Mapeo Imag PeruSat-1 PE 22 San Bartolome Matucana Nov-2017

MAPEO CON IMÁGENES DEL SATELITE PERUANO
PERUSAT-1 Y CLASIFICACIÓN DE LA CARRETERA

CENTRAL
TRAMO:
SAN BARTOLOMÉ KP 57+000 (PROV. DE HUAROCHIRÍ) - MATUCANA KP
77+000 (PROV. DE HUAROCHIRÍ)
NOVIEMBRE 2017
1
Página
Jirón Zorritos 1203

www.mtc.gob.pe Lima, Lima 01 Perú
(511) 615-7800
Tabla de contenido
1. PRESENTACIÓN...................................................................................................................... 4
2. JUSTIFICACIÓN....................................................................................................................... 5
3. MARCO TEÓRICO ................................................................................................................... 6
4. METODOLOGÍA.................................................................................................................... 13
5. PROCESAMIENTO ................................................................................................................ 19
6. RESULTADOS DEL PROCESAMIENTO DIGITAL DE IMÁGENES SATELITALES ........................ 34
7. CONCLUSIONES Y RECOMENDACIONES .............................................................................. 37
8. BIBLIOGRAFÍA ...................................................................................................................... 39
9. ANEXOS ............................................................................................................................... 40
Ilustraciones
Ilustración 1 - Cuenca del río Rímac .............................................................................................. 6
Ilustración 2 - Representación artística del satélite peruano PERUSAT-1 .................................... 8
Ilustración 3 - Filled DEM, generado con ARCHYDRO TOOLS ..................................................... 13
Ilustración 4 - Sub unidades hidrográficas generadas con ARCHYDRO TOOLS ........................... 14
Ilustración 5 - Barra de la Interfaz ARCHYDRO TOOLS ................................................................ 14
Ilustración 6 - Fusión y empalme de la Carta Nacional ............................................................... 20
Ilustración 7 - DEM generado con las cuencas hidrográficas de interés..................................... 20
Ilustración 8 - DEM de la cuenca del río Rímac ........................................................................... 21
Ilustración 9 - DEM de la sub cuenca del río Yauli (Cuenca Mantaro) ........................................ 21
Ilustración 10 - Vista de la herramienta Scatter Plot .................................................................. 26
Ilustración 11 - Visualización de la dispersión de niveles digitales ............................................. 28
Ilustración 12 - Region of Interest Tool ....................................................................................... 29
Ilustración 13-Vista de la capa ráster con el índice de asfalto .................................................... 32
Ilustración 14 - Vista de la capa ráster con el índice de vegetación (vegetación en color claro) 33 2
Página

(511) 615-7800
Tablas
Tabla 1 - Parámetros Geomorfológicos de la Cuenca del Río Rímac ............................................ 7
Tabla 2 - Características del satélite peruano PERUSAT-1 ............................................................ 9
Tabla 3 - Áreas de Lima Metropolitana, Callao y de la Imagen PERUSAT-1 ................................ 11
Tabla 4 - Información General de las Imágenes Satelitales PERUSAT-1, GEOEYE-1 y PLEIÁDES 1B
disponibles .................................................................................................................................. 11
Tabla 5 - Vista preliminar de las imágenes utilizadas en el presente estudio ............................ 11
Tabla 6 - Cartas digitales utilizadas para la elaboración del DEM ............................................... 19
Tabla 7 - Resultados de la aplicación del análisis de bandas con el Filtro de Lee ....................... 30
Tabla 8 - Resultados de la selección de bandas con el filtro de Lee y los algoritmos de ajuste . 31
Tabla 9 - Resultados de la clasificación en la Zona del desvío al Distrito de San Bartolomé -
Huarochirí (KP 57+000) ............................................................................................................... 34
Tabla 10 - Resultados de la clasificación en la zona del Distrito de San Jerónimo de Surco (KP
68+000) ....................................................................................................................................... 35
Tabla 11 - Resultados de la clasificación en la Zona de Matucana (KP 77+000) ......................... 36
Figuras
Figura 1 - Configuración de nuevo proyecto ............................................................................... 22
Figura 2 - Configuración de sistema de coordenadas y DATUM ................................................. 23
Figura 3 - Pansharpening ............................................................................................................. 23
Figura 4 - Data Imput para OrthoEngine ..................................................................................... 24
Figura 5 - Inclusión de puntos de control en OrthoEngine ......................................................... 24
Figura 6 - Cálculo de modelo en OrthoEngine ............................................................................ 25
3
Página

(511) 615-7800
1. PRESENTACIÓN
El presente trabajo ha sido realizado de acuerdo al Plan de Trabajo establecido
por la Dirección de Caminos, perteneciente a la Dirección General de Caminos y
Ferrocarriles, el cual establece los lineamientos para el desarrollo y
actualización de cartografía temática de las redes viales bajo competencia del
Ministerio de Transportes y Comunicaciones.
Es importante señalar que en el presente trabajo incorpora y utiliza la
documentación técnica y metodológica de Análisis Satelital – Zona La Oroya
realizado en diciembre del 2016, el cual se toma como punto de partida y guía
para la aplicación de su contenido en diferentes escenarios de la geografía
peruana.
El presente documento desarrolla una evaluación inicial de la ruta Vial Nacional
PE-22, mediante el análisis de imágenes satelitales de alta resolución obtenidas
del satélite peruano PERUSAT-1 y las del satélite francés PLEIÁDES-1B las cuales
fueron proporcionadas por la Comisión Nacional de Investigación y Desarrollo
Aeroespacial (CONIDA).
Este documento se centra principalmente en presentar los avances realizados
en la clasificación de superficies, tales como capa asfáltica, cobertura vegetal,
red hidrográfica y principalmente la identificación de quebradas activas que
tengan influencia directa en el tramo de la Ruta PE-22 (Carretera Central)
comprendido entre el desvío al centro poblado San Bartolomé (KP 57+000) y la
localidad de Matucana (KP 77+000), cubriendo parte de los distritos de San
Bartolomé, Surco y Matucana, ubicados en la Provincia de Huarochirí,
departamento de Lima.
4
Página

(511) 615-7800
2. JUSTIFICACIÓN
Nuestro país utiliza información espacial georreferenciada para la planificación
en diferentes áreas tales como transportes, comunicación, construcción,
saneamiento, agroforestería, defensa, saneamiento, etc., realizándose la
adquisición de esta información mediante técnicas de representación gráfica
del territorio, tales como la topografía, fotogrametría y teledetección.
Para tal fin es indispensable que esta información se encuentre debidamente
actualizada, con un nivel razonable de precisión y bajo estándares que permitan
representar adecuadamente la distribución espacial y el entorno de diversos
elementos básicos para cualquier tipo de estudio, tales como las redes
hidrográficas, las redes viales, áreas de expansión urbana, zonas de peligro
físico natural, zonas vulnerables a desastres naturales, etc.
Al respecto, es la teledetección, la técnica que recientemente viene dando
importantes avances en nuestro país y existen instituciones públicas y privadas
que dan el soporte inicial brindando los insumos básicos para las actividades
involucradas en el proceso de trabajo: Imágenes Satelitales.
Una de las aplicaciones que toma gran relevancia, a parte de la discriminación
de ciertos elementos de interés como en este caso, las redes viales y las redes
hidrográficas es la de evaluar el peligro crítico de la infraestructura vial, tales
como quebradas activas y zonas vulnerables ante crecida de ríos.
Gracias a la puesta en órbita del satélite peruano PERUSAT-1, tenemos la
posibilidad de disponer de imágenes de alta resolución (0.7m) de todo el
territorio nacional, con una frecuencia de captura de imagen de tres días,
constituyéndose como una herramienta muy útil para el monitoreo de las redes
viales, para el mapeo y actualización.
Es importante señalar también que adicionalmente a la información
proporcionada por el satélite peruano PERUSAT-1, existe información de alta
resolución (0.5 metros) producida por los satélites gemelos PLEIÁDES 1A y 1B,
la cual está disponible por convenio entre la Comisión Nacional de Investigación
y Desarrollo Aeroespacial y la empresa ASTRIUM. Sin embargo, estas imágenes
son de catálogo, dado que solo se tienen disponibles algunas capturas
específicas y de fecha anterior al lanzamiento del satélite peruano.
5
Página

(511) 615-7800
3. MARCO TEÓRICO
3.1 ÁREA DE ESTUDIO
El área de estudio determinada para la ejecución del presente análisis,
es el ámbito de la Ruta PE-22, la cual comprende parte de la Carretera
Central en el tramo KP 57+000 al KP 77+000, ubicado entre los distritos
de San Bartolomé, Surco y Matucana, todos ellos ubicados en la
Provincia de Huarochirí, departamento de Lima.
En este Producto se ha trabajado con imágenes del satélite peruano
PERUSAT-1, proporcionadas por la Agencia Espacial del Perú (CONIDA) a
través de la interfaz virtual para consulta y descarga de imágenes del
Centro Nacional de Operaciones e Imágenes Satelitales (CNOIS)
perteneciente a la misma entidad.
3.1.1 Ámbito geográfico: Cuenca del río Rímac.

