ES2481348B1 - Procedimiento para la normalización automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales. - Google Patents

Abstract

Procedimiento para la normalización automática de imágenes remotas multitemporales en base a usos de suelo pseudo-invariantes vegetales.#Procedimiento automático para la normalización radiométrica de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes que comprende:#a) toma de imágenes remotas multiespectrales correspondientes a bandas que se seleccionan del espectro visible o hiperespectrales,#b) digitalización o geo-referenciación de una imagen,#c) análisis de las imágenes tomadas en a) y selección de parcelas con usos de uno o dos usos de suelo vegetales,#d) conformación de parcelas mediante delimitación de regiones de interés en una imagen y su trasposición al resto de la serie de imágenes,#e) extracción/determinación de los valores digitales de cada banda espectral de cada imagen en el uso de suelo pseudo-invariante de referencia,#f) cálculo de los factores de corrección de cada banda en cada imagen de la serie,#g) transformación lineal de cada banda de cada imagen aplicando el antes calculado CF,#h) conformación de la imagen normalizada en su conjunto mediante la composición de las bandas antes transformadas linealmente.

Description

PROCEDIMIENTO PARA LA NORMALIZACION AUTOMÁTICA DE IMÁGENES REMOTAS MULTITEMPORALES EN BASE A USOS DE SUELO PSEUDO-INVARIANTES VEGETALES

Sector y objeto de la invención

El sector de aplicación de la presente invención es la agricultura y el medio ambiente, más concretamente para empresas de asistencia técnica agraria o mediambiental, o bien auditorias agroambientales públicas o privadas que utilicen la leledetección como herramienta tecnológica. Esta empresas pueden realizar así el seguimiento de la evolución de los sistemas de cultivos en regiones agrícolas y forestales mediante imágenes de satélite o aviones convencionales tomadas en diferentes fechas o momentos ("mullitemporales"), a fin de obtener estadisticas agrarias y de índole ambiental, así como imágenes de explotaciones agrarias, de superficies normalmente más reducidas, tomadas asi mismo en diferentes fechas o a diferentes horas del día, normalmente mediante aviones no tripulados (UAV acrónimo del inglés "unmanned aerial vehicles").

El objeto de la presente invención es un procedimiento para la normalización radiométrica relativa de imágenes remotas multiespectrales e hiperespectrales mediante transformaciones lineales de cada banda de cada imagen en base a factores de corrección. Estos se estiman en usos de suelo vegetales pseudo-invariantes presentes en cada una de las imágenes, haciendo que cada banda se transforme en el valor medio que ostenta en la serie de imágenes. La instantaneidad original de cada imagen, o desigual valor radiométrico de las bandas espectrales de usos de suelo pseudo-invariantes de cada imagen se iguala, y la imagen en su conjunto se normaliza, ostentando otros usos de suelo pseudo-invariantes valores radiométricos y de índices vegetativos mucho más uniformes en la serie de imágenes. Dicha normalización de imágenes remotas permite una mejor interpretación de las mismas en Agricultura y Medioambiente.

Estado de la técníca

En teledetección es esencial conocer el comportamiento o signatura espectral de cada una de las superficies o usos de suelo a las diferentes longitudes de onda. La energía reflejada por la vegetación y el suelo desnudo en las longitudes de onda roja e infrarroja varia muy considerablemente. Cultivos densos y sanos se caracterizan por una elevada absorción de energíal radiación roja y una alta reflectancia de la radiación infrarroja. Con frecuencia se combinan las lecturas radiométricas de las bandas espectrales conformando los indices vegetativos para así resaltar las variaciones de los usos de suelo. Hay un gran numero de índices vegetativos, tantos como operaciones matemáticas se estime oportuno definir. Sus ventajas son: 1) aumentar las diferencias relativas entre los valores digitales que caracterizan cada uso del suelo, 2) reducir el numero de datos obtenidos a un solo valor característico, 3) obtener valores adimensionales, lo que permite su comparación espacial y temporal y, 4) en ocasiones, eliminar efectos indeseados de iluminación, orografia, etc. (Jackson, R.

D. and Huete, A. R. 1991. Interpreting vegetation indexes. Prevo Ve!. Med. 11: 185-200). Uno de los más conocidos es el NDVI, acrónimo del inglés "Normalised Difference Vegetation Index"). Una actividad fotosintética alta, es decir la vegetación sana y vigorosa, implica un alto valor de NOVI, debido a una alta reflectividad en la banda del infrarrojo cercano y una alta absorción de energia en la banda roja.

los trabajos sobre clasificación de los usos del suelo mediante imágenes de satélite de resolución espacial medial baja o fotografias aéreas utilizando índices de vegetación se pueden considerar como clásicos en teledetección y se han llevado a cabo en áreas muy diversas: costeras, parques naturales, masas forestales, zonas agrícolas, entre otras muchas. También se han llevado a cabo trabajos para detectar de forma sistemática las anomalias en el desarrollo de los cu ltivos de regadío en Aragón (lópez-lozano R. and Casterad M.A. 2003. Una aplicación SIG para seguimiento en parcela mediante NOVI de irregularidades en el desarrollo del cultivo. Proceedings del X Congreso Nacional de Teledetección, Cáceres, pp 9-12), Y monitorizar el crecimiento de cultivos con datos biofisicos como altura de la planta, área foliar (LAI acrónimo del inglés leaf Area Index) y biomasa (Calera A., Martínez C. and Meliá J. 2001. A procedure for obtaining green plant cover: relation to NOVI in a case study for barley. In1. J. of Remote Sensing, 22: 3357-3362; y Calera A., González-Piqueras J. and Meliá

J. 2002. Remate sensing monitoring crop growth. Proceedings of Recent Advances in Quantitative Semote Sensing, Valencia, pp 522-529). También se están produciendo avances muy significativos en la teledetección de malas hierbas en cultivos con sensores multiespectrales (Koger, H. K., D. R. Shaw, K. N. Reddy and lo M. Bruce. 2004. Detection of pitted morning glory (Ipomoea lacunosa) with hyperspectral remote sensing. 11 Effects of vegetation ground cover and reflectance properlies. Weed Sci. 52:230-235; Thorp K. R. & l. F. Tian. (2004). A review of remate sensing of weeds in agriculture. Precision Agric., 5, 477-508; Y Girma, K., J. Mosali, W.R. Raun,

K. W. Freeman, K. lo Martin, J. B. Solie and M. lo Stone. 2005. Identificalion of optical spectral signature for detecting cheat and ryegrass in winter wheat. Crop Sci. 45:477-485) e incluso se ha desarrollado una metodología para mapear infestaciones tardías de malas hierbas en cultivos mediante imégenes remotas de alta resolución espacial (Peña Barragán J.M., F. lópez-Granados, M. Jurado-Expósito and L. Garcia-Torres. 2007. Mapping Ridolfia segetum patches in sunflower crop using remote sensing. Weed Research, 47: 164-172). Para llevar a cabo dicho trabajo es necesario que existan diferencias en las firmas espectrales entre el cultivo y las

ES 2 481 348 Al

especies de malezas en determinados momentos del ciClo fenológico (Peña Barragan. Pena-Barragan, F. LópezGranados, M. Jurado-Expósito and L. Garcia-Torres. 2006."Spectral discriminalion of Ridolfia segetum and sunflower as affected by phenological stage. Weed Research, 46: 10-21).

