad
o
0-3 Plano 0 - - - - - -
3-7
Levemente
Inclinado + 0 - - - - -
7-12
Fuertemente
Inclinado + + 0 - - - -
12-25 Quebrado + + + 0 - - -
25-50
Fuertemente
Quebrado + + + + 0 - -
50-75 Escarpado + + + + + 0 -
>75
Muy
Escarpado + + + + + + 0
Degradación - Estable 0 Mejora +
Suelos y Precipitación
Con el fin de establecer una relación entre suelos y la precipitación, se optó por identificar suelos encharcables en zonas de alta pendiente. La anterior información es reflejada por la Capacidad de Uso de Suelo, cuyas clases identificadas por el IGAC permiten agrupar suelos que presentan el mismo grado relativo de limitaciones generales y de riesgos, que para este caso se traducen en limitaciones de drenaje y encharcamiento.
Esta categorización nos permite identificar dos tipos de suelo, inundable y no inundable.
Tabla 7. Reglas de Decisión – Suelos Inundables
Suelos
Si tiene sufijo h inundable
Si no tiene pos no no inundable
52
Productividad del Suelo y NDVI
Tal y como se menciona en la fundamentación teórica respecto a la degradación química del suela, está afecta la productividad del suelo no solo por las dinámicas económicamente excluyentes entre la agricultura y la extracción de minerales, sino también por las afectaciones a la productividad primaria neta del territorio (PPN), entendida como la cantidad de carbono asimilado por la fotosíntesis y después de la respiración autotrófica durante un período de tiempo determinado (Clark et al. 2001).
Con fin de medir la tasa de variación de la productividad primaria neta se implementara el índice diferencial de vegetación normalizado (NDVI), tal y como lo recomienda el UNEP (2016), debido a que “aprovecha el contraste de características entre dos bandas de un dataset ráster multiespectral: la absorción de pigmento de clorofila en la banda roja y la alta reflectividad del material de las plantas en la banda infrarroja cercana (NIR)” (ArcGIS, 2019).
NDVI = ((IR - R)/(IR + R)) (1)
Ecuación 1. Cálculo Índice de Vegetación NDVI. Fuente: (ArcGIS, 2019).
IR = valores de píxel de la banda infrarroja
R = valores de píxel de la banda roja
“Este índice científico coloca los valores entre -1,0 y 1,0 para representar la densidad de la vegetación y el vigor. Los valores negativos corresponden principalmente a las nubes, el agua y la nieve, y los valores cercanos a cero corresponden principalmente a las rocas y al terreno desnudo. Los valores muy bajos de NDVI (por debajo de 0,1) corresponden a áreas yermas de rocas, arena o nieve. Los valores moderados representan terrenos con arbustos y prados, mientras que los valores altos indican bosques de zonas templadas y tropicales” (ArcGIS, 2019).
Para el cálculo del índice diferencial de vegetación normalizado (NDVI) se calculó con la siguiente expresión:
NDVI = ((IR - R)/(IR + R))*100+100 (2)
Ecuación 2. Cálculo Índice de Vegetación NDVI Software ArcGIS. Fuente: (ArcGIS, 2019).
53 Protocolo de Procesamiento de Imágenes Satelitales
Si bien teóricamente la Ecuación 1 arroja valores entre -1 y 1 , el Software implementado reescala estos valores a una escala entre 0 y 200. A continuación se define los rangos de acuerdo a (Olivio Candelario, 2019).
Tabla 8. Clasificación NDVI
Rango Clasificación
< 0 Presencia de Agua y/o Áreas con Sombra
0 - 0,2 Suelo Desnudo
0,2 - 0,4
Vegetación Escasa + Suelo
0,4 - 0,6
Vegetación Dispersa
< 0,6 Vegetación Densa
Los anteriores rangos fueron re-escalados con el fin de facilitar la interpretación en los mismos valores procesados, de la siguiente manera:
Tabla 9.. Re-escalado de Valores Clasificados NDVI
Rango Clasificación
0 -110 Presencia de Agua y/o Áreas con Sombra
110 - 120 Suelo Desnudo
120 - 140 Vegetación Escasa + Suelo
140 - 160 Vegetación Dispersa
160 - 120 Vegetación Densa
Para realizar el análisis de cambio de cobertura por NDVI se estableció una matriz que sintetiza las reglas de decisión que rigen los efectos de aquellas transiciones entre coberturas en el tiempo reflejando degradación, mejora o estabilidad sobre el territorio, lo anterior basado en la Corine Land Cover Target desarrollada por el equipo de Trends Earth - Tracking Land Change from Conservation International (2019) y que se muestra a continuación
54
Tabla 10. Reglas de Decisión – NDVI
Rang
o Clasificación
Presencia
de Agua
y/o Áreas
con
Sombra
Suelo Desnudo Vegetación
Escasa + Suelo
Vegetac
ión
Dispers
a
Vegeta
ción
Densa
0 -
110
Presencia de Agua y/o Áreas
con Sombra 0 0 0 0 0
110 -
120 Suelo Desnudo 0 0 + + +
120 -
140 Vegetación Escasa + Suelo 0 - 0 + +
140 -
160 Vegetación Dispersa 0 - - 0 +
160 -
200 Vegetación Densa 0 - - - 0
Degradación - Estable 0 Mejora +
Variables Socioeconómicas
Si bien hay condiciones socioeconómicas que en la matriz de decisión se aborda como la desaparición de cultivos o que se reflejan a través del NDVI como la pérdida de productividad del territorio, existen más factores que tal y como se abordó en la fundamentación teórica sobre degradación química afectan a la salud de quienes habitan cerca y/o practican actividades de extracción de minerales a cielo abierto; Así como factores institucionales de control y vigilancia de estas actividades extractivas que en parte se ven reflejadas en los ingresos por concepto de regalías mineras.
Por lo tanto introducir aspectos como los anteriormente mencionados, permiten introducir información social y económica con el ánimo de construir modelos cada vez más integrales y acordes al contexto antrópico del territorio.
Para lo anterior se establece el número de casos clínicos presentados por envenenamiento de mercurio y magnesio como un indicador de degradación química reflejada en la población y los ingresos por regalías por concepto de minería en el tiempo, como una variable que refleje la legalidad de las prácticas de extracción de minerales a cielo abierto en el territorio.
55 Protocolo de Procesamiento de Imágenes Satelitales
4.3 PROCESAMIENTO EXPERIMENTAL DE
INFORMACIÓN GEOGRÁFICA Y DEFINICIÓN
DE SECUENCIA Y ALGORITMOS DE
PROCESAMIENTO
4.3.1 Clasificación Supervisada
Para el procesamiento experimental se seleccionaron 19 imágenes satelitales provenientes de misiones Landsat sobre las cuales se aplicaron diferentes secuencias de procesamiento para la identificación del algoritmo que mejor se ajusta a los datos disponibles.
Para lo anterior la muestra fue recolectada de forma aleatoria por agrupación entre el banco de imágenes, dando como resultado una imagen por año y que a continuación se enlistan:
Tabla 11. Listado de Imágenes Seleccionadas
Nombre de la Imagen Año
lm05_l1tp_009055_19850601_20180406_01_.tif 1985
lm04_l1tp_009055_19880516_20180326_01_t2 1988
lm05_l1tp_009055_19860807_20180401_01_t2 1986
lm04_l1gs_009055_19871208_20180330_01_t2 1987
lt05_l1tp_009055_19860807_20170217_01_t1_multi.tif 1986
lt04_l1tp_009055_19880516_20170208_01_t1.tif 1988
lt04_l1tp_009055_19890604_20170203_01_t1_.tif 1989
lt04_l1tp_009055_19900623_20170129_01_t1_mt.tif 1990
lt05_l1tp_009055_19910720_20170126_01_t1_mt.tif 1991
lt05_l1tp_009055_19960717_20170103_01_t1_tm.tif 1996
lt05_l1tp_009055_19980621_20161223_01_t1_mt.tif 1998
lt05_l1tp_009055_19990405_20161218_01_t1_mt.tif 1999
lt05_l1tp_009055_20010205_20161212_01_t1.tif 2001
lt05_l1tp_009055_20071004_20161110_01_t1.tif 2007
lt05_l1tp_009055_20080616_20161031_01_t1.tif 2008
LC08_L1TP_009055_20150111_20180130_01_T1 2015
LC08_L1TP_009055_20171218_20171224_01_T1 (20171224.tif) 2017
lc08_l1tp_009055_20171218_20171224_01_t1 2017
lc08_l1tp_009055_20180916_20180928_01_t1 2018
le07_l1tp_009055_20000602_20170211_01_t1 2000
le07_l1tp_009055_20001008_20170209_01_t1 2000
le07_l1tp_009055_20000704_20170211_01_t1 2000
56
mision115_linea7_1415_170823_153801_rgbnn00l2 2017
mision174_linea1_1415_141115_160933_rgbn00l2 2014
M38_L7_03_19_10_rgbf16a 2010
Sobre las imágenes se realizó una clasificación de coberturas de acuerdo al nivel 2 de la Leyenda Nacional de Coberturas de la Tierra - Metodología Corine Land Cover adaptada para Colombia - Escala 1:100.000, lo anterior tomando 5, 10 y 15 muestras de cobertura por imagen foto interpretada, así como la implementación de tres algoritmos de clasificación supervisada (Maximum Likelihood, Mahalanobis Distance y Minimum Distance), lo cuales fueron almacenados de acuerdo al siguiente esquema:
El proceso de calidad de los productos de procesamiento se realizó a través de dos indicadores, el primero a través del factor de separabilidad de firmas y el segundo utilizando el coeficiente kappa resultante de las matrices de confusión calculadas por el Software de procesamiento con asistencia del analista de imágenes.