La cuenca del río Rímac pertenece hidrográficamente a la vertiente del
Pacífico; el río Rímac nace en la Cordillera Central de los Andes y recorre
perpendicularmente hasta desembocar en el Océano Pacífico. Posee
una extensión de 3,503.95 km2, con una longitud de 127.02 km, la parte
húmeda es aproximadamente 2303.1 km2 que representa el 65.7% y
corresponde a la parte alta de la cuenca.
Ilustración 1 - Cuenca del río Rímac
Fuente: Elaboración propia.

Página

(511) 615-7800
El curso del río se origina en la vertiente occidental de la cordillera de
los Andes a una altitud máxima de aproximadamente 5,508 metros
sobre el nivel del mar en el nevado Paca y aproximadamente a 132
kilómetros al noreste de la ciudad de Lima, desembocando por el Callao,
en el océano Pacífico. El área total de captación es de 3,132 km², que
incluye aquella de sus principales tributarios, Santa Eulalia (1,097.7 km²)
y Río Blanco (193.7 km²), tiene en total 191 lagunas.
Conforme la cuenca se eleva de Lima hacia su fuente en la cordillera, el
valle del río varía de un amplio plano costero, en el cual está situada
Lima, a un perfil de valle bien definido que sirve de soporte a actividades
agrícolas y a importantes centros de población tales como Vitarte,
Chaclacayo, Chosica, Ricardo Palma y Matucana.
En las partes más altas de la cuenca, al Este de Surco (altura de 2,200
m.s.n.m), el valle se vuelve extremadamente angosto con paredes
laterales con un talud muy empinado y paisajes espectaculares.
El comportamiento hidrológico de una cuenca depende, entre otros
factores, de sus características físicas y morfológicas propias, las cuales
condicionan la respuesta de la cuenca a diversos eventos
hidrometeorológicos que se producen en esta; los principales
parámetros geomorfológicos se indican a continuación.
Tabla 1 - Parámetros Geomorfológicos de la Cuenca del Río Rímac
CUENCA
UNIDAD PARÁMETROS
RÍO RÍMAC
km2 Área 3503.95
km Perímetro 419.50
km Longitud mayor del río Principal 127.02
m.s.n.m. Cota mayor 5650
m.s.n.m. Cota menor 0
m.s.n.m. Altitud media 2939.87
Adimensional Índice de compacidad 2.0
Adimensional Factor de forma 0.22
m/m Índice de pendiente media 0.0293
Fuente: Elaboración propia (a partir de la información de la Carta Nacional, IGN).
7
Página

(511) 615-7800
3.2 CARACTERÍSTICAS DE LAS IMÁGENES DE SATELITE
UTILIZADAS DURANTE EL ANÁLISIS
3.2.1 Imágenes del Satélite Peruano PERUSAT 1
El satélite peruano PERUSAT-1 es un satélite de observación de la Tierra
que posee la capacidad de capturar imágenes multiespectrales de alta
resolución, el cual fue desarrollado por la empresa francesa Airbus
Defence and Space (AIRBUS) a petición del estado peruano para
aplicaciones militares y civiles dentro del ámbito del territorio peruano.
La construcción del satélite fue encargada por el gobierno del Perú en el
mes de abril del año 2014, lográndose cumplir la meta de tener
operativo el sistema de captura de información del satélite en menos de
dos años.
Ilustración 2 - Representación artística del satélite peruano PERUSAT-1
Misión
Observación óptica de la Tierra. Capacidad de adquisición
Helio sincrónico 702,5 km. Hasta 63000 km2/día.
Velocidad 7,5 km/s (22 match).
Tiempo de vida
10 años Exactitud de Geolocalización
25 metros.
Modos de adquisición
Características del satélite Spot Mode, Long Strip Mode, Slalom
400 kg. Mode, Mosaic Mode, Tri-Stereo Mode
Plataforma ASTROBUS – S & Cámara
NAOMI en Carburo de Silicio.
Gestión de datos de carga útil

Velocidad de descarga en banda X: 310 Mbps.
Memoria a bordo: 1 Terabit – compresión
wavelet 2-4 bits/pixel.
Ancho de Barrido
14.5 km
Rendimientos
0.7 metros – resolución pancromática.
2.8 metros – resolución multiespectral.
Tiempo de revisita promedio
Cada 26 días
Fuente: CONIDA, 2016.
Actualmente y luego de un programa de capacitaciones para el personal

peruano, el satélite PERUSAT-1 es operado por la Agencia Espacial del
Perú (CONIDA), gestionando sus productos en base a los requerimientos
del gobierno en temas de monitoreo agroforestal, planificación urbana,
8
control de cultivos ilegales, monitoreo de desastres y control de

Página
infraestructura vial.

(511) 615-7800
El satélite PERUSAT-1 está basado en la plataforma de la línea de
satélites ASTROBUS-300 (desarrollada por AIRBUS), teniendo como
pares más cercanos a los satélites de la línea ASTROBUS-S (menor
tamaño) y ASTROBUS-500, utilizados por la Agencia Espaciales de
distintos países para misiones de observación de la Tierra.
A continuación, un detalle de las características del satélite PERUSAT-1:
Tabla 2 - Características del satélite peruano PERUSAT-1
ÍTEM DETALLE
Entidad responsable CONIDA
Misión Observación de la Tierra (Óptica)
Orbita Helio-síncrona (694km)
0.7m en Pancromático, 2.8m en
Resolución espacial
Multiespectral
Dimensiones 1.0 m x 1.0 m x 1.7 m
16 de setiembre del 2016 - (Kourou,
Fecha de lanzamiento
Guyana Francesa)
Tiempo de vida de diseño 10 años
Ancho de barrido 14.5 Km.
Banda espectral 01 Banda Pancromática: 0.45 – 0.75 µm
04 Bandas Multiespectrales:
Blue: 0.45 – 0.52 µm
Bandas espectrales Green: 0.53 – 0.60 µm
Red: 0.62 – 0.69 µm
NIR: 0.76 – 0.89 µm
Resolución radiométrica 12 bits
Programación 12 horas o 3 horas en caso de emergencia
Seguridad de la transmisión Encriptado
Memoria a bordo 1 Tera bits
Masa de la cámara 60 Kg.
Tecnología Carburo de silicio
Masa 400 Kg. Al lanzamiento
Fuente: CONIDA, 2016.
9
Página

(511) 615-7800
3.3 SOFTWARE UTILIZADO
En la actualidad existe una variedad de softwares tanto libres como de
pago, aplicados al tipo de datos que analizan, como datos vectoriales o
datos ráster. En el presente estudio, los siguientes softwares serán
utilizados por las diversas ventajas que poseen:
 PCI GEOMATICS 2016. – Es un potente software aplicado al

análisis, interpretación de imágenes satelitales. Posee valiosas
herramientas para procesos de Orthorectificación y
georreferenciación, así como el manejo de imágenes satelitales de
alta resolución. Para el presente estudio, fue utilizado para llevar a
cabo los procesos de Orthorectificación de la imagen satelital.
 ENVI 5.3.- Es un software bastante dinámico. Posee potentes
herramientas para la clasificación de las imágenes satelitales
ópticas, conteniendo diversidad de algoritmos para clasificaciones
supervisadas y no supervisadas. En el presente trabajo ENVI 5.3
fue utilizado para realizar las clasificaciones de elementos
mediante los algoritmos que incluye el software.
 Arc Gis 10.3.2.- Es un software aplicado al manejo y análisis de
datos vectoriales. Es la herramienta más potente que existe
actualmente además de ser ampliamente utilizada en instituciones
del estado, privadas, organismos internacionales, universidades,
entre otros. Cuenta con cuatro aplicaciones: ArcCatalog, ArcMap,
ArcScene y AcrGlobe. De las cuatro aplicaciones, las más utilizadas
son ArcMap y ArcCatalog, permitiendo visualizar, editar, explorar,
analizar y realizar composiciones cartográficas, así como
generación de metadata y creación o conexión hacia servidores
externos.
 Global Mapper 16. - Es un potente software que tiene aplicaciones
de manejo y análisis de datos vectoriales y ráster, es desarrollado
por la firma Blue Marble Geographics de los Estados Unidos y
tiene compatibilidad con la mayoría de sistemas operativos de
Windows, IOS y Linux., destaca entre sus aplicaciones la capacidad
de lectura de múltiples formatos de almacenamiento de
información vectorial y ráster, facilitando la conversión entre ellos.
Cabe destacar que, es viable trabajar con software libre, considerando
la capacidad tanto técnica como económica para la adquisición del
software arriba mencionados. Software libre como Spring, gvSIG,
Quantum GIS u otros pueden ser considerados tomando en cuenta las
garantías de soporte y aplicación que posean.
10
Página

