Galería de índices

Los índices de imágenes son imágenes que se calculan a partir de imágenes multibanda. Las imágenes destacan un fenómeno concreto que está presente y atenúan otros factores que degradan los efectos de la imagen. Por ejemplo, un índice de vegetación mostrará la vegetación que está en buen estado con un color brillante en la imagen de índice, mientras que la vegetación que no lo está tendrá valores más bajos y el terreno yermo será oscuro. Dado que el sombreado debido a las variaciones del terreno (colinas y valles) afecta a la intensidad de las imágenes, los índices se crean de manera que el color de un objeto se resalta en lugar de que lo haga el brillo o la intensidad del objeto. El valor de un índice de vegetación para un pino en buen estado que está sombreado en un valle será similar al de un pino que está a pleno sol. A menudo, estos índices se crean añadiendo y sustrayendo bandas, con lo que se generan varias relaciones de bandas. Están vinculados a bandas concretas que están en partes definidas del espectro electromagnético. Como resultado, es posible que solo sean válidos para ciertos sensores o clases de sensores, y es fundamental que se usen las bandas adecuadas en el cálculo.

Una de las formas habituales de usar estos índices es la comparación del mismo objeto en varias imágenes a lo largo del tiempo. Por ejemplo, podría haber varias imágenes de un campo agrícola tomadas con periodicidad semanal desde la siembra del campo y a lo largo de toda la estación de crecimiento. Se calcularía el índice de vegetación para cada imagen. Cuando se analizan estos índices de vegetación semanales, es esperable que haya un periodo de la estación de crecimiento en que las imágenes se vuelven más brillantes. Después, cuando comienza la senescencia en el otoño, el índice se reduce hasta que la planta se cosecha o hasta que las hojas mueren al final de la estación. El efecto normalizador de los índices hace que esta comparación resulte útil. Al comparar varios campos de una región, puede identificar los que se están desarrollando bien y los que tienen problemas. Este tipo de análisis también se puede usar para identificar los campos que han sufrido daños debidos a tormentas.

Seleccione el índice según el fenómeno que quiera analizar. Asegúrese de que la imagen de entrada procede de un sensor que tiene las bandas adecuadas (longitudes de onda y rango) para ser compatible con el índice que ha elegido. Los índices leen los metadatos de la imagen para comprobar los nombres de las bandas. Cuando encuentren una coincidencia, el índice se aplicará de forma automática. Normalmente, ArcGIS Pro utiliza los nombres de banda de Landsat 8, pero los nombres de banda de otros sensores pueden tener otros nombres. En este caso, puede sustituir la banda adecuada del sensor que está utilizando en la función de índice. Por ejemplo, el producto ráster Landsat 5 TM tiene una banda (7) llamada infrarrojo medio (MIR), que se compara con la banda equivalente de Landsat 8 (7) denominada infrarrojo de onda corta 2 (SWIR2). En este caso, el índice que desea aplicar no puede encontrar la información necesaria sobre el nombre de banda en los metadatos de la imagen, y se abre un cuadro de diálogo que le pide que introduzca el número de banda adecuado para el índice que desea aplicar.

Nota:

Cuando selecciona un índice para aplicarlo a sus imágenes, asegúrese de que las imágenes de origen contienen la banda adecuada del índice. Por ejemplo, el Índice de nieve de diferencia normalizado (NDSI) necesita una banda infrarroja de onda corta (SWIR) y no funcionará correctamente con imágenes que no cuenten con una banda SWIR.

Índices de vegetación y suelos

MSAVI

El método Índice de vegetación ajustada de suelo modificado (MSAVI2) minimiza el efecto del terreno desnudo en el SAVI.

MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)2-8(NIR-Rojo)))
  • NIR = valores de píxel de la banda infrarroja cercana
  • Rojo = valores de píxel de la banda roja

Referencia: Qi, J. et al., 1994, "A modified soil vegetation adjusted index," Remote Sensing of Environment, Vol. 48, n.º 2, 119–126.

NDVI

El método Índice diferencial de vegetación normalizado (NDVI, por sus siglas en inglés) es un índice normalizado que permite generar una imagen que muestra el verdor (la biomasa relativa). Este índice aprovecha el contraste de las características de dos bandas de un dataset ráster multiespectral: las absorciones de pigmento de clorofila en la banda roja y la alta reflectividad de los materiales de las plantas en la banda NIR.

