Uso de datos MODIS en el monitoreo de cambios en la

cobertura vegetalCaso de Estudio: La Amazonía, Brasil

II Reunión del Comité Técnico SubregionalProyecto “Análisis de las Dinámicas de Cambio de Cobertura de la Tierra”Bogotá, 14, 15, 16 Junio 2011

Karolina Argote Deluque, Louis Reymondin, Andy Jarvis

Foto por Neil Palmer Amazonía Brasilera

Contenido

1. MODIS..

2. Terra-i. An eye on habitat change

3. Proceso Metodológico detallado

4. Caso de estudio Amazonia Brasil

5. Pros y contras Uso datos MODIS

MODerate Resolution ImagingSpectroradiometer (MODIS)

El sensor MODIS se encuentra a bordo de los satélites Terra y Aqua

que forman parte de la misión EOS (Earth Observing System) de la

NASA.

Resolución radiométrica:

12 bits

Resolución Espectral:

36 bandas (0.4 - 14.4 µm)

Resolución Espacial:

250 m (bandas 1-2)

500 m (bandas 3-7))

1000m (bandas 8-36)

Tasa de datos: 6.1Mbps (promedio)

Escuadra de Captura de datos: 2330 por

10km (a lo largo de la huella al nadir)

Medidas: 1 x 1.6 x 1m

Peso: 228.7Kg

Lanzamiento: 18/12/1999Primera imagen: Febrero 2000Nodo descendente: 10:30 am. ± 15minSolar: polar sincronizadaAltura: 705Km nominalInclinación: 98.2 ±0.1 grados,Periodo: 98.8 min

Lanzamiento: 04/05/2002Primera imagen: Junio 2002Nodo ascendente: 1:30pm. ± 15minSolar: polar sincronizadaAltura: 705Km nominalInclinación: 98.2 ±0.1 grados,Periodo: 98.8 min

Ambos tienen cubrimiento global

cada 2 días, y arriba de 30°

de latitud cada día

Productos MODIS Además de las imágenes multiespectrales (7 bandas), hay 44 productos

de datos estándar de MODIS utilizados para el estudio de los cambios globales en oceanografía, biología y ciencias atmosféricas.

Están Clasificados en:

• Niveles (según el nivel de procesamiento)

Nivel 1A: Contiene las 36 bandas crudas de MODIS.

Nivel 1B: Contiene las 36 bandas calibradas, ajustándolas a una resolución espacial (1-2 250m), (3-7 500m), (8-36 1000m) y un mismo sistema de referencia.Como el MOD03 o producto Geolocalizador.

Nivel 2Lg: Ahora divididos por Tiles.

Nivel 3 : Dividos por tiles y son derivados de los productos de nivel 2.

• Versiones (según el mejoramiento)

https://lpdaac.usgs.gov/lpdaac/products/modis_products_table

Productos MODIS

¿Como obtener los datos MODIS?

Recomendad

o

MODIS Sinusoidal Grid

10° x 10°

Julian Processing Date

MOD13Q1.A2000353.h14v09.005.2003077094120.hdf

ShortName

Julian Acquisition Date

Tile

Processing Version

¿Como seleccionar la zona análisis?

Los programas de instalación para pre-procesamientos de los datos se encuentran disponibles en la

página de USGS: https://lpdaac.usgs.gov/lpdaac/tools

Usando el ftp de Glovis y scripts

sencillos en python podemos automatizar la

descarga y el pre-procesamiento

cuando trabajamos con

un gran volumen de datos.

MOD13Q1Este producto ofrece comparaciones espaciales y temporales de la

condición de la vegetación.

bit Long Name Value Key

0 VI produced, good quality

1 VI produced, but check other QA

10 Pixel produced, but most probably cloudy

11 Pixel not produced due to other reasons than clouds

0 Highest quality

1 Lower quality

10 Decreasing quality

100 Decreasing quality

1000 Decreasing quality

1001 Decreasing quality

1010 Decreasing quality

1100 Lowest quality

1101 Quality so low that it is not useful

1110 L1B data faulty

1111 Not useful for any other reason/ not processed

0 Climatology

1 Low

10 Average

11 High

1 Yes

0 No

1 Yes

0 No

1 Yes

0 No

0 Shallow ocean

1 Land (Nothing else but land)

10 Ocean coastlines and lake shorelines

11 Shallow inland water

100 Ephemeral water

101 Deep inland water

110 Moderate or continental ocean

111 Deep ocean

1 Yes

0 No

1 Yes

0 No

11– 13 Land/ Water Flag

14 Possible snow/ ice

15 Possible shadow

8 Adjacent cloud detected

9Atmosphere BRDF

correction performed

10 Mixed Clouds

0– 1 MODLAND_QA

2– 5 VI Usefulness

6– 7 Aerosol quantity

Capa QA deMOD13Q1

La capa de calidad contiene valores clasificados que

describen la calidad de cada

pixel

Usar esta información nos permite eliminar

datos que pudieran estar afectados por

la cobertura de nieve o la presencia de nubes antes de

proceder al análisis.

