Taller: Introducción a Aplicaciones de Técnicas Espaciales para la

Mi Comunidad, Nuestra Tierra: Geografía para el Desarrollo
Sostenible (MyCOE)
Taller: Introducción a Aplicaciones de Técnicas Espaciales para la
Conservación de la Biodiversidad
Universidad Tecnológica de Panamá
Ciudad de Panamá. 28 de enero a 1ro de febrero, 2008
MODULO SOBRE TELEDECCION Y ANALISIS DE CAMBIO DE USOS Y
COBERTURA DE LA TIERRA
Preparado por: Rebecca Beard, M.A.
TABLA DE CONTENIDOS
Titulo
OBJETIVOS DEL MODULO
General
Específicos
DISCUSION SOBRE LA TECNICA DE
PERCEPCION REMOTA
Base Teórica
Aplicaciones
APLICACION
Objetivo General
Datos
Programas
Instrucciones
Productos
REFERENCIAS
Página
1
1
1
2
2
8
12
12
12
13
13
25
25
1. OBJETIVOS DEL MODULO
General
Proporcionar conceptos y procedimientos básicos en el análisis espacial mediante
técnicas de percepción remota o teledetección.
Específicos
Familiarizarse con las técnicas de análisis espacial para la detección de cambios en el uso
y cobertura de la tierra, específicamente con la combinación de sensores remotos y
sistemas de información geográfica (SIG).
1
2. DISCUSION SOBRE LA TECNICA DE PERCEPCION REMOTA
Base Teórica
Teledetección o percepción remota es la técnica usada para la adquisición de datos e
información sobre algunas propiedades de un objeto por medio de un instrumento no en
contacto directo con el objeto de interés. Percepción remota es la medida de propiedades
físicas, químicas y biológicas de objetos sin el contacto directo.
•
Como trabajan los sistemas
Percepción remota es la detección y medición de energía electromagnética que
emana de objetos distantes de manera tal que el usuario puede identificar y categorizar
eses objetos en base a su clase, sustancia y distribución espacial. Los componentes
básicos de un sistema de percepción remota incluyen un módulo de adquisición de datos
y un módulo de extracción de información a partir de esos datos. El componente de
adquisición de datos involucra el diseño, construcción, calibración, evaluación y
operación de sensores. Para extraer información, los datos generados por los satélites
deben ser procesados e interpretados. Un sistema de percepción remota requiere también
de datos de campo, que contribuirán a mejorar los modelos conceptuales o específicos
que permitan interpretar los datos espectrales en términos de fenómenos biofísicos o
geográficos. Los datos corresponden a los valores medidos de un atributo por un sensor.
La información incluye una interpretación de los datos de manera tal que ahora es posible
describir un aspecto de un objeto.
Aparatos miden radiación electromagnética, acústica o campos de fuerza.
(1)
Activos: Sensores activos generan su propia energía electromagnética para
recibir posteriormente la energía del objeto de interés y as capturar sus
características de textura y espectrales.
(2)
Pasivos: Sensores pasivos dependen de la energía de radiación solar o de
la energía de radiación terrestre.
2
Percepción Remota Pasiva
Sol
Percepción Remota Activa
Procesamiento de Imágenes
RADAR
Absorción
Atmosférica
Absorción
Atmosférica
Reflectancia
Atmosférica
Reflejada
por
objetos
Emitido
por
sensor
Reflejada
por objetos
Emitido por
objetos
Figura 1. Tipos de percepción remota.
•
Reflectancia y longitudes de onda
Los distintos tipos de superficie difieren en su comportamiento espectral. Las
diferencias dependerán de una cantidad de factores ligados por un lado a las
características químicas o estructurales de las superficies. La reflectancia (i.e. radiación
reflejada/radiación incidente) de una superficie tendrá un comportamiento diferencial de
acuerdo a la longitud de onda. Consideremos tres categorías de superficie con las cuales
la radiación proveniente del sol puede interactuar: el agua, el suelo y la vegetación.
Cuando sobre un cuerpo de agua incide igual cantidad de radiación azul, verde,
roja e infrarroja (IR) observaremos que la reflectancia es pequeña en cualquiera de esas
longitudes de onda pero que es mayor en para la radiación azul que para la verde. A su
vez está última se reflejará más que la roja. La cantidad de radiación reflejada en el IR
será mínima. Este comportamiento está asociado a que buena parte de la radiación
incidente en estas longitudes de onda es transmitida y absorbida por el cuerpo de agua.
Dentro de este patrón general la reflectancia del agua se verá modificada por los
sedimentos presentes, el contenido de clorofila y la profundidad y características del
fondo. Si la misma radiación que incidía sobre el agua lo hace sobre el suelo la energía
reflejada variará en calidad respecto del incidente. Por un lado el suelo reflejará más
radiación en el visible. La reflectancia aumentará con la longitud de onda, desde el rojo
al infrarrojo. La mineralogía ejerce un fuerte control del comportamiento reflectivo de
3
los suelos. Por ejemplo, los suelos lateríticos con alto contenido de óxido férrico tienen
una mayor refelctancia en el rojo. La textura de la superficie del suelo, el contenido de
materia orgánica y de agua determinará también la reflectancia total del suelo, a mayor
rugosidad, contenido de agua sin materia orgánica más oscuro (menos reflectivo) el
suelo.
