determinaciÓn de la superficie nival del pirineo … · día, el día del año, la posición de la...
TRANSCRIPT
1
DETERMINACIÓN DE LA SUPERFICIE NIVAL DEL PIRINEO CATALÁN MEDIANTE IMÁGENES LANDSAT Y MODIS
CEA LÓPEZ, C.
Departamento de Geografía. Universitat Autònoma de Barcelona
Cerdanyola del Vallès, E-08193.
CRISTÓBAL ROSSELLÓ, J.
Departamento de Geografía. Universitat Autònoma de Barcelona
Cerdanyola del Vallès, E-08193.
PONS FERNÁNDEZ, X.
Departamento de Geografía. Universitat Autònoma de Barcelona.
Centro de Investigación Ecológica y Aplicaciones Forestales (CREAF)
Cerdanyola del Vallès, E-08193.
RESUMEN
El conocimiento de la superficie nival es esencial para la estimación del volumen de agua producida por la fusión de la nieve y que drena hacia las diversas cuencas hidrológicas. Así mismo, es importante en la modelización de la distribución de especies, así como en la determinación de la emisividad de esta cubierta, dato sumamente útil debido a su uso como parámetro de entrada en la corrección atmosférica en el espectro del térmico.
El estudio de esta cubierta puede efectuarse mediante la captura de datos puntuales tomados durante campañas de campo y su posterior interpolación, aunque esta vía no suele proporcionar una cobertura espacial y temporal de suficiente detalle y calidad. Por ello, el uso de la Teledetección, con un amplio abanico de sensores con diferente resolución espacial y temporal, proporciona una información muy amplia para su conocimiento.
El propósito principal de este trabajo es presentar un método operativo para la determinación de la cubierta nival para el periodo 2002-2005 del Pirineo catalán mediante el uso de imágenes Landsat-7 ETM+ y Landsat-5 TM, empleando dos metodologías, una primera referente a las zonas de solana mediante el empleo del índice NDSI, un vector perimetral de nieve y una máscara de masas de agua, y, una segunda para las zonas umbrías en la hora de paso del satélite, utilizando un método de clasificación no supervisada basada en el algoritmo ISODATA. También se ha tenido en cuenta el producto de nieves elaborado por TERRA/AQUA-MODIS, y una metodología propia a partir del cálculo del índice NDSI estableciendo un umbral de 0.3, menor que para Landsat, y la aplicación de una máscara perimetral, sobre el producto de radiancias calibradas de TERRA/AQUA-MODIS.
Las superficies resultantes para fechas coincidentes, permiten observar las importantes diferencias entre el uso de uno u otro satélite, obteniendo una mayor superficie en el producto de nieve de MODIS que las obtenidas con Landsat. No obstante, la superficie obtenida con la segunda metodología empleada en las imágenes MODIS es menor que la superficie obtenida con Landsat. En esta dirección, la resolución espacial juega un papel importante, pero también hay que tener en cuenta que los errores tanto de comisión como de omisión se encuentran en el piso altitudinal inferior, dónde la confusión con la cubierta forestal es importante.
Palabras clave
Cubierta nival, Teledetección, Landsat, MODIS, Pirineo catalán, nieve.
2
1 Introducción
La variabilidad espacial y temporal de la cubierta nival hace necesario el estudio de su seguimiento especialmente en zonas con una dinámica estacional anual muy variable, como es el caso del Pirineo.
Establecer su perímetro mejora la estimación del SWE (Snow Water Equivalent) producida por la fusión nival, dato necesario para la gestión y planificación eficiente de los recursos hídricos a escalas regionales.
Al mismo tiempo, la obtención de una cartografía precisa de la cubierta nival también es de gran ayuda en la modelización de la distribución espacial de las especies [1], sobretodo para mejorar el conocimiento actual de la biogeografía de ciertos organismos asociados a la presencia de nieve durante gran parte de su ciclo biológico, así como para entender la fenología de ciertas formaciones vegetales cubiertas de nieve gran parte del año.
Así mismo, también es importante en la modelización de la emisividad, un dato usado como parámetro de entrada en la corrección atmosférica en el espectro del térmico [2] y [3]. Dada la alta dinámica superficial de este fenómeno y puesto que parte de modelos actuales para la obtención de la emisividad se elaboran a través del NDVI y de un mapa de usos del suelo [4 y 3], la obtención de la emisividad de la cubierta nival se hace especialmente complicada, cuando no imprecisa. En este sentido, la cartografía de calidad de la cubierta nival hace posible asignar un valor más adecuado a esta cubierta en base a medidas de emisividad de la nieve obtenidas en el campo [5].
