universidad distrital francisco josÉ de caldas facultad de ingenierÍa anÁlisis de...
TRANSCRIPT
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
ANÁLISIS DE LA PRESENCIA DE PARTÍCULAS SÓLIDAS EN SUSPENSIÓN SOBRE
EL RÍO BOGOTÁ GENERADAS POR LOS PROCESOS DE LAS CURTIEMBRES,
HACIENDO USO DE TELEDETECCIÓN, EN EL MUNICIPIO DE VILLAPINZÓN
JAVIER ESTEBAN SARMIENTO TORO
CAROL TATIANA CHICUAZUQUE GUTIÉRREZ
BOGOTÁ D.C.
MARZO DE 2020
II
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
ANÁLISIS DE LA PRESENCIA DE PARTÍCULAS SÓLIDAS EN SUSPENSIÓN SOBRE
EL RÍO BOGOTÁ GENERADAS POR LOS PROCESOS DE LAS CURTIEMBRES,
HACIENDO USO DE TELEDETECCIÓN, EN EL MUNICIPIO DE VILLAPINZÓN
JAVIER ESTEBAN SARMIENTO TORO
CAROL TATIANA CHICUAZUQUE GUTIÉRREZ
PROYECTO DE GRADO COMO REQUISITO PARCIAL PARA OPTAR POR EL
TÍTULO DE INGENIERO CATASTRAL Y GEODESTA
DIRECTORA:
Ph.D. ERIKA SOFÍA UPEGUI CARDONA
BOGOTÁ D.C.
MARZO DE 2020
III
Nota de aceptación:
___________________________
___________________________
___________________________
___________________________
___________________________
___________________________
___________________________
Firma del Director
Erika Sofia Upegui Cardona
___________________________
Firma del Jurado
___________________________
Firma del Jurado
Bogotá D.C. Marzo de 2020
IV
Agradecimientos
A Dios y a la Virgen por la sabiduría.
A nuestros padres Ada Lucy Gutiérrez y Javier Chicuazuque, Doris Alicia Toro y Wilson Javier
Sarmiento, por ser el motor de nuestros sueños y apoyarnos para conseguirlos, por su paciencia en
cada etapa y su compromiso constante con nuestro futuro.
A Lucia Chicuazuque, por ser mi compañía constante durante estos años y todo el apoyo brindado
en el desarrollo de este proyecto y a lo largo de mi vida.
A la docente Erika Sofia Upegui, por aceptar dirigir este proyecto, brindándonos su conocimiento
y confianza; quien desde su compromiso por la investigación y la academia motiva a sus
estudiantes a investigar y generar conocimiento.
A la docente Claudia Berenice Rojas, quien desde su primera revisión nos brindó su conocimiento
para mejorar este proyecto y al docente Rubén Javier Medida por sus asesorías a lo largo del
desarrollo del mismo.
Al ingeniero Jorge Luis Rodríguez, por la ejecución de los vuelos de adquisición de datos, su apoyo
durante el trabajo de campo y brindarnos su conocimiento en el campo de la geomática.
Al ingeniero Víctor Ángulo, por sus consejos y sugerencias a lo largo del desarrollo de este
proyecto y al semillero de investigación en Geociencias y Sensores Remotos (GRSS).
Al Laboratorio de Aguas del Centro Tecnológico del Cuero, por permitirnos desarrollar la etapa
de análisis de muestras de agua en sus instalaciones y poner a nuestra disposición la guía del
químico Anderson Moreno.
Al proyecto curricular de Ingeniería Catastral y Geodesia, por facilitarnos el uso de los equipos
utilizados en este proyecto. A sus docentes por compartir sus conocimientos.
V
Tabla de contenido Agradecimientos ........................................................................................................................... IV
Listado de tablas ........................................................................................................................ VIII
Listado de figuras .......................................................................................................................... IX
1 Introducción ............................................................................................................................ 1
1.1 Problema de investigación ............................................................................................... 3
1.1.1 Descripción del problema ............................................................................................. 3
1.2 Objetivos de investigación ............................................................................................... 4
1.2.1 Objetivo general ........................................................................................................... 4
1.2.2 Objetivos específicos .................................................................................................... 4
1.3 Justificación ...................................................................................................................... 5
2 Marco Teórico ......................................................................................................................... 6
2.1 Teledetección ................................................................................................................... 6
2.2 Espectroradiometría ......................................................................................................... 6
2.3 Radiometría ...................................................................................................................... 6
2.4 Radiancia .......................................................................................................................... 8
2.5 Irradiancia......................................................................................................................... 8
2.6 Calibración Radiométrica ................................................................................................. 8
2.7 Proceso de Calibración ..................................................................................................... 9
2.8 Superficie Lambertiana o difusor perfecto ..................................................................... 10
2.9 Índices espectrales .......................................................................................................... 11
2.9.1 NSMI .......................................................................................................................... 11
2.9.2 NDSSI ......................................................................................................................... 11
2.9.3 Band Ratio (Verde/Azul) ............................................................................................ 11
2.9.4 NDWI ......................................................................................................................... 12
2.10 Filtrado espacial lineal ................................................................................................ 12
2.10.1 Filtro promedio ponderado ......................................................................................... 13
2.11 Fotogrametría UAV .................................................................................................... 13
2.11.1 Planeación del vuelo ................................................................................................... 14
2.11.2 Adquisición de las imágenes ...................................................................................... 14
2.11.3 Procesamiento de las imágenes .................................................................................. 14
2.11.4 Georreferenciación directa ......................................................................................... 15
VI
2.12 Factores químicos de la industria cuerera. .................................................................. 16
2.12.1 Ribera.......................................................................................................................... 17
2.12.2 Curtido ........................................................................................................................ 18
2.12.3 Acabado en húmedo ................................................................................................... 18
2.12.4 Acabado en seco ......................................................................................................... 19
2.13 Afectación de la salud por las curtiembres. ................................................................ 19
2.14 Sólidos suspendidos totales ........................................................................................ 20
2.14.1 Definición matemática de los SST ............................................................................. 21
2.15 Pruebas de estadística ................................................................................................. 21
2.15.1 ANOVA ...................................................................................................................... 21
2.15.2 Prueba de Breush – Pagan .......................................................................................... 22
2.15.3 Prueba de nomalidad de Shapiro – Wilk .................................................................... 22
2.16 Correlación ................................................................................................................. 23
2.16.1 Coeficiente de Correlación Lineal de Pearson ........................................................... 23
2.16.2 Coeficiente de determinación R2 ................................................................................ 23
3 Estado del Arte ...................................................................................................................... 25
4 Marco normativo ................................................................................................................... 26
5 Equipos y software ................................................................................................................ 28
5.1 Equipos ........................................................................................................................... 28
5.1.1 Cámara: MicaSense RedEdge - M.............................................................................. 28
5.1.2 Vehículo aéreo no tripulado ....................................................................................... 30
5.1.3 Panel de calibración de MicaSense RedEdge – M ..................................................... 30
5.1.4 Panel de calibración artesanal ..................................................................................... 31
5.1.5 Espectroradiómetro: HandHeld2 ................................................................................ 32
5.1.6 GPS: Garmin Oregon 550........................................................................................... 33
5.2 Software de procesamiento ............................................................................................ 34
5.2.1 Mission planner ® ...................................................................................................... 34
5.2.2 ViewSpec Pro ® ......................................................................................................... 34
5.2.3 ArcGIS ® .................................................................................................................... 35
5.2.4 ERDAS Imagine ® ..................................................................................................... 35
5.2.5 MatLab ® ................................................................................................................... 35
5.2.6 Agisoft Metashape ® .................................................................................................. 35
VII
5.2.7 R ® ............................................................................................................................. 36
5.2.8 RStudio ® ................................................................................................................... 36
6 Zona de estudio ..................................................................................................................... 36
6.1 Cuenca alta del río Bogotá ............................................................................................. 39
7 Metodología .......................................................................................................................... 42
7.1 Etapa 1. Búsqueda y consulta ......................................................................................... 44
7.2 Etapa 2. Adquisición de datos ........................................................................................ 44
7.2.1 Captura de imágenes ................................................................................................... 44
7.2.2 Toma de firmas espectrales ........................................................................................ 45
7.2.3 Muestreo del agua ....................................................................................................... 47
7.3 Etapa 3. Procesamiento .................................................................................................. 47
7.3.1 Proceso fotogramétrico ............................................................................................... 47
7.3.2 Ajuste de los puntos GPS ........................................................................................... 48
7.3.3 Identificación de la ubicación matricial de los puntos GPS ....................................... 48
7.3.4 Creación pixel promedio de las ventanas pixel .......................................................... 49
7.3.5 Análisis en laboratorio de las muestras de agua ......................................................... 49
7.3.6 Análisis de las firmas espectrales del panel de calibración ........................................ 51
7.4 Etapa 4. Interpretación de resultados y generación de productos .................................. 51
8 Resultados y generación de productos .................................................................................. 51
8.1 Panel de calibración artesanal ........................................................................................ 52
8.2 Proceso fotogramétrico .................................................................................................. 57
8.2.1 Cálculo de reflectancia ............................................................................................... 59
8.2.2 Enmascaramiento del rio ............................................................................................ 59
8.3 Modelado de la presencia de SST en el río .................................................................... 64
8.3.1 Extracción de valores de reflectancia e índices .......................................................... 64
8.3.2 Cálculo de SST en los puntos muestra ....................................................................... 66
8.3.3 Estimación de la presencia de SST ............................................................................. 70
9 Análisis de resultados ........................................................................................................... 77
9.1 Evaluación del panel de calibración artesanal................................................................ 77
9.2 Estimación de la presencia de SST ................................................................................ 79
10 Costos del proyecto ............................................................................................................... 84
11 Conclusiones ......................................................................................................................... 85
VIII
12 Recomendaciones ................................................................................................................. 87
13 Trabajos futuros .................................................................................................................... 88
14 Bibliografía ........................................................................................................................... 89
Anexos .......................................................................................................................................... 92
Anexo 1: Proceso fotogramétrico ............................................................................................. 92
Anexo 2: Script proceso en Matlab ........................................................................................... 96
Anexo 3: Proceso en laboratorio para determinar SST ............................................................. 98
Listado de tablas
Tabla 1. Parámetros físico químicos y valores máximos permisibles. ......................................... 27
Tabla 2. Especificaciones básicas de la cámara. ........................................................................... 29
Tabla 3. Bandas espectrales de la cámara MicaSense RedEdge – M. .......................................... 29
Tabla 4. Especificaciones Técnicas del Espectroradiómetro HandHeld2. ................................... 33
Tabla 5. Especificaciones GPS. .................................................................................................... 34
Tabla 6. Índices de calidad del agua en la cuenca alta del río Bogotá. ......................................... 40
Tabla 7. Mediciones registradas por la CAR en la cuenca alta del río Bogotá entre 2010 y 2019........................................................................................................................................................ 40
Tabla 8. Resultados el análisis ANOVA para cada baldosa del panel de calibración. ................. 54
Tabla 9. Correspondencia entre niveles digitales y valores de reflectancia por banda. ................ 55
Tabla 10. Resultados de cada vuelo. ............................................................................................. 59
Tabla 11. Resultado valores de reflectancia sin ventana pixel. .................................................... 65
Tabla 12. Resultado valores de reflectancia para la ventana pixel 3x3. ....................................... 65
Tabla 13. Resultado valores de reflectancia para la ventana pixel 5x5. ....................................... 65
Tabla 14. Puntos muestra para evaluar SST. ................................................................................ 66
Tabla 15. Resultados de laboratorio para SST. ............................................................................. 69
Tabla 16. Modelos de explicación de presencia de SST generados. ............................................ 70
Tabla 17. Valores de reflectancia extraídos del ortomosaico. ...................................................... 78
Tabla 18. Valores de niveles digitales extraídos de la imagen sin calibrar. ................................. 78
Tabla 19. Valores de reflectancia calculados mediante las ecuaciones. ....................................... 78
Tabla 20. Evaluación del modelo en los puntos de muestreo. ...................................................... 80
Tabla 21. Resultados pruebas R. ................................................................................................... 80
Tabla 22. Análisis porcentual por tramo de SST. ......................................................................... 81
Tabla 23. Costos del proyecto. ...................................................................................................... 84
IX
Listado de figuras
Figura 1. Reflectancia espectral del agua clara y turbia dentro del rango espectral (0.5 –1.0 μm)........................................................................................................................................................ 20
Figura 2. Cámara MicaSense RedEdge-M.................................................................................... 28
Figura 3. Respuesta espectral de la cámara. ................................................................................. 30
Figura 4. Hexacoptero. .................................................................................................................. 30
Figura 5. Panel de calibración de MicaSense RedEdge - M. ........................................................ 31
Figura 6. Panel de calibración artesanal. ...................................................................................... 31
Figura 7. Espectroradiómetro HandHeld2. ................................................................................... 32
Figura 8. GPS Garmin Oregon 550............................................................................................... 33
Figura 9. Mapa de localización. .................................................................................................... 38
Figura 10. Cuenca alta del río Bogotá. ......................................................................................... 39
Figura 11. Ubicación puntos de monitoreo de la CAR. ................................................................ 41
Figura 12. Presencia de SST en los puntos de monitorio de la CAR. Izq.) 2010 – 2014. Der.) 2015 – 2019................................................................................................................................... 42
Figura 13. Metodología del proyecto. ........................................................................................... 43
Figura 14. Montaje de la cámara en el hexacoptero. .................................................................... 44
Figura 15. Calibración del espectroradiómetro. ............................................................................ 45
Figura 16. Toma de las firmas espectrales del panel de calibración. ............................................ 46
Figura 17. Toma de firmas espectrales en el río. .......................................................................... 46
Figura 18. Proceso fotogramétrico. ............................................................................................... 48
Figura 19. Laboratorio de aguas del centro tecnológico de cuero. ............................................... 50
Figura 20. Metodología para determinación de SST. ................................................................... 50
Figura 21. Metodología análisis de firmas espectrales del panel de calibración. ......................... 51
Figura 22. Firmas del panel de calibración. a) Blanco. b) Gris claro. c) Gris oscuro. d) Negro. . 52
Figura 23. Firmas promedio de las baldosas del panel de calibración .......................................... 53
Figura 24. Regresión lineal banda del azul. ................................................................................ 56 Figura 25. Regresión lineal banda del verde. ................................................................................ 56
Figura 26. Regresión lineal banda del rojo. ................................................................................. 56 Figura 27. Regresión lineal banda del NIR. .................................................................................. 56
Figura 28. Regresión lineal banda del Red Edge. ......................................................................... 56
Figura 29. Planes de vuelo. a) Tramo 1. b) Parte a tramo 2. c) Parte b tramo 2. d) Parte c tramo 2. e) Parte d tramo 2. ......................................................................................................................... 57
Figura 30. Toma del panel de calibración. Izq.) Panel MicaSense. Der.) Panel artesanal. .......... 58
Figura 31. Visualización índice NSMI. ........................................................................................ 60
Figura 32. Visualización índice del NDSSI. ................................................................................. 61
Figura 33. Visualización índice Band Ratio. ................................................................................ 62
Figura 34. Visualización índice NDWI. ....................................................................................... 63
Figura 35. Metodología del mejor modelo de estimación. ........................................................... 64
Figura 36. Puntos de muestreo propios. ........................................................................................ 67
Figura 37. Toma de muestras de agua. ......................................................................................... 68
X
Figura 38. Proceso de conservación de muestras.......................................................................... 69
Figura 39. Estimación SST, tramo 1. ............................................................................................ 72
Figura 40. Estimación SST, tramo 2 división 1. ........................................................................... 73
Figura 41. Estimación SST, tramo 2 división 2. ........................................................................... 74
Figura 42. Estimación SST, tramo 2 división 3. ........................................................................... 75
Figura 43. Estimación SST, tramo 2 división 4. ........................................................................... 76
Figura 44. Flujo de trabajo en ArcGIS. ......................................................................................... 77
Figura 45. Comparación entre valores medidos y valores de la predicción. ................................ 79
Figura 46. Zonas de alta presencia de SST. .................................................................................. 82
Figura 47. Relación firmas espectrales y ortomosaico. a) Punto muestra 1. b) Puntos muestra 2. c) Punto muestra 3. ....................................................................................................................... 83
Figura 48. Cargue de los archivos a Agisoft. ................................................................................ 92
Figura 49. Módulo de calibración. ................................................................................................ 93
Figura 50. Visualización de las imágenes después de la calibración. ........................................... 93
Figura 51. Nube de puntos de enlace. ........................................................................................... 94
Figura 52. Izq.) Nube densa de puntos. Der.) Malla. .................................................................... 94
Figura 53. Ortomosaico generado. Izq.) Sin ajuste de brillo. Der.) Con ajuste de brillo. ............ 95
Figura 54. Cápsulas de porcelana. ................................................................................................ 98
Figura 55. Bomba vacío. ............................................................................................................... 98
Figura 56. Desecador. ................................................................................................................... 98
Figura 57. Horno precalentado a 105 °C. ..................................................................................... 99
Figura 58. Pinzas metálicas........................................................................................................... 99
Figura 59. Balanza analítica. ......................................................................................................... 99
Figura 60. Filtros de fibra de vidrio. ............................................................................................. 99
Figura 61. Rotulación de las capsulas. ........................................................................................ 100
Figura 62. Preparación del filtro. ................................................................................................ 100
Figura 63. Disposición del conjunto en el horno. ....................................................................... 101
Figura 64. Pesaje del conjunto inicial. ........................................................................................ 101
Figura 65. Filtrado de la muestra. ............................................................................................... 102
Figura 66. Estado final de los filtros de fibra de vidrio. ............................................................. 102
1 Introducción
La teledetección desde el campo de las ciencias de la tierra, se define como una técnica cuya
finalidad es la captura, el tratamiento y el análisis de las imágenes digitales obtenidas mediante
sensores instalados en plataformas espaciales (Chuvieco, 1995). Sus inicios se pueden relacionar
directamente con las primeras misiones espaciales, que inicialmente estaban enfocadas a fines
militares y años más adelante a un uso civil. (Universidad de Salamanca, 2006). Esta técnica ha
venido variando con los últimos años y se ha ampliado su campo de aplicación pues generó una
progresión en lo referente a la cantidad, variedad y calidad de la información disponible,
permitiendo que diferentes disciplinas se interesen en explorar su uso y aplicación (Chuvieco,
1995).
