clasificaciones y análisis de mezclas espectrales · el problema . después. de casi 40 años de...

Clasificaciones y Análisis de Mezclas Espectrales

Clasificaciones y Análisis de Mezclas Espectrales

Ejercicios para hoy

1. Correcciones atmosféricas 2. Análisis de Componentes Principales (PCA) y la

Transformación de la Fracción de Ruido Mínimo (MNF Transform)

3. Clasificación no supervisada 4. Conversión de raster a vector 5. Colección de muestras 6. Clasificación supervisada 7. Despliegue en N dimensiones 8. Análisis de mezclas espectrales (SMA) 9. Filtración de los resultados

Cobertura de la tierra - 2008*

*Para validar

¿Porque necesitamos hacer clasificaciones?

El problema

Después de casi 40 años de percepción remota ambiental desde el lanzamiento de Landsat-1 en el 23 de julio de 1972, todavía existe el problema de identificar cobertura de la tierra (delineación e cuantificación) fácilmente y con exactitud

False color LandSat TM mosaic courtesy of NASA / USGS

Belize City

Source: TBD

Simulated true color LandSat TM image courtesy of NASA / USGS; image captured 28 March 2000

Simulated false color LandSat TM image courtesy of NASA / USGS; image captured 28 March 2000

Aerial photo of interface between savanna and forest near Belize City, April 5, 2009

No.Date -

Ground Condition

Date - Publication

Original Source

Published as Imagery Used Resolution Geographic coverage, original

Number of Classes

1c. 1990, c.

20002005 Earth

Satellite Corporation

GeoCover LC 1990

Landsat TM, Landsat ETM+ 30m global 11

2 1992-93 USGS GLCC AVHRR 1km global 96

3

1992-93 1998

PROARCA / CAPAS

"Central American

Vegetation/Land Cover

Classification and

Conservation Status"

AVHRR 1km regional 25

4

1991-99 2002

World Bank

"Central America

Ecosystems Mapping Project"

Landsat TM 30m regional 196

5 2000 2002 JRC GLC 2000 SPOT Vegetation 1km global 23

62000, 2001, 2002, 2003, 2004, 2005

2008 UMD / NASA MOD44B MODIS 500m global N / A

7 2000, 2003, 2004, 2005

2006 U. Ark. / SERVIR

SERVIR MesoClass MODIS 500m regional 6

8 2005 2005 USGS MODIS 500m regional 9

92004-06 2008 ESA /

MEDIAS France

GlobCover project MERIS 300m global 24*

10 2000, 2005, 2007, 2008

2008 ESA / GeoVille

DIVERSITY project MERIS* 300m regional 12

Mosaico temporal de imágenes de 2009, con menos que 2% de

nubosidad

Source: p. 2-25, GOFC-GOLD REDD Sourcebook, Nov. 2009 edition

Source: Goodenough et al (2002): “Report on the Evaluation and Validation of EO-1 for Sustainable Development (EVEOSD) Project”

Radiometric calibration

Atmospheric correction Dark object subtraction

Intra-scene calibration Histogram matching

Mosaic, as necessary

Image Processing: Corrections

Preferably in ENVI

In ERDAS

In ERDAS

In ERDAS

El sistema ideal de percepción remota (1) Fuente uniforme de

energía

(4) Súper sensor

(2) Atmosfera sin interferencia

(3) Interacciones únicas con el superficie de la tierra

Fuente: M. Vasquez (2006)

Interacciones de Energía con la Atmosfera

Scattering Refracción Absorción

Fuente: B. Howell (2006)

Energía en el Objeto

Radiacion Incidente puede ser… • Reflejada • Transmitida • Absuelto (y reEmitida)

I = R + T + A


Usos de Percepción Remota

• Actualizar o reemplazar mapas existentes

• Determinar áreas de categorías conocidas

• Hacer inventarios de tipos de cobertura

• Documentar cambios entre periodos

• Medir condiciones en una área

• Medidas cuantitativa de propiedades


Centroamérica: 50 imágenes cubren

50 millón de ha, =25 GB de datos para procesar

Entonces, desde L4 en 1984 hasta al presente, hay ~769 escenas disponible para cualquier área (23 imágenes por año por L5 y L7)