Una aproximación típica para la obtención de este tipo de cartografía se lleva a cabo mediante la toma puntual de datos de campo diferentes variables (como la ausencia o presencia de nieve, precipitación o temperatura en fechas concretas sobre la cubierta nival, etc.) y su posterior modelización mediante métodos de interpolación, haciéndose difícil obtener datos de toda la zona de estudio de una forma regular (en tiempo y espacio), por no hablar de su coste económico importante. A diferencia de los datos obtenidos mediante trabajo de campo, actualmente la existencia de un gran número de satélites que proporcionan datos de Teledetección, con una elevada resolución espacial y temporal, hace posible observar el área cubierta de nieve y su variación temporal, permitiendo obtener una cartografía precisa incluyendo las zonas de acceso más difícil. Dado que la nieve presenta una respuesta espectral muy elevada en las longitudes de onda del espectro visible (entre 0.4 y 0.7 μm), que disminuye conforme aumenta la longitud de onda, siendo muy baja en torno a 1.5 μm, el uso de los sensores como Landsat-5 TM, Landsat-7 ETM+ y TERRA - MODIS son óptimos por disponer de bandas que se encuentran en estos rangos espectrales. Especialmente, la disponibilidad de datos del infrarrojo medio permite que no haya confusión con la cubierta nubosa, muy reflectante en todas las longitudes de onda del dominio óptico.
En este artículo se presenta un análisis comparativo de la superficie cubierta de nieve de 7 imágenes Landsat y TERRA-MODIS de fechas coincidentes durante el periodo 2003-2005, usando 4 metodologías que tienen como base el índice Normalized Difference Snow Index (NDSI).
2 Material y área de estudio.
La zona de estudio corresponde al Pirineo catalán, ubicado en las siguientes coordenadas: huso UTM-31 N, 274510 (UTM X mínima), 483010 (UTM X máxima), 4633490 (UTM Y mínima) y 4749490 (UTM Y máxima), con una superficie aproximada de 23768 km2.
Han sido utilizadas 2 imágenes del satélite Landsat-7 ETM+ y 5 imágenes del satélite Landsat-5 TM de la órbita 198 y de la fila 31 durante el periodo 2003- 2005. También se han utilizado 7 imágenes TERRA-MODIS correspondientes a las imágenes de radiancias calibradas (MOD02HKM), así como a los productos diarios de nieve (MOD10A1). Las fechas escogidas son las siguientes: 14-01-2003, 19-03-2006, 10-02-2004, 08-11-2004, 11-01-2005, 16-03-2005, 17-04-2005.
Para realizar este estudio se han escogido las imágenes que presentan un recubrimiento nuboso menor de 1% en toda la zona de estudio, aunque también se ha aplicado esta metodología a algunas cuencas hidrológicas con presencia de nubes, obteniéndose buenos resultados, pero que no se han integrado en este análisis.
3 Metodología A continuación se expone la metodología empleada para el procesado de las imágenes (puntos 3.1 y 3.2, respectivamente) y para la obtención de la cubierta nival para el caso de Landsat-ETM+/TM y TERRA-MODIS (puntos 3.3 y 3.4, respectivamente). Estas metodologías responden en esencia a un esquema común basado en diferentes filtros, tal como muestra el siguiente diagrama de flujo (ver Figura 1).
3
Corrección geométrica y radiométrica
Generación del NDSI y selección de valores >0.4
Digitalización de una máscaraperimetral
Máscara de masas de agua
Filtros utilizadosSelección de los valores > 0.10
del canal 4 Selección de los valores > 0.11
del canal 2
Generación del NDSI y selección de valores > 0.4
Primer grupo de criterios
Diagrama de dipersiónbivariante entre NDSI-NDVI
Segundo grupo de criterios
Corrección geométrica
METODOLOGÍA PROPUESTA PARA
IMÁGENES LANDSAT Y MODIS
METODOLOGIA SEGUIDA EN EL PRODUCTO DE
NIEVE DE MODIS
SUPERFÍCIE NIVAL SUPERFÍCIE NIVAL
Filtros utilizadosSelección de los valores > 0.10
del canal 1 Selección de los valores > 0.11
del canal 2
Máscaras:Masas de agua
Nubes
3.1 Procesado de las imágenes Landsat-5 TM y Landsat-7 ETM+
En primer lugar, se ha realizado la corrección geométrica de las imágenes mediante técnicas avanzadas basadas en polinomios de primer grado con un ajuste polinómico con zetas y considerando el relieve a través de un MDE [6]. Con una resolución espacial de 30 m para los canales multiespectrales y, de 60 m para el canal térmico de Landsat-7 ETM + y de 120 m en el caso de Landsat-5 TM. En todas la imágenes se obtiene un Root Mean Square (RMS) inferior a un píxel de 30 m. Posteriormente se ha procedido a aplicar una corrección radiométrica en los canales no térmicos mediante el método propuesto por [7] implantado en el software MiraMon [8], teniendo como objetivo la reducción de la presencia de artefactos no deseados provocados por los efectos de la atmósfera o de la iluminación diferencial provocada por la hora del día, el día del año, la posición de la Tierra y el relieve (zonas más o menos iluminadas, ocultas, sombras proyectadas, etc). Este método considera la superficie de la imagen con un comportamiento casi lambertiano (utilizando un ángulo de incidencia límite lambertiano de 73° por encima del qual no se considera una superfície lambertiana). A la superficie que sobrepasa este ángulo de incidencia no se aplica el modelo de corrección radiométrica lo que conlleva que esta superficie se establezca como NODATA en la imagen corregida radiométricamente. Por otro lado, las zonas correspondientes a sombras orográficas, calculadas a partir de la generación de un Modelo Digital de Sombras y de un Modelo Digital de Iluminaciones según la fecha y la hora de paso del satélite, también se establecen como zonas NODATA. La conversión de DN a radiancias se ha realizado mediante la lectura de los datos incluidos en la cabecera de cada imagen, aunque en el caso del formato original de les imágenes (formato CEOS) ha de tenerse cuidado con algunos aspectos [9].