57 Protocolo de Procesamiento de Imágenes Satelitales
4.3.2 Síntesis de Resultados del Procesamiento Experimental
Producto del procesamiento experimental se obtuvo una matriz sintetizadora de resultados, que permite almacenar y analizar los resultados obtenidos tras el procesamiento de las imágenes, lo anterior reflejado en el coeficiente kappa de cada elemento perteneciente a la muestra.
Tabla 12. Matriz de Resultados - Proceso Experimental
Nombre de Imagen Seleccionada Año
de la
Imag
en
Sensor Coeficiente Kappa
5 Muestras 10 Muestras 15 Muestras
Maximu
m
Likeliho
od
Mahalano
bis
Distance
Minim
um
Distanc
e
Maximu
m
Likeliho
od
Mahalano
bis
Distance
Minim
um
Distanc
e
Maximu
m
Likeliho
od
Mahalano
bis
Distance
Minim
um
Distanc
e
lm05_l1tp_009055_19850601_20180406_01_.tif
1985 MSS 84,77 70,74 85,65 84,58 82,27 89,21 77,00 91,50 86,74
lm04_l1tp_009055_19880516_20180326_01_t2
1988 MSS 83,87 86,50 93,10 88,44 89,34 92,96 91,58 86,46 92,86
lm05_l1tp_009055_19860807_20180401_01_t2
1986 MSS 79,80 74,36 81,28 80,77 71,43 82,35 73,71 76,44 87,11
lm04_l1gs_009055_19871208_20180330_01_t2
1987 MSS 73,94 70,35 87,05 73,94 70,35 87,05 75,00 72,97 84,26
lt05_l1tp_009055_19860807_20170217_01_t1_multi.tif
1986 TM 71,35 75,90 75,81 90,86 76,88 87,31 99,48 98,43 84,29
lt04_l1tp_009055_19880516_20170208_01_t1.tif
1988 TM 93,30 84,38 71,28 89,90 81,12 86,39 91,67 78,87 91,24
lt04_l1tp_009055_19890604_20170203_01_t1_.tif
1989 TM 71,88 73,98 72,77 75,66 76,14 81,03 72,16 71,51 61,22
lt04_l1tp_009055_19900623_20170129_01_t1_mt.tif
1990 TM 91,18 91,30 79,17 77,32 78,97 73,16 84,38 80,73 71,29
lt05_l1tp_009055_19910720_20170126_01_t1_mt.tif
1991 TM 68,59 71,95 63,86 71,34 78,57 84,00 80,67 71,43 67,97
lt05_l1tp_009055_19960717_20170103_01_t1_tm.tif
1996 TM 84,77 85,14 74,84 85,54 90,13 78,62 83,55 78,71 80,98
lt05_l1tp_009055_19980621_20161223_01_t1_mt.tif
1998 TM 80,86 78,13 81,05 82,89 75,80 85,63 75,12 84,62 91,08
lt05_l1tp_009055_19990405_20161218_01_t1_mt.tif
1999 TM 72,85 43,21 61,25 74,50 73,58 60,87 87,58 69,80 86,87
lt05_l1tp_009055_20010205_20161212_01_ 2001 TM 75,32 68,55 57,52 78,00 84,91 66,89 61,99 52,90 72,78
58
t1.tif
lt05_l1tp_009055_20071004_20161110_01_t1.tif
2007 TM 83,54 75,16 67,79 80,77 85,71 71,43 71,81 65,77 66,91
lt05_l1tp_009055_20080616_20161031_01_t1.tif
2008 TM 81,99 84,66 71,15 84,62 76,32 72,08 91,21 81,48 76,19
LC08_L1TP_009055_20150111_20180130_01_T1
2015 OLI_TIRS
90,48 84,62 77,66 84,24 81,18 87,18 85,99 83,87 74,19
LC08_L1TP_009055_20171218_20171224_01_T1 (20171224.tif)
2017 OLI_TIRS
79,39 51,88 95,92 71,03 50,64 95,36 67,28 51,01 81,60
lc08_l1tp_009055_20171218_20171224_01_t1
2017 OLI_TIRS
88,83 89,33 86,84 84,97 92,02 81,11 86,73 75,37 83,02
lc08_l1tp_009055_20180916_20180928_01_t1
2018 OLI_TIRS
56,68 44,79 75,63 58,21 48,50& 74,33 75,63 55,33 77,50
le07_l1tp_009055_20000602_20170211_01_t1
2000 ETM 70,40 66,67 51,00 80,00 90,50 70,50 89,56 84,80 72,00
le07_l1tp_009055_20001008_20170209_01_t1
2000 ETM 89,56 93,20 92,34 86,00 82,33 87,20 92,46 84,58 90,50
le07_l1tp_009055_20000704_20170211_01_t1
2000 ETM 97,50 95,98 84,50 92,80 80,40 86,00 95,50 84,58 90,50
mision115_linea7_1415_170823_153801_rgbnn00l2
2017 ADS 88,82 56,13 79,35 79,17 78,13 80,12 87,58 62,64 92,12
mision174_linea1_1415_141115_160933_rgbn00l2
2014 ADS 50,83 56,67 96,69 90,42 50,85 92,05 89,83 48,74 92,41
M38_L7_03_19_10_rgbf16a 2010 ADS 84,78 47,85 87,43 92,93 81,15 85,64 84,08 65,10 82,50
Sobre esta Matriz se realizó un tratamiento estadístico tanto de medida central como inferencial, que permite identificar los algoritmos y el número de pruebas más adecuado para el procesamiento de las imágenes según el sensor empleado para la recolección de la información.
El tratamiento estadístico utilizado fue el siguiente:
59 Protocolo de Procesamiento de Imágenes Satelitales
Medidas de tendencia central
Este tratamiento estadístico se utilizó con el propósito de categorizar los algoritmos de procesamiento y el número de muestras que mayor calidad en la clasificación de imágenes presentara, arrojando los siguientes resultados:
Tabla 13. Me. Síntesis de Resultados
Sensor Algoritmo # de Muestras
MSS Minimum Distance 10
TM Maximum
Likelihood
15
OLI_TIRS Minimum Distance 10
ETM Maximum
Likelihood
15
ADS Minimum Distance 15
Pruebas de normalidad (Curtosis y Asimetría)
Luego se implementó una prueba de normalidad sobre los dos pares de muestras que mayor calidad presentarán por evidenciando una forma cuasi normal en aquellos conjuntos de datos con mayor calidad en la clasificación y por en contraste un ajuste peor en los conjuntos de datos con coeficientes kappa menores.
Tabla 14. Prueba de Normalidad
Prueba de Normalidad de los Datos
Cutosis 5 muestras (a) 10 muestras
(b)
15 muestras (c)
MSS 0,4195868695 2,359448833
TM -1,672691175 -0,590468332
OLI_TIRS -0,9816040212 -0,2922639109
Simetría 5 muestras (a) 10 muestras
(b)
15 muestras (c)
MSS -0,2950085232 1,843640081
TM 0,1748679341 -0,2282895708
OLI_TIRS 0,7135658194 0,1982519709
60
Intervalos de confianza para la diferencia de medias con varianza poblacional desconocida.