Las aplicaciones más conocidas de la teledetección son aquellas relacionadas con el procesamiento
y análisis de las imágenes tomadas con satélite, principalmente por la gran variedad de bandas
disponibles en los sensores utilizados y la diversidad de información que se puede extraer de las
mismas; sin embargo, esta herramienta cuenta con diferentes limitaciones para algunos estudios,
particularmente para aquellos que se desean realizar a una escala local y con un constate
monitoreo; siendo este el caso de la presente investigación. La teledetección ha presentado un
crecimiento en sus aplicaciones, que se ha enfocado entre otras en la solución de las limitaciones
mencionadas, generando herramientas que logran cumplir con una resolución espacial y temporal
necesaria para el desarrollo del proyecto deseado además tienen un bajo costo y gran facilidad de
procesamiento.
Diversos estudios de contaminación en afluentes, han utilizado la teledetección como parte de la
investigación (Liqin, 2014), (Pavelsky & Smith, 2009), (Doxaran et al, 2002). El río Bogotá es
uno de los ríos de mayor importancia en el departamento de Cundinamarca, y es el principal cauce
fluvial de la sabana de Bogotá; históricamente este afluente se ha visto afectado por la
contaminación de diferentes fuentes, donde hacen presencia los materiales vertidos en el proceso
del curtido en el río Bogotá, particularmente de aquellos que se mantienen en suspensión. El
proceso industrial de curtido, es una de las múltiples fuentes de contaminación, la cual ha sido
ampliamente estudiada (Suárez et al, 2012) dando un conocimiento previo de los efectos causados
2
de estos residuos en la calidad del agua de este río. Se decide que la zona de estudio sea el
municipio de Villapinzón tomando en consideración, los hechos de que sea en este municipio
donde se encuentra el nacimiento del río Bogotá y a su vez sea allí mismo donde inicia la presencia
de las curtiembres; por lo que se estima que al tener estas dos condiciones se hace posible
evidenciar de manera más directa la verdadera afectación de esta industria.
De acuerdo a lo mencionado anteriormente en esta investigación se realizan los estudios necesarios
para la evaluación de la presencia de sólidos en suspensión en el tramo de la cuenca alta del río
Bogotá correspondiente a la zona de estudio establecida; para esto se realiza el uso de planes de
vuelo, calibración de la cámara y calibración de reflectancia para el proceso de adquisición de las
imágenes en su forma más simple. Al ser necesario realizar un proceso de validación de las técnicas
utilizadas en la teledetección se hace uso del espectroradiómetro HandField-2 para la obtención
del valor de reflectancia en aquellos puntos reconocidos como de interés, donde también se toman
muestras de agua para un análisis posterior en laboratorio realizado por los mismos autores donde
se cuantifica la cantidad de sólidos suspendidos para cada una de las muestras recolectadas y
debidamente georreferenciadas.
Estos requerimientos previos se consideran necesarios para la generación de una aproximación a
la estimación de la presencia de sólidos suspendidos, realizado mediante una correspondencia
directa entre la reflectancia de los puntos de interés en el río y los valores físicos de los mismos.
Adicionalmente se presenta la creación y validación estadística de un panel artesanal de
calibración, generado como herramienta de apoyo para la toma de datos realizada mediante
cámaras de menor gama y cuyo costo de panel calibrado es muy elevado.
3
1.1 Problema de investigación
1.1.1 Descripción del problema
Los procesos llevados a cabo en actividades como la industria, la agricultura, la minería, la
construcción, entre otras; generan altos índices de contaminación a raíz de los residuos generados,
siendo estos los que mayor afectación ambiental llegan a producir (Azom et al, 2012). El municipio
de Villapinzón (Cundinamarca) es una muestra de lo mencionado, ya que basa parte de su
economía en la industria del cuero, la cual es a su vez una de las principales fuentes de
contaminación de uno de los afluentes hídricos de mayor importancia a nivel departamental como
lo es el río Bogotá. Dicha contaminación se debe a los elementos químicos utilizados en el proceso
llevado a cabo en las curtiembres y el manejo indebido que se les da a los residuos resultantes.
Aunque este río ha sido objeto de diferentes estudios no solo por las corporaciones interesadas
como la CAR (Corporación Autónoma Regional de Cundinamarca) sino también investigadores
de diversas ramas donde se destacan las relacionadas con el sector salud y el ambiental, no se
encuentra ninguna investigación enfocada en la búsqueda de alternativas para la medición y el
control de la calidad del agua de este afluente, que pueda servir como solución al deficiente
monitoreo presente no solo en este sino en todos los ríos del país.
Se plantea el uso de la teledetección para el análisis de la calidad del agua del río Bogotá mediante
el parámetro de sólidos en suspensión y se establece la necesidad de tener una toma de datos con
alta resolución espacial, que no genere altos costos y que permita una frecuencia de monitoreo que
se adapte a los intereses de la investigación, por lo cual se define como base del proceso el uso de
imágenes multiespectral capturadas mediante UAS cuyo procesamiento permita conocer el
comportamiento de los sólidos suspendidos en este tramo del cuerpo de agua ya mencionado y su
relación con las actividades realizadas en las curtiembres presentes en la zona.
Lo anterior, lleva a plantear como pregunta de investigación:
¿Cómo la captura de imágenes con cámaras no métricas en el rango del visible, infrarrojo cercano
y redEdge, permite la identificación del comportamiento de las partículas sólidas en suspensión
generadas por los vertimientos de las curtiembres sobre un tramo del río Bogotá?
4
1.2 Objetivos de investigación
1.2.1 Objetivo general
Evaluar el comportamiento de partículas sólidas en suspensión sobre un tramo de la cuenca alta
del río Bogotá perteneciente al municipio de Villapinzón a partir de teledetección.
1.2.2 Objetivos específicos Crear un panel de calibración radiométrica de bajo costo, como herramienta para la toma de datos
por medio de sensores incorporados a UAS, tales como las cámaras no métricas.
Implementar herramientas de teledetección que se adapten a las condiciones de resolución y
temporalidad necesarias en el análisis de la presencia de sólidos en suspensión en un tramo de la
cuenca alta del río Bogotá.
Generar un modelo empírico que relacione los valores de reflectancia capturados con la cámara
multiespectral y la cantidad de sólidos suspendidos totales presente en los puntos muestras
tomados in situ.
Validar el modelo empírico generado considerando su coeficiente R2 y la correspondencia entre
los valores estimados y los valores de laboratorio de las muestras tomadas in situ.
5
1.3 Justificación
Desde el campo de la teledetección es posible encontrar diferentes estudios centrados en el
problema de los sólidos en suspensión en cuerpos de agua (Arisanty & Saputra, 2017), (Ruiz,
2017), (Gómez & Delance, 2014) utilizando imágenes de satélite. No obstante, por las condiciones
geográficas del río Bogotá en su cuenca alta, las imágenes de satélite particularmente las de acceso
libre, no cuentan con la resolución espacial necesaria para este tipo de análisis debido al nivel de
detalle requerido.
La zona de interés cuenta con algunos estudios de calidad del agua, puesto que en el municipio de
Villapinzón se realizan comisiones de muestreo acompañadas de jornadas de industrialización del
microempresario para atender a los mínimos técnicos requeridos para el desarrollo de la actividad
económica enfocada el proceso del cuero, la mayoría desarrolladas por la Corporación Autónoma
Regional (CAR); sin embargo, estas no cuentan con una frecuencia apropiada.
Este estudio busca analizar el comportamiento de los materiales generados en el proceso del
curtido en el municipio de Villapinzón una vez entran en contacto con el río Bogotá, puesto que,
debido a la diversidad de los elementos utilizados durante el proceso, algunos tienen características
de sedimentación y otros de suspensión, siendo estos últimos los de mayor interés para el estudio.
Para ello, se introducen herramientas enfocadas en la teledetección, que puedan llegar a presentar
una relación con los estudios ambientales que se realizan en la zona, generen información de fácil
acceso y bajo costo (imágenes de sensores acoplados a UAS) y abran la posibilidad de un
monitoreo constante de los vertimientos realizados por la industria.
6
2 Marco Teórico
2.1 Teledetección
La teledetección (también denominada percepción remota o remote sensing en inglés) es la ciencia
y el arte de obtener información sobre un objeto, área o fenómeno a través del análisis de los datos
adquiridos por un dispositivo que no está en contacto con el objeto, área o fenómeno que se está
investigando (Lillesand, Kiefer, & Chipman, 2015). Usando varios sensores, se recopilan datos de
forma remota de los cuales muchos pueden ser analizados para obtener información sobre los
objetos, áreas o fenómenos que se están investigando (Lillesand, Kiefer, & Chipman, 2015).
2.2 Espectroradiometría
La espectroradiometría es definida por algunos autores como una medición de carácter cuantitativo
de la radiancia, irradiancia, reflectividad o transmisividad sobre el terreno (Vaughan, 2001) citado
en (Martinez, 2014). Este término, lleva implícita la interrelación entre las características
espectrales de cualquier superficie y sus atributos biofísicos, se considera como una técnica pasiva
cuyo foco externo es generalmente la radiación solar (Martinez, 2014).
En los últimos años se ha consolidado como una técnica de gran importancia para la caracterizar
la reflectancia de las superficies naturales in situ, denominada espectroradiometría de campo,
utilizada como soporte para la calibración de diferentes sensores aéreos y para la generación de
librerías espectrales de materiales y superficies (Martinez, 2014).
2.3 Radiometría
La radiometría se entiende como la parte de la física que se encarga de la cuantificación de la
transferencia de energía o potencia (energía por unidad de tiempo) desde un emisor o fuente a un
detector y asume la validez del modelo geométrico de trayectorias y conservación de energía en el
trayecto de un “tubo de rayos”, generando que la difracción o interferencia no sean significativas
(Gómez E. , 2006). A lo largo de la historia dispositivos ópticos y siendo más específicos las
cámaras fotográficas se diseñaron con el objetivo de captar la energía o radiación alojada en el
7
rango del espectro visible. Estos dispositivos realizan su respuesta a causa de las unidades
fotométricas captadas a diferencia de aquellos dispositivos utilizados para la captación de otro tipo
de radiancia y amplían su alcance de respuesta espectral y tienen como ejemplo los fotodetectores
de silicio (Gómez E. , 2006).
La luminosidad de una escena visualizada y su imagen registrada es uno de los parámetros
fundamentales de los sistemas ópticos de formación y/o registro de imagen. Las escenas del
espectro visible obtienen su reflectancia por la incidencia de las fuentes de energía naturales (sol,
luna, estrellas) y la identificación de los objetos únicamente puede realizarse cuando poseen
diferencias de reflectancia con su entorno (Gómez E. , 2006). La caracterización de los diferentes
rangos, es definida por (Chuvieco, 1995), de la siguiente manera:
Espectro Visible: Se denomina de esa forma por ser la única radiación electromagnética percibida
por el ojo humano, coincidiendo con las longitudes de onda donde es máxima la radiación solar.
Se distinguen las bandas elementales, del azul (0,4 a 0,5 μm); verde (0,5 a 0,6 μm); y rojo (0,6 a
0,7 μm) (Chuvieco, 1995).
Infrarrojo Cercano: (0,7 a 1,3 μm) también llamado infrarrojo reflejado y fotográfico, detectados
a partir películas dotadas de emulsiones espaciales. Es de importancia por su capacidad de
discriminar masas vegetales y concentraciones de humedad (Chuvieco, 1995).
Infrarrojo Medio: (1,3 a 8 μm) se caracteriza porque en esta longitud de onda se entremezclan los
procesos de reflexión de la luz solar y de emisión de la superficie terrestre (Chuvieco, 1995).
Infrarrojo Lejano o térmico: (8 a 14 μm) incluye la porción emisiva del espectro terrestre
(Chuvieco, 1995).
Micro – ondas: (A partir de 1 mm) es un tipo de energía bastante transparente a la cubierta nubosa
(Chuvieco, 1995).
8
2.4 Radiancia Medida de la distribución de la luz que viaja en un punto en una dirección especifica por unidad
de área de superficie perpendicular a la dirección de desplazamiento, por unidad de ángulo sólido.
La Radiancia se mide en vatios por metro cuadrado por esterilizador (��������). Se puede
cuantificar la cantidad de energía transmitida a través de una región en una dirección particular.
En la figura 2 se puede observar una superficie plana con un área dA que irradia energía en una
dirección que forma un ángulo � con la superficie normal . La cantidad de energía transmitida
por la superficie plana se define por la trayectoria del vector �� en una dirección (�, �) que es
proporcional a la radiancia (Robles-Kelly & Phuoc-Huynh, 2013).
2.5 Irradiancia
La cantidad de energía entrante al sensor por parte de un objeto se denomina irradiancia. Por
definición, la irradiancia es la potencia de la luz incidente por unidad de área de superficie no
acortada, y se mide en vatios por metro cuadrado (����). La irradiancia saliente de una superficie
se denomina “Exitancia” tiene las mismas unidades y expresión para su definición. También es
conocida como emitancia. La irradiancia es la magnitud más importante para caracterizar la
incidencia o emisión de radiación por una superficie cuando no es necesario detallar la distribución
angular o direccional de la radiación. La fuente de luz incidente se origina en una región de ángulo
solido ��� y llega a una superficie plana con área dA. La dirección de la luz forma un ángulo �� con la superficie normal N y un ángulo de inclinación �� con un eje de referencia (Robles-Kelly
& Phuoc-Huynh, 2013).
2.6 Calibración Radiométrica
La calibración radiométrica se refiere a la relación entre la radiancia espectral en un plano de
entrada del sensor y la imagen en ND resultante, incluidos los errores. Para el caso de detectores
de tipo CCD (dispositivos de carga acoplada), aquellos fotoelectrones generados por un
determinado pixel del plano focal tienen un comportamiento lineal con respecto a la radiancia
espectral (Pereyra, 2018):
9
���, �) = �����, �) + � (Ecuación 1)
o ���, �) datos crudos generados por el pixel (i,j) expresados en cuentas digitales.
o ����, �) es la representación de la radiancia espectral.
o � es el coeficiente de ganancia efectivo del sistema.
o � es la constante de compensación de señal oscura del sistema.
Esta ecuación se plantea para cada uno de los pixeles del sensor y es vista como la forma más
simple de relación. Sin embargo, los sensores tienden a no ser uniformes por esto se requiere que
realizar una calibración pixel a pixel, finalmente para obtener el coeficiente de ganancia y la
constante de compensación es importante comparar la señal en ND producida por el sensor
inducida por una fuente de radiancia espectral conocida y calibrada, esta función asume que los
anteriores son constantes en el tiempo sin ruido relacionado entre dos mediciones (Pereyra, 2018).
Cuando finalmente se obtienen los coeficientes, la radiancia espectral calibrada será obtenida a
partir de los datos crudos:
����, �) = ���, �) − ���, �)���, �) �Ecuación 2)
Las incertezas generadas en esta radiancia calibrada son obtenidas mediante propagación de
errores, incluyendo las incertezas de los coeficientes de ganancia y la constante de compensación
al igual que la incerteza de los datos crudos. La ecuación (1) plantea un modelo lineal entre los
productos generados por el sensor en ND y la radiancia espectral. En caso tal que esta linealidad
no fuese comprobada esta constituiría una asociación entre la no uniformidad y no linealidad del
plano focal y por ende se tendría que plantear un modelo mucho más complejo.
2.7 Proceso de Calibración En el proceso de adquisición de datos para el caso específico de una cámara multiespectral su
producto final son valores de ND que por sí solas no tienen una representación cuantitativa de
algún proceso físico de alguna cobertura en específico, por esto es necesario crear alguna
representación matemáticamente valida del ND a un valor de alguna representación física de la
10
radiometría, a este proceso se le denomina la calibración radiométrica de un sensor (Pereyra,
2018).
Calibrar requiere la asignación de unidades de ingeniería e incerteza a los datos generados por el
sensor, con un resultado ajustado a un estándar asignado. El modelo que se relaciona tendrá como
variables primarias los ND y magnitud deseada (Reflectancia o valor radiométrico), el proceso de
calibración comprende la comparación entre la respuesta del instrumento con un valor físico
conocido que podría ser un instrumento muy preciso calibrado (instrumento patrón), con la
obligación de tener el mismo estimulo del ambiente (Pereyra, 2018).
Cuando se encuentre una relación directa entre la magnitud deseada (reflectancia o valor
radiométrico) y la imagen en ND de la banda de entrada del mismo instrumento, mediante análisis
de la respuesta del sensor con un estándar o patrón, el sensor se puede considerar como de medición
de dicha magnitud física.
o Calibración Radiométrica Absoluta: Procesos matemáticos y análisis comparativo del
espectro físico y los datos en nivel digital para obtener su relación y su trazabilidad
radiométrica absoluta a la radiancia espectral en la banda de entrada.
o Calibración Radiométrica Relativa: Los mismo anteriores pero que buscan la reducción de
efectos de ruido en los niveles digitales o la totalidad de los niveles
2.8 Superficie Lambertiana o difusor perfecto
Son aquellas superficies que reflejan la energía uniformemente en todas las direcciones, de esta
forma la radiancia es constante en cualquier ángulo de reflexión. Existe algún comportamiento de
cubiertas que se encuentran en el intermedio de superficies especulares o lambertianas, teniendo
en cuenta sus características y tipo de longitud de onda que se encuentre en análisis. En la longitud
de onda del espectro visible las rigurosidades del terreno difunden mucho más la energía incidente
tendiendo a comportarse como superficies lambertianas, en longitudes de ondas mayores estas
mismas pueden presentar comportamientos especulares (Chuvieco, 1995).
11
2.9 Índices espectrales
2.9.1 NSMI
El índice de material suspendido normalizado, conocido por sus siglas en ingles NSMI (Ecuación
1) se desarrolló fundamentado en el principio que el agua limpia registra un pico de reflectancia
en el rango azul, mientras que la presencia de material suspendido genera un aumento de
reflectancia en todo el rango visible del espectro, especialmente en el verde y el rojo (Fiuza, Souza,
& Santana, 2011). La (Ecuación 4) se generó sumando la respuesta espectral del verde y el rojo y
restar la banda azul, dividiendo luego en la suma de las tres bandas para normalizar el resultado.
Los valores generados varían entre -1 y 1 donde los valores más bajos corresponden a la presencia
de agua más clara (Fiuza, Souza, & Santana, 2011).
%&' = ()*+,+-.�)/0120)��)3456)()*+,+-.�)/0120).�)3456) �Ecuación 4)
2.9.2 NDSSI
El índice de sedimentos suspendido de diferencia normalizada, conocido por sus siglas en ingles
NDSSI (Ecuación 5) ha sido utilizado para desarrollar modelos de sedimentos suspendido en ríos,
lagos, estuarios y otros cuerpos de agua. Esta ecuación se fundamenta en que se ha observado que
en Landsat las imágenes ETM son más sensibles a la transparencia del agua en los rangos del azul
y cerca al infrarrojo; el índice se aplica restando la banda del NIR la banda azul y dividirlo en la
suma de ambas para normalizar el resultado. Los valores generados varían de -1 a 1 donde los
valores más altos indican la presencia de más agua clara (Azad & Chao, 2006).
