Glosario

Nodo regional Bosque Andino Patagónico

La Dirección de Bosques de la Secretaría de Ambiente y Desarrollo Sustentable de la Nación (SAyDS) implementó en el año 2012 la Red Nacional de Nodos Regionales en todo el país.
El Nodo Regional Bosque Andino Patagónico es uno de los cinco Nodos de dicha Red y fue constituido mediante un convenio entre la SAyDS y el CIEFAP.

Geomática

Los términos geomática, geoinformática y ciencias de la información geográfica (GIScience) son esencialmente sinónimos. La geomática se trata de una área multidisciplinaria que reúne a la teledetección, la fotogrametría, los sistemas de información geográfica, la geodesia y la agrimensura, entre otras. Todas estas disciplinas tendrían en común el trabajar intensamente con datos geolocalizados. Una posible definición de geomática sería:

Área del conocimiento que aborda problemas de captura de datos, codificación, almacenamiento, análisis, recuperación, síntesis y diseminación de datos e información geográfica. La importancia de estos problemas se incrementa en la medida que las nuevas tecnologías digitales evolucionan, como los sistemas de información geográfica, de teledetección satelital y de posicionamiento global. Estas tecnologías se construyen utilizando las bases de la geomática.

Las ideas hasta aquí presentadas están de acuerdo con las expresadas por Caron et al. (2008) en un artículo de acceso abierto, del que recomendamos su lectura. También, son muy interesantes las entradas de Geomatic y Geographic information science, de la “Encyclopedia of geographic information science” (Kemp, 2008). Por otro lado, este link puede ser provechoso, aunque tiene material desactualizado. Finalmente, geomática tiene una entrada en Wikipedia, siendo de interés la sección “talk", en la que puede verse la diversidad de puntos de vista.

Caron, C., Roche, S., Goyer, D., Jaton, A., 2008. GIScience journals ranking and evaluation: An international delphi study. Trans. GIS 12, 293–321.

Kemp, K.K., 2008. Encyclopedia of geographic information science. SAGE Publications, Los Angeles, London, New Delhi, Singapure.

Creative game design

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat

Learn More

Análisis de imágenes basado en objetos (AIBO — OBIA en inglés)

Conjunto de conocimientos y herramientas que permiten reconocer entidades físicas en las imágenes mediante la extracción de atributos numéricos de grupos de píxeles vecinos en el espacio.

Modelo de Escena



Leyenda

Campo

Fondo


Modelo de sensor/imágen.


RGB(Infrarojo cercano, rojo, verde)

QuickBird.

Mutiespectral.

2,4 metros.

1/12/2008

Fotos tomadas en el centro de la escena

Mirando hacia el Norte

Mirando hacia el Oeste

Análisis de Imágenes Basado en Objetos.

Análisis de imágenes basado en objetos (AIBO) para reconocer caminos rurales. Los caminos son entidades físicas con mayor abstracción que, por ejemplo, el bosque, ya que se caracterizan más por su funcionalidad que por su tipo de cobertura del suelo. Para el análisis nos basamos, conceptualmente, en reconocer objetos alargados sin vegetación, agruparlos y verificar su continuidad a través de la escena.

Definir AIBO no es sencillo porque tiene límites difusos que se solapan con otros términos, como Visión Artificial e Imágenes Biomédica. En este Link Textlink hay una interesante discusión sobre este tópico, de la que puede concluirse que se suelen tener en cuenta dos dimensiones para definir estos términos: tecnología y ámbito de especialidad. Recientemente, Blaschke et al. (2014) actualizaron esta discusión argumentando a favor de restringir el ámbito de especialidad del AIBO a las Ciencias de la Información Geográfica, a raíz de ello es que propusieron las siglas en inglés GEOBIA (muy difíciles de traducir al castellano de manera elegante). Desde nuestro punto de vista, la distinción es necesaria porque los geobjetos tienen una posición relativamente fija en el tiempo-espacio (a escala humana), lo que permite integrar fuentes de información de un modo atípico para otros ámbitos de especialidad. Por otro lado, un activo grupo de investigación en esta subdisciplina utiliza las siglas AIOO porque prefiere “orientado” en vez de “basado”.