(511) 615-7800
3.4 IMÁGENES UTILIZADAS
Para el desarrollo del presente producto, se ha trabajado con imágenes satelitales obtenidas del satélite peruano PERUSAT-1, las cuales han sido proveídas por CONIDA. Las cuales contemplan parte de
los distritos de San Bartolomé, Surco y Matucana, todos ellos ubicados en la Provincia de Huarochirí, departamento de Lima.
Tabla 3 - Áreas de Lima Metropolitana, Callao y de la Imagen PERUSAT-1
FEATURE AREA m2 AREA km2 PERÍMETRO (m)

LÍMITE IMAGEN SATELITAL PERUSAT-1 650’003,193.74 650.00 82,419.66
Fuente: Elaboración Propia
A continuación, los datos generales de las imágenes:

Tabla 4 - Información General de las Imágenes Satelitales PERUSAT-1
COORDINATES
SENSOR CODE_ID SPECTRAL INFORMATION DATE
TOP LEFT RIGHT BOTTOM
PERUSAT-1 IMG_PER1_20170713_000041 BANDS: 1 PAN / 4 MULTIESPECTRAL 13/07/2017 8697028.06 324223.06 343333.06 8676179.26
Tabla 5 - Vista preliminar de las imágenes utilizadas en el presente estudio
IMÁGENES SATELITALES UTILIZADAS PARA EL PRESENTE ESTUDIO

VISTA PREVIA
ID SATÉLITE
PERUSAT-1
IMG_PER1_20170713_000041 Vista combinación de bandas:
Infrarrojo color
11
Página

(511) 615-7800
IMÁGENES SATELITALES UTILIZADAS PARA EL PRESENTE ESTUDIO
VISTA PREVIA
ID SATÉLITE
PERUSAT-1
Infrarrojo color
PERUSAT-1
Infrarrojo color
12
Página
(511) 615-7800
4. METODOLOGÍA
4.1 DELIMITACIÓN DE UNIDADES HIDROGRÁFICAS CON
ARCHYDRO TOOLS
Para el desarrollo de cartografía hidrológica vinculada a cuencas y redes
de drenaje, disponemos de la herramienta Arc Hydro Tools, una de las
extensiones más utilizadas en ArcGIS para el estudio de los recursos
hidrológicos. El punto fuerte de esta herramienta radica en la
explotación progresiva de Modelos Digitales de Terreno (empezando
con un simple MDE), hasta generar capas de cuencas, ríos o crear
análisis de redes.
Arc Hydro Tools permite partir de un sencillo Modelo Digital de
Elevaciones y comenzar a explotar su información de manera
progresiva. Uniformizar superficies en el pre procesamiento, elaborar
capas ráster de direcciones del flujo o zonas de acumulación de flujo son
algunos de los procedimientos de análisis que van siendo desarrollados
hasta concluir en la identificación de unidades básicas de la red fluvial.
La creación de una red geométrica permite trabajar de manera
controlada fenómenos específicos en estas redes. De esta forma es
posible estudiar casos de dispersión de contaminantes a través de la red
de drenaje, generar programas de vigilancia ambiental y, en nuestro
caso, identificar puntos vulnerables respeto a la ocurrencia de eventos
de geodinámica externa.
Ilustración 3 - Filled DEM, generado con ARCHYDRO TOOLS
Esta herramienta no está incorporada dentro del software ArcGIS, por lo

que es necesario descargarla e instalarla para su manejo directo desde
el entorno de ArcMap. En primer lugar, y antes de instalarla, debemos
tener constancia de la versión de ArcGIS que tenemos y su
13
compatibilidad con la versión de Arc Hydro Tools que queremos instalar.

Página

(511) 615-7800
Ambas versiones, ArcGIS y Arc Hydro Tools, han de ser equivalentes y
compatibles. En caso contrario, durante la instalación de la herramienta
se nos advertirá de ello.
La instalación de la aplicación es sencilla. Podemos descargar versiones
de esta aplicación desde la web oficial de ESRI y de manera gratuita. Una
vez disponemos de la versión deseada bastará con iniciar el archivo
ejecutable de Arc Hydro Tools. Una ventana inicial de bienvenida nos
indicará que Arc Hydro Tools comenzará a instalarse y podremos seguir
paso a paso las especificaciones de su instalación.
Ilustración 4 - Sub unidades hidrográficas generadas con ARCHYDRO TOOLS
Tras su instalación podremos acudir a ArcMap y, pinchando con el

botón derecho sobre la cabecera superior, seleccionaremos la barra de
herramientas de Arc Hydro Tools. Una nueva barra de herramientas,
basada en las aplicaciones de Arc Hydro Tools, se mostrará en la
ventana para ser incorporada en la sección de la vista de ArcMap que
mejor nos convenga.
Ilustración 5 - Barra de la Interfaz ARCHYDRO TOOLS
Fuente: ESRI.
El manejo de Arc Hydro Tools va asociado a una geodatabase en la que

las capas generadas y las redes manejadas son almacenadas para su
gestión y su utilización es recomendable para tener una apreciación
inicial de las características hidrológicas de una determinada región de
interés.
14
Página

(511) 615-7800
4.2 CLASIFICACIÓN DE IMÁGENES SATELITALES
La elaboración de una clasificación del área de estudio en una serie de
clases relativas a litología, tipos de vegetación, usos del suelo, etc., es
uno de los objetivos fundamentales en teledetección.
La clasificación en teledetección es, por tanto, un caso particular del
problema general de clasificar N individuos en un conjunto de K clases
en función de una serie de variables cuantitativas (X1, X2, ..., Xn). Para
resolver este problema se necesita una medida de la semejanza o
diferencia entre los diferentes individuos y entre los individuos y las
clases. Dos individuos muy parecidos pertenecerán probablemente a la
misma clase, mientras que dos individuos distintos pertenecerán a
diferentes clases. La medida más utilizada es la distancia euclidiana:
𝑑𝑖,𝑗 = 2√∑𝑛𝑣=1(𝑋𝑣𝑖 − 𝑋𝑣𝑗 )2
aunque pueden utilizarse otro tipo de distancias. Para estimar los

valores de X1, X2, ..., Xn, para las diferentes clases se utiliza la media
aritmética de los valores de los pixeles incluidos en la clase.
Puesto que en la práctica no podemos saber con certeza a que clase
corresponde cada uno de los pixeles, el problema de la clasificación se
convierte en un problema de probabilidad de pertenencia a cada una de
las clases de un conjunto, por tanto, se suelen usar métodos
estadísticos.
El procedimiento de clasificación supone dos fases:
 Definición de las clases.

 Adjudicación de cada uno de los pixeles del terreno a las clases
previamente definidas.
Suponiendo que los datos han pasado ya todo tipo de correcciones de
tipo geométrico o atmosférico, existen dos métodos complementarios
para afrontar la definición de clases, estos son válidos tanto en
imágenes de satélite como en cualquier otro campo.
 Clasificación supervisada.
 Clasificación no supervisada.
15
Página
En realidad, suelen utilizarse ambos procedimientos ya que son

complementarios. La clasificación supervisada utiliza nuestro
(511) 615-7800
conocimiento del terreno, pero si este conocimiento no es perfecto
pueden escaparse cosas que una clasificación no supervisada detectaría.
4.3 CLASIFICACIÓN SUPERVISADA Y NO SUPERVISADA

ENVI ofrece varias opciones para clasificar automáticamente las
imágenes, utilizando técnicas supervisadas y no supervisadas. Estas
opciones están disponibles al seleccionar Classification desde el ENVI
Toolbox.
Los algoritmos de clasificación difieren en los criterios utilizados para
definir los límites de decisión. Con todos los clasificadores, ENVI primero
calcula un conjunto de estadísticas de cada región o clase. Entonces,
usando estas estadísticas y los umbrales definidos por el usuario, ENVI
recupera los valores espectrales para cada píxel de la imagen y
determina su ubicación en el espacio de clasificación. A menudo, esto
implica calcular y evaluar una medida de similitud para comparar cada
pixel en cada una de las clases posibles. Los umbrales son
frecuentemente usados para determinar cuáles pixeles son diferentes
de las clases establecidas, para ser considerados como “sin clasificar”.
Los métodos de clasificación más simples de ENVI son los clasificadores
No Supervisados Iso Data y K-Means, a menudo llamados clustering
routines. Estos clasificadores no requieren conocimientos previos sobre
la imagen. Ellos usan la información de la imagen para identificar grupos
espectrales que se interpretan como clases. El clasificador IsoData le
pide que especifique un rango de clases de salida, a continuación, utiliza
la división de clases iterativa, fusiona y elimina para determinar el
número final de clases. El clasificador K-Means le pide que especifique
un número de clases de salida. Generalmente, IsoData y K-Means
clasifican todos los píxeles en la imagen, pero puede especificar un
umbral que puede dejar algunos píxeles sin clasificar.
Los clasificadores supervisados requieren la entrada de información de
clase antes de la clasificación. Por ejemplo, los ROIs definidos en el
ejercicio anterior pueden ser usados como áreas de entrenamiento para
cualquier método de clasificación supervisada. Los métodos de
clasificación supervisada que se tratan en esta unidad son
Parallelepiped, Minimum Distance, Maximum Likelihood, Mahalanobis
Distance, Binary Encoding, Neural Net y Decision Tree.
16
Página