La vegetación muestra un comportamiento reflectivo particular. Por un lado
muestra un pico de reflexión en la porción verde de espectro visible, por eso vemos de
este color a la vegetación. La absorción será alta, y por lo tanto la reflectancia baja, en
las longitudes de onda correspondientes al azul y el rojo. Esto se debe a que a esas
longitudes de onda tiene su pico de absorción la clorofila. En la zona de transición entre
el visible y el infrarrojo cercano se produce un cambio muy marcado en la reflectancia de
la vegetación. En un rango pequeño de longitudes de onda (menos de 20 nm) la
reflectancia puede aumentar más de 10 veces. Si bien la magnitud puede variar, el pico
de reflectancia en el IR cercano es típico de la vegetación activa. Este comportamiento
está asociado a la estructura de las hojas, particularmente a la del mesófilo. Si bien las
plantas poseen pigmentos que absorben en estas longitudes de onda (fitocromos), estos
están involucrados en la detección de señales de baja intensidad y por lo tanto no
absorben cantidades significativas de radiación en esta porción del espectro. Además de
la cantidad y tipo de pigmentos y de la estructura foliar otros factores afectarán la
cantidad de radiación reflejada. El estado hídrico de las plantas modificará la reflectancia
en el IR medio. La presencia de una dimensión vertical en un dosel hace que otros
factores tengan influencia en la respuesta espectral de la vegetación. La arquitectura del
dosel junto con el ángulo de elevación solar modificarán la distribución de la radiación
en el dosel y por lo tanto la cantidad de radiación reflejada. La presencia de material
seca o muerta dentro del dosel modificará su comportamiento ya que parte de la
radiación será interceptada por un material con un comportamiento espectral diferente al
de las hojas verdes.
Los espectros de reflectancia brindan la posibilidad de comparar y caracterizar el
comportamiento de distintas superficies. La reflectancia es una función de la longitud de
onda. Cada superficie presentará una curva característica a partir de las cuales es posible
identificar tipos individuales. De la observación de las curvas resulta evidente que no es
posible separar simultáneamente las distintas superficies representadas usando sólo una
banda particular del espectro. Si bien es posible separar el agua del suelo o la vegetación
mediante una observación en el IR nos resulta imposible discriminar entre suelo y
vegetación en cualquier porción del espectro visible o del IR cercano. La variación
interna que muestran los suelos y la vegetación hace que en una banda del espectro
ambas superficies puedan reflejar la misma cantidad de radiación. Esto dependerá de la
cantidad de pigmentos y estructura de la hoja o del contenido hídrico y de materia
orgánica del suelo. Sin embargo sí es posible la separación si se consideran
simultáneamente más de una banda. Por ejemplo, para un mismo valor de reflectancia en
el IR cercano una superficie vegetada reflejará mucho menos en el rojo que el suelo. El
potencial de la percepción remota de la energía reflejada para discriminar superficies
deriva en buena medida del uso de varia bandas del espectro, se llama análisis
multiespectral.
4
rayos
gamma
rayos X
10-12
10-14
rayos
ultra
violeta
10-8
10-10
rayos
infrarrojos
10-4
10-6
radar
10-2
FM TV
1
onda corta
AM
102
104
Longitud de onda (metros)
Luz Visible
400
500
600
700
Longitud de onda (nanómetros)
Figura 2. Diagrama del espectro electromagnético y longitudes de onda.
visible
IR cercano
IR medio
alfalfa
hoja de arce
suelo franco seco
suelo franco humedo
agua turbia
agua clara
Porcentaje
Reflectancia
80
60
40
20
0
0-4
0-8
1-2
1-6
Longitud de onda (micrometros)
2-0
2-4
Figura 3. Ejemplos de curvas de reflectancia de distintas superficies (Paruelo, 2007).
•
Tipos de satélites
Los satélites en general se caracterizan por el tipo de resolución. La resolución
puede ser de tres tipos: espectral, temporal y espacial. La resolución espectral se refiere al
número de bandas o capas de almacenamiento de información espectral. La resolución
5
temporal se refiere al periodo de adquisición de datos del satélite. La resolución espacial
se refiere al nivel de detalle que puede ser obtenido por el satélite y generalmente se
representa mediante la dimensión del píxel. La siguiente tabla presenta los tipos de
satélites más comúnmente usados y las resoluciones de cada uno.
Tabla 1. Características de los distintos satélites.
resolución
resolución
espacial
temporal
resolución
espectral
LANDSAT
28.5 m
8 – 16 días
8 bandas
SPOT
10-20 m
10 días
4 bandas
ASTER
15 – 60 m
16 días
15 bandas
IKONOS
1–4m
5 días
4 bandas
5 días
4 bandas
8 días, 16 días
7 bandas (500 m) y
2 bandas (250 m)
QUICKBIRD 0.61 – 2.44 m
MODIS
•
250 – 1000 m
Herramientas relacionadas
Los siguientes programas son ejemplos de software gratis o freeware, desarrollados por
diferentes organizaciones para el análisis de imágenes digitales:
MultiSpec (http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/)
MultiSpec está disponible para las plataformas de Windows y Macintosh, y se
está desarrollando en la universidad de Purdue. Fue diseñado originalmente como
una herramienta de enseñanza pero ahora es utilizada por muchos usuarios de la
percepción remota. MultiSpec ofrece algunas herramientas sofisticadas de la
clasificación de imágenes.
FWTools (OpenEV) (http://openev.sourceforge.net/)
OpenEV es un programa que exhibe y analiza datos geoespaciales en formato
vector y raster. Funciona en Windows, Linux y algunas otras plataformas del
Unix, y una plataforma para Macintosh está en marcha. La actividad del
desarrollo es absolutamente activa y muchas nuevas capacidades están en marcha.
Éste es uno de los paquetes libres más ampliamente utilizados de la visualización
de imágenes remotamente adquiridas.
NASA Image2000 (http://www.ccpo.odu.edu/SEES/ocean/oc_i2k_soft.htm)
Image2000 es un paquete para el proceso de imagenes basado en Java que fue
desarrollado por la NASA. El desarrollo ha parado actualmente pero el programa
está disponible para la transferencia directa. Image2000 proporciona una amplia
gama de funciones pero se limita en que no maneja adecuadament sets grandes de
datos.
6
GRASS (http://grass.itc.it/index.php)
GRASS fue desarrollado originalmente por el Cuerpo de Ingenieros de Estados
Unidos en los años 80. GRASS es un SIG de gran alcance basado en raster con
muchas capacidades de procesamiento de imágenes. Es sobre todo un programa
de líneas de comando diseñado para funcionar en plataformas de Windows, de
Mac OSX, y de Linux. GRASS es un poco incómodo para usuarios novatos.