Senderos de LandSat para Centroamérica

Los senderos fijos en el sistemas de referencia de Landsat

Resultados de una búsqueda en Glovis para El Salvador – 262 imágenes con menos de 30% de nubosidad, entre enero de 2007 y febrero de 2009

Landsat TM False color mosaic 28-03-2000

Land cover map 2004


Land cover map 2004 (Source: BTFS)


Land cover map 2004 (Source: BTFS)

1. Green is forest

2. To be able to extract the green is to be able to extract the forest cover

Identifying Forest Cover w/ Satellite Imagery


Forest cover map 2004 (Source: BTFS)

•El Sistema de Sistemas de la Observación de la Tierra (GEOSS)

•La Carta Internacional sobre el Espacio y Grandes Catástrofes

•El Sistema de Información Ambiental Mesoamericano (SIAM)

El Sistema de Visualización y Monitoreo (SERVIR)

Terra Terra Aqua

Test-bed at NASA MSFC

Environmental Monitoring & Decision

Support Products

Web Interface www.servir.net

LandSat MODIS SRTM AMSR-E IKONOS ASTER

Mesoamerica’s Earth Observation & Forecasting Platform

Fires

Red Tides

Land Cover / Use Change

Data ingest from EOS and Central EDOS EDOS

Operational Node at CATHALAC Panama

Agriculture Biodiversity Climate Ecosystems Energy Disasters Health Water Weather

Thematic Areas

Central American Government agencies NGOs, researchers Educators, etc.

Users

Impacts Emergency Response Policy Changes Corridor Preservation Species Preservation Sustained Development Improved livelihoods

SERVIR tiene herramientas muy relevantes al tema de monitoreo de REDD

SERVIR Disaster Response (2004-) 1. Red tide event - El Salvador (June 2004)

2. Flooding – Panama City, Panama (Sept. 2004)

3. Flooding - Rio Sixaola, Costa Rica / Panama (Jan 2005)

4. Hurricane Stan – Guatemala, Mexico, El Salvador (Oct .2005)

5. Flooding – Colon Province, Panama (Nov. 2006)

6. Fire - Mountain Pine Ridge Forest Reserve, Belize (May 2007)

7. Hurricane Dean – Mexico / Belize (Aug. 2007)

8. Hurricane Felix – Nicaragua / Honduras (Sept. 2007)

9. Tropical Storm Noel – Dominican Republic (Oct. 2007)

10. Tropical Storm Olga – Dominican Republic (Dec. 2007)

11. Turrialba Volcano – Costa Rica (April 2008)

12. Tropical Storm Arthur – Belize (June 2008)

13. Hurricane Gustav – Haiti / Dominican Rep. (August 2008)

14. Hurricane Hanna – Haiti (Sept. 2008)

15. Hurricane Ike – Haiti (Sept. 2008)

16. Landslide – Huahua Michoacán, Mexico (Oct. 2008)

17. Tropical Depression 16 – Belize / Guatemala / Honduras (Oct. 2008)

18. Flooding – Costa Rica / Panama (Nov. 2008)

19. Landslide – Alta Verapaz, Guatemala (Jan. 2009)

20. Earthquake – San Jose metropolitan area, Costa Rica (Jan. 2009)

21. Fire – Volcan Santo Tomas, Quetzaltenango, Guatemala (Feb. 2009)

22. Flooding – Lago Enriquillo, Dominican Republic (Feb. 2009)

Extracción de Objetos • Clasificación

• Índices / ratios

• Umbrales de bandas

(“band thresholding”)

• Análisis de mezclas espectrales

• Supervisada • No supervisada • NDVI • NBR / NDBR

• Varios – Sombra, Suelo, Vegetación; Sombra, Suelo, Vegetación verde, vegetación no fotosintética

Pasos básicos en clasificación de imágenes: 1) Estudio y organización de los datos 2) Aplicación de un algoritmo de clasificación 3) Validación

Estudio y organización de los datos

Estudio ¿Que esta en la escena / imagen? ¿ Cuales bandas están disponible? ¿ Cuales preguntas necesitan respuestas? ¿ Se puede responder a las preguntas con la imagen? ¿ Hay suficiente información para distinguir que esta en la escena? Organización de los datos ¿ Cuantas clusters se puede re-organizar en espacio n? ¿ Como son los limites de los clusters? ¿ Los clusters corresponde a los clases deseados?

Clasificación

Clasificación es el proceso de asignar los pixeles a clases homogéneos basado en análisis de las estadísticas de valores de reflectancia en uno o mas bandas.