(511) 615-7800
a) Parallelepiped
La clasificación según paralelepípedos utiliza una regla de decisión sencilla,

para clasificar los datos multiespectrales. Los límites de decisión forman un
paralelepípedo de clasificación de n-dimensiones en el espacio de datos de la
imagen. Las dimensiones del paralelepípedo de clasificación se definen en base
a un umbral de la desviación estándar de la media de cada clase seleccionada.
Si el valor de un pixel se encuentra por encima del umbral más bajo y por
debajo del umbral más alto para todas las n–bandas que están siendo
clasificadas, entonces es asignado a esa clase. Si el valor del pixel se encuentra
en múltiples clases, ENVI asignara el pixel a la última clase coincidente. Las
áreas que no corresponden a ninguna de las clases, se designarán como “sin
clasificar” (Unclassifield).
b) Minimum Distance
La técnica de clasificación de mínima distancia utiliza los vectores de cada

clase y calcula la distancia euclidiana al vector medio de cada clase. Todos los
pixeles se asignan a la clase más cercana, a menos que se especifique un
umbral de distancia o una desviación estándar, en cuyo caso algunos pixeles
pueden ser asignados como “sin clasificar” si no cumplen con los criterios
seleccionados.
c) Maximum Likelihood.
La clasificación de máxima probabilidad asume que los estadísticos de cada

clase en cada banda tienen una distribución normal y calcula la probabilidad de
que un pixel determinado pertenezca a una clase específica. A menos que se
seleccione un umbral de probabilidad, todos los pixeles serán clasificados.
Cada pixel se asignará a la clase que tiene la probabilidad más alta (es decir, la
probabilidad máxima). Si la mayor probabilidad es menor que un umbral
específico, el pixel permanecerá sin clasificar.
d) Mahalanobis Distance.
La clasificación según la distancia de Mahalanobis, utiliza un clasificador

sensible a la dirección que utiliza los estadísticos para cada clase. Es similar a la
clasificación de máxima verosimilitud, pero asume que todas las covarianzas de
clase son iguales y por lo tanto es un método más rápido. Todos los pixeles se
clasificarán a la clase ROI más cercana a menos que se especifique un umbral
de distancia, en cuyo caso algunos pixeles pueden ser asignados “sin clasificar”
si no cumplen con el umbral.
e) Binary Encoding.
La técnica de clasificación de codificación binaria codifica los datos de las clases

en ceros y unos, en función de si una banda cae por debajo o por encima del
espectro medio, respectivamente. La función exclusiva OR comparará cada
17
espectro de referencia codificado, con los espectros de datos codificados y

Página
producirá una imagen clasificada.

(511) 615-7800
Todos los pixeles son asignados a la clase con el mayor número de bandas
coincidentes, a menos que especifique un umbral de coincidencia mínimo, en
cuyo caso algunos pixeles pueden ser asignados como “sin clasificar” si no
cumple con los criterios establecidos.
f) Neural Net.
Utilice las redes neuronales para aplicar una técnica de clasificación progresiva
por capas. La técnica de redes neuronales utiliza un aprendizaje supervisado de
retro propagación. Puede seleccionar el número de capas ocultas a usar y se
puede elegir entre una función de activación logística o hiperbólica. El
aprendizaje se produce mediante el ajuste de las ponderaciones en el nodo
para minimizar la diferencia entre la activación del nodo de salida y el
resultado. El error se propaga a través de la red y los ajustes de pesos se
realizan mediante un método recursivo. Puede usar la clasificación de redes
neuronales para realizar una clasificación no lineal.
g) Decision Tree.
La clasificación según árbol de decisiones realiza una clasificación en varias

etapas, haciendo uso de una serie de decisiones binarias para asignar los
pixeles a determinadas clases. Cada decisión divide a los pixeles de un
conjunto de imágenes en dos clases basándose en una expresión. Puede dividir
cada nueva clase en dos clases más basándose en otra expresión. Puede definir
los nodos de decisión que necesite. Los resultados de las decisiones son clases.
Puede usar información de diversas fuentes y archivos juntos para hacer un
único clasificador por árbol de decisiones. Puede editar y “podar” los árboles
de decisiones interactivamente, también puede guardarlos y aplicarlos a otros
Dataset.
Al introducir los parámetros de clasificación de los clasificadores supervisados

mencionados, usted tiene la opción de designar un único umbral para todas las
clases, un umbral diferente para cada clase, o ningún umbral. Por ejemplo,
cuando se realiza una clasificación según paralelepípedos, se pueden
especificar distintos anchos para cada categoría basándose en la desviación
estándar. Esto permite un mayor control sobre las clases donde se tiene la
confianza de que los datos de entrenamiento se definen más claramente y
aquellas que son menos claras.
18
Página

(511) 615-7800
5. PROCESAMIENTO
5.1 PRE-PROCESAMIENTO DE INFORMACIÓN DIGITAL
En esta etapa se realizó una evaluación de la geometría de las cuencas
hidrográficas de interés, con un especial énfasis en el tramo señalado:
Intercambio Vial “La Menacho” (Empalme con la Ruta PE-1N) hasta la
intersección de la ruta PE-22 con la quebrada “San Antonio del
Pedregal” en el casco urbano del distrito Lurigancho – Chosica.
Con esta evaluación se podrá delimitar las áreas críticas de la Ruta PE-
22, afectadas por la ocurrencia de eventos de geodinámica externa,
tales como deslizamientos y eventos de
5.1.1 Modelo de elevación digital

El Modelo de Elevación Digital que hemos utilizado para el desarrollo de
este producto ha sido elaborado tomando como base a la cartografía
oficial del IGN (Carta Nacional), la cual ha sido descargada en su versión
digital del servidor online del Ministerio de Educación (Carta Educativa
MINEDU), ver Tabla 6.
Tabla 6 - Cartas digitales utilizadas para la elaboración del DEM
CÓDIGO DE LA NOMBRE DE LA DATA DISPONIBLE

CARTA CARTA HIPSOGRAFÍA HIDROGRAFÍA
24-i Chancay (x) (x)
24-j Chosica (x) (x)
24-k Matucana (x) (x)
24-l Oroya (x) (x)
25-i Lima (x) (x)
25-j Lurín (x) (x)
25-k Huarochirí (x) (x)
25-l Yauyos (x) (x)
Fuente: IGN.
El procesamiento fue realizado con el software ArcGIS 10.3.2, en el

módulo 3D Analyst:
 Empalme y fusión de las 8 cartas disponibles.
 Generación de Red de Triángulos Irregulares (TIN).
 Conversión a formato ráster: tif.
19
Página

(511) 615-7800
Ilustración 6 - Fusión y empalme de la Carta Nacional
Ilustración 7 - DEM generado con las cuencas hidrográficas de interés

20
Página

(511) 615-7800
 Corte del DEM de acuerdo a los límites de la cuenca del río
Rímac, establecidos por la Autoridad Nacional del Agua – ANA
(2011).
Ilustración 8 - DEM de la cuenca del río Rímac
 Corte del DEM de acuerdo a los límites de la cuenca del río Yauli,
establecidos por la Autoridad Nacional del Agua – ANA (2011).
21
Página
Ilustración 9 - DEM de la sub cuenca del río Yauli (Cuenca Mantaro)

(511) 615-7800
5.2 PROCESAMIENTO AVANZADO DE IMÁGENES
SATELITALES
A continuación, se describirá el detalle de los procedimientos realizados
durante el desarrollo del servicio.
5.2.1 PAN SHARPENING y Corrección geométrica

Utilizando PCI Geomatics, ir al módulo OrthoEngine.
Para configurar nuestro nuevo proyecto vamos a File->New, se abrirá
una ventana en donde se incluye la información del proyecto (Figura 1).
Se indican los siguientes parámetros:
 File Name: indicar la ruta en la cual se guardará el archivo.