OSSIM (http://www.ossim.org/OSSIM/OSSIMHome.html)
OSSIM usa algoritmos, herramientas y paquetes existentes para construir una
herramienta integrada para el procesamiento de imágenes remotamente adquiridas
y análisis espacial. El equipo de desarrollo creó recientemente una interfase
gráfica para OSSIM llamado ImageLinker, que funciona en todos los sistemas
operativos importantes.
RESORTE (http://www.dpi.inpe.br/spring/)
El Instituto Nacional Para la Investigación del Espacio (INPE) de Brasil está
desarrollando RESORTE. El software puede exhibir y analizar imágenes
remotamente adquiridas, y proporciona una combinación de SIG y de capacidades
de procesamiento de imágenes. RESORTE está sobre todo disponible en español
y portugués, y funciona en las computadoras con Unix y Windows.
Los siguientes programas son ejemplos de software comerciales comúnmente usados:
ERDAS Imagine (http://gi.leica-geosystems.com/default.aspx)
Imagine es una paquete de software basado en raster, y diseñado específicamente
para extraer información de imágenes remotamente adquiridas. El programa
incluye un sistema comprensivo de herramientas para crear imágenes para la
inclusión en un SIG y actualmente ofrece la opción de crear capas de información
que pueden ser integradas en el formato Geodatabase de ESRI. La variedad de
herramientas permite que el usuario analice datos de las imágenes y los presente
en varios formatos.
Image Analysis de ArcGIS
(http://gi.leica-geosystems.com/LGISub1x41x0.aspx)
Image Analysis de ArcGIS se utiliza para preparar imágenes que pueden ser
usadas directamente en un SIG, para posteriormente analizar y extraer
información de ellas. Esta extensión de ArcGIS le permite al usuario extraer la
información actualizada de imágenes directamente en una estructura tipo
geodatabase de ESRI. Los problemas que usualmente se generan cuando se
aplican procesos de varios pasos puede ser evitados trabajando directamente con
los datos en un geodatabase. También es posible realizar clasificaciones de la
vegetación para determinar la composición y cobertura vegetal. Adicionalmente,
la detección del cambio se puede realizar en las imágenes capturadas en diversos
tiempos. Las técnicas del realce de la imagen están disponibles para, por ejemplo,
ajustar brillo y contraste.
7
TNTmips (http://www.microimages.com/)
TNTmips es un sistema del análisis geoespacial que proporciona un SIG
completo, un sistema de manejo de set de datos relacionales, un sistema
automatizado de procesamiento de imágenes con CAD, herramientas para el
modelamiento superficial, y herramientas para publicar los datos. TNTmips tiene
un solo sistema integrado con un interfaz, una funcionalidad, y una estructura de
geodatos para el uso en varios sistemas operativos.
ERMapper (http://www.ermapper.com/)
ERMapper es un paquete para el procesamiento de imágenes y para otros usos de
las ciencias de la tierra y de la percepción remota. Ha sido diseñado para
manipular sets grandes de datos de recursos naturales (e.g. datos del satélite,
geofísicos, sísmicos). Los usuarios pueden realizar integraciones complejas de
datos y operaciones complejas de proceso de imágenes, en capas múltiples.
Contiene una biblioteca de algoritmos estándares para el realce de la imagen, la
clasificación y la síntesis de los datos. ERMapper puede combinarse, acortar,
muestrear, cambia la escala y hacer mosaicos de sets múltiples de datos
automáticamente. Los datos raster se pueden cambiar a partir de una proyección
del mapa a otra. La capacidad para visualización 3D permite que los usuarios
vean datos vector y raster en 3D y obtener una mejor perspectiva de las escenas y
del sobrevuelo. Los usuarios pueden ver datos en estéreo por lentes de LCD, y
pueden generar pares estereoscópicos de papel. Se da soporte a cerca de 100
formatos para la importación y exportación de raster y vector, y hay acceso
directo a las coberturas de ARC/INFO.
IDRISI (http://www.clarklabs.org/)
IDRISI es un software integrado de SIG y de procesamiento de imágenes, que
proporciona más de 250 módulos para el análisis y exhibición de información
espacial digital. Herramientas para la planificación espacial, la toma de
decisiones, y el análisis de riesgo son incluidas junto con herramientas para la
estadística espacial, el análisis superficial, y modelamiento espacial. IDRISI se
utiliza para explorar, predecir, y modelar los impactos en cambio de la cubierta de
tierra con la utilidad del Land Change Modeler. El programa puede procesar
imágenes remotamente adquiridas con técnicas convencionales de procesamiento
de imágenes. Las herramientas para el manejo de incertidumbre se pueden
utilizar para asignar recursos y para crear mapas de factibilidad. Pares de
imágenes pueden ser comparados, y las tendencias y las anomalías pueden ser
analizadas a partir de imágenes adquiridas en periodos largos de tiempo.
Aplicaciones
•
Aplicaciones en general
Los Geógrafos usan los sensores remotos, por ejemplo, para el inventario de
recursos naturales y para la detección de cambios en la cobertura y uso del suelo.
8
Para este tipo de aplicaciones, se requiere realizar clasificaciones digitales de
imágenes satelitales en base a sistemas estándares o personalizados de
categorización.
Los Arqueólogos utilizan la percepción remota para identificar características
topográficas o arqueológicas que no se pueden detectar en fotografías
convencionales. Por ejemplo, las especies de vegetación y la estructura de
crecimiento relacionadas con las características arqueológicas enterradas se
pueden identificar y clasificar en imágenes remotamente adquiridas.
El espacio público puede ser manejado más fácilmente usando la información
adquirida remotamente para clasificar las áreas de disturbio de un sitio,
determinar los cambios en calidad del agua, cubierta de la vegetación, y
topografía. Los mapas de la detección del cambio se pueden producir para
determinar y para cuantificar cambios en disturbio, cubierta de la vegetación y en
terreno en un cierto periodo.
