ELABORACION DE GOMITAS , dulces, terapeuticas y con alcohol
Superficie con Maíz en deptos. de Santiago del Estero
1. Determinación de superficie cubierta con Maíz y otros cultivos en los departamentos de
Santiago del Estero, campaña 13 – 14.
1º Caso: Departamentos, Jiménez y Pellegrini, sector Noroeste de Santiago del Estero.
Datos Satelitales
Para el desarrollo del trabajo fueron utilizadas dos imágenes correspondientes al Landsat
8 / sensor OLI. La combinación de bandas utilizada fue de tipo Falso Color Compuesto (FCC),
considerando la banda del infrarrojo cercano (TM5); el infrarrojo medio (TM6) y el rojo (TM4),
con la asignación de filtros rojo, verde y azul respectivamente (564 / RGB).
Las mismas fueron obtenidas gratuitamente del sitio del USGS: http://glovis.usgs.gov/
Programas de procesamiento de imágenes y Sistemas de Información Geográfica: ENVI 5.0 y
QGIS 2.4 Chugiak.
El sistema de proyección utilizado corresponde al Transverse Mercator, Gauss Krüger, faja 4.
Tabla 1: SENSOR E IMÁGENES SELECCIONADAS
Satélite / sensor Path Row Fecha de adquisición
Landsat 8 / OLI 230 / 78 09/03/2014
Landsat 8 / OLI 230 / 79 09/03/2014
A las las bandas se les aplicó la corrección atmosférica: Reflectancia en el Techo de la Atmósfera
(TOA) y a reflectividad de la superficie terrestre por el método sustractivo de cuerpo oscuro. Se
compilaron, se obtuvo el mosaico de ambas y luego el recorte de los dos departamentos.
METODOLOGÍA
Para relevar el área de cobertura agrícola de los partidos se utilizó la estratificación realizada
oportunamente en 2012, para la aplicación del método de segmentos aleatorios (1) del MINAGRI.
Se trabajo solamente sobre la superficie agrícola y ganadera, enmascarando toda el área de
descarte de los citados deptos.
Para la realización de la clasificación supervisada se tomó como verdad de campo para las áreas
de entrenamiento y verificación el operativo de relevamiento de información a campo realizado por
el área de Estimaciones Agrícolas en Abril 2014, contando con 50 segmentos de 400 has. cada
uno.
1
2. De las ROI digitalizadas un 60 % correspondieron a áreas de entrenamiento del clasificador y un 40
% para validar los resultados. Se calculó la separabilidad espectral entre los ROIs seleccionados
observando que superen el valor 1.8, teniendo especial cuidado entre el cultivo de maíz y otras
coberturas tal el caso de diversos tipos de pasturas.
Separabilidad Espectral: (Jeffries‐Matusita, Transformed Divergence)
Maíz:
Pasturas: (1.75625011 1.84840104)
Poroto:….(1.97968880 2.00000000)
Soja: …….(1.99999422 2.00000000)
Sorgo: …..(1.85304971 2.00000000)
Rastrojos: (1.99978511 1.99999948)
Campo Natural: (1.98333219 1.99999984)
Como método de clasificación se realizó una clasificación supervizada, utilizando el algoritmo de
máxima probabilidad (“maximum likelihood”)., luego del proceso de calculó la matriz de error
tendiendo en cuenta lo siguiente: Normalmente se acepta como buen indicador un Kappa de 0.75
o bien una “overall accuracy” de 85% (2)
2
RESULTADOS.
3. Superficie de cultivos:
Cultivo Superficie en Has.
Maiz 108892
Poroto 51624
Pasturas 99133
Soja 65179
Sorgo 11587
Rastrojos 37661
CampoNatural 69168
Total 443244
3
Matriz de Error:
Overall Accuracy = (12604/14014) 89.9386%
Kappa Coefficient = 0.8694
Ground Truth (Percent)
Class Maiz Poroto Pasturas Soja Sorgo Rastrojos CampoNatural Total
Unclassified 0 0 0 0 0 0 0
Maiz 90.57 0 8.61 0 0 0 4.79 26.57
Poroto 0.63 88.89 0.27 0.73 54.64 0 11.98 6.22
Pasturas 0.32 0.79 89.97 0 0.71 0 15.96 16.55
Soja 0 0 0 98.87 0 0 0 33.77
Sorgo 7.96 10.32 0 0.4 44.64 0 0 3.56
Rastrojos 0 0 0.27 0 0 100 0 4.85
CampoNatural 0.53 0 0.89 0 0 0 67.27 8.5
Total 100 100 100 100 100 100 100 100
(1) Método de Segmentos Aleatorios” para la estimación de la superficie sembrada con cultivos extensivos.
(2) Pablo Vazquez, Claudio Fonda, Florencio Moore. “Protocolo de trabajo en el área de Teledetección y SIG”
4. 4
Bibliografia:
1. Carlson T. y Riziley D. (1997). On the Relation between NDVI, Fractional Vegetation Cover,
and Leaf Area Index. Remote Sens. Environ. 62: 241‐252.
2. Caselles V. y López M. J. (1989). An alternative simple approach to estimate atmospheric
correction in multitemporal studies. Int. J. Remote Sensing. 10: 1127‐1134.
3. Chuvieco E. (2000). Fundamentos de teledetección espacial. Capítulo 7. Tratamiento
digital de imágenes: II. Generación de información temática Ediciones Rialp, S.A. Madrid.
Tercera edición. 406‐408.
4. Gitelson A. A., Stark R., Grits U., Rundquist D., Kaufman Y. y Derry Y. (2002). Vegetation
and soil lines in visible spectral space: a concept and technique for remote estimation of
vegetation fraction. Int. J. Remote Sensing. 23 (13), 2537–2562.
5. Matsushita B. y Tamura M. (2002). Integrating remotely sensed data with an ecosystem
model to estimate net primary productivity in East Asia. Remote Sens. Environ. 81: 58–66.
6. NASA. (2001). Landsat 7 Science Data Users Handbook:
http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/chapter12/chapter12.html
7. Rivas, R., Weizetel, P. y Usunoff E. (2005). Resultados preliminares de la estimación del
estrés hídrico a partir de temperatura de superficie y NDVI. Actas II Seminario Hispano‐
Latinoamericano sobre temas actuales en Hidrología Subterránea – Relación aguas
suoperficiales – aguas subterráneas. Río Cuarto – Cordoba. 195‐202.
8. Skidmore A. K. (1989). An expert system classifies eucaliptus forest types using Thematic
Mapper data and digital terrain model. Photogrammetric Eng. and Remote Sensing. 55:
1149‐1464.
9. USGS. (2000). MRLC 2000 Image Preprocessing Procedure. U.S. Department of Interior. 8
pp.
10. Vázquez, P., Massuelli, S. y Platzeck G. (2006). Determinación de patrones espectrales
para distintos usos del suelo en ambientes heterogéneos. Publicación técnica nº1.
Ediciones INTA. ISSN 1850‐6496. 34 pp.