Relación espectral de la información espacial

D.F. PEÑA GUTIÉRREZ

daniel.pena@correunivalle.edu.co

1. Resumen
La incursión de nuevos sensores para capturar y estudiar información de la cobertura vegetal
generan un desafío para combinar información estandarizada que permita hacer un estudio
homogéneo bajo diferentes fuentes de información, de momento se han llevado a cabo
comparaciones de respuesta espectral entre sensores de familias de satélites como Landsat y
sentinel, haciendo diferentes combinaciones entre bandas con resultados de correlación de hasta el
99% entre estas bandas, sin embargo siguen quedando diferencias en especial para la banda roja, en
este trabajo se hace una comparación de la respuesta espectral entre la reflectancia dada por una
imagen del sensor MSI de satélite sentinel que cuenta con una resolución espacial de 10m y que fue
corregida atmosféricamente por el método de substracción del objeto oscuro DOS1 por sus siglas en
inglés y la reflectancia hallada con imágenes en campo con la cámara de un Smartphone HUAWEI
P20Lite, las imágenes tomadas con el Smartphone se procesaron en Matlab para encontrar los
valores digitales para cada banda, los valores de reflectancia de estas imágenes se hallaron mediante
los parámetros de calibración de la cámara obtenidos de una calibración vicaria con mediciones de
espectro radiómetro en campo. Se tomaron 12 imágenes y en simultaneo 12 puntos de control que
representan un pixel de la imagen satelital, en las coordenadas de cada punto se halló la reflectancia
de la imagen satelital y con estos 12 puntos se generó un modelo de regresión lineal de reflectancias
para cada banda con un coeficiente R2entre 0.0092 y 0.1484.

2. Introducción
Vuolo et al. (2016) Generan un informe técnico acerca del uso de una plataforma desarrollada
presentada en una interfaz web que usa el algoritmo sen2core de la ESA que permite una corrección
atmosférica a productos sentinel 2 hallando la reflectancia por debajo de la atmósfera, el programa
además presenta unas características adicionales como cálculo de índices para seguimiento de
coberturas de la tierra, todos calculados por debajo de la atmosfera para minimizar el ruido que esta
pueda ocasionar.

Para validar la consistencia del uso del algoritmo sen2core que se implementó los autores plantean
una comparación basada en pixeles de los datos de reflectancia en la superficie obtenidos de una
imagen sentinel 2 con datos de reflectancia corregidos atmosféricamente landsat 8, escogieron 6
pixeles de prueba geográficamente distribuidos por Europa, para comparar porciones iguales de
terreno hicieron un buffer de 30 m de un pixel debido a que su resolución espacial es de 10 m de
sentinel 2 frente a los 30m de landsat 8 obteniendo un resultado de R2=0.90 y un error medio
cuadrático RMSE=0.031.

Los autores finalmente proponen una comparación de datos de reflectancia corregidos en la

superficie por el algoritmo implementado de una imagen sentinel 2 con datos de reflectancia
medidos en campo por un espectro flexómetro calibrado con precisión de 95-93% , se hizo en 2
campañas de campo con una diferencia de tiempo de dos días en la toma de los datos para una
campaña mientras que la otra en simultaneo con el paso del satélite, se tomaron 10 puntos sobre
cada superficie y se usaron 6 superficies homogéneas diferentes, los puntos escogidos se

1
georreferenciaron previamente con GPS y obtuvieron resultados consistentes, con unas pequeñas
diferencias entre los datos medidos con 2 días de diferencia como lo muestra la figura1.

Figura 1. Dispersión longitud de onda y reflectancia para 2 campañas

Fuente: Vuolo et al. (2016)

Mandanici y bitelli (2016) comparación de respuesta espectral haciendo una combinación entre las
bandas de los sensores a bordo de los satélites Sentinel 2 y landsat 8, buscando establecer la
relación y las diferencias entre la respuesta de cada uno argumentando la utilidad de trabajar con
productos combinados a la hora de hacer análisis multitemporales con frecuencias muy altas.