Para los intervalos de confianza se aplicó una distribución probabilística T-Students debido a que es una muestra pequeña de datos cuasi normala un nivel de significancia del 0.5% y por consiguiente un nivel de confianza del 95%.
Tabla 15. Intervalos de Confianza Sensores MSS, TM y OLI - TIRS
Prueba de Diferencias de Medias para # de Muestras - Sensor MSS
Xb 87,89 Xc 87,74
Sb 4,428862721 Sc 3,638757801
n 4
gl 5,782353341
nivel de
confianza
95%
t-stundents -2,447
intervalo inferior 7,16
intervalo
superior
-6,86
Prueba de Diferencias de Medias para # de Muestras - Sensor TM
Xb 81,04 Xc 81,78
Sb 6,327556041 Sc 10,82929755
n 11
gl 16,11533221
nivel de
confianza
95%
t-stundents -2,120
intervalo inferior 7,27
intervalo
superior
-8,76
Prueba de Diferencias de Medias para # de Muestras - Sensor OLI_TIRS
Xa 84,01 Xb 84,50
Sa 9,316721079 Sb 8,945071269
n 4
gl 5,990084507
nivel de
confianza
95%
t-stundents -2,447
intervalo inferior 15,32
intervalo
superior
-16,28
61 Protocolo de Procesamiento de Imágenes Satelitales
Tabla 16. Intervalos de Confianza Sensores ETM y ADS
Prueba de Diferencias de Medias para # de Muestras - Sensor ETM
Xb 86,27 Xc 92,51
Sb 6,404165311 Sc 2,970274959
n 3
gl 2,822399473
nivel de confianza
95%
t-stundents -2,447
intervalo inferior
3,73
intervalo superior
-16,21
Prueba de Diferencias de Medias para # de Muestras - Sensor ADS
Xa 87,82 Xc 89,01
Sa 8,676689077 Sc 5,639689708
n 3
gl 3,433962623
nivel de confianza
95%
t-stundents -2,447
intervalo inferior
13,43
intervalo superior
-15,81
Si bien las pruebas establecen que no hay diferencia de medias representativa en utilizar uno u otro número de muestras, se opta por seleccionar el muestreo que mayor calidad de la información arrojó, puesto que presenta una distribución cuasi normal a diferencia de los demás conjuntos de datos. Manteniendo la secuencia de procesamiento como inicialmente arrojaron las medidas de tendencia central.
62
4.4 ANÁLISIS DE RESULTADOS
4.4.1 DEFINICIÓN DEL ALGORITMO DE MAYOR AJUSTE Y NÚMERO DE
MUESTRAS
Resultado del procesamiento experimental anterior se obtuvo los siguientes productos:
9 Imágenes Multiespectrales
Tabla 17. Características de Imagines Multiespectrales por Sensor
Sensor Cantidad de Imágenes Tematicas
Resolución Espacial
Resolución Radiométrica
Resolución Espectral
MSS 4 60 x 60 8 bit 4
TM 11 30 x 30 8 bit 7
ETM 4 30 x 30 8 bit 8
OLI 3 15 x 15 16 bit 11
ADS 3 30 cm x 30 cm
16 bit 4
225 Imágenes Clasificadas (Temáticas)
Tabla 18. Características Imágenes Temáticas Obtenidas
Sensor Cantidad de Imágenes Tematicas
Resolución Espacial
Resolución Radiométrica
MSS 36 30 x 30 8 bit
TM 99 30 x 30 8 bit
ETM 36 30 x 30 8 bit
OLI 27 30 x 30 8 bit
ADS 27 30 x 30 8 bit
450 Reportes de Calidad
63 Protocolo de Procesamiento de Imágenes Satelitales
El Clasificador Mahalanobis Distance no es el mejor algoritmo para clasificación de imágenes Landsat en zonas húmedas tropicales tales como la zona de estudio puesto que presentó los coeficiente kappa más bajos en comparación a los demás algoritmos clasificadores.
Los clúster espectrales de entre 10 y 15 muestras por cobertura presentan coeficientes kappa similares, por lo que para una buena clasificación y separabilidad de firmas, el número de firmas espectrales capturadas por cobertura si bien no deberán ser obligatoriamente el valor descrito, si deberán encontrarse entre este rango, con el fin de obtener un muestreo suficiente y con alta separabilidad espectral.
Las imágenes clasificadas por el algoritmo Minimum Distance y cuyo muestreo por cobertura se encuentra entre 10 y 15 firmas espectrales, son las que mejor coeficiente kappa evidenciaron, por lo que estas imágenes alimentarán la red neuronal si su imágen de origen pertenece al sensor landsat MSS y OLI TIRS.
Las imágenes clasificadas por el algoritmo Maximum Likelihood y cuyo muestreo por cobertura se encuentra entre 10 y 15 firmas espectrales, son las que mejor coeficiente kappa evidenciaron, por lo que estas imágenes alimentarán la red neuronal si su imágen de origen pertenece al sensor landsat TM y ETM.
4.5 PRODUCTOS
4.5.1 Protocolo de Procesamiento
PROTOCOLO DE PROCESAMIENTO DE IMÁGENES SATELITALES PARA EL ENTRENAMIENTO Y PRUEBA DE UNA RED NEURONAL DE PREDICCIÓN DE
DAÑO ECOLÓGICO POR EXTRACCIÓN ILEGAL DE MINERALES EN EL MUNICIPIO EL BAGRE ANTIOQUIA DENTRO DEL MARCO DE CELEBRACIÓN
DE LOS 100 AÑOS DE LA FUERZA AÉREA COLOMBIANA
En el marco de Cooperación Interinstitucional entre la Fuerza Aérea Colombiana (FAC) y la Universidad Distrital, se plantea el siguiente proyecto de investigación - innovación en conmemoración de los 100 años de la FAC y cuyo propósito se centra en la definición de un protocolo para el entrenamiento y prueba de un modelo de predicción de daño ecológico causado por extracción ilegal de minerales a cielo abierto basado en técnicas de inteligencia computacional haciendo uso de imágenes satelitales.
64
En consecuencia, el documento que se presenta enumera los procesos a tener en cuenta con el fin de obtener información geográfica idónea para la alimentación y entrenamiento de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales.
Con el fin de obtener productos idóneos para su ingreso a la red neuronal es importante cumplir los presupuestos abajo descritos, los cuales no necesariamente requieren un seguimiento secuencial, dado que definen actividades que pueden cumplirse simultáneamente, pero que si deberán hacerse en su totalidad.
Identificación del Área de Estudio
Antes de iniciar cualquier labor de procesamiento es indispensable identificar aquellas zonas con presencia de extracción ilegal de minerales a cielo abierto. Para lo anterior es posible apoyarse en fuentes de información de origen diverso, como lo pueden ser revisiones bibliográficas, documentos gubernamentales, observación directa en campo, información geográfica, entre otros.
Verificación de Información
Luego de haber seleccionado la zona de estudio es importante verificar que cuente al menos con la siguiente información:
- Cartografía Base (Curvas de Nivel, Hidrografía, etc) - Imágenes Satelitales - Caracterización de Suelos (Capacidad de Uso de Suelo) - Modelos Digitales de Elevación - Datos de Pluviosidad Anual - Número de enfermos por exposición a actividades mineras
Nota: La información anterior deberá recolectarse al menos de dos años diferentes, estos deben ser coincidentes, es decir que la información deberá encontrarse en los mismos intervalos de tiempo.
Luego de establecer la zona de estudio y verificar la existencia de la información anteriormente señalada, se ordenara la información obtenida por año.
Selección de Imágenes Satelitales
La obtención de imágenes satelitales puede ser de diversas fuentes, sin embargo será esencial seleccionar solo aquellas imágenes que cuenten con baja nubosidad
65 Protocolo de Procesamiento de Imágenes Satelitales
y sin caidas de lineas graves, lo anterior con el fin de obtener imágenes fácilmente interpretables, las imágenes descargadas deben ser de la misma zona de estudios y pertenecientes a años diferentes, preferiblemente consecutivos.