Clasificación es el proceso de derivar information clases informativos / utiles de clases espectrales.

Se nombran los procesos de clasificación como supervisada o no supervisada basado en la metodología para “entrenar” el classifier (clasificador?).

Con datos de ‘entrenamiento,’ los dos sistemas utilicen la misma forma de operación (división basada en las estadísticas).


Clasificación

The Attainment of the Sanc Grael Dante Gabriel Rosetti

Pros: • Puede apoyar en la descripción de usos y cobertura de la tierra

• Puede simplificar el proceso de detección de cambios

• Con procesamiento posterior, puede generar polígonos con atributos para uso en un SIG

Contra: • Clasificación con ella misma, no va extraer información útil de la data

• No hay clasificadores universales

• NO es perfecto

• Necesita procesamiento posterior para llegar a una foto bonita


Histogramas de cada banda


Respuestas espectrales



ASTER: Advanced Spaceborne Thermal Emission & Reflection Radiometer

Terra

One of 5 sensors on the satellite Terra (launched in Dec. 1999); ‘on-call’

Similar to the Thematic Mapper sensor on the LandSat satellites

Swath about 1/9 the size of LandSat swath

14 bands (3 15m / 6 30m / 5 90m) measuring light from the visible to infrared thermal wavelengths

Uno de los 5 sensores en el satélite Terra (lanzando en Dic. de 1999); debe estar encendido

Similar que el sensor ‘Thematic Mapper’ de LandSat Tamaño de una escena es 1/9 de una escena de LandSat 14 bandas (3 de 15m / 6 de 30m / 5 de 90m) midiendo

luz en longitudes de onda visible a infrarrojo termal

Respuestas espectrales



Firmas espectrales de materiales comunes

Absorción de clorofila

Dispersión en las celdas

Absorción de agua

Firmas espectrales


Clasificación No Supervisada

False color LandSat TM mosaic courtesy of NASA / USGS

Belize City

14-Nov-1980

Belize City pop’n ~39,771

False color LandSat MSS image courtesy of NASA / USGS

Ladyville area

Belize’s International Airport

Population data from Belize CSO

27-Dec-1989

Savanna clearing for shrimp farm development

Diminishing mangrove forests

Coastal development (Buttonwood Bay & Bella Vista)

False color LandSat TM image courtesy of NASA / USGS Population data from Belize CSO

28-Mar-2000 Expansive shrimp ponds

Settlement on former mangrove forest (Vista del Mar)

Coastal development

New beachfront properties

Expansion of south-side Belize City

Cleared mangrove

Expansion of north-side Belize City (Belama)

False color LandSat TM image courtesy of NASA / USGS Population data from Belize CSO

12-Feb-2004 Nova Shrimp Farm at size of Belize City

Clearing of 100s of acres of mangrove for Port development

Land reclamation at the Marine Parade

False color LandSat ETM image courtesy of NASA / USGS Population data from Belize CSO

31-March-2007 Nova Shrimp Farm ceases operations

Further wetland clearing at Belama Phase IV

False color ASTER image courtesy of NASA / JAXA Population data produced by extrapolating Belize CSO data

1980 1989 1998

2000 2002 2006

La Ciudad de Belice: 1980 hasta 2006

27-Dec-1989

False color LandSat TM image courtesy of NASA / USGS Population data interpolated from Belize CSO data


27-Dec-1989

False color LandSat TM image courtesy of NASA / USGS Population data interpolated from Belize CSO data


Approx. area: 2,089 acres (845 ha.)

2-Feb-2006

False color ASTER image courtesy of NASA / JAXA Population data extrapolated from Belize CSO data


2-Feb-2006

False color ASTER image courtesy of NASA / JAXA Population data extrapolated from Belize CSO data


Approx. area: 3,382 acres (1,369 ha.)