�%%' = �)3456)��)78*)�)3456).�)78*) (Ecuación 5)
2.9.3 Band Ratio (Verde/Azul)
La relación de bandas (Verde/Azul), hace parte de las relaciones simples entre bandas que son
utilizadas para muchos propósitos en lo referente a teledetección entre otras para la determinación
12
del sedimento suspendido en el agua (Ecuación 6). Esta ecuación puede ser utilizada para tal
finalidad, ya que la banda verde se utiliza porque el sedimento aumenta la reflectancia en este
rango, mientras que el agua despejada tiene un pico de reflectancia en el rango del azul. Las
relaciones de banda varían de 0 a infinito, donde el valor más alto indica la presencia de más
sedimentos suspendidos (Aber, 2011).
9:;� <:=�> = �)/0120)�)3456) (Ecuación 6)
2.9.4 NDWI
El índice diferencial de agua normalizado, conocido como sus siglas en inglés como NDWI
(Ecuación 7) permite identificar masas de agua y zonas de elevada saturación de humedad por
medio del análisis de imágenes satelitales. Este índice es empleado como unidad de medida para
determinar el estrés hídrico en vegetación, saturación de humedad en suelo o relación
delimitaciones directas de masas de agua como lagos y embalses. Este índice dispone de múltiples
variantes de análisis con base en la combinación de bandas multiespectrales, encontrando
combinaciones de bandas NIR- verde, NIR- SWIR, SWIR- verde. Uno de los métodos
ampliamente utilizado es el Método McFeeters, 1996 (Ecuación 7). Esta relación permite
maximizar la reflectancia del agua al trabajar con longitudes de ondas en el verde, maximiza la
reflectancia de la vegetación y minimiza la reflectancia de las masas de agua gracias al NIR
(GIS&Beers, 2017).
��' = �)/0120)��)78*)�)/0120).�)78*) (Ecuación 7)
2.10 Filtrado espacial lineal Estos filtros espaciales lineales implementan el proceso de la convolución espacial que es un
método matemático utilizado en procesamiento y análisis de señales, el proceso de convolución
espacial se mueve a través de la imagen de entrada, pixel por pixel ubicando los pixeles resultantes
en la imagen de salida; este valor de pixel corresponderá al proceso realizado entre el pixel central
y los pixeles que lo rodean (Aldalur & Santamaría, 2002).
13
El proceso de convolución espacial realiza un promedio ponderado del pixel entrada y sus vecinos
inmediatos y este calcula un pixel de salida, el grupo de pixeles utilizados en el proceso
mencionado se le conoce como núcleo (kernel) en algunos casos es comparable a las ventanas
pixel. El núcleo es un arreglo matricial generalmente de tamaño impar. Cuando el núcleo tiene una
dimensión de 1x1 se refiere a un procesamiento digital punto por punto, generalmente el tamaño
del núcleo es de 3x3 y 5x5. Cuanto más grande sea el tamaño del núcleo este posee mayor grado
de libertad (Aldalur & Santamaría, 2002).
2.10.1 Filtro promedio ponderado
Es un proceso lineal que se reconoce como la suma de elementos multiplicados por valores
constantes. En la convolución espacial los elementos multiplicados pueden ser valores de nivel
digital y los constantes son aquellos pesos. Para este caso en particular los pesos son iguales a
1/;A donde B será la cantidad total de elementos que contiene el núcleo. Cuando se requiere se
puede realizar coeficientes de convolución en forma matricial (mascara de convolución o ventana
pixel). El pixel central del núcleo y sus vecinos se multiplican por sus respectivos coeficientes de
convolución, luego estos valores se suman y finalmente el resultado es ubicado en la imagen de
salida en la misma posición del pixel central (Aldalur & Santamaría, 2002).
2.11 Fotogrametría UAV
El término fotogrametría UAV hace referencia a una plataforma de medición fotogramétrica, la
cual es operada de forma remota (semiautónoma o autónoma), es decir sin un piloto sentado en el
vehículo (Eisenbeiss, 2008). Los UAV permiten el seguimiento de posición y orientación de los
sensores que implementados en un sistema coordenado local o global, llevando a que este tipo de
fotogrametría sea considerada como una nueva herramienta de medición fotogramétrica; la cual
posibilita nuevas aplicaciones en lo referente al corto alcance, la combinación de fotogrametría
aérea y terrestre, la obtención de información casi en tiempo real y la disminución en los costos
(Eisenbeiss, 2008). Las principales etapas de la fotogrametría UAV se mencionan a continuación:
14
2.11.1 Planeación del vuelo
Esta etapa se basa en la definición de la región de interés y los parámetros del vuelo con el cual se
va a realizar la adquisición de imágenes; en el caso de los vuelos autónomos la planeación inicia
con la delimitación de la zona de estudio sobre un mapa base georreferenciado, por el contrario,
cuando el vuelo es manual la definición de esta región dependerá de la dirección que el operador
a control remoto decida darle a la plataforma. Una vez definida la zona se deben ingresar los
parámetros requeridos de vuelo que son: la altura de vuelo o distancia de muestra en tierra (GSD
por su nombre en inglés) como alternativa y los porcentajes de traslape entre imágenes
(longitudinal y transversalmente); estos parámetros en el caso de los vuelos autónomos permiten
que el software calcule las líneas de vuelo (Escalante, Cáceres, & Porras, 2016).
2.11.2 Adquisición de las imágenes
La etapa de adquisición de las imágenes inicia con el lanzamiento de la plataforma aérea, las
plataformas tipo avión o ala fija requieren un lanzamiento manual, por su parte, las plataformas
tipo helicóptero o multirrotor realizan un despegue automático. Posteriormente por medio del
sistema de navegación se busca de manera automática el inicio de la ruta de vuelo programada y
se da inicio a la captura de fotos de acuerdo a los parámetros ya establecidos; mientras tanto en
tierra, se debe controlar el estado del vuelo y de la plataforma por medio de información como el
tiempo de vuelo, el nivel de batería, la temperatura y la intensidad de la señal (Escalante, Cáceres,
& Porras, 2016).
2.11.3 Procesamiento de las imágenes
En la fotogrametría UAV se identifican dos productos cartográficos tradicionales, los modelos
digitales de superficie y los ortomosaicos georreferenciados (Escalante, Cáceres, & Porras, 2016);
para la generación de estos productos el procesamiento de imágenes UAV combina estrategias
empleadas en la fotogrametría tradicional y en visión por computador. El procesamiento llevado a
cabo luego de la toma de las imágenes, se puede explicar en tres etapas. La primera etapa
denominada configuración del bloque fotogramétrico, donde se realiza una de las estrategias
principales del proceso fotogramétrico que es la extracción y correlación de los puntos comunes
15
en las imágenes, esto permite conocer la orientación relativa entre las imágenes y sus áreas
comunes; otras dos estrategias de esta etapa son la determinación de los datos de orientación
interna y externa, mediante la calibración y orientación de imágenes, respectivamente (Escalante,
Cáceres, & Porras, 2016).
La segunda etapa denominada reconstrucción de escenas 3D, tiene como objetivo la determinación
de las coordenadas de terreno de todos los puntos comunes identificados en las imágenes, para
posteriormente darle coordenadas de terreno a cada uno de los píxeles; este proceso se conoce
como densificación de la nube de puntos. Y finalmente, la tercera etapa denominada generación
del modelo digital de superficie y ortorectificación de las imágenes, donde las estrategias aplicadas
son la rasterización de las nube de puntos para la generación del modelo digital de superficie
(DSM, por sus siglas en inglés) y la ortorectificación a partir del DSM generado, eliminando la
distorsión en las imágenes que se pueda generar por el relieve (Escalante, Cáceres, & Porras,
2016).
2.11.4 Georreferenciación directa
Es definida como el proceso de asignación de orientación exterior a cada cuadro de imagen o línea
de escaneo de forma directa sin necesidad de técnicas tradicionales como la triangulación aérea.
Este proceso requiere medir la posición geográfica y orientación del sensor mediante la tecnología
de sistema de posicionamiento global (GPS) y el sistema de navegación inercial (INS) (Hutton &
Mostafa, 2005).
o Sistema de posicionamiento global (GPS): proporcionara mediciones de posición con alta
precisión.
o Sistema de navegación inercial (INS): Realiza los cálculos y arroja la solución para obtener
posición y orientación del sensor.
La combinación en un solo resultado de los anteriores mencionados generaría un solo resultado
mucho más preciso puesto que los datos obtenidos a partir de GPS hacen las veces de control de
errores de los datos obtenidos por el INS a esta combinación se le reconoce como INS asistido por
16
GPS (Hutton & Mostafa, 2005). La georreferenciación directa en su proceso de adquisición de
coordenadas precisas del terreno en un punto requiere:
o La unidad de medición inercial debe estar conectada rígidamente a la cámara o sensor sin
flexión entre el centro de perspectiva de la cámara y el centro de detección de la unidad de
medición inercial.
o Los errores de alineación entre la IMU y la antena GPS requieren calibración.
o El INS asistido por GPS debe registrar el tiempo exacto de exposición de la imagen para
calcular parámetros de navegación en ese momento.
o Posición y orientación de los datos de navegación del INS asistido por GPS se transforman
a la orientación exterior utilizado por la mayoría de trazadores fotogramétricos. En
términos espaciales es pasar de un marco geográfico a un marco local con los parámetros
de transformación conocidos o calculados.
2.12 Factores químicos de la industria cuerera.
La finalidad del proceso realizado en las curtiembres es la transformación física y química del
cuero de los animales (principalmente bovinos) en un producto comercializable; y es durante este
proceso que se generan una serie de residuos contaminantes que son desembocados en la cuenca
del río Bogotá. En el caso del municipio de Villapinzón (Cundinamarca) y de acuerdo a la
información suministrada en entrevista con uno de los curtidores, los químicos utilizados en el
proceso son: Sulfuro, cal, soda cáustica, sulfato, tripsol, oropon, macerante, corrosol, ácido
fórmico, sal de mar, cromo, bicarbonato, formiato, tintas (color del cuero) y grasa.
El uso de estos materiales genera una alteración en las aguas residuales de esta industria, que varía
de acuerdo a la materia prima, el producto final y los procesos de producción; (Tunay et al, 1995)
y (Lofrano et al, 2013) estiman que la producción de aguas residuales varía entre 10 - 100 m3 por
tonelada de piel. Dicha alteración puede variar, desde una contaminación puramente física (como
la que ocurre en la contaminación térmica) hasta una contaminación por compuestos orgánicos e
inorgánicos ya sean solubles o en suspensión (Lofrano et al, 2013).
17
En el caso de los componentes orgánicos, estos se generan a partir de las pieles, donde se calculó
que la piel en bruto pierde un 30% de material orgánico durante este ciclo de trabajo; las aguas
residuales de estas industrias se caracterizan por un pH muy ácido y una alta Demanda química de
oxígeno (DQO). La sal común se utiliza entre 15% a 40% en porcentaje peso a pero (p/p) para la
conservación de pieles de animales y es eliminada durante el remojo, la cal y el sulfuro de sodio o
sulfhidrato se utilizan durante el proceso de calado y desengrasado, y los disolventes orgánicos
son utilizados durante la etapa de desangre, siendo los productos químicos más utilizados en la
misma y los que producen un mayor aumento en la contaminación ambiental por la emisión de
compuestos volátiles (Cassano et al, 1997) (Lofrano et al, 2013).
Las aguas residuales del proceso de curtido, contienen una alta concentración de cromo total (hasta
4950 mg/1) (Lofrano et al, 2013), en Perú y otros países de América Latina se presenta una
concentración entre 70 y 110 mg/1 (Jaimes & Guerrero, 2009); estos vertimientos donde se tiene
una alta carga contaminante, tienen la presencia de grasas y aceites, sólidos suspendidos, sulfuros,
fenoles, entre otros, en concentraciones superiores a las establecidas por las resoluciones 1074 de
1997 y 1596 de 2001 del DAMA (Jaimes & Guerrero, 2009). Sin embargo, el impacto ambiental
no es solo en el componente hídrico, en el componente aire en el cual se presenta en tres sectores
(Jaimes & Guerrero, 2009). El primero de ellos por el combustible empleado en la generación de
vapor, allí se presentan impurezas y un alto contenido de azufre generando emisiones atmosféricas
con cargas superiores a los máximos permitidos por la legislación mencionada. En un segundo
lugar, se generan vapores orgánicos y material particulado durante la aplicación de pinturas por
aspersión. Finalmente, un tercer escenario correspondiente a los olores generados en las
operaciones de limpieza y grasas donde se producen gases sulfurosos. Las etapas del proceso de
curtido del cuero son cuatro y se explican a continuación:
2.12.1 Ribera
Preparación de la piel para ser curtida (fresca o salada), se realiza la limpieza y acondicionamiento,
hasta conseguir que se divida en dos capas; sus operaciones unitarias en orden son: recepción de
la materia prima donde se descarga y almacena de manera temporal las pieles, pre – descarne
donde se retira mecánicamente los restos de músculo y grasas de la piel, se debe realizar sobre la
18
piel en tripa y sobre la piel remojada, remojo encargado de la rehidratación de la piel, eliminación
de sal y otros elementos como sangre, excrementos y suciedad en general, pelambre y encalado
con el fin de retirar el pelo y epidermis de las pieles, haciendo uso de cal y sulfuro de sodio,
produciendo un hinchamiento alcalino que permite abrir las fibras de colágeno preparando las
pieles para curtir, descarne para eliminar de manera mecánica la grasa natural del tejido conjuntivo
mediante máquina descarnadora y finalmente dividido donde se separa la piel en dos capas (flor y
carnaza) haciendo uso de cuchilla. (Secretaría Distrital de Ambiente, 2015)
2.12.2 Curtido
Prepara la piel para su transformación a materiales fuertes y resistentes a la putrefacción, la
mayoría de las empresas utilizan las sales metálicas como agentes curtientes, principalmente sales
como el cromo, las etapas unitarias de este proceso en orden son: desencalado removiendo la cal,
el sulfuro y los demás insumos alcalinos de la piel, se hace uso principalmente de sales de amonio,
ácidos orgánicos, azucares, ácido sulfoftálico, entro otros; permitiendo neutralizar la piel y detener
su hinchamiento, purga enzimática aflojando las fibras de colágeno con enzimas para limpiar la
piel de restos de epidermis, pelo y grasa restantes, piquelado llevando las pieles al pH requerido
para el curtido (entre 2.8 y 3.5) haciendo uso de sal y ácidos (sulfúrico, clorhídrico o fórmico),
curtido de cromo transformando la piel en un producto resistente a la putrefacción, haciendo
reaccionar el colágeno de la piel principalmente con sales de cromo trivalente o taninos vegetales,
escurrido donde se retira la humedad, se estiran las partes arrugadas y se mantiene un espesor
uniforme y rebajado donde se le da un calibre final a la piel haciendo uso de una máquina provista
de cuchillas que giran a gran velocidad (Secretaría Distrital de Ambiente, 2015).
2.12.3 Acabado en húmedo
Donde se dan características de suavidad, color y tacto requeridos para cada tipo de cuero y su
producto final, los procesos y operaciones identificadas en forma consecutiva son: recurtido donde
se le da a la piel características finales en cuanto a resistencia y firmeza, teñido y engrase
proporcionando un color determinado, textura, llenura, suavidad y flexibilidad, escurrido retirando
la humedad y eliminando las arrugas del lado de la flor mediante rodillos con felpa (Secretaría
Distrital de Ambiente, 2015).
19
2.12.4 Acabado en seco
Le da al cuero un aspecto final de color y brillo y permite controlar posibles imperfecciones del
producto las operaciones y procesos de esta etapa son: secado extrayendo un porcentaje
considerable de humedad de la piel, ablandado mitigando la firmeza de cuero para generar más
suavidad, esmerilado donde se lija para igualar y corregir defectos del lado de la flor,
desempolvado eliminando de la superficie de la piel el polvo fino residual de la operación anterior,
pigmentado pintando la superficie del cuero por diferentes métodos, planchado prensando el cuero
en una placa caliente que puede ser lisa o tener figuras, lacado dando un terminado que protege el
acabado, medición y almacenamiento (Secretaría Distrital de Ambiente, 2015).
2.13 Afectación de la salud por las curtiembres.
Los riesgos de la industria cuerera están presentes en todos los procesos desarrollados en la misma,
desde el manejo de las pieles, cueros o pelos de animales probablemente infectados que se tiene
como insumo, los cuales pueden llegar a generar un ántrax en los trabajadores que tienen contacto
directo; elementos químicos como álcalis, ácidos, cromatos, agentes blanqueadores, aceites, sal y
tintes pueden ocasionar irritaciones en la piel (McCann, 2001).
Adicionalmente se evidencian fuentes de riesgo como lo son el polvo y los vapores principalmente
si se trabaja en un espacio reducido, pueden presentar así mismo, problemas ergonómicos causados
por el levantamiento y traslado de material de manera manual puntualmente en lo referente a la
carga y descarga manual de las pieles en especial cuando estas se encuentran húmedas. Así mismo
se pueden generar enfermedades relacionadas con el esfuerzo debido al calor por trabajar en la sala
de secado y otras relacionadas con el ruido producido por diferentes máquinas que se utilizan como
los tambores y las máquinas de peinado, rasado y lustrado (McCann, 2001).
20
2.14 Sólidos suspendidos totales
Denominados con la sigla SST son considerados como la cantidad de residuos retenidos en un
filtro de fibra de vidrio y hace referencia directa al material particulado mantenido en suspensión
en las corrientes ya sea de agua superficial o residual (Comunidad Andina, 2005); donde un valor
mayor a 1000 mg/L puede presentar una gran afectación en lo referente al uso del agua pues su
presencia limita la penetración de la luz; mientras que un valor pequeño menor a 63 µm abre la
posibilidad al transporte de sustancias nocivas o toxicas. En el caso de ríos, lagos y zonas costeras
estas partículas finas llegan a formar parte de la cadena alimenticia magnificando la presencia de
contaminantes químicos en peces y por consiguiente en los humanos. (Kulkarni, 2011)
Para la caracterización espectral de los SST se debe considerar la reflectancia de cada componente
del agua, en la teoría se encuentra que la reflexión del agua se da el rango visible (400 nm – 700
nm), donde su pico de reflectancia se encuentra en el rango del azul (400 nm – 500 nm); además
el agua se absorbe en el infrarrojo y desciende rápidamente en el espectro a medida que se da el
aumento en la longitud de onda. Generalmente el agua se encuentra mezclada con otras sustancias,
sólidos y materia orgánica lo cual altera su firma espectral (figura 1), resaltando la importancia de
la espectroradiometría en la distinción de características fisicoquímicas del agua mediante firmas
espectrales (Ruiz, 2017).
