WO2014102416A1 - Method for automatic standardization of multitemporal remote images on the basis of vegetative pseudo-invariant soil uses - Google Patents

Method for automatic standardization of multitemporal remote images on the basis of vegetative pseudo-invariant soil uses Download PDF

Info

Publication number
WO2014102416A1
WO2014102416A1 PCT/ES2013/070873 ES2013070873W WO2014102416A1 WO 2014102416 A1 WO2014102416 A1 WO 2014102416A1 ES 2013070873 W ES2013070873 W ES 2013070873W WO 2014102416 A1 WO2014102416 A1 WO 2014102416A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
image
series
pseudo
invariant
Prior art date
Application number
PCT/ES2013/070873
Other languages
Spanish (es)
French (fr)
Inventor
Luis GARCÍA TORRES
Juan José CABALLERO NOVELLA
David GÓMEZ CANDÓN
José Manuel PEÑA BARRAGÁN
Francisca LÓPEZ GRANADOS
Original Assignee
Consejo Superior De Investigaciones Científicas (Csic)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Consejo Superior De Investigaciones Científicas (Csic) filed Critical Consejo Superior De Investigaciones Científicas (Csic)
Publication of WO2014102416A1 publication Critical patent/WO2014102416A1/en

Links

Classifications

    • G06T5/92—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Definitions

  • the application sector of the present invention is agriculture and the environment, more specifically for agricultural or environmental technical assistance companies, or public or private agri-environmental audits that use remote sensing as a technological tool. These companies can thus monitor the evolution of crop systems in agricultural and forestry regions using satellite images or conventional aircraft taken at different dates or times ("multitemporal"), in order to obtain agricultural and environmental statistics, as well as images of agricultural holdings, of normally smaller surfaces, taken at different dates or at different times of the day, usually by means of unmanned airplanes (UAV acronym for "unmanned aerial vehicles”).
  • UAV unmanned airplanes
  • the object of the present invention is a procedure for the relative radiometric normalization of multispectral and hyperspectral remote images by linear transformations of each band of each image based on correction factors. These are estimated in pseudo-invariant plant soil uses present in each of the images, causing each band to be transformed into the average value it shows in the series of images. The original instantaneity of each image, or unequal radiometric value of the spectral bands of pseudo-invariant soil uses of each image is equalized, and the image as a whole is normalized, showing other uses of pseudo-invariant soil radiometric values and indexes Vegetatives much more uniform in the series of images. This normalization of remote images allows a better interpretation of them in Agriculture and Environment. State of the art
  • radiometric data of any land use captured by the sensor may vary due to: 1) changes in sensor calibration; 2) differences in the angles of solar lighting and observation; 3) variation of atmospheric conditions; and 4) changes in reflectance (Du Y., PM Detaillet and J.
  • Cihlar. 2002 Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82, 123- 134) .
  • the radiometric corrections of the images have the objective of canceling or compensating the variations due to the factors listed above (1 to 4) except that which can be attributed to the actual changes that have occurred in the field whose physical reflectance is of interest to determine (absolute correction ") or normalize the readings / digital data obtained under different conditions on a common scale (relative corrections /" relat ⁇ ve corrections ").
  • Absolute radiometric calibration Absolute radiometric corrections convert the digital readings of the image to radiance on the Earth's surface, so they require sensor calibration coefficients, atmospheric correction algorithms, data on the geographical position of the sensor, among other information (Du Y. et al. 2002, referred to above).
  • CRA Absolute radiometric calibration
  • QUAC is a method of direct and fast conversion ("on-the-fly method"), in real time, that uses the information contained in the scene using the spectral data of certain pixels.
  • FLAASH is a correction method based on the MODTRAN4 atmospheric model, in which the operator has to enter in the software various physical and atmospheric parameters on atmospheric absorption (aerosol, visibility, dispersion model) and the relative position of the sensor, between others.
  • NRR Relative radiometric normalization
  • NRR is important for detecting changes in land use, mosaic, monitoring / evolution of vegetation indices over time, and supervised classification or not of land uses, among others.
  • Pseudo-invariant terrain data / references (PIF acronym for Pseudo Invariant Features) have been used in radiometric rectifications of multitemporal images, although they are expensive and difficult to obtain for most satellite images, and hence the selection of PIFs is generally subjective. Really the uses of vegetable soil of constant absolute reflectance do not exist. Therefore, the concept of PIF is adopted assuming that its reflectance is constant, that is, it does not vary over time.
  • a necessary preliminary step is its calibration or normalization, in order to compensate or balance the effect of the "instantaneousness" of Each image before reviewed.
  • Absolute image calibration methods are often difficult to implement by requiring knowledge of various physical parameters (solar inclination, sensor positioning) and atmospheric (aerosol, visibility, dispersion model, among others), some of these parameters being difficult to obtain and interpret.
  • the object of the invention is an automatic procedure for the normalization of multispectral images of images of the same area or geographical scene, based on pseudo-invariant plant land uses, which comprises the following steps: a) Multispectral or hyperspectral image taking, from the same geographical area, from any platform, at different dates or times (multi-time),
  • Another object of the invention is a program for the automation of steps c) to h) of the process of the invention, particularly the Automatic Remote Images Normalization software (hereinafter ARIN), which generates the ARI-Results file in txt files or Excel and the transformed images (Table 1 and Fig. 1).
  • ARIN Automatic Remote Images Normalization software
  • This procedure includes the following steps: a) opening the software for the automatic execution of ARIN,
  • the process object of the present invention allows to lay a solid basis for the normalization of multitemporal images based on vegetative pseudo-invariant soil uses; It can be used in any geographic area that contains vegetation and exhibits at least one use of pseudo-invariant soil, such as a tree or trees that are not deciduous, or grasslands or permanent grass, in the period of time when multitemporal images have been taken. .
  • Another object of the invention is the use of the method of the invention for obtaining standard multitemporal images of any agricultural or agro-environmental scene for later use in studies of agricultural statistics and monitoring of crop systems at the regional level by administrations or agricultural entities and / or the use for subsequent individualization of agricultural plots, whatever their extension, and implementation of precision agriculture programs through their image process, and thus prescribe operations or treatment maps of any agricultural input, such as fertilization, herbicide application, localized irrigation design, among others.
  • the present invention is based on an optimal and quantitative automatic procedure for the normalization of multispectral images (bands B (blue), G (green), R (red), NIR (near infrared),) and hyperspectral images (more than 6 spectral bands ) of images of the same area or geographical scene, based on pseudo-invariant plant land uses, taken at different times of a day or on different dates whatever the time of day they are taken.
  • the procedure comprises the following stages: Taking a series of remote images of the same geographical scene, from any platform, satellites, conventional or unmanned aircraft (UAV), multispectral or hyperspectral, with a high spatial resolution, usually less than 10 m, at different times of the year agricultural, read in various stages of development of a crop, or at different times of the day in the case of UAVs,
  • UAV unmanned aircraft
  • vegetative indices such as NDVI and B / G are estimated; and the statistics of the series: mean, range and standard deviation;
  • steps c) to h) described above can be carried out automatically by means of software called ARIN, developed specifically for the normalization process of the present invention.
  • ARIN software has been designed as an add-on / extension of ENVI5.0. This procedure includes the following stages: opening of the software for the automatic execution of ARIN, opening of the original images to be normalized,
  • object of this invention serves to radiometrically normalize series of multitemporal images of the same scene or geographical area, which contains vegetation and exhibits at least one use of pseudo-invariant soil, such as a tree or trees that are not deciduous, or grasslands or permanent grass, in the period of time in which the images have been taken multitemporal, which entails a great advantage for its subsequent use in precision agronomic studies on an agricultural plot scale, such as delimitation of areas according to nutrient content, stands / weed infestations, water stress, diseases, among others.
  • the previous normalization of images by means of the ARIN procedure is very useful in works of classification at regional level of crop systems and land uses in general for agricultural statistics and other administrative actions such as the granting and monitoring of agri-environmental subsidies.
  • Another object of the invention is the use of the methods of the invention for obtaining standard multitemporal images of any agricultural or agro-environmental scene for later use in studies of agricultural statistics and monitoring of crop systems at the regional level by administrations. or agricultural entities and / or the use for subsequent individualization of agricultural plots, whatever their extension, and implementation of precision agriculture programs through their image process, and thus prescribe operations or treatment maps of any agricultural input , such as fertilization, herbicide application, localized irrigation design, among others.
  • Figure 2. ARIN software execution diagram.
  • Figure 3. Partial view of a GeoEye-1 satellite image
  • the method of the invention has been validated by a study carried out with six multispectral and panchromatic images of the GeoEye-1 satellite (GeoEye-1, 2012; Figure 3) taken over the same geographical area: the La Ventilla locality
  • the images were taken on April 9, May 23, June 20, July 9, August 22 and October 2, called VI through V6, correlatively.
  • the panchromatic image had a spatial resolution of 0.5 m and pixel-1 the multispectral of 2.00 m pixel-1, providing digital values in the spectral bands blue (B, 450-510 nm), green (G, 510-580 nm), red (R, 655-690 nm) and near infra red (NIR, 780-920 nm).
  • the width or sweep ("swath") of each scene was 15.2 km.
  • GeoEye-1 images were improved by geo-referenced control points in the field (GCPs) in one image and co-registration of image to image in the others, as described in Gomez- Candón (Gómez-Candón, D., F. López-Granados, JJ Caballero- Novella, M. Gómez-Casero, M. Jurado-Expósito, L. Garc ⁇ a- Torres. 2011. Geo-referencing remote images for precision agriculture using artificial terrestrial targets, Precisión Agriculture, DOI: 10.1007 / sllll9-011-9228-3; 2011, 12, 6, 876-89.1).
  • each VPIF an area of about 1000 - 1500 m 2 is formed by the ENVI ROIVECTOR) / SHAPE menus, a subsequent transposition to each of the images and extraction of the digital values of the spectral bands B, G, R and NIR and subsequent calculation of the NDVI and G / B vegetative indices.
  • Example 1 Radiometric normalization of a series of muteitemporal images of the GeoEyel satellite by the method of the invention using a single VPIF:
  • the computer program ENVI Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, Exelis-2012 was used, as follows: the original images (ORI) VI a V6 were normalized considering separately the CIT, POP and MFO VPIFs, using linear transformations of the CFs, as described above.
  • the mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated.
  • the radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted.
  • the values of the spectral bands of the original GeoEye-1 series of images vary considerably between images (Table 1 and 2).
  • V.I. vegetative indexes
  • VPIF pseudo-invariant vegetables
  • ORIG original images not transformed
  • POP riverside trees
  • CIT citrus plantations
  • MFO Mediterranean forest trees
  • s. d. standard deviation.
  • the values of the vegetation indices also varied considerably between the original images for any of the VPIF studied (Table 3).
  • the NDVI values for CIT varied between 0.66 in image V2 to 0.82 in image V6, and for POP the NDVI varied from 0.62 in V2 to 0.79 in V4.
  • V.I. vegetative indexes
  • VPIF pseudo-invariant vegetables
  • ORIG original images not transformed
  • POP riverside trees
  • CIT citrus plantations
  • MFO Mediterranean forest trees
  • s. d. standard deviation.
  • QUAC and FLAASH are calibration modules.
  • B / G 1.11 1.11 1.11 1.11 1.11 1.11 0.00 0.00
  • VI vegetative indexes
  • VPIF pseudo-invariant vegetables
  • ORIG original images not transformed
  • POP riverside trees
  • CIT citrus plantations
  • MFO Mediterranean forest trees
  • SD standard deviation.
  • the CFs of the VPIFs varied considerably between spectral bands, whatever the image considered (Table 1), and between images considering any spectral band.
  • the correlation coefficients between the CFs of any band in the VPIFs considered, and in the band as a whole, were greater than 0.83 and significant at P ⁇ 0.95. Which explains that the normalization process was effective whatever the selected plant VPIF was.
  • Example 2. Radiometric normalization of a series of muteitemporal images of the GeoEyel satellite by the procedure using two VPIFs consecutively.
  • ENVI Environment for Visualizing Images
  • ENVI® 4.8 and ENVI® 5.0, Exelis-2012 computer program was used, as follows: for each VPIFs selected the normalization was applied by the method using two VPIFs consecutively, as indicated in the example of development of this patent, thus trying to balance the slight seasonal phenotypic variation that may occur in each VPIF.
  • the mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated.
  • the radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted.
  • Example 3 Radiometric normalization of a series of multitemporal images of the GeoEyel satellite. Comparison of the ARIN procedure with absolute corrections using the QUAC and FLAASH software.
  • the ENVI software (Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, Exelis-2012) was used for remote image management and the application of the method of the invention, as follows: For comparative purposes with ARIN standardization described above, the original images VI to V6 were transformed using the QUAC® and FLAASH® software. QUAC software requires dark and bright pixel images to implement its corrections (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension April 2012).
  • FLAASH was implemented incorporating the specific values of the GeoEye-1 sensor, as well as the atmospheric data of the day and of the geographical area where the image was taken; rural spray, average terrain elevation 150 m, water column parameter (2.92), and the visibility parameter of the scene 100 km for all scenes except for the V6 which was 140 km. Thus the values of the blue band in each image were positive, as recommended.
  • the mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated.
  • the radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted.
  • the ARIN method was shown to have similar efficacy as the FLAASH method, and slightly more effective than the QUAC method, with slight variations according to the VPIFs considered.
  • the VPIF CIT is considered
  • the standard deviation of the NDVI index of the original image series, and transformed POP + MFO, QUAC and FLAASH were 0.06, 0.04, 0.05 and 0.03, respectively (Table 3).
  • the results were somewhat better for the ARIN CIT + MFO (0.03) and QUAC (0.03) transformation, and very close to those obtained by FLAASH (0.04), compared to those of the original images (sd 0.07; Table 3).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Automatic method for the radiometric standardization of series of multitemporal remote images of one and the same geographical scene or area, on the basis of vegetative pseudo-invariant soil uses, which comprises: a) the capture of multispectral remote images corresponding to bands selected in the visible or hyperspectral spectrum, b) the digitization or georeferencing of an image, c) analysis of the images captured in a) and selection of parcels using one or two vegetative soil uses, d) the formation of parcels by means of the definition of regions of interest in an image and the transposition thereof to the rest of the image series, e) extraction/determination of the digital values of each spectral band of each image in the reference pseudo-invariant soil use, f) calculation of the correction factors of each band in each image in the series, g) linear conversion of each band of each image using the previously calculated CF, h) formation of the standardized image in its entirety by means of the composition of the bands previously converted linearly.