Índices de Vegetación L3, 16 días, 250m

Índice de vegetación de diferencia normalizada (NDVI) representa la cantidad y el vigor de la vegetación. Los valores de una zona están estrechamente relacionados con el tipo de vegetación y con las condiciones climáticas, así

como con el patrón predominante de uso de las tierras.

Terra- An eye on Habitat Change

Monitoreo de cambios en el habitad usando Redes neuronales y datos satelitales

MODIS.

Cultivos de Soja Amazonía Brasilera

Terra-i es un modelo capaz de predecir la evolución de la intensidad verde de la vegetación, con base a medidas de verde anteriores y a

medidas climáticas actuales para detectar cambios significativos en el habitad.

Enfoque Conceptual

La intensidad del verde de la vegetación sigue un ciclo natural que depende de factores climáticos (precipitación, temperatura), variables de sitio (tipo de vegetación, características del suelo) y de las alteraciones (naturales o antropogénicas).

Limpieza de DatosAlgoritmo de Hants

ClusteringK-Mean

Selección aleatoria de píxeles.

Entrenamiento de la

Red Neuronal

Datos NDVI y QA MODIS MOD13Q1, Precipitación (TRMM)

(2000-2009)

Datos de 2004 a 2009

Diferencia entre el NDVI medido por el sensor y el NDVI Predicho por la red

neuronal

Calibración con mapas de cambio generados con imágenes Landsat

(30m)

Clasificación del cambio

Mapas de Cambios

Detectados

Edición de

Reglas

Predicción de NDVI desde 2004 a 2009

Metodología de Terra-

Datos de 2000 a 2004

Mapas de las probabilidades de cambio

Mapas de cambios por

pérdidas

Mapas de cambios por incrementos

Resultados

1 Limpieza de datosAlgoritmo de Hants

Trasformada rápida de Fourier

Esta transformada convierte la señal del dominio del tiempo al dominio de la frecuencia.

Se aplica el algoritmo Hants (Harmonic Analysis of a Time Series) a los datos NDVI, con el fin de eliminar los valores bajos y fluctuantes que pueden estar relacionados con variaciones atmosféricas y no con la dinámica natural o antrópica en las coberturas de la tierra.

2 ClusteringK-Means

i. Se asigna aleatoriamente a cada objeto del conjunto un clúster entre 1 y K y se calculan los centroides de cada cluster como el valor medio de todos los objetos.

ii. Se calcula la distancia de los objetos a los centroides y se asignan nuevamente a cada objeto del conjunto un cuya distancia es mínima con respecto a todos los centroides.

iii. Se repite el paso ii y iii hasta que allan <1% de objetos que han cambiado de clusters en la nueva iteración

3 Entrenamiento de la Red Neuronal

4 Detección de cambios

1. El valor predicho (Para detectar los cambios)

2. La desviación estándar de las predicciones del modelo sobre la función real. (Para medir qué tan seguros estamos de que la medida del satélite es anormal.)

3. El nivel de ruido (Gaussiano) de la medida del satélite (Para medir qué tan seguros estamos de que la medida del satélite es anormal.)

Para detectar los cambios, las Redes Bayesianas Neuronales nos dan tres indicadores:

Caso de

Estudio : Amazonia, Brasil

Detección de Terra-i en laAmazonía Brasilera

En la Amazonía Brasilera Terra-i detecta un total acumulado de 14,353,752 hectáreas deforestadas entre los años 2004 y 2009, equivalente a una pérdida promedio anual de 2,658,102 hectáreas.

Comparación de resultados de Terra-i con modelos locales

Comparación de resultados de Terra-i con modelos locales

Detección de Terra-i en Rondonia, Brasil

2009 2004

Detección de Terra-i en Rondonia, Brasil

2009 2004

Detección de Terra-i en Mato Grosso, Brasil

2009 2004

Detección de Terra-i en Mato Grosso, Brasil

2009 2004

Detección de Terra-i en Para, Brasil

2009 2004

Detección de Terra-i en Para, Brasil

2009 2004

A nivel departamental los

estado de Mato Grosso y Pará

registran las mayores tasas de

deforestación; 1,091,816 y 713,107

hectáreas por año

respectivamente. Estados

donde se ha incrementado la

actividad ganadera y así la

conversión de zonas forestales

a zonas de pasto y a

explotaciones agrícolas de

monocultivos, en particular de

soja.

El rápido crecimiento de la

actividad ganadera ha

acelerado la destrucción de la

selva amazónica.

¿Por qué usar MODIS?

• Datos de calidad, de acceso gratis a través del portal de la NASA.

• Información de calidad por pixel.

• Alta resolución temporal, lo que nos brinda la posibilidad de comparar imágenes de diferentes fechas, hacer monitoreo de los cambios de cobertura.

• Posibilidad de bajar los datos en tiempo real para crear sistemas de alerta.

• Brinda una alta gama de productos capaces de predecir cambios globales con la precisión suficiente como para asistir políticas de protección  ambiental.

Contactanosk.a.argote@cgiar.orgkaroargote@gmail.comwww.terra-i.org