Método para la detección de cambios del paisaje en la amazonia con base en sensores remotos

Abstract

Esta investigación tuvo por objeto generar un método para la detección de cambios del paisaje en la Amazonia con base en sensores remotos, para lo cual se tomaron dos áreas de estudio: una de baja y otra de alta intervención. Se evaluaron tres métodos: pos-clasificación, correlación y diferencia normalizada. los resultados mostraron que el método pos-clasificación empleando imágenes ópticas y de radar fusionadas por el algoritmo HPF y clasificadas por el método de máxima verosimilitud, proporciona los mejores resultados al arrojar exactitudes superiores a 76% y permitiendo discriminar 8 tipos coberturas y más de 7 tipos de cambios. Con solo imágenes de radar ERS-SAR los mejores resultados se obtuvieron con el método de diferencia normalizada, clasificada con el algoritmo de máxima verosimilitud, al discriminar hasta tres tipos de coberturas/cambios con exactitudes de entre 66% y 75%. Los mapas resultantes fueron sometidos a algoritmos de detección de cambios en los patrones espaciales del paisaje a partir de cual se pudo establecer que los algoritmos de análisis morfológico de patrones espaciales (MSPA), proporcionan las mayores ventajas al generar información sobre la distribución de los cambios y la conectividad del paisaje. (Texto tomado de la fuente).

The aim of this search was to create a method for detection of changes in landscape of Amazonia using remote sensing in two study areas: 1) a low intervention area and 2) a high intervention area. Three methods were evaluated: pos-clasification, correlation and normalized difference. The results showed that pos-clasification method using optical and radar images merged by High Pass filter algorithm and classified by maximum likelihood, provided the better outcomes with accuracies greater than 76% and the possibility of identify 8 land cover types and more than 7 types of land cover changes. Using only ERS-SAR images the best result was obtained with normalized difference method and maximum likelihood classification with accuracies between 66% and 75%, with the possibility of identify up to three types of land covers/changes. The outcome maps were subject to spatial pattern change algorithms, the outcomes showed that morphological spatial pattern analysis algorithms (MSPA) provided more benefits because information about changes distribution and landscape connectivity is generated.