3.1 Consolidación del Banco de Imágenes
Luego de obtener las imágenes con los parámetros de selección en mención se deberá realizar un listado de metadatos de las imágenes satelitales obtenida, este listado deberá tener como mínimo los siguientes elementos:
Tabla 19. Metadatos Mínimos del Banco de Imagenes
ID de Descarga de la Imagen Sistema de Referencia
Satélite Porcentaje de Cobertura del Área de Estudio
Sensor Porcentaje de Nubosidad Fecha de Captura Peso de la Información
Path Resolución Espectral
Row Resolución Radiométrica
Formato Resolución Espacial
Elipsoide Fuente de la Información
Procesamiento de Imágenes Satelitales
4.1 Procesamiento Preliminar
Las imágenes deben recortarse para ajustarse al área de estudio, todas las imagenes deberan de ser del mismo tamaño y lugar, adicionalmente todas las imágenes deberán tener la misma resolución espacial, esto se debe aplicar a todo el banco de imágenes de la zona de interés.
4.2 Muestreo de Imágenes y Coberturas
Se deberá seleccionar una muestra aleatoria estratificada del banco de imágenes con al menos 4 imágenes por tipo de sensor perteneciente.
Para cada imagen se deberá realizar la captura de las firmas espectrales por cobertura de la escena, implementando la leyenda nacional Corine Land Cover ajustada para Colombia hasta nivel 2.
66
Tabla 20. Clases Corine Land Cover a Utilizar
Código Corine Land
Cover
Código Nombre de Cobertura
1.1 1 Zonas urbanizadas
1.2 2 Zonas industriales o comerciales y redes de comunicación
1.3 3 Zonas de extracción minera y escombreras
1.4 4 Zonas verdes artificializadas, no agrícolas
2.1 5 Cultivos transitorios
2.2 6 Cultivos permanentes
2.3 7 Pastos
2.4 8 Áreas agrícolas heterogéneas
3.1 9 Bosques
3.2 10 Áreas con vegetación herbácea y/o arbustiva
3.3 11 Áreas abiertas, sin o con poca vegetación
3.3,3 12 Tierras desnudas y degradadas
4.1 13 Áreas húmedas continentales
4.2 14 Áreas húmedas costeras
5.1 15 Aguas continentales
5.1,4 16 Cuerpos de agua artificiales
5.2 17 Aguas Marítimas
18 Nubes
Para cada tipo de cobertura señalada en la tabla anterior se deberán capturar respectivamente 5, 10 y 15 muestras espectrales por cobertura, codificando cada una con el ID asociado en la columna “código”, las clases 3.3.3 y 5.1.4 a pesar de no pertenecer a la clasificación de cobertura de nivel 2, deberán ser capturadas debido a que representan características sobre el territorio directamente involucradas con daño ecológico.
4.3 Evaluación de Separabilidad de Firmas
Se deberá evaluar que las firmas capturadas tengan una separabilidad óptima entre ellas, lo anterior se deberá realizar mediante una matriz de divergencia transformada, la cual arroja valores de correlación entre coberturas en un rango de 0 a 2000. Aquellas firmas cuya correlación se encuentre menor a 1900 deberán ser tomadas de nuevo.
67 Protocolo de Procesamiento de Imágenes Satelitales
4.4 Selección de Algoritmo Clasificador
Con el fin de identificar el clasificador que mejor se ajusta a la zona de interés se deberá realizar la clasificación supervisada de cada una de las imágenes seleccionadas en el paso 4.2.
Esta clasificación deberá hacerse usando las firmas espectrales de 5, 10 y 15 muestras por cobertura empleando los siguientes clasificadores Maximum Likelihood, Mahalanobis Distance y Minimum Distance. Es decir que de una imagen deberán obtenerse 9 clasificaciones enlistadas a continuación:
Tabla 21. Clasificaciones Obtenidas por Imagen
Clasificación # Muestras por Cobertura
Algoritmo
Clasificación 1
5 Maximum Likelihood
Clasificación 2
10 Maximum Likelihood
Clasificación 3
15 Maximum Likelihood
Clasificación 4
5 Mahalanobis Distance
Clasificación 5
10 Mahalanobis Distance
Clasificacion 6
15 Mahalanobis Distance
Clasificación 7
5 Minimum Distance
Clasificación 8
10 Minimum Distance
Clasificación 9
15 Minimum Distance
Los clasificadores en mención no son los únicos que pueden ser sujetos a evaluación, por lo que otros pueden ser utilizados.
4.5 Coeficiente Kappa
Cada clasificación deberá ser evaluada, para lo anterior se deberá aplicar un indicador de concordancia denominado coeficiente kappa, el cual arrojará valores para cada clasificación en un rango de 0 % a 100%, mientras más cercano a 100 se encuentre el coeficiente, mayor es el grado de concordancia inter-observador, por el contrario, mientras el valor se encuentre más cercano a 0, mayor es el grado de discordancia inter-observador.
68
Los coeficientes Kappa obtenidos de cada clasificación deberán enlistarse en una matriz con la siguiente estructura.
Tabla 22. Matriz de Resultados de Coeficientes Kappa
Nombre de
Imagen
Seleccionada
Año de la Imag
en
Sensor
Coeficiente Kappa
5 Muestras 10 Muestras 15 Muestras
Maximum Likelihoo
d
Mahalanobis Distance
Minimum Distance
Maximum Likelihoo
d
Mahalanobis Distance
Minimum Distance
Maximum Likelihoo
d
Mahalanobis Distance
Minimum Distance
La anterior matriz compilara los diferentes coeficientes kappa obtenidos, sobre los cuales se deberá hacer calcular una tabla que contenga el promedio aritmético por algoritmo y sensor como la que se presenta a continuación:
Tabla 23. Matriz para Identificación de Mejor Algoritmo por Sensor
Promedio por Sensor
Sensor Maximum Likelihood
Mahalanobis Distance
Minimum Distance
Sensor 1
Sensor 2
Sensor 3
...
De lo anterior se determinará el algoritmo con mayor coeficiente kappa promedio.
Luego se deberá realizar un promedio por sensor de los coeficientes kappa obtenidos por el algoritmo seleccionado en el paso anterior y se seleccionará el número de muestras que mayor promedio registre.
Tabla 24. Matriz de Identificación de Mejor Muestreo por Sensor y Clasificador
5 Muestras 10 Muestras 15 Muestras
Clasificador Seleccionad
o
Clasificador Seleccionad
o
Clasificador Seleccionad
o Sensor
69 Protocolo de Procesamiento de Imágenes Satelitales
Sensor 1
Sensor 2
Sensor 3
...
Es posible que para un sensor se ajuste un algoritmo y un número de muestras diferente a otro sensor, es por esto que los cálculos se deberan ser realizados por cada tipo de sensor.
Los resultados de las tablas anteriores se deberán sintetizar en la siguiente matriz:
Tabla 25. Matriz de Síntesis de Resultados
Resultados Mejor Algoritmo # de Muestras
Sensor 1 - -
Sensor 2 - -
Sensor 3 - -
Sensor 4 - -
Sensor 5 - -
4.6 Procesamiento Final
Luego de establecer el algoritmo y número de muestreo de firmas espectrales por cobertura correspondiente a cada sensor, se puede dar paso a la clasificación supervisada del banco de imágenes de la zona de interés, cuyos productos finales deberán encontrarse en formato .tif.
El algoritmo y número de muestras resultado de este procedimiento podrá utilizarse en diferentes zonas solo si estas poseen características geográficas y climáticas similares, debido a que los algoritmos presentarán diferentes ajustes dependiendo la zona, el algoritmo con mayor ajuste posiblemente no será el mismo para zonas desérticas que zonas tropicales o árticas, entre otros. Por lo que se recomienda hacer este proceso para cada zona si estas no son similares.
70
NDVI
El cálculo del NDVI deberá hacerse utilizando el banco de imágenes del paso 4.1 siguiendo la siguiente fórmula:
NDVI = ((IR - R)/(IR + R)) (1)
Ecuación 1. Cálculo Índice de Vegetación NDVI. Fuente: (ArcGIS, 2019).
IR = valores de píxel de la banda infrarroja
R = valores de píxel de la banda roja
Lo anterior arroja valores entre -1 y 1 o 0 y 200 respectivamente. La imagen producto debera coincidir en tamaño, area, localizacion y resolucion espacial con su respectiva imagen satelital clasificada asociada, asi como en formato tif.
Mapas de Pendiente
Para la generación de mapas de pendiente será necesario obtener Modelos Digitales de Terreno de fechas coincidentes o muy aproximadas de la zona de estudio, estos deberán recortarse al mismo tamaño del área de interés y contar con la misma resolución espacial de este.