Description

DESCRIPCION  DESCRIPTION
PROCEDIMIENTO PARA LA NORMALIZACION AUTOMATICA DE IMAGENES REMOTAS MULTITEMPORALES EN BASE A USOS DE SUELO PSEUDO-INVARIANTES VEGETALES PROCEDURE FOR AUTOMATIC STANDARDIZATION OF MULTITEMPORARY REMOTE PICTURES BASED ON USES OF PSEUDO-VEGETABLE INVESTORS
Sector y objeto de la invención Sector and object of the invention
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 teledetección como herramienta tecnológica. Esta empresas pueden realizar asi 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 ( "multitemporales" ) , a fin de obtener estadísticas agrarias y de índole ambiental, así como imágenes de explotaciones agrarias, de superficies normalmente más reducidas, tomadas así mismo en diferentes fechas o a diferentes horas del día, normalmente mediante aviones no tripulados (UAV acrónimo del inglés "unmanned aerial vehicles") . The application sector of the present invention is agriculture and the environment, more specifically for agricultural or environmental technical assistance companies, or public or private agri-environmental audits that use remote sensing as a technological tool. These companies can thus monitor the evolution of crop systems in agricultural and forestry regions using satellite images or conventional aircraft taken at different dates or times ("multitemporal"), in order to obtain agricultural and environmental statistics, as well as images of agricultural holdings, of normally smaller surfaces, taken at different dates or at different times of the day, usually by means of unmanned airplanes (UAV acronym for "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 técnica The object of the present invention is a procedure for the relative radiometric normalization of multispectral and hyperspectral remote images by linear transformations of each band of each image based on correction factors. These are estimated in pseudo-invariant plant soil uses present in each of the images, causing each band to be transformed into the average value it shows in the series of images. The original instantaneity of each image, or unequal radiometric value of the spectral bands of pseudo-invariant soil uses of each image is equalized, and the image as a whole is normalized, showing other uses of pseudo-invariant soil radiometric values and indexes Vegetatives much more uniform in the series of images. This normalization of remote images allows a better interpretation of them in Agriculture and Environment. State of the art
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 varía muy considerablemente. Cultivos densos y sanos se caracterizan por una elevada absorción de energía/ radiación roja y una alta reflectancia de la radiación infrarroja. Con frecuencia se combinan las lecturas radiométricas de las bandas espectrales conformando los índices vegetativos para así resaltar las variaciones de los usos de suelo. Hay un gran número 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 número 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, orografía, etc. (Jackson, R. D. and Huete, A. R. 1991. Interpreting vegetation indexes. Prev. Vet. 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 NDVI, debido a una alta reflectividad en la banda del infrarrojo cercano y una alta absorción de energía en la banda roja. In remote sensing it is essential to know the spectral behavior or signature of each of the surfaces or land uses at different wavelengths. The energy reflected by the vegetation and bare soil in the red and infrared wavelengths varies very considerably. Dense and healthy cultures are characterized by a high absorption of red energy / radiation and a high reflectance of infrared radiation. The radiometric readings of the spectral bands are often combined, forming the vegetative indexes in order to highlight the variations in land use. There are a large number of vegetative indices, as many as mathematical operations are deemed appropriate to define. Its advantages are: 1) increase the relative differences between the digital values that characterize each land use, 2) reduce the number of data obtained to a single characteristic value, 3) obtain dimensionless values, which allows its spatial and temporal comparison and , 4) sometimes, eliminate unwanted effects of lighting, orography, etc. (Jackson, R. D. and Huete, A. R. 1991. Interpreting vegetation indexes. Prev. Vet. Med. 11: 185-200). One of the best known is the NDVI, an acronym for "Normalised Difference Vegetation Index"). A high photosynthetic activity, that is to say healthy and vigorous vegetation, implies a high NDVI value, due to a high reflectivity in the near infrared band and a high energy absorption in the red band.
Los trabajos sobre clasificación de los usos del suelo mediante imágenes de satélite de resolución espacial media/ baja o fotografías 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 anomalías en el desarrollo de los cultivos de regadío en Aragón (López-Lozano R. and Casterad M.A. 2003. Una aplicación SIG para seguimiento en parcela mediante NDVI 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 NDVI in a case study for barley. Int. J. of Remote Sensing, 22: 3357-3362; y Calera A., González-Piqueras J. and Meliá J. 2002. Remote 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 L. M. Bruce. 2004. Detection of pitted morning glory {Ipomoea lacunosa) with hyperspectral remote sensing. II Effects of vegetation ground cover and reflectance properties . Weed Sci. 52:230-235; Thorp K. R. & L. F. Tian. (2004) . A review of remote sensing of weeds in agriculture. Precisión Agrie, 5, 477- 508; y Girma, K. , J. Mosali, W.R. Raun, K. W. Freeman, K. L. Martín, J. B. Solie and M. L. Stone. 2005. Identification 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 imágenes remotas de alta resolución espacial (Peña Barragán J.M., F. López-Granados , M. Jurado-Expósito and L. García-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 especies de malezas en determinados momentos del ciclo fenológico (Peña Barragán. Peña- Barragán, F. López-Granados, M. Jurado-Expósito and L. García- Torres. 2006. "Spectral discrimination of Ridolfia segetum and sunflower as affected by phenological stage. Weed Research, 46: 10- 21) . The work on land use classification by means of satellite images of medium / low spatial resolution or aerial photographs using vegetation indexes can be considered as classics in remote sensing and have been carried out in very diverse areas: coastal, natural parks, masses forestry, agricultural areas, among many others. Work has also been carried out to systematically detect anomalies in the development of irrigated crops in Aragon (López-Lozano R. and Casterad MA 2003. A GIS application for plot monitoring through NDVI of irregularities in the development of culture. Proceedings of the X National Congress of Remote Sensing, Cáceres, pp 9-12), and monitor the growth of crops with biophysical data such as plant height, leaf area (acronym LAI for English Leaf Area Index) and biomass (Calera A., Martínez C. and Meliá J. 2001. A procedure for obtaining green plant cover: relation to NDVI in a case study for barley, Int. J. of Remote Sensing, 22: 3357-3362; and Calera A., González-Piqueras J. and Meliá J. 2002. Remote sensing monitoring crop growth. Proceedings of Recent Advances in Quantitative Semote Sensing, Valencia, pp 522-529). There are also very significant advances in remote sensing of weeds in crops with multispectral sensors (Koger, HK, DR Shaw, KN Reddy and LM Bruce. 2004. Detection of pitted morning glory {Ipomoea lacunosa) with hyperspectral remote sensing. II Effects of vegetation ground cover and reflectance properties. Weed Sci. 52: 230-235; Thorp KR & LF Tian. (2004). A review of remote sensing of weeds in agriculture. Precision Agrie, 5, 477-508; and Girma, K., J. Mosali, WR Raun, KW Freeman, KL Martín, JB Solie and ML Stone. 2005. Identification of optical spectral signature for detecting cheat and ryegrass in winter wheat. Crop Sci. 45: 477-485) and a methodology has even been developed to map late weeds infestations in crops using remote images of high spatial resolution (Peña Barragán JM, F. López-Granados, M. Jurado-Expósito and L García-Torres, 2007. Mapping Ridolfia segetum patches in sunflower crop using remote sensing, Weed Research, 47: 164-172). To carry out this work it is necessary that there are differences in the spectral signatures between the crop and the weed species at certain moments of the phenological cycle (Peña Barragán. Peña- Barragán, F. López-Granados, M. Jurado-Expósito and L García-Torres. 2006. "Spectral discrimination of Ridolfia segetum and sunflower as affected by phenological stage. Weed Research, 46: 10-21).
Programas informáticos de manejo de imágenes Computer image management programs
Se comercializan programas informáticos {"software") para el procesamiento e interpretación de las imágenes, entre otros ERDAS®, MAP-INFO® y ENVI®. Éste último es un potente sistema de proceso de imágenes remotas ampliamente usado en muy diversos países del mundo y en muy diversas disciplinas científicas (EXELIS, 2012; http://www.exelisvis.com/). Entre las ventajas de ENVI 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. Software programs ("software") are marketed for the processing and interpretation of images, among others ERDAS®, MAP-INFO® and ENVI®. The latter is a powerful remote image processing system widely used in many different countries of the world and in many different scientific disciplines (EXELIS, 2012; http://www.exelisvis.com/). Among the advantages of ENVI, it is worth highlighting that it combines, through interactive functions, the data files of the electromagnetic spectrum bands captured by the sensor or sensors. In each file, the data of each band is archived independently and they are accessed individually or simultaneously through functions. IDL (acronym for Interactive Data Language, IDL®) is the computer programming language of ENVI. IDL is powerful, systematized and allows an integrated imaging process. The flexibility of ENVI is largely due to the versatility of IDL.
Calibración y normalización de imágenes multitemporales Calibration and normalization of multitemporal images
En teledetección las imágenes son instantáneas, por lo que sus valores radiométricos varían según los factores atmosféricos (temperatura, humedad, aerosoles), de inclinación o ángulo solar, y de observación o lugar en que se han tomadoT 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 Remote Sensing and Modelling for Estimating Eco- physiological Processes in Plant Production, Plant Prod. Sci., 6, 1, 3- 16, 2003) . Así 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 quality control for land cover change detection. Remote Sensing of Environment, 82, 123- 134). Así 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 física interesa determinar (correcciones absolutas/ "absolute correction" ) o bien normalizar las lecturas/ datos digitales obtenidos en diferentes condiciones a una escala común (correcciones relativas/ "relatíve corrections" ) . In remote sensing the images are instantaneous, so their radiometric values vary according to atmospheric factors (temperature, humidity, aerosols), inclination or solar angle, and observation or place where T have been taken and the moment they are taken . In addition, the soil, vegetation and vegetation-atmosphere system change or evolve dynamically, at every moment (Inoue Y. 2003. Synergy of Remote Sensing and Modeling for Estimating Eco-physiological Processes in Plant Production, Plant Prod. Sci., 6, 1, 3-16, 2003). Thus, radiometric data of any land use captured by the sensor may vary due to: 1) changes in sensor calibration; 2) differences in the angles of solar lighting and observation; 3) variation of atmospheric conditions; and 4) changes in reflectance (Du Y., PM Teillet and J. Cihlar. 2002. Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82, 123- 134) . Thus, the radiometric corrections of the images have the objective of canceling or compensating the variations due to the factors listed above (1 to 4) except that which can be attributed to the actual changes that have occurred in the field whose physical reflectance is of interest to determine ( absolute corrections / "absolute correction ") or normalize the readings / digital data obtained under different conditions on a common scale (relative corrections /" relatíve corrections ").
