uso de datos modis en el monitoreo de cambios en la cobertura vegetal caso de estudio: la amazonía,...
TRANSCRIPT
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.
[email protected]@gmail.comwww.terra-i.org