La ecuación del NDVI documentada y predeterminada es la siguiente:

NDVI = ((NIR - Red)/(NIR + Red))
  • NIR = valores de píxel de la banda infrarroja cercana
  • Rojo = valores de píxel de la banda roja

Este índice coloca los valores entre -1,0 y 1,0.

Más información acerca del NDVI

PVI

El método Índice de vegetación perpendicular (PVI, por sus siglas en inglés) es similar a un índice diferencial de vegetación; sin embargo, es sensible a las variaciones atmosféricas. Al utilizar este método para comparar imágenes, solo se debe utilizar en imágenes que se han corregido atmosféricamente.

PVI = (NIR - a*Rojo - b) / (sqrt(1 + a2))
  • NIR = valores de píxel de la banda infrarroja cercana
  • Rojo = valores de píxel de la banda roja
  • a = pendiente de la línea de suelo
  • b = gradiente de la línea del suelo

Este índice coloca los valores entre -1,0 y 1,0.

SAVI

El método Índice de vegetación ajustado al suelo (SAVI, por sus siglas en inglés) es un índice de vegetación que intenta minimizar las influencias del brillo del suelo utilizando un factor de corrección de brillo del suelo. Esto con frecuencia se utiliza en regiones áridas en donde la cubierta de vegetación es baja y genera valores entre -1,0 y 1,0.

SAVI = ((NIR - Rojo) / (NIR + Rojo + L)) x (1 + L)
  • NIR = valores de píxel de la banda infrarroja cercana
  • Rojo = valores de píxel de la banda roja cercana
  • L = cantidad de cobertura de vegetación verde

Si usa una lista delimitada por espacios, identificará las bandas NIR y roja e introducirá el valor L en el siguiente orden: NIR Roja L. Por ejemplo, 4 3 0,5.

Referencia: Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol. 25, 295–309.

TSAVI

El método Índice de vegetación ajustado de suelo transformado (TSAVI, por sus siglas en inglés) es un índice de vegetación que minimiza las influencias de brillo del suelo al asumir que la línea del suelo tiene una intercepción y pendiente arbitraria.

TSAVI = (s * (NIR - s * Rojo - a)) / (a * NIR + Rojo - a * s + X * (1 + s2))
  • NIR = valores de píxel de la banda infrarroja cercana
  • Rojo = valores de píxel de la banda roja
  • s = la pendiente de la línea del suelo
  • a = la intercepción de la línea del suelo
  • X = un factor de ajuste que se establece para minimizar el ruido del suelo

Referencia: Baret, F. y G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment," Remote Sensing of Environment, Vol. 35, 161–173.

VARI

El Índice de resistencia atmosféricamente visible (VARI) está diseñado para resaltar la vegetación en la parte visible del espectro, a la vez que mitiga las diferencias en la iluminación y los efectos atmosféricos. Resulta idóneo para las imágenes RGB o en color; utiliza las tres bandas de color.

VARI = (Green - Red) / (Green + Red - Blue)
  • Verde = valores de píxel de la banda verde
  • Rojo = valores de píxel de la banda roja
  • Azul = valores de píxel de la banda azul

Referencia: Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562.

Índices de agua

NDSI

Referencias:

  1. Wilson, E.H. y Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80, pp. 385-396.
  2. Skakun, R.S., Wulder, M.A. y Franklin, S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage". Remote Sensing of Environment, Vol. 86, pp. 433-443.

NDSI = (Green - SWIR) / (Green + SWIR)
  • Verde = valores de píxel de la banda verde
  • SWIR = valores de píxel de la banda infrarroja de onda corta

Referencia: Riggs, G., D. Hall y V. Salomonson. "A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer". Geoscience and Remote Sensing Symposium, IGARSS 94, Volumen 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.

MNDWI

El Índice de agua de diferencia normalizada modificado (MNDWI) utiliza las bandas verde y SWIR para realzar las entidades que se encuentran en mar abierto. También disminuye las entidades de área construidas que a menudo se correlacionan con el mar abierto en otros índices.

MNDWI = (Green - SWIR) / (Green + SWIR)
  • Verde = valores de píxel de la banda verde
  • SWIR = valores de píxel de la banda infrarroja de onda corta

Referencia: Xu, H. "Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery". International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.

NDMI

El Índice de diferencia de humedad normalizado (NDMI) es sensible a los niveles de humedad de la vegetación. Se usa para monitorizar las sequías y los niveles de combustible en las áreas vulnerables a los incendios. Usa las bandas NIR y SWIR para crear una relación diseñada para mitigar la iluminación y los efectos atmosféricos.

NDMI = (NIR - SWIR1)/(NIR + SWIR1)
  • NIR = valores de píxel de la banda infrarroja cercana
  • SWIR1 = valores de píxel de la banda infrarroja de onda corta 1

Referencias:

  1. Wilson, E.H. y Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80, pp. 385-396.
  2. Skakun, R.S., Wulder, M.A. y Franklin, S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage". Remote Sensing of Environment, Vol. 86, pp. 433-443.

Índices de geología

Minerales arcillosos

La relación de minerales arcillosos es una proporción entre las bandas SWIR1 y SWIR2. Esta relación aprovecha el hecho de que los minerales hídricos, como la arcilla o la alunita, absorben radiación en la parte de 2,0–2,3 micrones del espectro. Este índice atenúa los cambios de iluminación debidos al terreno, ya que se trata de una proporción.

Ratio de minerales arcillosos = SWIR1 / SWIR2
  • SWIR1 = valores de píxel de la banda infrarroja de onda corta 1
  • SWIR2 = valores de píxel de la banda infrarroja de onda corta 2

Referencia: Dogan, H., 2009. "Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing," Journal of Earth System Science, Vol. 118, 701-710.

Minerales ferrosos

La relación de minerales ferrosos resalta los minerales que contienen hierro. Usa la relación entre las bandas SWIR y NIR.

Ratio de minerales ferrosos = SWIR / NIR
  • SWIR = valores de píxel de la banda infrarroja de onda corta
  • NIR = valores de píxel de la banda infrarroja cercana

Referencia: Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data". Actas del Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

Óxido de hierro

La relación de óxido de hierro es una proporción entre las longitudes de onda roja y azul. La presencia de filosilicatos con contenido limonítico y una alteración del óxido de hierro limonítico causan absorción en la banda azul y reflectancia en la banda roja. Esto hace que las áreas con una gran alteración de hierro brillen. La naturaleza de la relación permite que el índice atenúe las diferencias de iluminación causadas por las sombras del terreno.

Ratio de óxido de hierro = rojo / azul
  • Rojo = valores de píxel de la banda roja
  • Azul = valores de píxel de la banda azul

Referencia: Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data". Actas del Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

Índices de paisaje

BAI

El Índice de área calcinada (BAI) utiliza los valores de reflectancia de la parte roja y NIR del espectro para identificar las áreas del terreno afectadas por un incendio.

BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)
  • Rojo = valores de píxel de la banda roja
  • NIR = valores de píxel de la banda infrarroja cercana

Referencia: Chuvieco, E., M. Pilar Martín y A. Palacios. "Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination". Remote Sensing of Environment 112 (2002): 2381-2396.

NBR

El Índice de relación de calcinación normalizado (NBRI) utiliza las bandas NIR y SWIR para destacar las áreas calcinadas a la vez que mitiga las diferencias en la iluminación y los efectos atmosféricos. Las imágenes se deben corregir a los valores de reflectancia antes de utilizar este índice; consulte la función Reflectancia aparente para más información.

NBR = (NIR - SWIR) / (NIR + SWIR)
  • NIR = valores de píxel de la banda infrarroja cercana
  • SWIR = valores de píxel de la banda infrarroja de onda corta

Referencia: Key, C. y N. Benson, N. "Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index." FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: Servicio forestal del USDA, Estación de investigación de las montañas Rocosas (2005).

NDBI

El Índice de áreas construidas de diferencia normalizada (NDBI) utiliza las bandas NIR y SWIR para resaltar las áreas construidas por el hombre. Se basa en una relación para mitigar los efectos de las diferencias de iluminación del terreno, así como los efectos atmosféricos.

NDBI = (SWIR - NIR) / (SWIR + NIR)
  • SWIR = valores de píxel de la banda infrarroja de onda corta
  • NIR = valores de píxel de la banda infrarroja cercana

Referencia: Zha, Y., J. Gao y S. Ni. "Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery". International Journal of Remote Sensing 24, n.° 3 (2003): 583-594.

Temas relacionados