Programas informáticos de manej o de imágenes

Se comercializan programas informáticos ("software") para el procesamiento e interpretación de las imágenes, entre otros ERDAS®, MAP-INFOO y ENVI® . Éste ultimo es un potente sistema de proceso de imágenes remotas ampliamente usado en muy diversos paises del mundo y en muy diversas disciplinas cientificas (EXELlS, 2012; http://w.vw.exelisvis.coml). Entre las ventajas de ENVl cabe destacar que combina a través de funciones interactivas los archivos de datos de las bandas del espectro electromagnético captadas por el sensor o sensores. En cada archivo, los datos de cada banda se archivan de forma independiente y se tiene acceso a los mismos de forma individualizada o simultánea mediante funciones. IDL (acrónimo del inglés Interactive Data Language, IDL®) es el lenguaje de programación informática de ENVI. IDL es potente, sistematizado y permite un proceso de imágenes integrado. La flexibilidad de ENVI se debe en gran medida a la versatilidad de IDL.

Calibración y normalización de imágenes multitemporafes

En teledetección las imágenes son instantáneas, por lo que sus valores radiométricos varian segun los factores atmosféricos (temperatura, humedad, aerosoles), de indinación o ángulo solar, y de observación o lugar en que se han tomado,. y del instante en que son tomadas. Además el suelo, la vegetación y el sistema vegetación-atmósfera cambia o evoluciona dinámicamente, en cada instante (Inoue Y. 2003. Synergy of Remate Sensing and Modelling for Estimating Eco-physiological Processes in Plant Production, Plant Prod. SCi., 6, 1, 316, 2003). Asi pues, los datos radiométricos de cualquier uso de suelo captados por el sensor pueden variar debido a: 1) cambios en la calibración del sensor; 2) diferencias en los ángulos de iluminación solar y observación; 3) variación de las condiciones atmosféricas; y 4) cambios en la reflectancia (Du Y., P. M. Teillet and J. Cihlar. 2002. Radiometric normalization of multitemporal high-resolution satellite images with qualily control for land cover change detection. Remate Sensing of Environment, 82, 123-134). Asi pues las correcciones radiométricas de las imágenes tienen como objetivo anular o compensar las variaciones debidas a los factores antes listados (1 a 4) excepto al que se pueda atribuir a los cambios reales que se han producido en el terreno cuya reflectancia fisica interesa determinar (correcciones absolutasJ *absolute correction") o bien normalizar las lecturas! datos digitales obtenidos en diferentes condiciones a una escala común (correcciones relativas! -relative corrections").

Galibración radiométrica absoluta (GRA): Las correcciones radiométricas absolutas convierten las lecturas digitales de la imagen en radiancia en la superficie de la Tierra, por lo que requieren disponer de coeficientes de calibración del sensor, algoritmos de correcciones atmosféricas, datos sobre la posición geográfica del sensor, entre otra información (Du Y. et al. 2002, antes referido). En resumen requiere conocer las caracteristicas del sensor, las condiciones atmosféricas y de adquisición de la imagen, y los algoritmos de corrección, lo cual suele manejarse mediante softwarel módulos informáticos de no fácil manejo tales como el FLAASH (acrónimo del inglés "Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubesj del programa de manejo de imagen ENVI (Exelis. 2012. The Environment for Visualizing ¡mages, ENV/® 4.8 and ENVI® 5.0, 4990 Pearl East Gire/e, Boulder, Ga 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension ApriI 2012). Los variados factores relativos al sensor, y las variadas condiciones de la toma de cada imagen y atmosféricas, antes reseñadas , no suelen estar disponibles o son complicadas de obtener para la mayoria de las imágenes de satélite, aviones convencionales o UAV (Canty M. J., Nielsen AA and M. Schmidt. 2004. Automatic radiometric normalization of multitemporal salellite imagery. Remate Sensing of Environment, 91,441-451). En consecuencia, la corrección absoluta de las imágenes remotas no es un método factible en numerosas situaciones.

Hall el. al (1991) seleccionó usos de suelo pseudo-invariantes (PIFs) de elementosl usos de suelo con reflectancia muy diferenciadas, muy brillantes (-brighn y muy oscuros ("dark") , llevando a cabo dicha selección mediante inspección visual de la imagen. QUAC (acrónimo del inglés "Quick Atmospheric Correction"), y FLAASH son módulos o extensiones ("add-ons") de ENVI para correcciones atmosféricas absolutas (Exelis. 2012. T he Environment for Visualizing Images, ENV/® 4.8 and ENV¡® 5.0, 4990 Pearl East Gircle, Boulder, ca 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension April 2012). QUAC es un método de conversión directo y rápido ("on-the-fly method"), a tiempo real, que utiliza la información contenida en la escena usando los datos espectrales de determinados píxeles. FLAASH es un método de corrección basado en el modelo atmosférico MODTRAN4, en el que el operador tiene que introducir en el software diversos parámetros físicos y atmosféricos sobre la absorción atmosférica (aerosol, visibilidad, modelo de dispersión) y la posición relativa del sensor, entre otros.

Normalización radiométrica relativa (NRR): se basa en los datos radiométricos inherentes a cada una imagen de las serie de imágenes multilemporales a normalizar y es un mélodo alternalivo a la calibración

ES 2 481 348 Al

absoluta. La NRR se recomienda cuando no sea posible la obtención de datos de radiancia en la superficie de la Tierra, o simplemente para obviar ésta estimación, y se recomienda en estudios sobre evoluciónl detección de los usos de suelo entre imágenes o para clasificación supervisada de 10$ mismos (Canty M. el al. 2004, referido anteriormente). Se han diseñado diversos métodos de NRR de imágenes multilemporales. y todos ellos se basan en la hipótesis de que las relaciones entre la radiancia registradas del sensor en dos momentos diferentes de regiones de reflectancia constante es homogénea espacialmente y puede ser aproximada mediantel:m funciones lineales (Furby, S. L. and Campbell, N. A. (2001 l. Calibraling images from differenl dates lo 'like value' digital counts. Remole Sensing of Environment,77, p186-196; Du Y. et al., 2002). La mayor dificultad de estos métodos e s determinar los usos de suelo pseudo-invariantes en los que se basa la normalización (Canty M. J. et al. 2004). En imágenes multitemporales la NRR es importante para detectar cambios en los usos de suelo, mosaicado, seguimiento! evolución de indices de vegetación con el tiempo, y clasificación supervisada o no de usos de suelo, entre otros. Los datos' referencias del terreno pseudo-invariantes (PIF acrónimo del inglés Pseudo Invariante Fealures) se han usado en rectificaciones radiométricas de imágenes mullitemporales, si bien son costosos y dificiles de obtener para la mayoria de las imágenes de satélite, y de ahi que la selección de los PIFs sea generalmente subjetiva. Realmente los usos de suelo vegetales de reflectancia absoluta constante no existen. Por consiguiente, el concepto de PIF se adopta asumiendo que su reflectancia es constante, o sea que no varia en el tiempo.