Para el canal térmico se ha calculado la temperatura aparente de brillo (TAB), mediante la inversión del la ley de Plank donde los DN se convierten a temperaturas en el techo de la atmósfera (TOA) según la metodología propuesta por [10 y 11].
Finalmente, se ha realizado un filtrado de nubes siguiendo la metodología propuesta por [12] para eliminar la confusión entre la cubierta nival y algunos tipos de nubes.
3.2 Procesado de las imágenes TERRA-MODIS
El primer paso ha sido la importación de las imágenes de los productos diarios de la cubierta nival descargados desde el servidor del United States Geological Survey (USGS), así como el producto de radiancias calibradas de MODIS, mediante una aplicación propia, leyendo los metadatos necesarios para la interpretación de las imágenes.
El primero de los productos se adquiere corregido geométricamente en proyección sinusoidal y posteriormente se ha llevado a cabo un cambio de proyección a UTM huso 31N.
En el segundo producto, las imágenes originales no están corregidas geométricamente. La corrección geométrica de las imágenes originales MODIS Level 1B Calibrated and Geolocated Radiances TERRA-MODIS, se ha llevado a cabo mediante la aplicación de [13] y siguiendo la metodología propuesta por [14]. Posteriormente se han incorporado la información de los metadatos necesarios de las imágenes mediante una aplicación propia, para convertir los DN de las imágenes originales a radiancias TOA.
Figura 1. Diagrama de flujo de las metodologías seguidas para obtener la superficie nival en el caso de Landsat y de MODIS
4
3.3 Obtención de la cubierta nival: el caso de Landsat-5 TM y Landsat-7 ETM+
Una de las metodologías ampliamente usadas en la determinación de la cubierta nival mediante datos de Teledetección es la propuesta por [15 y 16] la cual selecciona como cubierta nival cualquier celda que sea superior a un valor 0.4 del índice Normalized Difference Snow Index (NDSI).
Como se observa en la figura 1, la determinación de la cubierta nival se ha llevado a cabo mediante tres pasos estableciendo diferentes filtros para evitar la comisión de píxeles de otras cubiertas.
Un primer paso es el cálculo de un índice normalizado, el índice NDSI, usando el canal 2 (0.520-0.600 µm) y el canal 5 (1.550-1.750 µm), ya que la nieve en el espectro visible es muy reflexiva siendo al contrario en el infrarrojo medio.
NDSI= (canal 2 – canal 5) / (canal 2 + canal 5).
Posteriormente, se establece un umbral del índice NDSI superior a 0.4 para la discriminación de la cubierta de nieve. El índice se ha elaborado mediante las imágenes corregidas radiométricamente, aunque hay otras metodologías [17] que usan las imágenes sin corregir radiométricamente ya que al ser un índice normalizado se eliminan parcialmente los efectos atmosféricos, aunque se puede comprobar que en dicho caso el umbral 0.4 no se puede aplicar a todas la imágenes por igual, estableciendo un umbral de hasta 0.3 en algunas de ellas.
Un segundo paso es la selección del área de interés, para evitar la posible confusión de píxeles de nieve con otras cubiertas de la imagen, mediante la digitalización manual de un área alrededor de la cubierta nival con una distancia a la cubierta entre 1 y 2 km, usando como apoyo el canal térmico (10.400-12.500 µm) para discriminar la superficie nevada de otras cubiertas.
El uso de un filtro de masas de agua, evita uno de los principales problemas del primer paso, ya que selecciona masas de agua (cursos fluviales, estanques, pantanos, lagos, etc) como cubierta nival. Por ello, se ha aplicado una máscara de masas de agua correspondiente a la selección del mapa topográfico 1: 50 000 del Institut Cartogràfic de Catalunya. Los lagos de alta montaña se han incorporado a la máscara de masas de agua en función de si están cubiertos de nieve o hielo a partir de una cierta altitud.