Figura 1. Reflectancia espectral del agua clara y turbia dentro del rango espectral (0.5 –1.0 μm).
Fuente: (Malinowski et al, 2015)
21
2.14.1 Definición matemática de los SST Matemáticamente, la determinación de los sólidos suspendidos totales (SST) se realiza mediante
la siguiente expresión:
%%C = �D − 9) ∗ 10G
H �Ecuación 3)
Donde:
SST: Sólidos suspedidos totales, en mg/L.
A: Peso final del conjunto (disco + cápsula de porcelana) con el residuo seco, en gramos (g).
B: Peso inicial del conjunto (disco + cápsula de porcelana), en gramos (g).
V: Volumen de muestra filtrada, en mililitros (mL).
2.15 Pruebas de estadística Las pruebas estadísticas se emplean con la finalidad de establecer la probabilidad de que una
conclusión obtenida a partir de una muestra sea aplicable a la población de la cual se obtuvo
(Flores-Ruiz et al, 2017).
2.15.1 ANOVA
La técnica de análisis de varianza (ANOVA) también se conoce como análisis factorial y fue
desarrollada por Fisher en 1930, siendo la herramienta básica para el estudio del efecto de uno o
más factores (cada uno con dos o más niveles) sobre la media de una variable continua; es el test
estadístico a emplear cuando se desea comparar las medias de dos o más grupos. La hipótesis nula
de la que parten los diferentes tipos de ANOVA es que la media de la variable estudiada es la
misma en los diferentes grupos, en contraposición a la hipótesis alternativa de que al menos dos
medias difieren de forma significativa (Amat, 2018).
El funcionamiento básico del ANOVA consiste en calcular la media de cada uno de los grupos
para luego comparar la varianza de estas medias frente a la varianza promedio dentro de los grupos;
bajo la hipótesis nula de que las observaciones de los distintos grupos proceden todas de la misma
población (tienen la misma media y varianza); conforme las medias de los grupos estén más
22
alejadas la una de las otras, la varianza entre medias se incrementará y dejará de ser igual a la
varianza promedio dentro de los grupos (Amat, 2018).
El estadístico estudiado en el ANOVA, conocido como Fratio, hace referencia al radio entre la
varianza de las medias de los grupos y el promedio de la varianza dentro de los grupos, este
estadístico sigue una distribución conocida como “F de Fisher-Snedecor”. Si se cumple con la
hipótesis nula, el estadístico F adquiere el valor de 1 pues la intervarianza será igual a la
intervarianza; cuanto más difieran las medias de los grupos mayor será la varianza entre medias,
obteniéndose valores superiores a 1 y por lo tanto un menor p-value (Amat, 2018).
2.15.2 Prueba de Breush – Pagan
Esta prueba se utiliza para la definición de la homocedasticidad o no de un modelo; se manejan
dos hipótesis, la primera de ellas H0 o hipótesis nula donde se asume que existe homocedasticidad
es decir las varianzas de los errores es constante y H1 o hipótesis alterna donde se asume la
presencia de heterocedasticidad. Para calcular este test existen dos versiones alternativas que son
asintóticamente equivalentes, la primera es un test aproximado donde se parte de la relación lineal
entre la varianza y las variables exógenas y la segunda es una versión LM para una forma funcional
aditiva de las variables exógenas (Universidad de Vigo, s.f.).
2.15.3 Prueba de nomalidad de Shapiro – Wilk
Esta prueba de normalidad, es aplicable cuando se analizan muestras compuestas por menos de 50
elementos, es decir muestras pequeñas; en esta prueba se manejan dos hipótesis, la primera H0
donde se asume que la variable presenta una distribución normal y la segunda H1 donde se asume
que la variable presenta una distribución no normal; la decisión es tomada mediante el p- value
donde si este es mayor al valor de significancia 0.05 generalmente, se acepta la hipótesis nula. Esta
prueba se aplica a los residuos del modelo (Parada, 2019).
23
2.16 Correlación
Tiene como finalidad examinar la dirección y la fuerza de la asociación entre dos variables
cuantitativas. De esta forma se tendrá la intensidad de relación entre las variables, así mismo se
podrá caracterizar algún comportamiento mediante la prueba de cambios de valores de variables y
la respuesta que muestra la segunda variable en relación (Laguna, s.f.).
2.16.1 Coeficiente de Correlación Lineal de Pearson
Es un índice que mide la tendencia de los puntos en una línea recta y puede determinar puntos de
valores entre -1 y +1. También se le conoce como un método estadístico paramétrico, por requerir
criterios de normalidad para las variables normalizadas como media, varianza entre otras (Laguna,
s.f.).
� = %JK%J%K
�Ecuación 8)
%JK= Covarianza de (X, Y)
%J= Desviacion estándar de la variable X
%K= Desviacion estándar de la variable Y
El coeficiente de correlación lineal r es:
o Adimensional (sin unidades de medida).
o Tiene un rango de valores entre [-1,1].
o Una relación lineal es fuerte entre variables cuando r es muy próximo a 1 y -1.
o Cuando r sea igual hay ausencia total de relación lineal entre variables.
2.16.2 Coeficiente de determinación R2
Este coeficiente explica el grado de ajuste de la recta de regresión a los valores de la muestra, y es
definida como porcentaje de variabilidad total de la variable dependiente Y, explicada por la recta
24
de regresión. Si los valores residuales son menos dispersos, mayor será la bondad del ajuste
(Laguna, s.f.).
<� = 1 − %A�
%K� �Ecuación 9)
%A�= Varianza de la variable dependienta
%K�= Varianza residual
El coeficiente de determinación es:
o Una cantidad adimensional en un rango de [0,1].
o Cuando un ajuste sea factible, <� será cercano a uno (fuerza de asociación entre ambas
variables).
o Cuando un ajuste no sea factible, <� será cercano a cero (no explica ninguna asociación
entre las variables).
25
3 Estado del Arte
La estimación de los sólidos en suspensión en un cuerpo de agua, ha sido estudiada por diferentes
autores, en el caso de (Doxaran et al, 2002) se realiza un cálculo de la concentración de estas
partículas con el fin de caracterizar tipos de elementos, el análisis es realizado mediante imágenes
SPOT y la recolección radiométrica realizada en campo. En el caso de (Gómez & Delance, 2014)
y (Ruiz, 2017) la estimación se realiza mediante la correlación los valores de reflectancia
registrados en cada banda y los valores concentración de SST en una serie de puntos inmersos en
el cuerpo de agua, generando una ecuación de estimación aplicable al afluente estudiado, estas
investigaciones se realizan con imágenes del sensor GeoEye y Landsat 8 OLI respetivamente.
Se encuentran otros autores como (Arisanty & Saputra, 2017), donde se hace una comparación de
los índices para identificación de sólidos en suspensión que se han desarrollado en diversos
estudios, en este caso puntual se hace uso de una imagen Landsat 7 y se analizan dos estaciones
climáticas diferentes (húmeda y seca), obteniendo como resultado que el índice más apropiado es
el NSMI. Gracias a estos estudios se puede validar lo mencionado por (Kulkarni, 2011) donde se
afirma que los SST presentan una correlación con las diferentes bandas espectrales que puede ser
expresada mediante porciones, transformaciones logarítmicas y combinaciones de bandas.
En lo referente al desarrollo de paneles de calibración de manera artesanal, autores como (Del
Pozo et al, 2014), (Wang & Myint, 2015), (Iqbal, Lucieer, & Barry, 2018), presentan los procesos
de elaboración de paneles de calibración con diversos materiales y gamas de colores; desde el uso
de objetivos con distintos tonos de gris, hasta el uso de objetivos con colores como el verde, rojo
y azul.
En lo referente a la validación de estos paneles se presentan diferentes metodologías, en el caso de
(Wang & Myint, 2015) se hace uso de 13 cuadrantes en la zona de vuelo para hacer esta
comparación; mientras autores como (Del Pozo et al, 2014) y (Iqbal et al, 2018) eligen realizar la
validación por medio de análisis de diferentes coberturas.
26
4 Marco normativo
El tema de vertimientos de aguas residuales a cuerpos de agua superficiales es un tema complejo
y bastante enfocado en la normatividad nacional y distrital, no solamente la industria del curtido
se tiene como objetivo sino toda aquella industria y no industria involucrada en procesos de
vertimientos a cualquier fuente hídrica o servicio de alcantarillado. Estos procesos están apoyados
en la siguiente normatividad:
o Decreto 2811 de 1974:
- Código Recursos Naturales
o Ley 9 de 1979:
- Código Sanitario Nacional
o Decreto 1594 de 1984:
- Gestión del recurso hídrico
o Resolución 1074 de 1997:
- Determina estándares ambientales en materia de vertimientos a nivel distrital
o Decreto 3930 de 2010:
- Gestión integral del recurso hídrico. Política nacional para la gestión Integral del
Recurso Hídrico
o Resolución 631 de 2015:
- Fija los niveles máximos permisibles para el vertimiento de sustancias a cuerpos de
agua.
En la resolución 631 de 2015 expedida por el Ministerio de ambiente y desarrollo sostenible donde
establecen parámetros y valores límites máximos permisibles en los vertimientos puntuales a
cuerpos de aguas superficiales y a los sistemas de alcantarillado. Esta resolución se reglamenta
bajo ley 99 de 1993, decreto 3930 de 2010 modificado por el artículo 1 del Decreto 4728 de 2010.
La industria del cuero para nuestro caso específico se encuentra clasificada en la resolución como
un sector de actividades de fabricación y manufactura de bienes. En su artículo 13 se establecen
los límites máximos permisibles en los vertimientos puntuales de aguas residuales no domiciliarias
a cuerpos de aguas superficiales; estos parámetros se describen en la tabla 1 (Minambiente, 2015).
27
Tabla 1. Parámetros físico químicos y valores máximos permisibles.
PARÁMETRO UNIDADES
FABRICACION DE ARTICULOS
DE PIEL, CURTIDO Y ADOBO DE
PIELES Generales pH Unidades de PH 6,00 a 9,00 Demanda Química de Oxigeno (DQO) mg/L O_2 1,200.00 Demanda Bioquímica de Oxigeno (DBO_5) mg/L O_2 600.000 Solidos Suspendidos Totales (SST) mg/L 600.000 Solidos Sediméntales (SSED) mg/L 2.00 Grasa y Aceites mg/L 60.00 Fenoles mg/L Sustancias Activas al Azul de Metileno (SAAM) mg/L Análisis y Reporte Hidrocarburos Hidrocarburos Totales (HTP) mg/L 10.00 Hidrocarburos Aromáticos Policíclicos (HAP) mg/L Análisis y Reporte BTEX (Benceno, Tolueno, Etilbenceno y Xileno) mg/L Análisis y Reporte Compuestos Orgánicos Halógenos Absorbibles (AOX) mg/L Análisis y Reporte Compuestos de Fosforo Ortofosfatos (P-(PO_4) ^ 3) mg/L Análisis y Reporte Fosforo Total (P) mg/L Análisis y Reporte Compuestos de Nitrógeno Nitratos (N-NO_3) mg/L Análisis y Reporte Nitrógeno Amoniacal (N-NH_3) mg/L Análisis y Reporte Nitrógeno Total (N) mg/L Análisis y Reporte Iones Cloruros (CL) mg/L 3,000,00 Sulfatos (S(O_4) ^ 2) mg/L Análisis y Reporte Sulfuros (S^2) mg/L 3.00 Metales y Metaloides Cadmio (Cd) mg/L Cinc (Zn) mg/L Cobre (Cu) mg/L Cromo (Cr) mg/L 1.50 Mercurio (Hg) mg/L Níquel (Ni) mg/L Otros Parámetros para Análisis y Reporte Acidez Total mg/L CaCO_3 Análisis y Reporte Alcalinidad Total mg/L CaCO_3 Análisis y Reporte
28
Dureza Cálcica mg/L CaCO_3 Análisis y Reporte Dureza Total mg/L CaCO_3 Análisis y Reporte
Color Real (Medidas de absorbancia a las siguientes longitudes de onda: 436 nm, 525 nm y 620 nm)
m^-1 Análisis y Reporte
Fuente: Elaboración propia.
5 Equipos y software
5.1 Equipos Para la realización de la investigación se cuenta con los siguientes equipos, la mayoría de ellos
proporcionados por la universidad.
5.1.1 Cámara: MicaSense RedEdge - M
Figura 2. Cámara MicaSense RedEdge-M.
Fuente: Autores.
La MicaSense RedEdge – M es una cámara multiespectral profesional capaz de realizar
simultáneamente la captura de cinco bandas espectrales discretas para generar información precisa
y cuantitativa, en la tabla 2 se muestran las especificaciones básicas (MicaSense, Inc., 2017). Es
utilizada en la captura de las imágenes al incorporarse en el UAS.
29
Tabla 2. Especificaciones básicas de la cámara.
Peso 170 gramos (incluido DLS).
Dimensiones 9.4 cm x 6.3 cm x 4.6 cm.
Potencia 4.2 V – 15.8 V, 4 W nominal, 8W pico.
Bandas espectrales Azul, Verde, Rojo, Red Edge y NIR.
Distancia muestra de tierra 8.2 cm/píxel (por banda) a 120 m (400 pies) AGL.
Velocidad máxima de captura 1 captura por segundo (todas las bandas), RAW de
12 bits.
Fuente: (MicaSense, Inc., 2017).
La MicaSense RedEdge – M, tiene las siguientes especificaciones en cuanto a las bandas
espectrales:
Tabla 3. Bandas espectrales de la cámara MicaSense RedEdge – M.
Número
banda
Nombre
banda
Centro de la longitud de
onda (nm)
Ancho banda
FWHM (nm)
1 Azul 475 20
2 Verde 560 20
3 Red 668 10
4 NIR 840 40
5 Red Edge 717 10
Fuente: (MicaSense, Inc., 2017).
La información anterior, se puede ver representada de manera gráfica en la figura 3; donde
adicionalmente relaciona el porcentaje en transmisividad del filtro y la reflectancia típica de la
planta con la longitud de onda de cada banda.
30
Figura 3. Respuesta espectral de la cámara.
Fuente: (MicaSense, Inc., 2017).
5.1.2 Vehículo aéreo no tripulado
Para la toma de imágenes de este proyecto, se hace uso de un hexacoptero al cual se incorpora el
sensor multiespectral; se hace uso de un hexacoptero debido a la estabilidad que ofrece durante el
vuelo.
Figura 4. Hexacoptero.
Fuente: Autores.
5.1.3 Panel de calibración de MicaSense RedEdge – M
El panel calibrado propio de MicaSense RedEdge – M (figura 5) es utilizado para obtener datos
precisos de reflectancia, para realizar la calibración se deben capturar imágenes del panel
inmediatamente antes y después de cada vuelo; evitando que el sol se refleje en cualquier superficie
31
y golpee el panel, la toma del panel debe tomarse asegurándose que el código QR sea visible en la
imagen (MicaSense, Inc., 2017).
Figura 5. Panel de calibración de MicaSense RedEdge - M.
Fuente: Elaboración propia.
5.1.4 Panel de calibración artesanal
El panel de calibración artesanal, se diseña con cuatro baldosas de materiales con un acabado mate
para evitar la sobresaturación espectral; se decide trabajar con cuatro objetivos (blanco, gris claro,
gris oscuro y negro) para tener un mejor ajusta de la línea de calibración de acuerdo a la realidad
(figura 6).
Figura 6. Panel de calibración artesanal.
Fuente: Autores.
32
5.1.5 Espectroradiómetro: HandHeld2
Figura 7. Espectroradiómetro HandHeld2.
Fuente: Autores.
El espectroradiómetro (figura 7) es un equipo que se consigue con diferentes prototipos
correspondientes a su tipo de estudio, como para el estudio de la capa de ozono o para el estudio
de los elementos o partículas en suspensión en la atmosfera (Torrijos, 2008). Se utiliza para el
estudio del agua, de diferentes tipos como: aguas marinas, aguas estancadas, aguas de acueductos,
aguas de ríos, etc. Los radiómetros son equipos portátiles de fácil manejo y difícil adquisición,
generalmente un poco costosos y variados en su configuración espectral. La base fundamental del
radiómetro es el espectro se pueden obtener las firmas espectrales de un determinado cultivo o del
agua, suelo o minerales que sean de nuestro interés (Torrijos, 2008). Con este equipo se capturan
las firmas espectrales, las características del equipo, se muestra en la tabla 4.
33
Tabla 4. Especificaciones Técnicas del Espectroradiómetro HandHeld2.
Rango 325nm – 1075nm
Pantalla VGA color
Peso 1,3 kg
Baterías Estándar AA
Software RS3, HH2 Sync y ViewSpec
GPS BU-353 de GlobalSat
Conectividad 2 puertos USB y 1 MiniUSB
Accesorio EspectralonLabSpec
Fuente: (Malvern Panalytical Ltd, 2017)
5.1.6 GPS: Garmin Oregon 550
Figura 8. GPS Garmin Oregon 550.
Fuente: Autores.
Este navegador (figura 8) combina la navegación con una resistente pantalla táctil para exteriores
y una cámara digital de 3.2 megapíxeles. Adicionalmente, dispone de un GPS de alta sensibilidad,
altímetro barométrico, burbuja electrónica de tres ejes y ranura para las tarjetas microSD
(GARMIN, s.f). Se hace uso del navegado para tomar la ubicación GPS de las curtiembres
visitadas y de los puntos de muestro del río, las especificaciones de este instrumento se muestran
en la tabla 5.
34
Tabla 5. Especificaciones GPS.
Dimensiones 5.8 cm x 11.4 cm x 3.5 cm.
Peso 192.7 gramos con pilas.
Batería 2 pilas AA.
Autonomía de la pila/
batería 16 horas.
Memoria/ historial 820 MB.
Altímetro barométrico SI.
Brújula SI (tres ejes con inclinación compensada).
Fuente: (GARMIN, s.f).
5.2 Software de procesamiento
Al trabajar en el procesamiento de imágenes, se requiere hacer uso de diferentes softwares de
acuerdo a las necesidades en cada etapa del proceso. Los softwares utilizados en este proyecto, se
describen a continuación:
5.2.1 Mission planner ®
Mission planner es una aplicación desarrollada por Michael Oborne, que brinda todas las funciones
para trabajar con el proyecto de piloto automático de código abierto de ArduPilot. Se puede definir
como una estación de control terrestre para Plane, Copter y Rover, es compatible únicamente con
Windows y puede ser utilizado como una herramienta de configuración o como un suplemento de
control dinámico para un vehículo autónomo (ArduPilot Dev Team, 2019).