Esta distinción no es menor porque “basado” podría sugerir una única instancia de segmentación inicial, mientras que “orientado” tal vez sea más adecuado para expresar la construcción de objetos mediante ciclos de segmentación y clasificación (Baatz et al., 2008), un concepto fundamental para GEOBIA.

Disciplinas científico-tecnológicas afines aproximadamente distribuidas en el espacio definido por las dos variables que consideramos más importantes para su diferenciación.

Ciclos de segmentación y clasificación para generar los objetos de interés a partir de objetos primarios (adaptado de Baatz et al., 2008).

Utilizar GEOBIA implica un cambio en la manera de abordar la teledetección. La interpretación visual de datos de teledetección, por las característica del sistema visual humano, siempre incluye al dominio espacial, en cambio, el análisis numérico-automático fue limitado, en sus inicios, al dominio espectral. El dominio espectral es la componente de los datos directamente asociada con la reflectividad del blanco (la señal), mientras que su geoposición pertenece al dominio espacial (de Jong y van der Meer, 2004). En materia de clasificación, restringirse al dominio espectral funciona cuando las clases requeridas tienen correspondencia unívoca con las clases espectrales. Este es un importante supuesto de los análisis del dominio espectral, tratados en manuales de teledetección de las décadas de 1980, 1990 y 2000. Este modo de abordar el problema es computacionalmente muy efectivo a nivel de píxel, aunque también se ha utilizado para clasificar objetos digitales. Por lo tanto, creemos necesario establecer que utilizar objetos digitales en vez de píxeles implica un cambio técnico que no necesariamente es acompañado por un cambio en el modo de abordar el problema, para ello sería necesario, además del cambio técnico, un cambio teórico (Blaschke et al., 2014).


El desarrollo teórico de la teledetección: ¿cambio de paradigma?
Kuhn considera a los paradigmas como “realizaciones científicas universalmente reconocidas que, durante cierto tiempo, proporcionan modelos de problemas y soluciones a una comunidad científica” (Kuhn, 1962), lo cual, fuera de contexto, es poco esclarecedor. Sin embargo, parece ser una noción que actualmente se encuentra en activa discusión (Blaschke et al., 2014), de la que nos parece importante extraer la idea de cambio en los modelos de problemas y soluciones que comparte la comunidad de investigadores. Actualmente, la geomática congrega a varias comunidades científicas que por mucho tiempo han desarrollado sus modelos de problemas y soluciones en forma independiente, pero que ahora, en un contexto de rápido cambio tecnológico, deben afrontar una convergencia. Creemos que el estudio multidisciplinario promueve el integrar diversos modelos de problemas y soluciones, favoreciendo la innovación.


Motores de cambio
Identificamos tres motores que impulsan un cambio en los modelos de problemas y soluciones: 1) la creciente oferta de datos de alta resolución espacial, 2) el desarrollo de las ciencias de la computación y 3) la creciente oferta de información geoespacial. El primero, está relacionado con un nuevo problema ocasionado por el aumento de la variabilidad intraclase; el segundo, se relaciona con una nueva solución aportada por software que facilita la incorporación de métodos de visión artificial; el tercero, con el problema de fusionar información multifuente.


MOTOR 1: LA CRECIENTE OFERTA DE DATOS DE ALTA RESOLUCIÓN ESPACIAL
El desarrollo de GEOBIA es en parte impulsado por las dificultades del análisis tradicional basado en píxeles para resolver los denominados casos A-resolución. Estos casos se dan cuando la resolución espacial del sensor es más fina que el tamaño medio de los geobjetos que se desea reconocer, siendo la situación inversa los casos B-resolución (Strahler et al., 1986). En los casos A-resolución, la variabilidad en el dominio espectral intraclase es mayor que la variabilidad interclase, lo que dificulta el análisis tradicional basado en píxeles (Yu et al., 2006).