Como se ha explicado en el apartado 3.1, durante el proceso de corrección radiométrica se establecen unas determinadas zonas como NODATA. Dependiendo de la fecha de la imagen, estas zonas pueden suponer una pérdida de información importante, ya que sobretodo afectan a zonas umbrías de nuestra zona de estudio (cordillera Pirenaica). Como consecuencia, no podemos trabajar con parte de la imagen corregida radiométricamente si queremos saber si está cubierta de nieve o no lo está. Por este motivo, utilizamos la imagen no corregida radiométricamente, aplicando una metodología específica exclusivamente para estas zonas (ver figura 4). Para ello se ha realizado una selección de las zonas NODATA a partir de una de las bandas de la imagen corregida radiométricamente, obteniendo una máscara de estas zonas NODATA. Se ha aplicado estas máscaras NODATA a la imágenes no corregidas radiométricamente de forma que se ha obtenido unas nuevas imágenes donde sólo las zonas NODATA disponen de valores.
A estas nuevas imágenes se ha aplicado los mismos filtros explicados en la metodología anterior, es decir, una máscara de perímetro nival y una máscara de masas de agua. Posteriormente se ha realizado una clasificación no supervisada basada en el algoritmo ISODATA [18], utilizando dos grupos de variables de entrada, un primer grupo de variables topográficas (Modelo Digital de Elevaciones y radiación instantánea [7]), y un segundo grupo de variables de Teledetección (las 7 bandas de Landsat y productos derivados como el NDSI), obteniendo diversas clases temáticas entre las cuales se encuentra la nieve.
Figura 2: Imagen 198-31 y 32 del 17/04/2005. Composición RGB 4-5-3.
Figura 3: NDSI de la imagen 198-31 y 32 del 17/04/2005.
5
3.4 Obtención de la cubierta nival: el caso de MODIS
En este trabajo se ha utilizado el producto MOD10A1 de la cubierta nival (véase figura 5), generado a partir de dos grupos de criterios, ver figura1. El primero, discrimina la cubierta nival sobre cualquier superficie y el segundo, más específico, detecta nieve presente en zonas de vegetación densa [17 y 19]. El producto final de nieves incorpora a demás de la cubierta nival otras ocho categorías generadas por otros productos MODIS, como la máscara de masas de agua no continental, masas de agua continentales, cubierta nubosa (cloud obscured), lagos helados, tierra, etc. (ver figura 6).
También se ha generado el índice NDSI a las imágenes de radiancias calibradas (MOD02HKM) estableciendo un umbral de 0.3.
4 Resultados y discusión 4.1 Resultados en el caso de Landsat con imágenes corregidas radiométricamente.
En todas las imágenes tratadas se han obtenido buenos resultados en la discriminación de la superficie nival con la metodología aplicada a las imágenes Landsat. El principal problema del cálculo del NDSI y el umbral 0.4 es que presenta tres fuentes de error debido a su aplicación en áreas extensas y a diferentes fechas, haciendo aumentar el error de comisión de la superficie nevada en algunos casos, o aumentar el error de omisión en otros. Estas fuentes de error se pueden observar en la figura 3, donde los colores azulados indican un valor alto de NDSI correspondientes a superficie cubierta de nieve, así como a la selección de masas de agua (como embalses, ríos, lagos de alta montaña, etc.), la selección de cubierta nival en zonas de ocultamiento topográfico, y la selección de determinadas nubes que presentan una reflectancia baja en el infrarrojo medio. Esto conlleva que sea necesario el uso de los diferentes filtros propuestos (ver figura 1) ya que como se observa claramente en la figura 2, en una combinación RGB de los canales 4-5-3 sólo la superficie nevada se ve en color fucsia.
Más detalladamente, en las figura 6 y 8 se puede observar la máscara de masas de agua utilizada en azul claro (embalses, lagunas naturales, lagos, etc.) y parte de la máscara perimetral digitalizada (en amarillo), alrededor de la superficie nevada en la cuenca de la Noguera Ribagorzana. Cabe destacar como cuando se digitaliza la máscara perimetral no se tiene en cuenta las masas de agua que están heladas o nevadas, situadas dentro del círculo rojo en la figura 6. No ocurre de la misma manera en la figura 8, ya que estas masas de agua no deben considerarse superficie nival. La superficie resultante se muestra en las figuras 7 y 9.
Figura 5: Producto de nieves (MOD10A1) de MODIS. Imagen del 11/01/2005.
Figura 4: Metodología usada para obtener la superficie nival de las zonas
6
El resultado final de ambas fechas (11/01/2005 y 17/04/2005), una representativa de invierno y otra de primavera, muestra como el uso de la máscara de masas de agua, así como el uso de la máscara perimetral resuelve la posible comisión de píxeles aislados de otras cubiertas. También se puede apreciar como con el uso del umbral 0.4 del índice NDSI se consiguen buenos resultados en imágenes de sendas estaciones. Otro aspecto importante a considerar, como ya se ha comentado en el apartado 3.1, es que la corrección radiométrica establece como valores NODATA las sombras orográficas, hecho que tiene implicaciones importantes en la clasificación de esta cubierta si sólo se tiene en cuenta la superficie calculada con las imágenes corregidas radiométricamente, ya que en estas zonas no se tienen datos, lo que conlleva una estimación de la superficie total de cubierta nival con este método inferior a la superficie real, sobretodo en imágenes de invierno. La cartografía resultante se puede observar en la figura 15.b.