5.2.2 ViewSpec Pro ®
Esta aplicación, es utilizada para la visualización y posprocesamiento de espectros que se
recolectaron con un instrumento ASD (ASD Inc, 2008). Para el desarrollo de este proyecto, fue
suministrado por la Universidad Distrital Francisco José de Caldas.
35
5.2.3 ArcGIS ®
Es un completo sistema que permite recopilar, organizar, administrar, analizar, compartir y
distribuir información geográfica; es considerada como la plataforma líder mundial para la
creación y uso de sistemas de información geográfica (SIG). Permite la publicación de la
información geográfica para que esté accesible para cualquier usuario, está disponible en cualquier
lugar por medio de navegadores Web, dispositivos móviles de smartphones y equipos de escritorio
(esri, s.f). Como este software es privado, para este proyecto se hace uso de la licencia académica
de la Universidad Distrital Francisco José de Caldas.
5.2.4 ERDAS Imagine ®
El software ERDAS (Earth Resources Data Analysis System), es un SIG y software de
procesamiento de detección remota propiedad de Hexagon Geospatial. Es un paquete de software
que lidera la detección remota con una gama de herramientas de clasificación, NDVI y
procesamiento de imágenes para datos satelitales, hiperespectrales, radar, LiDAR y otros datos de
teledetección (ArcGeek, 2020). Como este software es privado, para este proyecto se hace uso de
la licencia académica de la Universidad Distrital Francisco José de Caldas.
5.2.5 MatLab ®
Es un leguaje de alto nivel y un entorno interactivo que permite realizar tareas de cálculo complejas
de forma más rápida que con los lenguajes de programación tradicionales, como C++, C y Fortran.
Este programa nos permite desarrollar y analizar algoritmos y aplicaciones de forma rápida.
Incluye operaciones vectoriales y matriciales que son fundamentales para la solución de problemas
científicos y de ingeniería (CSIC, s.f). Para hacer uso de este software se realiza uso de la licencia
universitaria de la Universidad Distrital Francisco José de Caldas.
5.2.6 Agisoft Metashape ®
Es un producto de software independiente que realiza el procesamiento fotogramétrico de
imágenes digitales y genera datos espaciales 3D para su uso en aplicaciones SIG, documentación
36
del patrimonio cultural y producción de efectos visuales, así como la medición indirecta de objetos
de varias escalas (Agisoft, 2019). Para este software se hace uso de una licencia de demostración.
5.2.7 R ®
El paquete estadístico R, es un entorno informático estadístico que incluye herramientas de análisis
de datos y generación de gráficas, es un software libre que funciona bajo Windows, MAC OS y
Linux; se considera como una herramienta ideal para la docencia, pues permite el uso de todas las
herramientas disponibles. Nace como una iniciativa de crear una implementación libre del lenguaje
de programación S (utilizado en estadística, bioestadística, matemáticas financieras, entre otros).
Dado que R es un lenguaje de programación, el paquete que se descarga sólo incluye las librerías;
para manejar esa aplicación se recomienda la instalación de un interfaz amigable (Universidad de
Zaragoza, s.f.).
5.2.8 RStudio ®
RStudio es un conjunto de herramientas integradas diseñadas para ayudarlo a ser más productivo
con R; incluye una consola, editor de resaltado de sintaxis que admite la ejecución directa de
código y una variedad de herramientas robustas para el trazado, depuración y administración del
espacio de trabajo (RStudio, s.f).
6 Zona de estudio
El municipio de Villapinzón se encuentra ubicado en el altiplano cundiboyacense, es perteneciente
a la región natural del bosque andino y a la subregión de la cuenca alta del río Bogotá; a nivel
administrativo pertenece a la provincia de Los Almeydas, conformada por los municipios de
Chocontá, Machetá, Manta, Sesquilé, Suesca, Tibirita y Villapinzón; la cabecera municipal se
encuentra localizada a los 5° 13’ 09” de latitud norte y 73° 36’ 00” de longitud oeste (Alcaldía
municipal de Villapinzón, 2000). De acuerdo al esquema de ordenamiento territorial (Alcaldía
municipal de Villapinzón, 2000), los límites del municipio de Villapinzón son: por el norte con
Ventaquemada (Boyacá) y Lenguazaque (Cundinamarca), por el sur con Chocontá
37
(Cundinamarca) y Capilla de Tenza (Boyacá), por el occidente con Chocontá y Lenguazaque y por
el oriente con Ventaquemada, Turmequé y Umbita (Boyacá); Villapinzón se encuentra
catastralmente dividido en 17 veredas y el casco urbano.
La zona de estudio de este proyecto, es un tramo de la cuenca alta del río Bogotá, comprendido
entre los puntos (5° 13’ 27058” N - 73° 35’ 32.33” W) y (5° 12’ 17.77” N - 73° 36’ 17.06” W)
omitiendo el segmento que hace parte del casco urbano del municipio de Villapinzón puesto que
en esta área se asume que no es mucha la información que se pueda recolectar debido a condiciones
de urbanización y presencia de vegetación que limita la visualización del río desde el dron
empleado. Se tiene un punto de especial atención referenciado en la coordenada (5°12’28,41’’ N
- 73°36’13,28’’ W), situado a las afueras del casco urbano en el sector conocido coloquialmente
como “tres esquinas” pues es allí donde se presentan las primeras curtiembres y así mismo los
primeros vertimientos sobre el río. La ubicación de la zona descrita anteriormente se muestra en
la figura 9.
38
Figura 9. Mapa de localización.
Fuente: Elaboración propia.
39
6.1 Cuenca alta del río Bogotá
La cuenca alta del río Bogotá (figura 10) se encuentra al norte de Bogotá y tiene una longitud de
145 Km desde su nacimiento en el municipio de Villapinzón hasta la planta de Tibitoc ubicada en
el municipio de Gachancipá (CAR, 2006), los recursos hídricos superficiales de esta y de la cuenca
media del río Bogotá son destinadas al abastecimiento de agua potable para la ciudad de Bogotá y
los municipios aledaños, las actividades agropecuarias y la generación hidroeléctrica
principalmente (Osorio et al, 2011).
Figura 10. Cuenca alta del río Bogotá.
Fuente: (CAR, 2006)
La calidad del agua del río Bogotá disminuye en la zona que comprende los municipios de
Villapinzón y Chocontá, donde se generan los vertimientos de las aguas residuales producto del
proceso de curtido del cuero de alrededor de 170 empresas; estas aguas residuales incluyen
cloruros, sulfatos, cromo, residuos sólidos (pelo y grasas) que generan una pérdida significativa
de oxígeno disuelto por las altas cargas vertidas de Demanda Biológica de Oxigeno (DBO) y
Demanda Química de Oxigeno (DQO) (Osorio et al, 2011). En la tabla 6 se relaciona la pérdida
de calidad de agua en la cuenca alta del río Bogotá.
40
Tabla 6. Índices de calidad del agua en la cuenca alta del río Bogotá.
Fuente: ICA 2002 (Osorio et al, 2011)
Adicionalmente y con el fin de generar un análisis de la zona de estudio de manera preliminar, se
realiza la solicitud ante la Corporación Autónoma Regional (CAR) de Cundinamarca de los
históricos de medición de los SST en la cuenca alta del río Bogotá entre los años 2010 y 2019, la
tabla 7, corresponde a la información entregada y la figura 11 a la ubicación de los puntos de
muestreo.
Tabla 7. Mediciones registradas por la CAR en la cuenca alta del río Bogotá entre 2010 y 2019.
Fecha Aguas arriba de
Villapinzón (mg/L)
Puente Villapinzón
(mg/L)
Aguas arriba Qbda Quincha (mg/L)
Qbda Quincha (mg/L)
5-nov-10 7 50.3 22 30.2 3-ene-11 4 16.1 17.5 6 1-ago-11 11.5 58.5 8.5 14.6 14-feb-12 11.5 13.1 20.1 17.1 9-jul-12 5 10.8 20.1 22.7 3-jul-13 4 7.2 11.1 4
13-nov-13 4 12.3 15.5 11.4 12-may-14 4 23.7 35.6 19.5 2-sep-14 4 5 8.6 4.5 2-mar-15 4.5 5.5 10.1 5 31-ago-15 5.5 12.4 12.4 44.4 1-mar-16 4 15.7 12.7 45.3 15-sep-16 4 4 7.3 6.2 1-ene-17 4 4 4 6
16-ene-17 4 4.1 6.5 4 18-sep-17 4 4 4.2 8.3
Caudal (l/s) Ica Calidad Caudal (l/s) Ica Calidad
1Aguas arriba de Villapinzón sobre el río Bogotá
539 85 Buena 1263 67 Media
2Después de la descarga de curtiembres y de agregadados Chocontá sobre el río Bogotá
663 49 Mala 11079 55 Media
3Antes del vertimiento de la PTAR de Chocontá en el río Bogotá
1640 61 Media 20754 55 Media
4Aguas debajo de la PTAR de Chocontá sobre el río Bogotá
1670 57 Media 17479 56 Media
5Aguas arriba de la PTAR de Suesca sobre el río Bogotá
4750 72 Buena 8397 69 Media
6Puente Tulio Botero, antes PTAR Tocancipá sobre el río Bogotá
4500 73 Buena 11392 44 Mala
7Estación El Triunfo sobre el río Bogotá, aguas arriba de Tibitoc
5672 61 Media 9478 52 Media
Sisga Tibitoc
Época de verano Época de inviernoEstaciónN°Subcuenca
Alto Bogotá
41
9-ene-18 4.2 8.8 18.8 14.7 7-may-18 4 17 16.7 14.7 18-mar-19 6.3 5 15.7 5.2 16-jul-19 4 5.5 6.7 17.8
Figura 11. Ubicación puntos de monitoreo de la CAR.
Fuente: Elaboración propia, a partir de Google Earth y datos CAR.
42
Al analizar las líneas de tendencia de la información mencionada anteriormente (figura 12) junto
con los históricos de precipitación mensual del IDEAM, es posible evidenciar que los valores de
SST más altos se registran en meses donde la precipitación estuvo por encima de lo normal, como
es el caso de noviembre del 2010, agosto del 2011 y mayo del 2014; en los meses donde la
precipitación está por debajo de lo normal, los valores de SST registrados son menores. En el
comportamiento de cada punto de monitoreo, se presentan dos épocas donde los valores de SST
superaron el comportamiento esperado, la primera en el punto denominado “Puente Villapinzón”
en los meses de noviembre del 2010 y agosto del 2011 donde las mediciones estuvieron cerca a
los 60 mg/L y la segunda en el punto denominado “Quebrada Quincha” en los meses de agosto del
2015 y marzo del 2016 donde las mediciones estuvieron cerca a los 50 mg/L.
Figura 12. Presencia de SST en los puntos de monitorio de la CAR. Izq.) 2010 – 2014. Der.) 2015 – 2019.
Fuente: Elaboración propia.
7 Metodología
La metodología definida para este proyecto, se divide en 4 etapas consecutivas que agrupan
diferentes actividades, los cuales se describen a continuación y se muestran de manera más
detallada en la figura 13.
43
Figura 13. Metodología del proyecto.
Fuente: Elaboración propia.
44
7.1 Etapa 1. Búsqueda y consulta En esta fase, se realiza la revisión bibliográfica relacionada con aquellos conceptos y temas de
interés en el proyecto con el fin de identificar las técnicas existentes para desarrollar los objetivos
planteados. Adicionalmente realizan las primeras visitas a la zona de estudio, se establece la forma
en la cual es realizada la adquisición de datos y se gestionan las solicitudes pertinentes para la
ejecución de las prácticas en campo.
7.2 Etapa 2. Adquisición de datos
En esta fase se tiene como misión principal el desarrollo del trabajo en campo, que en el caso de
esta investigación se divide en diferentes momentos; el primero la captura de las imágenes que son
el insumo base, el segundo la toma de firmas espectrales tanto del panel artesanal de calibración
radiométrica como de los puntos considerados de interés en el río y el tercero la toma de muestras
de agua in situ.
7.2.1 Captura de imágenes
La toma de las imágenes se realiza mediante un UAS en este caso puntual un hexacoptero equipado
con un sensor multiespectral (figura 14). Inicialmente se plantea que la cámara con la cual se
desarrolle el proyecto sea una MAPIR Survey 3 en RGN, sin embargo, durante el desarrollo del
mismo es posible acceder a una cámara multiespectral como lo es la MicaSense RedEdge-M que
por sus características es de mayor utilidad.
Figura 14. Montaje de la cámara en el hexacoptero.
Fuente: Autores.
45
7.2.2 Toma de firmas espectrales
Para la captura de firmas espectrales se hace uso del espectroradiómetro HandHeld2, la toma de
firmas se realiza con dos fines particulares; el primero para la calibración del panel artesanal
elaborado y el segundo para evidenciar si hay alguna relación entre la calidad del agua y las firmas
espectrales.
7.2.2.1 Panel artesanal de calibración
Para la calibración de este panel, se requiere tomar un promedio de 10 firmas espectrales por
baldosa desde diferentes ángulos para comprobar si la superficie es lambertiana, es decir que
refleja la radiación incidente de manera uniforme en todas las direcciones. El proceso adecuado
para la toma de estas firmas es calibrar el espectroradiómetro (figura 15) y capturar las 10 firmas
de una de las tabletas (figura 16) y volverlo a calibrar antes de tomar las firmas de la siguiente,
este proceso se repite hasta tener las firmas de las cuatro baldosas que conforman el panel.
Figura 15. Calibración del espectroradiómetro.
Fuente: Autores.
46
Figura 16. Toma de las firmas espectrales del panel de calibración.
Fuente: Autores.
7.2.2.2 Puntos de interés en el río
Uno de los métodos de verificación de la relación entre la calidad del agua y la respuesta espectral
de la misma es la toma de firmas espectrales de aquellos puntos considerados de interés para este
análisis (figura 17); el proceso de captura de estas firmas es igual al mencionado en la toma de las
firmas del panel de calibración, siendo necesaria la calibración antes de cada toma puesto que se
tiene un lapso de tiempo considerable entre cada toma, en este caso se toman 2 firmas de cada
punto, pues no se considera necesario tener tantas firmas como en el caso del panel de calibración.
Solo se capturan firmas espectrales de los puntos considerados de interés en el tramo 1, debido a
que el tramo 2 presenta dificultades tanto ambientales como de seguridad por lo que no se hace
uso del espectroradiómetro en esta zona.
Figura 17. Toma de firmas espectrales en el río.
Fuente: Autores.
47
7.2.3 Muestreo del agua La toma de muestras de agua in situ se realiza en once (11) puntos aleatorios donde a simple vista
se evidencia un cambio en el aspecto físico del agua; para la posterior localización se toma el punto
GPS y se realiza una toma fotográfica tanto del punto de interés como de la zona aledaña al mismo,
teniendo más recursos para la localización de cada toma, denominando este proceso como la
creación de una memoria técnica de campo.
7.3 Etapa 3. Procesamiento
Esta es una fase cuyo trabajo se puede denominar como “trabajo de oficina”, donde el objetivo
principal es generar los insumos para la generación de resultados; interpretación y análisis de los
mismos y posterior generación de productos finales. Al igual que la etapa anterior esta también
cuenta con diferentes actividades. La primera enfocada al proceso fotogramétrico que permite
tener como resultado los ortomosaicos de cada uno de los tramos. La segunda relacionada con el
análisis en laboratorio de las muestras de agua tomadas en el río que permite tener como resultado
la cantidad de SST para cada uno de los puntos considerados de interés, y finalmente la tercera
enfocada en el análisis estadístico del panel artesanal de calibración, cuyo resultado es las
ecuaciones de correlación entre los valores capturados por la cámara durante el vuelo y los valores
de reflectancia capturados mediante el espectroradiómetro.
7.3.1 Proceso fotogramétrico
Los archivos generados de la captura o archivos en bruto son imágenes en formato 16 bits TIFF
RAW, el sensor MicaSense RedEdge-M genera 5 archivos correspondientes a cada una de las
bandas que captura por cada disparo de la cámara. El primer proceso a llevar a cabo es la
organización de los archivos para tener un mejor manejo de los mismos, por lo cual se genera una
agrupación por carpeta de acuerdo a la banda a la cual pertenezca la imagen; adicionalmente se
crea una carpeta para las imágenes del panel de calibración de MicaSense y otra para las imágenes
del panel artesanal. Luego se desarrolla el siguiente flujo de trabajo (figura 18), que se muestra de
manera detallada en el anexo 1.
48
Figura 18. Proceso fotogramétrico.
Fuente: Elaboración propia.
7.3.2 Ajuste de los puntos GPS
La serie de puntos muestra del río denominados de interés, cuentan con georreferenciación por
medio de sus coordenadas tomadas en campo con un GPS, para realizar su ajuste se hace uso de
Agisoft puesto que este software cuenta con la posibilidad de importar formas. Estos puntos se
visualizan en cada tramo, identificando aquellos puntos no contenidos en el río, los cuales se
modifican a su localización estimada por memoria técnica realizada en campo; estos
desplazamientos en ubicación se pueden deber a la densidad de vegetación en algunos puntos de
la ronda de río.
7.3.3 Identificación de la ubicación matricial de los puntos GPS
Por procesos anteriores como el cálculo de la reflectancia de acuerdo a lo recomendando por
MicaSense y la necesidad de un ajuste en las ubicaciones GPS de algunos puntos de interés, se
considera pertinente realizar áreas de influencia mediante ventanas pixel, con el fin de disminuir
errores del ajuste manual de la posición de los puntos; se plantearon tres áreas de influencia:
- Pixel contenido en la ubicación.
- Ventana pixel 3x3.
- Ventana pixel 5x5.
49
Se decide realizar este proceso en el software Matlab, ya que un software como Erdas Imagine
trunca los valores decimales a tres, cuando la información base tiene hasta siete decimales; lo que
se considera una gran pérdida de información. Al trabajar con Matlab se hace necesario conocer
la ubicación matricial de cada punto GPS pues este software pierde la información de
geolocalización incorporada en la imagen; para conocer dicha ubicación matricial se hace uso del
software Erdas Imagine en su versión 2015.
7.3.4 Creación pixel promedio de las ventanas pixel
La creación del pixel promedio de las ventanas pixel se realiza en el software Matlab, debido a
que este asegura la entrada y procesamiento de las imágenes con los valores de reflectancia sin
sufrir ningún tipo de modificación o truncamiento en sus valores decimales que se puedan traducir
en perdida de información. Para el desarrollo de este proceso, se crea un script en Matlab (anexo
2) que ejecuta los siguientes pasos:
- Lectura de la imagen.