Calibración radiométrica absoluta (CRA) : 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 características del sensor, las condiciones atmosféricas y de adquisición de la imagen, y los algoritmos de corrección, lo cual suele manejarse mediante software/ módulos informáticos de no fácil manejo tales como el FLAASH (acrónimo del inglés "Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes ) del programa de manejo de imagen ENVI (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascensión April 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 mayoría de las imágenes de satélite, aviones convencionales o UAV (Canty M. J., Nielsen A. A. and M. Schmidt. 2004. Automatic radiometric normalization of multitemporal satellite imagery. Remote Sensing of Environment, 91, 441-451). En consecuencia, la corrección absoluta de las imágenes remotas no es un método factible en numerosas situaciones . Absolute radiometric calibration (CRA): Absolute radiometric corrections convert the digital readings of the image to radiance on the Earth's surface, so they require sensor calibration coefficients, atmospheric correction algorithms, data on the geographical position of the sensor, among other information (Du Y. et al. 2002, referred to above). In summary, it is necessary to know the characteristics of the sensor, the atmospheric and image acquisition conditions, and the correction algorithms, which is usually handled by software / computer modules that are not easy to use, such as the FLAASH (acronym for "Fast Line-"). of-sight Atmospheric Analysis of Spectral Hypercubes) of the ENVI image management program (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension April 2012) The varied factors related to the sensor, and the varied conditions of the taking of each image and atmospheric, previously described, are not usually available or are complicated to obtain for most of the satellite images, conventional aircraft or UAV (Canty MJ, Nielsen AA and M. Schmidt. 2004. Automatic radiometric normalization of multitemporal satellite imagery. Rem ote Sensing of Environment, 91, 441-451). Consequently, absolute correction of remote images is not a feasible method in many situations.
Hall et . al (1991) seleccionó usos de suelo pseudo-invariantes (PIFs) de elementos/ usos de suelo con reflectancia muy diferenciadas, muy brillantes {"bright") 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. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascensión 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 pixeles. 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. Hall et. al (1991) selected pseudo-invariant land uses (PIFs) of very differentiated elements / land uses with very different reflections, very bright {"bright") and very dark {"dark"), carrying out this selection by visual inspection of the picture. QUAC (acronym for "Quick Atmospheric Correction"), and FLAASH are ENVI modules or extensions ("add-ons") for absolute atmospheric corrections (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension April 2012). QUAC is a method of direct and fast conversion ("on-the-fly method"), in real time, that uses the information contained in the scene using the spectral data of certain pixels. FLAASH is a correction method based on the MODTRAN4 atmospheric model, in which the operator has to enter in the software various physical and atmospheric parameters on atmospheric absorption (aerosol, visibility, dispersion model) and the relative position of the sensor, between others.
Normalización radiométrica relativa (NRR) : se basa en los datos radiométricos inherentes a cada una imagen de las serie de imágenes multitemporales a normalizar y es un método alternativo a la calibración 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 evolución/ detección de los usos de suelo entre imágenes o para clasificación supervisada de los mismos (Canty M. et al. 2004, referido anteriormente) . Se han diseñado diversos métodos de NRR de imágenes multitemporales, 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 mediante UH- funciones lineales (Furby, S. L. and Campbell, N. A. (2001). Calibrating images from different dates to ^ike valué' digital counts. Remote Sensing of Environment, 77, pl86-196; 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 índices 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 Features) se han usado en rectificaciones radiométricas de imágenes multitemporales, si bien son costosos y difíciles de obtener para la mayoría de las imágenes de satélite, y de ahí 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 . Relative radiometric normalization (NRR): it is based on the radiometric data inherent in each image of the series of multitemporal images to be normalized and is an alternative method to absolute calibration. The NRR is recommended when it is not possible to obtain radiance data on the Earth's surface, or simply to obviate this estimate, and it is recommended in studies on evolution / detection of land uses between images or for supervised classification of themselves (Canty M. et al. 2004, referred to above). Various NRR methods of multitemporal images have been designed, and all of them are based on the hypothesis that the relationships between the recorded radiance of the sensor at two different moments of regions of constant reflectance are spatially homogeneous and can be approximated by UH-linear functions (Furby, SL and Campbell, NA (2001). Calibrating images from different dates to ^ ike valué 'digital counts. Remote Sensing of Environment, 77, pl86-196; Du Y. et al., 2002). The greatest difficulty of these methods is to determine the pseudo-invariant land uses on which normalization is based (Canty MJ et al. 2004). In multitemporal images, NRR is important for detecting changes in land use, mosaic, monitoring / evolution of vegetation indices over time, and supervised classification or not of land uses, among others. Pseudo-invariant terrain data / references (PIF acronym for Pseudo Invariant Features) have been used in radiometric rectifications of multitemporal images, although they are expensive and difficult to obtain for most satellite images, and hence the selection of PIFs is generally subjective. Really the uses of vegetable soil of constant absolute reflectance do not exist. Therefore, the concept of PIF is adopted assuming that its reflectance is constant, that is, it does not vary over time.
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. Remote sensing of Environment, 35, 11-27) y Coppin (Coppin, P., Jonckheere, I., Nackaerts, K. , Muys, B., & Lambin, E. (2004). Digital change detection methods in ecosystem monitoring: A review. International Journal 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 estadística 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 Multívaríate Alteratíon Detection, ) , en las que el uso/ elemento invariante se aproxima mediante una escala lineal (Nielsen A. A. (2002) . Multiset Canonical Correlations Analysis and Multispectral, Truly Multi-temporal Remote Sensing Data. IEEE Transactions on Image Processing 11(3), 293-305; Canty M. J. et al. 2004, referido anteriormente) . Por lo anterior, si se usa MAD 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 method for change detection in multi- and hyper-spectral data. IEEE Transactions on Image 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 multitempora satellite imagery with the iterative re-weighted MAD transformation Remote Sensing of Environment, 1025- 1036). The methods of relative normalization of images studied have been diverse. Hall (Hall FG, DE Strebel, JE Nickeson and SJ Goetz. (1991). Toward a common radiometric response among multidate, multisensors images. Remote sensing of Environment, 35, 11-27) and Coppin (Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital change detection methods in ecosystem monitoring: A review. International Journal of Remote Sensing, 10, 1565-1596. Of Environment, 13, 207-234) developed radiometric rectification techniques to detect changes in landscape land use whose reflectance was approximately zero over time. Du Y. et al. In 2002, referred to above, they developed a new radiometric normalization procedure between multitemporal images of the same geographical area by means of the statistical selection of PIF using quality control techniques and principal component analysis to find a linear relationship between temporal images. Other authors propose "multivariable alteration detection" techniques (MAD acronym for Multívaríate Alteratíon Detection), in which the use / invariant element is approximated by a linear scale (Nielsen AA (2002). Multiset Canonical Correlations Analysis and Multispectral , Truly Multi-temporal Remote Sensing Data. IEEE Transactions on Image Processing 11 (3), 293-305; Canty MJ et al. 2004, referred to above). Therefore, if MAD is used for land use change detection applications, preprocessing of images using linear NRR is not necessary. An iterative modification of the previous transformation (IR-MAD) establishes an unchanged fixed element {"background of no change") on which it contrasts / examines significant changes (Nielsen AA 2007. The regularized iteratively reweighed MAD method for change detection in multi - and hyper-spectral data, IEEE Transactions on Image Processing, 16 (2), 463-478. http://www.imm.dtu.dk/ pubdb / p.php? 4695. ; Canty JM and A. To Nielsen. 2008. Automatic radiometric normalization of multitempora satellite imagery with the iterative re-weighted MAD transformation Remote 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 software/ 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 . Notwithstanding the foregoing, there are no known automatic methods of relative normalization of multitemporal images based on "pseudo-invariant" plant soil uses, such as those indicated in the example of development / validation of this patent application, nor software / extensions / "add-ons" of image management programs that carry them out automatically. This new method of automatic normalization, through the application of its corresponding software, greatly enhances the use of multitemporal and hyperspectral images in very diverse studies of agriculture and the environment.