Los métodos de normalización relativa de imágenes estudiados han sido diversos. Hall (Hall F. G., D. E. Strebel, J. E. Nickeson and S. J. Goetz. (1991). Toward a common radiometric response among multidate, multisensors images. Remate sensing of Environment, 35, 11-27) Y Coppin (Coppin, P., Jonckheere, l. , Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital change detection methods in ecosystem monitoring: A review. Inlernalional Joumal of Remote Sensing, 10, 1565-1596. of Environment, 13, 207-234) desarrollaron técnicas de rectificación radiométrica para detectar cambios en uso de suelo del paisaje cuya reflectancia era aproximadamente cero en el tiempo. Du Y. et al. en 2002, referido anteriormente, desarrollaron un nuevo procedimiento de normalización radiométrica entre imágenes multitemporales de la misma zona geográfica mediante la selección estadistica de PIF utilizando técnicas de control de calidad y de análisis de componentes principales para encontrar una relación lineal entre imágenes temporales. Otros autores proponen técnicas de "detección de la alteración multivariable~ (MAD acrónimo del inglés Multivariafe Alteration Defection,), en las que el uso, elemento invariante se aproxima mediante una escala lineal (Nielsen A. A. (2002). Multiset Canonical

Correlations Analysis and MullispeClral, Truly Mulli-temporal Remote Sensing Data. IEEE Transaclions on Image Processing 11(3), 293-305; Canty M. J. et al. 2004, referido anteriormente). Por lo anterior, si se usa MAO para aplicaciones de detección de cambios de usos de suelo, el pre-procesado de imágenes mediante NRR lineal no es necesario. Una modificación iterativa de la transformación anterior (IR-MAD) establece un elemento fijo inalterado ("background of no change") sobre el que contrasta! examina los cambios significativos (Nielsen A. A. 2007. The regularized iteratively reweighed MAD meth<Xl for change detection in multi-and hyper-spectral data. IEEE Transactions on lmage Processing, 16 (2), 463-478. Internet http://www.imm.dtu.dk/pubdb!p.php?4695.; Canty J. M. and A. A. Nielsen. 2008. Automatic radiometric normalization of multitemporal satellite imagery with the iterative re-weighted MAD transformation. Remate Sensing of Environment, 1025-1036).

No obstante lo anterior, no se conocen métodos automáticos de normalización relativa de imágenes multitemporales en base a usos de suelo vegetales ·pseudo-invariantes", tales como los indicados en el ejemplo de desarrollo/validación de esta solicitud de patente, ni softwarel extensiones! "add-ons" de programas de manejo de imagen que los lleven a cabo automáticamente. Dicho nuevo método de normalización automática, mediante la aplicación de su software correspondiente, potencia en gran medida el uso de imágenes multitemporales y e hiperespectrales en muy diversos estudios de agricultura y medio ambiente.

Problemas que presenta la metodología del estado de la técnica:

1) En imágenes multilemporales de una misma escena geográfica los datos radiométricos de cualquier uso de suelo invariante o "pseudo"/casi-invariante varian con la instantaneidad de la imagen, o sea con las condiciones atmosféricas, de inclinación solar y de posicionamiento del sensor en el momento de la toma de cada imagen.

2) En estudios sobre agricultura y medioambiente tales como la caracterización y/o clasificación de sistemas de cultivos, y de evolución temporal de factores bióticos y abióticos en una determina parcela, entre otros, se requiere la toma de imágenes de una misma área o zona geográfica en diferentes fechas (imágenes multitemporales), y luego el análisis e interpretación de las mismas en su conjunto.

3) Para el estudio de cada imagen y su interpretación comparativa en el conjunto de una serie de imágenes multitemporales de una misma zona geográfica, un paso previo necesario es su calibración o normalización, para asi compensar o equilibrar el efecto de la "instantaneidad" de cada imagen antes resef'iado.

4) Los métodos de calibración absoluta de imágenes son con frecuencia dificiles de implementar al requerir el conocimiento de diversos parámetros físicos (inclinación solar, posicionamiento del sensor) y atmosféricos (aerosol, visibilidad, modelo de dispersión, entre otros), siendo algunos de estos parámetros de dificil obtención e interpretación.

ES 2 481 348 Al

5) los métodos de normalización relativa de imágenes desarrOllados hasta el presente se basan en usos de suelo pseudo-invariantes no-vegetales, los cuales se seleccionan mediante técnicas estadísticas complejas (análisis de componentes principales, detección de la alteración multivariable, entre otros), por lo que su implementación es laboriosa y lenta.

Por todo lo anterior, para potenciar en gran medida el uso de la leledelecci6n en estudios agroambientales a escala comarcal o de parcela agrícola mediante imágenes multitemporales de una misma zona geográfica es necesario disponer de una metodología de normalización relativa que potencie la calidad de discriminación y por consiguiente de seguimiento de los cultivos y/o de los factores bi6ticos/ abióticos a nivel parcela, lo que se puede llevar a cabo mediante el procedimiento objeto de la presente solicitud de patente.

Descripción de la invención

Descripción breve

El objeto de la invención es un procedimiento automático de normalización de imágenes multiespectrales de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, que comprende las siguientes etapas:

a) Toma de imágenes multiespectrales o hiperespectrales, de una misma área geográfica, desde cualquier

plataforma, en diferentes fechas o momentos (multitemporales), b) Geo-referenciaciónf co-registro de las mismas, c) Identificación en cada imagen de una o varias parcelas que contengan usos de suelo vegetativos

pseudo-invariantes (VPIF) tales como altas densidades de árboles maduros no caducifolios en el periodo de la toma de imágenes,

d) Definición de la misma parcelafs de VPIF en cada imagen multitemporal mediante el registro de las coordenadas geográficas de su contorno, y su transposición automática a las restantes imágenes de la serie,

e) Confonnación de parcelas o regiones de interés

f) Extracción de los datos de las bandas espectrales de cada parcela con la definición de diversos parámetros estadísticos, media y desviación estándar entre otros, de los valores digitales de cada banda, y su transposición a un archivo que pennita su manipulación posterior.

g) Calcular los factores de corrección (CF aCfÓnimo del inglés "correction factOr") para cada banda de la imagen,

h) Transfonnación lineal de cada banda mediante dicho factor de corrección para obtener el valor transfonnado previamente convenido, particulannente la media del valor de la banda correspondiente en el conjunto de la serie de imágenes originales, y

i) Composición de las imágenes completas transfonnadas.