Antes: Belize City en 1980 • ~39,771 habitantes • 1,706 acres (6.9 km2) • Densidad de 5,756 personas / km2

• Densidad nacional de 6 personas / km2 Reciente: Belize City en 2007 • ~66,422 habitantes • 3,449 acres (14 km2) • Densidad de 4,758 personas / km2

• Densidad nacional de 13 personas / km2

• El área ha doblado entre 1980 y 2007 • El crecimiento anual era ~106 acres / 43 ha. • La mayoría de la expansión de 705 ha fue

deforestación de manglares y destrucción de humedales

False color ASTER image courtesy of NASA / JAXA

0

500

1,000

1,500

2,000

2,500

3,000

3,500

4,000

31-Mar-072-Feb-0619-Sep-0228-Mar-0015-Sep-9827-Dec-8914-Nov-80

Date

Area (

acres)

0

10,000

20,000

30,000

40,000

50,000

60,000

70,000

Pop

ula

tion

Area Population

Tendencias del crecimiento de la población y expansión urbana en la Ciudad de Belice

0

20

40

60

80

100

120

140

160

180

1981 1990 1999 2000 2003 2006

Tendencias de expansión urbana (cambios anuales)

383 acres cortadas

654 acres cortadas

143 acres cortadas

448 acres cortadas

48 acres cortadas / reclamadas

67 acres cortadas / reclamadas

Annu

al e

xpan

sion

rate

(acr

es /

yr)

Expansión de 705 ha entre nov de 1980 y marzo de 2007

Rates of Urban Expansion & Population Density Date Area Pop’n Pop’n

Density (people / km2)

Change From

previous period (acres)

Avg. change per year from

Previous period (acres)

Period of

Change

Major Drivers of Land Cover Conversion in Period Acres Ha. Km2

Mar-07 3,449 1,396 13.96 66,422 4,758 67 57.3 2006- 2007

Belama Phase IV

Feb-06 3,382 1,369 13.69 64,128 4,684 48 13.7 2002- 2006

Land reclamation

Sep-02 3,334 1,349 13.49 56,700 4,203 448 179.2 2000- 2002

Development of Port

Mar-00 2,886 1,168 11.68 49,050 4,199 143 95.3 1998- 2000

General expansion

Sep-98 2,743 1,110 11.10 47,947 4,320 654 72.7 1989- 1998

Belama Phases I-III

Dec-89 2,089 845 8.45 42,518 5,032 383 42.6 1980- 1989

Buttonwood Bay, general expansion

Nov-80 1,706 691 6.91 39,771 5,756 N / A N / A N / A N / A

Aerial photo by Emil A. Cherrington

Unsupervised Classification

Basic Iterative Clustering Algorithm (K-Means) • Place K points into the feature space containing the

samples to be clustered. These points represent initial group centroids.

• Assign each sample to the group that has the

closest centroid. • When all samples have been assigned, recalculate

the positions of the K centroids. • Repeat Steps 2 and 3 until the centroids no longer

move.



Improving clustering • “Real world” sample

distributions are much more likely to be irregularly shaped with cluster axes rotated to each other.

• These distributions are better

characterized by parametric statistics.

• Simple n-dimensional space

segregation is more likely to assign pixels to incorrect clusters.



ISODATA (Iterative Self-Organizing Data Analysis Technique) • Operates in the same iterative fashion as K-Means

with three significant differences… • Uses parametric statistics to describe clusters and

determine nearest centroids • New clusters can formed by splitting “elongated”

clusters into multiples

• Clusters with centroids that are “too close” can be lumped together

• Because of these differences, K becomes a

“desired” number of final classes, not an absolute





determine nearest centroids • New clusters can be formed by splitting “elongated”









determine nearest centroids • New clusters can formed by splitting “elongated”






a) ISODATA initial distribution of five hypothetical mean vectors using ±1σ standard deviations in both bands as beginning and ending points. b) In the first iteration, each candidate pixel is compared to each cluster mean and assigned to the cluster whose mean is closest in Euclidean distance. c) During the second iteration, a new mean is calculated for each cluster based on the actual spectral locations of the pixels assigned to each cluster, instead of the initial arbitrary calculation. This involves analysis of several parameters to merge or split clusters. After the new cluster mean vectors are selected, every pixel in the scene is assigned to one of the new clusters. d) This split–merge–assign process continues until there is little change in class assignment between iterations (the T threshold is reached) or the maximum number of iterations is reached (M).

Jensen, 2005

a) Distribution of 20 ISODATA mean vectors after just one iteration using Landsat TM band 3 and 4 data of Charleston, SC. Notice that the initial mean vectors are distributed along a diagonal in two-dimensional feature space according to the ±2σ standard deviation logic discussed. b) Distribution of 20 ISODATA mean vectors after 20 iterations. The bulk of the important feature space (the gray background) is partitioned rather well after just 20 iterations.