Problemas que presenta la metodología del estado de la técnica: Problems presented by the prior art methodology:
1) En imágenes multitemporales de una misma escena geográfica los datos radiométricos de cualquier uso de suelo invariante o "pseudo"/casi-invariante varían 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. 1) In multitemporal images of the same geographical scene the radiometric data of any use of invariant or "pseudo" / almost-invariant soil varies with the instantaneity of the image, that is to say with the atmospheric conditions, of solar inclination and of positioning of the sensor at the time of taking each image.
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.  2) In studies on agriculture and the environment such as the characterization and / or classification of crop systems, and of temporal evolution of biotic and abiotic factors in a particular plot, among others, it is required to take images of the same area or area geographical on different dates (multitemporal images), and then the analysis and interpretation of them as a whole.
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 así compensar o equilibrar el efecto de la "instantaneidad" de cada imagen antes reseñado.  3) For the study of each image and its comparative interpretation in the set of a series of multitemporal images of the same geographical area, a necessary preliminary step is its calibration or normalization, in order to compensate or balance the effect of the "instantaneousness" of Each image before reviewed.
4) Los métodos de calibración absoluta de imágenes son con frecuencia difíciles 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 difícil obtención e interpretación. 4) Absolute image calibration methods are often difficult to implement by requiring knowledge of various physical parameters (solar inclination, sensor positioning) and atmospheric (aerosol, visibility, dispersion model, among others), some of these parameters being difficult to obtain and interpret.
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.  5) The methods of relative normalization of images developed to date are based on non-plant pseudo-invariant soil uses, which are selected by complex statistical techniques (principal component analysis, multivariable alteration detection, among others), So its implementation is laborious and slow.
Por todo lo anterior, para potenciar en gran medida el uso de la teledetección 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 bióticos/ abióticos a nivel parcela, lo que se puede llevar a cabo mediante el procedimiento objeto de la presente solicitud de patente . For all the above, to greatly enhance the use of remote sensing in agro-environmental studies at the regional or agricultural plot level using multitemporal images of the same geographical area, it is necessary to have a relative standardization methodology that enhances the quality of discrimination and by consequent follow-up of the crops and / or of the biotic / abiotic factors at plot level, which can be carried out by the procedure object of the present patent application.
Descripción de la invención Description of the invention
Descripción breve brief description
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), The object of the invention is an automatic procedure for the normalization of multispectral images of images of the same area or geographical scene, based on pseudo-invariant plant land uses, which comprises the following steps: a) Multispectral or hyperspectral image taking, from the same geographical area, from any platform, at different dates or times (multi-time),
b) Geo-referenciación/ co-registro de las mismas,  b) Geo-referencing / co-registration thereof,
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, c) Identification in each image of one or more plots containing pseudo-invariant vegetative land uses (VPIF) such as high densities of mature, non-deciduous trees in the period of imaging,
d) Definición de la misma parcela/s 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,  d) Definition of the same VPIF plot / s in each multitemporal image by registering the geographic coordinates of its contour, and its automatic transposition to the remaining images in the series,
e) Conformación de parcelas o regiones de interés  e) Formation of plots or regions of interest
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 permita su manipulación posterior.  f) Extraction of the data of the spectral bands of each plot with the definition of various statistical parameters, mean and standard deviation among others, of the digital values of each band, and its transposition to a file that allows its subsequent manipulation.
g) Calcular los factores de corrección (CF acrónimo del inglés "correction factor") para cada banda de la imagen,  g) Calculate the correction factors (English acronym CF "correction factor") for each band of the image,
h) Transformación lineal de cada banda mediante dicho factor de corrección para obtener el valor transformado previamente convenido, particularmente la media del valor de la banda correspondiente en el conjunto de la serie de imágenes originales, y  h) Linear transformation of each band by said correction factor to obtain the previously agreed transformed value, particularly the average of the corresponding band value in the set of the series of original images, and
i) Composición de las imágenes completas transformadas.  i) Composition of the transformed complete images.
El esquema de funcionamiento del procedimiento de invención se indica en la figura 1. The scheme of operation of the process of the invention is indicated in Figure 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 transformadas (Tabla 1 y Fig. 1) . Este procedimiento comprende las siguientes etapas: a) apertura del software para la ejecución automática de ARIN, Another object of the invention is a program for the automation of steps c) to h) of the process of the invention, particularly the Automatic Remote Images Normalization software (hereinafter ARIN), which generates the ARI-Results file in txt files or Excel and the transformed images (Table 1 and Fig. 1). This procedure includes the following steps: a) opening the software for the automatic execution of ARIN,
b) apertura de las imágenes originales a normalizar,  b) opening of the original images to normalize,
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 lectura del archivo de resultados, que expresa los datos espectrales originales, los CFs y los datos espectrales resultantes, y disposición/ manejo de la imágenes normalizadas. c) loading of the conformation file of the plot of the pseudo-invariant use selected in one of them, and transposition to the remaining images of the series, and reading of the results file, which expresses the original spectral data, the CFs and the resulting spectral data, and standardized image layout / management.
El procedimiento objeto de la presente invención permite sentar unas bases sólidas para la normalización 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 pseudo-invariantes, 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 . The process object of the present invention allows to lay a solid basis for the normalization of multitemporal images based on vegetative pseudo-invariant soil uses; It can be used in any geographic area that contains vegetation and exhibits at least one use of pseudo-invariant soil, such as a tree or trees that are not deciduous, or grasslands or permanent grass, in the period of time when multitemporal images have been taken. .
En otro objeto de la invención son los datos/imágenes obtenidas por el procedimiento de la invención. In another object of the invention are the data / images obtained by the process of the invention.
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 agrícolas 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, y así prescribir operaciones o mapas de tratamientos de cualquier input agrícola, tales como fertilización, aplicación de herbicidas, diseño de riego localizado, entre otros.  Another object of the invention is the use of the method of the invention for obtaining standard multitemporal images of any agricultural or agro-environmental scene for later use in studies of agricultural statistics and monitoring of crop systems at the regional level by administrations or agricultural entities and / or the use for subsequent individualization of agricultural plots, whatever their extension, and implementation of precision agriculture programs through their image process, and thus prescribe operations or treatment maps of any agricultural input, such as fertilization, herbicide application, localized irrigation design, among others.
Descripción detallada Detailed description
La presente invención se basa en un procedimiento automático óptimo y cuantitativo para la normalización 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, tomadas 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: 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 agrícola, léase en diversos estados de desarrollo de un cultivo, o a diversas horas del día en el caso de los UAV, The present invention is based on an optimal and quantitative automatic procedure for the normalization of multispectral images (bands B (blue), G (green), R (red), NIR (near infrared),) and hyperspectral images (more than 6 spectral bands ) of images of the same area or geographical scene, based on pseudo-invariant plant land uses, taken at different times of a day or on different dates whatever the time of day they are taken. The procedure comprises the following stages: Taking a series of remote images of the same geographical scene, from any platform, satellites, conventional or unmanned aircraft (UAV), multispectral or hyperspectral, with a high spatial resolution, usually less than 10 m, at different times of the year agricultural, read in various stages of development of a crop, or at different times of the day in the case of UAVs,
Geo-referenciación y co-registro "imagen a imagen" de la serie de imágenes a fin de que su posicionamiento geográfico sea coincidente ,  Geo-referencing and "image-to-image" co-registration of the series of images so that their geographical positioning is coincident,
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 índice "de verdor", por ejemplo de NDVI [ (NIR- R) /NIR+R) ] , en cada una de las imágenes multitemporales ,  Analysis of the images taken in a) and selection of plots with uses of one or two uses of pseudo-invariant vegetable soil (VPIFs), uniform or apparently uniform in each of the images, and that exhibit a high reflectance or index "of greenery ", for example of NDVI [(NIR-R) / NIR + R)], in each of the multitemporal images,
Conformación de parcelas VPIF mediante delimitación de regiones de interés en una imagen y luego su trasposición al resto de la serie de imágenes . Formation of VPIF plots by delimiting regions of interest in an image and then transposing it to the rest of the series of images.
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  Extraction / determination of the digital values of each spectral band of each image in the use of reference pseudo-invariant soil (VPIF) which in turn comprises the following stages
e.l) Apertura de datos anteriores  e.l) Opening of previous data