4.2 Resultados en el caso de las zonas NODATA de las imágenes no corregidas radiométricamente.
De la metodología aplicada a las zonas NODATA se han obtenido buenos resultados para todas las imágenes tratadas. La figura 10, corresponde a una combinación RGB 4-5-3 de las imágenes sin corregir radiométricamente, a la que se le ha aplicado una máscara en color blanco a las zonas de iluminación directa generada a partir del cálculo del Modelo Digital de la Iluminaciones. En esta imagen se muestra la cubierta de nieve en fucsia, y en tonos más oscuros las zonas forestales, una vez aplicado una importante expansión del contraste para resaltar estas cubiertas que tienen valores mucho más bajos de los que tendrían en condiciones de iluminación directa.
A su lado, la figura 11 muestra el resultado de la clasificación no supervisada con el algoritmo ISODATA (implementación IsoMM de MiraMon) realizada a las zonas de sombras. Este es el método de clasificación seleccionado después de realizar diversas pruebas con clasificadores supervisados como máxima probabilidad o mínima distancia, obteniendo en estos casos resultados muy pobres. Los mejores resultados se han obtenido con el clasificador ISODATA, con el que también se han realizado diversas pruebas, usando diferentes variables de entrada que podríamos agrupar en dos conjuntos. Por una parte, se han combinado un grupo de variables topográficas (como el modelo digital de elevaciones y la radiación instantánea), con un grupo de variables de Teledetección (bandas espectrales y productos derivados como el NDSI). Aunque a priori se podría pensar que se obtendrían mejores resultados usando una combinación de variables topográficas y de Teledetección, se han generado errores mayormente de comisión en las zona basal del Pirineo, error que tienen su origen en el factor altitud, aunque en la zona axial se han obtenido buenos resultados.
Finalmente, se han usado como variables de entrada en la clasificación las bandas de la 1 a la 7 de Landsat, generando alrededor de 6 a 12 clases estadísticas según la imagen. El gráfico 1 muestra la media de los valores de los DN para cada uno de los 12 clusters generados por el algoritmo ISODATA y para cada banda de la imagen con fecha 11/01/2005. De este conjunto de clusters se puede separar claramente aquellas que pertenecen a nieves del resto de cubiertas. Los clusters 1-6 corresponden a nieves; obsérvese que aunque en las bandas de infrarrojo tengan valores de media similares, en el espectro del visible tienen claramente valores muy diferentes. Los 3 primeros clusters engloban aquellos píxeles de nieve sobre vegetación escasa como prados o sobre superficies rocosas, mientras que los tres últimos engloban píxeles de nieve en vegetación densa y matorrales.
Después de reclasificar todas las clases se obtienen un mapa binario como se puede ver en la figura 10, donde la superficie nival se presenta en color fucsia (la cartografía resultante se puede observar también en la figura 15.a).
La superficie de nieve conseguida en estas zonas NODATA se ha sumado a la superficie obtenida con las imágenes corregidas radiométricamente, obteniéndose de esta una manera una superficie continua de nieve en el Pirineo.
Figura 6: Detalle de la imagen 17/04/2005.
Figura 7: Selección de valores > 0.4 del NDSI una vez aplicada las máscaras de masas de agua y de perímetro para la fecha 17/04/2005.
Figura 8: Detalle de la imagen 11/01/2005.
Figura 9: Selección de valores > 0.4 del NDSI una vez aplicadas las máscaras de masas de agua y de perímetro para el 11/01/2005.
7
0
20
40
60
80
100
120
140
160
180
1 2 3 4 5 7 6
Banda
Med
ia D
N
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 6Cluster 7 Cluster 8 Cluster 9 Cluster 10 Cluster 11 Cluster 12
Gráfico 1: Media de los DN de los píxeles de la imagen 11/01/2005 de cada una de los clusters.
4.3 Resultados en el caso del producto de nieve de TERRA-MODIS.
En este caso se han tenido en cuenta las imágenes con fechas coincidentes y horas similares a las imágenes tomadas por el satélite Landsat, con el objetivo de comparar las superficies resultantes. Para el producto de nieves de MODIS, los resultados obtenidos varían en función de la estación del año, obteniéndose mejores resultados en la primavera, el verano y el otoño, y peores en el invierno.