Jensen, 2005

Jensen, 2005

Plot of the Charleston, SC, Landsat TM training statistics for five classes measured in bands 4 and 5 displayed as cospectral parallelepipeds. The upper and lower limit of each parallelepiped is ±1σ. The parallelepipeds are superimposed on a feature space plot of bands 4 and 5.

Jensen, 2005

ISODATA Clustering

Logic

Jensen, 2005

Classification Based on ISODATA Clustering

Jensen, 2005

Clasificación Supervisada

Clasificación supervisada

1) estimación de similitud espectral 2) asociación de tipos espectrales con clases útiles SUPOSICION BASICO Objetos de interés tienen “firmas espectrales” claros *Esto no siempre es el caso A veces hay que modificar la data para que sea real - combinaciones de bandas - imágenes multi-temporales

Clases, áreas de muestras, y mímicos

Clase: Unido deseado, en la forma de un cluster espectral 2 atributos: identidad y firma espectral Área de muestra: una región de una imagen que es un buen ejemplo de un clase; se utilice para definir clústeres espectrales de una clase especifica; se define la identidad con foto-interpretación o información del campo Mímicos: otros unidos de mapeo con clústeres similares


Supervised classification involves imposing a priori information classes on a landscape.

Implicit in the supervised classification process is the notion that the spectral data of members of a class will have similar statistical characteristics and that those characteristics can be visually discerned and manually segregated by a human.

The process of creating a class structure and determining the statistical characteristics of each class is called training.

Training is the method by which a classifier “learns” the appearance of individual classes.

For the classifier to be successful in properly assigning pixels to a class, the training samples must be “pure” (consisting of class members only).



• Filosofía y estrategia de entrenamiento manual

• Seleccionar las bandas insumos con mayor información

• Mostrar combinaciones de bandas con mayor contraste entre clases

• No seleccionar muestras que no son miembros del clase de interés

• Examinar histogramas para determinar si las muestras son buenas (separables)

• Seleccionar un rango de muestras de un clase, y combinarlos antes de la clasificación


Parallelepiped

Hybrid

Minimum Distance

Maximum Likelihood

Classifiers

Parallelepiped • Determines class membership using parallelepipeds (n-dimensional “boxes” in feature space)

• Advantages:

• Very fast

• Can classify 100% of candidates

• Makes good-looking output

• Disadvantages:

• Candidates that fall outside any parallelepiped remain unclassified

• Candidates that fall in overlaps are assigned to the “first” parallelepiped

• Poorly matched to normal data distributions


Classifiers

Minimum Distance • Determines class membership by measuring distance from class centroid

• Advantages:

• Fast

• More accurate* classification than Parallelepiped

• Better than Parallelepiped for handling “real world” data distributions

• Disadvantages:

• Candidates that fall outside distance limits remain unclassified

• Candidates that fall in overlaps are assigned by an operator defined rule

• Imperfectly matched to normal data distributions

*assuming you know how to make it so


Classifiers

Maximum Likelihood • Determines class membership using parametric statistics

• Advantages:

• Very well matched to normal data distributions

• More accurate classification* than Parallelepiped or Minimum Distance

• Candidates that fall into overlaps are assigned based on likelihood of membership

• Disadvantages:

• Candidates that fall outside any parallelepiped remain unclassified

• Accuracy heavily dependent on normal data distributions



Classifiers

Hybrid • Determines class membership using parametric and nonparametric techniques

• Advantages:

• Fast and very accurate*

• Perform first-order classifications using Parallelepipeds

• Perform second-order classification on outliers and overlaps using distance or likelihood rule

• Disadvantages:

• Virtually every mistake that can be made using Parallelepiped, Minimum Distance, and Maximum Likelihood classifiers can be achieved in a single operation



Análisis de Mezclas Espectrales

•Imágenes multiespectrales miden spectra integrada en cada píxel

•Cada píxel contiene materiales diferentes, cada con su firma espectral diferente

•Varios tipos de spectra usualmente están mezclados. Esos son mezclas.

•Otros tipos no mezcla mucho.

Fuente: A. Gillespie, la Universidad de Washington

Usualmente, el numero de clases (‘endmembers’) útiles para datos de Landsat es 4-5 Puede ser 8-10 para datos híper-espectrales Hay muchos componentes espectrales en varias escenas, pero usualmente no mezclan, entonces no son útiles.