Los mapas de pendiente se deberán calcular según su porcentaje de inclinación y ser clasificados de acuerdo a la Resolución 2965 de 1995 del IGAC como se muestra a continuación:
Tabla 26. Clasificacion de Pendientes Metodologia IGAC
Pendiente Rango (%)
Plano 0-3
Levemente Inclinado 3-7
Fuertemente Inclinado 7-12
Quebrado 12-25
Fuertemente Quebrado 25-50
Escarpado 50-75
Muy Escarpado >75
Fuente: Resolución IGAC 2965 de 1995
71 Protocolo de Procesamiento de Imágenes Satelitales
Es de esperar que la información pueda encontrarse en formato shapefile, sin embargo es indispensable que esta sea convertido a información Raster .tif con una resolución espacial igual al de las imágenes clasificadas y los NDVI asociados.
7. Capacidad de Uso de Suelo
La información de uso del suelo deberá ser recortada a la misma forma, área y localización del área de estudio y su resolución espacial deberá ser la misma al banco de imágenes, los NDVI y demas productos aqui mencionados.
Se deberá hacer su respectiva conversión a tipo raster en formato .tif y cuyo valor de píxel deberá contener la clase de capacidad de uso de suelo según la Metodología Para La Clasificación De Las Tierras Por Su Capacidad De Uso del Instituto Geográfico Agustín Codazzi.
Alcances e Impactos
El protocolo aquí propuesto, así como la investigación que la respalda, sintetiza un conjunto de variables y reglas de decisión que permiten identificar procesos de daño ecológico a lo largo del tiempo, brindando así los elementos conceptuales que sistematizados pueden generar herramientas potentes de predicción.
El protocolo plantea una oportunidad de evaluación y análisis del daño ecológico que posee actualmente el país, brindando insumos para realizar predicciones territoriales de cambio de coberturas por actividades antrópicas que sumado a avances tecnológicos permitirá a las instituciones públicas, entes de control y demás organizaciones, tomar decisiones de protección, reducción, mitigación o explotación de los recursos de estas zonas sobre una visión territorial futura escalable, ambientalmente responsable y ajustada a las diferentes coberturas y necesidades del país.
Evaluación de los objetivos
La presente investigación permitió definir un protocolo de procesamiento de imágenes satelitales para el entrenamiento y prueba de una red neuronal de predicción de daño ecológico por extracción ilegal de minerales tomando como
72
zona de estudio el municipio El Bagre del departamento de Antioquia producto del cual se generó un banco de imágenes temáticas que permiten evidenciar información sobre el territorio, relacionada al daño ecológico.
Para lo anterior se identificó aquellas variables de influencia en daño ecológico por extracción ilegal de minerales a cielo abierto y se estipularon algunas reglas de decisión sobre comportamientos de coberturas terrestres para la determinación de daño ecológico.
De acuerdo a lo anterior es posible evidenciar el cumplimiento de los objetivos de investigación propuestos de manera satisfactoria.
Conclusiones
Se determina que para zonas húmedas tropicales tales como la zona de estudio el Clasificador Mahalanobis Distance no es el mejor algoritmo para clasificación de imágenes Landsat puesto que presentó los coeficiente kappa más bajos en comparación a los demás algoritmos clasificadores, sin embargo El algoritmo Minimum Distance presentaron los mejores coeficiente kappa para clasificación supervisada y cuya imágen de origen pertenece al sensor landsat MSS y OLI TIRS con muestreos de cobertura de entre 10 y 15 firmas espectrales, de forma similar sucede con el algoritmo Maximum Likelihood con imágenes pertenecientes al sensor landsat TM y ETM.
Los clúster espectrales de entre 10 y 15 muestras por cobertura presentan coeficientes kappa similares, por lo que para una buena clasificación y separabilidad de firmas, el número de firmas espectrales capturadas por cobertura si bien no deberán ser obligatoriamente el valor descrito, si deberán encontrarse entre este rango, con el fin de obtener un muestreo suficiente y con alta separabilidad espectral.
El protocolo aquí propuesto permite identificar los clasificadores que mejor se ajustan a diferentes zonas con características climáticas diferentes, lo anterior con el fin de identificar el algoritmo que brinde una mejor clasificación de coberturas dependiendo de la zona a analizar, pudiéndose aplicar a cualquier lugar del país y tipo de sensor, no solo aquellos pertenecientes a la misión LandSat.
Dado que la información base de ingreso a la red neuronal es tipo Raster, los parámetros de homogeneización más importantes que esta debe cumplir para su implementación en redes neuronales es el número de pixeles y su resolución espacial, puesto que la integración de diferentes fuentes de información Raster que
73 Protocolo de Procesamiento de Imágenes Satelitales
presenten diferencias en su área de cobertura (número de pixeles) generan vacíos de información y afectar la exactitud de la predicción.
Para abordar problemáticas de origen social como lo es la explotación ilegal de materiales a cielo abierto desde una óptica territorial e ingenieril es indispensable integrar información y conocimientos sociales y económicos, no solamente cuantitativos producto de extracciones de la información geográfica disponible. por lo que importante implementar paradigmas de investigación mixtos para un entendimiento territorial más integral.
Recomendaciones
Se recomienda la exploración del uso de modelos vectoriales de vientos como una variable que permita describir el sentido de la erosión eólica siendo esta también un factor potencializador del daño ecológico.
Es necesario realizar más investigaciones sobre la correlación entre variables socio económicas de diferente índole con la explotación ilegal de minerales a cielo abierto, con el fin de fortalecer cada vez más la interrelación de información cualitativa y cuantitativa para ser integradas en posteriores estudios.
Bibliografía Flórez-Yepes, G. Y., Rncion Santamaría, A., Cardona, P. S., & Alzate Alvarez, A. M. (2016).
Análisis multitemporal de las coberturas vegetales en el área de. DYNA, 1.
KAMATA, S.-i., EASON, R. O., & KAWAGUCHI, E. (1991). Classification of LANDSAT
Image Data and Its Evaluation Using a Neural Network Approach. Artículos sobre
Measurement Automatic Control Society.
Arango Gutierrez, M. (2005). Clasificación no supervisada de coberturas Vegetales sobre
imágenes digitales de sensores Remotos: ―landsat – etm+‖. Revista Facultad Nacional de
Agronomía Medellín, 2.
Bischof, H., Schneider , W., & Pinz, A. (Mayo de 1992). Multispectral classification of Landsat-
images using neural networks. IEEE Transactions on Geoscience and Remote Sensing,
30. doi:10.1109/36.142926
74
Ceballos Espinos, D. d., & Toro R, L. J. (2012). Evaluación de la susceptibilidad a la erosión por
el cambio de cobertura debido a la minería, en el Municipio de Anorí, Antioquia,
Colombia. Revista Gestión y Ambiente, 51. Recuperado el 25 de Octubre de 2018, de
http://www.redalyc.org/html/1694/169424893003/
España Hoyos, C. A., & Serna Còrdoba, M. (2016). Impacto ambiental y social de la minería a
cielo abierto con maquinaria pesada en. Quibdo, Chocò, Colombia: Universidad de
Medellín Facultad de Ciencias Sociales y Humanas.
Kamata, S., & Kawaguchi, E. (1993). A neural net classifier for multi-temporal LANDSAT
images using spacial and spectral information. Proceedings of 1993 International
Conference on Neural Networks (IJCNN-93-Nagoya, Japan). Nagoya: IEEE.
doi:10.1109/IJCNN.1993.714162
Lezama, J. C., & da Silva Narvaes, I. (2013). Análisis multitemporal para la detección de
cambios ocasionados por actividades de. Anais XVI Simpósio Brasileiro de
Sensoriamento Remoto, (pág. 1). Foz do Iguaçu,.
Mas, J.-F. (2005). Un método para combinar datos espectrales. XII Simpósio Brasileiro de
Sensoriamento Remoto. Goiania. Recuperado el 18 de Octubre de 2018, de
http://marte.sid.inpe.br/col/ltid.inpe.br/sbsr/2004/11.16.18.07/doc/3543.pdf
McClellan, DeWitt, Hemmer, Matheson, & Moe. (1989). Multispectral image-processing with a
three-layer backpropagation network. International 1989 Joint Conference on Neural
Networks. Washington, DC: IEEE. doi:10.1109/IJCNN.1989.118573
Orozco Oñate, D. L., & Valbuena Cely, A. d. (2016). Análisis multitemporal mediante imágenes
de sensores remotos de la explotación a cielo abierto en la mina El Cerrejón municipio de
Barrancas y Albania departamento de la Guajira. Obtenido de
http://repositorio.uptc.edu.co/handle/001/1684
Pérez O, M. M., & Betancur V, A. (2016). Impactos ocasionados por el desarrollo de la actividad
minera al entorno natural y situación actual de Colombia. Sociedad y Ambiente, 4.