Para este trabajo se escogieron 5 áreas con diferentes condiciones tanto climáticas como coberturas,
trabajaron con datos reales y también con datos simulados obtenidos a través de una imagen
hiperespectral Hyperion, las zonas están distribuidas geográficamente por todos los continentes.
Después del pre procesamiento de las imágenes donde se corrigieron los parámetros atmosféricos y

Geométricos, hicieron la combinación de las bandas, con los datos de reflectancia sobre la
superficie obteniendo un coeficiente de correlación de Pearson de por encima de 0.98 como lo
muestra la tabla 1 para una de las zonas de estudio.

Tabla 1. Coeficiente de correlación de Pearson para combinaciones de bandas de MSI- TM5

Banda Banda TM5 Correlación coeficiente de Pearson
MSI
2 1 0.9995
3 2 0.9962
4 3 0.9997
8 4 1.0
8a 4 0.9998
11 5 0.9998
12 7 0.9996

El grupo de satélites de landsat han operado por un lapso de tiempo muy grande lo que ha generado
una documentación amplia a partir de los datos que proporciona por lo que se busca establecer unas
relaciones entre estos productos de landsat y de satélites de nueva generación como sentinel 2,
Flood (2017).

Los cambios presentados se le atribuyen a la diferencia de los sensores debido a que el lapso de
tiempo entre el paso de los satélites está dado en un rango de pocos minutos lo que supone un

2
cambio mínimo de condiciones atmosféricas, plantea además una corrección atmosférica 6s para
ambos sensores buscando minimizar también la variación en la función de distribución de
refelectancia bidireccional BRDF.

Se tomaron puntos escogidos distribuidos sobre el mosaico de la ESA para Australia y se trabajó
con la reflectancia en las combinaciones de bandas para los sensores, los conjuntos de datos se
clasificaron en 2 grupos: datos de entrenamiento y datos de validación que estos últimos fueron los
datos usados para generar el modelo de regresión por mínimos cuadrados obteniendo como
resultado un coeficiente de Pearson de entre 0.97 y 0.99 y un error medio cuadrático RMSE entre
0.007 y 0.02. Ver figura 2.

Figura 2. Comparación de reflectancia en superficie Sentinel2 Landsat 7

Fuente: Flood (2017)
Pozo et al. (2014) proponen un modelo lineal para calibrar una cámara digital para hallar la
reflectancia en función del nivel digital dado por:

Ra d=c 0 +c 1 × ND (1)

Donde Rad es la radiancia obtenida en campo y ND los niveles digitales obtenidos con imágenes
aéreas, c 0 , c 1 los coeficientes de calibración.

Rad=c 0 +c 1 × ND × f h (2)

f h Es el factor de homogeneización entre las imágenes usadas para la calibración y está dado por:

fe
f h= (3)
fo

Donde f e es el factor de exposición de la imagen y f o el factor de obturación, finalmente el modelo

con las correcciones del ruido y viñeteo se define por la ecuación 4.

3. Rad=c 0 +c 1 × ND × f h × R( x , y )×V (x , y ) (4)

En donde R y V son los parámetros de corrección por ruido y viñeteo respectivamente. El modelo
se ajustó por mínimos cuadrados y obtuvieron un coeficiente de linealidad R2=0.9833.

3
El objetivo de este trabajo es hacer una comparación de la respuesta espectral de 2 sensores en este
caso el MSI del satélite sentinel 2 y el sensor óptico de un Smartphone con el fin de explorar las
diferencias en las bandas RGB, para ello se plantean una serie de pasos mencionados en la sección
de materiales y métodos.

4. Materiales y métodos

Se usó la cámara digital integrada en un Smartphone HUAWEI p20 lite de resolución radiométrica
de 8 bits, 16MP con un lente f 2.2 para la captura de las imágenes. Una aplicación móvil se usó
para georreferenciar las imágenes en simultáneo con la captura de las imágenes.

Se usó una imagen del sensor MSI del satélite sentinel 2 con resolución espacial de 10 m del día
29/08/2018 con hora local 15:36.

Como superficie de control se seleccionó una cancha de la Universidad del Valle, una zona
homogénea que permitiera la captura de las imágenes y la identificación en la imagen satelital.