e.2) los datos resultantes se archivan en un fichero de texto (txt)  e.2) the resulting data is archived in a text file (txt)
e.3) se exportan a una hoja de cálculo (fichero excel ) .  e.3) are exported to a spreadsheet (excel file).
e.4) se estiman los índices vegetativos tales como el NDVI y el B/G; y los estadísticos de la serie: media, rango y desviación estándar;  e.4) vegetative indices such as NDVI and B / G are estimated; and the statistics of the series: mean, range and standard deviation;
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, Calculation of the correction factors (CFs) of each band in each image of the series, where each CF of the band x of the image i, CFxi is defined as the ratio xR / xi, where xR is the value of the image reference (RI), or average value of the G band in the original series (ORI) of multitemporal images normally the value, and xi is the value of the band R in the image i,
g) Cada banda de cada imagen se transformará linealmente aplicando el antes calculado CF, y  g) Each band of each image will be transformed linearly by applying the previously calculated CF, and
h) La imagen normalizada se conforma en su conjunto mediante la composición de las bandas antes transformadas linealmente.  h) The normalized image is formed as a whole by the composition of the bands previously transformed linearly.
El esquema de funcionamiento del procedimiento de invención se indica en la figura 1. The scheme of operation of the process of the invention is indicated in Figure 1.
En otro objeto de la invención los pasos c) 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/ extensión de ENVI5.0. Este procedimiento comprende las siguientes etapas: apertura del software para la ejecución automática de ARIN, apertura de las imágenes originales a normalizar, In another object of the invention steps c) to h) described above can be carried out automatically by means of software called ARIN, developed specifically for the normalization process of the present invention. ARIN software has been designed as an add-on / extension of ENVI5.0. This procedure includes the following stages: opening of the software for the automatic execution of ARIN, opening of the original images to be normalized,
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  loading of the conformation file of the selected pseudo-invariant plot in one of them, and transposition to the remaining images of the series, and
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.  reading of the results file, which expresses the original spectral data, the CFs and the resulting spectral data, and arrangement / management of the normalized images.
Su esquema de actuación se indica en la Figura 2. El archivo de datos Txt o Excel que genera (ARIN-Results ) 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. Its performance scheme is indicated in Figure 2. The Txt or Excel data file it generates (ARIN-Results) in which the values of the spectral bands of the original image series are included, the correction factors of each band and the values of the normalized spectral bands are indicated in Table 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 agrícola, tales como delimitación de zonas según contenido de nutrientes, rodales/ infestaciones de malas hierbas, estrés hídrico, enfermedades, entre otras. Así mismo la normalización previa de imágenes mediante el procedimiento ARIN es muy útil en 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 . The optimal and quantitative automatic procedure for the normalization of multispectral and hyperspectral images of images of the same area or geographical scene, based on pseudo-invariant plant soil uses, object of this invention serves to radiometrically normalize series of multitemporal images of the same scene or geographical area, which contains vegetation and exhibits at least one use of pseudo-invariant soil, such as a tree or trees that are not deciduous, or grasslands or permanent grass, in the period of time in which the images have been taken multitemporal, which entails a great advantage for its subsequent use in precision agronomic studies on an agricultural plot scale, such as delimitation of areas according to nutrient content, stands / weed infestations, water stress, diseases, among others. Likewise, the previous normalization of images by means of the ARIN procedure is very useful in works of classification at regional level of crop systems and land uses in general for agricultural statistics and other administrative actions such as the granting and monitoring of agri-environmental subsidies.
En otro objeto de la invención son los datos/imágenes obtenidas por el procedimiento de la invención a) mediante manejo de imágenes convencional, y b) automáticamente mediante el software ARIN. In another object of the invention are the data / images obtained by the method of the invention a) by conventional image handling, and b) automatically by the ARIN software.
Otro objeto de la invención lo comprende el uso de los procedimientos 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 agrícolas 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, y así prescribir operaciones o mapas de tratamientos de cualquier input agrícola, tales como fertilización, aplicación de herbicidas, diseño de riego localizado, entre otros. Another object of the invention is the use of the methods of the invention for obtaining standard multitemporal images of any agricultural or agro-environmental scene for later use in studies of agricultural statistics and monitoring of crop systems at the regional level by administrations. or agricultural entities and / or the use for subsequent individualization of agricultural plots, whatever their extension, and implementation of precision agriculture programs through their image process, and thus prescribe operations or treatment maps of any agricultural input , such as fertilization, herbicide application, localized irrigation design, among others.
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. The procedure of normalization of multispectral and hyperspectral images of images of the same area or geographical scene, based on pseudo-invariant plant land uses, implemented through the ARIN software, has the great advantage of being carried out automatically, minimizing the time of execution, usually several hours, which requires image processing classic, and bypassing the human errors that with said classic image processing and complementary calculations can occur.
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 difíciles de obtener; y el QUAC requiere la presencia de superficie brillantes y oscuras en la imagen a calibrar. The standardization procedure of multispectral and hyperspectral images of images of the same area or geographical scene, based on pseudo-invariant plant land uses, object of the present patent application has been shown to be comparatively as effective as the absolute calibration methods tested FLAASH and QUAC, with the advantage of obviating the requirements of these: FLAASH requires complex parameters on solar and atmospheric inclination, often difficult to obtain; and the QUAC requires the presence of bright and dark surfaces in the image to be calibrated.
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, 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, consultorías agroambientales , y grupos de investigación. The procedure of normalization of multispectral and hyperspectral images of images of the same area or geographical scene, based on pseudo-invariant plant land uses, shows satisfactory and reproducible results by means of ARIN software and can be commercially applied in satellite images of conventional aircraft and unmanned (UAV), by interested administrations, agri-environmental consultancies, and research groups.
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 índices de vegetación en los usos de suelo pseudo-invariantes seleccionados en las imágenes originales es muy superior al de las imágenes transformadas/normalizadas, lo que se ha comprobado, y se describe en detalle en el ejemplo de realización de la invención. The effectiveness of the procedure object of this patent application has been statistically verified: in the original images the variability (range and standard deviation) of the mean values of the spectral bands and vegetation indices in the pseudo-invariant land uses selected in the original images is much higher than that of the transformed / normalized images, which has been verified, and is described in detail in the embodiment of the invention.
Descripción de las figuras Description of the figures
Figura 1. Esquema del procedimiento de la invención. Figure 1. Scheme of the process of the invention.
Figura 2. Diagrama del ejecución del software ARIN. Figura 3. Vista parcial de una imagen de satélite GeoEye-1 y Figure 2. ARIN software execution diagram. Figure 3. Partial view of a GeoEye-1 satellite image and
conformación de parcelas del uso de suelo pseudo-invariante cítrico ( cuadrados ) . conformation of plots of the use of citrus pseudo-invariant soil (squares).
Ejemplo de la realización de la invención Example of the embodiment of the invention
Imágenes de satélite y su localización geográfica Satellite images and their geographical location
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 The method of the invention has been validated by a study carried out with six multispectral and panchromatic images of the GeoEye-1 satellite (GeoEye-1, 2012; Figure 3) taken over the same geographical area: the La Ventilla locality
(provincia de Córdoba, España) , desde abril a octubre de 2010, cada escena de aproximadamente 100 km2. Las coordenadas geográficas(province of Córdoba, Spain), from April to October 2010, each scene of approximately 100 km 2 . Geographical coordinates
{üniverse 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 VI 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 geo- referenciados 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-Casero, M. Jurado-Expósito, L. García- Torres. 2011. Geo-referencing remote images for precisión agriculture using artificial terrestrial targets, Precisión Agriculture, DOI: 10.1007/sllll9-011-9228-3; 2011, 12, 6, 876-89.1) . {üniverse Transverse Mercator System, Zone 30 North) of the upper left corner of each scene were X = 315206 m / Y = 4186133 m. The images were taken on April 9, May 23, June 20, July 9, August 22 and October 2, called VI through V6, correlatively. The panchromatic image had a spatial resolution of 0.5 m and pixel-1 the multispectral of 2.00 m pixel-1, providing digital values in the spectral bands blue (B, 450-510 nm), green (G, 510-580 nm), red (R, 655-690 nm) and near infra red (NIR, 780-920 nm). The width or sweep ("swath") of each scene was 15.2 km. The terrain was predominantly flat, with average inclinations of 2.12%. The geo-referencing accuracy of GeoEye-1 images was improved by geo-referenced control points in the field (GCPs) in one image and co-registration of image to image in the others, as described in Gomez- Candón (Gómez-Candón, D., F. López-Granados, JJ Caballero- Novella, M. Gómez-Casero, M. Jurado-Expósito, L. García- Torres. 2011. Geo-referencing remote images for precision agriculture using artificial terrestrial targets, Precisión Agriculture, DOI: 10.1007 / sllll9-011-9228-3; 2011, 12, 6, 876-89.1).