La figura 13 es una combinación RGB 4-5-3 de Landsat-5 TM con fecha 04/01/2005 y órbita 197, dónde la superficie nival de una parte de los Pirineos se reconoce por el color fucsia. A su lado, en la figura 14 se puede observar la imagen del producto diario de nieve de MODIS de la misma fecha que la imagen Landsat. De estas dos imágenes cabe destacar como la cubierta nival en el producto de nieves (en color gris claro) de MODIS es superior que la superficie que aparece en la imagen Landsat. De hecho, en la imagen Landsat sólo aparece nieve en el Pirineo, pero en el producto de MODIS aparecen píxeles clasificados como nieve en zonas dónde no hay, como en la zona de Cap de Creus o la Sierra de Collserola, lindante con la ciudad de Barcelona y donde muy raramente hay manto nival.
Figura 10: Detalle de las zonas NODATA de la imagen del 17/04/2005.
Figura 11: Detalle de la clasificación ISODATA obtenida de las zonas NODATA
Figura 12: Mapa binario de la superficie de nieve en zonas NODATA.
Figura 13: Imagen Landsat TM 197-31 con fecha 04/01/2005. Composición RGB 4-5-3
Figura 14: Producto de nieve de TERRA-MODIS con fecha 04/01/2005.
8
Concretamente, en esta fecha se cometen importantes errores de comisión, sobretodo en zonas de vegetación densa, así como en algunas zonas con presencia de agua continental y en zonas con sombras orográficas duras. Estos mismos errores se han observado en imágenes principalmente de invierno, contemplando mejores resultados en imágenes de primavera y otoño.
Siguiendo la metodología propuesta por [17 y 19] en la elaboración del producto de nieve, se ha observado que el primer grupo de criterios propuesto por este mismo autor (ver figura 1) hace una selección de nieve correcta en zonas de vegetación escasa o nula. El principal problema surge con el segundo grupo de criterios, destinado a discernir la presencia de nieve en zonas de vegetación densa. Más concretamente, el filtro principal del segundo grupo de criterios es la elaboración de un diagrama de dispersión entre los índices NDSI y NDVI, y los umbrales propuestos producen importantes errores de comisión en cubiertas de vegetación densa pero que no están nevadas.
De este modo se ha procedido a usar la misma máscara perimetral generada para la obtención de la superficie nival en las imágenes Landsat, con el objetivo de acotar la superficie y por lo tanto reducir los posibles errores de comisión de otras cubiertas. El resultado se puede observar en la figura 15.c.
4.4 Resultados del cálculo de NDSI de MODIS.
Aunque usando el umbral de 0.4 del índice NDSI se discriminan sin ningún problema la superficie nival en zonas sin vegetación, sobretodo las partes más altas de la cordillera de los Pirineos, no ocurre lo mismo con las zonas más bajas donde la presencia de masa forestal es mayor. En este caso la presencia de nieve no es tan clara, a pesar de que la respuesta espectral de esta sigue siendo elevada, ya que la confusión con la cubierta forestal densa es importante. Esta problemática se puede solucionar, disminuyendo el umbral del índice NDSI hasta 0.3, e incorporando una máscara del perímetro nival, como en el caso de las imágenes Landsat. El resultado puede observarse en la figura 15.d
4.5 Comparación de las superficies resultantes de las cuatro metodologías.
La tabla 1 muestra las superficies de las siete fechas según los cuatro métodos. De las superficies calculadas con las imágenes Landsat, como cabía esperar, las superficies obtenidas sin tener en cuenta las zonas NODATA son considerablemente menores que las que consideran las zonas NODATA (columnas 3 y 2 respectivamente), agravándose considerablemente esta diferencia en imágenes de invierno. A la vista de los datos, resulta interesante ver como es indispensable tener en cuenta estas zonas NODATA, ya que en imágenes de invierno puede obviarse entre un 25% y un 45% de superficie cubierta de nieve; en cambio, en imágenes de primavera esto puede suponer entre un 10% y un 5%.
Si comparamos las superficies obtenidas con las imágenes MODIS, vemos como con el producto de nieve con máscara obtenemos una mayor superficie que la obtenidas el caso del cálculo del NDSI (columnas 4 y 5 respectivamente), ya que con este último método se producen errores de omisión sobretodo en las cotas inferiores de la superficie nival.
a
c
b
d
Figura 15. Superficies calculadas con los cuatro métodos de la imagen 17/04/2005. (15.a) Resultado de las imágenes Landsat teniendo en cuenta las bandas corregidas radiométricamente y las zonas NODATA. (15.b) Resultado de las imágenes Landsat teniendo en cuenta las bandas corregidas radiométricamente. (15.c) Resultado del producto de nieves de MODIS con la máscara perimetral. (15.d) Resultado obtenido con el umbral 0.3 del NDSI.
9
Aunque no se pueden comparar perfectamente las superficies obtenidas con los dos satélites debido a su diferente resolución espacial, si que hay que decir que la superficie calculada en el caso el producto de nieve de MODIS es superior que la obtenida en el caso de Landsat no tan sólo por la diferencia de tamaño del píxel sino también porque se cometen errores de comisión de superficie forestal densa.