El esquema de funcionamiento del procedimiento de invención se ind ica en la figu ra 1.

Constituye otro objeto de la invención un programa para la automatización de las etapas c) a la h) del procedimiento de la invención, particularmente el software Automatic Remote Images Normalization (en adelante ARIN), que genera el archivo ARI-Results en archivos txt o Excel y las imágenes transfonnadas (Tabla 1 y Fig. 1). Este procedimiento comprende las siguientes etapas:

a) apertura del software para la ejecución automática de ARIN, b) apertura de las imágenes originales a normalizar, c) carga del archivo de conformación de la parcela del uso pseudo-invariante seleccionado en una de

ellas, y trasposición a las restantes imágenes de la serie, y d) lectura del archivo de resultados, que expresa los datos espectrales originales, los CFs y los datos espectrales resultantes, y disposiciónl manejo de la imágenes nonnalizadas.

El procedimiento objeto de la presente invención pennite sentar unas bases sólidas para la nonnalización de imágenes multitemporales en base a usos de suelo pseudo-invariantes vegetativos; Puede ser usado en cualquier área geográfica que contenga vegetación y exhiba al menos un uso de suelo pseudoinvariantes, tal como un árbol o árboles no caducifolios, o praderas o césped pennanente, en el periodo de tiempo en que se han tomado las imágenes multitemporales.

En otro objeto de la invención son los datos/imágenes obtenidas por el procedimiento de la invención.

Otro objeto de la invención lo comprende el uso del procedimiento de la invención para la obtención de imágenes multitemporales normalizadas de cualquier escena agrícola o agro-ambiental para su uso posterior en estudios de estadísticas agrarias y seguimiento de sistemas de cultivo a nivel regional por administraciones o entes agricolas y/o el uso para posterior individualización de parcelas agrícolas, cualquiera que sea su extensión, e implementación de programas de agricultura de precisión mediante proceso de la imagen de las mismas, yasí

ES 2 481 348 Al

prescribir operaciones o mapas de tratamientos de cualquier input agrícola, tales como fertilización, aplicación de herbicidas, diseño de riego localizado, entre otros.

Descripción detallada

la presente invención se basa en un procedimiento automático óptimo y cuantitativo para la nonnalización de imágenes multiespectrales (bandas B (azul), G (verde), R (roja), NIR (infrarrojo cercano),) e hiperespectrales (más de 6 bandas espectrales) de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, lomadas en diferentes momentos de un día o en diferentes fechas cualquiera que sea la hora del día en que son tomadas. El procedimiento comprende las siguientes etapas:

al Toma de una serie de imágenes remotas de una misma escena geográfica, desde cualquier plataforma, satélites, aviones convencionales o aviones no tripulados (UAV), multiespectrales o hiperespectrales, con una alta resolución espacial, normalmente inferior a 10 m, en diversas épocas del año agricola, léase en diversos estados de desarrollo de un cultivo, o a diversas horas del dia en el caso de los UAV,

b) Geo-referenciación y co-registro ~imagen a imagen" de la serie de imágenes a fin de que su posicionamiento geográfico sea coincidente,

e) Análisis de las imágenes tomadas en a) y selección de parcelas con usos de uno o dos usos de suelo vegetales pseudo-invariantes (VPIFs), uniformes o aparentemente uniformes en cada una de las imágenes, y que exhiban uno elevada reflectancia ó indice "de verdor", por ejemplo de NDVI [(NIRR)/NIR+R)], en cada una de las imágenes multitemporales,

d) Conformación de parcelas VPIF mediante delimitación de regiones de interés en una imagen y luego su trasposición al resto de la serie de imágenes. e) Extracciónl determinación de los valores digitales de cada banda espectral de cada imagen en el uso de

suelo pseudo-invariante (VPIF) de referencia que comprende a su vez las siguientes etapas e.1) Apertura de datos anteriores e.2) los datos resultantes se archivan en un fichero de texto (bct) e.3) se exportan a una hoja de cálculo (fichero excel). eA) se estiman los indices vegetativos tales como el NDVI y el BfG ; y los estadisticos de la serie: media, rango y desviación estándar;

f) Cálculo de los factores de corrección (CFs) de cada banda en cada imagen de la serie, donde cada CF de la banda x de la imagen i, CFxi se define como el ratio xR ( xi, en donde xR es el valor de la imagen de referencia (RI), o valor medio de la banda G en la serie original (ORI) de imágenes multitemporales normalmente el valor, y xi es el valor de la banda R en la imagen i,

g) Cada banda de cada imagen se transformará linealmente aplicando el antes calculado CF, y h) La imagen normalizada se conforma en su conjunto mediante la composición de las bandas antes transformadas linealmente.

El esquema de funcionamiento del procedimiento de invención se indica en la figu ra 1.

En otro objeto de la invención los pasos e) al h) antes descritos se pueden llevar a cabo automáticamente mediante un software llamado ARIN, desarrollado específicamente para el proceso de normalización de la presente invención. Se ha diseñado ARIN software como un add-on/ exlensión de ENVI5.0. Este procedimiento comprende las siguientes etapas:

a) apertura del software para la ejecución automática de ARIN, b) apertura de las imágenes originales a normalizar, e) carga del archivo de conformación de la parcela del uso pseudo-invariante seleccionado en una de

ellas, y trasposición a las restantes imágenes de la serie, y d) lectura del archivo de resultados, que expresa los datos espectrales originales, los CFs y los datos espectrales resultantes, y disposición/manejo de las imágenes normalizadas.

Su esquema de actuación se indica en la Figura 2. El archivo de datos Txt o Excel que genera (ARINResults) en el que se incluyen los valores de las bandas espectrales de la serie de imágenes originales, los factores de corrección de cada banda y los valores de las bandas espectrales normalizadas se indican en la Tabla 1.

El procedimiento automático óptimo y cuantitativo para la normalización de imágenes multiespectrales e hiperespectrales de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, objeto de esta invención sirve para normalizar radiométricamente series de imágenes multitemporales de una misma escena o área geográfica, que contenga vegetación y exhiba al menos un uso de suelo pseudo-invariante, tal como un árbol o árboles no caducifolios, o praderas o césped permanente, en el periodo de tiempo en que se han tomado las imágenes multitemporales, lo que conlleva una gran ventaja para su posterior uso en estudios agronómicos de precisión a escala de parcela agricola, tales como delimitación de zonas segun contenido de nutrientes, rodales.' infestaciones de malas hierbas, estrés hidrico, enfermedades, entre otras. Asi mismo la normalización previa de imágenes mediante el procedimiento ARIN es muy util en

ES 2 481 348 Al

trabajos de clasificación a escala comarcal de sistemas de cultivos y usos de suelo en general para estadísticas agrarias y otras acciones administrativas tales como la concesión y seguimiento de subvenciones agroambientales.