Los Biólogos utilizan imágenes remotamente adquiridas para identificar
biodiversidad en regiones para la conservación. El éxito de la re-vegetación en
áreas restauradas puede ser identificado, cuantificado y supervisado en un cierto
periodo. Se pueden realizar las clasificaciones de la vegetación para determinar la
cubierta y la composición del tipo de vegetación. Las áreas de pantano pueden
ser delineadas y supervisadas, y el cambio en cubierta y grado del bosque puede
ser predicho.
Los Geólogos utilizan las imágenes basadas en los satélites para identificar zonas
de fallas, estudiar la geomorfología de formas de la tierra específicas, determinar
los cambios dinámicos de los acontecimientos naturales, interpretar las
características superficiales que indican depósitos minerales, del petróleo y gas, y
del agua subterránea.
Los Hidrologos pueden desarrollar sistemas de supervisión de la calidad del agua
con imágenes de satélites identificando los sitios en donde el agua subterránea se
descarga a la superficie, y determinando el grado y la intensidad de la
contaminación del agua.
Los Científicos del suelo pueden proporcionar detalles adicionales a las
encuestas existentes sobre el suelo para delinear tipos del suelo con datos
remotamente adquiridos, y el potencial para la erosión y la deposición del suelo
puede ser modelado.
•
Aplicaciones avanzadas
Percepción remota de Marte (http://www.mars.asu.edu/)
El Sistema de Proyección de Imágenes de Emisión Termal (THEMIS en inglés)
da a científicos una vista global de Marte en las longitudes de onda visibles e
9
infrarrojas. Llevado a bordo de la nave espacial ‘Mars Odyssey’ de la NASA,
THEMIS circunda Marte una vez cada dos horas en una órbita casi polar.
Esencialmente, el planeta rojo entero pasa bajo su vista. THEMIS es una cámara
fotográfica de varias bandas que trabaja en cinco longitudes de onda visibles y
diez longitudes de onda infrarrojos. Las imágenes visibles consideran los
detalles en la superficie tan pequeña como 18 metros de ancho; las imágenes
infrarrojas pueden detectar características 100 metros a través. La cobertura
global deja a científicos investigar preguntas con respecto a los volcanes, cráteres,
dunas de arena, polvo atmosférico y cambia en los casquillos polares. Además, la
proyección de imágenes de varias bandas, que combina dos o más vistas tomadas
en diversas longitudes de onda, puede dejar a científicos estudiar las
características de los materiales superficiales a través del planeta.
Los investigadores de la Facilitadora del Vuelo Espacial de Marte en Arizona
State University están construyendo herramientas basadas en mapas para
apresurar el acceso a las imágenes y a los datos de las misiones presentes y
pasadas a Marte. Los datos ahora en el Internet incluyen imágenes del orbiters de
Viking 1 y 2, la Cámara Fotográfica Orbiter de Marte (MOC) y Sistema de la
Proyección de Imágenes de la Emisión Termal (THEMIS). Otra herramienta del
software, JMARS, es una aplicación basada en Java desarrollado en la
Facilitadora del Vuelo Espacial de Marte. Esta deja a usuarios combinar varios
sets de datos de muchas misiones e instrumentos en una sola imagen.
Análisis de textura: clasificaciones orientadas a objetos
La textura se refiere al patrón de las variaciones del brillo dentro de una imagen, e
incluye conceptos tales como uniformidad, tosquedad, regularidad, frecuencia, y
linearidades. Las diferencias en textura se pueden ilustrar por imágenes de
diversos materiales (e.g. paja, arena, tela, madera). Para describir textura, el
acercamiento estructural puede ser utilizado, que asume que las imágenes están
compuestas de los elementos primitivos repetidos en cierto patrón. Usando el
acercamiento estructural, la textura sería caracterizada describiendo la forma, el
tamaño y otras características de los elementos y de su patrón de la repetición.
Para aplicar el acercamiento estructural al patrón del paisaje, la estructura del
paisaje se describe en términos de tamaño, forma y configuración del parche
dentro de una matriz (Musick y Grover, 1991). Sin embargo, los patrones
naturales tienen a menudo ni elementos fijos obvios ni un patrón fijo de la
repetición (Nevatia, 1982). Así, la textura se puede también caracterizar por las
características estadísticas de una vecindad de pixeles. Técnicas de percepción
remota pueden ayudar a capturar la variación local de la intensidad y otras
estadísticas derivadas de distribuciones de frecuencia de los pixeles para
cuantificar las características de objetos (Woodcock y Strahler, 1987).
•
Acceso a información
Bases de datos en el internet:
10
Universidad de Maryland, Global Land Cover Facility (Facilitadora de
Cobertura Global de la Tierra) (http://glcf.umiacs.umd.edu/index.shtml)
La Facilitadora de Cobertura Global de la Tierra (GLCF en inglés) es un centro
para la ciencia de la cubierta de tierra con el enfoque en investigación usando
datos de satélites para determinar el cambio de la cubierta de tierra en sistemas
locales y globales. El GLCF desarrolla y distribuye los datos de satélites y los
productos que explican la cubierta de tierra de las escalas locales a globales. El
Interfaz de los Datos de la Ciencia de la Tierra (ESDI en ingles) es la aplicación
del Internet de GLCF para buscar y bajar datos.
Figura 4. Estas son las opciones para bajar datos de satélites (GLCF, 2007).
Si Ud. está buscando los datos de Landsat y Ud. sabe las trayectorias y las filas
para su área de interés, utilice Path/Row Search. Utilice Map Search para hacer
consultas con un mapa interactivo. Ud. debe utilizar Map Search al buscar los
mosaicos de Landsat.
Si Ud. está buscando algunos productos derivados de MODIS o AVHRR, u otros
productos particulares, utilice Product Search. Se puede hacer consultas en estos
datos a través de un interfaz simple. Este método es mucho más fácil que usando
Map Search.
Geography Network (Red de Geografía) (http://www.geographynetwork.com/)
La Red de Geografía es una red global que proporciona la infraestructura
necesitada para compartir información geográfica entre proveedores de los datos,
proveedores de servicios y usuarios alrededor del mundo. A través de la Red de
Geografía, se puede tener acceso a muchos tipos de contenido geográfico
incluyendo mapas dinámicos, datos para bajar y servicios más avanzados. La red
es manejada y mantenida por ESRI, para promover el compartido y el
descubrimiento de la información y de los servicios geográficos. La red apoya
una infraestructura de datos espaciales, y permite acceso rápido y fácil a la
información geográfica.
La Red de Geografía ofrece varias maneras de descubrir y de tener acceso a los
datos geográficos para el uso con software de SIG. Unos ciertos datos están
disponibles bajar inmediatamente o ver en el sitio de web de antemano, mientras
que otros datos se pueden bajar a otros sitios que están referidos. Los servicios
11
dinámicos del mapa que permiten la interacción directa con el contenido pueden
presentar datos en una de dos maneras: como imágenes del mapa generadas de
datos en el servidor del mapa o como características vector comprimidas fluyeron
en el software de SIG. Se puede pedir del editor los datos que están en CDs o
DVDs. También disponibles están los referidos a otros sitios de web que
proporcionan datos geográficos gratis, o permiten transferencias directas.
Land Processes Distributed Active Archive Center (Centro Distribuido de
Archivos Activos de Procesos de la Tierra)
(http://edcimswww.cr.usgs.gov/pub/imswelcome/)
El Centro Distribuido de Archivos Activos de Procesos de la Tierra fue
establecido como parte de la Sistema Para Observar la Tierra (EOS en inglés) de
NASA para procesar, archivar y distribuir datos relacionados al suelo recogió por
los sensores del EOS. El Centro procesa y distribuye los datos de Landsat 7.
Landsat 7 y el satélite Terra del EOS fueron lanzados en 1999. El satélite Aqua
fue lanzado en 2002. El sensor de Landsat 7 es el Enhanced Thematic Mapper
Plus (ETM+). El satélite Terra lleva dos sistemas de detección: el Radiómetro
Espacial Avanzado de la Emisión Termal y de la Reflexión (ASTER en inglés) y
el Radiómetro Espectro para la Proyección de Imágenes de Resolución Moderada
(MODIS en inglés). Además, el sensor de MODIS en la nave espacial Aqua
adquiere datos entregada al Centro para el almacenaje y la distribución. Muchos
productos de los datos de ASTER y de MODIS están disponibles del Centro. Los
productos de Landsat ETM+ fueron descontinuados en 2004.
3. APLICACION
Objetivo General
Realizar un análisis de cambio de cobertura y uso del suelo mediante la integración
teledetección y SIG.
Datos
Para esta aplicación se necesitan los siguientes archivos:
En formato vector: En la carpeta DATOS/SHAPEFILE
Area_de_estudio.shp
En formato raster: En la carpeta DATOS/IMÁGENES SATELITALES
p012r54_5t861031_nn1.tif.gz
p012r54_5t861031_nn2.tif.gz
p012r54_5t861031_nn3.tif.gz
p012r54_5t861031_nn4.tif.gz
p012r54_5t861031_nn5.tif.gz
p012r54_5t861031_nn7.tif.gz
p012r054_7t20020528_z17_nn10.tif.gz
p012r054_7t20020528_z17_nn20.tif.gz
p012r054_7t20020528_z17_nn30.tif.gz
12
p012r054_7t20020528_z17_nn40.tif.gz
p012r054_7t20020528_z17_nn50.tif.gz
p012r054_7t20020528_z17_nn70.tif.gz
Programas
MultiSpec (para el procesamiento de imágenes satelitales)
ArcGIS con la extensión Spatial Analyst (para el análisis de cambio de uso y cobertura
del suelo)
Instrucciones
•
Generales
En su computadora cree un directorio de trabajo. Por ejemplo:
C:\TEMP\MOD_PREMOTA
Copie los archivos especificados en la sección DATOS en ese directorio.
Copie además la carpeta PROGRAMAS/MultiSpecWin32 en ese mismo
directorio.
•
Como bajar datos de satélites del Internet
NOTA: Por motivos de tiempo los datos de satélite han sido proporcionados con
el modulo. Sin embargo, a continuación se indica el procedimiento a seguir en caso de
necesitar acceder a la fuente original para obtener otros datos.
Para bajar información satelital georeferenciada se puede ir a la siguiente página
web: http://glcfapp.umiacs.umd.edu:8080/esdi/index.jsp. Para usar un mapa interactivo,
se hace un clic en MAP SEARCH. Para hacer consultas sobre la disponibilidad de
imágenes satelitales seleccionar las opciones ETM, TM, MSS, ASTER, ETM+ mosaics,
y TM mosaics. En la sección PLACE, se escribe el lugar del que se desea obtener las
imágenes. En este caso, por ejemplo, Panama, Panama (formato País, Ciudad). Se hace
un clic con el mouse en UPDATE MAP en la parte inferior derecha de la ventana del
mapa para obtener la información más actual del mapa, y después se hace un clic en
PREVIEW & DOWNLOAD para que el buscador encuentre los tipos de imágenes
disponibles:
13
En la siguiente ventana aparecen las imágenes disponibles para la zona, las fechas
de adquisición, y los formatos de las mismas. Para este ejercicio, se seleccionaron las
imágenes con identificadores 018-313 y 042-551 con fechas 1986-10-31 y 2002-05-28,
en formato GeoTIFF. En la práctica, para bajar las imágenes del servidor se pulsa
DOWNLOAD.
En la siguiente página se seleccionan las bandas de la imagen. Por ejemplo, para
la imagen con identificador 018-313, Path 12 y Row 54 (sistema utilizado por Landsat
para organizar el espacio terrestre para la toma de imágenes) se encuentran varios
archivos. Los archivos con terminación .nnx.tif.gz son los que contienen las bandas de la
imagen. Para este ejercicio, se seleccionaron las bandas 1 a 7 con excepción de la 6 ya
que es una banda termal con diferente resolución que generalmente no se usa en
clasificaciones para uso y cobertura del suelo.
14
Por asunto de tiempo, los archivos con la información espectral de las dos
imágenes se han proporcionado con el modulo.
•
Como componer una imagen satelital
Es necesario unificar todas las bandas en un solo archivo para realizar la
clasificación temática. Para esto,
• Abrir los archivos correspondientes a las bandas 1 a 7 de la primera imagen en
ArcGIS. No es necesario crear pirámides en ninguno de los archivos.
•
Activar ArcToolBox.
15
• En DATA MANAGEMENT TOOLS, desplegar las opciones en RASTER y
hacer doble clic en COMPOSITE BANDS.
• En la opción INPUT RASTERS seleccionar, del menú desplegado, de una en
una las bandas de la imagen, desde la uno hasta la siete.
• Especificar un nombre de salida para la primera imagen compuesta, por
ejemplo: P12R54_1986.TIF. Es necesario especificar la extensión TIF del
archivo ya que si no se creara un raster en formato GRID de ArcGIS.
• Ir a ENVIRONMENT SETTINGS en la parte inferior derecha de la ventana y
en el menú GENERAL SETTINGS EXTENT seleccionar nuevamente el
archivo Area_de_estudio.shp para fijar las coordenadas del área de estudio. Esta
acción nos deja cortar la imagen compuesta, para tener una imagen solo del área
del Parque Natural Metropolitano de Panamá.
• En la sección RASTER ANALYSIS SETTINGS MASK especificar
Area_de_estudio.shp como máscara. Esto ajusta el área de análisis a la forma del
16
área de estudio. Así recortaremos la imagen para analizar únicamente el área de
estudio.
• Hacer clic en OK.
• Repetir el mismo procedimiento para componer y cortar la segunda imagen.
•
Clasificación digital
Dos tipos de clasificaciones de imágenes satelitales son las más usadas
comúnmente y se encuentran implementadas en programas computacionales accesibles al
público en general. Esas clasificaciones son supervisadas y no supervisadas.
En una clasificación supervisada, la identidad y ubicación de algunos de los tipos
de cobertura del suelo (e.g. agricultura, urbano, humedal) son conocidos de antemano a
través de trabajo de campo, análisis de fotos aéreas, o experiencia personal (Mausel et al.,
1990). En una clasificación no supervisada, la identidad de tipos de cobertura a ser
clasificados no es conocida de antemano ya que no se tiene datos de control de campo.
En este caso, la computadora necesita agrupar píxeles con características similares en
grupos o clusters únicos de acuerdo con criterios determinados estadísticamente (Jahne,
1991). El analista combina y reclasifica los grupos estadísticos en asociaciones de
pixeles que representen la realidad del paisaje. Para esto es necesario tener un esquema
lógico de clasificación que contenga definiciones taxonómicas correctas de las clases de
información, que están organizadas de acuerdo a criterios lógicos. Por ejemplo, el U.S.
Geological Survey (USGS) utiliza un esquema de clasificación orientado en la cobertura
del suelo para el mapeo del territorio mediante el uso de imágenes satelitales. Ya que el
territorio de los E.E.U.U. es tan extenso, la colección de datos in situ es inadecuada. En
su lugar, la teledetección se usa para la colección de información en la cual se base el
sistema de clasificación. Otros esquemas se enfocan específicamente en el uso del suelo,
por ejemplo el Manual de Codificación Standard de Uso del Suelo (SLUC en inglés).
Este manual se basa en observaciones in situ.
Uno de los algoritmos de clasificación no supervisada más usados se denomina
ISODATA, que es el acrónimo de las palabras en inglés Iterative Self-Organizing Data
Analysis Technique (Tou y Gonzalez, 1974). Este método utiliza las distancias
espectrales en el set de datos e iterativamente clasifica los pixeles, redefine los criterios
en cada clase, y clasifica los pixeles nuevamente. Así, los patrones de distancia espectral
en los datos emergen gradualmente.
Para realizar una clasificación mediante ISODATA, generalmente se especifican
los siguientes parámetros:
N: El máximo número de clases a ser consideradas. Debido a que cada cluster es
la base para una clase, este número se convierte en el máximo número de clases a
ser extraído. El proceso de ISODATA comienza por determinar un número N
arbitrario de clusters. Algunos clusters con muy pocos pixeles pueden ser
eliminados, dejando por consiguiente menos que N clusters en la clasificación
final.
17
T: Un valor de convergencia, que es el máximo porcentaje de pixeles a cuyos
valores de clase se les permite permanecer sin cambios entre iteraciones.
M: El máximo número de iteraciones a realizarse. En algunos programas sin
embargo este parámetro se suprime cuando el número de clases es el que
determina el fin del proceso iterativo.
•
En MultiSpec
En MultiSpec realizaremos la clasificación digital de las imágenes
correspondientes a la zona del Parque Natural Metropolitano de la ciudad de Panamá para
el período de estudio 1986-2002. El tipo de clasificación digital es no supervisada y
usaremos el algoritmo ISODATA para la determinación de grupos espectrales o Clusters.
Estos grupos se definen con un algoritmo que comúnmente usa todos o varios pixeles
para su análisis al inicio del proceso de clasificación.
Para correr el programa MultiSpec dirigirse a la carpeta MultiSpecWin32 dentro
de PROGRAMAS y hacer doble clic en MultiSpec.exe.
• En MultiSpec ir al menú FILE y seleccionar OPEN IMAGE.
• Abrir la imagen correspondiente al primer año de la serie (i.e. 1986).
• En la sección CHANNELS seleccionar las bandas de la imagen
correspondientes a los respectivos cañones de color Rojo (RED = 5), Verde
(GREEN = 4) y Azul (BLUE = 3). No es necesario modificar el resto de las
opciones.
• En el menú PROCESSOR seleccionar la opción CLUSTER.
• En la ventana SET CLUSTER SPECIFICATIONS seleccionar ISODATA.
• En la ventana que aparece después, SET ISODATA CLUSTER
SPECIFICATIONS, especificar el número de clases (30), el porcentaje de
18
convergencia (98), y el tamaño mínimo de un cluster (7 píxeles) y hacer clic en
OK.
• En la ventana SET CLUSTER SPECIFICATIONS seleccionar las opciones:
IMAGE AREA: Para visualizar el proceso iterativo de clasificación.
TEXT WINDOW: Para obtener un reporte estadístico de la clasificación.
CLUSTER MASK FILE: Para generar un nuevo raster con la clasificación
temática.
IMAGE WINDOW OVERLAY: Para obtener el raster final de clasificación
en la pantalla.
• Hacer clic en OK. El proceso iterativo se inicia y es posible visualizar la
clasificación al final de cada iteración. Una vez que se han obtenido N clases (30
en este ejercicio), se crea un raster temático con la clasificación final.
• El nombre del nuevo raster será P012R54_1986_clMask.gis. Este archivo
con la extensión .GIS se puede leer directamente en ArcGIS.
• Cerrar las ventanas con las imágenes. No es necesario guardar el proyecto
antes de cerrar.
• Realizar el mismo procedimiento con la otra imagen. Se puede cerrar
MultiSpec.
•
Análisis visual y reclasificación
En ArcGIS agruparemos las clases obtenidas en MultiSpec en categorías
funcionales que representen tipos de uso y cobertura del suelo reales. Es decir, de las 30
clases obtenidas en MultiSpec, se procederá a combinarlas para obtener 4 o 5 que sean
representativas del sitio de estudio y evitar redundancia de información. Este
procedimiento es necesario ya que dos o más categorías de la clasificación original
pueden estar representando un mismo tipo de uso o cobertura en la realidad. Para esto, se
necesita reagrupar las clasificaciones originales para cada año y crear rasters con el nuevo
número de categorías.
19
En este ejercicio usaremos únicamente 5 clases generales con los siguientes
identificadores:
Tabla 2. Números de identificación de los tipos de uso y cobertura del suelo.
Tipo de uso o cobertura del suelo
Identificador
numérico
Nubes y Sombras
1
Cuerpos de agua (ríos, mar, lagos)
2
Zona urbana
3
Zona agrícola
4
Zona de vegetación natural
5
•
•
•
•
Abrir el archivo con extensión GIS y la imagen original para el año 1986.
En la tabla de contenidos de ArcGIS, ubicar el raster temático sobre la imagen
original.
Activar la barra de herramientas denominada EFFECTS que se encuentra en el
menú VIEW, en la sección TOOLBARS.
En la opción LAYER de la barra, seleccionar el raster con la clasificación
temática. Seleccionar a continuación la herramienta SWIPE LAYER que se
indica a continuación:
Esta herramienta permite visualizar ambas imágenes interactivamente. Colocar el
cursor encima de las imágenes y moverlo en algún sentido presionando el botón
izquierdo del mouse. Esto nos permite visualizar la imagen satelital para determinar
visualmente una nueva clase.
20
El siguiente procedimiento requiere la interacción constante entre el interpretador y la
computadora. La clasificación final dependerá principalmente de la experiencia del
interpretador.
•
•
•
•
•
•
•
Hacer un acercamiento (zoom) hacia alguna zona de interés y con la herramienta
SWIPE LAYER mover el mouse para visualizar la clasificación y la imagen
satelital.
Con la herramienta IDENTIFY (i) hacer clic en los pixeles de la clasificación para
obtener el número de cluster correspondiente a un tipo de uso o cobertura. Es
importante recalcar que cada tipo de cobertura tendrá varios valores de píxeles.
En una hoja de papel escribir las clases que correspondan a un mismo tipo de
uso/cobertura. Por ejemplo:
Valor 20, Valor 22, Valor 24, Valor 26 => Cuerpos de agua
Valor 1, Valor 2, Valor 3, Valor 5 => Nubes
Valor 14, Valor 16, Valor 18 => Zona urbana
Etc.
La reclasificación del raster original se realiza mediante la opción RECLASSIFY
que se encuentra en la extensión SPATIAL ANALYST.
En la opción INPUT RASTER se selecciona el raster con la clasificación original.
En la opción RECLASS FIELD se especifica “Value” (generalmente está dado
por default).
En la sección SET VALUES TO RECLASSIFY se encuentran dos columnas. La
columna OLD VALUES se refiere al valor original de los clusters de la
clasificación. La columna NEW VALUES se refiere al nuevo valor que
adoptarán los pixeles de esos clusters. Para esto, se hace un clic con el botón
izquierdo del mouse en cada línea que pertenezca a un mismo tipo de cobertura, al
mismo tiempo que se presiona la tecla CTRL. Se hace un clic derecho en las
líneas seleccionadas y se selecciona GROUP ENTRIES para agrupar los valores
pertenecientes a un mismo tipo de cobertura. Esto se hace para cada categoría.
En la columna NEW VALUES se especifica el nuevo valor de los pixeles
pertenecientes a la nueva categoría (véase la Tabla 2 para los nuevos
identificadores numéricos). En el siguiente grafico, por ejemplo, los pixeles de
los clusters 0, 1, 2, 3, y 4 se reclasificarán con un nuevo valor.
21
El siguiente grafico indica que los clusters 0, 1, 2, 3 y 4 se reclasificarán con un nuevo
valor de 1. Los clusters 5, 6, 7, y 8 con un valor de 2, etc.
•
•
•
En OUTPUT RASTER especificar el nuevo nombre del raster con la
reclasificación para el año 1986, por ejemplo, REC_1986.
Realizar el mismo procedimiento con la clasificación perteneciente año 2002.
Nombrar el nuevo raster REC_2002. NOTA: Hay que recordar que solamente
existirán 5 categorías en los raster finales.
Análisis de cambio de uso y cobertura del suelo
Para realizar el análisis de cambio de uso y cobertura del suelo en el período de
estudio se usan las reclasificaciones finales de los años de interés. Para esto, es
necesario utilizar un procedimiento que nos permita obtener numéricamente todas las
posibles combinaciones de clases que resultarían de la súper imposición de las
reclasificaciones de los años de interés. Una opción practica es utilizar Algebra de
Mapas para obtener esta combinación.
22
Ya que los DOS nuevos rasters reclasificados contienen los mismos valores para
las respectivas clases (i.e. de 1 a 5), es necesario realizar alguna operación matemática
para obtener todos los cambios posibles. Es decir, se necesita obtener nuevas categorías
o valores que nos indiquen cuales son las áreas pasaron de Vegetación Natural a Zona
Urbana., de Zona Agrícola a Zona Urbana, de Zona Urbana a Vegetación Natural, etc.
Una forma sencilla para obtener la nueva combinación de clases es multiplicando
el raster perteneciente al primer año por un valor constante, por ejemplo, 100. Así, las
clases se convertirán en 100, 200, 300, 400, y 500. Seguidamente se puede sumar el
segundo raster reclasificado.
De esta forma se obtienen todas las posibles
combinaciones. El siguiente ejemplo muestra dos clasificaciones (AÑO 1 y AÑO 2) y la
combinación de ambos raster en un nuevo mapa llamado CAMBIOS.
En el nuevo mapa de cambios, los valores de los píxeles representan las
transiciones de una clase a otra. Por ejemplo, si los valores 4 y 400 representan Zona
Agrícola y en el mapa de cambios se encuentra el valor 404, lógicamente significa que
esas áreas no han sufrido cambios. Es decir, aquellas zonas se mantuvieron como área
agrícola en el año 1 y año 2. En el caso de las celdas con valor 403, quiere decir que esas
áreas pasaron de zona agrícola en el año1 a zona urbana en el año 2. En el caso de las
celdas con valor 503, quiere decir que la zona urbana creció en la zona de vegetación
natural, etc.
• Abrir en ArcGIS únicamente los archivos raster reclasificados con los valores de
1 a 5.
• En el menú desplegable SPATIAL ANALYST seleccionar la opción RASTER
CALCULATOR.
23
•
En la ventana de texto ingresar la expresión
[REC_1986] * 100 + [REC_2002]
Así:
•
En la tabla de contenidos en ArcGIS hacer clic derecho en Calculation (el
resultado de la operación) e ir a DATA MAKE PERMANENT. Ubicar el
directorio de trabajo y grabar el resultado con el nombre CAMBIO_86_02.
Este nuevo mapa representa el mapa de cambios de uso y cobertura del suelo para
el período 1986-2002. Es posible hacer consultas a la tabla de atributos para obtener
áreas y estadísticas de que cambió a que en ese período. Esto sin embargo puede tomar
algún tiempo hasta tabular los datos obtenidos en forma casi manual. Una forma más
eficiente es realizar una tabulación automática directamente en ArcGIS.
•
•
•
•
•
•
•
En ArcToolBox ir a SPATIAL ANALYST TOOLS ZONAL y seleccionar
TABULATE AREAS.
En la sección INPUT RASTER OR FEATURE ZONE DATA seleccionar el
archivo reclasificado en las cinco clases para el primer año (1986). Las categorías
de este mapa serán tabuladas en las filas de la tabla (valores horizontales).
En ZONE FIELD especificar Value.
En la sección INPUT RASTER OR FETURE CLASS DATA seleccionar el mapa
reclasificado en las cinco clases para el segundo año (2002). Las categorías de
este mapa serán tabuladas en las columnas de la tabla (valores verticales).
En CLASS FIELD especificar Value.
Especificar un nombre para la nueva tabla en OUTPUT TABLE. Guardarla en el
directorio de trabajo.
En PROCESSING CELL SIZE especificar 28.5 ya que este es el tamaño del píxel
de las imágenes satelitales originales y de los raster derivados.
24
•
Hacer clic en OK.
El resultado es una tabla de contingencia con valores en unidades de superficie
(m ). Esta tabla es añadida a la tabla de contenidos automáticamente. Para abrir la tabla
es necesario cambiar la tabla de contenidos de DISPLAY a SOURCE haciendo un clic
en SOURCE:
2
Una vez hecho este cambio se podrá observar la tabulación en la tabla de
contenidos.
• Hacer clic derecho en el nombre de la tabla y seleccionar OPEN para abrirla.
Productos
Los productos finales de esta aplicación son dos:
• Un mapa de final de cambios de uso y cobertura del suelo con una leyenda simple
indicando las transiciones entre los dos períodos.
• Una tabla de de contingencia indicando los valores en unidades de superficie de los
cambios de uso y cobertura del suelo y sus respectivos porcentajes en el período de
estudio. Esta tabla puede ser elaborada en EXCEL.
REFERENCIAS
Jähne, B. 1991. Digital Image Processing: Concepts, Algorithms, and Scientific
Applications. Berlin: Springer-Verlag.
Mausel, P.V., W.J. Kramber, and J.K. Lee. 1990. Optimum Band Selection for
Supervised Classification of Multi spectral Data. Photogrammetric Engineering and
Remote Sensing 56 (1):55-60.
Musick, H.B. and H.D. Grover. 1991. Image textural measures as indices of landscape
pattern. In: Turner, M. & R. Gardner (Hrsg.): Quantitative methods in landscape
ecology 77-103.
Nevatia, R. 1982. Machine Perception. Englewood Cliffs, New Jersey: Prentice Hall.
Paruelo, J.M. 2007. Cartografía, Sistemas de Información Geográficos y Teledetección:
Principios Básicos de Percepción Remota.
http://www.ifeva.edu.ar/~paruelo/SIG/Cap_PBPR.pdf.
Satellite Imaging Corporation. 2001-2007. Characterization of Satellite Remote Sensing
Systems. http://www.satimagingcorp.com.
Tou, J.T., and R.C. Gonzalez. 1974. Pattern Recognition Principles. Reading,
Massachusetts: Addison-Wesley Publishing Company.
25
U.S. Department of the Interior, U.S. Geological Survey. 2007. Landsat Project.
http://landsat.usgs.gov/index.php.
Woodcock, C.E. and A.H. Strahler. 1987. The factor of scale in remote sensing. Remote
Sensing of Environment 21:311-32.
26