4.1 toma de datos

Los datos de campo se tomaron el 29 de septiembre del 2018 entre las 12:15 – 12:40 p.m. Al aire
libre en una zona de la Universidad del Valle ciudad universitaria, se tomaron en simultaneo las
imágenes con el Smartphone a una altura de 1,50 m aproximadamente y las coordenadas de los
puntos donde se tomaron las imágenes mediante el uso de una app móvil, en total se tomaron 12
puntos sobre la cancha y una imagen por punto, se verificó que el punto tuviera un radio mayor a 12
metros para garantizar que no se duplicaran pixeles en la combinación con la imagen de sentinel 2.

4.2 procesamiento de datos

Como primer paso se descomponen las imágenes en las 3 bandas en Matlab y se analizan sus
histogramas para identificar las frecuencias de los niveles digitales, posteriormente se promedian
los niveles digitales de cada banda y se saca un promedio por imagen obteniendo un solo valor para
cada foto en cada banda.

Posteriormente se usó el modelo aplicado por murillo, Herrera y Díaz (2014) descrito por la
ecuación 5

ND−C 0
ref = (5)
K

Donde ND es el nivel digital promediado para cada banda, K y C 0 son los parámetros de
desplazamiento y ganancia de la calibración del sensor óptico del Smartphone.

Con la ecuación 5 se obtuvo la reflectancia para cada imagen, un solo valor, teniendo en cuenta que
cada porción perteneciente a una imagen del Smartphone le correspondería un pixel de la imagen
satelital figura 3.

4
 Figura 3. Puntos de control sobre imagen satelital
Para la imagen satelital como parte del pre procesamiento de la imagen se hizo una corrección
atmosférica con el fin de eliminar el efecto atmosférico, este proceso se llevó a cabo mediante el
método de DOS1 Dark Object Subtraction que es absoluto, consiste en la substracción de los
objetos más oscuros de la imagen, asumiendo que están siendo afectados por efectos atmosféricos,
la forma más simple del método DOS convierte los valores en reflectancia de toda la imagen y está
dado por la siguiente ecuación:

π d2 L
ρAS = (6)
E sun cos θ z

Posteriormente, habiendo hecho la corrección atmosférica de la imagen satelital se obtuvieron los

valores de reflectancia de toda la imagen y se creó un shape en Qgis con los puntos de toma de las
imágenes con el Smartphone, para dichos puntos se sacaron los valores de reflectancia de la imagen
satelital corregida para las bandas 4, 3 y 2 respectivamente banda roja, verde y azul.

Por último, con los valores de reflectancia para cada sensor se generó la regresión lineal por
mínimos cuadrados para estimar la relación entre ellos.

5
 Figura 4. Flujo metodológico de comparación de respuesta espectral

5. Resultados

En la figura 5 se observa la representación visual de la imagen 1 capturada con el Smartphone.

Figura 5. Imagen 1 capturada por el Smartphone

En la tabla 2 se observan las coordenadas obtenidas por la aplicación móvil a la hora de la captura
de cada imagen, 12 puntos de control para 12 imágenes.

Tabla 2. Coordenadas puntos de control

coordenadas
longitud
punto (mE) latitud (mN)
imagen 1 329761.9 372661.93
imagen 2 329760.47 372647.27
imagen 3 329759.38 372623.85
imagen 4 329757.6 372602.49
imagen 5 329774.04 372601.64

6
 imagen 6 329775.95 372621.68
imagen 7 329777.8 372643.41
imagen 8 329779.99 372662.67
imagen 9 329797.54 372661.6
imagen
10 329794.31 372644.78
imagen
11 329791.68 372621.24
imagen
12 329792.24 372601.48

En la tabla 3 se observan los valores de reflectancia de la imagen satelital para cada punto de
control correspondiente a la respectiva imagen.

Tabla3. Reflectancias para cada punto

REF SENT R REF SENT G REF SENT B
imagen1 0.0758 0.084 0.0697
imagen2 0.0766 0.0864 0.0694
imagen3 0.0798 0.0882 0.0713
imagen4 0.0673 0.0751 0.0616
imagen5 0.0778 0.0836 0.0682
imagen6 0.0788 0.0864 0.0703
imagen7 0.0801 0.0888 0.0726
imagen8 0.0755 0.0857 0.0708
imagen9 0.0729 0.0852 0.0692
imagen1 0.0763 0.0874 0.0729
0
imagen1 0.078 0.0861 0.0711
1
imagen1 0.0761 0.0825 0.067
2

En la tabla 4 se aprecian los promedios de los niveles digitales para cada una de las imágenes
obtenidos habiendo descompuesto cada imagen en Matlab y encontrando su valor promedio.