POMAR RESTREPO , M. A., & Solano Barrera, C. (2016). Análisis Multitemporal Y
Multiespectral Para La Elaboración Del Mapa De Conflicto De Uso Del Suelo Por
Actividades Mineras En La Vereda Canavita Del Municipio De Tocancipá
(Cundinamarca). Bogotá, Cundinamarca , Colombia: UNIVERSIDAD DE LA SALLE
Facultad de Ingeniería.
75 Protocolo de Procesamiento de Imágenes Satelitales
Tenorio, M. F., Safavian, S. R., & Kassebaum, J. (1990). Multisource Remote Sensing Data
Analysis With Self-organizing Neural Networks. 10th Annual International Symposium
on Geoscience and Remote Sensing. Maryland: IEEE. doi:10.1109/IGARSS.1990.688733
Uysa, G., Orman, A. A., & Fensoy, A. (2016). Streamflow Forecasting Using Different Neural
Network Models with Satellite Data for a Snow Dominated Region in Turkey. Procedia
Engineering. doi:https://doi.org/10.1016/j.proeng.2016.07.526
Vanegas Villa, H. A. (2014). MODELO DE RESTAURACIÓN DE. MODELO DE
RESTAURACIÓN DE. Medellin, Antiquia, Colombia: Universidad Nacional de
Colombia, Facultad de Minas, Escuela de Geociencias y Medio Ambiente .
Verbeke, L. P., Vancoillie, F. M., & De Wulf, R. R. (2004). Reusing back-propagation artificial
neural networks for land cover classification in tropical savannahs. International Journal
of Remote Sensing, 25, 2747-3771. Obtenido de
https://www.tandfonline.com/doi/full/10.1080/01431160310001652385?scroll=top&need
Access=true
Climate-Data.org. (2018). Clima El Bagre: Temperatura, Climograma y Tabla climática para El
Bagre. Retrieved from https://es.climate-data.org/america-del-sur/colombia/antioquia/el-
bagre-50343/
Alcaldía El Bagre. (2013, Agosto). PLAN TERRITORIAL DE GESTIÓN DEL RIESGO.
Recuperado 2 noviembre, 2018, de http://www.elbagre-
antioquia.gov.co/Transparencia/PlaneacionGestionyControl/Plan%20Territorial%20de%
20Gesti%C3%B3n%20de%20Riesgo%202013.pdf
IGAC. (2017). Drenaje Sencillo, Escala 1:100.000, Cartografía Base - IGAC. Retrieved from
http://datos.igac.gov.co/datasets/b80a5060d68e4de0b2e13daab3e64a69_0
IGAC. (2004). Datos Abiertos Agrología | GEOPORTAL. Retrieved from
https://geoportal.igac.gov.co/es/contenido/datos-abiertos-agrologia
IGAC. (2009). Estudio general de suelos y zon
st ed. pp. - . ogotá: nstituto eográfi o gust n oda i.
IDEAM. (2015). Catálogo de Metadatos del Sistema de Información Ambiental del IDEAM -
Instituto de Hidrología, Meteorología y Estudios Ambientales. Retrieved from
http://geoservicios.ideam.gov.co:8080/geonetwork/srv/spa/catalog.search;jsessionid=6A
C25C754DCBBFCB4A620AB21430A946#/metadata/53085bc1-b11a-4bba-8bfd-
d7208ef048ed
76
IGAC. (2003). Datos Abiertos Agrología | GEOPORTAL. Retrieved from
https://geoportal.igac.gov.co/es/contenido/datos-abiertos-agrologia
DANE. (2005). Censo General 2005 Perfil El Bagre – Antioquia. Retrieved from
https://www.dane.gov.co/files/censo2005/perfiles/antioquia/el_bagre.pdf
DANE. (2014). PROYECCIONES POBLACIÓN - Población por municipio y departamento.
Retrieved from https://www.datos.gov.co/Mapas-Nacionales/PROYECCIONES-
POBLACI-N-Poblaci-n-por-municipio-y-d/grgp-6bef
Lal, R. (noviembre/diciembre de 2001). Soil degradation by erosion. Land Degradation &
Development, 12(6): 519-539.
IDEAM, U.D.C.A 2015. Síntesis del estudio nacional de la degradación de suelos por erosión en
Colombia - 2015. IDEAM - MADS. Bogotá D.C., Colombia., 62 págs. Publicación
aprobada por el IDEAM, Diciembre de 2015, Bogotá D.C., Colombia.
Centro Regional de Información en Desastres – CRID. (2000). VOCABULARIO
CONTROLADO SOBRE DESASTRES. San José, Costa Rica: CRID.
IDEAM. (2004). Informe anual sobre el estado del medio ambiente y los recursos naturales
renovables en Colombia
Fierro Morales, J., Garay Salamanca, L., Morelli Rico, S., & Rudas Lleras, G. (2019).
Minería en
olom ia nd ed. pp. - . ogotá: ontralor a eneral de la Rep li a.
M. Victoria López, José Luis Arrúe, Ricardo Gracia. (s.f). CONTROL DE LA EROSIÓN
EÓLICA EN SUELOS AGRÍCOLAS . Zaragoza, España: Estación Experimental de
Aula Del Consejo Superior de Investigaciones Científicas.
Del Pozo Loayza, C., & Paucarmayta Tacuri, V. (2014). Cómo impacta la minería en la
producción agropecuaria del Perú. Retrieved from
http://www.cies.org.pe/sites/default/files/files/articulos/economiaysociedad/01-
del_pozo_ok.pdf
El Tiempo. (1995). MINERÍA AFECTA AL MEDIO AMBIENTE. El Tiempo, p. 1. Retrieved
from https://www.eltiempo.com/archivo/documento/MAM-497060
Constitución política de Colombia [Const.] (1991) Artículo 360 - 361 [Titulo II]. 2da Ed. Legis.
Retrieved
http://www.secretariasenado.gov.co/senado/basedoc/constitucion_politica_1991_pr012.ht
ml#360
Procuraduría General de la Nación. MINERÍA ILEGAL EN COLOMBIA - Informe Preventivo.
Retrieved from
77 Protocolo de Procesamiento de Imágenes Satelitales
https://www.procuraduria.gov.co/portal/media/file/MINERIA%20ILEGAL%20EN%20C
OLOMBIA%20%20DOCUMENTO.pdf
Resolución 02965 DE 1995 [Resolución.] (1995). 1ra Ed. Legis. Retrieved
http://www2.igac.gov.co/igac_web/normograma_files/RESOLUCION29651995.pdf
Horacio Bozzano ( 3ª edición: 2018). Territorios Posibles. Procesos, lugares y actores. Buenos
Aires: Editorial Lumiere, 635 páginas. ISBN 978-987-603-096-0
Bachelard, Gastón, La formación del Espíritu Científico. Siglo XXI Editores México, 1984 (1ª
edición en francés: 1938).
Rosales Ortega, Rocio; Gutierrez Ramirez, Servando y Torres Franco, Luis La Interdisciplina en
las Ciencias Sociales Anthropos, 2006, Barcelona.
Marradi, Alberto, Archenti, Nélida y Piovani, Juan Ignacio, Metodología de las Ciencias
Sociales. Emecé, Buenos Aires, 2007.
Bourdieu, Pierre, Chamboredon, Jean-Claude y Passeron El Oficio del Sociólogo. Siglo XXI
Editores, México, 1996 (1ª edición en francés: 1973).
Programa de las Naciones Unidas Para el Desarrollo. (2016). Objetivos de Desarrollo Sostenible
| PNUD. Retrieved 20 July 2019, from
https://www.undp.org/content/undp/es/home/sustainable-development-goals.html
UNEP, Programa de Naciones Unidas para el Medio Ambiente. (2016). Framework and Guiding
Principles for a Land Degradation Indicator (1st ed., p. 11). Washington, DC: UNEP.
IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Retrieved 20 July 2019, from
http://siatac.co/c/document_library/get_file?uuid=a64629ad-2dbe-4e1e-a561-
fc16b8037522&groupId=762
Trends Earth (2019). Versión 0.63. Compute Sub-indicators: Trends Earth, p.7. Retrieved 20
July 2019, from https://arset.gsfc.nasa.gov/sites/default/files/land/webinars/19-
sdg/Trends.Earth_Computing_Indicators_Spanish_Session1.pdf
Clark, D.A., S.Brown, D- W- Kicklighter, J. D. Chambers, J. R. Thomlinson y J. NI. 2001a.