- Llamada del valor (fila, columna) correspondiente al punto central GPS.
- Recorte matricial 3x3 y 5x5 con pixel centro en el punto central GPS.
- Creación filtro de dos dimensiones o filtro promedio haciendo uso de la función fspacial
para una dimensión 3x3 y 5x5.
- Aplicación del filtro de recorte matricial 3x3 y 5x5 haciendo uso de la función imfilter.
- Llamada del valor central (fila, columna) del resultado de la aplicación del filtro al recorte
de dimensión 3x3 y 5x5.
7.3.5 Análisis en laboratorio de las muestras de agua
El análisis físico de las muestras tomadas se lleva a cabo una semana después de la toma de las
mismas, este análisis se realiza por los autores de la investigación, en el Laboratorio de Aguas del
Centro Tecnológico de Cuero (figura 19), ubicado en la vereda San Pedro del municipio de
Villapinzón durante dos días debido a la cantidad de puntos analizados y el tiempo que toma el
proceso. La metodología utilizada para determinar la cantidad de solidos suspendidos totales SST
50
es la definida por el Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM,
denominada como gravimétrica – secado a 103 – 105 °C.
Figura 19. Laboratorio de aguas del centro tecnológico de cuero.
Fuente: Autores.
El análisis de estas muestras se realiza siguiendo la metodología indicada que se muestra en la
figura 20 y se desarrolla de manera más detallada en el anexo 3.
Figura 20. Metodología para determinación de SST.
Fuente: Elaboración propia.
51
7.3.6 Análisis de las firmas espectrales del panel de calibración
El análisis de las firmas espectrales tomadas al panel de calibración artesanal, nos permite hacer
una primera evaluación de la información tomada en campo; para esto, se estableció una
metodología que se muestra en la figura 21.
Figura 21. Metodología análisis de firmas espectrales del panel de calibración.
Fuente: Elaboración propia.
7.4 Etapa 4. Interpretación de resultados y generación de productos
En esta última fase se hace uso de los resultados obtenidos en cada una de las etapas, con el fin de
validar la metodología propuesta.
8 Resultados y generación de productos
En este capítulo se muestran los resultados obtenidos luego del procesamiento realizado. Se tienen
dos productos finales, el modelo de regresión que mejor explica el comportamiento de la presencia
de SST en el tramo del río Bogotá estudiado y las gráficas de verificación del funcionamiento del
panel de calibración artesanal.
52
8.1 Panel de calibración artesanal
Para evaluar la funcionalidad del panel de calibración artesanal, se inicia con un análisis preliminar
donde se generan las gráficas de comportamiento de las firmas espectrales para cada una de las
tabletas del panel (figura 22), esto nos permite identificar si existe alguna firma que no corresponda
con la tendencia de las demás o que se aleje demasiado de la firma promedio; adicionalmente se
genera la gráfica de las cuatro firmas promedio resultantes (figura 23) para analizar el
comportamiento de las tabletas del panel en conjunto.
(a) (b)
(c) (d)
Figura 22. Firmas del panel de calibración. a) Blanco. b) Gris claro. c) Gris oscuro. d) Negro.
Fuente: Elaboración propia.
Estas gráficas se generan entre los 400 y 900 nm de longitud de onda puesto que corresponde al
rango capturado por la cámara multiespectral y un análisis en una longitud de onda menor o mayor
no genera información de utilidad al proyecto. Las gráficas de las firmas capturadas por baldosa
(figura 23) muestran que todas las firmas y para cada uno de los colores siguen el comportamiento
esperado, lo que nos permite inferir de manera preliminar que se está trabajando con una superficie
lambertiana apropiada para ser usada como objetivo de calibración.
53
Figura 23. Firmas promedio de las baldosas del panel de calibración
Fuente: Elaboración propia.
Al tener las firmas promedio de cada una de las baldosas del panel de calibración en una sola
gráfica (figura 23), es posible evidenciar que las firmas capturadas corresponden a la realidad,
donde el color blanco registra valores de reflectancia cercanos al 1 y el color negro por el contrario
registra valores de reflectancia cercanos 0; en el caso de los tonos de gris, se tiene el
comportamiento esperado donde el tono más claro registra valores de reflectancia mayores a los
presentados por el tono más oscuro, sin embargo y como se puede evidenciar en la gráfica después
de los 760 nm aproximadamente empiezan a tener un comportamiento espectral bastante similar.
A pesar de que visualmente las gráficas mencionadas anteriormente permitan establecer un
comportamiento adecuado en los datos manejados y esto permita inferir que se efectivamente se
está trabajando con una superficie lambertiana, se hace necesario comprobar esta hipótesis por
medio de la estadística. En este caso lo que se requiere comprobar es que en cada una de las
baldosas no existe una diferencia entre las medias de las 10 firmas capturadas, puesto que esto nos
confirmaría que efectivamente se tiene una superficie lambertiana; para verificar esta hipótesis se
hace uso del análisis del ANOVA mediante RStudio. Los resultados generados de este análisis
estadístico se muestran en la tabla 8.
54
Tabla 8. Resultados el análisis ANOVA para cada baldosa del panel de calibración.
BALDOSA NEGRA
Ítem Suma de
cuadrados
Grados de
libertad
Media de la suma de
cuadrados
Estadístico F
Valor critico en F (α: 0.05)
p-value
Entre grupos 0.0096 9 0.0010704
1.796 1.88 0.0639 Dentro del
grupo 2.9807 5000 0.0005961
Total 2.9903 5009 BALDOSA GRIS OSCURA
Ítem Suma de
cuadrados
Grados de
libertad
Media de la suma de
cuadrados
Estadístico F
Valor critico en F (α: 0.05)
p-value
Entre grupos 0.03 9 0.003544
0.155 1.88 0.998 Dentro del
grupo 114.31 5000 0.022862
Total 114.34 5009 BALSODA GRIS CLARA
Ítem Suma de
cuadrados
Grados de
libertad
Media de la suma de
cuadrados
Estadístico F
Valor critico en F (α: 0.05)
p-value
Entre grupos 0.019 9 0.002122
1.675 1.88 0.0893 Dentro del
grupo 6.336 5000 0.001267
Total 6.355 5009 BALDOSA BLANCA
Ítem Suma de
cuadrados
Grados de
libertad
Media de la suma de
cuadrados
Estadístico F
Valor critico en F (α: 0.05)
p-value
Entre grupos 0.0052 9 0.0005752
1.504 1.88 0.14 Dentro del
grupo 1.9124 5000 0.0003825
Total 1.9176 5009 Fuente: Elaboración propia.
La prueba del ANOVA maneja como hipótesis nula H0 que no existe una diferencia significativa
a nivel estadístico entre las medias de los diferentes grupos en este caso las 10 firmas tomadas por
baldosa y como H1 o hipótesis alternativa la existencia de una diferencia significativa a nivel
estadístico de estas medias. Las condiciones que llevan a aceptar la hipótesis nula son dos, la
primera de ellas que el estadístico F sea mayor al valor critico de F para las condiciones de la
55
muestra analizada a un nivel de significancia del 0.05 y la segunda que el p-value sea mayor a ese
nivel de significancia con el cual se está trabajando.
Como se puede observar en la tabla 9, las cuatro baldosas del panel de calibración cumplen con
las dos condiciones que permiten aceptar la hipótesis nula de que no existe una diferencia
significativa entre las medias de las firmas y por ende se puede afirmar desde la estadística que el
panel elaborado cuenta con una superficie lambertiana.
El paso a seguir en el proceso del panel es la determinación de las ecuaciones de relación entre los
valores de reflectancia y los niveles digitales en crudo para el panel de calibración en cada una de
las bandas capturadas por la cámara multiespectral; para obtener estas ecuaciones lo primero que
se realiza es el filtro de las firmas espectrales promedio de acuerdo al rango de la longitud de onda
que captura cada banda, esto permite tener un valor promedio de reflectancia para cada tableta en
cada una de las bandas de interés.
Luego se obtiene el nivel digital promedio de cada tableta en cada una de las bandas sin calibrar,
para esto se toman las 4 imágenes diferentes que se tienen del panel con sus respectivas cinco
bandas y se registran los niveles digitales de cada tableta obteniendo 4 valores por tableta en cada
una de las bandas, los cuales se promedian para obtener un único valor por banda para cada tableta;
esto nos permite generar una tabla de relación (tabla 9) y las líneas de regresión con su respectiva
ecuación (figura 24 a figura 28); en este caso y por tener únicamente cuatro puntos para la
regresión, las ecuaciones obtenidas son lineales y tienen un R2 ajustado superior al 0.99 en todos
los casos.
Tabla 9. Correspondencia entre niveles digitales y valores de reflectancia por banda.
Tableta Blanco Gris claro Gris
oscuro Negro
Banda Azul 465 nm - 485 nm
ND 55565.54125 40300.1775 22493.6885 9533.78425 Reflectancia 0.946142857 0.67061429 0.36750476 0.08408571
Banda Verde 550 nm - 570 nm
ND 50725.376 36082.534 22411.1917 8932.583 Reflectancia 0.937047619 0.6513381 0.39200952 0.07762381
Banda Roja 663 nm - 673 nm
ND 53932.44275 38155.4548 26629.824 9672.5515 Reflectancia 0.937181818 0.65055455 0.4518 0.07679091
56
Banda NIR 820 nm - 860 nm
ND 50265.23725 40790.367 41181.1043 15550.0145 Reflectancia 0.900756098 0.7368561 0.7230561 0.12787805
Banda Red Edge 712 nm - 722 nm
ND 46145.0745 34454.711 30519.4285 9350.8955 Reflectancia 0.928818182 0.67877273 0.6198 0.08156364
Fuente: Elaboración propia.
Figura 24. Regresión lineal banda del azul. Figura 25. Regresión lineal banda del verde.
Fuente: Elaboración propia. Fuente: Elaboración propia.
Figura 26. Regresión lineal banda del rojo. Figura 27. Regresión lineal banda del NIR.
Fuente: Elaboración propia. Fuente: Elaboración propia.
Figura 28. Regresión lineal banda del Red Edge.
57
8.2 Proceso fotogramétrico
Para la realización del vuelo fotogramétrico con UAS se definen dos grandes tramos, el primero
al norte de la cabecera urbana (tramo 1) y el segundo al sur de la misma (tramo 2); considerando
que al estar trabajando con un multirrotor se deben realizar vuelos de corta duración se decide
realizar 5 vuelos (figura 29), donde el primero cubre el tramo 1 en su totalidad y los cuatro restantes
el tramo 2.
(a) (b)
(c) (d)
(e)
Figura 29. Planes de vuelo. a) Tramo 1. b) Parte a tramo 2. c) Parte b tramo 2. d) Parte c tramo 2. e) Parte d tramo 2.
58
El primer vuelo se realiza el día 9 de noviembre de 2019 a las dos de la tarde con una duración
aproximada de 7 minutos, los cuatro vuelos restantes se realizan el día 10 de noviembre de 2019
los dos primeros a las once de la mañana con una duración aproximada de 6 minutos y 5 minutos
respectivamente y los dos restantes a las tres de la tarde con una duración aproximada de 5 minutos
en ambos casos.
La ejecución de cada uno de los vuelos sigue la misma metodología, primero se realiza la
planeación del vuelo (figura 29) mediante la aplicación Mission Planner, que también permite el
control remoto del UAV; antes de iniciar el vuelo se toma una foto del panel de calibración (figura
30), en este caso se hace tanto del panel propio de MicaSense como del panel elaborado, esta toma
se repite al terminar el vuelo. La georreferenciación para este estudio va a ser directa, debido a que
se tiene implementado el sistema GPS a bordo del hexacoptero.
Figura 30. Toma del panel de calibración. Izq.) Panel MicaSense. Der.) Panel artesanal.
Fuente: Autores.
De estos vuelos, se tienen los siguientes resultados en cuanto a cantidad de fotos y áreas cubiertas;
estos se muestran en la tabla 10.
59
Tabla 10. Resultados de cada vuelo.
Vuelo Cantidad de fotografías Área cubierta
Tramo 1 98 – 5 bandas cada una. 5.62 ha.
Tramo 2 – División 1 75 – 5 bandas cada una. 4.89 ha.
Tramo 2 – División 2 68 – 5 bandas cada una. 5.01 ha.
Tramo 2 – División 3 77 – 5 bandas cada una. 5.46 ha.
Tramo 2 – División 4 67 – 5 bandas cada una. 4.57 ha.
Fuente: Elaboración propia.
Una vez procesadas las imágenes de cada tramo ya mencionado (anexo 1) y obtenido el
ortomosaico se realizan los siguientes subprocesos:
8.2.1 Cálculo de reflectancia
De acuerdo con el tipo de análisis planteado en este proyecto, se hace necesario generar los valores
de reflectancia de cada píxel para hacer uso de los mismos en procesos futuros; siguiendo las
recomendaciones de calibración de reflectancia de MicaSense (MicaSense, Inc., 2017) y para
obtener el 100% de reflectancia en cada banda de forma normalizada se divide cada banda en la
mitad del rango disponible es decir en 32768.
8.2.2 Enmascaramiento del rio
Se considera importante realizar el enmascaramiento del río con el fin de evitar que en los procesos
futuros se consideren pixeles que no hagan parte del afluente y que puedan entorpecer el resultado
final. Para realizar esta actividad se hace uso de Agisoft pues este software permite la creación de
formas (puntos, líneas y polígonos); se crea un polígono correspondiente al río en sus dos tramos,
para su correcta digitalización se hace uso de la banda Red Edge pues es aquella que proporciona
la mejor visualización del río. Este polígono se debe definir como un polígono de frontera exterior
para que al generar el ortomosaico se exporte únicamente la zona contenida en el mismo.
Adicionalmente se generan los índices con que van a ser parte del análisis que son NMSI, NDSSI,
Band Ratio y NDWI; en las figuras 31 a 34 se muestra el resultado de cada uno de estos índices
en el tramo 1, respectivamente.
60
Figura 31. Visualización índice NSMI.
Fuente: Elaboración propia.
61
Figura 32. Visualización índice del NDSSI.
Fuente: Elaboración propia.
62
Figura 33. Visualización índice Band Ratio.
Fuente: Elaboración propia.
63
Figura 34. Visualización índice NDWI.
Fuente: Elaboración propia.
64
8.3 Modelado de la presencia de SST en el río
Para modelar la presencia de SST en el tramo de río Bogotá objeto de este estudio, se hace los
resultados de dos subprocesos, los niveles de reflectancia registrado en cada uno de los puntos que
se consideraron de interés y el valor de SST calculado en laboratorio mediante análisis físico de
las muestras de agua tomadas en esos mismos puntos. El diagrama metodológico de la generación
del modelo se muestra en la figura 35.
Figura 35. Metodología del mejor modelo de estimación.
Fuente: Elaboración propia.
8.3.1 Extracción de valores de reflectancia e índices Este proceso se realiza en Matlab y es necesario aclarar que el resultado de la aplicación del filtro
promedio es una matriz de la misma dimensión que los datos de entrada, donde el resultado
deseado es el representado en la posición central de la matriz; en el caso de la matriz 3x3 es la
ubicación [2,2] y en el caso de la matriz 5x5 es la ubicación [3,3]. Estos valores son el promedio
de las ventanas pixel y se toman como los promedios de reflectancia para cada punto muestra; este
proceso se realiza para cada una de las bandas de las imágenes obtenidas en el software Agisoft y
para los índices generados (NMSI, NDSSI, Band Ratio y NDWI), adicionalmente también se
registran los valores del pixel individual. De este proceso se generan tres tablas o matrices de
relación, las cuales se muestran a continuación (tabla 11 a tabla 13):
65
Tabla 11. Resultado valores de reflectancia sin ventana pixel.
Punto Azul Verde Rojo NIR Red Edge NSMI NDSSI Band Ratio NDWI
Punto_01 0.0295574 0.0441805 0.0499399 0.1469609 0.0811613 0.5217552 -0.6644273 1.4947368 -0.5367995
Punto_02 0.0167738 0.0238085 0.0233286 0.0233286 0.0344924 0.4747244 -0.16345156 1.4221834 0.0101809
Punto_03 0.0232986 0.0325523 0.0321438 0.1062381 0.056482 0.4707464 -0.6390668 1.3971306 -0.5300524
Punto_05 0.0616028 0.0746011 0.0757409 0.1234515 0.0801849 0.4186012 -0.3337272 1.2114059 -0.2460749
Punto_06 0.0235856 0.0432591 0.0410743 0.1624887 0.0860271 0.5628536 -0.746294 1.8341318 -0.5794534
Punto_07 0.0218538 0.0390391 0.0363123 0.0914976 0.0558151 0.5505711 -0.6145153 1.7893369 -0.4017644
Punto_08 0.0329677 0.0432025 0.0438347 0.0834602 0.0492702 0.4506004 -0.4338858 1.3158702 -0.3181138
Punto_09 0.0268169 0.0339878 0.0367623 0.091523 0.0513822 0.4499606 -0.5465808 1.2717916 -0.4600002
Punto_10 0.0145582 0.02345 0.0290003 0.077723 0.0368381 0.5656921 -0.6845742 1.6118095 -0.5365046
Punto_11 0.0322469 0.0501297 0.0457319 0.1071904 0.0789656 0.4968047 -0.5378984 1.5575196 -0.3631681 Fuente: Elaboración propia.
Tabla 12. Resultado valores de reflectancia para la ventana pixel 3x3.
Punto Azul Verde Rojo NIR Red Edge NSMI NDSSI Band Ratio NDWI
Punto_01 0.0299251 0.0446598 0.0529994 0.145446 0.0808072 0.5304834 -0.6575896 1.4935822 -0.5287508
Punto_02 0.0159985 0.0225717 0.0230285 0.0230285 0.0363688 0.4806545 -0.1801317 1.4147115 -0.01001749
Punto_03 0.0237643 0.0326728 0.0320263 0.1058121 0.0541064 0.4624642 -0.629715 1.378491 -0.5245642
Punto_05 0.0613581 0.0761761 0.0776899 0.1251479 0.0827487 0.429339 -0.340803 1.2432129 -0.2418555
Punto_06 0.0231597 0.042796 0.039405 0.1538697 0.0834577 0.5630075 -0.7378302 1.847865 -0.5641693
Punto_07 0.02464 0.0408147 0.0394222 0.0937322 0.0585008 0.5320043 -0.5838841 1.6564407 -0.3929243
Punto_08 0.0327518 0.0434596 0.0421901 0.0840406 0.0500912 0.4465423 -0.4392188 1.3305924 -0.3184669
Punto_09 0.0267831 0.0362644 0.0352201 0.0890726 0.0508022 0.4543694 -0.5365595 1.3597275 -0.4210517
Punto_10 0.0149633 0.0240659 0.0280249 0.0816639 0.0378697 0.5523836 -0.6885532 1.6085159 -0.5429234
Punto_11 0.0321592 0.0520205 0.0496212 0.1085594 0.0827375 0.5197671 -0.5432274 1.6175931 -0.3530169 Fuente: Elaboración propia.