Fecha imagen
Superfície LANDSAT sin NODATA
(ha)
Superfície LANDSAT con NODATA (ha)
Superfície producto de nieve de MODIS (ha)
Superfície NDSI MODIS (ha)
14/01/2003 181683.5 243227.7 330925.0 229020.719/03/2003 153641.0 170441.8 186225.0 134705.610/02/2003 94978.6 136837.8 192025.0 110062.608/11/2004 35290.9 63800.0 81725.0 62742.011/01/2005 62262.1 104253.2 150300.0 122200.019/03/2005 141894.6 182494.6 110350.0 116325.017/04/2005 182495.6 188435.2 215025.0 174526.6
Tabla 1. Superficie nival obtenida con las 4 metodologías.
5 Conclusiones
La elaboración de cartografía de la superficie nival se puede obtener con precisión mediante técnicas de teledetección, ya que la nieve posee una signatura espectral característica que la diferencian de otras cubiertas. Sin embargo, ello implica investigar para la aplicación de protocolo adecuado.
Con el presente estudio se han conseguido buenos resultados con las imágenes Landsat a partir de la metodología descrita, logrando minimizar los errores de comisión de otras cubiertas y la confusión con las masas de agua utilizando la máscara de nubes, las masas de agua y las de perímetro nival. Los buenos resultados obtenidos dependen de la correcta elaboración de estas máscaras. Así mismo, también se han obtenido unos buenos resultados con el método usado para la discriminación de nieve en las zonas de sombras orográficas, hecho que permite disponer de una cartografía de superficie nival, a escala de semidetalle, del Pirineo catalán.
Sin embargo, con el producto de nieve diario elaborado por MODIS se pone de manifiesto como su uso en el caso del Pirineo catalán puede conllevar errores groseros a la hora de contabilizar la superficie total nevada. Aún así, el uso de la máscara perimetral permite acercar los resultados a los obtenidos con Landsat, por lo menos en zonas donde no es posible que esté nevado. Hay que hacer notar, sin embargo, que esta alternativa no es válida si no existen simultáneamente imágenes Landsat, con lo que su interés es muy limitado. También resulta interesante la propuesta de una metodología híbrida, usando el índice NDSI con un umbral de 0.3 en vez del 0.4 que es más restrictivo en zonas de vegetación densa con presencia de nieve.
Una vez determinadas las superficies, se ha mostrado como la resolución espacial de las imágenes influye claramente al producto final, obteniendo mejores resultados con las imágenes Landsat que con MODIS, en la discriminación de la nieve en general, pero sobretodo en vegetación densa. Esto ocurre sobretodo en las cotas inferiores de la cordillera pirenaica, dónde por una parte existe más vegetación forestal y por otra hay manchas aisladas que tienen una superficie inferior a 25 ha, es decir el tamaño de un píxel de MODIS. De esta manera, se entiende que de la zona del Pirineo axial, donde se encuentran los mayores espesores de nieve y la superficie de nieve es más continúa, resultaría superficies similares para todas las metodologías refinadas. Aún así, el uso de los dos sensores pueden ser complementarios ya que los productos MODIS se pueden adaptar a escala local mediante una serie de filtros, como se ha presentado en este articulo, aprovechando la resolución temporal diaria que no resulta disponible en el caso de Landsat, y por lo tanto solucionando el problema de la cobertura de nubes en las imágenes Landsat.
6 Líneas de futuras de investigación
Se plantea remuestrear a 500 m el tamaño de píxel de las imágenes Landsat para posteriormente hacer una comparativa de las superficies con la misma resolución espacial.
Aunque se ha propuesto diversos métodos para establecer la superficie nival en zonas de NODATA, resultaría interesante aplicar otros tipos de clasificación como la clasificación mixta [21y 22], o de clasificación supervisada como el método de árboles de decisión [20].
Como perspectivas de futuro, con la combinación de datos de campo y los resultados de superficie nival obtenidos, se pretende elaborar cartografía de potencia de nieve, y en este sentido el uso del LIDAR ofrecería un mayor detalle.
Resultaría también muy interesante realizar este estudio mediante otros sensores como NOAA-AVHRR y TERRA-ASTER, éste último cobrando cada vez más importancia en el estudio de esta cubierta.
10
Agradecimientos Deseamos expresar nuestro agradecimiento a la Agència Catalana de l’Aigua y al Departament de Medi Ambient i Habitatge de la Generalitat de Catalunya por su política de inversión y disponibilidad de datos de Teledetección, la cual ha permitido abordar este estudio con plenas garantías. Asimismo, deseamos expresar nuestro agradecimiento a los compañeros del Departament de Geografia y del CREAF que han colaborado de una manera u otra en el tratamiento de las imágenes y al INTA por su atento servicio de suscripción de imágenes.