Measuring Net Primary Production in Forest: Concept and Field Methods. Ecological
Applications 11 (2): 356 - 384
rcGIS. (2019). Función NDVI—ArcGIS Pro | ArcGIS Desktop. Retrieved 21 July 2019, from
https://pro.arcgis.com/es/pro-app/help/data/imagery/ndvi-function.htm
78
Olivio Candelario, Á. (2019). Universidad Politécnica de Madrid. Retrieved 18 July 2019, from
http://oa.upm.es/48286/1/TFM_Angelica_Antonia_Olivo_Candelario.pdf
79 Protocolo de Procesamiento de Imágenes Satelitales
ANEXO 1. TIPOS DE SUELOS DEL MUNICIPIO EL BAGRE, ANTIOQUIA.
Tabla 27. Tipos De Suelos Del Municipio El Bagre, Antioquia
TIPO PAISAJE CLIMA TIPO RELIEVE LITOLOGÍA CARACTERÍSTICAS COMPONENTE ÁREA (ha)
CA Cuerpo de
agua
Cuerpo de
agua
Cuerpo de
agua
Cuerpo de agua Cuerpo de agua Cuerpo de agua 16564,67302
CAa Planicie
aluvial
Cálido
húmedo
Terrazas Aluviones medios a gruesos Profundos y superficiales, bien y pobremente
drenados, encharcamiento de poca duración,
texturas variables finas a gruesas, erosión
moderada, fertilidad baja a muy baja
Asociación Caucasia: Oxic
Dystrudepts; Typic Hapludults;
Acrudoxic Kanhapludults; Vertic
Endoaquepts; Typic Dystrudepts
3072,383335
CAb Planicie
aluvial
Cálido
húmedo
Terrazas Aluviones medios a gruesos Profundos y superficiales, bien y pobremente
drenados, encharcamiento de poca duración,
texturas variables finas a gruesas, erosión
moderada, fertilidad baja a muy baja
Asociación Caucasia: Oxic
Dystrudepts; Typic Hapludults;
Acrudoxic Kanhapludults; Vertic
Endoaquepts; Typic Dystrudepts
1075,598822
CAb1 Planicie
aluvial
Cálido
húmedo
Terrazas Aluviones medios a gruesos Profundos y superficiales, bien y pobremente
drenados, encharcamiento de poca duración,
texturas variables finas a gruesas, erosión
moderada, fertilidad baja a muy baja
Asociación Caucasia: Oxic
Dystrudepts; Typic Hapludults;
Acrudoxic Kanhapludults; Vertic
Endoaquepts; Typic Dystrudepts
345,2341896
CAb2 Planicie
aluvial
Cálido
húmedo
Terrazas Aluviones medios a gruesos Profundos y superficiales, bien y pobremente
drenados, encharcamiento de poca duración,
texturas variables finas a gruesas, erosión
moderada, fertilidad baja a muy baja
Asociación Caucasia: Oxic
Dystrudepts; Typic Hapludults;
Acrudoxic Kanhapludults; Vertic
Endoaquepts; Typic Dystrudepts
1183,960193
CSa Planicie
aluvial
Cálido
húmedo
Plano de
inundación
Aluviones medios y gruesos Superficiales, bien y pobremente drenados,
texturas medias y gruesas, reacción fuertemente
ácida y neutra, fertilidad moderada a alta
Complejo Cucharal: Typic
Endoaquepts; Aquic Udifluvents;
Typic Udipsamments; Aquic
Udorthents
5147,828222
ECe Montaña Cálido
húmedo a
Filas y vigas Rocas metamórficas (neisseses
e inclusiones de esquistos)
Superficiales y profundos, bien drenados, texturas
finas a moderadamente gruesas, erosión ligera a
Asociación El Cinco: Lithic
Dystrudepts; Typic Dystrudepts; Oxic
12189,1145
80
muy
húmedo
moderada, fertilidad muy baja a moderada Dystrudepts; Inceptic Hapludox
ECe1 Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisseses
e inclusiones de esquistos)
Superficiales y profundos, bien drenados, texturas
finas a moderadamente gruesas, erosión ligera a
moderada, fertilidad muy baja a moderada
Asociación El Cinco: Lithic
Dystrudepts; Typic Dystrudepts; Oxic
Dystrudepts; Inceptic Hapludox
397,2343223
ECf Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisseses
e inclusiones de esquistos)
Superficiales y profundos, bien drenados, texturas
finas a moderadamente gruesas, erosión ligera a
moderada, fertilidad muy baja a moderada
Asociación El Cinco: Lithic
Dystrudepts; Typic Dystrudepts; Oxic
Dystrudepts; Inceptic Hapludox
22407,10403
FGa Planicie
aluvial
Cálido
húmedo
Plano de
inundación
Aluviones heterométricos Profundos y superficiales, bien e imperfectamente
drenados, texturas moderadamente finas a
moderadamente gruesas, reacción moderadamente
ácida a neutra, fertilidad moderada a alta
Asociación El Real: Fluvaquentic
Eutrudepts; Typic Udifluvents; Typic
Fluvaquents; Aquic Udipsamments;
Humic Eutrudepts
3161,513738
GMb1 Lomerío Cálido
húmedo
Lomas y
colinas
Rocas sedimentarias
(arcillolitas, areniscas y
conglomerados)
Profundos, bien drenados, texturas
moderadamente finas y finas, reacción muy fuerte
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja a muy baja
Asociación Margarita: Typic
Paleudults; Oxic Dystrudepts; Typic
Dystrudepts
1777,26841
GMc Lomerío Cálido
húmedo
Lomas y
colinas
Rocas sedimentarias
(arcillolitas, areniscas y
conglomerados)
Profundos, bien drenados, texturas
moderadamente finas y finas, reacción muy fuerte
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja a muy baja
Asociación Margarita: Typic
Paleudults; Oxic Dystrudepts; Typic
Dystrudepts
2198,869665
GMc1 Lomerío Cálido
húmedo
Lomas y
colinas
Rocas sedimentarias
(arcillolitas, areniscas y
conglomerados)
Profundos, bien drenados, texturas
moderadamente finas y finas, reacción muy fuerte
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja a muy baja
Asociación Margarita: Typic
Paleudults; Oxic Dystrudepts; Typic
Dystrudepts
5152,354348
GMd Lomerío Cálido
húmedo
Lomas y
colinas
Rocas sedimentarias
(arcillolitas, areniscas y
conglomerados)
Profundos, bien drenados, texturas
moderadamente finas y finas, reacción muy fuerte
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja a muy baja
Asociación Margarita: Typic
Paleudults; Oxic Dystrudepts; Typic
Dystrudepts
3716,391744
GMd1 Lomerío Cálido
húmedo
Lomas y
colinas
Rocas sedimentarias
(arcillolitas, areniscas y
conglomerados)
Profundos, bien drenados, texturas
moderadamente finas y finas, reacción muy fuerte
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja a muy baja
Asociación Margarita: Typic
Paleudults; Oxic Dystrudepts; Typic
Dystrudepts
15291,84252
81 Protocolo de Procesamiento de Imágenes Satelitales
IVa Lomerío Cálido
húmedo
Vallecitos
coluvio-
aluviales
Aluviones mixtos recientes Superficiales y moderadamente profundos, el
drenaje natural varía de pobre a imperfecto y
moderado, inundaciones irregulares, texturas
variadas finas a moderadamente gruesas, fertilidad
baja a moderada
Complejo Ite: Fluvaquentic
Endoaquepts; Aquic Dystrudepts;
Typic Dystrudepts; Typic Udorthents;
Typic Udifluvents; Fluvaquentic
Dystrudepts
15996,37202
LRd Montaña Cálido
húmedo a
muy
húmedo
Espinazos Rocas metasedimentarias y
sedimentarias (neises,
arcillolitas, areniscas,
conglomerados)
Profundos a moderadamente profundos limitados
por fragmentos de roca, bien drenados, texturas
medias a finas, erosión ligera a moderada, fertilidad
muy baja a alta
Asociación La Lora: Oxic Dystrudepts;
Typic Dystrudepts; Typic Hapludolls
2597,744856
LRe Montaña Cálido
húmedo a
muy
húmedo
Espinazos Rocas metasedimentarias y
sedimentarias (neises,
arcillolitas, areniscas,
conglomerados)
Profundos a moderadamente profundos limitados
por fragmentos de roca, bien drenados, texturas
medias a finas, erosión ligera a moderada, fertilidad
muy baja a alta
Asociación La Lora: Oxic Dystrudepts;
Typic Dystrudepts; Typic Hapludolls
29962,59505
LRf Montaña Cálido