Tabla 13. Resultado valores de reflectancia para la ventana pixel 5x5.
Punto Azul Verde Rojo NIR Red Edge NSMI NDSSI Band Ratio NDWI
Punto_01 0.0308362 0.0458075 0.055393 0.1443905 0.0812747 0.5330577 -0.6450032 1.4872421 -0.5149208
Punto_02 0.0154253 0.0217454 0.0223406 0.0223406 0.0365712 0.4816435 -0.1831096 1.4135517 -0.0135008
Punto_03 0.023856 0.0331502 0.0327116 0.1077778 0.0549861 0.4670957 -0.6298876 1.3931253 -0.5216578
Punto_05 0.0603716 0.0763362 0.0776182 0.1290356 0.0854479 0.4363864 -0.3615921 1.2671484 -0.2555875
Punto_06 0.0227604 0.0427338 0.0400409 0.1505533 0.0814643 0.5717168 -0.7378114 1.8775504 -0.5578159
Punto_07 0.0255841 0.0413573 0.0406787 0.0933705 0.0597328 0.5259883 -0.570097 1.6343893 -0.3862286
Punto_08 0.0319128 0.0433759 0.0418403 0.083859 0.051198 0.4547655 -0.447763 1.3637081 -0.3173574
Punto_09 0.0277263 0.0368822 0.0357965 0.0873766 0.0498537 0.4473915 -0.5167291 1.3400645 -0.4049028
Punto_10 0.0157917 0.0250131 0.0287195 0.0868089 0.0401056 0.5434772 -0.6889681 1.59964 -0.5493067
Punto_11 0.0335801 0.0529622 0.0509674 0.1101569 0.0828469 0.511974 -0.5325089 1.5882583 -0.3506906 Fuente: Elaboración propia.
66
8.3.2 Cálculo de SST en los puntos muestra
La toma de muestras de agua in situ se realiza en once (11) puntos aleatorios donde a simple vista
se evidencia un cambio en el aspecto físico del agua, la localización de estos puntos se muestra en
la tabla 14, su ubicación espacial se muestra en la figura 35, estas coordenadas se adquieren con
un GPS Garmin Oregon 550.
Tabla 14. Puntos muestra para evaluar SST.
Identificador Coordenada Norte Coordenada Este
WGS 84 Gauss – Krüger WGS 84 Gauss - Krüger
Punto 1 5° 13' 22'' N 1069309.181 m 73° 35' 32'' W 1053799.603 m
Punto 2 5° 13' 22.5'' N 1069324.538 m 73° 35' 32.1'' W 1053796.511 m
Punto 3 5° 13' 18.5'' N 1069201.639 m 73° 35' 33.1'' W 1053765.810 m
Punto 4 5° 13' 18.5'' N 1069201.639 m 73° 35' 33.1'' W 1053765.810 m
Punto 5 5° 12' 25.5'' N 1067572.602 m 73° 36' 13.5'' W 1052522.889 m
Punto 6 5° 12' 29.3'' N 1067689.357 m 73° 36' 12.5'' W 1052553.597 m
Punto 7 5° 12' 30'' N 1067710.885 m 73° 36' 11.4'' W 1052587.457 m
Punto 8 5° 12' 30.4'' N 1067723.184 m 73° 36' 10.9'' W 1052602.846 m
Punto 9 5° 12' 31.4'' N 1067753.935 m 73° 36' 9.5'' W 1052645.938 m
Punto 10 5° 12' 33.5'' N 1067818.463 m 73° 36' 8.7'' W 1052670.526 m
Punto 11 5° 12' 34.7'' N 1067855.409 m 73° 36' 5.1'' W 1052781.365 m
Fuente: Elaboración propia.
67
Figura 36. Puntos de muestreo propios.
Fuente: Elaboración propia.
68
La adquisición de estas muestras, se realiza siguiendo lo estipulado en la bibliografía consultada
(Laboratorio de aguas y suelos), se hace uso de botellas plásticas de 300 ml completamente limpias
las cuales se llenan en su totalidad intentando no dejar espacios de aire. Estas muestras se toman a
una profundidad media buscando no agregar a la muestra elementos demasiado superficiales ni
tocar el fondo del cuerpo de agua lo cual afectaría las condiciones físicas del mismo.
Adicionalmente, y buscando garantizar que las condiciones del cuerpo de agua no se alteren por
nuestra presencia, las muestras siempre son tomadas en dirección opuesta a la corriente. Una vez
finalizada cada toma, se rotula con un código único y con la ubicación GPS, como se muestra en
la figura 37.
Figura 37. Toma de muestras de agua.
Fuente: Autores.
Esta toma se realiza en 2 sesiones diferentes, en la primera se toman 4 puntos y en la segunda los
7 restantes; sin embargo, estos puntos no logran cubrir la totalidad de la zona capturada en las
imágenes por la dificultad que se tiene en el acceso. Una vez finalizada la etapa del muestro, se
conservan las muestras a una temperatura baja en una nevera portátil de 10 litros, como se muestra
en la figura 38.
69
Figura 38. Proceso de conservación de muestras.
Fuente: Autores.
Luego de seguir la metodología IDEAM (anexo 3) y realizar los respectivos cálculos, la cantidad
de SST para cada uno de los puntos de interés se muestra en la tabla 15.
Tabla 15. Resultados de laboratorio para SST.
Capsula Tara 1
(g) Tara 2
(g) Promedio Tara (g)
Volumen (ml)
Peso 1 (g)
Peso 2 (g)
Promedio Peso (g)
Diferencia Peso (g)
SST (mg/L)
Cap. 1 24.845 24.8452 24.8451 100 24.848 24.8482 24.8481 0.003 30
Cap. 2 24.3422 24.3424 24.3423 100 24.3433 24.3436 24.34345 0.00115 11.5
Cap. 3 22.725 22.7249 22.72495 100 22.7259 22.7259 22.7259 0.00095 9.5
Cap. 4 25.0566 25.0567 25.05665 100 25.0574 25.0573 25.05735 0.0007 7
Cap. 5 24.3398 24.3399 24.33985 100 24.3404 24.3405 24.34045 0.0006 6
Cap. 6 26.539 26.5391 26.53905 100 26.5432 26.5429 26.54305 0.004 40
Cap. 7 24.8467 24.8467 24.8467 100 24.85 24.8501 24.85005 0.00335 33.5
Cap. 8 25.0574 25.0575 25.05745 100 25.0584 25.0584 25.0584 0.00095 9.5
Cap. 9 25.2853 25.2853 25.2853 100 25.2861 25.2863 25.2862 0.0009 9
Cap. 10 26.5385 26.5385 26.5385 100 26.5431 26.5434 26.54325 0.00475 47.5
Cap. 11 25.3209 25.321 25.32095 100 25.322 25.3223 25.32215 0.0012 12
Fuente: Elaboración propia.
70
8.3.3 Estimación de la presencia de SST
El proceso que se realiza para la estimación de SST es la generación de diferentes modelos algunos
basados en lo encontrado en la literatura (Chen et al, 2015) (Ruiz, 2017) y otros propuesto por los
autores de la investigación, escogiendo el modelo que mejor explique los datos obtenidos de
acuerdo al parámetro R2 ajustado; se prueban diferentes combinaciones lineales, con distintos
órdenes, estos modelos se generan por medio de RStudio y se muestran aquellos que tuvieron un
R2 ajustado considerado relevante (tabla 16).
Tabla 16. Modelos de explicación de presencia de SST generados.
No. Modelo
Ventana pixel
Modelo R2
ajustado 1 Sin ventana 278.68(NSMI) - 117.44 0.8806 2 3x3 285.89(NSMI) - 121.27 0.7788 3 5x5 296.73(NSMI) - 126.73 0.7764 4 Sin ventana 59.2(Band Ratio) - 67.39 0.6171 5 3x3 65.12(Band Ratio) -76.51 0.5713 6 5x5 66.33(Band Ratio) - 78.41 0.5701
7 Sin ventana 8740.769(Verde) - 10768.869(Azul) +
131178.468(Azul2) - 87255.609(Verde2) + 5.858 0.5194
8 3x3 1.251e14(Verde) - 1.497e4(Azul) + 1.94e5(Azul2) -
1.29e5(Verde2) - 9.506 0.6466
9 5x5 1.11e4(Verde) - 1.37e4(Azul) + 1.739e5(Azul2) -
1.109e5(Verde2) - 1.081 0.5503
10 Sin ventana 7.185(NIR/Azul) - 6.891 0.5645 11 3x3 7.508(NIR/Azul) - 7.656 0.5675 12 5x5 7.542(NIR/Azul) - 7.513 0.5579 13 Sin ventana 480.744(NSMI3.6279) - 18.771 0.9262 14 3x3 500.08(NSMI3.6279) - 20.338 0.8177 15 5x5 501.404(NSMI3.6279) - 20.414 0.7908 16 Sin ventana 1896.4(NSMI2) - 1612.8(NSMI) + 349.6 0.9486 17 3x3 2677.9(NSMI2) - 2374.2(NSMI) + 533.8 0.8384 18 5x5 1183(NSMI2) - 887.5(NSMI) + 167.4 0.7651
Fuente: Elaboración propia.
En la tabla 16, se muestran 6 modelos base que presentan el mejor ajuste para la estimación de
SST de acuerdo a la información que se capturo en campo; allí se evidencia que las bandas del
azul, verde y NIR hacen parte de la mayoría de combinaciones propuestas, indicando una
71
correlación existente de las mismas con la presencia de SST. Estos modelos son los que mejor R2
ajustado tienen, como estos se evalúan para cada una de las ventanas pixel propuestas se tienen un
total de 18 modelos. Se escoge como el mejor modelo para la estimación de SST el número 16
(ecuación 6) ya que tiene un R2 ajustado de 0.9486, este modelo es un modelo lineal de orden dos,
basado en el índice NSMI (ecuación 1) cuyo cálculo involucra las tres bandas del espectro visible;
una vez seleccionado el modelo, se genera la estimación de SST para el tramo del río estudiado
(figura 39 – figura 43).
72
Figura 39. Estimación SST, tramo 1.
Fuente: Elaboración propia.
73
Figura 40. Estimación SST, tramo 2 división 1.
Fuente: Elaboración propia.
74
Figura 41. Estimación SST, tramo 2 división 2.
Fuente: Elaboración propia.
75
Figura 42. Estimación SST, tramo 2 división 3.
Fuente: Elaboración propia.
76
Figura 43. Estimación SST, tramo 2 división 4.
Fuente: Elaboración propia.
77
Para generar estas estimaciones se debe realizar un flujo de trabajo (figura 44) en un software que
permite el manejo de archivos raster en este caso ArcGIS, los insumos con los cuales se realiza
este proceso son los ortomosaicos generados para el río en cada uno de los tramos con el NSMI
calculado, como estos ortomosaicos son exportados por Agisoft con un fondo este se elimina pues
tiene un valor igual 1 y nos genera información que entorpece la generación del producto final;
una vez se tenga unicamente el enmascaramiento del río se estima la presencia de SST con la
ecuación escogida (ecuación 1).
%%C NOPQ R = 1896.4�%&'�) − 1612.8�%&') + 349.6 (Ecuación 1)
Figura 44. Flujo de trabajo en ArcGIS.
Fuente: Elaboración propia.
9 Análisis de resultados
En este capítulo se realiza la evaluación y comparación de los resultados generados tanto para la
estimación de la presencia de SST en el tramo de la cuenca alta del río Bogotá estudiada como
para el panel de calibración artesanal elaborado.
9.1 Evaluación del panel de calibración artesanal
En el capítulo anterior se muestran las ecuaciones de calibración por banda resultantes del proceso
de correlación entre niveles digitales y valores de reflectancia de los cuatro objetivos del panel; en
la revisión literaria se encontraron diversas formas de evaluación de la funcionalidad de un panel
de calibración artesanal (Del Pozo et al, 2014) (Iqbal, Lucieer, & Barry, 2018), basadas en la
78
comparación de medidas tomadas en campo con las predicciones realizadas por medio de las
ecuaciones determinadas. Para este estudio, se decide hacer una validación por medio de tres
coberturas (techo, vegetación y pavimento); obteniendo los resultados que se muestran en las
tablas 17, 18 y 19 y la figura 45.
La validación consiste en extraer los valores de reflectancia para las tres coberturas ya
mencionadas en cada una de las bandas del ortomosaico calibrado con el panel de la MicaSense
RedEdge – M, luego se extraen los niveles digitales de estas mismas tres coberturas en una imagen
sin calibrar y se aplican las ecuaciones de calibración; el resultado de estas ecuaciones se compara
con los primeros valores mencionados y así se define si la calibración ofrecida por el panel
artesanal se puede considerar como válida.
Tabla 17. Valores de reflectancia extraídos del ortomosaico.
Coberturas Azul Verde Rojo NIR Red Edge Techo 0.740062 0.621149 0.587799 0.535675 0.560791
Vegetación 0.0206299 0.0750122 0.0241394 0.473694 0.205994 Pavimento 0.108795 0.141266 0.15979 0.225555 0.150635
Fuente: Elaboración propia.
Tabla 18. Valores de niveles digitales extraídos de la imagen sin calibrar.
Coberturas Azul Verde Rojo NIR Red Edge Techo 41440 38128 37136 36368 36672
Vegetación 7808 11616 6880 43840 18624 Pavimento 18448 16016 15984 21712 18128
Fuente: Elaboración propia.
Tabla 19. Valores de reflectancia calculados mediante las ecuaciones.
Coberturas Azul Verde Rojo NIR Red Edge Techo 0.755 0.67466 0.65172 0.51116 0.61274
Vegetación 0.08236 0.14442 0.0466 0.6606 0.25178 Pavimento 0.29516 0.23242 0.22868 0.21804 0.24186
Fuente: Elaboración propia.
79
Figura 45. Comparación entre valores medidos y valores de la predicción.
Fuente: Elaboración propia.
Los resultados anteriores permiten afirmar que el panel de calibración elaborado ofrece una buena
calibración.
9.2 Estimación de la presencia de SST
La ecuación de estimación de SST generada, es un resultado resultado es esperando teniendo en
cuenta los resultados de autores como (Gómez & Delance, 2014) y (Ruiz, 2017); ya que se
evidencia la presencia bandas consideradas por este estudio como aquellas que tienen una relación
con la cantidad de SST en los modelos generados por ellos, a pesar de que sus estudios sean
mediante imágenes satelitales GeoEye y Landsat 8 OLI respectivamente.
Por los resultados de otros autores citados en el estudio de (Ruiz, 2017), se esperaba una alta
correlación con la banda del rojo, pero este resultado fue opuesto, ninguno de los modelos
diseñados con la banda del rojo presenta un nivel de significancia que permita considerarlo como
la ecuación de estimación de SST para la zona de estudio, esto se puede deber al hecho de que la
longitud de esta onda es solo de 10 nm. Sin embargo, el modelo seleccionado se basa en el índice
NSMI el cual depende directamente de las bandas del espectro visible; este resultado es similar al
80
presentado en (Arisanty & Saputra, 2017) donde se analizan diferentes índices que tienen como
finalidad la identificación de material en suspensión y se determina que el indicado es el NSMI.
La primera evaluación que se realiza del modelo seleccionado es la comparación entre los valores
determinados en laboratorio para los puntos muestra y los estimados mediante la ecuación (tabla
20), allí es posible evidenciar que los valores estimados son cercanos a la realidad, pues el residuo
más alto representa el 37% del valor medido.
Tabla 20. Evaluación del modelo en los puntos de muestreo.
Punto Medida
Laboratorio (mg/L)
Estimación (mg/L)
Residuos (mg/L)
Porcentaje del residuo
Punto_01 30 24.37 5.63 19% Punto_02 11.5 11.34 0.16 1% Punto_03 9.5 10.63 -1.13 12% Punto_05 6 6.78 -0.78 13% Punto_06 40 42.62 -2.62 7% Punto_07 33.5 36.49 -2.99 9% Punto_08 9.5 7.92 1.58 17% Punto_09 9 7.86 1.14 13% Punto_10 47.5 44.11 3.39 7% Punto_11 12 16.41 -4.41 37%
Fuente: Elaboración propia.
Adicionalmente, se aplican la prueba de normalidad de Shapiro – Wilk y la prueba de
heterocedasticidad de Breusch Pagan; como se muestra en la tabla 21, en ambas pruebas se tiene
un p- value mayor al nivel de significancia (0.05) por lo cual no se rechazan las hipótesis nulas y
se afirma que el modelo es homocedastico y sigue una distribución normal.
Tabla 21. Resultados pruebas R.
Test p - value Significancia Shapiro – Wilk 0.8551
0.05 Breusch - Pagan 0.1608
Fuente: Elaboración propia.
81
Con la generación de las estimaciones para los dos tramos del río Bogotá trabajados y sus
respectivas divisiones (figura 39 a figura 43), se posibilita el análisis de otras situaciones; en el
caso de la cantidad de SST en la zona de estudio esta varia de 6 mg/L hasta 533 mg/L, siendo
coherente con lo encontrado en la literatura donde se tienen estimaciones que varían de 0 mg/L
hasta 527 mg/L (Gómez & Delance, 2014), entre otras que presentan rangos similares.
Las estimaciones generadas, permiten hacer una segunda evaluación del modelo, que se basa en el
análisis de los valores estimados de SST para cada uno de los tramos y su correspondencia con lo
que se espera teniendo en cuentas las condiciones de la zona; al ejecutar una revisión detenida de
las estimaciones generadas se puede identificar que zonas cercanas a la plaza de mercado, algunos
talleres (lavaderos de carros) y las primeras curtiembres presentan los valores más altos de
estimación superiores a los 40 mg/L (figura 46).
Adicionalmente, se genera un análisis por tramo, en el cual se identifica el porcentaje del río que
se clasifica en cada uno de los intervalos definidos para el análisis de SST; esto se muestra en la
tabla 22.
Tabla 22. Análisis porcentual por tramo de SST.
Tramo < 10 mg/L 10 mg/L - 40 mg/L > 40 mg/L Tramo 1 34.33% 41.68% 23.99%
Tramo 2 - División 1 30.66% 53.19% 16.15% Tramo 2 - División 2 39.63% 44.80% 15.57% Tramo 2 - División 3 30.07% 48.61% 21.32% Tramo 2 - División 4 39.80% 47.65% 12.55%
Fuente: Elaboración propia.
