Análisis de datos de teledetección y percepción remota en geología con Python y Gnu/Linux

• erick lilberick
• Jul. 18, 2023

1. INTRODUCCIÓN

El análisis de datos de teledetección y percepción remota se ha convertido en una herramienta fundamental en diversas disciplinas, y especialmente en geología, donde juega un papel crucial en el estudio de la superficie terrestre y sus cambios a lo largo del tiempo. Estas técnicas permiten obtener información valiosa sobre el terreno sin la necesidad de un contacto directo, lo que resulta especialmente útil en áreas de difícil acceso o en zonas extensas.

 

Python, uno de los lenguajes de programación más populares en la actualidad, ofrece una serie de bibliotecas poderosas y versátiles para el procesamiento y análisis de datos de teledetección. Entre ellas, GDAL (Geospatial Data Abstraction Library) y Rasterio se destacan como herramientas líderes en la manipulación de datos geoespaciales y la lectura de imágenes raster.

 

En este contexto, el objetivo de este estudio es explorar el potencial de Python como una herramienta clave en el análisis de datos de teledetección y percepción remota aplicado a la geología. A lo largo de este trabajo, nos adentraremos en el mundo de la geoinformática, aprendiendo cómo cargar, procesar y visualizar imágenes satelitales, obtener información valiosa sobre la superficie terrestre, y realizar análisis geoespaciales que proporcionen una visión más profunda de los fenómenos geológicos.

 

Este análisis nos permitirá identificar cambios en la cobertura terrestre, detectar anomalías, evaluar riesgos geológicos y comprender mejor la dinámica de los procesos naturales en la Tierra. Además, la combinación de Python con las bibliotecas especializadas nos ofrece un enfoque flexible y personalizable, adaptándose a las necesidades específicas de cada estudio.

 

En resumen, el uso de Python y sus bibliotecas GDAL y Rasterio en el análisis de datos de teledetección y percepción remota en geología representa una herramienta poderosa y prometedora, brindando a los geólogos y científicos la capacidad de obtener información precisa y significativa para la comprensión y gestión del medio ambiente y los recursos naturales.

---

 

2. DEFINICIONES

2.1. BANDAS

Las "bandas" se refieren a diferentes rangos del espectro electromagnético que son capturados por los sensores remotos, como satélites o cámaras aéreas. Cada banda corresponde a una región específica del espectro y contiene información sobre las propiedades físicas y químicas de la superficie terrestre.

 

El espectro electromagnético abarca una amplia gama de longitudes de onda, desde ondas muy cortas como los rayos gamma y los rayos X, hasta ondas muy largas como las ondas de radio. En teledetección, se utilizan principalmente las bandas de luz visible, infrarrojo cercano e infrarrojo térmico, ya que estas regiones del espectro proporcionan información útil para diferentes tipos de análisis.

 

Cada banda captura la energía reflejada o emitida por la superficie terrestre en una longitud de onda específica. Por ejemplo, la banda del rojo captura la energía reflejada en la región del espectro cercana al color rojo, mientras que la banda del infrarrojo cercano captura la energía en la región cercana al infrarrojo.

 

Al combinar y analizar las diferentes bandas, los científicos y analistas pueden obtener información valiosa sobre diversos aspectos de la superficie terrestre, como la vegetación, la cobertura del suelo, la temperatura de la superficie, la humedad y otros parámetros que son fundamentales para estudiar el medio ambiente y realizar análisis geoespaciales.

 

Figura 1. Regiones más utilizadas por las diferentes técnicas de teledetección

 

2.2. RASTER

En el contexto de teledetección y percepción remota, un raster es una representación gráfica de datos geoespaciales que se almacena en forma de matriz de celdas o píxeles. Cada celda o píxel en el raster contiene un valor que representa una determinada característica o atributo en una ubicación específica de la superficie terrestre.

 

Los rasters se utilizan comúnmente para representar imágenes satelitales, fotografías aéreas y otros datos geoespaciales que se capturan mediante sensores remotos. Cada píxel en una imagen raster representa un pequeño fragmento de la superficie terrestre y contiene información sobre la reflectancia, temperatura, elevación u otros atributos en esa ubicación.

 

La resolución espacial de un raster se refiere al tamaño de cada píxel y determina el nivel de detalle que se puede representar en la imagen. Por ejemplo, un raster con alta resolución espacial tendrá píxeles más pequeños y podrá representar detalles más finos en la superficie terrestre, mientras que un raster con baja resolución espacial tendrá píxeles más grandes y mostrará una visión más generalizada.

 

Los rasters son ampliamente utilizados en análisis geoespaciales y permiten realizar diversas tareas, como la detección de cambios en el paisaje, la clasificación de coberturas del suelo, la generación de mapas de elevación y la evaluación de la vegetación mediante índices como el NDVI (Índice de Vegetación de Diferencia Normalizada).

 

2.3. NDVI

NDVI significa Índice de Vegetación de Diferencia Normalizada por sus siglas en inglés, Normalized Difference Vegetation Index. Es un índice ampliamente utilizado en teledetección y percepción remota para evaluar y cuantificar la vegetación en una determinada área. El NDVI se calcula a partir de la reflectancia en el infrarrojo cercano (NIR) y el rojo (R) de la luz solar que es reflejada por la superficie de la Tierra. La fórmula para calcular el NDVI es la siguiente: $$\begin{aligned} NDVI=\frac{NIR-R}{NIR+R} \quad\quad Donde \begin{cases} NIR: \text{Reflectancia en el infrarrojo cercano.}\\ R: \text{Reflectancia en la banda roja.} \end{cases}\end{aligned}$$

 

El NDVI varía en un rango de -1 a 1, donde los valores cercanos a -1 representan superficies no vegetales, como el agua, mientras que los valores cercanos a 1 indican vegetación saludable y densa.

 

El NDVI es una herramienta valiosa para monitorear y estudiar cambios en la vegetación a lo largo del tiempo, así como para identificar áreas con vegetación vigorosa y áreas afectadas por factores ambientales, como sequías o incendios forestales. Se utiliza en una variedad de aplicaciones, como agricultura, silvicultura, ecología y gestión del medio ambiente.

---

 

3. PERCEPCIÓN REMOTA

Es la técnica que permite adquirir imágenes de la superficie terrestre desde sensores instalados en plataformas, suponiendo la existencia de interacción energética, ya sea por reflexión de energía solar o un haz energético artificial (emisión propia). A su vez es preciso que ese haz energético recibido por el sensor se transmita a la superficie terrestre, donde la señal detectada pueda almacenarse y ser interpretada para una determinada aplicación. La interacción que se produce va a ser un flujo de radiación que parte de los objetos y se dirige hacia el sensor. Respecto a su origen puede ser de tres tipos:

 

• Radiación solar reflejada por los objetos (luz visible e infrarrojo reflejado).

• Radiación terrestre emitida por los objetos (infrarrojo térmico).

• Radiación emitida por el sensor y reflejada por los objetos (radar).

 

Las técnicas basadas en los dos primeros tipos se conocen como teledetección pasiva y la última como teledetección activa. La radiación que llega de la superficie terrestre y que ha atravesado la atmósfera, es almacenada en formato digital. Una vez recuperados los datos en el centro de control del satélite, permitirán obtener información acerca de la superficie terrestre y de la atmósfera. El tipo de información que se obtiene dependerá de la longitud de onda en la que el sensor capte radiación.

 

Figura 2. Diferentes materiales reflejan y absorven diferentes radiaciones electromagnéticas. Debido a esto, pueden ser detectadas por un sensor y determinar el tipo de material del que se refleja

 

3.1. SENSORES REMOTOS

Los sensores, o instrumentos, a bordo de satélites y aviones utilizan el sol como fuente de iluminación o proporcionan su propia fuente de iluminación, midiendo la energía que se refleja. Los sensores que utilizan energía natural del sol, se denominan sensores pasivos; los que proporcionan su propia fuente de energía se denominan sensores activos.

 

3.1.1. TIPOS DE SENSORES

• Sensores pasivos: incluyen diferentes tipos de radiómetros (instrumentos que miden cuantitativamente la intensidad de la radiación electromagnética en bandas seleccionadas) y espectómetros (dispositivos que están diseñados para detectar, medir y analizar el contenido espectral de la radiación electromagnética reflejada). La mayoría de los sistemas pasivos utilizados por las aplicaciones de teledetección operan en las porciones visible, infrarroja, infrarroja térmica y de microondas del espectro electromagnético. Estos sensores miden la temperatura de la superficie terrestre y marina, las propiedades de la vegetación, las propiedades de las nubes y los aerosoles, y otras propiedades físicas. La maroría de los sensores pasivos no pueden penetrar la densa capa de nubes y, por lo tanto, tienen limitaciones para observar áreas como los trópicos donde es frecuente la densa capa de nubes.

• Sensores activos: incluyen diferentes tipos de sensores de radiodetección y alcance (radar), altímetros y dispersómetros. La mayoría de los sensores activos operan en la banda de microondas del espectro electromagnético, lo que les da la capacidad de penetrar en la atmósfera en la mayoría de las condiciones. Este tipo de sensores son útiles para medir los perles verticales de aerosoles, estructura forestal, precipitación y vientos, topografía de la superficie del mar y hielo, entre otros.

 

Figura 3. Sensores pasivos y activos

 

3.1.2. RESOLUCIÓN DE SENSORES

La resolución depende de la configuración de la órbita del satélite y del diseño del sensor. Diferentes sensores tienen diferentes resoluciones.

• Resolución espacial: se define por el tamaño de cada píxel dentro de una imagen digital y el área de la superficie de la Tierra representada por ese píxel. Cuánto más sea la resolución, es menor el tamaño de píxel.

 

 

Figura 4. Resolución espacial

 

• Resolución temporal: es el tiempo que tarda un satélite en completar una órbita y volver a visitar la misma área de observación. Esta resolución depende de la órbita, las características del sensor y el ancho de la franja. Debido a que los satélites geoestacionarios coinciden con la velocidad a la que gira la Tierra, la resolución temporal es mucho más fina, de aproximadamente 30 segundos a 1 minuto. Los satélites en órbita polar tienen una resolución temporal que puede variar de 1 día a 16 días. En la figura 1 la capacidad del sensor de recopilar imágenes de la misma área de la superficie de la Tierra en diferentes periodos de tiempo es de 6 horas.

 

Figura 5. Resolución temporal

 

• Resolución radiométrica: es la cantidad de información en cada píxel, es decir, el número de bits que representan la energía registrada. Cada bit registra un exponente de potencia 2. Por ejemplo, una resolución de 8 bits es, lo que indica que el sensor tiene 256 valores digitales potenciales (0-255) para almacenar información. Por lo tanto, cuanto mayor es la resolución radiométrica, más valores están disponibles para almacenar información, lo que proporciona una mejor discriminación, incluso entre las más mímimas diferencias de energía.

 

​​​​​​​Figura 6. Resolución radiométrica

 

• Resolución espectral: es la capacidad de un sensor para discernir longitudes de onda más finas, es decir, tener más bandas y más estrechas. Muchos sensores se consideran multiespectrales, lo que significa que tienen entre 3 y 10 bandas. Los sensores que tienen cientos, en incluso miles de bandas se consideran hiperespectrales. Cuanto más estrecha sea la gama de longitudes de onda para una banda determinada, más fina será la resolución espectral.

 

​​​​​​​​​​​​​​Figura 7. Resolución espectral

---

 

4. DESCARGA DE ARCHIVOS RÁSTER DEL SATÉLITE LANDSAT 8

Landsat 8 es un satélite de observación terrestre de la NASA y el Servicio Geológico de los Estados Unidos (USGS). Fue lanzado el 11 de febrero de 2013 y está en órbita alrededor de la Tierra a una altitud de 705 kilómetros (438 millas). Landsat 8 lleva dos instrumentos: el Operational Land Imager (OLI) y el Thermal Infrared Sensor (TIRS). OLI toma imágenes en nueve bandas espectrales, mientras que TIRS toma imágenes en dos bandas. Las imágenes de Landsat 8 se utilizan para una variedad de propósitos, incluyendo el seguimiento del cambio ambiental, la gestión de los recursos naturales y la planificación urbana.

 

Estos son los pasos para descargar los archivos raster de Landsat 8:

 

1. Ir al sitio web de earthxplorer.

Figura 8. Debes registrate en esta página para poder descargar los archivos raster

 

2. Entre las opciones de búsqueda podemos hacerlo mediante Address/Place.

Figura 9. Obtenemos la latitud y la longitud

 

3. Hacer zoom con el mouse para visualizar más detalles.

Figura 10. Mina Quellaveco

 

4. Podemos usar este mapa como referencia para escoger un raster.

Figura 11. Click en Use Map

 

Figura 12. Automáticamente se va a seleccionar las coordenadas de los cuatro vértices del mapa visible

 

5. Escogemos un rango de fechas.

Figura 13. Rango de fechas escogido

 

6. Escogemos el rango de covertura de nubes y click en Data Sets.

Figura 14.Escogí un rango de 0% a 30%

 

7. Escogemos la data del satélite que queremos, en nuestro caso Landsat 8. Click en Results.

Figura 15. Escogemos Landsat 8-9 OLI/TIRS C2 L2

 

8. Podemos escoger diferente data dentro del rango de fecha que hemos escogido.

Figura 16. Al hacer click en footprint podemos ver si nuestra área escogida está dentro del raster a descargar

Figura 17. Al hacer click en Show Browse Overlay podremos ver la superposición del raster a descargar

 

9. Descargar.

Figura 18. Click en Download Options

Figura 19. Diferentes opciones para descargar

 

Figura 20. Podemos descargar uno o todos los archivos

9. En Gnu/Linux se descomprime el archivo .tar de esta manera

Figura 21. En Gnu/Linux se descomprime el archivo .tar de esta manera

---

 

5. RASTERIO

Rasterio es una biblioteca Python para leer, escribir y procesar datos de ráster geoespaciales. Es una extensión de GDAL, una biblioteca de software gratuita y de código abierto para leer, escribir y procesar datos geoespaciales. Rasterio proporciona una API Python que hace que sea fácil trabajar con datos de ráster, incluyendo la apertura de datos de ráster, la lectura y escritura de datos de ráster, y el procesamiento de datos de ráster.

 

Aquí hay algunas de las características de Rasterio:

• Soporte para una amplia variedad de formatos de datos de ráster, incluidos GeoTIFF, GeoPDF, y Cloud Optimized GeoTIFF.

• La capacidad de leer y escribir datos de ráster en una variedad de formatos, incluidos NumPy arrays, Pandas DataFrames, y GeoJSON.

• Una API Python potente y fácil de usar.

• Soporte para el procesamiento de datos de ráster, como la reclasificación, la resampling, y la georeferenciación.

​​​​​​​

Rasterio es una herramienta poderosa para el trabajo con datos de ráster. Es una biblioteca de código abierto y está disponible de forma gratuita.

 

Figura 22. Archivos de diversas bandas del satélite Landsat 8

 

5.1. INSTALACION PARA USARLO CON PYTHON

Ejecutar en la terminal

$ pip install rasterio

 

 

5.2. INFORMACIÓN DEL RÁSTER

codigo.py

import rasterio ARCHIVO_tif ="/content/2022_B4.TIF" raster = rasterio.open(ARCHIVO_tif) print(raster.name) #nombre del archivo print(raster.count) #numero de bandas print(raster.indexes) #indices de las bandas presentes en el raster print(raster.bounds) #delimitacion del raster print(raster.shape) #dimensiones print(raster.height) #alto print(raster.width) #ancho print(raster.crs) #sistema de coordenadas del raster. Ver en https://epsg.io/ print(raster.driver) print(raster.meta) #metadatos

/content/2022_B4.TIF 1 (1,) BoundingBox(left=291885.0, bottom=-2034015.0, right=520515.0, top=-1802385.0) (7721, 7621) 7721 7621 EPSG:32619 GTiff {'driver': 'GTiff', 'dtype': 'uint16', 'nodata': 0.0, 'width': 7621, 'height': 7721, 'count': 1, 'crs': CRS.from_epsg(32619), 'transform': Affine(30.0, 0.0, 291885.0, .0, -30.0, -1802385.0)}

 

 

5.3. HISTOGRAMA DEL RÁSTER

codigo.py

import rasterio.plot ARCHIVO_tif ="/content/2022_B4.TIF" raster = rasterio.open(ARCHIVO_tif) rasterio.plot.show_hist(raster,bins=50,title="titulo")

Figura 23. Histograma

 

 

5.4. VISUALIZAR RÁSTER

codigo.py

import rasterio.plot ARCHIVO_tif ="/content/2022_B4.TIF" raster = rasterio.open(ARCHIVO_tif) raster_banda_1=raster.read(1) rasterio.plot.show(raster_banda_1,title="titulo",cmap="Spectral")

Figura 24. Imagen del ráster

 

 

5.5. COMBINACIÓN DE BANDAS

codigo.py

import rasterio.plot def normalizar(band):     band_min, band_max = band.min(), band.max()     return ((band - band_min)/(band_max - band_min)) RED_tif ="/content/2023_B4_Quellaveco.TIF" GREEN_tif ="/content/2023_B3_Quellaveco.TIF" BLUE_tif ="/content/2023_B2_Quellaveco.TIF" red = rasterio.open(RED_tif).read(1) green = rasterio.open(GREEN_tif).read(1) blue = rasterio.open(BLUE_tif).read(1) red_norm = normalizar(red) green_norm = normalizar(green) blue_norm = normalizar(blue) rasterio.plot.show([red_norm, green_norm, blue_norm])

Figura 25. Imagen de ráster a color natural

 

 

5.6. NDVI

codigo.py

import rasterio.plot import numpy as np B4_2023=rasterio.open("/content/2023_B4_Quellaveco.TIF").read(1) B5_2023=rasterio.open("/content/2023_B5_Quellaveco.TIF").read(1) ndvi_2023=np.divide(B5_2023-B4_2023, B5_2023+B4_2023, where=(B5_2023-B4_2023)!=0) ndvi_2023[ndvi_2023>1]=1 rasterio.plot.show(ndvi_2023)

Figura 26. NDVI

 

 

5.7. CAMBIO EN EL NDVI

codigo.py

import rasterio.plot def hallar_ndvi(RED_tif,NIR_tif):     RED=rasterio.open(RED_tif).read(1)     NIR=rasterio.open(NIR_tif).read(1)     ndvi=np.divide(NIR-RED,NIR+RED,where=(NIR-RED)!=0)     ndvi[ndvi>1]=1     return ndvi RED_2014_tif="/content/2014_B4.TIF" NIR_2014_tif="/content/2014_B5.TIF" ndvi_anterior = hallar_ndvi(RED_2014_tif,NIR_2014_tif) RED_2019_tif="/content/2019_B4.TIF" NIR_2019_tif="/content/2019_B5.TIF" ndvi_posterior= hallar_ndvi(RED_2019_tif,NIR_2019_tif) ndvi_cambio = ndvi_posterior - ndvi_anterior ndvi_cambio = np.where((ndvi_anterior>-999) & (ndvi_posterior>-999),ndvi_cambio,-999) rasterio.plot.show(ndvi_cambio)

Figura 27. Las zonas más oscuras son las zonas que han aumentado de vegetación

---

 

6. GDAL EN GNU/LINUX

GDAL (Geospatial Data Abstraction Library) es una biblioteca de programación de código abierto para leer y escribir datos geoespaciales, la conversión entre formatos de datos, el procesamiento de datos geoespaciales y la visualización de datos geoespaciales. Proporciona una interfaz de programación de aplicaciones (API) para acceder a una amplia variedad de formatos de datos geoespaciales.

Algunas de las características de GDAL incluyen:

• Soporte para una amplia variedad de formatos de datos geoespaciales, incluyendo raster, vector y geodatabases.

• La capacidad de leer y escribir datos geoespaciales en una variedad de formatos.

• La capacidad de convertir entre formatos de datos geoespaciales.

• La capacidad de procesar datos geoespaciales.

• La capacidad de visualizar datos geoespaciales.

Voy a abordar el uso de GDAL mediante la terminal en Debian (GNU/LINUX).

 

6.1. INSTALACIÓN EN DEBIAN (GNU/LINUX)

Ejecutar en la terminal

$ sudo apt install gdal-bin

6.2. FORMATOS DE ARCHIVOS COMPATIBLES

Ejecutar en la terminal

$ gdalinfo --formats

Supported Formats: VRT -raster,multidimensional raster- (rw+v): Virtual Raster DERIVED -raster- (ro): Derived datasets using VRT pixel functions GTiff -raster- (rw+vs): GeoTIFF COG -raster- (wv): Cloud optimized GeoTIFF generator NITF -raster- (rw+vs): National Imagery Transmission Format RPFTOC -raster- (rovs): Raster Product Format TOC format ECRGTOC -raster- (rovs): ECRG TOC format HFA -raster- (rw+v): Erdas Imagine Images (.img) SAR_CEOS -raster- (rov): CEOS SAR Image CEOS -raster- (rov): CEOS Image JAXAPALSAR -raster- (rov): JAXA PALSAR Product Reader (Level 1.1/1.5) GFF -raster- (rov): Ground-based SAR Applications Testbed File Format (.gff) ELAS -raster- (rw+v): ELAS ESRIC -raster- (rov): Esri Compact Cache AIG -raster- (rov): Arc/Info Binary Grid AAIGrid -raster- (rwv): Arc/Info ASCII Grid GRASSASCIIGrid -raster- (rov): GRASS ASCII Grid ISG -raster- (rov): International Service for the Geoid SDTS -raster- (rov): SDTS Raster DTED -raster- (rwv): DTED Elevation Raster PNG -raster- (rwv): Portable Network Graphics JPEG -raster- (rwv): JPEG JFIF MEM -raster,multidimensional raster- (rw+): In Memory Raster JDEM -raster- (rov): Japanese DEM (.mem) GIF -raster- (rwv): Graphics Interchange Format (.gif) BIGGIF -raster- (rov): Graphics Interchange Format (.gif) ESAT -raster- (rov): Envisat Image Format FITS -raster,vector- (rw+): Flexible Image Transport System BSB -raster- (rov): Maptech BSB Nautical Charts XPM -raster- (rwv): X11 PixMap Format BMP -raster- (rw+v): MS Windows Device Independent Bitmap DIMAP -raster- (rovs): SPOT DIMAP AirSAR -raster- (rov): AirSAR Polarimetric Image RS2 -raster- (rovs): RadarSat 2 XML Product SAFE -raster- (rov): Sentinel-1 SAR SAFE Product PCIDSK -raster,vector- (rw+v): PCIDSK Database File PCRaster -raster- (rw+): PCRaster Raster File ILWIS -raster- (rw+v): ILWIS Raster Map SGI -raster- (rw+v): SGI Image File Format 1.0 SRTMHGT -raster- (rwv): SRTMHGT File Format Leveller -raster- (rw+v): Leveller heightfield Terragen -raster- (rw+v): Terragen heightfield ...

6.3. INFORMACIÓN SOBRE UN ARCHIVO

Ejecutar en la terminal

$ gdalinfo 2023_B4_Quellaveco.TIF

Driver: GTiff/GeoTIFF Files: 2023_B4_Quellaveco.TIF Size is 7621, 7721 Coordinate System is: PROJCRS["WGS 84 / UTM zone 19N", BASEGEOGCRS["WGS 84", DATUM["World Geodetic System 1984", ELLIPSOID["WGS 84",6378137,298.257223563, LENGTHUNIT["metre",1]]], PRIMEM["Greenwich",0, ANGLEUNIT["degree",0.0174532925199433]], ID["EPSG",4326]], CONVERSION["UTM zone 19N", METHOD["Transverse Mercator", ID["EPSG",9807]], PARAMETER["Latitude of natural origin",0, ANGLEUNIT["degree",0.0174532925199433], ID["EPSG",8801]], PARAMETER["Longitude of natural origin",-69, ANGLEUNIT["degree",0.0174532925199433], ID["EPSG",8802]], PARAMETER["Scale factor at natural origin",0.9996, SCALEUNIT["unity",1], ID["EPSG",8805]], PARAMETER["False easting",500000, LENGTHUNIT["metre",1], ID["EPSG",8806]], PARAMETER["False northing",0, LENGTHUNIT["metre",1], ID["EPSG",8807]]], CS[Cartesian,2], AXIS["(E)",east, ORDER[1], LENGTHUNIT["metre",1]], AXIS["(N)",north, ORDER[2], LENGTHUNIT["metre",1]], USAGE[ SCOPE["Engineering survey, topographic mapping."], AREA["Between 72 W and 66 W, northern hemisphere between equator and 84 N, onshore and offshore. Aruba. Bahamas. Brazil. Canada - New Brunswick (NB); Labrador; Nunavut; Nova Scotia (NS); Quebec. Colombia. Dominican Republic. Greenland. Netherlands Antilles. Puerto Rico. Turks and Caicos Islands. United States. Venezuela."], BBOX[0,-72,84,-66]], ID["EPSG",32619]] Data axis to CRS axis mapping: 1,2 Origin = (291885.000000000000000,-1802385.000000000000000) Pixel Size = (30.000000000000000,-30.000000000000000) Metadata: AREA_OR_POINT=Point Image Structure Metadata: COMPRESSION=DEFLATE INTERLEAVE=BAND Corner Coordinates: Upper Left ( 291885.000,-1802385.000) ( 70d56'51.73"W, 16d17'36.31"S) Lower Left ( 291885.000,-2034015.000) ( 70d58'11.69"W, 18d23' 9.41"S) Upper Right ( 520515.000,-1802385.000) ( 68d48'28.67"W, 16d18' 8.30"S) Lower Right ( 520515.000,-2034015.000) ( 68d48'20.78"W, 18d23'45.78"S) Center ( 406200.000,-1918200.000) ( 69d52'58.20"W, 17d20'50.57"S) Band 1 Block=256x256 Type=UInt16, ColorInterp=Gray NoData Value=0 Overviews: 3811x3861, 1906x1931, 953x966, 477x483, 239x242, 120x121