Análisis de mezclas espectrales es útil porque –

1) Genera imágenes de fracciones que

se puede entender fácilmente

2) Reducción en la dimensionalidad de los datos sin botar mucha información útil

3) Identificación de efectos topográficos para mas estable información para análisis en SIG

Soil Soil

1 0 0

9 0

8 0

7 0

6 0

5 0

4 0

3 0

2 0

1 0

1 0 0 9 0 8 0 7 0 6 0 5 0 4 0 3 0 2 0 1 0

1 0 0

1 0

2 0

3 0

4 0

5 0

6 0

7 0

8 0

9 0

% suelo Suelo

Sombra

Vegetación verde

Fuente: UW ESS 421 (2004)

Fuente: Lu et al (2002)

SMA can easily extract areas of

bare soil

CATHALAC (unpublished, Nov 2009)

Interpreting spectral unmixing results

Color Code

Color in RG comp % Soil

% Photosynthetic Vegetation Description

1 Yellow Very high (90-100%)

Very high (90-100%) Cropland

2 Light green

Low-Very Low (0-30%)

High (80-100%) Open forest

3 Light green

Medium (60-70%)

Medium (40-50%) Shrubland

4 Dark green

Very low (0-10%)

Medium (40-80%) Closed forest

5 Red Very high (90-100%)

Low (10-20%) Bare land / urban

6 Coffee brown

Low (10-30%)

Low-Medium (30-50%) Mangrove scrub

7 Black Very low (0-10%)

Low-Very Low (0-20%) Water

Black Very low (0-10%)

Low-Medium (20-40%) Wetland

Source: ITTO / JOFCA

2. Low vegetation (e.g. cropland, shrubland): Should be defined by high chlorophyll content and some soil exposure b/c of usual low plant density (i.e. no canopy)

4. Closed tree canopy (e.g. ‘mature’ forest): Should be defined principally by low soil exposure and moderate to high chlorophyll content

1. Bare land (e.g. urban areas): Should be defined by high soil exposure and no chlorophyll content

3. Open tree canopy (e.g. ‘open’ forest): Should be defined principally by some soil exposure and high chlorophyll content

1. 2. 3. 4.

Spectral Mixture Analysis works with spectra that mix together to estimate mixing fractions for each pixel in a scene.

Spectral Mixtures, green leaves and soil

0

20

40

60

80

100

0 1 2 3

Wavelength, micrometers

Ref

lect

ivity

, %

0% leaves25% leaves50% leaves75% leaves100% leaves

The extreme spectra that mix and that correspond to scene components are called spectral endmembers.

Please note – wavelength scale is messed up Source: TBD

In a forest, important endmembers may be leaves, wood, shade, and soil.

In a desert, leaves may be less important, but there may several rock types.

Forest Spectral Endmembers

0

20

40

60

80

100

0 1 2 3

Wavelength, micrometers

Ref

lect

ivity

, %

dry grassleavessoil

Endmembers from one type of scene – forest, lake, desert – form a cohort.

Source: TBD

1: Unconstrained All MNF components

2: Constrained – Weight 1 All MNF components

3: Constrained – Weight All MNF components

Round 1: 1st set of samples, selected from PPI of all MNF components


5: Unconstrained ALI bands 3,4,5,6,8,9

6: Constrained – Weight ALI bands 3,4,5,6,8,9

Round 1: 1st set of samples, selected from PPI of all MNF components

7: Constrained – Weight 1 ALI bands 4,5,6,8

8: Constrained – Weight 1,000 ALI bands 4,5,6,8

9: Constrained – Weight MNF components 1,2,3

Round 2: 2nd set of samples, selected from PPI of first 3 components

10: Constrained – Weight 1 MNF components 1,3

11: Constrained – Weight 100 MNF components 1,3

12: Constrained – Weight MNF components 1,3


13: Unconstrained MNF components 1,3


15: Constrained – Weight


Color 2000 2005 2010Black Low Low LowRed High Low LowGreen Low High LowBlue Low Low HighYellow High High LowMagenta High Low HighCyan Low High HighWhite High High High

RGB NDVI composite: 2000-2005-2010

Cambio de cobertura: 2000-2010

Color 2000 2005 2010Black High High High Red Low High High Green High Low High Blue High High Low Yellow Low Low High Magenta Low High Low Cyan High Low Low White Low Low Low