Tabla 4. Niveles digitales promedio para cada imagen en cada banda

ND BR ND BG ND BB
imagen1 157.256 163.7641 109.6883
4
imagen2 155.817 167.6014 104.8872
9
imagen3 157.966 169.1181 103.5916
imagen4 160.785 167.7931 105.5043
imagen5 152.001 168.2667 97.31
6

7
 imagen6 152.062 168.5612 98.7078
2
imagen7 158.724 170.8921 105.2095
5
imagen8 158.887 167.9107 107.2734
5
imagen9 159.415 170.3672 99.6705
3
imagen1 161.785 169.8679 103.8741
0 2
imagen1 155.803 166.5803 105.6754
1 6
imagen1 149.723 165.1508 101.1399
2 3

En la tabla 5 se aprecian los valores de reflectancia hallados mediante la ecuación 5 con los
parámetros de calibración radiométrica del sensor óptico del celular.

Tabla 5. Reflectancia de imágenes capturadas con el Smartphone

REF CELL R REF CELL G REF CELL B
imagen1 0.0203 0.0263 0.0089
imagen2 0.0180 0.0304 0.0127
imagen3 0.0214 0.0320 0.0137
imagen4 0.0257 0.0306 0.0122
imagen5 0.0122 0.0311 0.0187
imagen6 0.0123 0.0314 0.0176
imagen7 0.0225 0.0339 0.0124
imagen8 0.0228 0.0307 0.0108
imagen9 0.0236 0.0333 0.0168
imagen1 0.0272 0.0328 0.0135
0
imagen1 0.0180 0.0293 0.0120
1
imagen1 0.0087 0.0277 0.0157
2

8
 banda roja
0.0850
0.0800

reflectancia cel
0.0750 f(x) = − 0.23 x + 0.08
R² = 0.15
0.0700
0.0650
0.0600
0.0050 0.0100 0.0150 0.0200 0.0250 0.0300
reflectancia sentinel 2

Figura 6. Regresión lineal ref. Banda roja

banda verde
0.0400
0.0350
refelectancia cel

0.0300 f(x) = 0.23 x + 0.01

0.0250 R² = 0.14
0.0200
0.0150
0.0100
0.0050
0.0000
0.0700 0.0750 0.0800 0.0850 0.0900
reflectancia sentinel 2

Figura 7. Regresión lineal ref. Banda verde

banda azul
0.0750

0.0700
reflectancia cel

f(x) = − 0.1 x + 0.07

R² = 0.01
0.0650

0.0600

0.0550
80

00

20

40

60

80

00
00

01

01

01

02
01

01

reflectancia sentinel 2
0.

0.

0.

0.

0.
0.

0.

Figura 8. Regresión lineal ref. Banda azul

9
En la figura 6, 7 y 8 se observan los modelos de regresión lineal con R2=0.1484, R2=0.14 3,
R2=0.0092 mostrando que la banda que menos se relaciona es la azul entre estas dos imágenes.

6. Discusión

En la tabla 4 se observa que la banda azul del Smartphone fue la que menor respuesta espectral
obtuvo debido a que la cobertura vegetal tiene una respuesta alta en la banda verde y roja, esto
sugiere que la menor explicación de un modelo de regresión se presente en la banda azul como se
aprecia en la figura 8, un R2=0.0092 que indica que la relación es casi nula.