En otro objeto de la invención son los datos/imágenes obtenidas por el procedimiento de la invención al mediante manejo de imágenes convencional, y b) automáticamente mediante el software ARIN.

Otro objeto de la invención lo comprende el uso de los procedimientos de la invención para la obtención de imágenes mullilemporales normalizadas de cualquier escena agrícola o agro-ambiental para su uso posterior en estudios de estadísticas agrarias y seguimiento de sistemas de cultivo a nivel regional por administraciones o entes agricolas y/o el uso para posterior individualización de parcelas agrícolas, cualquiera que sea su extensión, e implementación de programas de agricultura de precisión mediante proceso de la imagen de las mismas, yasí prescribir operaciones o mapas de tratamientos de cualquier input agricola, tales como fertilización, aplicación de herbicidas, diseño de riego localizado, entre otros.

El procedimiento de normalización de imágenes multiespectrales e hiperespectrales de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, implementado mediante el software ARIN, tiene la gran ventaja de llevarse a cabo automáticamente, minimizando el tiempo de ejecución, normalmente de varias horas, que requiere el procesado de imágenes clásico, y obviando los errores humanos que con dicho procesado de imágenes clásico y cálculos complementarios pueden ocurrir.

El procedimiento de normalización de imágenes multiespectrales e hiperespectrales de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, objeto de la presente solicitud de patente se ha mostrado comparativamente tan eficaz como los métodos de calibración absoluta ensayados FLAASH y QUAC, con la ventaja de obviar los requerimientos de estos: el FLAASH requiere complejos parámetros sobre inclinación solar y atmosféricos, con frecuencia dificiles de obtener; y el QUAC requiere la presencia de superficie brillantes y oscuras en la imagen a calibrar.

El procedimiento de normalización de imágenes mu ltiespectrales e hiperespectrales de imágenes de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes, muestra resultados satisfactorios y reproducibles mediante el software ARIN y puede aplicarse comercialmente en imágenes satelitales, de aviones convencionales y no tripulados (UAV), por las administraciones interesadas, consultorias agroambientales, y grupos de investigación.

La eficacia del procedimiento objeto de esta solicitud de patente, se ha contrastado estadísticamente: en las imágenes originales la variabilidad (rango y desviación estándar) de los valores medios de las bandas espectrales e indices de vegetación en los usos de suelo pseudo-invariantes seleccionados en las imágenes originales es muy superior al de las imágenes transfonnadaslnormalizadas, lo que se ha comprobado, y se describe en detalle en el ejemplo de realización de la invención.

Descripción de las figuras

Figura 1. Esquema del procedimiento de la invención.

Figura 2. Diagrama del ejecución del software ARIN.

Figura 3. Vista parcial de una imagen de satélite GeoEye-1 y conformación de parcelas del uso de suelo pseudoinvariante cítrico (cuadrados).

Ejemplo de la realización de la invención

Imágenes de satélite y su localización geográfica

El procedimiento de la invención se ha validado mediante un estudio llevado a cabo con seis imágenes multiespectrales y pancromáticas del satélite GeoEye-1 (GeoEye-1, 2012; Figura 3) tomadas sobre la misma área geográfica: la localidad La Ventilla (provincia de Córdoba, España), desde abril a octubre de 2010, cada escena de aproximadamente 100 km2. Las coordenadas geográficas (Universe Transverse Mercator System, Zona 30 Norte) del vértice superior izquierdo de cada escena eran X = 315206 m {y = 4186133 m. Las imágenes se tomaron el 9 de abril, 23 de Mayo, 20 de Junio, 9 de Julio, 22 de Agosto y 2 de Octubre, denominadas V1 a V6, correlativamente. La imagen pancromática tenía una resolución espacial de 0.5 m y pixel-1 la multiespectral de 2.00 m pixel-1, proporcionando valores digitales en las bandas espectrales azul (B, 450-510 nm), verde (G, 510-580 nm), rojo (R, 655-690 nm) e infra-rojo cercano (NIR, 780-920 nm). El ancho o barrido ("swath") de cada escena era de 15.2 km. El terreno era predominantemente llano, con inclinaciones medias del 2.12%. La exactitud de geo-referenciación de las imágenes GeoEye-1 se mejoró mediante puntos de control georeferenciados en el terreno (GCPs) en una imagen y co-registro de imagen a imagen en las otras, tal como se describe en in Gomez-Candón (Gómez-Candón, D., F. López-Granados, J. J. Caballero-Novella, M. Gómez

ES 2 481 348 Al

Casero, M. JuradO-Expósito, lo García-Torres. 2011. Geo-referencing remole ¡mages for precision agriculture using artificial terreslrial targets, Precision Agriculture, 001: 10.1 007/s11119-011-9228-3; 2011, 12, 6, 876-89.1).

Usos de suelo u usos de suelo vegetativos pseudo-invariantes (VPIF).

5 En las imágenes se identificaron mediante salidas de campo y observación de imágenes 21 usos diferentes de suelo. Entre otros suelos identificados están los siguientes suelos de cultivos: alfalfa, algodón, avena, arboles de ribera, bosque mediterráneo, colza, cítricos, girasol, guisantes, habas, maíz, olivos, patatas, girasol, y trigo. Además, se han identificado otros usos de suelo no-vegetativos tales como carreteras pavimentadas, caminos de tierra, edificios, embalses de agua, ríos y suelo desnudo. En este estudio se

10 definieron tres usos de suelo vegetativos pseudo-invariantes (VPIFs): plantaciones de cítricos adultas y de alta densidad (CIT), masas de árboles de ribera (POP), y agrupamientos de árboles adultos de bosque mediterráneo (MFO). En cada VPIF se conforma un área de unos 1000 -1500 m2 mediante los menús ROl-VECTOR).! SHAPE de ENVI, una subsiguiente trasposición a cada una de la imágenes y extracción de los valores digitales de las bandas espectrales B, G, R Y NIR Y cálculo posterior de los indices vegetativos NDVI y G/B.

15 Ejemplo 1.-Normalización radiométrica de una serie de imágenes multitemporales del satélite GeoEye1 mediante el procedimiento de la invención usando un solo VPIF:

Para el manejo de imágenes remotas y la aplicación del procedimiento de la invención se utilizó el

20 programa informático ENVI (Environment for Visualising Images, ENVI® 4.8 y ENVI® 5.0, Exelis-2012), como sigue: las imágenes originales (ORI) V1 a V6 se normalizaron considerando separadamente los VPIFs CIT, POP y MFO, mediante transformaciones lineales de los CFs, tal como se ha descrito anteriormente.

Se calculó la media, rango y desviación estándar de los valores digitales de cada banda espectral y de

25 los indices vegetativos de la serie de imágenes originales y transformadas. Las correcciones radiométricas resultaron más eficaces conforme menor resultó el rango y la desviación estándar de las bandas espectrales y de los índ ices NDVI y B/G de las series de imágenes.