BIBLIOGRAFÍA
[1] Beck, P. S. A.; Kalmbach, E.; Joly, D.; Stien, A.; Nilsen, L. (2005): "Modelling local distribution of an Arctic dwarf shrub indicates an important role for remote sensing of snow cover", Remote Sensing of Environment, 98, 1, 110-121. [2] Salisbury, J. W.; D’Aria, D. M. (1992): “Emissivity of terrestrial materials in the 8-14 μm atmospheric window”, Remote Sensing of Environment, 42, 83-106. [3] Valor, E. y Caselles, V. (1996): “Mapping land surface emissivity from NDVI: Application to European, African and South American areas”. Remote Sensing of Environment, Vol. 57, pp. 167-184. [4] Van de Griend, A. A.; Owe, M. (1993): “On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces”, International Journal of Remote Sensing, 14, pp. 1119-1131. [5] Hori, M.; Auki, T.; Tanikawa, T.; Motoyoshi, H.; Hachikubo, A.; Sugiera, K.; Yasunari, T. J.; Eide, H.; Storvold, R.; Nakajima, Y.; Takahashi, F. (2006): “In-situ measured directional emissivity of snow and ice in the 8-14 �m atmospheric window”, Remote Sensing of Environment, 100, pp. 486-502. [6] Palà, V. y Pons, X. (1995): “Incorporation of relief into geometric corrections based on polynomials”. Photogrammetric Engineering and Remote Sensing, 61, pp. 935-944. [7] Pons, X. y Solé-Sugrañes, L. (1994): “A Simple Radiometric Correction Model to Improve Automatic Mapping of Vegetation from Multispectral Satellite Data”. Remote Sensing of Environment, 47, pp. 1-14. [8] Pons, X. (2004) "MiraMon. Sistema d'Informació Geogràfica i software de Teledetecció" Centre de Recerca Ecològica i Aplicacions Forestals, CREAF. Bellaterra. ISBN: 84-931323-4-9 [9] Cristóbal, J.; Pons, X.; Serra, P. (2004): “Sobre el uso operativo de Landsat-7 ETM+ en Europa. X Congreso de Teledetección”, Revista de Teledetección, 21, pp. 55-59. [10] Markham,B.L., and Baker, J.L. (1987), Thematic Mapper bandpass solar exoatmospheric irradiance, Int. J. Remote Sensing [11] Irish, R. (2006): “Landsat 7 Science Data Users Handbook”. NASA. http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_toc.html. [página visitada el día 28-11-2005]. [12] Cea, C., Cristóbal, J., Serra, P. y Pons, X. (2005): “Mejoras en la detección semiautomática de nubes y sombras en imágenes Landsat”, en XI Congreso Nacional de Teledetección, Puerto de la Cruz. Tenerife. [13] Klein, L.; Taaheri, A.; Praderas, C. (2004): HDF-EOS to GeoTIFF conversion tool (HEG). Version 2.0 [14] Yang, W. y Di, L. (2004): “An accurate and automated approach to georectification of HDF-EOS swath data. Photogrammetric Engineering and Remote Sensing, 70, pp 397-404. [15] Dozier, J. (1989): “Spectral Signature of Alpine Snow Cover from the Landsat Thematic Mapper”, Remote Sensing of Environment, 28, pp. 9-22. [16] Dozier, J. (1991): “Remote sensing of alpine snow cover invisible and near-infrared wavelengths”.http://www.avalanche.org/~moonstone/1991%20cssa%20symposium/REMOTE%20SENSING%20OF%20ALPINE%20SNOW%20COVER.htm. [página visitada el día 28-11-2002]. [17] Riggs, G.A.; Hall, D.K.; Salomon V.V (2003): MODIS Snow Products User Guide for Collection 4 Data Products.; [18] Duda, RO, PE Hart (1973) "Pattern Classification and Scene Analysis" John Wiley and Sons, New York, [cap. 6, "Unsupervised Learning and Clustering", pp. 226-227] [19] Klein, A.G.; Hall, D.K; Riggs, G.A. (2005): Improving snow-cover mapping in forests through the use of a canopy reflectance model. http://geog.tamu.edu/klein/publications/papers/agk_p9.pdf. [Página visitada el día 22/01/2005]. [20] Rosenthal, W., and J. Dozier (1996), Automated mapping of montane snow cover at subpixel resolution from the Landsat Thematic Mapper, Water Resour. Res., 32(1), 115–130 [21] Serra P, Pons X, Saurí D (2003) Post-classification change detection with data from different sensors: some accuracy considerations. International Journal of Remote Sensing 24:3311-3340 [22] Application of a hybrid classifier to discriminate Mediterranean crops and forests. Different problems and solutions. Serra, P.; Moré, G.; Pons, X.: International Cartographic Conference, A Coruña, 9-16 Julio 2005