húmedo a
muy
húmedo
Espinazos Rocas metasedimentarias y
sedimentarias (neises,
arcillolitas, areniscas,
conglomerados)
Profundos a moderadamente profundos limitados
por fragmentos de roca, bien drenados, texturas
medias a finas, erosión ligera a moderada, fertilidad
muy baja a alta
Asociación La Lora: Oxic Dystrudepts;
Typic Dystrudepts; Typic Hapludolls
11898,28614
LRf1 Montaña Cálido
húmedo a
muy
húmedo
Espinazos Rocas metasedimentarias y
sedimentarias (neises,
arcillolitas, areniscas,
conglomerados)
Profundos a moderadamente profundos limitados
por fragmentos de roca, bien drenados, texturas
medias a finas, erosión ligera a moderada, fertilidad
muy baja a alta
Asociación La Lora: Oxic Dystrudepts;
Typic Dystrudepts; Typic Hapludolls
12020,68312
SDai Planicie
aluvial
Cálido
húmedo
Plano de
inundación
Aluviones finos y muy finos Superficiales y muy superficiales, pobremente
drenados, texturas finas y muy finas, fuerte y muy
fuertemente ácidos, fertilidad moderada a alta
Asociación San Diego: Vertic
Endoaquepts; Typic Endoaquepts;
Chromic Endoaquerts; Histic
Humaquepts; Typic Haplohemists
3101,555406
TRa Montaña Cálido seco
a húmedo
Vallecitos Sedimentos coluvio-aluviales
mixtos
Superficiales y moderadamente profundos, bien a
moderadamente bien drenados con inundaciones
periódicas; texturas variadas, fertilidad baja a alta
Complejo Tarazá: Typic Udortthents;
Typic Ustorthents; Entic Hapludolls;
Fluventic Hapludolls; Typic
Ustipsamments; Misceláneos de playa
904,454982
ZCd Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisses y
paraneisses migmatítico)
Profundos y moderadamente profundos, bien
drenados, texturas finas y moderadamente finas a
veces con fragmentos de roca, reacción extremada
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja
Asociación Zaragoza: Oxic
Dystrudepts; Typic Hapludox; Inceptic
Hapludox; Typic Kandiudox; Typic
Dystrudepts; Typic Udorthents
2058,471134
82
ZCd1 Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisses y
paraneisses migmatítico)
Profundos y moderadamente profundos, bien
drenados, texturas finas y moderadamente finas a
veces con fragmentos de roca, reacción extremada
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja
Asociación Zaragoza: Oxic
Dystrudepts; Typic Hapludox; Inceptic
Hapludox; Typic Kandiudox; Typic
Dystrudepts; Typic Udorthents
144,7978343
ZCe Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisses y
paraneisses migmatítico)
Profundos y moderadamente profundos, bien
drenados, texturas finas y moderadamente finas a
veces con fragmentos de roca, reacción extremada
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja
Asociación Zaragoza: Oxic
Dystrudepts; Typic Hapludox; Inceptic
Hapludox; Typic Kandiudox; Typic
Dystrudepts; Typic Udorthents
16448,01181
ZCf Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisses y
paraneisses migmatítico)
Profundos y moderadamente profundos, bien
drenados, texturas finas y moderadamente finas a
veces con fragmentos de roca, reacción extremada
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja
Asociación Zaragoza: Oxic
Dystrudepts; Typic Hapludox; Inceptic
Hapludox; Typic Kandiudox; Typic
Dystrudepts; Typic Udorthents
2142,602293
ZCf1 Montaña Cálido
húmedo a
muy
húmedo
Filas y vigas Rocas metamórficas (neisses y
paraneisses migmatítico)
Profundos y moderadamente profundos, bien
drenados, texturas finas y moderadamente finas a
veces con fragmentos de roca, reacción extremada
a fuertemente ácida, alta saturación de aluminio,
fertilidad baja
Asociación Zaragoza: Oxic
Dystrudepts; Typic Hapludox; Inceptic
Hapludox; Typic Kandiudox; Typic
Dystrudepts; Typic Udorthents
183,5390934
ZU Zona
urbana
Zona
urbana
Zona urbana Zona urbana Zona urbana Zona urbana 304,7374723
83 Protocolo de Procesamiento de Imágenes Satelitales
ANEXO 2. USO RECOMENDADO DEL SUELO
Tabla 28. Uso Recomendado Del Suelo
CodCap
aci Uso Recomendado Área ha Características del Suelo
2308
Agrícola, Cultivos transitorios, Semiperennes,
Perennes, Ganadería intensiva con pastos de alto rendimiento
313,6616321581
1
Textura Francosa fina, Limosa fina,
Contrastadas, no presenta inundacion o encharcamiento
3hs-2
Cultivos de arroz, plátano, maíz, caña de azucar y
palma de aceite. Ganadería
semi-intensiva
503,9194113016
48
Supeficiales a moderadamente profundos,
drenaje pobre a imperfecto,
texturas fi nas y moderadamente fi nas, fertilidad moderada, susceptibles
a inundabilidad y encharcamiento
4es-2 Ganadería, Pastos de buenos rendimientos,
Agroforesteria. 800,8383882101
74
Pendientes pronunciadas, áreas erodadas y susceptibles al
deterioro, bien drenado,
pérdida acelerada de suelo
4s-2
Agrosilvo pastoril con plantaciones de yuca, maíz,
plátano, teca, acacio y ganadería
semi-intensiva
13.140,3712554
6120
Muy superficiales a profundos,
texturas variadas, bien a imperfectamente
drenados, fertilidad alta a baja, fragmentos de roca localizados
en superficies
5114
agricultura y ganadería estacional escasamente tecnificada, agroforestería, conservación y
preservación de los recursos naturales y
ecoturismo.
97,07659159810 Drenaje probre, presenta minimos
encharcamientos
84
4hs-2
Agropastoril (arroz y pastos
hidrófi los) en zonas bajas,
en sectores mejor drenados (maíz, sorgo, soya y pasto
angletón)
12.889,7639328
4610
Superficial a profundos, drenaje
moderado a pobre, texturas variadas,
fertilidad moderada a muy baja, capas localizadas de gravilla nivel
freático fluctuante
4ps-2 Ganadería, Pastos de buenos rendimientos,
Agroforesteria. 19.008,2341064
0980
Pendientes pronunciadas, áreas erodadas y
susceptibles al
deterioro, bien drenado, baja fertilidad, presencia de sales y sodio,
altas
saturaciones de aluminio intercambiable
4ps-5 Ganadería, Pastos de buenos rendimientos,
Agroforesteria. 4.801,01380469
099
Pendientes pronunciadas, áreas erodadas y
susceptibles al
deterioro, bien drenado, baja fertilidad, presencia de sales y sodio,
altas
saturaciones de aluminio intercambiable
5101
Agricultura y ganadería estacional escasamente
tecnificada, agroforestería, conservación y
preservación de los recursos naturales y ecoturismo.
15.968,2264492
7490
Drenaje probre, presenta minimos
encharcamientos
5h-2
Agricultura y ganadería estacional escasamente
tecnificada, agroforestería, conservación y
preservación de los recursos naturales y ecoturismo.
3.285,51280115
299 suelos sobresaturados con agua
6hs-5 Cultivos semi perennes o perennes, semi densos y
densos; sistemas agroforestales y forestales.
6.719,95984239
939
Suelo sobresaturados con agua, baja fertilidad, presencia de sales y sodio, altas
saturaciones de aluminio intercambiable
6p-5 Cultivos semi perennes o perennes, semi densos y
densos; sistemas agroforestales y forestales
67.379,2234683
2650
Presenta pendietes, Textura Arenosa;
francosa fina; limosa fina,
7p-5
Silvopastoril: ganaderia
extensiva con pastos mejorados y bosque protector y
productor. Conservación
48.908,87039316300
Superficiales a profundos, bien
drenados, texturas medias y fi nas, reacción fuertemente àcida alta
saturación de aluminio