 Name: El nombre del proyecto.
 Description: campo opcional, en el cual puede resumir algún tipo
de descripción de lo que se hará en el proceso de
Ortorectificación.
 Math Modelling Method: Como se utilizará una imagen
PERUSAT-1, la cual es una imagen óptica, escogeremos la opción
Optical Satellite Modelling.
 Options: Se escogerá la opción Rational Function (Extract from
image) ya que es la más adecuada para PERUSAT-1 al colectar
información de un vector o imagen de referencia.
Figura 1 - Configuración de nuevo proyecto
Aparecerá una nueva ventana, en la cual en la pestaña Output

projection se ingresará la información adecuada (Figura 2). En nuestro
caso se escogerá UTM dentro de la pestaña en donde se indicará Meter.
22
Luego aparecerá una ventana llamada Earth Models, donde se escogerá

Página
el DATUM_ WGS 1984 (Global Definition) y al aceptar nos arrojará otra

(511) 615-7800
ventana donde escogeremos la zona UTM que en nuestro caso será
zona 18, finalmente aparecerá una nueva ventana donde escogeremos
la opción Southern Hemisphere (ya que nuestros datos se ubican en el
hemisferio sur).
Una vez definido el sistema de proyección, en las pestañas Output pixel
spacing y output line spacing indicaremos la resolución de la imagen que
ortorectificaremos. En nuestro caso será 0.70 por ser esta la resolución
de salida de PERUSAT-1.
El mismo procedimiento de salida de proyección utilizaremos para el
campo GCP Projection.
Figura 2 - Configuración de sistema de coordenadas y DATUM
Finalizada la preparación de los datos, procedemos a realizar el

Pansharpening, es decir la fusión entre la banda pancromática y la
banda multiespectral (Figura 3). Esto nos permitirá crear una imagen
fusionada multiespectral de 0.70 m de resolución. Es preferible que este
proceso se lleve a cabo antes de la corrección geométrica. Para este
caso, en nuestra ventana de Ortho Engine, vamos a Utilities-
>Merge/Pansharp Multiespectral Image, obteniendo una ventana como
la que se muestra a continuación:
23
Figura 3 - Pansharpening
Página

(511) 615-7800
En esta ventana cargaremos nuestras bandas multiespectrales y nuestra
banda pancromática. Aparecen cuatro campos a ser llenados para
multiespectral, sólo es necesario uno, ahí cargaremos nuestro archivo
multiespectral de PERUSAT 1 (el cual contiene las 4 bandas
multiespectrales). Además, aparece un campo denominado
Panchromatic image en donde cargaremos nuestra imagen
pancromática. Definimos nuestro directorio de salida en Output
filename y se activará la opción Pansharp, botón al cual le daremos clic
para iniciar con el proceso.
Luego de obtener nuestra imagen fusionada, procedemos a realizar
nuestra corrección geométrica. Para esto requerimos de puntos de
control terrestres (GCPs) y un modelo de elevación digital (DEM).
En la ventana del OrthoEngine, en la pestaña Processing step, escoger
Data Input y el icono con el folder color amarillo a la derecha de la
pestaña Processing Step (Figura 4).
Figura 4 - Data Imput para OrthoEngine
Aparece una ventana donde nos da la opción de escoger nuestra

imagen fusionada, con el campo Uncorrected Image marcado y luego
damos clic en Quick Open y nos mostrará en pantalla la imagen
fusionada.
Luego volveremos nuevamente a nuestra ventana de OrthoEngine y
escogeremos en Processing Step la pestaña GCP/TP Collection, en donde
incluiremos nuestros puntos de control en el icono subrayado de rojo
(Figura 5).
Figura 5 - Inclusión de puntos de control en OrthoEngine
Nuevamente en la ventana de OrthoEngine seleccionamos en

Proccesing Step -> Model Calculations para el procesamiento. Damos
24
clic en el icono llamado Perform block adjustment (resaltado en rojo)

(Figura 6).
Página

(511) 615-7800
Figura 6 - Cálculo de modelo en OrthoEngine
En la ventana de Orthoengine, elegimos el icono de OrthoGeneration

para llevar a cabo el proceso de orthorectificación. Aquí debemos
seleccionar un nombre de salida y la ubicación para nuestra imagen
orthorectificada, luego procedemos a elegir nuestro archivo DEM, en
Ortho Generation Options. Seleccionamos en Proccesing Options el tipo
de Resampling: Cubic, logrando de esta forma nuestra imagen
orthorectificada.
Para finalizar nuestro Geoprocesamiento, llevamos a cabo el último
proceso denominado Georeferenciación. Para este proceso utilizaremos
el software ArcGis, y procederemos a georreferenciar la imagen
orthorectificada.
Para este proceso utilizaremos la función Georeferencing, el cual nos
permitirá localizar nuestra imagen dentro de un sistema de referencia.
Vamos a utilizar una transformación Polinomial de Primer Orden. Al
crear nuestros puntos para georreferenciación tomaremos como base la
Carretera Central (RUTA PE-22) Georreferenciada. La obtención de un
valor cuadrático medio - RMS menor a 1 es lo ideal para obtener buenos
resultados georreferenciados.
5.2.2 Clasificación de coberturas - PLEIÁDES 1B

Estos procedimientos tienen validez para la extracción de coberturas de: agua,
vegetación, suelo desnudo y concreto en las imágenes PERUSAT-1.
Respecto a la extracción de la capa asfáltica esta se detallará en un ítem

propio.
a) Regiones de interés y gráficas de dispersión 2D.
Un gráfico de dispersión 2D de ENVI muestra dos bandas de una

imagen, viendo los valores de pixel en un plano cartesiano con una
banda establecida en el eje X y la otra el eje Y.
Se puede clasificar una imagen si se conocen las coberturas de
determinada región, a esto se le denomina áreas de entrenamiento para
una clasificación. Sin embargo, no siempre se cuenta con información
suficiente para determinar áreas de entrenamiento apropiadas. Por esta
25
razón, ENVI proporciona la herramienta 2D Scatter Plot que puede ser

usada como primer paso para determinar áreas de entrenamiento
Página
apropiadas.

(511) 615-7800
La herramienta 2D Scatter Plot de ENVI le permite comparar no sólo la
relación entre los valores de datos en dos bandas, sino también la
distribución espacial de los pixeles de una imagen. Esta funcionalidad
combinada proporciona una clasificación interactiva con dos bandas, de
los datos de la imagen.
 Desde la barra de menú de ENVI, haga clic en el botón Open
folder. Nos dirigimos a la carpeta donde tenemos la imagen
objetivo. Haga clic a Abrir. Se visualizará una imagen en color.
Quizá sea útil mostrar una imagen color infrarrojo (CIR) para
ayudarlo a discriminar la vegetación.
 Cambiamos el estiramiento de contraste, seleccionando un tipo
de estiramiento desde el menú desplegable. Un estiramiento de
contraste Linear 1% servirá para esta imagen.
 Desde la barra de menú de ENVI, seleccione Display → 2D
Scatter Plot. Aparecerá la ventana Scatter Plot mostrando en su
grafica la Banda 1 en el eje X y la Banda 2 en el eje Y. Las bandas
adyacentes son por lo general altamente correlacionadas porque
miden longitudes de onda similares. Por lo tanto, utilizar dos
bandas adyacentes producirá un gráfico de dispersión donde se
visualizará que la nube de datos se asemeja a una línea con una
pendiente de 45º. Para evitar esta situación, de un gráfico
altamente correlacionado, elija dos bandas que midan
longitudes de onda muy distintas. Por ejemplo, las bandas 1-3
miden las longitudes de onda visible, mientras que la banda 4
mide la reflectancia en la longitud de onda del infrarrojo
cercano.
Ilustración 10 - Vista de la herramienta Scatter Plot
26
Página
Fuente: HARRIS INC.

(511) 615-7800
 Deje en el eje X la Banda 1 (longitud de onda de 0.42
micrómetros). Haga clic en el menú desplegable del eje Y para
seleccionar la Banda 8 (0.91 micrómetros). El gráfico de
dispersión escalará automáticamente ambos ejes para maximizar
la separación de los datos.
 Haga clic en una esquina de la ventana 2D Scatter Plot y arrastre
para aumentar su tamaño. Haga clic en la imagen que se está
visualizando y arrastre el cursor sobre la misma y vea los
“dancing pixels” en la gráfica de dispersión. Los pixeles
resaltados representan un área de 10 x 10 sobre la localización
actual del cursor en la ventana de imagen. Mientras mueve el
cursor sobre la imagen, percátese como los “dancing pixels” a
menudo se agrupan juntos en el gráfico de dispersión.
 Lleve el cursor al gráfico de dispersión. Resalte un área de 10 x
10 pixeles dando clic y arrastrando con el botón central del
mouse en el gráfico de dispersión. Esto resaltará los pixeles en la
imagen que tengan la combinación de los valores espectrales
correspondientes a un área de 10 x 10 en el gráfico de
dispersión. Mientras arrastra el cursor sobre el diagrama de
dispersión vea como las distintas áreas de la imagen son
resaltadas. Puede cambiar el tamaño de 10 x 10 pixeles en la
barra deslizante Patch Size o digitando el valor deseado en el
campo después de la barra.
 Active la casilla Density Slice para ver cómo es la distribución de
los datos y cómo las diferentes áreas de la nube de datos son
“más gruesos” (colores cálidos) o “más delgados” (colores fríos).
 Si no está viendo la imagen completa en la pantalla, pero desea
que el gráfico de dispersión muestre todos los pixeles de la
imagen, deseleccione la casilla Viewable Area Only. Habrá
notado que ciertas áreas de la nube de datos del gráfico de
dispersión corresponden a características de la imagen bien
definidas. Puede aprovechar esta información para definir los
ROIs interactivamente desde el gráfico de dispersión. Puede usar
estos ROIs luego para una clasificación.
 Busque por grupos de pixeles o “brazos” de pixeles que
sobresalen del centro del gráfico de dispersión. Estas áreas
probablemente representan características particulares de la
imagen. Haga clic con el botón izquierdo y arrastre para dibujar
un polígono sobre el grupo de pixeles, luego acepte el polígono
dibujado dando clic con el botón derecho del mouse.
27
 Una vez más encontrará que los materiales únicos y puros en la

escena siempre se encuentran en las esquinas o “brazos” de la
Página
nube de datos. Se le recomienda evitar dibujar ROIs cerca al

(511) 615-7800
centro de la nube de datos. Es probable que los pixeles
representen varios materiales.
 Como se muestra en la imagen a continuación, puede ver que la
parte inferior del gráfico de dispersión representan las
coberturas de agua en la imagen, océano y ríos. Sin embargo, no
representa la totalidad de los mismos. Puede exportar el ROI
seleccionado y continuar dibujando en el gráfico de dispersión
más áreas que representen la cobertura de agua en la imagen.
 Ahora defina tres nuevas coberturas diferenciándolas por color.
Elija un color diferente para cada ROI dando clic al menú
desplegable Class Functions antes de definir un nuevo ROI.
 Como sabe cada vez que se actualiza la vista en la ventana de
imagen, el gráfico de dispersión también se actualiza y se hace
necesario definir distintos ROIs para una sola cobertura.
 Una vez definido un ROI en la gráfica de dispersión, haga clic a
Export. Repita este procedimiento para obtener distintos ROI de
una sola cobertura distribuidos a lo lardo de la imagen.
 Los ROIs se mostrarán en el Layer Manager con el color que
usted le asigne.
Ilustración 11 - Visualización de la dispersión de niveles digitales
Fuente: HARRIS INC.

28
 Si desea puede cambiar el color de fondo del gráfico de

Página
dispersión dando clic en el botón Properties en la parte inferior

de la ventana.
(511) 615-7800
b) Introducción a la Herramienta Region of Interest (ROI)
Las regiones de interés (ROIs) son muestras de una imagen

seleccionada. Por ejemplo, áreas de agua, que son identificadas para un
propósito determinado. Usted puede usar los ROIs como insumo para
procesar con algunas herramientas de ENVI, por ejemplo, como áreas de
entrenamiento en una clasificación. Para crear y administrar ROIs, haga
clic en el botón de la herramienta Region of Interest en la barra de

herramientas. La ventana Region of Interest Tool se abrirá.
Cuando define un ROI, se define los pixeles de la imagen que estarán
dentro o fuera del ROI.
Ilustración 12 - Region of Interest Tool
Fuente: HARRIS INC.
Si el ROI ya se encuentra listado en el Layer Manager, puede retirarlo de

la ventana de imagen dando clic derecho y seleccionando Remove. Sin
embargo, el ROI permanecerá en el Data Manager.
 Para editar los ROIs, abra la herramienta Region of Interest (ROI)
dando clic al botón . Se abrirá la ventana Region of Interest
(ROI) Tool, en esta ventana usted podrá realizar diversas tareas
de edición de los ROIs que ha elaborado, como cambiar de
29
nombre, editar el color, eliminar el ROI que no necesite, realizar

Página
un Merge de ROIs, etc.

(511) 615-7800
 Es necesario hacer un Merge, para definir un único ROI que
represente a una determinada cobertura.
 Ahora agrupe todos los ROIs que para usted correspondan a la
misma cobertura. Diríjase a Options > Merge ROIs en la ventana
Region of Interest (ROI) Tool, la ventana Merge ROIs aparece, en
esta ventana usted puede ver todos los ROIs que usted ha
elaborado, haga clic al botón Clear All Items para quitar la
selección a todos los ROIs en la lista, a continuación, seleccione
los ROIs que corresponden a una misma cobertura,
seleccionando todos aquellos que sean de un mismo color, elija
como método de fusión (Merge Method): Union, marque la
casilla de verificación Delete Input ROIs y haga clic a OK.
 Puede cambiar el nombre y color de su ROI dando clic al campo
ROI Name y digitando el nombre de la cobertura a la que
representa, por ejemplo, puede cambiar el nombre de color
Magenta por Cultivos. También puede dar clic a campo ROI Color
para cambiar el color del ROI, al dar clic aparece un menú
desplegable mostrando los colores disponibles.
 Guarde sus ROIs para usarlos más delante seleccionando File >
Save As desde la ventana Region of Interest (ROI) Tool. La
ventana Save ROIs to .XML aparece, mostrando los ROIs activos
en la sesión, seleccione los ROIs que ha trabajado. Busque la
carpeta de destino y haga clic a OK. La extensión .XML se añade
automáticamente. Finalice dando clic a OK.
5.2.3 Identificación de red vial y otras coberturas

Para la identificación de la red vial hemos realizado un análisis
diferente, orientándonos primero en un análisis de bandas con el
objetivo de lograr inicialmente el realce de la cobertura “asfalto”.
Con respecto a la extracción de coberturas asfálticas a partir de
imágenes PERUSAT-1, utilizaremos las siguientes bandas situadas a
longitudes de onda de 0.45 – 0.52 µm (azul), 0.53 – 0.60 µm (verde),
0.62 – 0.69 µm (rojo) y 0.76 – 0.89 µm (NIR). (Ver Tabla 7).
Tabla 7 - Resultados de la aplicación del análisis de bandas con el Filtro de Lee
RANGO LONGITUD DE ONDA FILTTRO DE LEE SIGNIFICANTE

ESPECTRAL (NM) (NM)
Blue 450–520 466
Green 530–600 539
Green 530–600 549
Red 620–690 668
30
NIR 760–890 814

Página

(511) 615-7800
En la Tabla 8, la tolerancia es la proporción de la varianza de una
variable que no es considerada por otras variables independientes en la
aplicación del filtro de Lee. Una variable con muy baja tolerancia aporta
poca información y causa problemas computacionales.
Tabla 8 - Resultados de la selección de bandas con el filtro de Lee y los algoritmos de ajuste
PASO DE FILTRO DE LEE TOLERANCIA F TO REMOVE WILKS’S LAMBDA

466 .985 60.252 .452
539 .965 53.134 .411
549 .960 56.139 .118
668 .879 37.134 .024
814 .970 46.792 .051
Se aplicaron los siguientes algoritmos para depurar el resultado del

filtro de Lee:
 F to Remove, describe el efecto de eliminar una variable del
modelo actual Lee (dado que se mantienen las otras variables).
 El Lambda de Wilks determina diferencias significativas entre los
grupos. Los valores están entre 0 y 1. Cuando el valor es cercano
a 1, los grupos son similares, mientras que los valores pequeños
indican la variación entre los grupos.
La Tabla 7 muestra las bandas ideales que pueden distinguir entre
diferentes clases de asfalto en PERUSAT-1. El resultado mostrado en la
Tabla 8 sugiere que estas bandas significativas son: azul, verde, rojo e
infrarrojo cercano (NIR).
a) Desarrollo del Índice de Asfalto
Para desarrollar el índice, se utilizaron bandas significativas que

describen mejor la red de carreteras asfálticas. El fundamento teórico
del índice recientemente desarrollado se basa en el NDVI, utilizando la
misma metodología de algebra de mapas y cálculo matricial. Dado que
el proceso de oxidación y la exposición del componente rocoso se
muestran por la aparición de características de absorción de óxido de
hierro a 520 y 870 nm (Herold et al., 2004), dos bandas significativas en
las longitudes de onda Blue y NIR que están cerca de estas longitudes de
onda particulares se seleccionan. Además, se multiplica nuevamente por
la banda NIR para eliminar el efecto agua-cuerpo.
La imagen PLEIÁDES 1B, fueron trabajadas en esta oportunidad bajo 8
índices diferentes a través de la herramienta: “Math Band” en el
software ENVI. Entre las distintas bandas, los mejores resultados se
31
obtuvieron con las bandas NIR y Azul.

Página

(511) 615-7800
La evaluación realizada da como alternativa para la clasificación de la
cobertura asfáltica a un nuevo índice que se calcula con la ecuación (2) y
para visualizar su efectividad a través de la comparación, lo asemejamos
al índice BAI desarrollado por Mhangara et al. (2011), que utiliza la
ecuación (1).
𝐵 − 𝑁𝐼𝑅
𝐵𝐴𝐼 = (1)
𝐵 + 𝑁𝐼𝑅
𝑁𝐼𝑅 − 𝐵
Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝐴𝑠𝑓𝑎𝑙𝑡𝑜 = ∗ 𝑁𝐼𝑅 (2)
𝑁𝐼𝑅 + 𝐵
Este procedimiento se utiliza para encontrar la mejor combinación de
un par de bandas que se pueden utilizar para la extracción de la red de
carreteras de asfalto.
Ilustración 13-Vista de la capa ráster con el índice de asfalto
b) Índice de Vegetación (NDVI)
El índice de vegetación diferencial normalizado, se utiliza para estimar la

cantidad y calidad de la vegetación en nuestra área de estudio.
Este índice se basa en la teoría comprobada de la absorción de radiación
solar llevada a cabo por las especies vegetales en el proceso de
fotosíntesis, esto sucede debido a que las células vegetales han
32
desarrollado un mecanismo de dispersión de la radiación solar que

absorben en el rango del infrarrojo del espectro electromagnético.
Página

(511) 615-7800
Un Índice de Vegetación puede ser definido como un parámetro
calculado a partir de los valores de la reflectancia a distintas longitudes
de onda, y es particularmente sensible a la cubierta vegetal (Gilabert et
al, 1997). Estos índices no miden directamente productividad ni
disponibilidad forrajera, pero tienen una estrecha relación con estas
variables, lo que permite utilizarlos para análisis regionales. Es decir,
que los cambios del índice de vegetación permiten decir si un
determinado mes o año es mejor o peor respecto al valor histórico.
El utilizar estos índices tiene su fundamento en el particular
comportamiento radiométrico de la vegetación. Una cubierta vegetal en
buen estado de salud, tiene una firma espectral que se caracteriza por el
contraste entre la banda del rojo (entre 0,6 y 0,7 µm.), la cual es
absorbida en gran parte por las hojas, y el infrarrojo cercano (entre 0,7 y
1,1 µm.), que es reflectada en su mayoría. Esta cualidad de la vegetación
permite la realización de su valoración cualitativa.
El Índice de Vegetación Diferencial Normalizado se calcula mediante la
siguiente expresión:
𝑁𝐼𝑅 − 𝑅
𝑁𝐷𝑉𝐼 = (3)
𝑁𝐼𝑅 + 𝑅
Ilustración 14 - Vista de la capa ráster con el índice de vegetación (vegetación en color claro)
33
Página

(511) 615-7800
6. RESULTADOS DEL PROCESAMIENTO DIGITAL DE IMÁGENES SATELITALES
Tabla 9 - Resultados de la clasificación en la Zona del desvío al Distrito de San Bartolomé - Huarochirí (KP 57+000)
ZONA DEL DESVÍO AL DISTRITO DE SAN BARTOLOMÉ (TORNAMESA) - HUAROCHIRÍ (KP 57+000)
Vista de la Imagen Satelital PERUSAT-1 Vista de la capa de cobertura de la capa asfáltica de la ruta PE-22
(Combinación Color Natural: 321)
Vista de la Imagen Satelital PERUSAT-1 Vista de la capa de cobertura vegetal y red hidrográfica producto de la clasificación
(Combinación IR Color: 432)
34
Página

(511) 615-7800
Tabla 10 - Resultados de la clasificación en la zona del Distrito de San Jerónimo de Surco (KP 68+000)
SAN JERÓNIMO DE SURCO (KP 68+000)

Vista de la Imagen Satelital PERUSAT-1 Vista de la capa de cobertura vegetal, capa asfáltica y red hidrográfica producto de la
(Combinación IR Color: 432) clasificación
35
Página
(511) 615-7800
Tabla 11 - Resultados de la clasificación en la Zona de Matucana (KP 77+000)
MATUCANA (KP 77+000)

Vista de la Imagen Satelital PERUSAT-1 Vista de la capa de cobertura vegetal, capa asfáltica y red hidrográfica producto de la
(Combinación IR Color: 432) clasificación
36
Página
(511) 615-7800
7. CONCLUSIONES Y RECOMENDACIONES
Al respecto, en este PRODUCTO FINAL, tenemos las siguientes conclusiones y
recomendaciones:
7.1 CONCLUSIONES
 Las imágenes del satélite peruano PERUSAT-1, al ser sometidas a
procedimientos de corrección geométrica, presentan características
óptimas para la discriminación e cobertura de la red vial y cuerpos de
agua.
 Las imágenes del satélite peruano PERUSAT-1, al contar con la banda del
infrarrojo cercano permiten realizar combinaciones de bandas que
permiten discriminar coberturas específicas, tales como: red
hidrográfica, cobertura vegetal, cobertura de concreto, cobertura de
asfalto, etc.
 Sin embargo, cuando la imagen captura áreas de zonas montañosas, al
realizar la corrección geométrica se producen los problemas de
distorsión producto del ángulo de inclinación de la cámara del satélite al
momento de la captura.
 La resolución espacial de las imágenes PERUSAT-1 (0.7 metros), permite
una discriminación de la cobertura y componentes geográficos en las
zonas de interés.
 La delimitación de cuencas hidrográficas utilizando la herramienta Arc
Hydro permite una aproximación útil para la identificación de quebradas
en las cuencas hidrográficas de interés (Rímac y Yauli), sin embargo, este
aplicativo depende mucho de la resolución espacial del Modelo de
Elevación Digital (DEM). Con un DEM de mayor resolución espacial se
podrá delimitar mejor las unidades hidrográficas.
 Es necesario llevar a cabo una evaluación hidrológica e hidráulica de las
quebradas activas que se encuentras a lo largo de la Ruta PE-22, para
determinar mediante un modelo numérico las áreas potencialmente
afectadas por eventos de geodinámica externa con mayor precisión.
 La clasificación de coberturas puede ser realizada de manera
satisfactoria con el software ENVI, y utilizando la herramienta
matemática de bandas se pueden desarrollar índices de clasificación de
coberturas de acuerdo a las características de las imágenes utilizadas.
 El área de cobertura de asfalto digitalizada manualmente nos da un área
de 280,428.84 m2.
 El área de cobertura de asfalto producto del índice de asfalto nos da un
área de 225,072.19 m2.
 El índice de asfalto, utilizado en este estudio requiere una mayor
37
evaluación y estudio para mejorar sus resultados, debido a que solo ha

permitido el mapeo del 80.26% del área de cobertura asfáltica de la
Página

(511) 615-7800
Ruta Nacional PE-22, en el tramo de interés contrastando entre el área
digitalizada manualmente y el área clasificada mediante el algoritmo.
 La presencia de elementos con diferente firma espectral (vehículos,
asfalto en mal estado, etc.) ubicados sobre la capa asfáltica no permite
el mapeo adecuado, ocasionando distorsión en algunos tramos de la
Ruta Nacional PE-22, conocidos por la alta carga de tráfico.
 El estado de conservación de la capa asfáltica es determinante para
poder clasificar adecuadamente la capa asfáltica. El mal estado de
conservación de la capa asfáltica no permite la adecuada clasificación,
debido a que presenta una diferente firma espectral.
 Es importante señalar una disminución en la precisión de la clasificación
automática, la cual se da debido a que el área analizada es montañosa,
existiendo sobras las cuales se proyectan sobre la red vial, modificando
los valores digitales de la imagen, y teniendo relación directa con los
resultados del proceso de clasificación.
 El presente estudio puede ser aplicado a cualquier parte del país, en
donde se tenga cobertura de imágenes PERUSAT-1, PLEIÁDES-1B o
semejantes.
7.2 RECOMENDACIONES
 Se recomienda adquirir el software ENVI 5.4, el cual está especializado
en procesamiento digital y clasificación de imágenes satelitales a nivel
avanzado. Para uso dedicado de la Dirección de Caminos de la DGCF.
 Se recomienda adquirir imágenes estereoscópicas del satélite peruano
PERUSAT-1 para llevar a cabo un ejercicio de generación supervisada de
Modelo de Elevación Digital.
 Se recomienda adquirir imágenes satelitales de los Sensores Geoeye-1
y/o Worldview-02 y/o Worldview-03 para completar el tramo
comprendido entre la zona de Ricardo Palma y La Oroya, a lo largo de la
Ruta PE-22.
 Se recomienda adquirir imágenes del satélite Worldview-02, el cual
posee bandas espectrales SWIR; esto permitirá profundizar más en la
discriminación de la cobertura presente en el entorno de las redes viales
del Sistema Nacional de Carreteras (SINAC).
 Se recomienda adquirir hardware especializado y equipo de cómputo
con gran capacidad de procesamiento.
38
Página

(511) 615-7800
8. BIBLIOGRAFÍA
 AUTORIDAD NACIONAL DEL AGUA (2010). Evaluación de los Recursos Hídricos
en la Cuenca del Río Rímac. Obtenido 05, 2017, de www.ana.gob.pe
 ZAVALA CARRIÓN, B. (1999, 07). Estudio de la Geodinámica de la Cuenca del
río Rímac. Instituto Geológico Minero y Metalúrgico del Perú. Obtenido 05,
2017, de www.ingemmet.gob.pe
 INSTITUTO GEOLÓGICO MINERO Y METALÚRGICO DEL PERÚ. (1999, 07).
Informe Técnico Preliminar de la zona afectada por los Huaycos del
09/03/1987 en Chosica. Obtenido 05, 2017, de www.ingemmet.gob.pe
 INSTITUTO GEOLÓGICO MINERO Y METALÚRGICO DEL PERÚ (1999).
Anteproyecto de Estudio Geotécnico - Ambiental para la Ordenación
Territorial y urbana de la Gran Lima. Obtenido 05, 2017, de
www.ingemmet.gob.pe
 BANCO INTERNACIONAL DE RECONSTRUCCIÓN Y FOMENTO (2016). Riesgo de
inundaciones en redes viales. Obtenido 05, 2017, de www.worldbank.org
 LORENZ HURNI, B., RADU GOGU, G. (2005, 10). Remote sensing of landslides:
An analysis of the potential contribution to geo-spatial systems for hazard
assessment in mountainous environments. Remote Sensing of Environment,
98 (2005) 284 – 303,
 BISWAJEET, P. (2009). Flood susceptible mapping and risk area delineation
using logistic regression, GIS and remote sensing. Journal of Spatial
Hydrology, Vol.9, No.2, 1-18.
 MINISTERIO DEL AMBIENTE DEL PERÚ. (2017). Protocolo Ortorectificación de
Imágenes Satelitales Landsat (Primera Edición ed., Vol. 1, pp.). Lima - Perú,
Hecho el depósito legal en la Biblioteca Nacional del Perú N° 2014 - 02807:
 SALDAÑA DÍAZ, M. (2013). Generación de datos georreferenciados de muy
alta resolución a partir de imágenes de los satélites GeoEye-1 y WorldView-
2. TESIS DOCTORAL. UNIVERSIDAD DE ALMERÍA.
 YANG, Z. (2012). Evaluating high resolution GEO-EYE-1 satellite imagery for
mapping wildlife in open savannahs. TESIS DE MAESTRÍA. Faculty of Geo-
Information Sciencia and Earth Observation of the University of Twente.
 CORBELLE RICO, E., GIL DOCAMPO, M., ARMESTO GONZÁLEZ, J. AND REGO
SANMARTÍN, T. (2006). La escala cartográfica de la imagen de satélite. Caso
particular de las imágenes Ikonos y QuickBird. Revista de Teledetección, 26,
pp.18-24.
 KAY, S., SPRUYT, P., ALEXANDROU, K., 2003. “Geometric Quality Assessment
of Orthorectified VHR Space Image Data.” Photogrammetric Engineering &
Remote Sensing, 69: 484-491.
 CHENG, P., TOUTIN, T., ZHANG, Y., WOOD, M., 2003. “QuickBird – Geometric
Correction, Path and Block Processing and Data Fusion.” Earth Observation
39
Magazine, vol. 12, nº 3.

Página

(511) 615-7800
9. ANEXOS
 ANEXO 1: MAPEO SATELITAL DE LA RUTA PE-22 EN EL TRAMO DE INTERÉS.

 ANEXO 2: MAPEO DE QUEBRADAS POTENCIALMENTE ACTIVAS EN EL TRAMO
DE INTERÉS.
40
Página

(511) 615-7800
ANEXO 1:
MAPEO SATELITAL
RUTA PE-22
KP 0+000 / KP 77+000
41
Página

(511) 615-7800
42
Página
(511) 615-7800
43
Página
(511) 615-7800
44
Página
(511) 615-7800
45
Página
(511) 615-7800
46
Página
(511) 615-7800
47
Página
(511) 615-7800
48
Página
(511) 615-7800
49
Página
(511) 615-7800
50
Página
(511) 615-7800
51
Página
(511) 615-7800
52
Página
(511) 615-7800
53
Página
(511) 615-7800
54
Página
(511) 615-7800
55
Página
(511) 615-7800
ANEXO 2:
MAPEO DE QUEBRADAS
POTENCIALMENTE ACTIVAS EN EL TRAMO
DE INTERÉS.
RUTA PE-22
KP 40+000 / KP 57+000
56
Página

(511) 615-7800
57
Página
(511) 615-7800

Mapeo Imag PeruSat-1 PE 22 San Bartolome Matucana Nov-2017

Cargado por

Copyright:

Formatos disponibles

Mapeo Imag PeruSat-1 PE 22 San Bartolome Matucana Nov-2017

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mapeo Imag PeruSat-1 PE 22 San Bartolome Matucana Nov-2017

Cargado por

Copyright:

Formatos disponibles

MAPEO CON IMÁGENES DEL SATELITE PERUANO

PERUSAT-1 Y CLASIFICACIÓN DE LA CARRETERA

Jirón Zorritos 1203

Jirón Zorritos 1203

Jirón Zorritos 1203

Jirón Zorritos 1203

Jirón Zorritos 1203

3.1.1 Ámbito geográfico: Cuenca del río Rímac.

Ilustración 1 - Cuenca del río Rímac

Fuente: Elaboración propia.

Jirón Zorritos 1203

Jirón Zorritos 1203

Gestión de datos de carga útil

Fuente: CONIDA, 2016.

Actualmente y luego de un programa de capacitaciones para el personal

control de cultivos ilegales, monitoreo de desastres y control de

Jirón Zorritos 1203

Jirón Zorritos 1203

 PCI GEOMATICS 2016. – Es un potente software aplicado al

Jirón Zorritos 1203

FEATURE AREA m2 AREA km2 PERÍMETRO (m)

A continuación, los datos generales de las imágenes:

Tabla 5 - Vista preliminar de las imágenes utilizadas en el presente estudio

IMÁGENES SATELITALES UTILIZADAS PARA EL PRESENTE ESTUDIO

Jirón Zorritos 1203

Fuente: Elaboración propia.

Esta herramienta no está incorporada dentro del software ArcGIS, por lo

compatibilidad con la versión de Arc Hydro Tools que queremos instalar.

Jirón Zorritos 1203

Fuente: Elaboración propia.

Tras su instalación podremos acudir a ArcMap y, pinchando con el

El manejo de Arc Hydro Tools va asociado a una geodatabase en la que

Jirón Zorritos 1203

𝑑𝑖,𝑗 = 2√∑𝑛𝑣=1(𝑋𝑣𝑖 − 𝑋𝑣𝑗 )2

aunque pueden utilizarse otro tipo de distancias. Para estimar los

 Definición de las clases.

En realidad, suelen utilizarse ambos procedimientos ya que son

4.3 CLASIFICACIÓN SUPERVISADA Y NO SUPERVISADA

Jirón Zorritos 1203

La clasificación según paralelepípedos utiliza una regla de decisión sencilla,

La técnica de clasificación de mínima distancia utiliza los vectores de cada

La clasificación de máxima probabilidad asume que los estadísticos de cada

La clasificación según la distancia de Mahalanobis, utiliza un clasificador

La técnica de clasificación de codificación binaria codifica los datos de las clases

espectro de referencia codificado, con los espectros de datos codificados y

producirá una imagen clasificada.

Jirón Zorritos 1203

La clasificación según árbol de decisiones realiza una clasificación en varias

Al introducir los parámetros de clasificación de los clasificadores supervisados

Jirón Zorritos 1203

5.1.1 Modelo de elevación digital

CÓDIGO DE LA NOMBRE DE LA DATA DISPONIBLE

El procesamiento fue realizado con el software ArcGIS 10.3.2, en el

Jirón Zorritos 1203

Fuente: Elaboración propia.

Ilustración 7 - DEM generado con las cuencas hidrográficas de interés

Fuente: Elaboración propia.

Jirón Zorritos 1203

Ilustración 8 - DEM de la cuenca del río Rímac