La subfigura A es un recorte de datos multiespectrales QuickBird (2,4 metros de resolución espacial) en falso color infrarrojo. La imagen representa un árbol solitario, de copa globosa, rodeado de arbustos bajos de altura uniforme, los que a su vez están rodeados por bosque. La subfigura B es la misma imagen, pero con la resolución espacial degradada a 12 metros. Si nuestro interés por la escena está en el árbol solitario, entonces la subfigura A es un caso de A-resolución, mientras que la subfigura B tiende a B-resolución. Como puede verse, la variabilidad espectral intraclase (árbol solitario) es mayor en el caso de A-resolución (subfigura A) en comparación con el caso que tiende a B-resolución (subfigura B).

Desde el lanzamiento de Ikonos en 1999, se ha incrementado notablemente la oferta de datos de alta resolución espacial. Este hecho, si bien ha sido un impulso de cambio innegable, no debe confundirse con el caso A-resolución, el cual emerge de la relación entre la resolución espacial de la imagen y el modelo de escena. En resumen, un profesional que antes debía enfrentar casos B-resolución, ahora, con el cambio tecnológico, debe enfrentar casos A-resolución, pero siempre y cuando su modelo de escena no se haga más detallado. El modelo de escena puede entenderse como aquel que permite reconstruir la escena real a partir de la imagen.

Relación entre la escena real, los datos, el modelo de escena y la reconstrucción de la escena (Adaptado de de Jong et al., 2004).

El modelo de escena se hace tangible y comunicable al definir el esquema de clasificación (leyenda y método para etiquetar geobjetos en el terreno), la mínima unidad de mapeo y la escala de trabajo. La escala puede entenderse como el conjunto de parámetros que permiten caracterizar la percepción del mundo físico con sensores específicos y a través de una ventana espacial y temporal. De esto se desprende que tiene dimensiones no solamente espaciales y temporal, sino también otras, como espectrales y radiométricas.

Los primeros esfuerzos orientados a solucionar el incremento en la variabilidad intraclase utilizaron segmentación para cambiar la unidad de análisis del pixel al objeto digital, resultando esto efectivo para aumentar la exactitud y solucionar el llamado efecto “sal y pimienta”. Sin embargo, también fue evidente que el incremento en la variabilidad intraclase era la expresión del dominio textural de los datos, muy importante en la interpretación visual y más fácil de explotar a nivel de objetos que de píxeles (Blaschke y Strobl, 2001, Yu et al., 2006).

La interpretación visual de fotografías aéreas e imágenes satelitales es una disciplina cuya trayectoria precede a la era digital. Con esta disciplina pueden abordarse casos de A-resolución pero no B-resolución. Para demostrar esto, basta con intentar interpretar visualmente una imagen con un zoom que solamente deje ver nueve píxeles al mismo tiempo. La percepción visual es un proceso muy complejo, una construcción imaginaria del mundo físico invocada por la confrontación de los estímulos visuales con el conocimiento y experiencia del intérprete (Blaschke y Strobl, 2001).

El conocimiento y experiencia de intérpretes profesionales suele denominarse “conocimiento experto”, el cual puede definirse como el conocimiento de las características del dato y del tipo de escena real que, junto con experiencias previas, le permite reconstruir imaginariamente la escena, incorporando semántica a los patrones de energía registrados por el sensor. Un intérprete profesional analiza simultáneamente varios dominios de información, que en fotointerpretación suelen denominarse elementos fundamentales, siendo algunos de ellos forma, tamaño, patrón, altura, sombra, color, textura, sitio y asociación (Bossler, 2005). La evolución de las ciencias de la computación, particularmente de la visión artificial y los sistemas expertos, han tenido un rol importante para motivar a los investigadores a que se pregunten: ¿por qué en teledetección el análisis numérico no va más allá del dominio espectral?

MOTOR 2: EL DESARROLLO DE LAS CIENCIAS DE LA COMPUTACIÓN
Strahler et al. (1986), en su clásico paper, distinguieron entre dos tipos de investigadores especialistas en teledetección: 1) los que usaban estadística y teledetección como una herramienta para estudiar la Tierra y 2) los que usaban matemática y física para estudiar el proceso de teledetección desde el punto de vista de la interacción entre energía y materia. Luego de varias décadas, Blaschke et al. (2014) observaron que la principal base teórica de la teledetección fue la aportada por el segundo grupo. Si bien esta afirmación puede prestarse a debate, nosotros creemos que esto fue así porque al análisis tradicional basado en píxeles no requirió de mayor desarrollo teórico, pero también porque el primer grupo consideró a la teledetección como una herramienta, por lo tanto, sus contribuciones a la teledetección fueron fundamentalmente técnicas en vez de teóricas.

En las últimas décadas, el rol de los investigadores en ciencias de la computación tuvo un creciente impacto en la teledetección. Los adelantos en visión artificial e imágenes biomédicas dieron lugar a la innovación en teledetección. En los primeros años del 2000, el desarrollo de software en el ámbito privado (Definiens®) dio como resultado el primer software comercial con tecnología de segmentación multiescala y la capacidad de extraer información del dominio espacial a través de relaciones topológicas en una red tridimensional de objetos digitales (eCognition©). Originalmente, el software estuvo orientado a la geomática e imágenes biomédica (Baatz y Schäpe, 2000, Baatz et al., 2006), aunque en la actualidad el software existe y evoluciona en forma separada.

Para utilizar GEOBIA es importante disponer del software, pero sobre todo es necesario disponer de los conocimientos teórico específicos, no basta con los conocimientos de teledetección asociados a la interacción entre la energía y la materia. Muchos de estos conocimientos han sido generados en los últimos diez a cinco años, por lo que se encuentran en revisión.

El desarrollo de software libre para AIBO todavía no ha alcanzado madurez, pero se dispone de software que permite la segmentación, la extracción de atributos de los objetos digitales y clasificación con lógica o métodos automáticos basados en muestras.

MOTOR 3: LA CRECIENTE OFERTA DE INFORMACIÓN GEOESPACIAL
La acumulación de información geoespacial junto con el desarrollo de las tecnologías de la información y comunicación contribuyen a que, al momento de realizar un análisis sobre una extensión específica de territorio, se disponga de abundante información previa. La información puede estar disponible en formato raster, vectorial (punto, línea o polígono), nube de puntos y voxel. Al representar la realidad con objetos y no limitarse al dominio espectral, GEOBIA ofrece el marco conceptual y las herramientas necesarias para integrar esta información en un análisis multifuente, con potencial inclusión de la dimensión temporal (Benz et al., 2004).

Baatz, M., Arini, N., Schäpe, A., Binnig, G., Linssen, B., 2006. Object-oriented image analysis for high content screening: Detailed quantification of cells and sub cellular structures with the cellenger software. Cytom. Part A 69, 652–658.

Baatz, M., Hoffmann, C., Willhauck, G., 2008. Progressing from object-based to object-oriented image analysis, in: Blaschke, T., Lang, S., Hay, G.J. (Eds.), Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications. Springer, Heidelberg, Berlin, New York, pp. 29–42.

Baatz, M., Schäpe, A., 2000. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation, in: Strobl, J., Blaschke, T., Griesebner, G. (Eds.), Angewandte Geographische Informations-Verarbeitung XII. Wichmann Verlag, Karlsruhe, pp. 12–23.

Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen, M., 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS J. Photogramm. Remote Sens. 58, 239–258.

Blaschke, T., Strobl, J., 2001. What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS. GIS – Zeitschrift für Geoinformations Syst. 6, 12–17.

Blaschke, T., Hay, G.J., Kelly, M., Lang, S., Hofmann, P., Addink, E., Queiroz Feitosa, R., Van-der-Meer, F.D., van der Werff, H., van Coillie, F., Tiede, D., 2014. Geographic Object-Based Image Analysis – Towards a new paradigm. ISPRS J. Photogramm. Remote Sens. 87, 180–191.

Bossler, J., 2005. Manual of geospatial science and technology. Taylor & Francis, London, New York.

de Jong, S.M., van der Meer, F.D., 2004. Remote sensing image analysis: including the spatial domain. Kluwer Academic Publishers, New York, Boston, Dordrecht, London, Moscow.

Kuhn, T.S., 2004. The structure of scientifíc revolutions. University of Chicago Press.

Mesev, V., Walrath, A., 2007. GIS and remote sensing integration: in search of a definition, in: Mesev, V. (Ed.), Integration of GIS and Remote Sensing. John Wiley & Sons, Ltd, pp. 1–16.

Strahler, A.H., Woodcock, C.E., Smith, J., 1986. On the nature of models in remote sensing. Remote Sens. Environ. 20, 121–139.

Yu, Q., Gong, P., Clinton, N., Bigingm, G., Kelly, M., Schirokauer, D., 2006. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery. Photogramm. Eng. Remote Sens. 72, 799–811.

Fotografía hemisférica del dosel

Las lentes hemisféricas, también llamadas “ojo de pez”, tienen un campo visual cercano a los 180°.

Las fotografías hemisféricas tomadas desde el interior del bosque se utilizan para estimar la estructura del dosel y el régimen de radiación solar. Estructura del dosel hace referencia a la disposición espacial, superficie y forma de los órganos aéreos de las plantas. El régimen de radiación solar cuantifica la transmisión de luz al interior del dosel.

La fotografía hemisférica precede a la era digital. Además, las cámaras continuaron siendo analógicas desde la difusión de las computadoras hasta que se hizo frecuente el uso de cámaras digitales, lo que fue un periodo de aproximadamente dos década. Es por ello que la técnica estándar se desarrolló con películas fotográficas en blanco y negro. En ese marco tecnológico, insumía mucho tiempo tomar la fotografía, digitalizarla y procesarla. Las nuevas tecnologías digitales y el desarrollo de las ciencias de la computación son motores de cambio en los modelos de problemas y soluciones de esta comunidad científica, al igual que está sucediendo en teledetección (ver “El desarrollo teórico de la teledetección: ¿cambio de paradigma?”). Para poner esto en perspectiva, puede ser oportuno mencionar que la fotografía hemisférica es teledetección de corto alcance (Chapman, 2008). Por otro lado, el desarrollo de la tecnología laser terrestre sugiere una sinergía provechosa. Como ejemplo puede mencionarse el Echidna (Danson et al., 2007) y el Trimble TX5 (Shilling, 2014).

Chapman, L., 2008. An introduction to `upside-down’ remote sensing. Prog. Phys. Geogr. 32, 529–542

Danson, F.M., Hetherington, D., Morsdorf, F., Koetz, B., Allgöwer, B., 2007. Forest canopy gap fraction from terrestrial laser scanning. IEEE Geosci. Remote Sens. Lett. 4, 157–160.

Schilling, A., 2014. Automatic retrieval of skeletal structures of trees from terrestrial laser scanner data. Technische Universität Dresden.

Modelos digitales de elevación (MDE)

En Geomática, los MDE se utilizan para representar la superficie de la Tierra. Generalmente, se trata de representaciones en formato raster, con un valor de altitud en cada píxel. Una propiedad importante de los MDE es que representan el territorio en forma continua. Esto los diferencia de las curvas de nivel utilizadas en los tradicionales mapas topográficos. Obtener curvas de nivel a partir de MDE es sencillo con los software actuales de geomática, aunque es necesario tener en cuenta que estas pueden no referirse a la altura del terreno, dependiendo esto de cuál es la altura que el MDE representa.

Los MDE tienen múltiples aplicaciones en la gestión del territorio. A partir de un MDE pueden derivarse atributos geológicos, hidráulicos, y topográficos, pero también tienen un rol fundamental en el preprocesamiento de datos de teledetección. El beneficio derivado de todas estas aplicaciones está fuertemente condicionado por la resolución espacial y calidad geométrica de los MDE. Por otro lado, los MDE pueden entenderse en un marco más amplio, ya que pueden utilizarse para representar solamente el dosel vegetal y, de esta manera, se convierten en modelo del dosel. No es sencillo obtener este tipo de modelos, siendo esta una de nuestras líneas de investigación vigentes.