Índice Linealizado de Sombra-Agua
Linearized Shadow and Water Index (SWI)
Por Eber Risco Sence
El índice de sombra-agua SWI es útil para detectar lagos. No existen trabajos centrados en la detección de agua en las imágenes de satélite. Sin embargo, las opciones más cercanas en la literatura se basan en la identificación de sombras, las cuales presentan características fotométricas similares al agua.
En el espectro de IKONOS, el agua muestra una curva de respuesta cada vez mayor hasta la banda azul, que llega al máximo en esta región y luego disminuye monótonamente con el infrarrojo cercano. Así, una representatividad del índice sombra-agua debe estar compuesta de altos valores de azul primero. Idealmente, también debería considerar las bandas verde y roja, pero la banda verde también responde fuertemente a la vegetación y esto dificulta la observación de sombra o agua. Por lo tanto, el índice debe incluir las bandas azul y rojo por lo menos Ünsalan y Boyer (2011).
Para obtener este índice, se aplicó el mismo esquema utilizado en el NDVI mediante análisis de componentes principales con el azul, rojo, y el infrarrojo cercano. Tratando de maximizar coeficientes banda azul y rojo se obtiene el mejor rendimiento del índice sombra-agua para cada dimensión.
En un espacio de dos dimensiones, dado que tenemos la intención de tener la banda azul en un SWI, reemplazamos la banda roja con la azul en la formulación NDVI. Obtenemos nuestro primer índice como:
Para los espacios de tres y cuatro dimensiones, se observa que el tercer componente principal tiene la información sombra en todos los espacios transformados. Los correspondientes índices de agua sombra-γ2, γ3 y γ4 obtenidos a partir de los espacios de transformación están dados de la siguiente manera:
Con la finalidad de identificar lagunas en la cuenca del río Ocoña, ubicado en el departamento de Arequipa, Perú, a partir de una imagen LANDSAT 5 TM tomada el 16 de agosto de 2008, se procedió a desarrollar la metodología propuesta por Ünsalan y Boyer (2011).
Los índices de vegetación lineal γ sobre la base de la actividad vegetal, seguido de tres nuevos índices de vegetación: γ2 y γ3 definidos en espacios 3D, y γ4 en el espacio 4D para l la cuenca del río Ocoña se aprecian a continuación.
Se aprecia que los índices γ1, γ2 y γ4 identifican de buena manera la laguna ubicada en la parte noroeste de la cuenca, mientras el índice γ3 presenta resultados menos satisfactorios para identificar cuerpos de agua.
Referencias
- Schowengerdt, R. 2007. Remote Sensing-Models and Methods for Image Processing. 3 ed. California, US, Academic Press. 558 p.
- Steven M. de Jong; Freek D. Van der Meer. 2004. Remote Sensing Image Analysis. California, US, Springer. 370 p.
- Schott, J. 2007. Remote Sensing: The Image Chain Approach. 2ed. New York, US. Oxford University Press. 701 p.
- Ünsalan, C.; Boyer, K. 2011. Multispectral Satellite Image Understanding. New York, US. Springer. 203 p.