Cambio de cobertura: 2000-2010

Color KeyBlack No change: forestRed Regenerated 2000-05; no change 2005-10Green Cut 2000-05, regenerated 2005-10Blue No change 2000-05; cut 2005-10Yellow No change 2000-05; regeneration 2005-10Magenta Regenerated 2000-05, re-cut 2005-10Cyan Cut 2000-05; no change 2005-10White No change: non-forest

Índices

NDx

ND

y

A

B

° x

NDx

ND

y

Sombra

° x

A con sol

B con sol

NDx

ND

y

A

B

° x

NDx

ND

y

Sombra

° x

A con sol

B con sol

Línea de ratio constante

y

x

x/y

y/z

A

B

Después: LandSat7 - 11 de mayo de 2007

Plumas de humo

Cicatrices

Antes: LandSat7 - 21 de marzo de 2006

2006

2007

Procesamiento Digital

Principio: Se puede aplicar metodologías para extraer info útil de imágenes satelitales

Normalized Difference Vegetation Index (NDVI): ratio entre la luz infrarrojo cercano (NIR) y rojo (R), indicando vegetación en estrés

Normalized Burn Ratio (NBR): ratio entre infrarrojo medio (SWIR) y infrarrojo cercano (NIR), para delinear cicatrices (muy similar a NDVI)

LandSat: 21 March 2006

LandSat: 11 May 2007

Contamination por el humo

Differencing 2007 NDVI against 2006 NDVI

LandSat: 21 March 2006

LandSat: 11 May 2007

Differencing 2007 NBR against 2006 NBR

2006

NDBR NDVI Diff.

2007

LandSat7: 11 de mayo de 2007

Estimación: ~24,000 acres quemadas

Validación

c. 2000

c. 2009

Matrices de confusion / Matrices de error

Datos de validación A B C D E F

A

B

C D

E F D

atos

de

la c

clas

ifica

ción

Sumas de columnas

Sumas de filas

480 0 5 0 0 0 485

0

0

0

0

0

0

0

0

480

52

16

68

0 20 0 0 72

Class

mangroves no mangroves water Total

User accuracy

Producer accuracy

Total class accuracy

Number %

mangroves 1 59 10 70 21% 1% 50% 26%

no mangroves 1 75 5 81 24% 93% 55% 74%

water 0 2 186 188 55% 99% 93% 96%

Total 2 136 201 339 100%

Producer Accuracy 50% 55% 93% 77.3%

Class

mangroves no mangroves water Total

User accuracy

Producer accuracy

Total class accuracy

Number %

mangroves 2 77 6 85 26% 2% 100% 51%

no mangroves 0 54 5 59 18% 92% 39% 65%

water 0 7 182 189 57% 96% 94% 95%

Total 2 138 193 333 100

%

Producer Accuracy 100% 39% 94% 71.5%

Fuentes de Mayor Información Libros (vea www.amazon.com) - • Teledetección Ambiental (2002) – Emilio Chuvieco • Remote Sensing and Image Interpretation (2007) – Thomas

Lillesand, Ralph Kiefer, Jonathan Chipman • Remote Sensing of the Environment (2006) – John R.

Jensen • Remote Sensing for GIS Managers (2005) – Stan Aronoff En línea - • TELEDET: http://www.teledet.com.uy/tutorial-imagenes-

satelitales/imagenes-satelitales-tutorial.htm • NASA: http://rst.gsfc.nasa.gov/ • CATHALAC: [email protected] • GOOGLE / Wikipedia

http://www.amazon.com/

http://www.teledet.com.uy/tutorial-imagenes-satelitales/imagenes-satelitales-tutorial.htm

http://www.teledet.com.uy/tutorial-imagenes-satelitales/imagenes-satelitales-tutorial.htm

http://rst.gsfc.nasa.gov/

mailto:[email protected]

Referencias / Reconocimientos

Mucha de la información en este presentación fue adoptada de los siguientes fuentes:

• Burgess Howell, NASA GSFC (2006) • Jason Tullis, University of Arkansas (2005) • Lecturas / materiales del curso ESS 421 y ESS

422 de la U. de Washington (2004)

¿Preguntas?

clasificaciones y análisis de mezclas espectrales · el problema . después. de casi 40 años de...

Documents