1.1.1.

ANLISIS DE COMPONENTES PRINCIPALES

El anlisis de componentes principales (ACP) es una tcnica bastante empleada en
ciencias sociales y naturales. Su objetivo es reducir un grupo amplio de variables en un
nuevo conjunto, ms pequeo, sin perder parte significativa de la informacin original.
La

adquisicin

de

imgenes

sobre

bandas

adyacentes

del

espectro,

implica

frecuentemente detectar informacin redundante, puesto que los tipos de cubierta tienden
a presentar un comportamiento similar en regiones prximas del espectro. Por ello las
medidas realizadas en una banda pueden presentar una importante correlacin con las
deducidas de otra, haciendo muchas de la informacin que contienen una o ms de ellas
prcticamente irrelevantes. En este contexto, el ACP permite sintetizar las bandas
originales, creando nuevas bandas como componentes principales de la imagen que
recojan la mayor parte de la informacin original.
Por otra parte y desde el punto de vista meramente estadstico, el ACP facilita una
primera interpretacin sobre los ejes de variabilidad de la imagen: identificar aquellos
rasgos que se recogen en la mayor parte de las bandas y aquellos otros que son
especficos de algn grupo de ellas.
Esta transformacin genera nuevos ejes, y junto con la longitud de cada eje, nos resulta
tambin de gran inters conocer su direccin. En definitiva, para poder interpretar el
sentido de las nuevas variables, es necesario conocer su relacin con las originales. De
igual forma para calcular las ecuaciones que servirn para obtener las nuevas imgenes,
se precisa contar con los coeficientes de la transformacin. Ambos aspectos pueden
abordarse a partir de los eigenvectores. El eigenvector indica la ponderacin que debe
aplicarse a cada una de las bandas para obtener el nuevo componente principal. Dicho
brevemente, equivale a los coeficientes de regresin en una transformacin lineal
estndar, siendo las bandas de la imagen las variables independientes y los componentes
principales las variables dependientes.
A partir de los eigenvectores, puede calcularse la matriz de correlacin entre los
componentes principales y las bandas de la imagen, lo que nos permite conocer el sentido
espectral de estos componentes.

El ltimo paso es obtener una imagen de los componentes principales. Para ello basta
acudir a la matriz de eigenvectores ( a p , k

donde se mide la relacin de cada

componente principal y las bandas originales, al igual que otras transformaciones lineales,
el clculo de las nuevas bandas, o componentes principales, se realiza de la forma
siguiente:
n

CP i , j , p= a p ,k NDi , j , k
k=1

Donde

CP i , j , p

corresponde a los componentes principales generados

NDi , j , k

corresponde a cada una de las bandas.

El primer componente presenta una fisionoma muy similar a la de una imagen
pancromtica, con una valoracin indiferenciada de cada una de las cubiertas: bajos
valores en el agua y la vegetacin, y altos en los suelos desnudos.
El segundo marca con claridad los espacios edificados, que ocupan el intervalo ms bajo
de la imagen, junto con el agua. Por el contrario la vegetacin manifiesta tonos gris medio
a claros, tanto ms cuanto mayor sea el aporte del suelo que la sustenta, por ejemplo,
zonas con cubierta vegetal poco densa aparecen ms claras que en los bordes, as
mismo, en las ciudades, las zonas ms claras son aquellas cubiertas con csped.
Por ltimo, el tercer componente evidencia todos los sectores con una actividad cloroflica
intensa, como son los terrenos de riego, parques urbanos o espacios de recreo. En
cuanto a los suelos, este ltimo componente discrimina mejor las variaciones internas, en
funcin del tipo de vegetacin presente en la zona (Chuvieco, Fundamentos de
Teledeteccion Espacial, 1996).