Esta clasificación nos permite evidenciar que todos los tramos tienen presencia mayoritariamente
de una cantidad estimada entre los 10 y los 40 mg/L de SST; en lo referente al tramo 2 la zona en
que mayor porcentaje del río presenta una cantidad estimada > 40 mg/L es la correspondiente al
tramo 2, donde se tiene la presencia de las primeras curtiembres.
82
Figura 46. Zonas de alta presencia de SST.
Fuente: Elaboración propia. A partir de Google Earth.
83
Finalmente, como una tercera evaluación de este producto se tienen las firmas espectrales tomadas
en los puntos muestra, como se puede observar en la figura 47, las firmas espectrales capturadas
al ser discretizadas de acuerdo a las longitudes de onda propias de la cámara espectral utilizada,
tienen un comportamiento similar al comportamiento de los valores de reflectancia generados en
el ortomosaico ya calibrado. En 2 de los 3 puntos que hacen parte de este análisis, se puede
observar una correspondencia en el comportamiento espectral de todas las bandas exceptuando la
banda del NIR.
Figura 47. Relación firmas espectrales y ortomosaico. a) Punto muestra 1. b) Puntos muestra 2. c) Punto muestra 3.
(a) (b)
(c)
Fuente: Elaboración propia.
84
10 Costos del proyecto
Tabla 23. Costos del proyecto.
TRANSPORTE Ítem Costo Descripción
Primera visita al municipio de Villapinzón.
$ 30,000.00 Visita realizada el 28 de mayo de 2019, para radicar primera solicitud ante la alcaldía municipal.
Primera visita a la zona de estudio.
$ 60,000.00 Visita realizada el 8 de junio de 2019, para identificar la zona de estudio.
Identificación de las curtiembres relacionadas por la alcaldía.
$ 110,000.00
Realizada el 4 de octubre de 2019, para la actualización de la ubicación de las curtiembres otorgadas por la alcaldía.
Segunda visita al municipio de Villapinzón.
$ 60,000.00 Realizada el 26 de octubre de 2019, para coordinación de la realización del vuelo.
Tercera visita al municipio de Villapinzón.
$ 30,000.00 Visita realizada el 1 de noviembre de 2019, para radicar solicitud de permiso de vuelo en la alcaldía municipal.
Realización del vuelo fotogramétrico
$ 60,000.00 Realizado el 9 de noviembre de 2019 y el 10 de noviembre de 2019.
Traslado de los equipos de la Universidad a la zona de estudio.
$ 40,000.00 Realizado el 8 de noviembre de 2019 y el 15 de noviembre de 2019.
Cuarta visita al municipio de Villapinzón.
$ 70,000.00 Visita al laboratorio para el procesamiento de muestras de agua, 19 y 20 de noviembre.
Costo acumulado $ 460,000.00 MATERIALES
Micro SD. $ 57,000.00 Se compraron 3 Micro SD por la cantidad de imágenes con la que se iba a trabajar.
Tabletas del panel. $ 60,000.00 Se compraron 4 tabletas de diferentes tamaños.
Corte de las tabletas. $ 20,000.00 Corte de las tabletas pues no tenían el tamaño requerido.
Triplex y palos de balso. $ 10,000.00 Requeridos para el montaje del panel.
Costo acumulado $ 147,000.00 ANÁLISIS DE LABORATORIO
Nevera para conservación de las muestras.
$ 80,000.00 Requerida para la conservación de las muestras desde el día de la toma hasta el día del análisis.
Botellas para recolección de muestras.
$ 10,000.00 Botellas plásticas de 300 ml.
85
Costo de uso del laboratorio. $ 120,000.00
Rubro cobrado por el laboratorio, al facilitarnos el poder realizar el análisis allí.
Costo acumulado $ 210,000.00
Costo de viáticos $ 270,000.00 Costo aproximado, asumiendo que por día de campo se gastaron $15.000 pesos por persona en viáticos.
Costo total $ 1,087,000.00 Fuente: Elaboración propia.
11 Conclusiones
o Se genera un modelo empírico para la estimación de SST en un tramo de la cuenca alta del
río Bogotá, el cual basado en una ecuación polinómica de grado dos y con el índice NSMI
como única variable independiente; presenta un valor de R2 ajustado de 0.9486 que permite
considerar el mismo como un modelo apropiado estadísticamente.
o La búsqueda del modelo indicado, permite evidenciar que las bandas de la cámara
multiespectral MicaSense RedEdge – M que mayor correlación tienen como el análisis de
la presencia de SST en el tramo de la cuenca alta del río Bogotá objeto de estudio son la
banda del verde, la banda del azul y en una menor medida la banda del NIR.
o Se realiza el cálculo de diferentes índices espectrales desarrollados para la identificación
de material suspendido en agua como el NSMI, NDSSI y el Band Ratio (Verde/Azul); una
vez contrastados sus resultados con los valores obtenidos en el análisis de agua en el
laboratorio, se logra determinar que es el NSMI el que brinda la mejor aproximación a la
realidad que se plantea modelar.
o El análisis de los SST como una medida física de la calidad del agua, requiere un
importante trabajo de campo donde deben ser cuidados todos los factores que puedan
alterar esta medida; en este caso se tiene particular cuidado con la forma en que se
recolectan las muestras de agua in situ, desde la toma de cada muestra individual como la
86
planeación del orden de muestreo donde se decide ir en contra de la corriente para no causar
ninguna alteración.
o El análisis de las muestras de agua recolectadas en el laboratorio de aguas del centro
tecnológico de cuero, guiado por el profesional en química encargado, permite llegar a la
determinación de la cantidad de SST en cada uno de los puntos muestreados. De este
proceso en laboratorio se tiene que el 46% de los puntos presenta una cantidad de SST <
10 mg/L (contaminación baja), el 36% presenta una cantidad de SST entre los 10 mg/L y
los 40 mg/L (contaminación media) y el 18% restante presenta una cantidad de SST > 40
mg/L (contaminación alta); estando estos últimos puntos localizados en la zona donde se
tiene presencia de curtiembres.
o Se identifica la cantidad de SST a lo largo de tramo del rio analizado, esto se logra al aplicar
la ecuación generada de estimación de SST a cada uno de los tramos y divisiones. Así, se
identifica que en los dos tramos el rango de cantidad de SST que mayor presencia tiene en
el río es el de 10 mg/L a 40 mg/L (es decir contaminación media) ocupando en todas las
divisiones más del 41% del área del río. Por su parte la división donde se tiene presencia
de curtiembres presenta uno de los mayores porcentajes de área del río entre los 10 mg/L
a 40 mg/L de SST con un 48% y > 40 mg/L con un 21%.
o El análisis de las firmas espectrales tomadas in situ en los puntos de muestreo del tramo 1,
permite validar la información capturada mediante la cámara multiespectral MicaSense
RedEdge – M; pues el comportamiento espectral generado con cada herramienta es similar.
o Se realiza un panel de calibración artesanal, compuesto por cuatro tabletas de diferente
color (blanco, gris claro, gris oscuro y negro); el cual cuenta con un respaldo estadístico al
cumplir con las condiciones necesarias para ser definido como una superficie lambertiana
y así mismo como una herramienta óptima para la aplicación deseada. La validación
realizada mediante el análisis de la respuesta espectral de 3 diferentes coberturas
(vegetación, tejado y pavimento), permite afirmar que este panel cumple con el objetivo
bajo el cual se diseña.
87
12 Recomendaciones
o Realizando el análisis preliminar de la zona de estudio, es posible evidenciar que una de
las principales falencias en el monitoreo realizado en el río Bogotá por parte de la CAR es
la ubicación de los puntos designados para esta actividad; al evaluar la ubicación de los
puntos ubicados por esta entidad en la cuenca alta del río se evidencio que dos de ellos se
encuentran antes de la zona urbana del municipio y otros dos en la zona urbana. Esto impide
la evaluación del verdadero impacto de la industria cuerera en la calidad del agua de este
afluente; por lo cual se recomienda a esta entidad evaluar el añadir puntos de monitoreo
cerca de la zona donde inicia la presencia de la industria en el municipio.
o En lo referente al análisis de las imágenes, se recomienda tener especial cuidado con el
manejo que se hace de la información y realizar los procesos salvaguardando la calidad de
la misma, en el caso puntual de trabajar con imágenes ya calibradas como las generadas
con la cámara MicaSense RedEdge – M, al trabajar con valores entre 0 y 1 es de vital
importancia conservar la mayor cantidad de cifras significativas para no generar una
pérdida de información. Al trabajar con cuerpos de agua se considera de gran importancia
realizar el enmascaramiento del mismo para no agregar información irrelevante a los
análisis generados.
o Como recomendación para investigaciones posteriores enfocadas en problemas
ambientales que puedan tener un monitoreo como el presentado en esta investigación, se
sugiere realizar diferentes vuelos teniendo en cuenta las temporadas de precipitación ya
que en la investigación preliminar es posible evidenciar en la cantidad de SST está ligada
a esta condición climática y el tener información con diferentes condiciones ambientales
puede ayudar a la generación de ecuaciones de estimación que sean utilizadas como sistema
de monitoreo al considerar todos estos factores.
o Al realizar investigaciones relacionadas con actividades que se pueden estar desarrollando
por parte de algunas personas desde la informalidad, muchas veces este tipo de proyectos
no son bien recibidos por la comunidad y se pueden generar algunos conflictos; por lo cual
es recomendable siempre trabajar bajo el conocimiento de las autoridades municipales.
88
13 Trabajos futuros
Se plantea como objetivo futuro diseñar el código necesario para poder hacer uso del panel de
calibración artesanal diseñado tal y como se hace con los paneles propios de las cámaras
multiespectrales.
89
14 Bibliografía
Aber, J. (2011). Landsat Image Processing. Agisoft. (2019). Sobre Metashape. Obtenido de Metashape: Procesamiento fotogramétrico de
imágenes digitales y generación de datos espaciales en 3D. Alcaldía municipal de Villapinzón. (2000). Acuerdo No. 095. Esquema de ordenamiento
territorial 2000 - 2008. Cundinamarca. Aldalur, B., & Santamaría, M. (2002). Realce de imágenes: filtrado espacial. Revista de
teledetección, 17, 31 - 42. Amat, J. (2018). ANOVA análisis de varianza para compara múltiples medias. Obtenido de
RPubs by RStudio. ArcGeek. (2020). ERDAS. ArduPilot Dev Team. (2019). Mission Planner Overview. Obtenido de Mission Planner. Arisanty, D., & Saputra, A. (2017). Remote sensing studies of suspended sediment concentration
variation in Barito Delta. IOP Conference Series: Earth and Environmental Science(98). doi:10.1088/1755-1315/98/1/012058
ASD Inc. (2008). ViewSpec Pro™ User Manual. ASD Document 600555 Rev. A. Azad, A., & Chao, X. J. (2006). Development of Remote Sensing based Index for
estimating/mapping Suspended Sediment Concentration in River and Lake Environments.
Azom, M. R., Mahmud, K., Yahya, S. M., Sontu, A., & Himon, S. (2012). Environmental Impact Assessment of Tanneries: A Case Study of Hazaribag in Bangladesh. International Journal of Environmental Science and Development(3(2),), 152-156. doi:10.7763/IJESD.2012.V3.206
CAR. (2006). Plan de ordenamiento y manejo de la cuenca hidrográfica del río Bogotá. Bogotá. Cassano, A., Drioli, E., & Molinari, R. (1997). Recovery and reuse of chemicals in unhairing,
degreasing and chromium tanning processes by membranes. Desalination,(113(2 - 3)), 251-261.
Chen, S., Han, L., Chen, X., Li, D., & Li, Y. (2015). ISPRS Journal of Photogrammetry and Remote Sensing Estimating wide range Total Suspended Solids concentrations from MODIS 250-m imageries : An improved method. ISPRS Journal of Photogrammetry and Remote Sensing(99), 58-69.
Chuvieco, E. (1995). Fundamentos de teledetección espacial (Segunda ed.). Madrid: Ediciones RIALP, S.A.
Comunidad Andina. (2005). Manual de estadísticas ambientales. CAN: Santa Cruz de la Sierra. CSIC. (s.f). Matlab. Obtenido de Consejo Superior de Investigaciones Científicas. Del Pozo, S., Rodríguez, P., Hernández, D., & García, B. (2014). Vicarious Radiometric
Calibration of a Multispectral Camera on Board an Unmanned Aerial System. remote sensing(6), 1918-1937. doi:10.3390/rs6031918
Doxaran, D., Froidefond, J., Lavender, S., & Castaing, P. (2002). Spectral signature of highly turbid waters application with SPOT data to quantify suspended particulate matter concentrations. Remote Sensing of Environment, 149-161.
90
Eisenbeiss, H. (2008). UAV Photogrammetry. Zurich: Institute of Geodesy and Photogrammetry, ETH Zurich.
Escalante, J., Cáceres, J., & Porras, H. (2016). Ortomosaicos y modelos digitales de elevación generados a partir de imágenes tomadas con sistemas UAV. Revista Tecnura, 20(50), 119-140. doi: doi: 10.14483
esri. (s.f). Introducción a ArcGIS. Obtenido de ArcGIS Resources. Fiuza, E., Souza, C., & Santana, P. (2011). Detection of suspended sediments in Grande River
and Ondas River. Flores-Ruiz, E., Miranda-Novales, M., & Villasís-Keerver, M. (2017). El protocolo de
investigación VI: cómo elegir la prueba estadística adecuada. Estadistica inferencial. Rev Alerg Mex.(64(3)), 364-370.
GARMIN. (s.f). Oregon 550. GIS&Beers. (2017). Cálculo del índice NDWI. Gómez, E. (2006). Guía básica de conceptos de Radiometría y Fotometría. Sevilla: ESI-
Universidad de Sevilla. Gómez, J., & Delance, J. (2014). Determinación del parámetro sólidos suspendidos totales (sst)
mediante imágenes de sensores ópticos en un tramo de la cuenca media del río Bogotá (Colombia). UD y la Geomática(9), 19 - 27.
Hutton, J., & Mostafa, M. (2005). 10 Years of direct georeferencing for airborne photogrammetry. Photogrammetric Week.
Iqbal, F., Lucieer, A., & Barry, K. (2018). Simplified radiometric calibration for UAS - mounted multispectral sensor. European Journal of Remote Sensing( 51:1), 301-313. doi:10.1080/22797254.2018.1432293
Jaimes, A., & Guerrero, C. (2009). Alteraciones visuales/ oculares y niveles de cromo en sangre de los trabajadores de la curtiembre Colombo Italiana de Villapinzón (Cundinamarca). Universidad de la Salle.
Kulkarni, A. (2011). Water quality retrieval from landsat TM imagery. Procedia Computer Science(6), 475–480.
Laboratorio de aguas y suelos. (s.f.). ¿Cómo tomar las muestras de suelo, aguas y tejido vegetal? Universidad Nacional de Colombia.
Laguna, C. (s.f.). Correlación y regresión lineal. Lillesand, T., Kiefer, R., & Chipman, J. (2015). Remote sensing and image interpretation
(Séptima ed.). Liqin, Q. (2014). Remote Sensing Suspended Sediment Concentration in the Yellow River.
Doctoral Dissertations, 383. Lofrano, G., Meriç, S., Zengin, G., & Orhon, D. (2013). Chemical and biological treatment
technologies for leather tannery chemicals and wastewaters: A review. Science of the Total Environment, (461- 462), 265 - 281.
Malinowski, R., Groom, G., Schwanghart, W., & Goswin, H. (2015). Detection and delineation of localized flooding from WoldView-2 multiespectral data. Remote Sensing, 7. doi:10.3390/rs71114853
Malvern Panalytical Ltd. (2017). ASD HandHeld 2: Hand-held VNIR Spectroradiometer. Obtenido de Malvern Panalytical Ltd a Spectris company.
91
Martinez, R. (2014). Análisis de especies vegetales representativas del Páramo de Chingaza mediante espectroradiometría de campo.
McCann, M. (2001). Cuero, pieles y calzado. En R. Herbert, & R. Plattus, Industrias textiles y de la confección (págs. 88.1 - 88.13). Ministerio de Trabajo y Asuntos Sociales: Centro de Publicaciones.
MicaSense, Inc. (2017). User Manual. Obtenido de MicaSense RedEdge-M, Multiespectral Camera.
Minambiente. (2015). Resolución No. 0631. Montalvo, L. (s.f.). Spectral analysis of suspended material in coastal waters: A comparison
between band math equations. Nex, F., & Remondino, F. (2013). UAV for 3D mapping applications: a review. Applied
Geomatics, 6(1), 1-15. Pavelsky, T., & Smith, L. (2009). Remote sensing of suspended sediment concentration, flow
velocity, and lake recharge in the Peace-Athabasca Delta, Canada. Water Resources Research, 45. doi:10.1029/2008WR007424
Pereyra, M. (2018). Desarrollo de una metodología para calibración radiométrica de una cámara hiperespectral. Universidad Tecnológica Nacional.
Robles-Kelly, A., & Phuoc-Huynh, C. (2013). Imaging spectroscopy for scene analysis. Springer. doi:0.1007/978-1-4471-4652-0
RStudio. (s.f). RStudio. Ruiz, D. (2017). Método de estimación de sólidos suspendidos totales como indicador de la
calidad del agua mediante imágenes satelitales. Bogotá: Universidad Nacional de Colombia.
Secretaría Distrital de Ambiente. (2015). Guía de producción más limpia para el sector curtiembres de Bogotá. Enfoque en vertimientos y residuos. Alcaldía Mayor de Bogotá D.C.
Suárez, A., García, C., & Vaca, M. (2012). Identificación y evaluación de la contaminación del agua por curtiembres en el municipio de Villapinzón .
Torrijos, G. (2008). Aplicación de la Radiometría en agricultura. Revista de topografía AZIMUT, 2.
Tunay, O., Kabdasli, I., Orhon, D., & Ates, E. (1995). Characterization and pollution profile of. Water Science and Technology(32(12)), 1-9.
Universidad de Salamanca. (2006). Teledetección: Nociones y aplicaciones. (C. Pérez, & Á. Muñoz, Edits.)
Universidad de Zaragoza. (s.f.). R. Obtenido de Oficina Software Libre. Vaughan, P. (2001). Estimación de contenido de humedad de la vegetación mediante
espectroradiometría, Trabajo de investigación tutelado. Universidad de Alcalá. Wang, C., & Myint, S. (2015). A Simplified Empirical Line Method of Radiometric Calibration
for Small Unmanned Aircraft Systems-Based Remote Sensing. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING.
Wang, C., & Myint, S. (2015). A Simplified Empirical Line Method of Radiometric Calibration for Small Unmanned Aircraft Systems-Based Remote Sensing. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING.