Contrato de la Autoridad Portuaria de Sevilla con el Consejo Superior de Investigaciones Científicas PROPUESTA METODOLÓGICA PARA DIAGNOSTICAR Y PRONOSTICAR LAS CONSECUENCIAS DE LAS ACTUACIONES HUMANAS EN EL ESTUARIO DEL GUADALQUIVIR Informe Final 13 de Enero de 2010 Capítulo 14: Análisis histórico de los patrones superficiales de turbidez, temperatura y clorofila del curso bajo del río Guadalquivir desde 1984 a 2009 Realizado por: Grupo de investigación de la Estación Biológica de Doñana (EBD-CSIC) Coordinado por: Dpto. Ecología y Gestión Costera (ICMAN-CSIC) Antecedentes El 24 de Mayo de 2007 se firmó el contrato de adjudicación del procedimiento negociado sin publicidad entre la Autoridad Portuaria de Sevilla y el Consejo Superior de Investigaciones Científicas para el estudio titulado “PROPUESTA METODOLÓGICA PARA DIAGNOSTICAR Y PRONOSTICAR LAS CONSECUENCIAS DE LAS ACTUACIONES HUMANAS EN EL ESTUARIO DEL GUADALQUIVIR” cuya coordinación es realizada por el Departamento de Ecología y Gestión Costera del Instituto de Ciencias Marinas de Andalucia (ICMAN-CSIC). El presente informe se corresponde con el Informe Parcial del Subproyecto: “Análisis histórico de los patrones superficiales de turbidez, temperatura y clorofila del curso bajo del río Guadalquivir desde 1985 a 2009”, el cual ha sido elaborado por Javier Bustamante, Jordi Figuerola, Ricardo Díaz-Delgado, David Aragonés, Carlos Rodríguez, Iban Ameztoy, Carlos Florencio y Jorge Piñeiro (EBD) y Javier Seoane (UAM) bajo la dirección de Javier Bustamante, pertenecientes al grupo de trabajo de la Estación Biológica de Doñana, CSIC, y completa el desarrollo de las actividades correspondientes a las tareas Nº 3: "Cartografía Predictiva", Nº 4 "Análisis de Correlación" y Nº 11: "Informe Final". El objetivo general del estudio consiste en establecer un modelo de funcionamiento del estuario del río Guadalquivir global en el espacio y evolutivo en el tiempo que: (1) contenga los elementos necesarios para diagnosticar la situación actual de este ecosistema como resultado de los cambios naturales y los impactos de la actividad humana acumulados en el tiempo, (2) que incorpore los elementos necesarios para acotar la incertidumbre en el pronóstico de su evolución tanto por los procesos naturales como por las actividades del hombre (navegación, agricultura, urbanismo, acuicultura, ...) que ocurren en su entorno, y (3) que analice las funciones ecológicas de este ecosistema singular a escalas espaciales y temporales que incluyan su interacción con la plataforma continental suratlántica de Andalucía (especialmente la adyacente al Parque Nacional de Doñana) y sus escenarios de evolución futura en el contexto de cambio global. El objetivo del presente subproyecto consiste en reconstruir los niveles de turbidez, temperatura y clorofila superficial del río, desde la ciudad de Sevilla hasta su desembocadura. Para ello se utilizán las imágenes de satélite Landsat TM y ETM+ disponibles en el Banco de Imágenes del Laboratorio de SIG y Teledetección de la Estación Biológica de Doñana. 2 En informes anteriores se hacía referencia a las imágenes útiles (sin nubes u otros problemas de índole geométrica o radiométrica) de los sensores TM y ETM+ de la serie histórica para el periodo establecido, las metodologías llevadas a cabo en el cálculo de los diferentes parámetros de interés, etc. El informe actual aglutina todos los pasos seguidos y los resultados finales correspondientes al subproyecto: Generación de la cartografía de turbidez y de cartografía de temperatura superficial del agua del río Guadalquivir, junto a un apartado correspondiente al cálculo de clorofila y los problemas encontrados para realizar una cartografía usando datos de teledetección. Sumario Ejecutivo El objetivo de este informe final consiste en exponer todos aquellos pasos seguidos para el cálculo de los parámetros de interés; turbidez, clorofila y temperatura superficial del agua del río Guadalquivir desde su desembocadura hasta la Presa de Alcalá, así como presentar los resultados finales en forma de anexos cartográficos. Se han procesado, para la escena de interés, las 265 imágenes disponibles en el banco de imágenes del "Laboratorio de SIG y Teledetección de la EBD" de las que finalmente se han usado 209 en el caso de la turbidez calculada en NTUs (Unidades Nefelométricas de Turbidez), 217 imágenes para el cálculo de Sólidos en Suspensión (mg/l) y 92 para el cálculo de la Temperatura superficial del Agua (ºC). Por último se hace referencia a la integración de los datos (originales, intermedios y finales) en un entorno SIG con el propósito de diseñar un método por el cual se facilite la organización, el análisis y la interpretación de los datos. . 3 4 Índice Antecedentes .....................................................................................................2 Sumario Ejecutivo .............................................................................................3 Índice ................................................................................................................5 Índice de Figuras ...............................................................................................7 Índice de Tablas .............................................................................................. 11 Capítulo 1. Introducción .................................................................................. 13 Capítulo 2. Metodología .................................................................................. 15 2.1. Fuentes de datos ....................................................................................... 16 2.1.1. Fuentes de imágenes de satélite Landsat ..............................................16 2.1.2. Fuentes de imágenes de satélite MODIS ..............................................22 2.1.3. Información disponible sobre turbidez— Verdad Terreno ......................25 2.2. Preprocesado, corrección de imágenes ....................................................... 32 2.2.1. Corrección geométrica (Método tradicional y semi-automático) ...........32 2.2.2. Corrección radiométrica .......................................................................40 2.2.3. Normalización.......................................................................................43 2.3. Creación de capas. .................................................................................... 48 2.3.1. Máscara de agua para el río..................................................................48 2.3.2. Vector para la obtención de datos y perfiles longitudinales. .................50 2.4. Modelos de turbidez y su aplicación .......................................................... 52 2.4.1. El modelo inicial ...................................................................................53 2.4.2. Reajuste del Modelo .............................................................................57 2.4.3. Aplicación del modelo...........................................................................66 2.5. Cartografía de concentración de clorofila A............................................... 67 2.5.1. Antecedentes ........................................................................................67 2.5.2. Datos verdad terreno disponibles..........................................................71 5 2.5.3. Análisis prospectivo de la utilidad de las escenas Landsat en la cuantificación de la concentración de clorofila A............................................73 2.6. Obtención de Temperatura de Superficie Terrestre ................................... 75 2.6.1. 2.6.2. 2.6.3. 2.6.4. 2.6.5. Obtención de radiancias .......................................................................76 Procesado de las imágenes MODIS TERRA de vapor de agua.............77 Emisividad de la cubierta .....................................................................79 Algoritmo de obtención de la temperatura superficial ..........................80 Obtención de Temperatura de Superficie del Agua ..............................82 2.7. Integración de los datos en entornos SIG, elaboración de gráficas y cartografía ....................................................................................................... 86 Capítulo 3. Resultados y discusión................................................................... 90 3.1. Turbidez y Sólidos en Suspensión.............................................................. 90 3.2. Clorofila A ................................................................................................ 94 3.3. Temperatura ............................................................................................. 96 Conclusiones .................................................................................................. 102 Bibliografía.................................................................................................... 104 Anejo I. Cartografía de Sólidos en Suspensión (mg/l) .................................... 108 Anejo II. Cartografía de Turbidez (NTU) ...................................................... 108 Anejo III. Cartografía de Temperatura del Agua (ºC)................................... 108 Anejo IV. Producto cartográfico tipo de turbidez del río ............................... 109 Anejo V. Lista de símbolos ............................................................................ 119 Anejo VI. Código IDL para el procesamiento de las imágenes MODIS TERRA (MOD05)....................................................................................................... 120 6 Índice de Figuras Figura 1. Esquema de procesado. Metodología seguida para los tres grupos de procesos ......................................................................................................15 Figura 2. Número de imágenes disponibles en el Banco de Imágenes del LAST 20 Figura 3. Embarcaciones de Vigilancia y Control de la calidad de las Aguas. Fuente: Consejería de Medio Ambiente......................................................29 Figura 4. Puntos de Muestreo de los Barcos de Vigilancia. Tramo de influencia mareal del Río Guadalquivir ......................................................................30 Figura 5. Configuración de los parámetros del módulo AutoSync (Opciones generales)....................................................................................................36 Figura 6. Configuración de los parámetros del módulo AutoSync (ERDAS Imagine) Opciones Avanzadas ....................................................................37 Figura 7. Número de puntos de control intermedio (rojo) y finales (verde), para un “set” de 75 imágenes .............................................................................38 Figura 8. Comparación de los RMS (en píxeles) de los puntos de control intermedios (sin filtrar) y finales (filtrados). ..............................................39 Figura 9. En azul; RMS en metros de cada punto de test independiente. En rojo RMSE en metros para todas las imágenes testadas (6 per. Med.Móv.) ......40 Figura 10. Regresión lineal de píxeles de áreas invariantes entre la fecha de referencia y la imagen por normalizar. Los pixeles a lo largo de la linea de regresión son aquellos que no van variado sus reflectancias entre las dos fechas..........................................................................................................44 Figura 11. Ejemplo de máscara de nubes creada en el proceso de normalización. ...................................................................................................................47 Figura 12. Ejemplo de selección de polígonos pseudo-invariantes en arenas y zonas de pinar usados en la normalización de las imágenes........................48 Figura 13. Máscara de agua creada para su aplicación en los procesos de obtención de cartografía de turbidez y temperatura superficial..................49 Figura 14. Vector de puntos y líneas creados sobre la máscara del río para la obtención de datos y perfiles de turbidez y temperatura. ...........................51 Figura 15. Red de Monitorización de Variables Ambientales (ICMAN) ............52 7 Figura 16. Efecto parcial de los predictores en la estima de la turbidez de la masa de agua en una zona inundada de la marisma. B3.R y B5.R están medidas en reflectancias .............................................................................53 Figura 17. Efecto parcial de la variable predictora B3 (rojo) en la turbidez del río. B3.N está en valores digitales ..............................................................56 Figura 18. Efecto de trasladar el modelo basado en la banda 3 del río (derecha)a la marisma (izquierda). El recuadro rojo indica puntos con turbidez elevada en la marisma; pero baja reflectancia en la B3 (posiblemnete por presencia de vegetación) y mal perdichos (subestimados) por el modelo. El recuadro azul indica puntos con alta reflectividad en la B3; pero cuya turbidez sería sobreestimada por éste modelo. ..................................................................56 Figura 19. Distribución temporal de los valores de turbidez utilizados para ajustar el modelo. Las medidas durante 2008-2009 son las tomadas a lo largo de este proyecto.................................................................................59 Figura 20. Valor de peso dado a cada observación en el modelo en fundión de la diferencia temporal entre la medida en campo y la adquisición de la imagen por parte del satélite. .................................................................................60 Figura 21. Contribución parcial de los predoctores al modelo GAM final resultante para la turbidez del río Guadalquivir mediante el procedimiento de selección de predoctores por pasos. ........................................................61 Figura 22. Contribución parcial de los predoctores en el modelo final resultante para la turbidez del río Guadalquivir. Los splines para las Bandas 2 y 4 se han sustituido por polinomios.....................................................................63 Figura 23. Contribución parcial de los predoctores en el modelo final resultante para sólidos en suspensión en el río Guadalquivir. El spline para la Banda 3 se ha sustituido por un polinomio de tercer grado......................................66 Figura 24. Diferencias en la respuesta espectral de muestras de agua con diferentes concentraciones de clorofila A y superposición de las 3 bandas del visible (azul, verde y rojo) de los sensores TM y ETM+. Modificado de Mayo et al. 1995.........................................................................................69 Figura 25. Relación entre los valores de concentración de clorofila A y la profundidad de lectura del disco de Secchi (extraído de Doña et al. 2009). Nótese que a partir de determinada profundidad del disco de Secchi las concentraciones de clorofila A se reducen extraordinariamente. .................70 Figura 26. Ejemplo de oscilación diaria de fluorescencia registrada por las sonda instalada en la boya nº9 (Punta de los Cepillos). ......................................72 Figura 27. Relación entre los valores de turbidez y de [Cla] en las muestras medidas mediante la multisonda por el LAST-EBD a lo largo del río. Nótese la existencia de cierto umbral en torno a 2000 NTUs. ....................75 8 Figura 28. Esquema de procesado Temperatura para la obtención de temperaturas de superficie del río...............................................................76 Figura 29. Imagen Landsat TM banda 6 (10.4-12.5m) corregida geométricamente y en DNs - 08/06/2008 ...................................................77 Figura 30. Producto MODIS TERRA — Vapor de agua IR cercano (MOD05) — Tile h17,v5 .................................................................................................79 Figura 31. Producto MODIS TERRA procesado - Vapor de agua IR cercano (MOD05) ....................................................................................................79 Figura 32. Capa de emisividad de valor constante para las masas de agua; 0.99 ...................................................................................................................80 Figura 33. Ejemplo de Temperatura del Agua en ºC — 03/08/2003. Disponible en Anexo Cartográfico III...........................................................................85 Figura 34. Ejemplo de integración de los datos en entorno SIG ........................87 Figura 35. Ejemplo del gradiente espacial de turbidez a lo largo del recorrido del río incluido en la cartografía final. Unidades Nefelométricas de Turbidez (Ln NTU) 11/08/2008................................................................................87 Figura 36. Diferentes zonas en las que se ha dividido el río para su mejor visualización cartográfica............................................................................88 Figura 37. Turbidez media (NTU) del río calculada para cada fecha disponible. Las tramas en el eje X corresponden al mes de Junio. Los espacios en blanco indican falta de imágenes. ...............................................................91 Figura 38. Turbidez media del río por mes de la serie temporal Landsat para la serie histórica (1984-2009) ..........................................................................92 Figura 39. Precipitación media mensual (ml) coincidente con el periodo estudiado (1984-2009). Fuente: CMA-JA ...................................................92 Figura 40. Ejemplos de la evolución espacial de turbidez (NTU) para diferentes fechas entre Diciembre y Febrero, frente al promedio de toda la serie (rojo) y el promedio para los meses lluviosos........................................................93 Figura 41. Promedio de la evolución espacial de la Turbidez (NTU) para toda la serie temporal, 1984-2009 ...........................................................................93 Figura 42. Cartografía de [Cla] en el río y el mar del día 22 de febrero de 2002 estimada mediante el modelo prospectivo...................................................94 Figura 43. Valores promedio ± desviación estándar de [Cla] de la serie histórica de imágenes Landsat 1984-2004 en cada una de las boyas de la red del ICMAN.......................................................................................................95 Figura 44. Representación de las temperaturas (ºC) según el mes ....................97 Figura 45. Temperatura media por mes en grados centígrados..........................98 9 Figura 46. Temperatura media (ºC) del río calculada para cada fecha disponible. Los espacios en blanco indican falta de imágenes. Línea; Media Móvil per. 4 ................................................................................................98 Figura 47. Promedio espacial de la temperatura en grados centígrados.............99 Figura 48. Ejemplo de anomalías en algunos puntos del perfil longitudinal del río debidas al problema de bandeado de las imágenes de satélite Landsat 7 (ETM+) ................................................................................................... 100 Figura 49. Imagen y gráfico afectado por la presencia de nubes en el tramo que va desde la desembocadura hasta B-28..................................................... 101 10 Índice de Tablas Tabla 1. Características de las misiones y sensores Landsat ..............................19 Tabla 2. Fecha de las imágenes Landsat del área de estudio hasta 1 diciembre 2009. ...........................................................................................................21 Tabla 3. Relación de imágenes Landsat y TERRA MODIS Level 2 Water Vapour product obtenidas para su uso en el cálculo de la TST .................25 Tabla 4. Muestreos de campo realizados de manera simultánea con el paso de Landsat 5 y 7. ............................................................................................27 Tabla 5. Fechas en las que el LAST-EBD obtuvo muestras de turbidez para su posterior medición en Laboratorio ..............................................................29 Tabla 6. Algunos de los puntos de muestreo utilizados para extracción de datos de Turbidez (NTU) y Sólidos en Suspensión (mg/l). Coordenadas en UTM. ...................................................................................................................31 Tabla 7. Ejemplo extraído de los datos disponibles de la Consejería de Medio Ambiente de la Junta de Andalucía ...........................................................31 Tabla 8. 1 Selección de áreas pseudo-invariantes: Se han seleccionado un total de 80 polígonos distintos distribuidos por toda la imagen que pertenecen a 9 tipos de superficies. En total suponen 60561 píxeles distribuidos de la siguiente manera:........................................................................................46 Tabla 9. También se ha generado una segunda máscara que difiere en los polígonos de mar y embalses y que es más equilibrada. Esta tiene 11363 píxeles.........................................................................................................46 Tabla 10. Ejemplo de “Cruce de datos” para una fecha determinada................58 Tabla 11. Fechas disponibles con adquisición de escenas Landsat y datos procedentes de la multisonda obtenidos a lo largo de los transectos a bordo del AMA VI. Nótese que solo una de esas fechas coincide en ambos casos.71 Tabla 12. Cruce de datos válidos entre muestreos de la CMA y escenas Landsat disponibles. La concentración de clorofila A (CLA) se indica en mg/m3. Se indica también la diferencia en días entre la toma de muestras y la adquisición de la imagen.............................................................................73 Tabla 13. Relación de índices y cocientes testados para valorar la estimación de clorofila A mediante imágenes Landsat. La notación ρ alude a los valores de reflectividad de las bandas espectrales de TM y ETM+.............................74 11 Tabla 14. Constantes de calibración usadas para calcular Tsensor para cada configuración de la banda térmica de Landsat. K1 en W m-2 sr-1 ˇm-1 y K2 en K. ..........................................................................................................82 Tabla 15. 1) Ecuaciones intermedias para la obtención de las capas necesaria para el cálculo de la TST y 2) Ecuación final para para el cálculo de la TST ............................................................................................................84 Tabla 16. Número de imágenes por mes procesadas para el cálculo de turbidez (NTU) y sólidos en suspensión (mg/l)........................................................90 Tabla 17. Número de imágenes por mes obtenidas en el cálculo de Temperatura Superficial del río........................................................................................96 12 Introducción Capítulo 1. Introducción Los satélites de observación de la tierra constituyen un recurso inestimable para documentar cambios históricos recientes. Desde la puesta en órbita del primer satélite de la serie Landsat en 1972 hay un registro periódico de imágenes de resolución media de toda la superficie terrestre. En sistemas dinámicos como un río, las imágenes de satélite proporcionan una instantánea de la dinámica en dos dimensiones del agua superficial. A lo largo de un periodo de tiempo suficientemente largo y compilando muchas de esas instantáneas se pueden extraer conclusiones del funcionamiento hidrodinámico en la superficie del río. El análisis de imágenes de satélite Landsat para el periodo 1984-2009 complementará los análisis hidrodinámicos del río a lo largo de un ciclo anual. El banco de imágenes de satélite del Laboratorio de SIG y Teledetección de la Estación Biológica de Doñana (LAST-EBD) cuenta con imágenes de satélite del área de Doñana desde el año 1975. Las imágenes más antiguas corresponden al sensor MSS de landsat con 80 m de resolución espacial. A partir de 1984 se cuenta con imágenes del sensor TM de landsat. El sensor TM (y el sensor más moderno ETM+ a bordo de Landsat 7 a partir de 1999) presenta varias ventajas sobre MSS para el estudio de la dinámica del Guadalquivir. Una mayor resolución espacial (30 m frente a los 80 m de MSS), presencia de dos bandas en el infrarrojo medio (1,55-1,75 y 2.08-2.35 micrómetros) donde es más fácil distinguir zonas inundadas y presencia de una banda en el infrarrojo térmico 10,4-12,5 micrómetros, que da información de la temperatura de brillo que se puede correlacionar con la temperatura del agua superficial Landsat revisita la zona cada 16 días (22 veces al año); pero teniendo en cuenta la presencia de nubes hay un promedio de entre 8-10 imágenes anuales útiles para estudiar el río Guadalquivir. El banco de imágenes del LAST-EBD cuenta actualmente con 250 imágenes de Landsat TM y ETM+ potencialmente útiles útiles para este estudio del periodo 1984 - 2009. Los satélites proporcionan información radiométrica de la que es posible derivar los niveles de turbidez, contenido en clorofila y temperatura superficial del agua. 13 Introducción 14 Capítulo 2. Metodología Figura 1. Esquema de procesado. Metodología seguida para los tres grupos de procesos -- ESQUEMA DE PROCESADO -- Adquisición de imágenes, TM y Banco de Imágenes LAST (desde 1974 a Fotografía aérea Cor. Imágenes originales útiles para el proyecto Guadalquivir (250) 19842008 1.- Método tradicional ●● 2 Método semi Corregistro ●●● Landsat TM, Imagen de Referencia. (2002) Imágenes corregidas geométricamente Cor. Radiométrica Imágenes corregidas radiométricamente (Excepto banda 6 del térmico) Considerando: (●) Máscara de nubes Áreas pseudoinvariantes Normalización ● Banda 3 Landsat TM, Imágenes normalizadas (Excepto la banda 6 del térmico) TURBIDE Aplicación del modelo ● ● Trabajo de campo: ● Obtención de datos de turbidez para las fechas de paso del satélite. ● Aplicación de Modelos Aditivos Generalizados respecto a la respuesta espectral de las bandas del satélite y las muestras de campo. Software utilizado: ● ENVI 4.5. ● Miramon 5 ● Idrisi Andes ● Erdas Imagine ● ArcGIS 9.2. ● Cybertracker ● SPSS Tratamiento de imágenes ( preproceso ) Landsat TM para crear imagen de Referencia (a georrefenciar) Banda 6 Landsat TM, TEMPERATURA Creación Enmascarar máscara de agua Creación líneas y puntos para perfil Análisis espacial. Obtención de perfiles. Detección de anomalías (ejemplo: diferencia entre la imagen de turbidez de una fecha determinada y el promedio de turbidez Resultados y conclusiones 15 INTEGRACIÓN Enmascarar Aplicación del Datos necesarios para la introducción en el modelo: ● Banda 6, térmico de Landsat ● Capa de Emisividad para el agua (cte. 0.99) ● Vapor de agua (MODIS terra prod. 05) ● Constantes de calibración Landsat (Niveles Digitales a radiancias) ● Temperatura del Aire obtenido por Regresión lineal multiple (interpolación de temperaturas, IDW y cP de Mallows): Variables dependientes: ●Temperatura del aire de las estaciones metereológicas disponibles al paso del satélite. Variables independientes: ●Continentalidad, Latitud, Modelo Digital de Elevaciones. El procesado se divide en tres grandes grupos 1) Adquisición y tratamiento de las imágenes de satélite, 2) elaboración del modelo de turbidez y su aplicación en las imágenes Landsat y 3) resumen de la metodología para la obtención de temperaturas de superficie del río. El procesado de las imágenes para el cálculo de la Clorofila A será similar al de el apartado de turbidez. Todos los resultados parciales y finales son integrados en un Sistema de Información Geográfica para su mejor entendimiento, manejo, análisis y consulta (Figura 1). 2.1. Fuentes de datos 2.1.1. Fuentes de imágenes de satélite Landsat Se seleccionaron imágenes de los sensores embarcados a bordo de los satélites Landsat principalmente debido a que constituyen la fuente histórica más larga y coherente de imágenes de satélite para la zona. El Landsat 1 se lanzó en 1972 y hay imágenes adquiridas regularmente sobre Doñana, con pocos huecos, a partir del lanzamiento de Landsat 2 en 1975. Por otra parte, se siguen adquiriendo imágenes de manera regular y las fechas de adquisición están planificadas de antemano, lo que facilita la realización de trabajo de campo simultáneo con el registro de la imagen por parte del sensor. Las características de los satélites de la serie Landsat y de los distintos sensores allí embarcados se presenta en la tabla 1. Para este proyecto se cuenta con un banco de imágenes de satélite de Doñana del Laboratorio de SIG y Teledetección de la Estación Biológica de Doñana (LAST-EBD). Se trata de imágenes de los satélites de la serie Landsat de los sensores TM y ETM+. La lista de imágenes con las que se cuenta se presentan en la tabla 2 y figura 2. Las imágenes Landsat pueden venir en varios formatos distintos dependiendo quien las procese, en la mayor parte de nuestros casos es la Agencia Espacial Europea la que procesa las imágenes y las genera en formato ESA CEOS , sin embargo hemos encontrado algunas imágenes en otros formatos como son: FAST, NLAPS Y HDF. Todo ello genera problemas de tratamiento automático de las imágenes y retrasos en su procesado debido a la necesidad de definir un procesado estandarizado para cada tipo de formato. 16 El área de estudio se encuentra incluida en la escena del satélite Landsat en el Track 202 y en el Frame 034, para dicha escena contamos en el banco de imágenes con aproximadamente 250 TM y ETM+. El banco de imágenes va creciendo al mismo ritmo que el satélite toma las imágenes. 17 Satélite Lanzamient Altitu Periodicida o d d (fin (km.) (días) servicio) Sensor RBV Landsat 1 23/07/72 06/01/78 .MSS 917 Landsat 2 18 22/01/75 05/02/82 Idéntico al Landsat 1 .RBV Landsat 3 05/03/78 31/03/83 MSS 705 Landsat 4 Banda: Resolución intervalo espacial Espectral (m) ( m) (1) 0.48 0.57 (2) 0.58 80 0.68 (3) 0.70 0.83 (4) 0.5 - 0.6 (5) 0.6 - 0.7 79 (6) 0.7 - 0.8 (7) 0.8 - 1.1 16 MSS 16/07/82 (83) TM 18 (1) 0.5 - 0.75 (4) 0.5 - 0.6 (5) 0.6 - 0.7 (6) 0.7 - 0.8 (7) 0.8 - 1.1 (8) 10.4 12.6 (4) 0.5 - 0.6 (5) 0.6 - 0.7 (6) 0.7 - 0.8 (7) 0.8 - 1.1 (1) 0.45 0.52 (2) 0.52 0.60 (3) 0.63 0.69 (4) 0.76 - 0.9 (5) 1.55 1.75 (6) 10.4 12.5 (7) 2.08 2.35 40 79 240 82 30 120 30 Landsat 5 Landsat 6 Landsat 7 01/03/84 hasta la actualidad 05/10/93 05/10/93 Idéntico al Landsat 4 No alcanzo su altura orbital en el lanzamiento (1) 0.45 0.52 (2) 0.53 0.61 30 (3) 0.63 30 0.69 30 (4) 0.78 - 0.9 30 ETM+ (5) 1.55 30 1.75 60 (6) 10.4 30 12.5 15 (7) 2.09 2.35 PAN 0.5 0.90 15/04/99 31/05/03 Tabla 1. Características de las misiones y sensores Landsat1 19 Figura 2. Número de imágenes disponibles en el Banco de Imágenes del LAST 20 Tabla 2. Fecha de las imágenes Landsat del área de estudio hasta Junio de 2009. 21 2.1.2. Fuentes de imágenes de satélite MODIS Para la estimación de la temperatura superficial terrestre (TST) es necesario conocer el vapor de agua atmosférico por su notable influencia en los canales térmicos de los sensores de Landsat. El vapor de agua servirá para minimizar los posibles artefactos en los resultados finales de temperatura. Actualmente son un dato exógeno y necesario en la cadena de procesado y se obtiene a partir del producto MODIS (MOD05/MYD05) o TERRA MODIS Level 2 Water Vapour product. Se considera dicho producto ya que pasa sobre la Península a una hora similar a la que pasa el satélite Landsat y porque la adquisición de estas imágenes es gratuita mediante la web de MODIS (http://ladsweb.nascom.nasa.gov/data/). La única limitación existente es que dicho producto está disponible a partir del año 2000, lo que reducirá el número de imágenes procesadas en comparación con las medidas de turbidez. Así pues, se identificaron aquellas imágenes Landsat con las que poder calcular la TST y se hizo una petición a la web de la NASA (Tile h17-v5) para obtener los valores (Tabla 3). Se intentó en todo momento que la diferencia horaria de MODIS respecto al paso del satélite Landsat (10:30-10:50 UTC) fuera mínima. Producto MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 Año 2000 2000 2000 2000 2000 2000 2001 2001 2001 2001 2001 2001 2001 2002 2002 2002 2002 2002 2002 Día Juliano 154 250 258 282 266 306 100 124 164 244 324 52 20 7 39 55 119 151 167 Hora 1045 1045 1130 1040 1220 1120 1130 1040 1125 1125 1120 1130 1130 1120 1120 1120 1120 1120 1120 22 Colección formato 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf 5 hdf Fecha Landsat 02/06/2000 06/09/2000 14/09/2000 08/01/2000 22/09/2000 01/11/2000 10/04/2001 04/05/2001 13/06/2001 01/09/2001 20/11/2001 21/02/2001 20/01/2001 07/01/2002 08/02/2002 24/02/2002 29/04/2002 31/05/2002 16/06/2002 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 2002 2002 2002 2002 2002 2002 2002 2003 2003 2003 2003 2003 2003 2003 2003 2003 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 175 183 199 215 231 295 311 10 42 106 178 194 226 242 258 346 77 21 85 117 165 189 197 213 229 261 269 277 325 39 103 135 143 159 167 183 199 215 247 263 271 279 287 311 327 1030 1120 1120 1120 1120 1120 1120 1120 1120 1120 1030 1030 1030 1030 1030 1120 1120 1030 1030 1030 1030 1115 1030 1030 1030 1030 1115 1205 1025 1205 1030 1030 1115 1115 1030 1030 1030 1030 1205 1205 1115 1205 1115 1205 1205 23 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf 24/06/2002 02/07/2002 18/07/2002 19/08/2002 22/10/2002 22/10/2002 07/11/2002 10/01/2003 11/02/2003 16/04/2003 27/06/2003 13/07/2003 14/08/2003 30/08/2003 15/09/2003 12/12/2003 17/03/2004 21/01/2004 25/03/2004 26/04/2004 13/06/2004 07/07/2004 15/07/2004 31/07/2004 16/08/2004 17/09/2004 25/09/2004 03/10/2004 20/11/2004 08/02/2005 13/04/2005 15/05/2005 23/05/2005 08/06/2005 16/06/2005 02/07/2005 18/07/2005 03/08/2005 04/09/2005 20/09/2005 28/09/2005 06/10/2005 14/10/2005 07/11/2005 23/11/2005 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 351 2 18 42 50 58 90 98 106 122 154 162 170 186 194 202 218 234 242 282 314 330 354 362 13 61 69 77 125 149 173 181 189 205 221 269 88 160 176 192 200 208 216 224 232 1115 1115 1115 1205 1115 1205 1030 1115 1030 1030 1030 1115 1205 1030 1115 1030 1030 1030 1115 1205 1030 1030 1115 1030 1030 1030 1120 1030 1030 1115 1030 1120 1030 1030 1030 1030 1115 1030 1030 1030 1120 1030 1120 1030 1120 24 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf hdf 17/12/2005 02/01/2006 18/01/2006 11/02/2006 19/02/2006 27/02/2006 31/03/2006 08/04/2006 16/04/2006 02/05/2006 03/06/2006 11/06/2006 19/06/2006 05/07/2006 13/07/2006 21/07/2006 06/08/2006 22/08/2006 30/08/2006 09/10/2006 10/11/2006 26/11/2006 20/12/2006 28/12/2006 13/01/2007 02/03/2007 10/03/2007 18/03/2007 05/05/2007 29/05/2007 22/06/2007 30/06/2007 08/07/2007 24/07/2007 09/08/2007 26/09/2007 28/03/2008 08/06/2008 24/06/2008 10/07/2008 26/07/2008 18/07/2008 03/08/2008 11/08/2008 19/08/2008 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 MOD05_L2 2008 2008 2008 2008 2008 2008 2009 2009 240 248 256 280 328 360 18 42 1030 1120 1030 1120 1120 1120 1030 1120 5 5 5 5 5 5 5 5 hdf hdf hdf hdf hdf hdf hdf hdf 27/08/2008 04/09/2008 12/09/2008 06/10/2008 23/11/2008 25/12/2008 18/01/2009 11/02/2009 Tabla 3. Relación de imágenes Landsat y TERRA MODIS Level 2 Water Vapour product obtenidas para su uso en el cálculo de la TST 2.1.3. Información Terreno disponible sobre turbidez— Verdad Las fuentes de información sobre la turbidez del río que se disponían en un principio para calibrar las imágenes Landsat TM y ETM+ son: 1) La Red de Monitorización de Variables ambientales del Instituto de Ciencias Marinas de Andalucía (ICMAN) instaladas entre febrero y abril del 2008, 2) Muestreos realizados por la Consejería de Medio Ambiente de la Junta de Andalucía a partir de abril de 2008 adquiridos por las Embarcaciones de Vigilancia y Control de la Calidad de las Aguas en desarrollo del Programa de seguimiento del estado ecológico de las aguas costeras y de transición 3) Muestreos realizados por el Laboratorio de SIG y Teledetección realizados con una multisonda Hydrolab, en continuo, una vez a la semana entre enero de 2008 y enero de 2009 junto a muestreos de turbidez realizados una vez a la semana desde la embarcación “AMA VI” de la Consejería de Medio Ambiente y 4) muestreos propios puntuales realizados como parte del proyecto “Cambios en la dinámica hídrica de las marisma de Doñana” en el período 2003-2006. Los datos del Instituto de Ciencias Marinas de Andalucía no se utilizaron por estar las medidas en unidades de voltaje y carecer, en el momento de redacción de este informe, de curvas de calibración de los sensores en cada boya. Por otra parte, en el período de operación de la red de monitorización del ICMAN el río ha estado casi permanentemente con valores de turbidez muy altos, y por tanto los datos tienen baja variabilidad. Los datos de la multisonda tampoco parecían apropiados ya que se satura a 3000 NTU y durante muchos recorridos el río ha superado dicho umbral. Finalmente se han combinado todos los datos referentes a los muestreos de turbidez comprendidos entre 2003-2006 y 2008-2009 (LAST-EBD) debido a que han sido realizados con el mismo turbidímetro y siguiendo el mismo protocolo 25 de medida, estando todos los valores en unidades nefelométricas de turbidez (NTU). Dichos datos incluyen un muestreo completo de todo el gradiente de turbidez (desde aguas muy claras hasta aguas muy turbias) y permiten aprovechar el máximo número de imágenes para construir el modelo. Paralelamente se ha construido un modelo para sólidos en suspensión (mg/l) utilizando los muestreos de la CMA-Junta de Andalucía. La razón es que la medida de sólidos en suspensión, en comparación con la medida de turbidez, es menos proclive a errores de muestreo. El sensor no se satura y está menos afectado por el protocolo de medida. Es un parámetro con una interpretación física y ecológica más directa, y además las medidas de sólidos en suspensión de la CMA tienen una correlación muy alta con las medidas de turbidez en NTU. Datos de campo del LAST-EBD El LAST-EBD tiene dos conjuntos de datos que se obtuvieron en dos períodos diferentes, 2003-2006 y 2008-2009: 1) Los obtenidos como parte del proyecto “Cambios en la dinámica hídrica de las marisma de Doñana” en el período 2003-2006. El Laboratorio de SIG y Teledetección de la EBD obtuvo una serie de datos que servirían para ajustar un modelo inicial que se detalla en el 4º Informe Parcial del presente subproyecto. Entre los objetivos del trabajo de campo estaba el de realizar mediciones sobre presencia/ausencia de inundación, así como de las características de las zonas inundadas (turbidez, cobertura de vegetación emergente, flotante y sumergida), a lo largo de un ciclo hidrológico completo de la marisma de Doñana. Los datos obtenidos debían ser simultáneos con la adquisición de datos de satélite (Tabla 4). 26 Fecha muestreo 04/12/2003 11/12/2003 Tipo Muestreo Datos fecha imagen Satélite RIO 8 puntos 12/12/2003 L7 RIO 9 puntos 12/12/2003 L7 12/12/2003 RIO 1 punto 12/12/2003 L7 23/04/2004 RIO 13 puntos 26/04/2004 L5 05/11/2004 RIO 10 puntos 06/12/2004 RIO 6 puntos 19/09/2005 RIO 10 puntos 20/09/2005 L5 05/10/2005 RIO 4 puntos 06/10/2005 L5 06/10/2005 RIO 6 puntos 06/10/2005 L5 07/11/2005 RIO 10 puntos 07/11/2005 L5 19/02/2006 RIO 10 puntos 19/02/2006 L7 14/03/2006 RIO 10 puntos Tabla 4. Muestreos de campo realizados de manera simultánea con el paso de Landsat 5 y 7. Para ello se diseñaron tres tipos de muestreos entre los que se presenta sólo el que hace referencia al río y que se caracteriza por: - Muestreos de turbidez en puntos fijos del río Guadalquivir, dársena del Guadalquivir y graveras y balsas de riego. El objetivo de este muestreo era tener datos de un gradiente de turbidez entre el río (normalmente más turbio) y las balsas y graveras (menos turbias) presentes en las imágenes aún cuando la marisma estuviera sin agua. Además, estos puntos están dentro de superficies grandes poco afectadas por la reflectancia del fondo o por la presencia de vegetación acuática flotante, emergente o sumergida, tal y como sucede en la marisma. 2) En cuanto al trabajo de campo realizado durante el período 2008-2009, el equipo del LAST-EBD tomó una serie de muestras para su posterior análisis en el laboratorio (Tabla 5). Dichas muestras son coincidentes con los puntos de muestreo que realizó la CMA de la Junta de Andalucía. Fecha 29/01/2008 05/02/2008 12/02/2008 26/02/2008 04/03/2008 11/03/2008 18/03/2008 25/03/2008 Embarcación AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO 27 Hora InicioFin 9:50 - 17:15 8:38 - 16:00 8:32 - 17:43 8:17 - 16:52 8:25 - 16:02 8:15 - 17:26 8:08 - 15:59 8:26 - 17:49 31/03/2008 15/04/2008 22/04/2008 29/04/2008 08/05/2008 13/05/2008 20/05/2008 27/05/2008 03/06/2008 17/06/2008 01/07/2008 08/07/2008 15/07/2008 24/07/2008 29/07/2008 05/08/2008 12/08/2008 19/08/2008 25/08/2008 02/09/2008 09/09/2008 16/09/2008 25/09/2008 30/09/2008 14/10/2008 21/10/2008 29/10/2008 05/11/2008 12/11/2008 21/11/2008 27/11/2008 04/12/2008 11/12/2008 16/12/2008 22/12/2008 08/01/2009 13/01/2009 20/01/2009 AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO DUNAS DE DOÑANA DUNAS DE DOÑANA DUNAS DE DOÑANA DUNAS DE DOÑANA DUNAS DE DOÑANA AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO DUNAS DE DOÑANA DUNAS DE DOÑANA DUNAS DE DOÑANA AGUAYO AGUAYO ICMAN ICMAN ICMAN AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO AMA SEXTO 28 8:24 - 19:00 8:15 - 18:46 8:33 - 17:52 8:13 - 21:00 8:50 - 12:14 9:10 - 13:21 9:02 - 11:59 9:06 - 11:40 8:55 - 12:04 9:25 - 14:42 8:49 - 15:58 8:16 - 10:49 8:29 - 12:09 8:18 - 17:35 8:36 - 15:55 8:13 - 17:25 8:21 - 16:31 8:19 - 17:07 8:19 - 17:22 8:18 - 17:45 8:16 - 13:16 8:38 - 18:44 11:02 - 13:10 10:35 - 12:38 10:26 - 12:28 8:40 - 15:47 8:18 - 16:55 9:01 - 17:14 8:22 - 17:00 27/01/2009 AMA SEXTO 8:14 - 15:45 Tabla 5. Fechas en las que el LAST-EBD obtuvo muestras de turbidez para su posterior medición en Laboratorio Datos de la Consejería de Medio Ambiente, Junta de Andalucía Como parte del Programa de seguimiento del estado ecológico de las aguas costeras y de transición la Consejería de Medio Ambiente “lleva a cabo una serie de controles para determinar la Calidad de las Aguas Litorales”. Entre las actuaciones desarrolladas se encuentran las que se realizan en el tramo de influencia mareal del río Guadalquivir. El seguimiento de la turbidez se hace mediante muestreos realizados por las Embarcaciones de Vigilancia y Control de la Calidad de las aguas. Los resultados de estos ensayos se actualizan semanalmente. Figura 3. Embarcaciones de Vigilancia y Control de la calidad de las Aguas. Fuente: Consejería de Medio Ambiente Si bien existen diferentes fuentes de información disponibles en su página web, la utilizada para el presente apartado ha sido la correspondiente a los datos obtenidos por el AMA VI, encargado del estudio en las aguas del Guadalquivir (Fig. 3). 29 Figura 4. Puntos de Muestreo de los Barcos de Vigilancia. Tramo de influencia mareal del Río Guadalquivir Como se observa en la figura 4 las muestras se adquieren en todo el tramo de influencia mareal, desde Sanlúcar hasta Alcalá del Río, siendo 10 los puntos que presentan datos en las tablas de la CMA (Tabla 6). Los parámetros presentes en las tablas son: Sólidos en Suspensión (mg/l), pH (UndpH), Conductividad (ms/cm), Oxigeno disuelto (mg/l) y Turbidez (NTU) y los puntos con datos útiles corresponden a: CQ010, CQ040, CQ70, DR005, GQ90, GQ120, GQ150, GQ170, GQ180, GQ190 y GQ200 (Fig. 4, Tabla 6). Algunos de los puntos, debido a su incorrecta localización sobre las imágenes de satélite, se movieron al punto más cercano del centro del río para minimizar el efecto de borde del mismo evitándose de esta manera una respuesta espectral mixta. CODIGO GQ10 PROVINCIA Sevilla LOCALIDAD Alcalá del Río BARCO AMA V 30 ZONA A X 236536 Y 4155539 GQ40 GQ70 GQ90 GQ120 GQ150 GQ170 GQ180 GQ190 GQ200 Tabla 6. Sevilla Santiponce/Sevilla AMA V A 233439 4149239 S. J. Sevilla Aznalf./Sevilla AMA V A 232275 4138455 Sevilla Coria AMA V B 229490 4130027 Sevilla Puebla del Río AMA V B 224271 4118284 Sevilla Lebrija/Puebla AMA V D 225103 4105913 Sevilla Lebrija/Puebla AMA V D 216914 4094795 Sevilla Aznalcazar/Trebu AMA V E 208013 4090220 Sevilla Sanlucar/Almonte AMA V E 202922 4089224 Sevilla Sanlucar/Almonte AMA V E 201799 4077688 Algunos de los puntos de muestreo utilizados para extracción de datos de Turbidez (NTU) y Sólidos en Suspensión (mg/l). Coordenadas en UTM. Los datos para cada punto se toman casi siempre a la misma hora (Tabla 7) y existe una muestra por punto por lo que existirá un desfase temporal en cuanto al cruce con los datos de las imágenes Landsat, se estableció un máximo tolerable de 8 días. Foco Nombre GQ010 Alcalá del Río GQ040 Santiponce/Sevilla GQ070 S. J. Aznalf./Sevilla DR005 Confluencia exclusa GQ090 Coria GQ120 Puebla del Río GQ150 Lebrija/Puebla GQ170 Lebrija/Puebla GQ180 Aznalcazar/Trebujena GQ190 Sanlucar/Almonte GQ200 Sanlucar/Almonte Fecha/Hora de toma 21-4-08 12:00 21-4-08 12:40 21-4-08 13:10 21-4-08 13:30 22-4-08 9:10 22-4-08 9:50 22-4-08 10:30 22-4-08 11:10 22-4-08 11:40 22-4-08 12:00 22-4-08 12:35 Sólidos en Suspensión (mg/l) pH (UndpH) Conductividad (ms/cm) 9060 7.7 0.72 9.6 15500 3596 7.7 0.64 6.4 6600 5652 7.7 0.74 7.5 6700 139 7.7 1.06 5.2 210 172 7.7 0.78 5.5 270 167 7.7 0.86 4.6 210 422 7.6 1.04 3.6 210 2148 7.6 1.2 2.6 13700 1546 7.6 1.53 2.9 380 2464 7.6 1.67 2.8 330 3040 7.5 2.81 3.5 150 Oxígeno Turbidez disuelto (NTU) (mg/l) Tabla 7. Ejemplo extraído de los datos disponibles de la Consejería de Medio Ambiente de la Junta de Andalucía En total se han extraido 329 registros de interés para su posterior cruce con los datos provenientes de las imágenes Landsat. 31 2.2. Preprocesado, corrección de imágenes Las correcciones de la imagen, son aquellos procesos que tienden a eliminar cualquier anomalía detectada en la imagen, ya sea en su localización, ya en la radiometría de los píxeles que la componen. Estas operaciones tienden a disponer los datos en la forma más cercana posible a una adquisición idónea, por ejemplo, situándolos sobre su posición geográfica correcta, o reconstruyendo la radiancia detectada por el sensor a partir de los ND (Niveles Digitales) de la imagen (Chuvieco 2002). En el caso concreto de las imágenes espaciales, las deformaciones más frecuentes pueden agruparse en cuatro apartados (Bernstein 1978; Mather 1998): 1. 2. 3. 4. Distorsiones Distorsiones Distorsiones Distorsiones originadas por la plataforma. provocadas por la rotación y superficie terrestre. provocadas por el sensor. provocadas por las condiciones ambientales. Algunos de estos problemas se solventan rutinariamente en los centros encargados de la recepción o venta de las imágenes. Otros, sin embargo, persisten, haciendo precisas una serie de técnicas para subsanarlos. 2.2.1. Corrección geométrica (Método tradicional y semi- automático) La corrección geométrica de una imagen incluye cualquier cambio en la posición que ocupan los píxeles que la forman. Son los procesos por los que pasa una imagen de manera que se pueda representar en una superficie plana, integrarse a otras imágenes y tener la integridad de un mapa. Muchas de las imágenes disponibles (81) fueron corregidas mediante el método tradicional, consistente en la colocación manual de puntos de control. El segundo método difiere en la manera en la que se obtienen dichos puntos; Existen algoritmos capaces de correlacionar los niveles digitales de la imagen de referencia y la imagen a corregir, dichos algoritmos determinan de manera semiautomática dónde se ubica el punto de control final. La razón por la que se optó por la aplicación de este segundo método radica en la considerable disminución de tiempo a invertir por parte del operario, siendo el error final similar en ambos métodos. 32 Ambas correcciones implican la selección de una proyección geográfica, (proyección, datum, elipsoide) debiendo considerarse el uso primario de los datos. Rectificar una Imagen incluye los siguientes pasos: 1. 2. 3. Localizar puntos de control terrestres. Ground Control Points (GCPs) Computar y testar la matriz de transformación. Remuestreo de la imagen Conviene tener presente que, en determinadas aplicaciones, las correcciones resultan un paso obligado y previo a otros tratamientos. Este es el caso de las aplicaciones cartográficas en general, así como los estudios multi-temporales o los que acudan a información auxiliar. En ambos casos la precisión en el ajuste resulta un elemento fundamental. Siempre que se necesite procesar conjuntamente varias imágenes de la misma región geográfica, estas deben poder superponerse geométricamente previo al procesamiento. Por lo tanto en estos casos las correcciones geométricas también pueden considerarse como una etapa de preprocesamiento. Lo primero que definimos fue la base cartográfica de referencia, utilizando la “Ortofotografía digital de Andalucía (color)”, fecha de vuelo: 1998-1999, sistema de referencia: "Universal Transverse Mercator" (UTM), Elipsoide: de Hayford o Internacional 1924, Datum: European 1950 (para España, según el Instituto Geográfico Nacional), Huso 30. Para definir el marco de salida, se utilizó un conjunto de imágenes corregidas de forma somera, determinándose las coordenadas que contenían a todas las imágenes, aproximándolas a aquellas coordenadas que fueran múltiplo del tamaño del píxel (30 m). Siendo los limites de las imágenes: Esquina superior izquierda (78000,4269000); Esquina inferior derecha (340020,4036980); Número de columnas (8734) y filas (7734); Tamaño de la imagen (x = 262020 e Y = 232020 metros) Posteriormente se realizo la corrección geométrica de la imagen de referencia, que serviría para corregistrar el resto de las imágenes (método 1 y 2), se busco una imagen de Landsat 7, para poder usar la banda pancromática, que fuera de verano (elevación solar mayor), y que no tuviera nubes. La imagen elegida fue la 20020718L7ETM202_34, la corrección fue realizada mediante el programa MIRAMON, con 100 puntos de control y 23 de test, obteniéndose un error 33 (puntos de test) de 12.95 m. El método de remuestreo fue la convolución cúbica (Considera el valor de los 16 píxeles más cercanos en la imagen fuente para asignar el nuevo valor al píxel de la imagen salida). A partir de la imagen de referencia se van corregistrando el resto de las imágenes. 2.2.1.1. Los pasos seguidos para el método tradicional son Pasos previos.- Se importan con MIRAMON las imágenes originales en CD para la obtención del archivo de metadatos (*.rel). Se descomprimen las imágenes importadas con MIRAMON pasando de byte RLE a byte para poder utilizarlas en IDRISI y se convierten las imágenes descomprimidas de 16 a 32 bits con IDRISI 32. Reclasificación del “no data” original.- Las imágenes originales tienen como no data el valor 0, para pasos posteriores (corrección radiométrica), se requiere tener el no data a 255. Por esta razón se hace necesario la reclasificación del valor 0 a 255 y de los valores que en origen son 255 a 254. Este procedimiento se realizará con IDRISI 32 Rectificación, Remuestreo y Validación.- A partir de la imagen original en CD, con la imagen de referencia y mediante ENVI 4.1, se reposicionan entre 80 a 100 puntos de control, con un RMS del modelo menor al píxel (residuo de cada punto < 1). Se almacenan los puntos de control, los coeficientes y la tabla. La rectificación de todas las bandas se realiza mediante un modelo polinómico de orden 2. El remuestreo es por convolución cúbica y se asigna al fondo el valor 255, los parámetros de la imagen serán los del marco de salida. Se nombra la imagen resultante según la nomenclatura acordada. Se realiza una validación de la corrección geométrica de la imagen resultante mediante una comprobación visual por el operador con una cobertura vectorial derivada de la ortofoto de la zona. Se superponen sobre la imagen 5 grupos de carreteras distribuidas por toda la imagen. Finalmente, se separará cada una de las bandas del archivo multibanda Edición de los metadatos originales.- Del archivo *.rel, originales se cambian el tamaño de la imagen (columnas-8734 y filas-7734), el nombre de las bandas, la información cartográfica (UTM-30N-PS), las coordenadas de la imagen, el error del modelo corregistro, se incluye el proceso del corregistro y se cambia el "no data" a 255, se cambian los máximos de 34 255 a 254,. Se salvan los cambios con el nombre de la imagen corregistrada. 2.2.1.2. Los pasos seguidos y parámetros utilizados en el método semiautomático son: Para la corrección de los datos se ha utilizado el módulo AutoSync de ERDAS. Se aplica un algoritmo de correlación para la obtención de puntos de control de manera automática o semiautomática. El algoritmo se basa en “ventanas de acción” definidas en tamaño y posición por el usuario y calcula la correlación del “nivel de grises” para dichas ventanas en la imagen de referencia (20020718 ETM+) y la imagen a corregir (la serie temporal, Landsat TM y ETM+). En una primera aproximación se intentó automatizar el proceso para toda la serie pero debido a los resultados (solo un 66% de las imágenes se corregían de manera adecuada) se procedió a corregirlas de manera semiautomática, lo que supone la introducción manual de puntos de control iniciales para ubicar de forma aproximada las ventanas de acción-correlación. Pasos seguidos: - Importación de datos. — Las imágenes originales se importan con ERDAS IMAGINE y los metadatos se incluirán a posteriori utilizándose para ello los importados con MIRAMON. - Configuración de parámetros de AutoSync. - Se ha usado la banda 2 (verde) para la obtención de puntos de control ya que se ha comprobado que es la que mejor funciona tanto por el número de puntos como por la distribución obtenida. AutoSync permite diferentes estrategias a la hora de su configuración, a continuación se presentan los parámetros que mejor funcionan para el caso concreto de la serie temporal del Banco de Imágenes de Satélite del LAST. Opciones generales (APM Strategy, Figura 5): • Selección de la banda a usar: B2, para la imagen de referencia y la imagen a corregir. • Estrategia general: Patrón definido. • Columna y fila que define dónde comienza a actuar el algoritmo: 128/128 (Esquina Sup. Izq.). • Columna y fila que define dónde termina de actuar el algoritmo: 0/0 (Esquina Inf. Derecha). 35 • Incremento de columna y fila: 128/128. (desplazamiento de la ventana de acción). • Eliminación automática de puntos erróneos con 2 iteraciones (se reajustara el RMS global por eliminación de puntos que no cumplan con el criterio de calidad mínima). Figura 5. Configuración de los parámetros del módulo AutoSync (Opciones generales) Opciones avanzadas (Figura 6): • Tamaño de la ventana de acción: 17 (píxeles) • Densidad de puntos: 100% • Tamaño de correlación: 11 • Calidad mínima de los puntos: 0.85 • Tamaño de la ventana de mínimos cuadrados: 21 • Precisión inicial: 10% • Se opta por la pestaña que ordena el uso de puntos de control manuales y se excluye el valor de fondo, en nuestro caso 0. 36 Figura 6. Configuración de los parámetros del módulo AutoSync (ERDAS Imagine) Opciones Avanzadas Finalmente se definen 1) el modelo matemático; polinomio de segundo grado, remuestreo por convolución cúbica, y 2) el sistema de referencia que será igual al de la imagen de referencia: "Universal Transverse Mercator" (UTM), Elipsoide: de Hayford o Internacional 1924, Datum: European 1950 (para España, según el Instituto Geográfico Nacional), Huso 30. • Aplicación del algoritmos, filtrado de datos y remuestreo. - Como se ha comentado se optó, previa aplicación del algoritmo, por definir manualmente una serie de puntos de control para “ayudar” a las ventanas de acción a que se solapen mejor. Como mínimo se necesitan tres puntos de control para esta primera aproximación. En nuestro caso concreto se ubicaron 5 puntos siguiendo un criterio de distribución homogénea y intentando, a ser posible, que fueran los mismos para las diferentes imágenes. Una vez definidos los puntos iniciales y los parámetros se corre el módulo y se obtienen los puntos de control intermedios. De media se obtienen 600 puntos, siendo el mínimo de 150 puntos correspondientes a las imágenes que presentan problemas o que están más alejadas en el tiempo respecto a la imagen de referencia y un máximo de 1700 para las imágenes que mejor se corrigen (Figura 7). 2500 2000 Número puntos de control obtenidos previo filtrado Número de puntos de control obtenidos después del filtrado 1500 1000 37 500 19 84 07 24 19 86 01 03 19 87 11 22 19 89 07 22 19 91 04 07 19 92 10 02 19 94 07 04 19 96 03 03 19 97 11 17 19 99 08 27 20 01 01 20 20 02 11 20 20 04 07 15 20 06 02 11 20 07 11 05 0 Figura 7. Número de puntos de control intermedio (rojo) y finales (verde), para un “set” de 75 imágenes El error inicial del modelo para los puntos obtenidos (RMSE) puede variar de manera aproximada entre 1) 0.5 y 2 para las imágenes que no presentan problemas y 2) entre 2 y 8 para las más problemáticas, por tanto, se debe definir un método que filtre dichos errores (Figura 8). En ambos casos se busca que los puntos finales no pierdan su distribución; 1) Para el primer caso se seleccionan todos aquellos RMS individuales por encima de 1 píxel (30 metros), se eliminan y se reajusta el modelo, de esta manera nos aseguramos que el RMSE (global) esté por debajo de dicho valor. 2) Para el segundo caso se seleccionan todos aquellos puntos mayores al RMSE (global) + 2 veces su desviación estándar y se eliminaron hasta que el RMSE quedara por debajo de un píxel (30 metros). 6 R MS de de los puntos de control previo filtrado 5 R MS de los puntos de control una vez filtrados 4 3 2 1 5 11 0 1 07 20 20 06 07 1 02 1 5 0 20 04 11 2 0 20 01 20 02 01 2 7 7 08 2 19 97 99 11 1 3 38 19 19 96 07 0 03 0 4 2 19 94 10 0 7 19 92 04 0 2 91 07 2 89 19 19 3 11 2 19 87 01 0 4 86 07 2 19 84 19 2 0 Figura 8. Comparación de los RMS (en píxeles) de los puntos de control intermedios (sin filtrar) y finales (filtrados). Una vez se han filtrado los puntos problemáticos (Figura 8) se reajusta el modelo y se remuestreará la imagen. Los métodos de ubicación automática de puntos de control para la corrección geométrica de imágenes son bien conocidos desde hace tiempo pero la realidad es que su implementación ha sido escasa. Probablemente sea debido a que los diferentes programas de tratamiento de imágenes no han incluido dicha opción hasta hace relativamente poco. Por ello se ha llevado un estudio para evaluar la calidad de la corrección. Para ello se escogieron 75 imágenes que abarcaran temporalmente toda la serie histórica y representaran de alguna manera toda la problemática que el usuario se puede encontrar a la hora de aplicar estos procesos (presencia de nubes, errores geométricos en origen, estacionalidad, etc.). Se colocaron 10 puntos de test independientes y se calculó RMS (Error longitudinal) y el RMS global para cada uno de ellos. El RMSE promedio para dicho “set” de imágenes fue de 19.62 metros, estando el error en el 97% de los casos por debajo de 30 metros (Figura 9), es decir, por debajo de la resolución del satélite (30 metros). Los errores más altos se detectaron en aquellos casos en los que las imágenes presentaban una problemática que no permitía su adecuada corrección. 39 Figura 9. En azul; RMS en metros de cada punto de test independiente. En rojo RMSE en metros para todas las imágenes testadas (6 per. Med.Móv.) Por último se realizó una validación de la corrección geométrica de cada imagen resultante mediante una comprobación visual. Para ello se utilizó una cobertura vectorial derivada de la imagen de referencia. Se superponen sobre la imagen 5 grupos de carreteras distribuidas por toda la imagen. Una vez validada la imagen se prepara para llevarla al siguiente proceso. Por tanto se puede concluir que el método usado es válido para una corrección geométrica con RMSEs que estén por debajo de la resolución nominal del satélite Landsat (30 metros). 2.2.2. Corrección radiométrica Éste es un término muy genérico, que designa aquellas técnicas que modifican los ND (niveles digitales) originales, con objeto de acercarlos a los que habría presentes en la imagen caso de una recepción ideal. La conversión de los ND almacenados en una imagen original a variables físicas es un paso previo que resulta de gran utilidad. Se define la reflectividad como la relación ente la energía reflejada y la incidente. Varía, por tanto, entre 0 (superficie perfectamente absorbente) y 1 (superficie perfectamente reflectora). La reflectividad de una cubierta depende de sus características físicas y químicas, así como de las condiciones del espectro, por lo que debemos añadirle el calificativo de espectral, acotando su medida a un determinado rango de longitudes de onda. Precisamente, en el análisis de cómo varía la reflectividad espectral de una cubierta encontramos la raíz para poder discriminarla. El proceso de traducción de ND a reflectividades se realiza en dos fases: 1) conversión de ND a valores de radiancia, a partir de los coeficientes de calibrado del sensor, y 2) estimación de valores de reflectividad aparente, conociendo la irradiancia solar y la fecha de adquisición. 40 La reflectividad aparente asume que la observación se realiza en una atmósfera transparente, verticalmente, sobre el suelo plano (pendientes < 5º) y superficies perfectamente lambertianas (carácter menos nítido cuanto menos rugosas sean). Hasta el momento, las correcciones atmosféricas se han abordado siguiendo cuatro procedimientos (Robin 1998; King et al. 1999; Sobrino 2000): 1. 2. 3. 4. A A A A partir partir partir partir de de de de medidas in situ, imágenes de otros sensores, modelos físicos de transferencia radiativa, datos de la propia imagen. Éste último sería, sin duda, el método más operativo, pues no requeriría de información externa y facilitaría una corrección completa de los datos, si consiguiéramos encontrar alguna función que extrajera de la señal detectada por el sensor la parte correspondiente a las condiciones atmosféricas. Las alternativas para llevar a cabo esta tarea son varias pero nos quedaremos con la que hemos utilizado: Estimar la contribución de la atmósfera a partir de cubiertas que deberían presentar una reflectividad nula (métodos basados en el “objeto oscuro” “dark object”). La propuesta inicial de estos métodos fue realizada por Chavez en 1975, con sucesivas mejoras en 1988 y 1996 (Chavez 1975, 1988, 1996). el punto de partida del método consiste en asumir que las áreas cubiertas con materiales de fuerte absorción (agua, zonas en sombra) deberían presentar una radiancia espectral muy próxima a cero. En la práctica, el histograma de los ND de la imagen siempre presenta un mínimo superior a ese valor, que se atribuye al efecto de dispersión atmosférica. Asimismo, se observa que ese valor mínimo es mayor en las bandas más cortas, disminuyendo hacia el infrarrojo cercano y medio. La dispersión Rayleigh — la más común — afecta principalmente a las longitudes de onda más cortas, lo que confirma que ese valor mínimo puede corresponder más al efecto de la atmósfera que a la radiancia espectral proveniente de la superficie terrestre. En suma, una sencilla aproximación a la corrección atmosférica consiste en restar a todos los ND de cada banda el mínimo de esa misma banda, situando el origen del histograma en cero. En definitiva supone estimar la radiancia aportada por la dispersión atmosférica a partir del valor mínimo del histograma. La asunción puede ser bastante correcta siempre que tengamos en la imagen zonas en sombra o con agua profunda. 41 El modelo de corrección radiométrica implementado en el programa MIRAMON está basado en el propuesto por Pons y Solé-Sugrañes (1994). Este programa permite corregir radiométricamente imágenes de teledetección captadas en las regiones espectrales del visible e infrarrojo (no térmico). El modelo de corrección radiométrica es lambertiano y tiene en cuenta, entre otros factores, el relieve (ángulos de incidencia y sombras proyectadas), la posición solar, la distancia Tierra-Sol en el momento de captación de la imagen, el amortiguamiento atmosférico en los caminos de ida y de retorno de la radiación y parámetros estándar, para cada canal, de densidad óptica atmosférica, irradiancia exoatmosférica solar y calibración del sensor. La corrección atmosférica se basa en el modelo de objeto oscuro (Chavez 1988) la resta de los valores radiométricos más bajos en cada canal que corresponden a la dispersión atmosférica. Este valor se conoce como Kl. El proceso finaliza generando imágenes de 8-bit (256 valores) para lo cual es necesario reescalar los valores originales al rango [0,255] recuperando la mayor parte de la información y confinando altas reflectividades (> 0.75, poco probables) al valor 254. Aunque este modelo de corrección puede trabajar siempre que el ángulo de incidencia sea menor que 90 grados, es más realista admitir que con ángulos cercanos a este valor, no puede asumirse un modelo lambertiano. Por ello es necesario indicar, en grados, el ángulo a partir del cual ya no aplicaremos el modelo de corrección (p. ej. en nuestro caso 73). Las reflectancias saturadas se asignan a 254, reservando el valor 255 para píxeles donde el modelo no puede dar datos correctos: ángulos de incidencia superiores a 90˚ o al ángulo límite lambertiano indicado por el usuario, píxeles a la sombra de otros píxeles o, muy raramente, reflectancias anómalas (superiores a 1) Los ficheros que se deben generar son: El fichero de kl (objeto oscuro) se obtendrá a partir de las imágenes originales, siendo el menor valor de cada banda, siempre que no caiga en la sombra de las nubes (umbrías y mar son válidos). Los valores a incluir en el fichero de reescalado se obtienen a partir del histograma de las imágenes originales. El criterio de máximo valor asumible en NDs considera el último cambio en decimales de la frecuencia acumulada en % de NDs. Este valor tiene un factor de reescalado que le corresponde basado en la 42 relación lineal entre NDs y “reflectividades efectivas simplificadas”. Esta relación lineal teórica definida en Pons y Solé-Sugrañes (1994) con 3 valores ha sido extendida a todos los valores posibles con idea de simplificar la búsqueda del factor de reescalado y puede consultarse en el archivo “radiometria.xls”. 2.2.3. Normalización Las imágenes de satélite han sufrido un proceso de corrección radiométrica en el que se ha pasado de ND (niveles digitales) a valores de radiancia registrados en el sensor y estos a su vez a valores de reflectancia de la superficie terrestre en base a datos de calibración del sensor y a información sobre constantes solares y ángulo de iluminación del sol. El dato de reflectancia de una superficie varía entre imágenes por cambios reales en la reflectancia en la superficie; pero también debido a variaciones en las condiciones atmosféricas en el momento de la toma, variaciones en la iluminación y cambios en la respuesta del sensor que no se hayan corregido bien con los parámetros de calibración. El procedimiento de normalización pretende hacer comparables imágenes de distintas fechas y de distintos sensores corrigiendo los efectos en la reflectancia de cada pixel que sean atribuibles a efectos atmosféricos, de iluminación y del sensor; pero conservando las diferencias debidas a cambios en la reflectividad de las superficies. En realidad este procedimiento no sería necesario si fuera posible una corrección perfecta de la imagen con los procedimientos de corrección radiométrica anteriores. El procedimiento asume que al comparar dos imágenes de distinta fecha y/o sensor existen elementos cuya reflectividad no ha variado. Se asume también que los cambios en reflectividad registrada son lineales y se pueden corregir mediante una ecuación lineal. Procedimiento aplicado Para nuestro banco de imágenes hemos buscado un procedimiento de normalización semiautomático, que se puede aplicar a una mayoría de las imágenes de la serie y que permite las comparaciones entre imágenes de distintas fechas y sensores. Este procedimiento se ha aplicado sólo a las bandas 43 del visible e infrarrojo cercano y medio de los sensores TM y ETM+, que tienen las mismas características radiométricas y la misma resolución espacial (30 m). Todo procedimiento de normalización altera los valores de reflectividad de la imagen y puede reducir diferencias reales en la reflectividad de las superficies. Por ejemplo, un suelo húmedo y un suelo seco no tienen la misma reflectividad en todas las bandas y al normalizar la imagen se pueden perder algunas diferencias atribuibles a la humedad del suelo. Por lo tanto, puede haber aplicaciones que requieran de normalizaciones distintas, y por lo tanto esta es sólo una de las normalizaciones posibles para toda (o parte de) la serie. Consideramos que el procedimiento de normalización es adecuado para el objetivo de este estudio: discriminar zonas inundadas y caracterizar las masas de agua. La selección de áreas invariantes se ha hecho siguiendo un criterio de distribución por toda la imagen y cubriendo todo el rango espectral para cada banda. Se asume que en este conjunto de zonas invariantes hay zonas que pueden haber cambiado y que estas son dependientes de cada fecha, al menos por: nubes, sombras de nubes, pérdida de datos y cambios reales en la reflectividad. Los píxeles de "no cambio" formarán una línea en un gráfico de dispersión de cada banda concreta para las dos fechas que se comparen (Fig. 10). Si se hace una selección de los píxeles a lo largo de esta línea se puede establecer una relación lineal entre las reflectividades en una fecha y las reflectividades en la otra. Figura 10. Regresión lineal de píxeles de áreas invariantes entre la fecha de referencia y la imagen por normalizar. Los pixeles a lo largo de la linea de regresión son aquellos que no van variado sus reflectancias entre las dos fechas. 44 Las áreas pseudo-invariantes elegidas (Tabla 8 y 9, Figura 12) son superficies que asumimos tienden a variar poco en reflectividad (al menos desde la óptica de los estudios que estamos planteando) y pueden haber permanecido relativamente estables en los últimos 30 años. El mar y las arenas de Doñana son los más representativos (y además se sitúan en los extremos del espectro de todas las bandas); pero se incluyen también zonas urbanas, pistas de aeropuertos, zonas mineras, zonas variadas con poca vegetación y finalmente se han incluido pinares (que asumimos tienen poca variación fenológica). Se ha optado por una selección amplia con idea de eliminar los píxeles que indican cambios de reflectividad reales por un procedimiento estadístico. Se ha optado por elegir una única imagen de referencia 20020718l7etm202_34_gr (18 de julio de 2002 del Landsat-7 ETM+) hacia la que normalizar todas las demás. La razón es elegir como referencia una imagen de un sensor de alta calidad ETM+, que sea de fecha reciente, una imagen de verano sin problemas de sombras ni nubes y con poco efecto atmosférico (como se deduce por la reflectividad del mar en el visible). Esta es además la misma imagen que se ha seleccionado para usar de referencia para el procedimiento de corregistro. Optamos por una regresión de mínimos cuadrados para corregir cada banda a la banda correspondiente de la imagen 20020718l7etm202_34_gr. Se ha preferido este procedimiento frente a una regresión ortogonal porque (1) Idrisi no calcula regresiones ortogonales (2) es de esperar que la imagen de referencia tenga menos error que la imagen que se va a normalizar, y que esto suceda en una mayoría de los casos. Una regresión por mínimos cuadrado asume que la imagen de referencia tiene menos error. El procedimiento genera primero una máscara de nubes (Figura 11) e identifica los píxeles con valores perdidos en la imagen para normalizar y los elimina del conjunto de zonas invariantes para esta banda. Genera una primera regresión con las zonas invariantes definidas, calcula los residuos de esta regresión y calcula su desviación estándar (una primera medida de la intensidad del efecto atmosférico, diferencia de iluminación y grado de cambio temporal respecto de la imagen de referencia que es mayor cuanto mayor sea este valor). Se genera una nueva máscara eliminando todo pixel con un residuo superior a 11.113949. Se selecciona este valor fijo porque es aproximadamente 1 desviación estándar para imágenes de Landsat 5 de distinta fecha. Con la nueva máscara de píxeles que no han variado se calculan los parámetros de la regresión (offset y gain) que son los que se aplican para normalizar la imagen. 45 El objetivo de esta segunda máscara es evitar problemas derivados de un excesivo peso del mar o de los embalses en la regresión, que se pueden presentar en imágenes con mucha calima en el mar o mucha turbidez en los embalses. Esta máscara se usa para normalizar en aquellas imágenes en las que la primera máscara presenta problemas. Tabla 8. 1 Selección de áreas pseudo-invariantes: Se han seleccionado un total de 80 polígonos distintos distribuidos por toda la imagen que pertenecen a 9 tipos de superficies. En total suponen 60561 píxeles distribuidos de la siguiente manera: Id Tipo Nº píxeles 1 Mar 2 Embalses 5025 3 Pinar 1672 4 Urbano-1 927 5 Urbano-2 1101 6 Aeropuertos 922 7 Arena (dunas y playas) 783 8 Pastizal con roca, suelo desnudo y varios Zonas mineras 298 9 49501 332 Tabla 9. También se ha generado una segunda máscara que difiere en los polígonos de mar y embalses y que es más equilibrada. Esta tiene 11363 píxeles. Id Tipo Nº píxeles 1 Mar 4284 2 Embalses 1044 3 Pinar 1672 46 4 Urbano-1 927 5 Urbano-2 1101 6 Aeropuertos 922 7 Arena (dunas y playas) 783 8 Pastizal con roca, suelo desnudo y varios Zonas mineras 298 9 332 Figura 11. Ejemplo de máscara de nubes creada en el proceso de normalización. 47 Figura 12. Ejemplo de selección de polígonos pseudo-invariantes en arenas y zonas de pinar usados en la normalización de las imágenes El complejo procedimiento descrito para el preprocesado de las imágenes requirió de varios meses para su desarrollo y puesta a punto, y requiere entre 1 y 3 días de trabajo de un operador para cada imagen. 2.3. Creación de capas. Los procesos de obtención de cartografía de turbidez, clorofila A y temperatura requieren, para su cálculo y análisis, de una serie de capas que se deberán crear con anterioridad. En nuestro caso se han creado 2 capas: 1) Máscara de agua para el río que servirá para seleccionar todo el recorrido del río Guadalquivir desde la desembocadura hasta el límite discriminable aguas arriba. 2) Vectores (líneas y puntos) para la obtención de perfiles longitudinales que servirán para extraer de la imagen datos de interés. De esta manera se podrán adquirir datos para una fecha determinada y todo el transecto o para diferentes fechas y el mismo punto. El objetivo es mostrar la variación espacial y temporal de los parámetros calculados. 2.3.1. Máscara de agua para el río En este caso se ha utilizado el módulo de extracción de segmentos (clasificación orientada a objetos) incluido a partir de la versión 4.4 de ENVI. El módulo toma como referencia las características espaciales y espectrales de las imágenes para obtener segmentos que se pueden clasificar con posterioridad. La máscara (Figura 13) se ha creado a partir de la imagen que se usó como referencia en el paso de georreferenciación (20020718 ETM+) Pasos seguidos para la obtención de la máscara: • Cálculo de segmentos: Este paso divide la imagen en segmentos correspondientes a objetos del mundo real. Para ello es necesario definir el “nivel de escala” que definirá los bordes de cada objeto. El valor que mejor define los bordes del río es de 85. 48 • Clasificación de los segmentos basada en sus características 1) espectrales y 2) espaciales. 1) Se fija un umbral de la banda 5 para diferenciar los segmentos que contienen agua de los que pertenecen a tierra seca. 2) La elongación se define como el ratio existente entre el perímetro mayor y el menor de un segmento. Por tanto este criterio servirá para diferenciar objetos alargados como en el caso del río. • Exportación del vector creado y retoque manual para la creación de una máscara más precisa. Figura 13. Máscara de agua creada para su aplicación en los procesos de obtención de cartografía de turbidez y temperatura superficial. 49 2.3.2. Vector para longitudinales. la obtención de datos y perfiles Primero se ha digitalizado una línea sobre la máscara de agua que va desde la desembocadura del río Guadalquivir hasta más allá de la Presa de Alcalá (límite discriminable del río). La línea ha sido creada considerando 1) que el recorrido de la misma se acerque lo máximo posible al centro del recorrido (se pretenden evitar posibles interferencias que se puedan dar en el borde del río debidas a una respuesta espectral mixta), y 2) que la línea pase lo más cerca posible de aquellos puntos en los que existan datos auxiliares (Red de Monitorización de Variables Ambientals, ICMAN — Figura 15) que sirvan para futuras calibraciones y validaciones de los modelos. Las boyas que se han incluido son: Broa, Muelle de Bonanza, Boyas número 7, 9, 11, 13,14, 16, 18, 20, 28, 30, 34, 47, 52 Baliza de San Isaías. La longitud total de la línea es de 160 kilómetros. Sobre la línea creada se distribuyen de manera equidistante una serie de puntos (Figura 14) que servirán para obtener los datos y perfiles de turbidez y temperatura. De esta manera se han obtenido 50 puntos separados entre sí por 2.7 kilómetros. Para ello se ha utilizado el módulo ETGeoWizard para ArcGIS 9.2. (Stationay Points). 50 Figura 14. Vector de puntos y líneas creados sobre la máscara del río para la obtención de datos y perfiles de turbidez y temperatura. 51 Figura 15. Red de Monitorización de Variables Ambientales (ICMAN) 2.4. Modelos de turbidez y su aplicación El modelo de turbidez aplicado en el presente proyecto tiene su origen en el estudio sobre los “Cambios en la dinámica hídrica de la marisma de Doñana” realizado por el LAST-EBD en el 2006. En dicho estudio se obtuvieron de manera paralela datos para el río Guadalquivir y se ajustó el modelo de turbidez para el mismo. La obtención de los datos necesarios para los cálculos se llevó a cabo en diferentes campañas realizadas entre los años 2003 y 2006 (Tabla 4). Entre los objetivos del trabajo de campo estaba el de realizar mediciones sobre presencia/ausencia de inundación, así como de las características de las zonas inundadas (turbidez, cobertura de vegetación emergente, flotante y sumergida), a lo largo de un ciclo hidrológico completo de la marisma de Doñana. Los datos obtenidos debían ser simultáneos con la adquisición de datos de satélite. 52 Para ello se diseñaron tres tipos de muestreos entre los que se presenta sólo el que hace referencia al río y que se caracteriza por: - Muestreos de turbidez en puntos fijos del río Guadalquivir, dársena del Guadalquivir y graveras y balsas de riego. El objetivo de este muestreo era tener datos de un gradiente de turbidez entre el río (normalmente más turbio) y las balsas y graveras (menos turbias) presente en las imágenes aún cuando la marisma estuviera sin agua. Además, estos puntos son superficies grandes no tan afectadas por la reflectancia del fondo o la presencia de vegetación acuática flotante, emergente o sumergida, tal y como sucede en la marisma. 2.4.1. El modelo inicial De manera preliminar se ajustaron modelos predictivos del tipo GAM (Modelos Aditivos Generalizados) por un procedimiento por pasos a la turbidez, medida en NTU y transformada logarítmicamente, Ln (NTU+0.01). Los análisis se realizaron sobre los datos de turbidez de los transectos en la marisma y sobre los de puntos fijos en el río y balsas. Sólo se consideraron puntos de muestreo totalmente inundados. Se usaron como predictores los valores radiométricos normalizados en las bandas 1, 2, 3, 4, 5 y 7, más las razones entre bandas B1/B2, B2/B3, B3/B4, y VIS/NIR= (B1+B2+B3)/B4. Para el caso de la marisma, la turbidez es más alta en zonas inundadas con reflectancias altas en la banda 3 (rojo), sin embargo, para reflectancias mayores a 0.2, el valor de reflectancia de B3 no es informativo en relación con la turbidez. Entran también en el modelo la banda 5 (infrarrojo medio), a mayor reflectancia menor turbidez; pero el comportamiento es lineal, sólo es para reflectancias entre 0 y 0.09 y B.NIR, (la razón entre la reflectancia en la banda 1 (B=azul) y la banda 4 (NIR= Infrarrojo cercano). Valores bajos de esta razón indican alta turbidez. El modelo final tiene un 37.69% de varianza explicada (Figura 16). 0.1 0.2 0.3 B3.R 0.4 53 4 2 0 -2 -4 I((B5.R - 0.09) * (B5.R < 0.09)) 4 2 0 -2 I((B3.R - 0.2) * (B3.R < 0.2)) Figura 16. Efecto parcial de los predictores en la estima de la turbidez de la masa de agua en una zona inundada de la marisma. B3.R y B5.R están medidas en reflectancias 0.05 0.10 0.15 0.20 B5.R 2 0 tial for B.NIR 4 Modelo final para transectos con todas las bandas en reflectancias 0.25 54 Mejor modelo turbidez (datos del río): gam(formula = log(NTU.mean + 0.01) ~ B3.N, data = TURBIDEZ, na.action = na.exclude, trace = F) Deviance Residuals: Min 1Q Median 3Q Max -1.702599 -0.4836518 -0.04168425 0.4363984 1.629689 Coefficients: Value Std. Error t value (Intercept) 1.19475826 0.193908373 6.161458 B3.N 0.04723553 0.003449323 13.694148 (Dispersion Parameter for Gaussian family taken to be 0.5328027 ) Null Deviance: 127.0893 on 52 degrees of freedom Residual Deviance: 27.17294 on 51 degrees of freedom Explained Deviance : 78.60% Number of Fisher Scoring Iterations: 1 El mejor modelo con los datos del río es un modelo con la banda 3 (Figura 17) que indica una relación lineal entre la reflectancia en el rojo y la turbidez del río. Este modelo explica un 75% de la varianza, y no se mejora incluyendo otras bandas o razones entre bandas. Comprobamos a trasladar el modelo desarrollado con datos del río a la marisma (Figura 18) y el desarrollado en la marisma al río. La banda 3 (rojo) —el modelo del río-- parece ser buen predictor de turbidez, por sí sola. La causa mas fácilmente atribuible es el hecho de que la turbidez es debida sobre todo a sólidos en suspensión que reflejan en la banda del rojo. Las pendientes de la banda 3 en los modelos son similares (aunque algo mayor en la matriz del río) La banda 3 explica menos varianza en la marisma (26%) que en el río (78.6%). En la marisma el modelo claramente se mejora incluyendo las variables B5 y B.NIR. La gráfica de la relación de la turbidez en la marisma con la reflectancia en el rojo parece señalar puntos muy turbios con bajas reflectancia en la banda 3. Esto podría deberse a que la vegetación absorbe en el rojo que es donde reflejan los sólidos en suspensión. 55 2 -2 0 partial for B3.N 4 6 Figura 17. Efecto parcial de la variable predictora B3 (rojo) en la turbidez del río. B3.N está en valores digitales 20 40 60 80 100 120 140 160 B3.N 2 partial for B3.N 0 0 -2 -2 partial for B3.N 2 4 4 6 Figura 18. Efecto de trasladar el modelo basado en la banda 3 del río (derecha)a la marisma (izquierda). El recuadro rojo indica puntos con turbidez elevada en la marisma; pero baja reflectancia en la B3 (posiblemnete por presencia de vegetación) y mal perdichos (subestimados) por el modelo. El recuadro azul indica puntos con alta reflectividad en la B3; pero cuya turbidez sería sobreestimada por éste modelo. 20 40 60 80 100 120 20 B3.N 40 60 80 B3.N 56 100 120 140 2.4.2. Reajuste del Modelo Cruce de datos En el caso de los datos relativos al trabajo de campo realizado entre 2003-2006 el cruce se hizo de manera directa, es decir, los puntos de aquellos lugares en los que se había recogido las muestras estaban ya georreferenciados y por tanto se disponía de la localización exacta del punto. Dichos puntos se incorporaron a un entorno SIG y se procedió a la extracción de los valores radiométricos de las imágenes Landsat, utilizándose para ello el módulo de extracción de valores de Idrisi Kilimanjaro. De esta manera se crearon diferentes tablas con los valores en NTU frente la respuesta espectral del satélite para dicho punto. En el caso de los datos de Laboratorio del LAST-EBD, al coincidir con los datos de la CMA, se consiguieron las coordenadas de los puntos de muestreo y se procedió de manera similar: Se ubicaron los puntos sobre las imágenes de satélite. Todos aquellos puntos ubicados erróneamente se reposicionaron al punto central del río más cercano y se eliminaron todos aquellos que caían sobre nubes, sombras, etc. Se aplicó un buffer de 50 metros a cada punto y se extrajo la media de la respuesta espectral de la imagen de satélite para dicho buffer. Previamente se cruzaron todos aquellos valores de turbidez y sólidos en suspensión de las tablas de la Consejería y el LAST que no tuvieran un desfase temporal mayor a 8 días respecto a la fecha de adquisición de la imagen Landsat. FECHA AMA VI AMA VI AMA VI AMA VI AMA VI AMA VI AMA VI AMA VI 08/07/2008 HORA CÓDIGO 8:13 07/07/2008 Gelves NTU 176.7 DR005 SS F.L D b1 20080710 2 86.17 169 20080710 3 54.60 b2 b3 b4 b5 b7 85.67 77.17 64.00 14.33 11.83 65.60 40.60 17.20 8.40 5.40 08/07/2008 8:58 GQ90 244.2 158 20080710 2 87.50 101.67 87.83 52.33 9.67 8.00 08/07/2008 9:38 GQ120 680.0 572 20080710 2 80.50 92.00 82.17 46.67 5.33 4.83 08/07/2008 9:48 GQ130 770.0 20080710 2 76.25 93.00 78.00 38.75 7.50 6.50 08/07/2008 9:59 GQ140 670.0 20080710 2 83.57 97.14 83.00 40.57 9.14 8.00 08/07/2008 10:15 GQ150 1245.0 722 20080710 2 68.33 83.67 67.50 23.67 5.33 4.67 08/07/2008 10:35 GQ160 363.4 91.50 77.00 30.75 5.50 5.50 20080710 2 76.50 57 AMA VI AMA VI AMA VI AMA VI 08/07/2008 10:59 GQ170 393.1 329 20080710 2 76.00 08/07/2008 11:29 GQ180 260.7 241 20080710 2 93.83 108.17 89.17 51.50 12.33 11.67 08/07/2008 11:41 GQ190 185.4 156 20080710 2 85.75 95.50 80.00 35.50 08/07/2008 12:06 GQ200 46.1 62 79.50 46.83 22.00 14.00 13.00 20080710 2 79.67 91.86 74.57 30.71 7.71 8.00 6.57 7.75 Tabla 10. Ejemplo de “Cruce de datos” para una fecha determinada. Una vez obtenidos los datos de turbidez y los valores de las imágenes Landsat, se cruzaron (Tabla10) para su posterior uso en la construcción del modelo. En la tabla se muestran: La embarcación que adquirió la muestra, la fecha en la que se tomó, el código del punto, los valores (NTU y Sólidos en Suspensión), la fecha de la toma de imagen Landsat, la diferencia en días entre ambas (D) y los valores extraídos de la imagen Landsat para las Bandas 1, 2, 3, 4, 5 y 7 (media del buffer de 50 metros de diámetro). Se juntaron todos los datos provenientes de las diferentes fuentes y se generó una tabla única para su uso en el siguiente paso. El modelo De la información existente para construir un nuevo modelo de turbidez del agua del río Guadalquivir, usando como predictores las reflectividades de las bandas normalizadas de los sensores TM y ETM+ de los satélites de la serie Landsat, se seleccionaron las medidas puntuales de turbidez utilizadas en el modelo anterior (recogidas durante el periodo 2003-2006 por el proyecto HYDRA) junto con muestreos de turbidez (LAST-EBD) en diferentes puntos del río, coincidentes con las localidades de muestreo utilizadas por la Consejería de Medio Ambiente. Se realizaron semanalmente desde la embarcación AMA VI de la Consejería de Medio Ambiente entre febrero de 2008 a febrero de 2009. Estos dos conjuntos de datos de “verdad-terreno” se complementan bien, ya que se realizaron por el mismo equipo, con el mismo protocolo de medida y usando un turbidímetro nefelométrico que se calibraba semanalmente. Tienen la ventaja de cubrir un gran rango de variación de valores de turbidez del agua (Fig. 19), incluyendo aguas muy poco turbias medidas en graveras y balsas de riego y permiten utilizar el mayor número de imágenes para construir el modelo, por ser el conjunto de datos existente que abarca un intervalo de tiempo mayor. 58 Log.NTU.mean 8 6 4 2 01/01/2005 01/01/2007 01/01/2009 fecha Figura 19. Distribución temporal de los valores de turbidez utilizados para ajustar el modelo. Las medidas durante 2008-2009 son las tomadas a lo largo de este proyecto. Para los datos de turbidez medidos en NTU (Nephelometric Turbidity Units) se calculó la media cuando había más de una medida localidad y fecha y se transformaron usando el logaritmo neperiano, debido al comportamiento multiplicativo de los errores en la medida de turbidez. Se optó por ajustar un modelo automático por pasos usando como variable respuesta el logaritmo neperiano de la turbidez media en el punto (Ln NTU) y como predictores potenciales las reflectancias normalizadas de las bandas del sensor TM o ETM+. Los predictores testados fueron las bandas B1 (azul), B2 (verde), B3 (rojo), B4 (infrarrojo cercano), B5 y B7 (infrarojos medios) así como algunos ratios entre ellas B1/B2, B2/B3, B1/B4, B2/B4, B3/B4 y (B1+B2+B3)/ 3*B4. Esta selección de predictores se debe a que la turbidez del agua se manifiesta en un incremento de la reflectividad de las bandas de visible (B1, B2, y B3), especialmente en la B3 (rojo) cuando la turbidez del agua es causada por sólidos en suspensión,y el agua es poco reflectiva en las bandas del infrarrojo (B4,B5 y B7). Se ajustó un modelo tipo GAM (Generalized Additive 59 Model), con errores normales y un enlace identidad, usando el programa S-Plus 2000. Se utilizó en procedimiento “step.gam” que testa los predictores de manera automática y secuencial empezando con un spline de suavizado del predictor con 3 grados de libertad y testando en cada caso si el modelo puede simplificarse reduciendo los grados de libertad del spline, o introduciendo un nuevo predictor del conjunto de predictores potenciales. El criterio para incluir, eliminar o simplificar los grados de libertad de un predictor fue el Criterio de Información de Akaike (AIC). De manera que en cada paso de ajuste se selecciona el modelo con menor AIC. El proceso termina cuando no es posible encontrar un modelo con menor valor de AIC. Debido a que hay una diferencia temporal entre el momento en que el satélite adquiere la imagen y la medida sobre el terreno, dio un peso variable a cada observación en los modelos que es inversamente proporcional al tiempo transcurrido entre el dato de campo y la adquisición por parte del satélite (Fig. 20) 1.0 Peso de la observación 0.8 0.6 0.4 0.2 0.0 -6 -4 -2 0 2 4 6 8 Diferencia temporal (días) Figura 20. Valor de peso dado a cada observación en el modelo en fundión de la diferencia temporal entre la medida en campo y la adquisición de la imagen por parte del satélite. 60 -4 4 2 0 -6 -4 -2 partial for B3.R 0 -2 s(B2.R, 3) 2 6 8 En el modelo resultante del proceso de selección por pasos entraron como predictores la B2 (spline con 3 g.l), la B3 (lineal) y la B4 (spline con 2 g.l). Se observa un incremento lineal muy fuerte de la turbidez con el incremento de reflectividad de la banda 3 (rojo, Figura 21), que requiere ser corregido por las reflectividades de las bandas B2 y B4 (donde el comportamiento es curvilíneo). 0.1 0.2 0.3 0.4 0.1 0.2 0.3 0.4 0.5 B3.R 0 -2 -1 s(B4.R, 2) 1 2 B2.R 0.0 0.1 0.2 0.3 0.4 0.5 B4.R Figura 21. Contribución parcial de los predoctores al modelo GAM final resultante para la turbidez del río Guadalquivir mediante el procedimiento de selección de predoctores por pasos. Debido a que el modelo con splines es difícil de extrapolar a las imágenes de satélite, por carecer de una ecuación matemática, se testaron modelos lineales alternativos, partiendo del modelo con splines. Los distintos modelos explorados se compararon con el modelo con splines, testando que no disminuyera de forma significativa la varianza explicada por el modelo, y se realizaron análisis de los residuos para comprobar que el ajuste del modelo a los datos era bueno. El modelo finalmente seleccionado sustituyó los splines por un polinomio de grado 3 para la B2 y un polinomio de grado 2 para la B4 (Figura 22). Coeficientes del modelo de turbidez para bandas en reflectancias (0-1) Call: glm(formula = Log.NTU.mean ~ 1 + B2.R + (B2.R^2) + (B2.R^3) + B3.R + B4.R + (B4.R^2), data = TURBIDEZ.2009, weights = PESO.SD, na.action = na.exclude) 61 Deviance Residuals: Min 1Q Median 3Q Max -2.464223 -0.4269176 0.0006560114 0.5744882 1.927145 Coefficients: Value Std. Error (Intercept) -4.300032 1.356957 B2.R 85.215699 19.308267 I(B2.R^2) -455.942784 93.033240 I(B2.R^3) 594.581752 131.556582 B3.R 32.296434 2.504141 B4.R -15.363349 2.365168 I(B4.R^2) 20.993307 4.613411 t value -3.168879 4.413431 -4.900859 4.519590 12.897213 -6.495668 4.550496 (Dispersion Parameter for Gaussian family taken to be 0.5655403 ) Null Deviance: 525.933 on 208 degrees of freedom Residual Deviance: 114.2391 on 202 degrees of freedom Ln (T) = -4.300032 + 85.215699 B2.R - 455.942784 32.296434 B3.R - 15.363349 B4.R + 20.993307 B4.R2 B2.R2 + 594.581752 B2.R3 + Donde T es la turbidez en NTU y B2.R, B3.R y B4.R son los valores de las bandas en reflectancias. Por el comportamiento de los polinomios debe tenerse cuidado de no aplicar la fórmula para valores de B2.R fuera del rango. 0.10-0.40 ó > 0.5 para B4.R. Lo recomendable en esos casos es reclasificar los valores extremos a los límites, en B2.R = 0.1 para todo B2.R<0.1, B2.R=0.4 para todo B2.R>0.4 y B4.R=0.5 para todo B4.R>0.5. 62 -4 -5 0 partial for B3.R 0 -2 poly(B2.R, 3) 2 5 4 modelo.TURB.TU09.peso.poly1 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.1 0.2 B2.R 0.3 0.4 0.5 B3.R Modelo polínomico alternativo al 1 0 -1 -2 poly(B4.R, 2) 2 modelo con splines 0.1 0.2 0.3 0.4 0.5 B4.R Figura 22. Contribución parcial de los predoctores en el modelo final resultante para la turbidez del río Guadalquivir. Los splines para las Bandas 2 y 4 se han sustituido por polinomios. Sólidos en Suspensión: A partir de abril de 2008, a raíz de la elevada turbidez del río Guadalquivir, la CMA incluyó en sus muestreos del Plan de Vigilacia de Aguas Litorales la toma de muestras de agua para medir en laboratorio turbidez y sólidos en suspensión. La embarcación AMA VI ha medido con frecuencia casi diaria en determinados puntos del río. Los datos de la CMA demuestran que hay una elevada correlación entre sólidos en suspensión en el río Guadalquivir y turbidez. Dado que los sólidos en suspensión son una variable de interés en el transporte de sedimentos en el río y es menos susceptible de errores en su medida que la turbidez hemos optado por ajustar también un modelo a las observaciones de sólidos en suspensión de la CMA. Frente al modelo de turbidez los datos de sólidos en suspensión tienen el inconveniente de abarcar un intervalo temporal menor y por lo tanto menos imágenes de satélite. Además está peor cubierta la parte baja de gradiente (aguas con valores bajos de sólidos en suspensión). 63 Se optó por ajustar un modelo automático por pasos usando como variable respuesta el logaritmo neperiano de la concentración de sólidos en suspensión en el punto (mg/l) (Ln SS) y como predictores potenciales las reflectancias normalizadas de las bandas del sensor TM o ETM+. Los predictores testados fueron las bandas B1 (azul), B2 (verde), B3 (rojo), B4 (infrarrojo cercano), B5 y B7 (infrarojos medios) así como algunos ratios entre ellas B1/B2, B2/B3, B1/B4, B2/B4, B3/B4 y (B1+B2+B3)/ 3*B4. Esta selección de predictores se debe a que la turbidez del agua se manifiesta en un incremento de la reflectividad de las bandas de visible (B1, B2, y B3), especialmente en la B3 (rojo) cuando la turbidez del agua es causada por sólidos en suspensión y el agua es poco reflectiva en las bandas del infrarrojo (B4,B5 y B7). Se ajustó un modelo tipo GAM (Generalized Additive Model), con errores normales y un enlace identidad, usando el programa S-Plus 2000. Se utilizó en procedimiento “step.gam” que testa los predictores de manera automática y secuencial empezando con un spline de suavizado del predictor con 3 grados de libertad y testando en cada caso si el modelo puede simplificarse reduciendo los grados de libertad del spline, o introduciendo un nuevo predictor del conjunto de predictores potenciales. El criterio para incluir, eliminar o simplificar los grados de libertad de un predictor fue el Criterio de Información de Akaike (AIC). De manera que en cada paso de ajuste se selecciona el modelo con menor AIC. El proceso termina cuando no es posible encontrar un modelo con menor valor de AIC. En todos los caso se utilizó la medida de sólidos en suspensión más próxima en el tiempo a la imagen de satélite correspondiente. Debido a que hay una diferencia temporal entre el momento en que el satélite adquiere la imagen y la medida sobre el terreno, se dio un peso variable a cada observación en los modelos que es inversamente proporcional al tiempo transcurrido entre el dato de campo y la adquisición por parte del satélite. En el modelo resultante para sólidos en suspensión (Figura 23) sólo entra la banda 3 con un spline con 3 g.l. El comportamiento con la banda 3 es claramente curvilíneo. Tras varias pruebas alternativas para linearizarlo el mejor ajuste se consigue con un polinomio de tercer grado. Coeficientes del modelo de sólidos en suspensión para bandas en reflectancias (01) 64 Call: glm(formula = log.solsusp.ja ~ 1 + B3.R + (B3.R^2) + (B3.R^3), data = Solidos.suspension.JA.2009, weights = PESO.SD, na.action = na.exclude) Deviance Residuals: Min 1Q Median 3Q Max -2.255413 -0.4882018 -0.01343616 0.5736662 2.638068 Coefficients: (Intercept) B3.R I(B3.R^2) I(B3.R^3) Value Std. Error t value 2.510059 0.7414602 3.385291 23.086717 8.8918284 2.596397 -80.229724 31.9787883 -2.508842 109.923032 34.7010663 3.167713 (Dispersion Parameter for Gaussian family taken to be 0.7420435 ) Null Deviance: 575.8393 on 406 degrees of freedom Residual Deviance: 299.0435 on 403 degrees of freedom La ecuación es: Ln (SS) = 2.510059 + 23.086717 B3.R – 80.229724 B3.R2 + 109.923032 B3.R3 Siendo SS sólidos en suspension en mg/l, y B3.R la banda 3 de landsat en valores de reflectancia normalizados (0-1). 65 0 -2 poly(B3.R, 3) 2 4 Modelo predictivo para sólidos en suspensión 0.1 0.2 0.3 modelo.SOLSUSP.SO09.peso.FINAL.POLY3 0.4 0.5 B3.R Figura 23. Contribución parcial de los predoctores en el modelo final resultante para sólidos en suspensión en el río Guadalquivir. El spline para la Banda 3 se ha sustituido por un polinomio de tercer grado. 2.4.3. Aplicación del modelo Los modelos para el cálculo de sólidos en suspensión (mg/l) y NTU (unidades nefelométricas de turbidez) se implementaron utilizando la calculadora del software de SIG y teledetección MiraMon (v.6.4c). Para ello se seleccionaron previamente las bandas corregidas provenientes del preproceso (corregidas geométricamente, radiométricamente y normalizadas). Para el caso de los sólidos en suspensión la banda seleccionada corresponde a la 3 y las bandas 2, 3 y 4 para el cálculo de NTU. 66 Como se comenta en el apartado del “modelo” el ajuste para algunas bandas se realizó por polinomios y por tanto habrá que tener cuidado a la hora de aplicar la ecuación en los extremos, fuera de dichos límites; • En el caso de la aplicación de la ecuación para NTU: Para la banda 2 estarán fueran de rango aquellos valores de reflectividad menores a 0.10 y mayores a 0 y para la banda 4 aquellos valores que estén por encima de 0.5. La banda 3 no deberá ser modificada debido a su respuesta lineal. • Para los sólidos en suspensión: Para la banda 3 todos aquellos valores que tengan una reflectividad mayor a 0.5 Por tanto todos aquellos valores extremos a los límites se reclasificaron siguiendo: NTU: B2 = 0.1 para todo B2 < 0.1, B2 = 0.4 para todo B2 > 0.4, B4 = 0.5 para todo B4 > 0.5 Sólidos en Suspensión: B3 = 0.5 para todo B3 > 0.5. Una vez realizadas las reclasificaciones se procedió a aplicar las ecuaciones a las bandas correspondientes. Para ello se crearon archivos que ejecutaran el proceso de manera automática (modo “batch”). El número total de mapas de turbidez resultante es de 426; 209 para el caso de NTUs y 217 en el caso de sólidos en suspensión. El número de imágenes resultantes es diferente debido a que intervienen un número diferente de bandas en el cálculo de cada una. En el caso de NTU se usan 3 bandas y en el caso de SS una. Se dan casos en los que determinadas bandas no se pueden normalizar y por tanto no están disponibles para su uso posterior. 2.5. Cartografía de concentración de clorofila A 2.5.1. Antecedentes Existen multitud de trabajos que emplean imágenes de satélite obtenidas por sensores multiespectrales para determinar los niveles de concentración de 67 clorofila A, tanto en la superficie del mar, zonas costeras, bahías (Gitelson et al. 1996; Han 2005; Han & Jordan 2005) como en aguas continentales, tales como lagos, lagunas, embalses, deltas interiores y otros cuerpos de agua (Mayo et al. 1995; El-Magd & Ali 2008; Kneubühler et al. 2007; Wang et al. 2003; Brivio et al. 2001; Hadjimitsis & Clayton 2008; Giardino et al. 2001; Howman et al. 1989; Kallio et al. 2008). De todos ellos, los sensores oceanográficos son los únicos diseñados específicamente para discriminar la variación de concentración de clorofila A, tales como el SeaWIFS (Sea-viewing WIde Field Sensor), el Coastal Zone Color Scanner (CZCS), the Marine Observation Satellite (MOS), o el Ocean Color and Temperature Scanner (OCTS). Este diseño mejora la relación señal/ruido en las masas de agua, dados los valores de reflectividad tan bajos en el agua, y por otro lado poseen bandas centradas en los picos de absorción y de reflectividad de la clorofila A (Brivio et al. 2001). A pesar de tener un diseño espectral orientado a aplicaciones terrestres, los sensores TM y ETM+ embarcados en los satélites Landsat 5 y Landsat 7 respectivamente, han sido también ampliamente usados en la caracterización trófica de los cuerpos de agua (Giardino et al. 2001; Howman et al. 1989; Kallio et al. 2008). La mayor parte de propuestas metodológicas para estimar la concentración de fitoplancton son bastante específicas de sitio, no siendo extrapolables a otras áreas. Todas ellas emplean mayoritariamente las bandas del visible y sobre todo la banda 2 en la región espectral del verde (0.52 - 0.60 μm), que es la más sensible a las variaciones de la concentración de fitoplancton (Figura 24). La mayoría de los trabajos establecen relaciones empíricas entre la reflectividad de las bandas visibles y la transformación logarítmica de la concentración de clorofila estimada in situ. Casi todos los trabajos ofrecen como mejor modelo empírico ajustes de regresión empleando cocientes simples entre las bandas del visible (Han & Jordan 2005). Los resultados obtenidos por los diferentes autores suelen ser reportados en términos de coeficiente de determinación de los modelos ajustados y en excepcionalmente en valores de RMSE (Root Mean Square Error) en unidades de concentración de clorofila. Estos errores en la estimación varían en función de los trabajos consultados entre 0.0072 mg/m3 para rangos entre 3 y 5 mg/m3, 0.054 mg/m3 para rangos entre 4 y 8 mg/m3 y de 30 mg/m3 para rangos entre 0.6 y 611 mg/m3 (Doña et al. 2009). 68 Figura 24. Diferencias en la respuesta espectral de muestras de agua con diferentes concentraciones de clorofila A y superposición de las 3 bandas del visible (azul, verde y rojo) de los sensores TM y ETM+. Modificado de Mayo et al. 1995. Además de las limitaciones derivadas de la baja relación señal/ruido en masas de agua de los sensores TM y ETM+, existen otras desventajas comentadas por todos los autores. Por un lado, la resolución espectral, es decir, el intervalo espectral capturado por cada una de las bandas de estos sensores, se manifiesta como muy ancho y grosero para determinar con precisión variaciones de fitoplancton en masas de agua. Por otro lado, varios trabajos ponen de manifiesto la necesidad de aplicar adecuadas correcciones atmosféricas a las imágenes, dadas las condiciones de baja reflectividad de las masas de agua, la importancia de la radiación difusa en las bajas longitudes de onda y el efecto de dispersión de la radiación en aguas profundas. Todos estos inconvenientes reducen considerablemente la aplicabilidad de las escenas de los sensores TM y ETM+ en la caracterización trófica de los cuerpos de agua. Por si no fuera poco, las condiciones de turbidez modifican la respuesta espectral de las aguas de una forma mucho más importante que la concentración de clorofila o el contenido en materia orgánica disuelta, lo que reduce la capacidad de estimación en función de la concentración de sólidos en suspensión. En otras palabras, a medida que aumenta la turbidez o concentración de sólidos en suspensión, se reduce la capacidad de estimar la concentración de fitoplancton. En este sentido es 69 importante reseñar que ante un aumento de la turbidez la concentración de clorofila siempre disminuye (Figura 25), consecuencia de la reducción de la radiación fotosintéticamente activa (PAR). 1000 900 Clor.a(mg/ m3) 800 700 600 500 400 300 200 100 0 0 1 2 3 4 5 SD (m) Figura 25. Relación entre los valores de concentración de clorofila A y la profundidad de lectura del disco de Secchi (extraído de Doña et al. 2009). Nótese que a partir de determinada profundidad del disco de Secchi las concentraciones de clorofila A se reducen extraordinariamente. Sin embargo, en el marco del presente proyecto dos razones fundamentales se presentan como suficientes para prospectar la aplicabilidad de los sensores TM y ETM+ embarcados en la serie de satélites Landsat. Por un lado, su alta resolución espacial (pixel=30 m), que los convierte en los únicos sensores, de adquisición periódica, que permiten tener información del río debido a su reducida anchura a lo largo de su tramo final, siendo el valor máximo de ésta en la proximidad de Bonanza con una distancia entre márgenes de aproximadamente 900 m (equivalente a 30 pixeles). No obstante, el valor medio del ancho del cauce del Guadalquivir desde Sevilla hasta la desembocadura es de 363 (~12 píxeles). La otra importante razón por la que se plantea la necesidad de valorar la aplicabilidad de estos sensores para la cartografía de concentración de clorofila es la capacidad de reconstrucción histórica retrospectiva en función de la longevidad de la serie temporal de imágenes disponible para estos sensores. Los satélites Landsat llevan orbitando la Tierra desde 1972, primero con el sensor MSS de menor resolución espacial y espectral, y posteriormente, a partir de 1984 con el sensor TM y desde 1999 con el sensor ETM+. Este hecho le otorga a estas escenas adquiridas periódicamente cada 16 días un valor excepcional para llevar a cabo un estudio retrospectivo que permita cuantificar 70 las variaciones intra e interanuales del estado trófico del Río Guadalquivir. Ambas razones son totalmente complementarias y justifican la aproximación aquí presentada con carácter experimental. 2.5.2. Datos verdad terreno disponibles Al igual que para la turbidez, el equipo del LAST-EBD empleó la multisonda Hydrolab equipado con un sensor de clorofila A de la serie 5 con rango de medición entre 0.03 y 500 μg/l, de elevada selectividad que efectúa las mediciones de forma independiente de la turbidez (OTT 2005). No obstante, las fechas disponibles para realizar los transectos del río a bordo del AMA VI fueron durante todo el periodo de estudio los martes, lo que produjo una única coincidencia entre la adquisición de imágenes Landsat y las mediciones a lo largo del transecto (Tabla 11). Fechas escenas Landsat Fecha Datos Multisonda Diferencia en días 09/02/2008 05/02/2008 28/03/2008 25/03/2008 4 3 13/04/2008 15/04/2008 -2 08/06/2008 03/06/2008 5 24/06/2008 17/06/2008 7 10/07/2008 08/07/2008 2 18/07/2008 15/07/2008 3 26/07/2008 24/07/2008 2 03/08/2008 05/08/2008 -2 11/08/2008 12/08/2008 -1 19/08/2008 19/08/2008 0 27/08/2008 02/09/2008 -6 04/09/2008 09/09/2008 -5 12/09/2008 16/09/2008 -4 06/10/2008 14/10/2008 -8 23/11/2008 21/10/2008 33 18/01/2009 20/01/2009 -2 Tabla 11. Fechas disponibles con adquisición de escenas Landsat y datos procedentes de la multisonda obtenidos a lo largo de los transectos a bordo del AMA VI. Nótese que solo una de esas fechas coincide en ambos casos. Por otro lado, se solicitaron al grupo del ICMAN los datos procedentes de las mediciones en continuo de la red de boyas instaladas durante el año 2008. Se proporcionaron para 5 escenas de Landsat (09/02/2008, 28/03/2008, 71 13/04/2008, 06/10/2008 y 23/11/2008) un total de 11 puntos útiles. Los datos relativos a la concentración de clorofila proporcionados se encuentran en unidades de voltaje obtenido por las sondas de fluorescencia instaladas en las boyas. Durante todo el periodo del presente proyecto, a pesar de haber sido recurrentemente solicitada, no se ha recibido ninguna información sobre los valores de calibración de las sondas con respecto a unidades de concentración. Así mismo se realizó petición al ICMAN de los datos para el año 2009, sin haber recibido respuesta del grupo gestor de los datos de la red de boyas. La concentración de clorofila A en la columna de agua puede oscilar sensiblemente de un día a otro, debido a diferentes factores, tales como la disponibilidad de nutrientes, de luz (turbidez), la temperatura o la salinidad (Margalef 1991) entre otros. Un ejemplo de esta variación lo proporcionan los datos de voltaje registrados por las sondas del ICMAN (Figura 26). 1.1 1.05 Fluorescencia (V) 1 0.95 0.9 0.85 0.8 0.75 0.7 0.65 10-02-2008 04:48 10-02-2008 00:00 09-02-2008 19:12 09-02-2008 14:24 09-02-2008 09:36 09-02-2008 04:48 09-02-2008 00:00 08-02-2008 19:12 0.6 Figura 26. Ejemplo de oscilación diaria de fluorescencia registrada por las sonda instalada en la boya nº9 (Punta de los Cepillos). Por último, a lo largo del proyecto se tuvo constancia de la disponibilidad de datos de concentración de clorofila A obtenidos mediante muestreos puntuales en el río Guadalquivir efectuados por la Consejería de Medio Ambiente de la Junta de Andalucía en el marco del programa de vigilancia ambiental. Estos datos se encuentran disponibles en http://www.juntadeandalucia.es/medioambiente/site/web/menuitem.a5664a214 f73c3df81d8899661525ea0/?vgnextoid=8e02756640805010VgnVCM1000000624e5 0aRCRD&vgnextchannel=3259b19c7acf2010VgnVCM1000001625e50aRCRD&lr =lang_es&vgnsecondoid=aff1f7f369a05010VgnVCM1000000624e50a. 72 Esta información contiene datos de concentración de clorofila A obtenidos mediante extracción de muestras de agua recogidas a lo largo del río (Tabla 12). No obstante, una vez más no se produjeron fechas coincidentes entre la toma de muestras y la adquisición de imágenes y tan solo 12 fueron adquiridas en un plazo menor de 1 semana. Foco Coord_x Coord_y CLA Año FechaToma Fecha imgs Diferencia días 18S 225187 4106249 8.28 2006 28/11/2006 26/11/2006 -2 17S 208075 4090221 3.87 2006 28/11/2006 26/11/2006 -2 21S 233928 4142878 38.4 2007 15/03/2007 10/03/2007 -6 18S 225187 4106249 41.4 2007 20/03/2007 18/03/2007 -2 18S 225187 4106249 19.2 2007 08/05/2007 05/05/2007 -3 21S 233928 4142878 29.15 2007 25/06/2007 22/06/2007 -4 17S 208075 4090221 10.02 2007 03/07/2007 08/07/2007 5 21S 233928 4142878 15.71 2007 16/07/2007 24/07/2007 8 71S 227813 4105424 58.8 2007 06/09/2007 10/09/2007 4 21S 233928 4142878 8.4 2007 27/09/2007 26/09/2007 -2 18S 225187 4106249 1.6 2008 12/02/2008 09/02/2008 -3 18S 225187 4106249 4.5 2008 31/03/2008 28/03/2008 -3 Tabla 12. Cruce de datos válidos entre muestreos de la CMA y escenas Landsat disponibles. La concentración de clorofila A (CLA) se indica en mg/m3. Se indica también la diferencia en días entre la toma de muestras y la adquisición de la imagen. Ante todas estas circunstancias, y sobre todo debido a la carencia de datos para utilizar como verdad-terreno, se consideró insuficiente el número de muestras para desarrollar un modelo válido para ser aplicado a toda la máscara del río. Aún así se estimó adecuado realizar un análisis preliminar prospectivo empleando los sets exiguos de datos disponibles. 2.5.3. Análisis prospectivo de la utilidad de las escenas Landsat en la cuantificación de la concentración de clorofila A. A pesar de las limitaciones existentes se procedió a valorar las relaciones entre los valores de reflectividad normalizada de las bandas de los sensores TM y ETM+ y los de concentración de Clorofila A obtenidos a partir de la multisonda y por la CMA, y por otro lado con los datos de fluorescencia procedentes de la red de boyas del ICMAN. Además, se incorporó la información referente a turbidez en el caso de la multisonda y las boyas y la Concentración de Sólidos en Suspensión (CSS) en el caso de las muestras determinadas por la CMA, con objeto de identificar el nivel de interacción entre ambas variables. 73 Por otro lado, de acuerdo con la revisión bibliográfica realizada sobre estudios precedentes de cartografía de concentración de clorofila A con imágenes Landsat, se calcularon varios índices propuestos por diversos autores en aguas continentales y costeras (Tabla 13). Una vez estimados se valoró su correlación con los diferentes sets de datos de verdad-terreno. Índice Relación Única TM1/TM2 TM1/TM3 Log(TM1/TM3) (TM1-TM3)/TM2 Giardino Index Han Index Sensor TM ETM+ ETM+ ETM+ TM TM ETM+ Referencia Calculo 1/3 1/3 (Cla) = [(0,73*⎝ TM2)+0,88] [Cla]=⎝ TM1/⎝ TM2 [Cla]=⎝ TM1/⎝ TM3 [Cla]=log(⎝ TM1/⎝ TM3) [Cla]=(⎝ TM1-⎝ TM3)/⎝ TM2 [Cla]=(11.18*⎝ TM1)-(8.96*⎝ TM2)-3.28 log(Cla)=-9.5126+12.8315*(log(⎝ ETM1)/log(⎝ ETM3)) Doña et al. 2009 Abou El-Magd & Ali 2008 Abou El-Magd & Ali 2008 Abou El-Magd & Ali 2008 Mayo et al. 1995; Brivio et al. 2001 Giardino et al. 2001 Han & Jordan 2005 Tabla 13. Relación de índices y cocientes testados para valorar la estimación de clorofila A mediante imágenes Landsat. La notación ρ alude a los valores de reflectividad de las bandas espectrales de TM y ETM+. La prospección de la relación entre turbidez y clorofila ofrece los resultados esperados con los datos obtenidos con la multisonda por un lado y los proporcionados por la CMA por otro, estos últimos con respecto a la concentración de sólidos en suspensión. Es decir, se manifiesta la relación logarítmica negativa con la presencia de un umbral a partir del cual la clorofila se reduce a valores mínimos (Figura 27). 100.00 90.00 80.00 [ClA] mg/l 70.00 60.00 50.00 40.00 30.00 20.00 10.00 0.00 0 2000 4000 6000 Turbidez (NTU) 74 8000 10000 12000 Figura 27. Relación entre los valores de turbidez y de [Cla] en las muestras medidas mediante la multisonda por el LAST-EBD a lo largo del río. Nótese la existencia de cierto umbral en torno a 2000 NTUs. No sucede así, en cambio, con los datos proporcionados por la red de boyas del ICMAN, donde no sólo no se da la relación negativa, si no que se produce una correlación positiva y significativa de ambas variables, turbidez y clorofila, esta última en voltaje (r2=0.23, p=0.02, n=22). Estos resultados junto con el desconocimiento de los valores de calibración de las sondas instaladas en las boyas confirman la poca utilidad de esta información disponible para el presente estudio. Con los sets de datos obtenidos con la multisonda y de la CMA se calcularon los índices propuestos en la literatura y se testaron las relaciones lineales y logarítmicas en modelos de regresión generales múltiples y de correlación parcial, entre los valores de clorofila A medidos in situ y los valores de reflectividad de cada una de las bandas de los sensores TM y ETM+ además de con los índices propuestos. De todas las correlaciones efectuadas, la relación negativa calculada con la banda TM1 fue la única seleccionada en un modelo paso a paso hacia delante (r2=0.74, p<0.01, n=12, log[Cla]=5.28-(12.80*ρTM1)) a pesar de existir relaciones parciales con las bandas TM2 y TM3 significativas. Estos resultados concuerdan con los trabajos precedentes en los que se pone de manifiesto la correlación con las bandas en el visible para estimar adecuadamente la [Cla] (Gitelson et al. 1996). Sin embargo, ninguno de los índices empleados mostró una correlación significativa. Este resultado pone de manifiesto la necesidad de llevar a cabo un análisis con mayor número de muestras para proponer un modelo adecuado a las características del río Guadalquivir. 2.6. Obtención de Superficie Terrestre Temperatura de En el caso de disponer de una única banda térmica, como es el caso de la serie Landsat, la corrección atmosférica y por tanto la estimación final de la Temperatura de la Superficie Terrestre (TST) se aborda mediante la ecuación monocanal (Sobrino et al. 2000) actualizada. El método llevado a cabo para la obtención de la temperatura de las aguas contemplaba en un principio el uso de la temperatura del aire al paso del satélite propuesta en Cristóbal et al. (2009) (Figura 28). Por motivos 75 operacionales se ha decidido no introducir dicha variable y el procedimiento aplicado se ha basado en el algoritmo monocanal desarrollado por JiménezMuñoz y Sobrino (2003), actualizado recientemente en Jiménez-Muñoz et al. (2008). Con motivo de reducir la influencia atmosférica en el resultado final se incluyen en la propia ecuación los parámetros necesarios para dicha corrección atmosférica, siendo necesarias una serie de capas que habrá que crear con anterioridad. Considerando dicha corrección y el resto de parámetros, entre ellos el paso de niveles digitales a radiancias, el algoritmo obtendrá como resultado una capa con los datos de temperatura superficial en grados centígrados. En el mismo proceso, llevado a cabo en la calculadora del software de tratamiento de imágenes MIRAMON v6.4c, se enmascarará todo el recorrido del río multiplicando la máscara de agua creada en 2.3.1 por el resultado de la ecuación. Figura 28. Esquema de procesado Temperatura para la obtención de temperaturas de superficie del río. Parámetros y x capas i Banda térmica de los sensores TM y Vapor de Agua, Corrección Corrección del efecto Bow- Temp. Regresión múltiple: Variables independientes: Latitud Las capas y parámetros requeridos por el algoritmo son las- siguientes: - Continentalidad Emisivida - MDE Banda térmica del sensor Landsat (B6 - TM y EMT+), losdependiente: coeficientes para Variable pasar de niveles digitales a radiancias, fuente de vapor de agua y la emisividad Coeficientes de paso de de la cubierta. ND a Radiancias. Temperatura del aire al paso del 2.6.1. Obtención de radiancias El primer paso para la corrección de la banda térmica de Landsat (10.4 — 12.5m) (Figura 29) supone la conversión de los niveles digitales a radiancias. Para ello se seguirá la misma metodología usada en la obtención de radiancias en el espectro solar. Se calculan a partir de los coeficientes de calibrado del sensor, empleando la siguiente ecuación: 76 L = G˙DN+B Siendo: L : Radiancia espectral obtenida por el sensor (W˙m-2˙sr-1˙ˇm-1) G: Ganancia B: Sesgo Los coeficientes de conversión se tomarán de las principales referencias de la bibliografía (Chander et. al. 2009). Figura 29. Imagen Landsat TM banda 6 (10.4-12.5m) corregida geométricamente y en DNs 08/06/2008 2.6.2. Procesado de las imágenes MODIS TERRA de vapor de agua El vapor de agua se obtiene mediante imágenes TERRA/AQUA MODIS que se pueden descargar gratuitamente desde la web del USGS (http://ladsweb.nascom.nasa.gov/data/). El producto a descargar está en Terra (o Aqua) Atmosphere Level 2 products. De aquí el producto a elegir es el MOD05_L2 Level 2 Total precipitable water vapor test results (Figura 30). También se puede calcular mediante imágenes NOAA AVHRR (Sobrino et al., 2002). El RMSE en vapor de agua debe estar sobre los 0.5 g cm-2, error 77 aceptable para usar esta variable como entrada en el modelo de obtención de la temperatura superficial. Antes de introducir la capa de vapor de agua en el modelo, ésta requiere de una corrección para la reducción del llamado efecto “bow-tight” (efecto de distorsión en los bordes de la imagen original). Para ello se usa un código específico escrito en IDL (Anejo VI), el cual, de manera secuencial, reproyectará la imagen al sistema de referencia con el que estamos trabajando, recortará la imagen respecto al marco de salida de la imagen Landsat (Figura 31), se detallarán los metadatos necesarios para procesos posteriores y en la medida de lo posible reducirá dicho error. Para ello será necesario tener instalado el programa HegWin (http://newsroom.gsfc.nasa.gov/sdptoolkit/HEG/HEGDownload.html) y alguna de las versiones de ENVI 4.X. y MiraMon. En aquellos casos en los que la imagen MODIS no se superponga de manera completa al marco de la imagen Landsat, habrá que crear un mosaico con las imágenes adyacentes que se hayan obtenido con anterioridad, aunque ello suponga que las imágenes estén tomadas a una hora diferente. En aquellos casos en los que exista pérdida de datos se correrá el módulo FagoVal de MiraMon para minimizar el error final. 78 Figura 30. Producto MODIS TERRA — Vapor de agua IR cercano (MOD05) —Tile h17,v5 Figura 31. Producto MODIS TERRA procesado - Vapor de agua IR cercano (MOD05) 2.6.3. Emisividad de la cubierta En la región del infrarrojo térmico, los parámetros de temperatura y emisividad están acoplados. Por lo tanto, el cálculo de la Temperatura de Superficie Terrestre (TST) requiere la obtención previa de la Emisividad de la Superficie Terrestre (EST). 79 Los rangos o expresiones tradicionales para la asignación de emisividades que dependen del tipo de cubierta no son aplicables a superficies como el agua. A partir de espectros medidos en laboratorio existe un valor consensuado de emisividad para Landsat 4, 5 y 7 que es de 0.99. Este valor podría variar según los sedimentos en suspensión aunque no hay mucha literatura sobre el tema. Por tanto, como la emisividad será siempre la misma en el caso del río, se crea una capa utilizando la máscara de agua y se le asigna el valor de 0.99 (Figura 32) Figura 32. Capa de emisividad de valor constante para las masas de agua; 0.99 2.6.4. Algoritmo de obtención de la temperatura superficial Para el cálculo de la TST se ha usado la calculadora de MiraMon 6.4c para la cual se han creado los ficheros MMC necesarios con las expresiones propuestas en la metodología a seguir (Tabla 15). El algoritmo monocanal vienen dado por: 80 Donde; • Lsen es radiancia medida en el sensor y vendrá, como se ha comentado anteriormente, dada por: Lsen™ = 1.274425197996+0.055374803*[B6] para Landsat 5 TM LsenETM = -0.067086614+0.067086614*[B6] para Landsat 7 ETM+ • es la emisividad de la superficie terrestre (constante en el caso del agua; 0.99) • Los parámetros sensor (Tsen): y δ se pueden obtener a partir de la radiancia o temperatura de brillo del Se calcularán a partir de las expresiones: = 1/((((14387.7*[Lsen])/POW([Tsen],2))*((17229.93553/(119104000))*[Lsen]+0.08 7282884))) donde la temperatura de brillo aparente se calculará mediante la inversión de la ley de Planck: 81 siendo K1 (W m-2 sr-1 ˇm-1) y K2 (K) las constantes de calibración en función de la configuración de la banda térmica de Landsat (tabla 14), y Lλ es la radiancia espectral (W m-2 sr-1 ˇm-1) calculada en el punto anterior. K1 K2 Landsat-4 TM 671.62 1284.3 Landsat-5 TM Landsat-7 ETM+ 607.76 1260.6 666.09 1282.7 Tabla 14. Constantes de calibración usadas para calcular Tsensor para cada configuración de la banda térmica de Landsat. K1 en W m-2 sr-1 ˇm-1 y K2 en K. Por tanto calculado mediante la expresión: Tsen = (1260.56/LN(607.76/[Lsen]+1)) para Landsat 5 TM Tsen = (1282.71/LN(666.09/[Lsen]+1)) para Landsat 7 ETM + • δ = (-[ ])*[Lsen]+[Tsen] • Ψi son las llamadas funciones atmosféricas, que dependen en principio de la transmisividad atmosférica τ y de la radiancia atmosférica ascendente L , descendente L , y se calcularán mediante: Ψ1 =1.1086646+(-0.1033978*[W])+(0.0891704*(POW([W],2))) Ψ2 =-0.3642094+(-0.1033978*[ W])+(-0.7075595*(POW([W],2))) Ψ3 =-0.4134279+(1.5021670*[ W])+(-0.0331242*(POW([W],2))) 2.6.5. Obtención de Temperatura de Superficie del Agua Los parámetros necesarios para la obtención de la temperatura del agua se calculan de manera automática y secuencial. Se calculan todas las capas intermedias para su aplicación en la ecuación final. El resultado final será una 82 nueva capa con las temperaturas del río Guadalquivir en grados centígrados (Figura 33) con un RMSE medio de 1.5ºC. Lsen =1.2377996+0.0551584*[B6] Tsen = (1260.56/LN(607.76/[Lsen]+1)) Ψ1 = 1.1086646+(-0.1033978*[W])+(0.0891704*(POW([W],2))) Ψ2 = -0.3642094+(-0.1033978*[W])+(-0.7075595*(POW([W],2))) Ψ3 = -0.4134279+(1.5021670*[W])+(-0.0331242*(POW([W],2))) =((((14387.7*[Lsen])/POW([Tsen],2))*((17229.93553/(119104000))*[Lsen]+ 0.087282884))) δ = (-[ ])*[Lsen]+[Tsen] 0 99 TST=([ ]*((1/([ ;0.99]))*([Lsen]*[ Ψ1]+[ Ψ2])+[ Ψ3])+[ ]) LOOP — TST_Fecha_Final.img TST en C 83 Tabla 15. 1) Ecuaciones intermedias para la obtención de las capas necesaria para el cálculo de la TST y 2) Ecuación final para para el cálculo de la TST 84 30.9997 ºC 27.8108 ºC 26.3313 ºC Figura 33. Ejemplo de Temperatura del Agua en ºC — 03/08/2003. Disponible en Anexo Cartográfico III. 85 2.7. Integración de los datos en entornos SIG, elaboración de gráficas y cartografía Integración de datos Con el objetivo de facilitar y mejorar la organización de los datos, su entendimiento, la obtención de gráficas, la generación de cartografía etc., todos los resultados de la aplicación de los algoritmos, las capas intermedias, las imágenes originales (corregidas) así como información adicional que pueda ayudar en la interpretación y análisis han sido integrados en un entorno de Sistemas de Información Geográfica. Para ello se ha utilizado ArcGIS 9.3. (Figura 34) 86 Figura 34. Ejemplo de integración de los datos en entorno SIG Generación de gráficas y cartografía De forma paralela, para una mejor comprensión visual de los valores de turbidez y temperatura del río se han extraído valores para una serie de puntos y se han creado una serie de gráficas que muestran el perfil espacial de la turbidez (Figura 35) a lo largo del recorrido del río. Figura 35. Ejemplo del gradiente espacial de turbidez a lo largo del recorrido del río incluido en la cartografía final. Unidades Nefelométricas de Turbidez (Ln NTU) 11/08/2008 Para ello, en el caso de la turbidez se ha generado una capa de puntos desde la desembocadura hasta la Presa de Alcalá. Los puntos están separados de manera equidistante cada 2.7 kilómetros, obteniendo así un total de 50 puntos. Sobre esta capa de puntos se ha generado un buffer de 100 metros de diámetro, el cual se ha utilizado para hacer la extracción de los valores. El valor final que se obtiene es la media de los píxeles que caen dentro del buffer generado. Para la extracción de los valores de temperatura el valor del buffer ha sido de 50 metros. Se ha hecho de esta manera debido a la menor resolución espacial de la banda térmica de Landsat (120 y 60 metros). De esta manera se pretende evitar una respuesta espectral mixta en los lugares en los que el río es más estrecho. 87 Para la generación cartográfica se ha diseñado una plantilla para agilizar el proceso. Con el objetivo de reflejar la mayor parte del río de manera visual se han seleccionado diferentes zonas a lo largo de su recorrido (Figura 36) que se han representado a diferentes escalas (ver Anexos Cartográficos I, II y III). Una vez diseñada la plantilla y calculados los gráficos se elaboró toda la cartografía de manera manual. Figura 36. Diferentes zonas en las que se ha dividido el río para su mejor visualización cartográfica. 88 89 Capítulo 3. Resultados y discusión 3.1. Turbidez y Sólidos en Suspensión Los modelos desarrollados han permitido obtener un total de 426 mapas, 209 correspondientes a la Turbidez medida en Unidades Nefelométricas de Turbidez (NTU) y 217 de Sólidos en Suspensión (mg/l). El mayor número de imágenes de satélite se da para las fechas cercanas a verano (Tabla 16). De cada una de ellas se ha generado la cartografía correspondiente que puede ser consultada en los anexos I y II. Nº de imágenes Sól. Suspensión (217) Enero 19 20 Febrero 17 18 Marzo 11 11 Abril 17 17 Mayo 15 15 Junio 26 27 Julio 26 26 Agosto 25 24 Septiembre 19 21 Octubre 14 14 Noviembre 16 17 Diciembre 4 7 Tabla 16. Número de imágenes por mes procesadas para el cálculo de turbidez (NTU) y sólidos en suspensión (mg/l) Nº de imágenes NTU (209) Aunque el presente estudio no pretende describir de manera exhaustiva cuál es la dinámica de la turbidez, la obtención de valores a partir de los cálculos realizados nos permite, por primera vez, visualizar cuáles han sido los patrones de este parámetro durante los últimos 25 años. Si bien la serie histórica no está completa, los datos que se muestran en la figura 37 nos dan una perspectiva inicial de cuándo se dan los mínimos, los máximos, en qué años, etc. 90 Figura 37. Turbidez media (NTU) del río calculada para cada fecha disponible. Las marcas en el eje X corresponden al mes de Junio. Los espacios en blanco indican falta de imágenes. Como cabía esperar, de la figura anterior se deduce que los mínimos se dan siempre en la época estival y los máximos se encuentrar entre los meses de Diciembre a Febrero (Figura 38), coincidiendo con la época de mayor precipitación. (Figura 39) Turbidez media por mes (serie temporal Landsat) 6 5.5 4.5 4 3.5 91 em ici D ov ie m br e br e e ub r N m pt ie O ct br e o os t Se Ag lio Ju ni o Ju o ay M ril Ab zo ar M re ro Fe b er o 3 En Ln NTU 5 Figura 38. Turbidez media del río por mes de la serie temporal Landsat para la serie histórica (1984-2009) Precipitación media mensual ml 120 100 80 60 40 20 ie m br e br e Di c No vie m O ct ub re br e Se pt ie m Ag os to Ju l io Ju ni o ay o M Ab ril ar zo M Fe br er o En er o 0 Figura 39. Precipitación media mensual (ml) coincidente con el periodo estudiado (1984-2009). Fuente: CMA-JA Por otra parte, es de destacar el periodo que va desde 1987 a 1990, donde las fluctuaciones en los valores se asemejan en forma y intensidad. Los siguientes 9 años transcurren, hasta 1999, sin demasiados cambios bruscos, siendo a partir del 2000 donde nos encontramos con eventos de turbidez más fuertes. Éstos se dan en los años 2000, 2001, 2004, 2008 y 2009. Se puede decir que los años comprendidos entre 2005 y 2007 no presentan cambios demasiado bruscos, aunque los niveles a penas bajan de 4.5 (Ln NTU), cosa que por lo general no ocurre en los años precedentes, sobre todo anteriores a 1996. Perfil longitudinal de Turbidez (NTU) 10 9 8 Promedio (Turbidez NTU) 12/12/2003 6 11/02/2009 5 14/01/1990 4 17/12/1999 3 Promedio (DiciembreFebrero) P. Al ca l Sa n 92 á 0 Is ai as Se vil la 18/02/1997 B47 1 B34 09/02/2008 B13 B14 B18 B20 B28 2 B Bo roa na nz a Ln NTU 7 Figura 40. Ejemplos de la evolución espacial de turbidez (NTU) para diferentes fechas entre Diciembre y Febrero, frente al promedio de toda la serie (rojo) y el promedio para los meses lluviosos. La figura 40 muestra algunos de los eventos que más sobresalen del promedio histórico (línea roja), incluso más que el promedio de los niveles que corresponden a los meses más lluviosos (línea azul). Entre las diferentes fechas destacan tres con valores mayores a 8 (Ln NTU). Dichos valores se dan entre Bonanza y Sevilla y corresponden a los meses de Diciembre-Febrero de los años 2003-2004, 2007-2008 y 2008-2009. En cuanto a los valores promedio de turbidez de la serie histórica analizados desde una perspectiva espacial — desde la desembocadura a la Presa de Alcalá — (Figura 39), el río se puede tramificar, de manera aproximada, en 3 partes: 1.- Mar abierto — Broa (desembocadura): Se caracteriza por un aumento brusco de la turbidez según nos adentramos en el río. 2.- Broa — Presa de Alcalá: Este tramo tiene forma de campana. El máximo se da alrededor de la Boya nº 20, a partir de la cual los niveles van disminuyendo suavemente hasta la Presa de Alcalá. Éste último punto supone el tercer tramo, en donde se puede observar un descenso bastante brusco de la turbidez una vez pasada dicha Presa. Promedio Espacial de la Turbidez (NTU) 6 5 Ln NTU 4 3 2 1 Is ai as Sa n B34 B18 B20 B28 B13 Br Bo oa na nz a 0 Figura 41. Promedio de la evolución espacial de la Turbidez (NTU) para toda la serie temporal, 1984-2009 93 La cartografía generada se puede consultar en los Anexos I y II. 3.2. Clorofila A Los resultados obtenidos, expuestos en el apartado 2.5, motivaron el interés por aplicar el modelo a las imágenes Landsat para evaluar su coherencia espacial y temporal. Se escogieron un total de 46 escenas desde el año 1984 al 2004. La mayoría de las cartografías así generadas ponen de manifiesto el gradiente trófico entre el mar (máxima concentración de clorofila A) y el río, dónde en la dársena y el canal del Guadaira se dan los valores más bajos comparativamente (Figura 42). N Concentración de Clorof 20 20 km 0.086 5.412 10.909 16.406 21.904 27.230 32.727 38.224 43.722 Figura 42. Cartografía de [Cla] en el río y el mar del día 22 de febrero de 2002 estimada mediante el modelo prospectivo. Aplicado a toda la serie de imágenes se pueden obtener los valores promedio para todo el perfil del río desde la presa de Alcalá hasta la desembocadura (Figura 43). Estos resultados preliminares muestran unos valores medios entorno a 15 mg/m3 para todo el perfil del río hasta el tramo final antes de la 94 desembocadura, con excepción de la zona a la altura de la Compuerta del Canal SE del lucio del Bocón, en Veta la Palma (Boya nº 20) donde se obtienen valores medios de 25 mg/m3. Los valores medios más altos se encuentran en el tramo final del río a la altura del Codo de la Esparraguera (~ 35 mg/m3) para volver a bajar justo en Bonanza hasta los valores medios del mar (~ 35 mg/m3). 90 80 [Cla] mg/m 3 70 60 50 40 30 20 10 Baliza San Isaias Boya nº 47 Boya nº 34 Boya nº 30 Boya nº 28 Boya nº 20 Boya nº 18 Boya nº 16 Boya nº 14 Boya nº 13 Boya nº 11 Boya nº 9 Boya nº 7 MUELLE BONANZA Broa Boya nº1 Broa RCM-9 Matalascañas 0 Red de Boyas Figura 43. Valores promedio ± desviación estándar de [Cla] de la serie histórica de imágenes Landsat 1984-2004 en cada una de las boyas de la red del ICMAN. No obstante, estos resultados deben valorarse con cautela dada la exigüidad de datos verdad terreno empleados para elaborar este modelo preliminar. 95 3.3. Temperatura De todas las imágenes disponibles para el periodo 2000-2009 se procesaron 117, obteniéndose, previo filtrado, 92 imágenes útiles de temperatura. El mayor número de imágenes se da para las fechas cercanas a verano (Tabla 17). De cada una de ellas se ha generado la cartografía correspondiente que puede ser consultada en el Anexo III. Número de imágenes (92) Enero 4 Febrero 6 Marzo 5 Abril 5 Mayo 4 Junio 15 Julio 13 Agosto 13 Septiembre 9 Octubre 6 Noviembre 8 Diciembre 4 Tabla 17. Número de imágenes por mes obtenidas en el cálculo de Temperatura Superficial del río. Algunos de los resultados obtenidos han tenido que ser revisados por estar influenciados por nieblas muy poco densas, resultando valores negativos en los valores de temperatura. Una vez corregidos dichos artefactos se creó la gráfica correspondiente a la evolución temporal de temperatura, que, de manera aproximada, nos dará una visión general de las variaciones a lo largo de los últimos 10 años (Figura 46). 96 40 35 Temperatura ºC 30 25 20 15 10 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 Mes Figura 44. Representación de las temperaturas (ºC) según el mes Como era de esperar, la temperatura aumenta según se acercan los meses estivales. La media mínima se da el mes de enero con 10ºC y la máxima en el mes de agosto con 27ºC (Figuras 44 y 45). 30 20 15 10 5 97 ie m br e br e Di c No vie m O ct ub re br e Se pt ie m Ag os to Ju li o Ju ni o ay o M Ab ril ar zo M Fe br er o 0 En er o Temperatura ºC 25 Figura 45. Temperatura media por mes en grados centígrados. Figura 46. Temperatura media (ºC) del río calculada para cada fecha disponible. Los espacios en blanco indican falta de imágenes. Línea; Media Móvil per. 4 Los valores promedio de la temperatura analizados desde un punto de vista espacial reflejan la poca variabilidad que existe en el tramo que va desde Bonanza hasta San Isaías. Los valores en dicho transecto van desde los 20 hasta los 22.5ºC. La temperatura del agua tanto en el mar como en la desembocadura son algo más bajas y su promedio ronda los 18.5ºC. El último tramo, el que va desde San Isaías hasta la Presa de Alcalá, puede que sea el más conflictivo de interpretar. Esto es debido a que probablemente exista un efecto de borde de las orillas del río, dándose una respuesta espectral mixta en las imágenes Landsat, resultando en un ligero aumento de la temperatura real del agua (se ha intentado minimizar el efecto con buffers de 50 metros). De todas maneras parece lógico pensar, siguiendo el patrón espacial del río, que las temperaturas en este tramo sean algo mayores que en los anteriores. La media se situa en torno a 23ºC. 98 Promedio Espacial de la Temperatura 26.00 Temperatura ºC 24.00 22.00 20.00 18.00 16.00 14.00 12.00 P. Al ca lá Is aí as Sa n Bo ya Bo 1 8 ya 20 Bo ya 28 Bo ya 34 Bo ya 47 13 Bo ya B Bo ro na a nz a 10.00 Figura 47. Promedio espacial de la temperatura en grados centígrados La cartografía generada para cada imagen se puede consultar en el Anexo III. Nota sobre algunos de los resultados: Las imágenes Landsat 7 (ETM+) a partir del 2003 presentan un problema de bandeado debido a un mal funcionamiento del sensor (Scan Line Corrector — SCLoff). Dicho bandeado dificulta la generación de perfiles continuos en el espacio, es decir, cuando se extraen valores de la cartografía de turbidez, sólidos en suspensión o temperatura, aquellas imágenes con esta problemática afectarán a dichos valores resultando algunas anomalías en los gráficos. 99 Figura 48. Ejemplo de anomalías en algunos puntos del perfil longitudinal del río debidas al problema de bandeado de las imágenes de satélite Landsat 7 (ETM+) Dichas anomalías se presentarán como caídas en los valores del gráfico (Fig. 48) y su importancia vendrá determinada por el número de píxeles erróneos que caen dentro del buffer utilizado para su extracción. Otra de las anomalías que pueden afectar a los valores obtenidos es debida a la presencia de nubes en el recorrido del río. Una vez aplicadas las ecuaciones para la obtención de los valores de turbidez, los valores resultantes serán mayores a los esperados debido a la mayor reflectividad de dichos cuerpos. En el caso de la banda térmica de Landsat la reflectividad será menor y por tanto la temperatura del agua obtenida también será menor. 100 Figura 49. Imagen y gráfico afectado por la presencia de nubes en el tramo que va desde la desembocadura hasta B-28. 101 Conclusiones Una serie de imágenes tan larga requiere de una importante inversión de tiempo en desarrollo de metodologías y procedimientos para tratarla, poder comparar unas imágenes con otras y obtener, en nuestro caso, la cartografía de turbidez, clorofila A y temperatura. La cartografía se ha complementado con perfiles espaciales para cada imagen, promedios temporales y espaciales de la evolución de la serie histórica, etc. Por ello es importante intentar disminuir al máximo el tiempo de procesado mediante técnicas de procesado en cadena. El desarrollo de modelos propios para el cálculo de la turbidez medida en Unidades Nefelométricas de Turbidez y Sólidos en Suspensión (mg/l) ha permitido reconstruir los patrones superficiales del río Guadalquivir satisfactoriamente. Los algoritmos existentes en la literatura pueden ser una alternativa interesante, aunque debido a la alta variabilidad de los valores del río detectada en nuestro caso no es aconsejable utilizarlos. Por otra parte, los análisis que se han hecho hasta el momento demuestran que en el caso de la turbidez se pueden diferenciar patrones de comportamiento a lo largo del río y zonificarlo dependiento de la evolución espacial de dichos valores. Los resultados en cuanto a Clorofila A se refiere, deben valorarse con cautela dada la exigüidad de datos verdad terreno empleados para elaborar el modelo preliminar. Se pone por tanto de manifiesto la necesidad de llevar a cabo un análisis con mayor número de datos de verdad-terreno fiables para proponer un modelo adecuado a las características del río Guadalquivir. No obstante, el modelo prospectivo ha permitido describir, si bien de manera general, alguna de las características del río. Los avances dados en los últimos años en cuanto a la región del térmico para el caso de la serie Landsat permiten hoy en día calcular las temperaturas de superficie terrestre de una manera relativamente sencilla. La mayor problemática puede venir dada por los factores atmosféricos que afecten la escena; el vapor de agua. Esto hace que tengamos que recurrir a fuentes de datos externas a la propia imagen y por ello el número de escenas que podamos calcular se vea limitado. A pesar de ello se han podido calcular un número considerable de escenas y generar la cartografía correspondiente así como describir algunos de los patrones superficiales de temperatura. 