Usos de suelo u usos de suelo vegetativos pseudo-invariantes (VPIF) .  Land uses or pseudo-invariant vegetative land uses (VPIF).
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 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 ROI- 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 índices vegetativos NDVI y G/B. In the images, 21 different land uses were identified by field outputs and image observation. Among others Identified soils are the following crop soils: alfalfa, cotton, oats, riverside trees, Mediterranean forest, rapeseed, citrus, sunflower, peas, beans, corn, olive trees, potatoes, sunflower, and wheat. In addition, other non-vegetative land uses such as paved roads, dirt roads, buildings, water reservoirs, rivers and bare soil have been identified. In this study, three pseudo-invariant vegetative land uses (VPIFs) were defined: adult and high-density citrus plantations (CIT), riverbank tree masses (POP), and clusters of adult Mediterranean forest trees (MFO). In each VPIF an area of about 1000 - 1500 m 2 is formed by the ENVI ROIVECTOR) / SHAPE menus, a subsequent transposition to each of the images and extraction of the digital values of the spectral bands B, G, R and NIR and subsequent calculation of the NDVI and G / B vegetative indices.
Ejemplo 1. - Normalización radiométrica de una serie de imágenes muítitemporales del satélite GeoEyel mediante el procedimiento de la invención usando un solo VPIF: Example 1. - Radiometric normalization of a series of muteitemporal images of the GeoEyel satellite by the method of the invention using a single VPIF:
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: las imágenes originales (ORI) VI a V6 se normalizaron considerando separadamente los VPIFs CIT, POP y MFO, mediante transformaciones lineales de los CFs, tal como se ha descrito anteriormente. For the management of remote images and the application of the method of the invention, the computer program ENVI (Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, Exelis-2012) was used, as follows: the original images (ORI) VI a V6 were normalized considering separately the CIT, POP and MFO VPIFs, using linear transformations of the CFs, as described above.
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. Los valores de las bandas espectrales de la serie de imágenes GeoEye-1 originales varían considerablemente entre imágenes (Tabla 1 y 2) . The mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated. The radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted. The values of the spectral bands of the original GeoEye-1 series of images vary considerably between images (Table 1 and 2).
Tabla 1. Salida de ARIN software (outcome "Results_ARIN" , en archivos Text o Excel) : se muestran los valores de las bandas espectrales del uso de suelo pseudo-invariante (VPIF) cítricos (CIT) de las imágenes originales GeoEyel y sus correspondientes factores de corrección lineal. Table 1. Output of ARIN software (outcome "Results_ARIN", in Text or Excel files): the values of the spectral bands of the citrus pseudo-invariant soil (VPIF) of the original GeoEyel images and their corresponding images are shown linear correction factors.
ARIN Results ARIN Results
Imágenes Azul Verde Roj o Images Blue Green Red
VPIF-1 Originales (B) (G) (R) NIR NDVI B/G  VPIF-1 Originals (B) (G) (R) NIR NDVI B / G
GeoEye VI 413 316 180 1131 0,73 1,31 GeoEye VI 413 316 180 1131 0.73 1.31
GeoEye V2 495 407 262 1293 0, 66 1,22GeoEye V2 495 407 262 1293 0, 66 1.22
GeoEye V3 361 258 153 824 0, 69 1,40GeoEye V3 361 258 153 824 0, 69 1.40
GeoEye V4 231 308 113 1030 0,80 0,75GeoEye V4 231 308 113 1030 0.80 0.75
GeoEye V5 316 238 142 826 0,71 1, 33GeoEye V5 316 238 142 826 0.71 1, 33
GeoEye V6 196 246 82 808 0,82 0,80 GeoEye V6 196 246 82 808 0.82 0.80
Valor Medio 322 302 150 1023 0,73 1, 13Average value 322 302 150 1023 0.73 1, 13
Desviación típica 108 60 59 208 0,06 0,28 Standard deviation 108 60 59 208 0.06 0.28
Factores de las bandas de Factors of the bands of
corrección  correction
GeoEye VI 0,78 0, 954 0,834 0, 905  GeoEye VI 0.78 0, 954 0.834 0, 905
GeoEye V2 0, 65 0,741 0,573 0, 791  GeoEye V2 0.65 0.741 0.573 0.791
GeoEye V3 0, 892 1, 167 0, 979 1,242  GeoEye V3 0, 892 1, 167 0, 979 1,242
GeoEye V4 1,389 0, 98 1, 322 0, 993  GeoEye V4 1,389 0, 98 1, 322 0, 993
GeoEye V5 1,018 1, 265 1, 052 1,239  GeoEye V5 1,018 1, 265 1, 052 1,239
GeoEye V6 1, 642 1,225 1,825 1, 265  GeoEye V6 1, 642 1,225 1,825 1, 265
Por ejemplo en CIT 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) . For example in CIT for band B the values were 495 and 196 in images V2 and V6, respectively, and for the band NIR for the same series of original images in POP values were 997 and 722 respectively (Table 2).
Series de imágenes Estadísticos Series of Statistical images
Banda VI V2 V3 V4 V5 V6 Media Rango S.D. Band VI V2 V3 V4 V5 V6 Medium Range S.D.
CIT ORIG B 413 495 361 231 316 196 335 299 112 CIT ORIG B 413 495 361 231 316 196 335 299 112
G 316 407 258 308 238 246 296 169 63 G 316 407 258 308 238 246 296 169 63
R 180 262 153 113 142 82 156 180 62R 180 262 153 113 142 82 156 180 62
NIR 1131 1293 824 1030 826 808 985 485 200NIR 1131 1293 824 1030 826 808 985 485 200
POP-transf B 328 334 308 332 318 288 318 46 18 POP-transf B 328 334 308 332 318 288 318 46 18
G 305 322 268 313 292 263 294 59 24 G 305 322 268 313 292 263 294 59 24
R 151 172 132 166 136 115 145 57 22R 151 172 132 166 136 115 145 57 22
NIR 1123 1133 874 988 918 977 1002 259 106NIR 1123 1133 874 988 918 977 1002 259 106
MFO-transf B 333 340 309 329 318 263 315 77 28 MFO-transf B 333 340 309 329 318 263 315 77 28
G 316 328 275 312 295 239 294 89 33 G 316 328 275 312 295 239 294 89 33
R 165 179 132 151 131 97 142 82 29R 165 179 132 151 131 97 142 82 29
NIR 1111 1020 918 1049 1123 944 1028 205 84NIR 1111 1020 918 1049 1123 944 1028 205 84
POP ORIG B 428 504 399 237 339 231 357 273 109 POP ORIG B 428 504 399 237 339 231 357 273 109
G 307 376 286 292 243 277 297 133 44 G 307 376 286 292 243 277 297 133 44
R 186 237 181 107 163 111 164 130 49R 186 237 181 107 163 111 164 130 49
NIR 879 997 823 911 785 722 853 275 97NIR 879 997 823 911 785 722 853 275 97
CIT-transf B 348 342 371 344 359 396 360 54 21 CIT-transf B 348 342 371 344 359 396 360 54 21
G 287 273 327 280 301 333 300 60 25 G 287 273 327 280 301 333 300 60 25
R 161 141 184 147 178 211 170 70 26R 161 141 184 147 178 211 170 70 26
NIR 766 760 984 871 937 881 866 224 90NIR 766 760 984 871 937 881 866 224 90
MFO-transf B 346 347 342 337 341 310 339 42 14 MFO-transf B 346 347 342 337 341 310 339 42 14
G 307 303 305 296 300 270 297 37 13 G 307 303 305 296 300 270 297 37 13
R 171 162 156 142 150 132 156 45 16R 171 162 156 142 150 132 156 45 16
NIR 864 786 917 928 1068 844 887 282 96NIR 864 786 917 928 1068 844 887 282 96
MFO ORIG B 408 479 385 232 328 246 329 250 99 MFO ORIG B 408 479 385 232 328 246 329 250 99
G 297 368 278 292 240 305 297 128 38 G 297 368 278 292 240 305 297 128 38
R 169 228 181 117 169 131 155 135 45R 169 228 181 117 169 131 155 135 45
NIR 899 1120 793 867 649 756 883 471 174NIR 899 1120 793 867 649 756 883 471 174
CIT-transf B 331 325 358 335 347 421 353 96 35 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 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 NIR 784 854 948 830 775 922 852 173 71
POP-transf B 324 324 328 333 329 362 331 43 14 POP-transf B 324 324 328 333 329 362 331 43 14
G 286 290 289 297 293 326 297 40 14 G 286 290 289 297 293 326 297 40 14
R 142 150 156 171 162 184 157 47 16R 142 150 156 171 162 184 157 47 16
NIR 893 981 841 832 722 914 878 192 89 NIR 893 981 841 832 722 914 878 192 89
Tabla 2. Valores de las bandas espectrales de los usos de suelo pseudo-invariantes (VPIFs) cítricos (CIT), árboles de ribera (POP) y árboles de bosque mediterráneo (MFO) en las imágenes originales (ORI) y transformadas ARIN en base a los correspondientes VPIF Table 2. Values of the spectral bands of citrus pseudo-invariant land uses (VPIFs), riverside trees (POP) and Mediterranean forest trees (MFO) in the original images (ORI) and transformed ARIN on the basis to the corresponding VPIF
alternativos  alternative
Abreviaturas: V.I. , 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. Abbreviations: V.I. , vegetative indexes; VPIF; pseudo-invariant vegetables; ORIG, original images not transformed; POP, riverside trees; CIT, citrus plantations, MFO, Mediterranean forest trees; s. d. , standard deviation.
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. Consequently, the values of the vegetation indices also varied considerably between the original images for any of the VPIF studied (Table 3). For example, the NDVI values for CIT varied between 0.66 in image V2 to 0.82 in image V6, and for POP the NDVI varied from 0.62 in V2 to 0.79 in V4.
Tabla 3. índices de vegetación de "pseudo-invariantes" vegetales (VPIF) en las imágenes originales y en imágenes transformadas con el procedimiento de la invención y en las calibradas mediante los módulos QUAC y FLAASH . Table 3. Vegetation indexes of vegetable "pseudo-invariants" (VPIF) in the original images and in images transformed with the method of the invention and in those calibrated by the QUAC and FLAASH modules.
Series de imágenes Estadísticos  Series of Statistical images
VPIF1 Imágenes V.I. VI V2 V3 V4 V5 V6 Media Rango S.D. VPIF1 V.I. VI V2 V3 V4 V5 V6 Medium Range S.D.
CIT ORIG NDVI 0, 73 0, 66 0, 69 0, 80 0, 71 0, 82 0, 73 0, 15 0, 06 CIT ORIG NDVI 0, 73 0, 66 0, 69 0, 80 0, 71 0, 82 0, 73 0, 15 0, 06
B/G 1, 31 1, 22 1, 40 0, 75 1, 33 0, 80 1, 13 0, 65 0, 13 B / G 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 B/G 1, 06 1, 04 1, 13 1, 06 1, 08 1, 10 1, 08 0,09 0, 03POP + MFO- transf NDVI 0, 74 0, 70 0, 75 0, 74 0, 79 0, 81 0, 75 0, 11 0, 04 B / G 1, 06 1, 04 1, 13 1, 06 1, 08 1, 10 1, 08 0.09 0, 03
QUAC NDVI o, 80 o, 83 o, 90 o, 80 o, 91 o, 90 o, 86 0,11 0, 05 QUAC NDVI o, 80 o, 83 o, 90 o, 80 o, 91 o, 90 o, 86 0.11 0.05
B/G o, 46 o, 24 o, 44 o, 52 o, 42 o, 39 o, 41 0,28 0,10 B / G or, 46 o, 24 o, 44 o, 52 o, 42 o, 39 o, 41 0.28 0.10
FLAASH NDVI o, 79 o, 73 o, 77 o, 78 o, 80 o, 81 o, 78 0,08 0, 03 FLAASH NDVI o, 79 o, 73 o, 77 o, 78 o, 80 o, 81 o, 78 0.08 0.03
B/G o, 69 o, 66 o, 55 o, 58 o, 44 o, 56 o, 58 0,25 0,09  B / G or, 69 o, 66 o, 55 o, 58 o, 44 o, 56 o, 58 0.25 0.09
ORIG NDVI o, 65 o, 62 o, 64 o, 79 o, 66 o, 73 o, 68 0, 17 0, 07 ORIG NDVI o, 65 o, 62 o, 64 o, 79 o, 66 o, 73 o, 68 0, 17 0, 07
B/G 1, 39 1, 34 1, 40 o, 81 1, 40 o, 83 1, 20 0,58 0,29 B / G 1, 39 1, 34 1, 40 or, 81 1, 40 or, 83 1, 20 0.58 0.29
CIT+MFO- transf NDVI o, 69 o, 72 o, 72 o, 74 o, 71 o, 65 o, 71 0,09 0, 03 CIT + MFO- transf NDVI o, 69 o, 72 o, 72 o, 74 o, 71 o, 65 o, 71 0,09 0, 03
B/G 1, 15 1, 18 1, 07 1, 16 1, 13 1, 12 1, 13 0,11 0,04 B / G 1, 15 1, 18 1, 07 1, 16 1, 13 1, 12 1, 13 0.11 0.04
QUAC NDVI o, 73 o, 81 o, 85 o, 80 o, 88 o, 81 o, 83 0, 15 0, 03 QUAC NDVI o, 73 o, 81 o, 85 o, 80 o, 88 o, 81 o, 83 0, 15 0, 03
B/G o, 60 o, 33 o, 63 o, 68 o, 58 o, 64 o, 61 0,49 0,16 B / G or, 60 o, 33 o, 63 o, 68 o, 58 o, 64 o, 61 0.49 0.16
FLAASH NDVI o, 76 o, 71 o, 75 o, 77 o, 75 o, 67 o, 74 0,10 0,04 FLAASH NDVI o, 76 o, 71 o, 75 o, 77 o, 75 o, 67 o, 74 0.10 0.04
B/G o, 77 o, 79 o, 67 o, 67 o, 59 o, 78 o, 71 0,20 0,08  B / G or, 77 o, 79 o, 67 o, 67 o, 59 o, 78 o, 71 0.20 0.08
ORIG NDVI o, 68 o, 66 o, 63 o, 76 o, 59 o, 70 o, 70 0,26 0,09 ORIG NDVI o, 68 o, 66 o, 63 o, 76 o, 59 o, 70 o, 70 0.26 0.09