Los valores de las bandas espectrales de la serie de imágenes GeoEye-1 originales varian 30 considerablemente entre imágenes (Tabla 1 y 2).

Tabla 1. Salida de ARIN software (outcome "Resulls_ARIN", en archivos Texl o Excel): se muestran los valores de las bandas espectrales del uso de suelo pseudo-invariante (VPIF) citricos (CIT) de las imágenes originales GeoEye1 y sus correspondientes factores de corrección lineal.

ARIN Resulls

VPIF-1

Imágenes Originales GeoEye V1 GeoEye V2 GeoEye V3 GeoEye V4 GeoEye V5 GeoEye V6 Azul (B) 413 495 361 231 316 196 Verde (G) 316 407 258 308 238 246 Rojo(R) 180 262 153 113 142 82 NIR 1131 1293 824 1030 826 808 NDVl 0,73 0,66 0,69 0,80 0,71 0,82 BIG 1,31 1,22 1,40 0,75 1,33 0,80

Valor Medio Desviación tipica

322 108 302 60 150 59 1023 208 0,73 0,06 1,13 0,28

Factores de las bandas de corrección GeoEye V1 GeoEye V2 GeoEye V3 GeoEye V4 GeoEye V5 GeoEye V6

0,78 0,65 0,892 1,389 1,018 1,642 0,954 0,741 1,167 0,98 1,265 1,225 0,834 0,573 0,979 1,322 1,052 1,825 0,905 0,791 1,242 0,993 1,239 1,265

ES 2 481 348 Al

Por ejemplo en en para la banda B los valores fueron 495 y 196 en las imágenes V2 y V6, respectivamente, y para la banda NIR para la misma serie de imágenes originales en POP los valores fueron 997 y 722 respectivamente (Tabla 2).

Tabla 2. Valores de las bandas espectrales de los usos de suelo pseudo-invariantes (VPIFs) cítricos (elT), árboles de ribera (POP) y árboles de bosque mediterráneo (MFO) en las imágenes originales (ORI) y transformadas ARIN en base a los correspondientes VPIF alternativos

Series de imágenes Estadísticos

VPIF1 Imágenes Banda V1 V2 V3 V4 V5 V6 Media Rango S.O.

GIT

ORIG B 413 495 361 231 316 196 335 299 112

G

316 407 258 308 238 246 296 169 63

R

180 262 153 113 142 82 156 180 62

NIR

1131 1293 824 1030 826 808 985 485 200

POP-transf

B 328 334 308 332 318 288 318 46 18

G

305 322 268 313 292 263 294 59 24

R

151 172 132 166 136 115 145 57 22

NIR

1123 1133 874 988 918 977 1002 259 106

MFO-transf

B 333 340 309 329 318 263 315 77 28

G

316 328 275 312 295 239 294 89 33

R

165 179 132 151 131 97 142 82 29

NIR

1111 1020 918 1049 1123 944 1028 205 84

POP

ORIG B 428 504 399 237 339 231 357 273 109

G

307 376 286 292 243 277 297 133 44

R

186 237 181 107 163 111 164 130 49

NIR

879 997 823 911 785 722 853 275 97

CIT-transf

B 348 342 371 344 359 396 360 54 21

G

287 273 327 280 301 333 300 60 25

R

161 141 184 147 178 211 170 70 26

NIR

766 760 984 871 937 881 866 224 90

MFO-transf

B 346 347 342 337 341 310 339 42 14

G

307 303 305 296 300 270 297 37 13

R

171 162 156 142 150 132 156 45 16

NIR

864 786 917 928 1068 844 887 282 96

MFO

ORIG B 408 479 385 232 328 246 329 250 99

G

297 368 278 292 240 305 297 128 38

R

169 228 181 117 169 131 155 135 45

NIR

899 1120 793 867 649 756 883 471 174

CIT-transf

B 331 325 358 335 347 421 353 96 35

G

277 267 318 281 297 366 301 99 37

R

146 135 183 160 185 248 176 113 40

NIR

784 854 948 830 775 922 852 173 71

POP-transf

B 324 324 328 333 329 362 331 43 14

ES 2 481 348 Al

G 286 290 289 297 293 326 297 40

14 R 142 150 156 171 162 184 157 47 16 NIR 893 981 841 832 722 914 878 192 89

'Abreviaturas: V.1. • índices vegetativos; VPIF; pseudo-invariantes vegetales; ORIG, imágenes originales no

transformadas; POP, árboles de ribera; CIT, plantaciones de cítricos, MFO, arboles de bosque mediterráneo; s. d.

desviación estándar.

5 En consecuencia, los valores de los índices de vegetación también variaron considerablemente entre las imágenes originales para cualquiera de los VPIF estudiados (Tabla 3). Por ejemplo, los valores NDVI para CIT variaron entre 0.66 en la imagen V2 a 0.82 en la imagen V6, y para POP el NDVI varió de 0.62 en V2 a 0.79 en V4.

10 Tabla 3. [ndices de vegetación de "pseudo-invariantes" vegetales (VPIF) en las imágenes originales y en imágenes transformadas con el procedimiento de la invención yen las calibradas mediante los módulos QUAC y FLAASH.

Series de imágenes Estadísticos

VPIF1 Imágenes V.l. V1 V2 V3 V4 V5 V6 Media Rango S.D.

elT

ORIG NDVI 0,73 0,66 0,69 0,80 0,71 0,82 0,73 0,15 0,06

BIG

1,31 1,22 1,40 0,75 1,33 0,80 1,13 0,65 0,13

POP+MFO

transf

NDVI 0,74 0,70 0,75 0,74 0,79 0,81 0,75 0,11 0,04

BIG

1,06 1,04 1,13 1,06 1,08 1,10 1,08 0,09 0,03

QUAC

NDVI 0,80 0,83 0,90 0,80 0 ,91 0,90 0 ,86 0,11 0,05

BIG

0,46 0,24 0,44 0,52 0,42 0,39 0,41 0,28 0,10

FLAASH

NDVI 0,79 0,73 0,77 0,78 0,80 0,81 0,78 0,08 0,03

BIG

0,69 0,66 0,55 0,58 0,44 0,56 0,58 0,25 0,09

POP

ORIG NDVI 0,65 0,62 0,64 0,79 0,66 0,73 0 ,68 0,17 0,07

BIG

1,39 1,34 1,40 0,81 1,40 0,83 1,20 0,58 0,29

CJT+MFO

Iransf

NDVI 0,69 0,72 0,72 0,74 0,71 0,65 0,71 0,09 0,03

BIG

1,15 1,18 1,07 1,16 1,13 1,12 1,13 0,11 0,04

QUAC

NDVI 0,73 0,81 0,85 0,80 0 ,88 0,81 0,83 0,15 0,03

BIG

0,60 0,33 0,63 0,68 0 ,58 0,64 0,61 0,49 0,16

FLAASH

NDVI 0,76 0,71 0,75 0,77 0 ,75 0,67 0,74 0,10 0,04

BIG

0,77 0,79 0,67 0,67 0,59 0,78 0,71 0,20 0,08

MFO

ORIG NDVI 0,68 0,66 0,63 0,76 0,59 0,70 0,70 0,26 0,09

BIG

1,37 1,30 1,38 0,79 1,37 0,81 1,11 0,61 0,30

CIT+POP

Iransf

NDVI 0,70 0,71 0,66 0,63 0,61 0,64 0,66 0,11 0,04

BIG

1,18 1,16 1,19 1,17 1,17 1,16 1,17 0,03 0,01

QUAC

NDVI 0,78 0,85 0,85 0,75 0 ,84 0,78 0,81 0,11 0,04

BIG

0,51 0,26 0,55 0,61 0,51 0,63 0,53 0,40 0,13

FLAASH

NDVI 0,76 0,73 0,73 0,72 0,69 0,62 0,71 0,14 0,05

BIG

0,77 0,74 0,65 0,62 0,53 0,78 0 ,68 0,25 0,10

ES 2 481 348 Al

lAbreviaturas: V.I., índices vegetativos; VPIF; pseudo-invariantes vegetales; ORIG, imágenes originales no transfonnadas; POP, árboles de ribera; CIT, plantaciones de cítricos, MFQ, arboles de bosque mediterráneo; s.

d. , desviación estándar. QUAC y FLAASH son módulos de calibración.

5 En términos generales el rango y la desviación estándar de las bandas espectrales e índices de crecimiento en la series de imágenes transformadas mediante el procedimiento de la invención se redujeron considerablemente en comparación con las imágenes originales (Tabla 2 y 3). Por lo anterior, se puede afirmar que el proceso de normalización fue eficiente para cualquiera de los VPIFs estudiados solos o usados consecutivamente. Debe de indicarse que para transformaciones de imágenes simples, esto es usando un solo

10 VPIF, los valores de las bandas espectrales y de los índices de vegetación tomados como referencia, obtienen exactamente los mismos valores en cualquier imagen transformada (Tabla 4), siendo el rango y la desviación estándar despreciables. Por ejemplo, usando el CIT como referente pseudo-invariante el valor correspondiente de la banda B, NDVI and BIG del CIT después de la transformación son 335, 0.73 and 1.14, respectivamente, para cualquier imagen de la serie.

15 Tabla 4. Valores de bandas espectrales e índices de usos de suelo vegetales pseudo-invariantes (VPIFs) después de la normalización radiométrica usando el mismo VPIF.

Series de imágenes Estadísticos

VPIF1 Imágenes Banda V1 V2 V3 V4 V5 V6 Media Rango S.o.

e ll

TransfClT B 336 336 336 335 335 335 335 1,00 0,42

G

295 295 295 296 295 295 295 0,00 0,41

R

156 156 155 155 155 155 155 0,00 0,52

NIR

986 985 986 986 985 985 986 0,00 0,55

NDVI

0,73 0,73 0,73 0,73 0,73 0,73 0,73 0,00 0,00

BIG

1,14 1,14 1,14 1,13 1,14 1,14 1,14 0,00 0,00

POP

TransfPOP B 356 356 356 356 357 356 356 0,00 0,41

G

297 297 297 297 297 296 297 0,00 0,41

R

164 164 164 164 164 164 164 0,00 0,00

NIR

853 853 853 854 853 852 853 0,00 0,63

NDVI

0,68 0,68 0,68 0,68 0,68 0,68 0,68 0,00 0,00

BIG

1,20 1,20 1,20 1,20 1,20 1,20 1,20 0,00 0,00

MFO

TransfMFO B 330 330 330 330 330 330 330 0,00 0,00

G

297 297 296 296 297 297 297 0,00 0,52

R

155 156 156 156 155 155 156 0,00 0,55

NIR

864 884 883 883 883 883 883 0,00 0,52

NDVI

0,70 0,70 0,70 0,70 0,70 0,70 0,70 0,00 0,00

BIG

1,11 1,11 1,11 1,11 1,11 1,11 1,11 0,00 0,00

lAbreviaturas: V.I., indices vegetativos; VPIF; pseudo-invariantes vegetales; ORIG, imágenes originales no transformadas; POP, árboles de ribera; CIT, plantaciones de cítricos, MFO, arboles de bosque mediterráneo; s_d

20 desviación estándar.

La selección de un solo VPIFs, entre los tres usados, cualquiera que sea, en el proceso de normalización afecta solo ligeramente los resultados del proceso de nonnalizaciÓn. Por ejemplo, para el CIT el rango, desviación estándar de la banda By NIR en la serie de imágenes transformadas POP fueron 46 y 18, Y

25 256 Y 106, respectivamente, en comparación a 299 y 112, Y 485 Y 200, en las imágenes originales, respectivamente (Tabla 2). De forma similar, en las imágenes transformadas VPIF MFO el rango y la desviación estándar para la banda CIT R fueron 82 y 29 en comparación a 180 and 62 en las imágenes originales, respectivamente (Tabla 2).

ES 2 481 348 Al

Los CFs de los VPIFs variaron considerablemente entre bandas espectrales, cualquiera que fuera la imagen considerada (Tabla 1), y entre imágenes considerando cualquier banda espectral. Además, los coeficientes de correlación entre los CFs de cualquier banda en los VPIFs considerados, yen el conjunto de las bandas fueron superiores a 0.83 y significativos a P20.95. Lo que explica que el proceso de normalización resultó eficaz cualquiera que fuera el VPIF vegetal seleccionado.

Ejemplo 2.-Normalización radiométrica de una serie de imagenes multitemporales del satélite GeoEye1 mediante el procedimiento usando dos VPIFs consecutivamente.

Para el manejo de imágenes remolas y la aplicación del procedimiento de la invención se utilizó el programa informático ENVI (Environment for Visualising Images, ENVI® 4.8 y ENVI® 5.0, Exelis-2012), como sigue: para cada VPIFs seleccionado la normalización se aplicó mediante el procedimiento usando dos VPIFs consecutivamente, segun se indica en el ejemplo de desarrollo de la esta patente, tratando así de equ ilibrar la ligera variación fenotípica estacional que pueda ocurrir en cada VPIF.

Se calculó la media, rango y desviación estándar de los valores digitales de cada banda espectral y de los índices vegetativos de la serie de imágenes originales y transformadas. las correcciones radiométricas resultaron más eficaces conforme menor resultó el rango y la desviación estándar de las bandas espectrales y de los índices NDVI y B/G de las series de imágenes.

Este procedimiento también resultó efectivo en la normalización de imágenes multitemporales. Por ejemplo, para CIT una vez normalizados con los pseudo-invariantes POP+MFO el rango y desviación estándar NDVI de la serie de imágenes fue 0.11 y 0.04, respectivamente, en comparación a 0.15 y 0.06 en las imágenes originales (Tabla 3). De forma similar, para la VPIF MFO la implementación de ARIN CIT +POP consecutivamente resultó en valores de rango y desviación estándar de NDVI y B/G varió de 0.11 a 0.04, en comparación a 0.26 y

0.09 en las imágenes originales. No obstante, la eficacia de implementar ARIN usando solo un VPIF es similar a la implementación de ARIN usando dos VPIFs consecutivamente (Tabla 2 y 3).

Ejemplo 3.-Normalización radiométrica de una serie de imágenes multitemporales del satélite GeoEye1 . Comparación del procedimiento ARIN con correcciones absolutas mediante los software QUAC y FLAASH.

Para el manejo de imágenes remotas y la aplicación del procedimiento de la invención se utilizó el programa informático ENVI (Environment for Visualising Images, ENVI® 4.8 y ENVI® 5.0, Exelis-2012), como sigue: A efectos comparativos con la normalización mediante ARIN antes descrita, las imágenes originales V1 a V6 se transformaron mediante los software QUAC® and FlAASH®. QUAC software requiere imágenes con píxeles oscuros y brillantes para implementar sus correcciones (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pear1 East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FlAASH Users Guide, ascension April 2012). FLAASH se implemento incorporando las valores especificos del sensor GeoEye-1, así como los datos atmosféricos del día y del área geográfica en donde se tomó la imagen; aerosol rural, elevación media del terreno 150 m, parámetro de la columna de agua ("water column retrieval parameter") 2.92, y el parámetro de visibilidad de la escena 100 km para todas las escena excepto para la V6 que fue de 140 km. Así los valores de la banda azul en cada imagen resultaron positivos, tal como se recomienda.

Se calculó la media, rango y desviación estándar de los valores digitales de cada banda espectral y de los indices vegetativos de la serie de imágenes originales y transformadas. Las correcciones radiométricas resultaron más eficaces conforme menor resultó el rango y la desviación estándar de las bandas espectrales y de los índices NDVI y B/G de las series de imágenes.

En términos generales, en la serie de imágenes multitemporales GeoEye-1 el método ARIN mostró tener una eficacia similar que el método FlAASH, y ligeramente más eficaz que el método QUAC, con ligeras variaciones segun los VPIFs considerados. Por ejemplo, si se considera el VPIF CIT, la desviación estándar del índice NDVI de la serie de imágenes o riginales, y transformadas POP+MFO, QUAC y FlAASH fueron 0.06, 0.04, 0.05 Y 0.03, respectivamente (Tabla 3). Considerando el VPIF POP y el mismo parámetro estadístico los resultados fueron algo mejores para la transformación ARIN CIT +MFO (0.03) y QUAC (0.03), y muy próximos a los obtenidos mediante FlAASH (0.04), en comparación a los de las imágenes originales (s. d. 0.07; Tabla 3).

ES 2 481 348 Al

Claims (5)

1. REIVINDICACIONES

   1.-Procedimiento automático para la nonnalización radiomélrica de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes caracterizado porque comprende las siguientes etapas:

   al toma de una o varias imágenes remotas multiespectrales correspondientes a bandas que se seleccionan del espectro visible azul: B, verde: G, rojo: R; e infrarrojo cercano NIR) o hiperespectrales (más de 6 bandas), con alta resolución espacial (:5 10 metros), desde plataformas, tales como satélites, aviones convencionales y aviones no tripulados (UAV), y en diferentes fechas del año, léase estados de desarrollo de un cultivo, o en diferentes momentos de un día,

   b) digitalización o geo-referenciación de una imagen, mediante GPS diferencial en los casos que sea necesario para asignar las coordenadas geográficas, en el caso de imágenes aéreas no georeferenciadas, y co-registro "imagen a imagen" del resto de las imágenes de la serie a fin de que su posicionamiento geográfico sea coincidente, c) análisis de las imágenes tomadas en a) y selección de parcelas con usos de uno o dos usos de suelo vegetales pseudo-invariantes (VPIFs), uniformes o aparentemente uniformes en cada una de las imágenes, y que exhiban una elevada reflectancia ó indice "de verdor", en cada una de las imágenes multitemporales, d) conformación de parcelas VPIF mediante delimitación de regiones de interés en una imagen y su trasposición al resto de la serie de imágenes, e) extracción/determinación de los valores digitales de cada banda espectral de cada imagen en el uso de suelo pseudo-invariante (VPIF) de referencia que comprende a su vez las siguientes etapas:

   e.1) apertura de datos anteriores, e.2) archivo de los datos resu ltantes en un fichero de texto e.3) exportación a una hoja de cálcu lo e.4) estimación de los indices vegetativos tales como el NDVI y el B/G; y los estadisticos de la

   serie: media, rango y desviación estándar.

   f) cálculo de los factores de corrección (CFs) de cada banda en cada imagen de la serie, donde cada CF de la banda x de la imagen i, CFxi, se define como el ratio xR I xi, en donde xR es el valor de la imagen de referencia (RI), o valor medio de la banda G en la serie original (ORI) de imágenes multitemporales normalmente el valor, y xi es el valor de la banda R en la imagen i.

   g) transformación lineal de cada banda de cada imagen aplicando el antes calculado CF, h) conformación de la imagen normalizada en su conjunto mediante la composición de las bandas antes transformadas linealmente.
2. 2.-Procedimiento para la normalización radiométrica automática de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes segun la reivindicación 1, caracterizado porque las etapas e) a h) del procedimiento se ejecutan mediante un programa de ordenador.

3. 3.

   Procedimiento para la normalización radiométrica automática de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes segun una cualquiera de las reivindicaciones 1 y 2, caracterizado porque las escenas agroambientales multitemporales a normalizar se toman en cualquier área geográfica que contenga vegetación y exhiba al menos un uso de suelo pseudo-invariante, tal como un árbol o árboles no caducifolios, o praderas o césped permanente, en el periodo de tiempo en que se han tomado las imágenes multitemporales.

4. 4.

   Utilización de un procedimiento para la normalización radiométrica automática de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes segun las reivindicaciones 1 a la 3 para la obtención de imágenes multitemporales normalizadas de cualquier escena agrícola o agro-ambiental y su uso posterior en estudios de estadisticas agrarias y seguimiento de sistemas de cultivo.

5. 5.

   Utilización de un procedimiento para la normalización radiométrica automática de series de imágenes remotas multitemporales de una misma área o escena geográfica, en base a usos de suelo vegetales pseudo-invariantes segun las reivindicaciones 1 a la 3 para posterior individualización de parcelas agricolas, cualquiera que sea su extensión, e implementación de programas de agricultura de precisión mediante proceso de la imagen de las mismas y la prescripción de tratamientos agricolas.