6.4. CONVERTIR UN ARCHIVO DE IMAGEN JPG A TIF

Ejecutar en la terminal

$ gdal_translate -of GTIFF image.jpg image.tif

Figura 28. image.jpg

Figura 29. image.tif

6.5. GEOREFERENCIAR

Ejecutar en la terminal

$ gdalwarp -t_srs EPSG:4326 2023_B4_Quellaveco.TIF georeferenced.tif

Creating output file that is 7822P x 7600L. Processing 2023_B4_Quellaveco.TIF [1/1] : 0Using internal nodata values (e.g. 0) for image 2023_B4_Quellaveco.TIF. Copying nodata values from source 2023_B4_Quellaveco.TIF to destination georeferenced.tif. ...10...20...30...40...50...60...70...80...90...100 - done.

6.6. CREAR MOSAICO

Ejecutar en la terminal

$ gdalbuildvrt mosaic.vrt 2023_B4_Quellaveco.TIF 2023_B3_Quellaveco.TIF 2023_B2_Quellaveco.TIF

Figura 30. mosaic.vrt

---

CONCLUSIONES

• GDAL es una biblioteca más antigua y tiene una gama más amplia de funciones que Rasterio.

• Rasterio es una biblioteca más nueva y está diseñada para ser más eficiente y fácil de usar que GDAL.

• GDAL y Rasterio se pueden utilizar para acceder a una amplia gama de formatos de datos raster, incluyendo GeoTIFF, JPEG 2000, PNG y Erdas Imagine.

• GDAL y Rasterio se pueden utilizar para visualizar datos raster, incluyendo creación de mapas, superposiciones de imágenes y visualización en 3D.

---

 

REFERENCIAS

1. Anticona, Ronaldo. (2021). Influencia de la percepción remota en la identificación de zonas potenciales de agua subterránea en la cuenca experimental del Rio Ichu (Tesis de Ingeniero Civil). Universidad Nacional de Huancavelica, Perú.

2. Oré, Richard. (2019). Predicción de caudales mediante redes neuronales artificiales empleando información se sensores remotos en la cuenca experimental del río Ichu (Tesis de Ingeniero Civil). Universidad Nacional de Huancavelica, Perú.

3. Gillies, Sean. (2023). rasterio Documentation (Release 1.4dev).

4. Universidad de Murcia. Fundamentos físicos de la teledetección.

5. Gidahatari. (2023). Análisis de cambio de cobertura terrestre con Python y Rasterio - Tutorial.

6. GEOTADI. (2019). IMÁGENES LANDSAT 8 - Descarga y procesamiento en ArcMAP.

7. GeoProgramming. (2022). Introduction to Rasterio (Python Tutorial For Beginners).

8. matplotlib.org. Choosing Colormaps in Matplotlib.

9. gdal.org

10. USGS (United States Geological Survey).