B/G 1, 37 1, 30 1, 38 o, 79 1, 37 o, 81 1, 11 0, 61 0,30 B / G 1, 37 1, 30 1, 38 or, 79 1, 37 or, 81 1, 11 0, 61 0.30
CIT+POP- transf NDVI o, 70 o, 71 o, 66 o, 63 o, 61 o, 64 o, 66 0,11 0,04 CIT + POP- transf NDVI o, 70 o, 71 o, 66 o, 63 o, 61 o, 64 o, 66 0.11 0.04
B/G 1, 18 1, 16 1, 19 1, 17 1, 17 1, 16 1, 17 0, 03 0,01 B / G 1, 18 1, 16 1, 19 1, 17 1, 17 1, 16 1, 17 0, 03 0.01
QUAC NDVI o, 78 o, 85 o, 85 o, 75 o, 84 o, 78 o, 81 0,11 0,04 QUAC NDVI o, 78 o, 85 o, 85 o, 75 o, 84 o, 78 o, 81 0.11 0.04
B/G o, 51 o, 26 o, 55 o, 61 o, 51 o, 63 o, 53 0,40 0, 13 B / G or, 51 o, 26 o, 55 o, 61 o, 51 o, 63 o, 53 0.40 0, 13
FLAASH NDVI o, 76 o, 73 o, 73 o, 72 o, 69 o, 62 o, 71 0,14 0, 05 FLAASH NDVI o, 76 o, 73 o, 73 o, 72 o, 69 o, 62 o, 71 0.14 0.05
B/G o, 77 o, 74 o, 65 o, 62 o, 53 o, 78 o, 68 0,25 0, 10  B / G or, 77 o, 74 o, 65 o, 62 o, 53 o, 78 o, 68 0.25 0, 10
Abreviaturas: V.I. , 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. QUAC y FLAASH son módulos de calibración. Abbreviations: V.I. , vegetative indexes; VPIF; pseudo-invariant vegetables; ORIG, original images not transformed; POP, riverside trees; CIT, citrus plantations, MFO, Mediterranean forest trees; s. d. , standard deviation. QUAC and FLAASH are calibration modules.
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 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 B/G del CIT después de la transformación son 335, 0.73 and 1.14, respectivamente, para cualquier imagen de la serie. In general terms the range and standard deviation of the spectral bands and growth rates in the series of images transformed by the method of the invention were considerably reduced compared to the original images (Table 2 and 3). Therefore, it can be said that the process of Standardization was efficient for any of the VPIFs studied alone or used consecutively. It should be noted that for simple image transformations, this is using a single VPIF, the values of the spectral bands and the vegetation indices taken as a reference, obtain exactly the same values in any transformed image (Table 4), the range being and negligible standard deviation. For example, using the CIT as a pseudo-invariant reference, the corresponding value of the B band, NDVI and B / G of the CIT after transformation are 335, 0.73 and 1.14, respectively, for any image in the series.
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. Table 4. Spectral band values and pseudo-invariant plant land use indexes (VPIFs) after radiometric normalization using the same VPIF.
Series de imágenes Estadísticos VPIF1 Imágenes Banda VI V2 V3 V4 V5 V6 Media Rango S.D.  Series of statistical images VPIF1 Images Band VI V2 V3 V4 V5 V6 Medium Range S.D.
CIT B 336 336 336 335 335 335 335 1,00 0, 42 CIT B 336 336 336 335 335 335 335 1.00 0.42
G 295 295 295 296 295 295 295 0,00 0,41 G 295 295 295 296 295 295 295 0.00 0.41
R 156 156 155 155 155 155 155 0,00 0,52R 156 156 155 155 155 155 155 0.00 0.52
NIR 986 985 986 986 985 985 986 0,00 0,55NIR 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 0,00NDVI 0.73 0.73 0.73 0.73 0.73 0.73 0.73 0.00 0.00
B/G 1,14 1,14 1,14 1, 13 1,14 1,14 1,14 0,00 0,00 B / G 1.14 1.14 1.14 1, 13 1.14 1.14 1.14 0.00 0.00
POP B 356 356 356 356 357 356 356 0,00 0,41 POP B 356 356 356 356 357 356 356 0.00 0.41
G 297 297 297 297 297 296 297 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 0,00R 164 164 164 164 164 164 164 0.00 0.00
NIR 853 853 853 854 853 852 853 0,00 0, 63NIR 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 0,00NDVI 0, 68 0, 68 0, 68 0, 68 0, 68 0, 68 0, 68 0.00 0.00
B/G 1,20 1,20 1,20 1,20 1,20 1,20 1,20 0,00 0,00 B / G 1.20 1.20 1.20 1.20 1.20 1.20 1.20 0.00 0.00
MFO B 330 330 330 330 330 330 330 0,00 0,00 MFO B 330 330 330 330 330 330 330 0.00 0.00
G 297 297 296 296 297 297 297 0,00 0,52 G 297 297 296 296 297 297 297 0.00 0.52
R 155 156 156 156 155 155 156 0,00 0,55R 155 156 156 156 155 155 156 0.00 0.55
NIR 884 884 883 883 883 883 883 0,00 0,52NIR 884 884 883 883 883 883 883 0.00 0.52
NDVI 0,70 0,70 0,70 0,70 0,70 0,70 0,70 0,00 0,00NDVI 0.70 0.70 0.70 0.70 0.70 0.70 0.70 0.00 0.00
B/G 1,11 1,11 1,11 1,11 1,11 1,11 1,11 0,00 0,00 Abreviaturas: V.I. , índices vegetativos; VPIF; pseudo-invariantes vegetales; ORIG, imágenes originales no transformadas; POP, árboles ribera; CIT, plantaciones de cítricos, MFO, arboles de bosque mediterráneo; s. d. , desviación estándar. B / G 1.11 1.11 1.11 1.11 1.11 1.11 1.11 0.00 0.00 Abbreviations: VI, vegetative indexes; VPIF; pseudo-invariant vegetables; ORIG, original images not transformed; POP, riverside trees; CIT, citrus plantations, MFO, Mediterranean forest trees; SD, standard deviation.
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 normalización. Por ejemplo, para el CIT el rango, desviación estándar de la banda B y NIR en la serie de imágenes transformadas POP fueron 46 y 18, y 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) . The selection of a single VPIFs, among the three used, whatever, in the normalization process only slightly affects the results of the normalization process. For example, for the CIT the range, standard deviation of the B and NIR band in the series of transformed POP images were 46 and 18, and 256 and 106, respectively, compared to 299 and 112, and 485 and 200, in the original images, respectively (Table 2). Similarly, in the transformed VPIF MFO images the range and standard deviation for the CIT R band were 82 and 29 compared to 180 and 62 in the original images, respectively (Table 2).
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, y en el conjunto de las bandas fueron superiores a 0.83 y significativos a P≥0.95. Lo que explica que el proceso de normalización resultó eficaz cualquiera que fuera el VPIF vegetal seleccionado . The CFs of the VPIFs varied considerably between spectral bands, whatever the image considered (Table 1), and between images considering any spectral band. In addition, the correlation coefficients between the CFs of any band in the VPIFs considered, and in the band as a whole, were greater than 0.83 and significant at P≥0.95. Which explains that the normalization process was effective whatever the selected plant VPIF was.
Ejemplo 2.- Normalización radiómetrica de una serie de imágenes muítitemporales del satélite GeoEyel mediante el procedimiento usando dos VPIFs consecutivamente . Example 2.- Radiometric normalization of a series of muteitemporal images of the GeoEyel satellite by the procedure using two VPIFs consecutively.
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: para cada VPIFs seleccionado la normalización se aplicó mediante el procedimiento usando dos VPIFs consecutivamente, según se indica en el ejemplo de desarrollo de la esta patente, tratando así de equilibrar 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. For the management of remote images and the application of the method of the invention the ENVI (Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, Exelis-2012) computer program was used, as follows: for each VPIFs selected the normalization was applied by the method using two VPIFs consecutively, as indicated in the example of development of this patent, thus trying to balance the slight seasonal phenotypic variation that may occur in each VPIF. The mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated. The radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted.
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) . This procedure was also effective in the normalization of multitemporal images. For example, for CIT once normalized with the pseudo-invariants POP + MFO the range and standard deviation NDVI of the series of images was 0.11 and 0.04, respectively, compared to 0.15 and 0.06 in the original images (Table 3). Similarly, for MIF VPIF the implementation of ARIN CIT + POP consecutively resulted in NDVI and B / G standard range and deviation values ranged from 0.11 to 0.04, compared to 0.26 and 0.09 in the original images. However, the effectiveness of implementing ARIN using only one VPIF is similar to the implementation of ARIN using two VPIFs consecutively (Table 2 and 3).
Ejemplo 3.- Normalización radiométrica de una serie de imágenes multitemporales del satélite GeoEyel . Comparación del procedimiento ARIN con correcciones absolutas mediante los software QUAC y FLAASH . Example 3.- Radiometric normalization of a series of multitemporal images of the GeoEyel satellite. Comparison of the ARIN procedure with absolute corrections using the QUAC and FLAASH software.
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 VI 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 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascensión April 2012) . FLAASH se implemento incorporando las valores específicos 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. Asi los valores de la banda azul en cada imagen resultaron positivos, tal como se recomienda . The ENVI software (Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, Exelis-2012) was used for remote image management and the application of the method of the invention, as follows: For comparative purposes with ARIN standardization described above, the original images VI to V6 were transformed using the QUAC® and FLAASH® software. QUAC software requires dark and bright pixel images to implement its corrections (Exelis. 2012. The Environment for Visualizing Images, ENVI® 4.8 and ENVI® 5.0, 4990 Pearl East Circle, Boulder, CO 80301, USA) ENVI Atmospheric Correction Modules: QUAC and FLAASH Users Guide, ascension April 2012). FLAASH was implemented incorporating the specific values of the GeoEye-1 sensor, as well as the atmospheric data of the day and of the geographical area where the image was taken; rural spray, average terrain elevation 150 m, water column parameter (2.92), and the visibility parameter of the scene 100 km for all scenes except for the V6 which was 140 km. Thus the values of the blue band in each image were positive, as recommended.
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. The mean, range and standard deviation of the digital values of each spectral band and the vegetative indices of the series of original and transformed images were calculated. The radiometric corrections were more effective as the range and standard deviation of the spectral bands and the NDVI and B / G indices of the series of images resulted.
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 según los VPIFs considerados. Por ejemplo, si se considera el VPIF CIT, la desviación estándar del índice NDVI de la serie de imágenes originales, 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) . In general terms, in the GeoEye-1 multitemporal image series, the ARIN method was shown to have similar efficacy as the FLAASH method, and slightly more effective than the QUAC method, with slight variations according to the VPIFs considered. For example, if the VPIF CIT is considered, the standard deviation of the NDVI index of the original image series, and transformed POP + MFO, QUAC and FLAASH were 0.06, 0.04, 0.05 and 0.03, respectively (Table 3). Considering the VPIF POP and the same statistical parameter, the results were somewhat better for the ARIN CIT + MFO (0.03) and QUAC (0.03) transformation, and very close to those obtained by FLAASH (0.04), compared to those of the original images (sd 0.07; Table 3).