Vuolo et al. (2016) exponen que las diferencias pueden darse por las diferencias entre la resolución
espacial de ambas imágenes, en este estudio escogieron pixeles aleatorios y dentro de esos pixeles
encontraron diferencias significativas dentro de los pixeles asociados a la resolución espacial, para
este trabajo que hacían una combinación de entre imágenes de 10 m para el sentinel 2 y 30 metros
para el landsat 8, se hizo un buffer en los pixeles seleccionados de 30 m para la imagen del sentinel
2 para coincidir con los 30 m de landsat, para este caso se tomaron imágenes a aproximadamente
1.5 metros de altura lo que da una diferencia significativa en la resolución espacial de cada imagen,
de este modo la imagen capturada con el Smartphone tiene una mayor resolución espacial y al
tomar la imagen tan cerca y aunque el prado predomine, hay mucho ruido emitido por el pasto seco
que genera una respuesta espectral diferente dejando de ser una superficie homogénea.

Por otra parte, el sensor del Smartphone viene con una calibración vicaria absoluta en la que los
parámetros se hallaron mediante un modelo de regresión para encontrar el valor de reflectancia en
función del nivel digital para cada banda, estos modelos explican la relación en un rango de 44 a
52% lo que indica que los valores de reflectancia hallados mediante estos parámetros de calibración
traen un error asociado que repercute sobre los resultados de la regresión lineal entre las
reflectancias de los sensores combinados en este proyecto.

Además, las imágenes capturadas se tomaron a alturas diferentes no controladas, patronadas de

manera visual únicamente lo que también sugiere un cambio en el ángulo de captura y a su vez una
diferencia en el reflejo de la superficie.

Los puntos de control se tomaron con una aplicación móvil que genera una incertidumbre entre 5-
15 metros de lo que quiere decir que es posible que el pixel correspondiente al punto de control sea
un pixel próximo y no el determinado, así también tendríamos un error asociado en la no
correspondencia de la reflectancia para estos puntos.

Mandanici y bitelli (2016) hacen una serie de combinaciones entre bandas, para este caso práctico
solo se usan las bandas roja, verde y azul debido a que las imágenes tomadas con el Smartphone
solo se descomponen en RGB.

7. Conclusiones

A la hora de hacer comparación de respuestas espectrales entre dos imágenes de sensores diferentes,
influye significativamente la diferencia de la resolución espacial de las dos imágenes, si la
diferencia no es muy grande se pueden seguir procedimientos para tener porciones espaciales
comparables y obtener un alto índice de correlación entre las variables de estudio.

10
La calibración del sensor del Smartphone se hizo bajo unas condiciones que no fueron optimas,
omitiendo pasos o información que no se obtuvo y esto generó una explicación del modelo reducida
casi a la mitad de los datos lo que arrastró el error asociado para hallar la reflectancia obtenida y la
relación de la respuesta espectral con una imagen satelital.

Las coordenadas obtenidas con la aplicación móvil no garantizan la correspondencia del pixel con
la reflectancia relacionada en el modelo de regresión lineal debido a que la resolución espacial de la
imagen satelital es de 10 metros y la incertidumbre manejada por el dispositivo se encuentra en un
rango de 5-15 metros.

Las imágenes tomadas con el Smartphone al haberse tomado a una altura tan baja, su resolución
espacial es muy alta teniendo en cuenta que en la superficie hay pasto seco se convierte en una
imagen ruidosa, donde se esperaba un histograma sesgado da brecha a la cabida del error, y en ese
sentido el promedio no es un criterio conveniente para determinar un solo valor por imagen que
corresponda a un pixel 10x10m de la imagen sentinel.

8. Bibliografía

Del Pozo, S., Rodríguez-González, P., Hernández-López, D., & Felipe-García, B. (2014). Vicarious
Radiometric Calibration of a Multispectral Camera on Board an Unmanned Aerial System.  Remote
Sensing, 6(3), 1918.

Vuolo, F.; Żółtak, M.; Pipitone, C.; Zappa, L.; Wenng, H.; Immitzer, M.; Weiss, M.; Baret, F.;
Atzberger, C.(2016) Data service platform for Sentinel-2 surface reflectance and value-added
products: System use and examples. Remote Sens.  8, 938.

Mandanici, E.; Bitelli, G.(2016) Preliminary Comparison of Sentinel-2 and Landsat 8 Imagery
for a Combined Use. Remote Sens.  8, 1014.

Flood, N. (2017) Comparing Sentinel-2A and Landsat 7 and 8 Using Surface Reflectance over
Australia. Remote Sens. 9(7), 659

11
12