Claims

REIVINDICACIONES
1. - 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 caracterizado porque comprende las siguientes etapas: a) 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 (≤ 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 geo- referenciadas , y co-registro "imagen a imagen" del resto de las imágenes de la serie a fin de que su posicionamiento geográfico sea coincidente, 1. - Automatic procedure for the radiometric normalization of series of remote multitemporal images of the same area or geographical scene, based on pseudo-invariant plant land uses characterized by comprising the following stages: a) taking one or several multispectral remote images corresponding to bands that are selected from the visible spectrum blue: B, green: G, red: R; and near infrared NIR) or hyperspectral (more than 6 bands), with high spatial resolution (≤ 10 meters), from platforms, such as satellites, conventional aircraft and drones (UAV), and at different times of the year, read states of development of a crop, or at different times of a day, b) digitization or geo-referencing of an image, by differential GPS in cases where it is necessary to assign geographical coordinates, in the case of non-geo-referenced aerial images , and "image-to-image" co-registration of the rest of the images in the series so that their geographical positioning is coincident,
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 índice "de verdor", en cada una de las imágenes multitemporales ,  c) analysis of the images taken in a) and selection of plots with uses of one or two uses of pseudo-invariant vegetable soil (VPIFs), uniform or apparently uniform in each of the images, and that exhibit a high reflectance or index "of greenery", in each of the multitemporal images,
d) conformación de parcelas VPIF mediante delimitación de regiones de interés en una imagen y su trasposición al resto de la serie de imágenes,  d) conformation of VPIF plots by delimiting regions of interest in an image and its transposition to the rest of the series of images,
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) extraction / determination of the digital values of each spectral band of each image in the use of reference pseudo-invariant soil (VPIF), which in turn comprises the following stages:
e.l) apertura de datos anteriores,  e.l) opening of previous data,
e.2) archivo de los datos resultantes en un fichero de texto  e.2) archiving of the resulting data in a text file
e.3) exportación a una hoja de cálculo e.4) estimación de los índices vegetativos tales como el NDVI y el B/G; y los estadísticos de la serie: media, rango y desviación estándar. e.3) export to a spreadsheet e.4) estimation of vegetative indices such as NDVI and B / G; and the statistics of the series: mean, range and standard deviation.
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,  calculation of the correction factors (CFs) of each band in each image of the series, where each CF of the band x of the image i, CFxi, is defined as the ratio xR / xi, where xR is the value of the reference image (RI), or average value of the G band in the original series (ORI) of multitemporal images normally the value, and xi is the value of the R band in the image i,
transformación lineal de cada banda de cada imagen aplicando el antes calculado CF,  linear transformation of each band of each image by applying the previously calculated CF,
conformación de la imagen normalizada en su conjunto mediante la composición de las bandas antes transformadas linealmente.  conformation of the normalized image as a whole by the composition of the bands previously transformed linearly.
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 según la reivindicación 1, caracterizado porque las etapas e) a h) del procedimiento se ejecutan mediante un programa de ordenador . 2. - Procedure for the automatic radiometric standardization of series of remote multitemporal images of the same area or geographical scene, based on pseudo-invariant plant land uses according to claim 1, characterized in that steps e) to h) of the procedure are executed through a computer program.
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 según 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 . . 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 según 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 estadísticas agrarias y seguimiento de sistemas de cultivo. 3. Procedure for automatic radiometric normalization of series of remote multitemporal images of the same area or geographical scene, based on pseudo-invariant plant land uses according to any one of claims 1 and 2, characterized in that the multi-time agri-environmental scenes to be normalized they are taken in any geographic area that contains vegetation and exhibits at least one use of pseudo-invariant soil, such as a tree or trees that are not deciduous, or grasslands or permanent grass, in the period of time in which the multitemporal images have been taken. . Use of a procedure for the automatic radiometric normalization of series of remote multitemporal images of the same area or geographical scene, based on pseudo-invariant plant soil uses according to Claims 1 to 3 for obtaining standardized multitemporal images of any agricultural or agro-environmental scene and their subsequent use in studies of agricultural statistics and monitoring of cropping systems.
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 según las reivindicaciones 1 a la 3 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 y la prescripción de tratamientos agrícolas. 5. Use of a procedure for automatic radiometric standardization of series of remote multitemporal images of the same area or geographical scene, based on pseudo-invariant plant land uses according to claims 1 to 3 for subsequent individualization of agricultural plots, any that is its extension, and implementation of precision agriculture programs through their image process and the prescription of agricultural treatments.
PCT/ES2013/070873 2012-12-28 2013-12-12 Method for automatic standardization of multitemporal remote images on the basis of vegetative pseudo-invariant soil uses WO2014102416A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ES201232054A ES2481348B1 (en) 2012-12-28 2012-12-28 PROCEDURE FOR THE AUTOMATIC STANDARDIZATION OF MULTITEMPORARY REMOTE IMAGES BASED ON USES OF PSEUDO-VEGETABLE INVARIANT FLOORS.
ESP201232054 2012-12-28

Publications (1)

Publication Number Publication Date
WO2014102416A1 true WO2014102416A1 (en) 2014-07-03

Family

ID=51019922

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2013/070873 WO2014102416A1 (en) 2012-12-28 2013-12-12 Method for automatic standardization of multitemporal remote images on the basis of vegetative pseudo-invariant soil uses

Country Status (2)

Country Link
ES (1) ES2481348B1 (en)
WO (1) WO2014102416A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105043992A (en) * 2015-07-17 2015-11-11 辽宁师范大学 Hyperspectral remote-sensing monitoring method for wetland soil nitrification microbial community
CN113222836A (en) * 2021-04-25 2021-08-06 自然资源部国土卫星遥感应用中心 Hyperspectral and multispectral remote sensing information fusion method and system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034450A1 (en) * 2002-08-19 2004-02-19 Institute For Technology Development Method and apparatus for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data
US20040032973A1 (en) * 2002-08-13 2004-02-19 Eastman Kodak Company Method for using remote imaging to predict quality parameters for agricultural commodities
ES2245250A1 (en) * 2004-06-11 2005-12-16 Consejo Superior De Investigaciones Cientificas Method of differentiating uses of soil and quantifying vegetative cover by means of remote sensing with aerial photography
WO2011160159A1 (en) * 2010-06-25 2011-12-29 Cambium Land & Water Management Pty. Ltd. A system and a method for generating a spectral image for a plot of land

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040032973A1 (en) * 2002-08-13 2004-02-19 Eastman Kodak Company Method for using remote imaging to predict quality parameters for agricultural commodities
US20040034450A1 (en) * 2002-08-19 2004-02-19 Institute For Technology Development Method and apparatus for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data
ES2245250A1 (en) * 2004-06-11 2005-12-16 Consejo Superior De Investigaciones Cientificas Method of differentiating uses of soil and quantifying vegetative cover by means of remote sensing with aerial photography
WO2011160159A1 (en) * 2010-06-25 2011-12-29 Cambium Land & Water Management Pty. Ltd. A system and a method for generating a spectral image for a plot of land

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105043992A (en) * 2015-07-17 2015-11-11 辽宁师范大学 Hyperspectral remote-sensing monitoring method for wetland soil nitrification microbial community
CN105043992B (en) * 2015-07-17 2018-01-09 辽宁师范大学 A kind of wetland soil nitrifying microorganisms group high-spectrum remote-sensing monitoring method
CN113222836A (en) * 2021-04-25 2021-08-06 自然资源部国土卫星遥感应用中心 Hyperspectral and multispectral remote sensing information fusion method and system
CN113222836B (en) * 2021-04-25 2024-03-01 自然资源部国土卫星遥感应用中心 Hyperspectral and multispectral remote sensing information fusion method and system

Also Published As

Publication number Publication date
ES2481348A1 (en) 2014-07-29
ES2481348B1 (en) 2015-05-06

Similar Documents

Publication Publication Date Title
Hunt Jr et al. What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture?
Duan et al. Comparison of ground cover estimates from experiment plots in cotton, sorghum and sugarcane based on images and ortho-mosaics captured by UAV
Zarco-Tejada et al. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera
ES2311322B1 (en) PROCEDURE FOR THE DISCRIMINATION AND MAPPING OF THE RODALS OF BAD GRAMINE HERBS IN CEREAL CROPS BY REMOTE-DETECTION.
Enciso et al. Validation of agronomic UAV and field measurements for tomato varieties
Mengmeng et al. Multi-temporal monitoring of wheat growth by using images from satellite and unmanned aerial vehicle
Sharifi Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images
Awais et al. UAV-based remote sensing in plant stress imagine using high-resolution thermal sensor for digital agriculture practices: A meta-review
Manakos et al. Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements
Rey et al. Multispectral imagery acquired from a UAV to assess the spatial variability of a Tempranillo vineyard
Awad et al. Improved capability in stone pine forest mapping and management in Lebanon using hyperspectral CHRIS-Proba data relative to Landsat ETM+
Saura et al. Mapping multispectral Digital Images using a Cloud Computing software: applications from UAV images
Ehsani et al. Affordable multirotor Remote sensing platform for applications in precision horticulture
WO2005122744A1 (en) Method of differentiating uses of soil and quantifying vegetative cover by means of remote sensing with aerial photography
ES2481348B1 (en) PROCEDURE FOR THE AUTOMATIC STANDARDIZATION OF MULTITEMPORARY REMOTE IMAGES BASED ON USES OF PSEUDO-VEGETABLE INVARIANT FLOORS.
Lee Vegetation monitoring using unmanned aerial system based visible, near infrared and thermal images
Hatton Use of small unmanned aerial system for validation of sudden death syndrome in soybean through multispectral and thermal remote sensing
WO2006024686A1 (en) Method of differentiating and quantifying an olive grove with vegetative covers by means of remote sensing with high-resolution space sensors
Song Evaluation of the UAV-based multispectral imagery and its application for crop intra-field nitrogen monitoring and yield prediction in Ontario
Roma et al. Unmanned aerial vehicle and proximal sensing of vegetation indices in olive tree (Olea europaea)
Papić et al. On Olive Groves Analysis using UAVs
ES2303476B1 (en) PROCEDURE FOR AUTOMATIC OBTAINING OF AGRONOMIC AND ENVIRONMENTAL INDICATORS OF PLANTATIONS OF TREES THROUGH TELEDETECTION.
Costa Ferreira et al. Transformation of high resolution aerial images in vine vigour maps at intra-block scale by semi-automatic image processing
Adamo et al. Remote sensing by drones of areas infected by Xylella Fastidiosa by using multispectral techniques
Kazantsev et al. Prospects of using unmanned aerial vehicle for assessing climate-making properties of park tree species using Kiev AV Fomin Botanical Garden as an example

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13868067

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13868067

Country of ref document: EP

Kind code of ref document: A1