102 La integración de los datos en entornos como los Sistemas de Información Geográficos facilitan y mejoran la organización de los datos, análisis y interpretación, facilitan la obtención de gráficas, la generación de cartografía, etc. Las técnicas basadas en la teledetección, en comparación con los métodos tradicionales de análisis, nos permiten acercarnos de una manera rápida y relativamente sencilla a algunos de los fenómenos físicos que se dan en nuestro entorno. La resolución espacial, radiométrica y temporal junto a la adquisición de datos verdad-terreno juegan un papel fundamental a la hora de acercarnos a la realidad de dichos fenómenos. La serie de imágenes del satélite Landsat se posiciona por ello como la única opción factible. El disponer de una serie histórica larga como en el caso del Banco de Imágenes del Laboratorio de SIG y Teledetección de la Estación Biológica de Doñana permite analizar los acontecimientos pasados desde las técnicas y metodologías actuales. De esta manera se han podido reconstruir los patrones superficiales de turbidez y temperatura del Guadalquivir, abriendo así una nueva vía de exploración a la dinámica histórica del estuario del río Guadalquivir. El análisis en profundidad de los datos generados en el presente proyecto permitirá entender mejor las dinámicas pasadas y futuras de los parámetros de interés y se podrán realizar operaciones como; detección de anomalías, descripción de eventos extremos, tendencias, etc. Además, el trabajo realizado en este proyecto junto a las contínuas adquisiciones de imágenes Landsat se perfilan como una opción interesante para el seguimiento futuro de los fenómenos del río. A lo largo de un periodo de tiempo suficientemente largo y compilando muchas de esas instantáneas se pueden extraer conclusiones del funcionamiento hidrodinámico en la superficie del río. 103 Bibliografía Bibliografía Barsi, J.A., S.J. Hook, J.R. Schott, N.G. Raqueno, and B.L. Markham (2007), Landsat-5 Thematic Mapper Thermal Band Calibration Update, IEE Trans. Geosci. Remote Sens. Lett., 4(4), 552-555. Bernstein, R. 1978. Digital image processing of Earth observation sensor data. Pages 55-72 in R. Bernstein, editor. Digital Image Processing for Remote Sensing. IEEE Press, New York. Brivio, P.A., Giardino, C. y Zilioli, E. 2001. Validation of satellite data for quality assurance in lake monitoring applications. The Science of the Total Environment 268:3-18 Castaño, S., M. F. Mejuto, A. Vela, A. Quintanilla, and J. R. Ruiz. 1999. Monitoring of wetlands evolution. Pages 27-49 in S. Montesinos, and S. Castaño, editors. Aplication of Space Techniques to the Integrated management of river basin Water Resources (ASTIMwR). Final Report Contract nº ENV-CT96-0366 Environment and Climate Programme. European Comission, Directorate General XII, IV Framework Programme, Centre for Earth Observation, Albacete. Chander, G., Markham, B. (2004). Revised Landsat 5 TM radiometric calibration procedures and postcalibration dynamic ranges. IEEE Transactions on Geoscience and Remote Sensing, 41, 2674-2677. Chander, G., Markham, B. L., Barsi, J.A. (2007). Revised Landsat 5 Thematic Mapper radiometric calibration. IEEE Transactions on Geoscience and Remote Sensing, 4, 490-494. Chander, G., Markham, B.L., Helder, D.L., (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment 113 (2009) 893-903 Chavez, P. S. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment 24:459-479. Chavez, P. S. 1996. Image-based atmospheric corrections. Revisited and improved. Photogrammetric Engineering and Remote Sensing 62:10251036. Chuvieco, E. 2002. Teledetección ambiental. La observación de la Tierra desde el Espacio. Ariel Ciencia, Barcelona. Cristóbal, J, Ninyerola, M. and X. Pons (2008), Modeling air temperatura through a combination of remote sensing and GIS data. Journay of 104 Bibliografía Geophysical Research, Vol. 113, D13106, doi:10.1029/2007JD009318, 2008. Cristóbal, J., Pons, X., Serra, P. (2004). Sobre el uso operativo de Landsat-7 ETM+ en Europa. Revista de Teledetección, 21, 55-59. Domínguez Gómez, J. A. 2002. Estudio de la calidad del agua de las lagunas de gravera mediante teledetección. Page 430. Departamento de Geografía. Universidad de Alcalá, Alcalá de Henares. Doña, C. Domínguez, J.A. y Caselles, V. 2009. Hacia una relación única para el estudio del estado trófico de lagos y embalses con Thematic Mapper. Actas del Congreso Nacional de Teledetección. Calatayud, 23-26 setiembre 2009, Pp. 27. El-Magd I.A. y Ali, E.M. 2008. Estimating and Mapping Chlorophyll a Concentration as a Function of Environmental Changes of Manzala Lagoon, Egypt Using Landsat 7 ETM+ Images Giardino, C., Pepe, M.,Brivio, P. A.,Ghezzi, P. y Zilioli, E. 2001. Detecting chlorophyll, Secchi-disk depth and surface temperature in a sub-alpine lake using Landsat imagery. The Science of the Total Environment, 268:19—29. Gitelson, A.A., Yacobi, Y.Z., Karnieli, A. y Kress, N. 1996. Reflectance spectra of polluted marine waters in Haifa Bay, Southeastern Mediterranean: Features and application for remote estimation of chlorophyll concentration. Israelian Journal of Earth Sciences 45:127-136. Hadjimitsis, D.G. y Clayton, C. 2008. Assessment of temporal variations of water quality in inland water bodies using atmospheric corrected satellite remotely sensed image data. Environmental Monitoring Assessment Han, L. 2005. Estimating chlorophyll-a concentration using first-derivative spectra in coastal water. International Journal of Remote Sensing 26(23):5235—5244. Han, L. y Jordan, K.J. 2005. Estimating and mapping chlorophyll-a concentration in Pensacola Bay, Florida using Landsat ETM+ data. International Journal of Remote Sensing 26(23):5245—5254. Howman A., Grobler D., Kempster P. y Seed, A. 1989. Landsat and limnologically derived water quality data: a perspective. Environmental Monitoring and Assessment 13: 1-9. Kallio, K., Attila, J., Harma, J., Koponen, S., Pulliainen, J., Hyytiainen, U. y Pyhalahti, T. 2008. Landsat ETM+ Images in the Estimation of Seasonal Lake Water Quality in Boreal River Basins. Environmental Management 42:511—522 Kneubühler, M., Frank, T. Kellenberger, T.W. Pasche, N. y Schmid, M. 2007. Mapping chlorophyll-a in Lake Kivu with remote sensing methods. Proceedings ‘Envisat Symposium 2007’, Montreux, Switzerland 23—27 April 2007. 105 Bibliografía King, M. D., Y. J. Kaufman, D. Tanré, and T. Nakajima. 1999. Remote sensing of troposheric aerosols from space: Past, present and future. Bulletin of the American Meteorological Society 80:2229-2259. ERDAS-Imagine AutoSync Manual. Feb. 2006 Gianinetto, M., Scaioni, M. (2008) Automated Geometric Correction of High resolution Pushbroom Satellite Data. Photogrammetric Engineering & Remote Sensing, 74(1), pp. 107-116. Lee, K.-S., T.-H. Kim, Y.-S. Yun, and S. M. Shin. 2001. Spectral characteristics of shallow turbid water near the shoreline on inter-tidal flat. Korean Journal of Remote Sensing 17:131-139. Mather, P. M. 1998. Computer processing of remotely sensed images. John Wiley & Sons, Chichester. Irish, R. (2003), Landsat 7 Science Data Users Handbook, NASA, http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_toc.html. Margalef, R. 1991. Ecología. Ed. Omega. Barcelona. Pp. 951. Markham, B.L., and J.L. Barker (1986), Landsat MSS an TM post-calibration dynamic ranges, exoatmospheric reflectance and at-satellite temperatures, EOSAT Landsat Tech. Notes, 1, 3-8. Mayo, M., Gitelson, A., Yacobi, Y.Z. y Ben-Avraham, Z. 1995. Chlorophyll distribution in Lake Kinneret from Landsat Thematic Mapper data. International Journal of Remote Sensing 16(1):175-182. OTT. 2005. Hydrolab: Sondas multiparamétricas para determinar la calidad del agua. www.ott-hydrometry.com. Pp. 7 Pons, X. y Solé-Sugrañes, L., “A Simple Radiometric Correction Model to Improve Automatic Mapping of Vegetation from Multispectral Satellite Data”. Remote Sensing of Environment, Vol. 47, pp. 1-14, 1994. Robin, M. 1998. La Télédétection. Nathan, Paris. Rowe, C., and W. Dunson. 1995. Impacts of hydroperiod on growth and survival of larval amphibians in temporary ponds of Central Pennsylvania, USA. Oecologia 102:397-403. Schott, J.R., J.A. Barsi, L.B. Nordgren, N.G. Maqueño and D. De Alwis (2001) Calibration of Landsat termal data and application to water resource studies, Remote Sens. Environ., 78, 108-117. Snodgrass, J., M. Komoroski, A. Bryan, and J. Burger. 2000. Relationships among Isolated Wetland Size, Hydroperiod, and Amphibian Species Richness: Implications for Wetland Regulations. Conservation Biology 14:414-419. Sobrino, J. A. 2000. Teledetección. Servicio de publicaciones Universidad de Valencia, Valencia, España. Sobrino, J.A., J.C. Jiménez-Muñoz, N. Raissouni and G. Soria (2002), A simplified method for estimating the total water vapor contentover sea 106 Bibliografía surfaces using NOAA-AVHRR channels 4 and 5, IEEE Trans. Geosci. Remote Sens., 40, 357 - 361. Valor, E and V. Caselles (2005), Validation of the vegetation cover method for land surface emissivity estimation, in Recent Research Developments in Thermal Remote Sensing, edited by V. Caselles, E. Valor, and C. Coll pp. 1-20,, Research Signpost, Kerala, India. ISBN: 81-7736-164-3. Wang, Y. Xia, H. Fu, J. y Sheng, G. 2003. Water quality change (1988 and 1996) detection by using remote sensing data in several reservoirs of Shenzhen, China. In: Ocean Remote Sensing and Applications. Robert j. Frouin, Yeli Yuan, Hiroshi Kawamura (eds.). Proceedings of SPIE Vol. 4892:326-334. 107 Bibliografía Anejo I. Cartografía de Sólidos en Suspensión (mg/l) Anejo II. Cartografía de Turbidez (NTU) Anejo III. Cartografía Temperatura del Agua (ºC) Disponibles en el DVD adjunto al Informe. 108 de Anejos Anejo IV. Producto turbidez del río cartográfico 109 tipo de Anejos 110 Anejos 111 Anejos Banco de Imágenes del LAST. Identificación de los problemas que tiene cada imagen del Banco de Imágenes del LAST 8 24 25 10 12 28 31 1 5 14 14 16 23 15 9 25 12 28 2 3 19 27 12 28 30 15 2 6 7 11 12 1 2 4 4 18 3 22 M 7 7 8 9 10 10 12 2 3 3 3 3 3 4 6 6 8 8 12 1 1 5 6 6 7 8 10 1 2 3 4 7 8 8 8 8 9 11 Nubes en la Escena A Sens 1984 TM no 1984 TM 1984 TM toda la parte central 1984 TM no 1984 TM no 1984 TM algunas 1984 TM no 1985 TM no 1985 TM puntuales 1985 TM 1985 TM 1985 TM 1985 TM 1985 TM 1985 TM algo-NE 1985 TM no 1985 TM 1985 TM 1985 TM pocas, NE 1986 TM toda la zona norte 1986 TM no 1986 TM no 1986 TM algo CentroNE 1986 TM no 1986 TM zona W, puntuales 1986 TM 1986 TM muy pocas 1987 TM Zona SW, en el mar y algo en tierra 1987 TM no 1987 TM 1987 TM 1987 TM no 1987 TM no 1987 TM 1987 TM 1987 TM no 1987 TM zona norte, puntuales 1987 TM 112 Nubes en el río varios tramos a partir de Sevilla no muy poco algo muy poco poco todo el tramo final no no no no Anejos 24 12 1987 TM 9 26 6 6 6 8 8 15 15 14 14 14 30 1 4 5 21 7 23 10 26 27 12 16 17 4 22 7 10 14 15 21 21 28 28 11 15 15 20 20 20 6 TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM 1 2 3 3 3 3 3 3 3 4 4 4 4 6 8 9 9 10 10 12 12 1 2 3 4 6 7 8 10 1 2 3 3 3 3 4 4 4 4 4 4 5 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1988 1989 1989 1989 1989 1989 1989 1989 1989 1990 1990 1990 1990 1990 1990 1990 1990 1990 1990 1990 1990 1990 no cuadrante NW/SW y poco densas centro varios tramos afectador muy pocas en algún tramo no no no no no zona central-E bastante - 1 tramo no especie de bruma en la costa no no no Cuadrante Central-E/Norte no muy pocas, zona Central-W no no Cuandrante NW no no no (alguna cuadrante NW) no (muy pocas) 113 Anejos 23 9 10 26 7 9 25 26 14 14 13 14 1 17 4 5 24 9 25 11 28 14 15 2 6 7 27 15 17 19 21 8 25 10 14 1 4 6 24 25 11 12 2 6 7 8 8 4 5 5 6 7 7 8 9 11 11 1 2 3 4 4 5 6 7 8 10 1 2 3 6 7 9 10 12 1 2 3 5 7 9 10 11 12 1 4 1990 1990 1990 1990 1991 1991 1991 1991 1991 1991 1991 1991 1991 1991 1992 1992 1992 1992 1992 1992 1992 1992 1992 1992 1993 1993 1993 1993 1993 1993 1993 1993 1994 1994 1994 1994 1994 1994 1994 1994 1994 1995 1995 TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM cuadrante NE no no no no algo, toda zona Centro N y W no tramo final del rio muy poco/nada no no no no no muy pocas, esquina SE dispersas cuadrante NE no no no no no no no no final del tramo del rio - muy pocas no no no muy puntuales, pocas zona Nor-Norte nubes densas cuadrantes NW/SW no no no no no poco zona NW no muy poco zona NE no (alguna bruma en el mar) no (alguna bruma en la costa) 114 algún pequeño tramo no no no no Anejos 18 20 21 23 24 9 3 22 23 9 11 11 10 26 27 30 18 6 9 26 12 28 13 29 16 17 14 2 9 25 4 5 6 7 8 9 3 5 6 7 7 7 8 8 9 11 2 3 5 6 7 7 8 8 10 11 2 3 3 3 1995 1995 1995 1995 1995 1995 1996 1996 1996 1996 1996 1996 1996 1996 1996 1996 1997 1997 1997 1997 1997 1997 1997 1997 1997 1997 1998 1998 1998 1998 TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM 25 12 7 13 8 15 24 24 16 3 19 20 6 3 4 5 6 7 7 7 7 8 10 10 11 12 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 1998 TM TM TM TM TM TM TM TM TM TM TM TM TM no (alguna bruma en la costa) no no no no Mar y zona centro-sur no muy poco esquina SE no algún tramo no no no no no no (alguna bruma en la costa) no bruma difusa en la costa no no no (solo en mar cuadr. SW) no no no nubes densas cuadrantes NW/SW no ? no no parece que hay neblina en Cuadr SW/SE no no no (muy poco ) dispersas por cuadrante SW no (muy pocas esquina W) no no no algunos tramos nubes poco densas 115 Anejos 22 7 8 13 31 16 12 27 12 7 23 18 3 19 8 13 14 14 24 24 25 2 12 14 13 6 22 8 1 20 21 10 4 28 13 29 1 20 7 8 24 29 31 12 1 2 4 5 6 8 8 9 11 11 1 2 2 3 3 3 3 4 4 5 6 7 7 8 9 9 10 11 1 2 4 5 5 6 6 9 11 1 2 2 4 5 1998 1999 1999 1999 1999 1999 1999 1999 1999 1999 1999 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2001 2001 2001 2001 2001 2001 2001 2001 2001 2002 2002 2002 2002 2002 TM TM TM TM TM TM TM ETM+ ETM+ TM TM ETM+ ETM+ ETM+ ETM+ ETM+ TM TM TM TM ETM+ TM ETM+ ETM+ ETM+ TM TM ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ nubes poco densas no cuadrante NW no cuadrantes NW-SW algunas dispersas + estelas avión varios tramos de nubes poco densas no no no no (muy pocas) no (muy pocas) no no no (pocas-dispersas) no (alguna estela de avión) no no no no (muy pocas) no cuadrante NE no (alguna muy dispersa) no no no no no no inservible nubes poco densas zona Doñana y dispersas no (solo esquina W) problema bandeado zona Sur lleno de nubes bajas/bruma nubes poco densas hasta Sevilla aprox. varios tramos del rio no nubes en algunos tramos inservible 116 Anejos 16 2 18 3 19 22 7 20 10 11 16 18 27 13 14 12 2l 25 26 13 15 31 16 17 25 3 7 31 8 16 15 16 18 20 6 7 23 18 11 27 8 16 2 3 6 7 7 8 8 10 11 11 1 2 4 5 6 7 8 12 1 3 4 6 7 7 8 9 9 10 1 1 2 2 5 6 7 9 10 11 11 1 2 2 4 4 5 6 2002 2002 2002 2002 2002 2002 2002 2002 2003 2003 2003 2003 2003 2003 2003 2003 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2006 2006 2006 2006 2006 2006 2006 TM ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ ETM+ TM TM TM ETM+ TM TM TM TM TM TM TM TM TM TM ETM+ ETM+ ETM+ ETM+ TM TM TM TM TM TM TM ETM+ TM TM TM TM TM TM no no no algunas dispersas no (muy pocas zona norte) practicamente llena de nubes alguna estela de avión afecta a algún tramo pequeño no afecta a algún tramo pequeño pocas todo el cuadrante NW dispersas por la imagen no no zona central W-S no no varias zonas del rio bastantes tramos inservible para el rio no zona N-C y W y SW no zona norte, pequeñas agrupaciones no no no no inservible para el rio no no en alguna zona no algún pequeño tramo cerca de Sevilla solo esquina NW no no no no algunas estelas de avión algunas SW inservible para el rio bastante en zona N-Norte casi ninguna inservible para el rio llena de nubes si, bastantes! no no final del rio casi nada no 117 Anejos 19 5 21 6 22 23 9 10 26 6 7 7 8 8 9 10 11 11 2006 2006 2006 2006 2006 2006 2006 2006 2006 TM TM TM TM TM TM TM TM TM 12 28 13 29 14 2 18 3 19 5 21 22 8 24 9 25 10 26 20 5 9 13 7 23 23 8 8 24 18 12 12 1 1 2 3 3 4 4 5 5 6 7 7 8 8 9 9 10 11 2 4 5 5 5 6 6 6 7 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM TM ETM+ ETM+ ETM+ ETM+ TM TM TM TM TM TM ETM+ no todo nubes brumas no bastantes todo tramo NW algún tramo/puede que afectado por sombras Todo el tramo Norte Algunos tramos muchas Zona NW zona W llena de nubes y desplazada llena de nubes bruma/nebrina no, muy pocas llena de nubes bastantes nubes algunas dispersas Toda la z.W llena de nubes no no no no llena de nubes bastantes nubes bastantes nubes llena de nubes tramos afectados muchos tramos varios tramos muchos tramos muchos tramos bastantes nubes bastantes tramos 118 Anejos Anejo V. Lista de símbolos B1-7 Bandas 1 a 7 de los sensores TM y ETM+ de Landsat VIS Espectro Visible de los sensores TM y ETM+ de Landsat (0.45-0.69m) NIR Espectro del infla-rojo cercano de los sensores TM y ETM+ Landsat (0.76-0.90m) DN Niveles Digitales R NTU SS Coef. - 2 Reflectividad Unidades Nefelométricas de Turbidez Sólidos en Suspensión Coeficientes de calibración para el paso de Niveles Digitales a Radiancias G Ganancia B Sesgo TA Temperatura del Aire (ºC) W Vapor de Agua Ln Logaritmo neperiano M Máscara TST EST Temperatura Superficial Terrestre Emisividad de la Superficie Terrestre Emisividad Lsen (Lλ ) Tsen Radiancia medida en el sensor Temperatura de Brillo Aparente Parámetros deribados de la temperatura de brillo Funciones atmosféricas yδ Ψi K1 y K2 τ L L [Cla] MDE Constantes de Calibración usadas para calcular Tsen Transmisividad atmosférica Radiancia atmosférica ascendente Radiancia atmosférica descendente Concentración de Clorofila A Modelo Digital de Elevaciones 119 Anejos Anejo VI. Código IDL para el procesamiento de las imágenes MODIS TERRA (MOD05) PRO GeoreferenciaVaporAiguaAmbHegWin_Donana ; En este módulo se extraeran las imágenes del fichero HDF. Las imágenes están contenidas dentro del bloque SD o Scientific Data, en donde también se encuentran los metadatos correspondientes. ; Se extraera cada DataSet y se creará una imagen para cada una de las imágenes adquiridas. ; Se creará un .rel (Metadatos de MiraMon) multibanda y se asignarán los metadatos obtenidos para el tratamiento de las imágenes. ; ; First restore all the base save files. ; envi, /restore_base_save_files ; ; Initialize ENVI and send all errors ; and warnings to the file batch.txt ; envi_batch_init, log_file='batch.txt' ; Aquí se define la estructura de los metadatos y datos de las imágenes ResultModis={Modis, NomBanda:'',NumBanda:0L, RangI:0.0D,RangF:0.0D,UniRad:'',PendRad:0.0D, OffsetRad:0.0D,PendRefl:0.0D, OffsetRefl:0.0D,PendDNC:0.0D,OffsetDNC:0.0D, $ ValorFons:0L,TipusData:'', Nfil:0L,Ncol:0L, Unitats:'', Etiqueta:'', SpatIncer:0.0D, ScalFac:0.0D, IncerUnit:'',Xmin:0.0D, Ymax:0.0D,HoraInici:'', $ HoraFinal:'', MidaPixelX:0.0D, MidaPixelY:0.0D} ; Aquí se pone el offset y el incremento de la latitud (0,1) y de la longitud (2,3) IncOffset=INTARR(4) 120 Anejos ; Se define una la estructura. InfoModis = REPLICATE({Modis}, 1) ; Se define el directorio destino de las imágens Directori='G:\Usuaris\jcristo\Donana\Cor_T�rmico\MODIS' ; Se define el directorio en el que se encuentran las imágenes originales y el fichero “listado” (sin path) – El fichero “listado” es un txt con los nombres de las imágenes MODIS a procesar. Se debe incluir la extensión (hdf) DIrectoriEntrada='G:\Usuaris\jcristo\Donana\Cor_T�rmico\MODIS\' ;DIrectoriEntrada='X:\' ; Aquí se abre el fichero que contiene la imagen OPENR, 1, DirectoriEntrada+'listado.txt' WHILE (~ EOF (1)) DO BEGIN Nom='' READF,1,Nom SDinterface_id = HDF_SD_START( DirectoriEntrada+Nom, /READ ) HDF_SD_FILEINFO, SDinterface_id, Datasets, Attributes help, Datasets, Attributes ; Aquí se fijan los metadatos al registro 0 ya que se exportará solamente una imagen. NumMeta=0 ;El bloque de metadatos contiene información sobre la proyección cartográfica, las dimensiones de la imagen, el nombre de las bandas y las coordenadas así como los parámetros de la proyección. ;Aquí se buscarán el número más grande de filas y columnas LlegeixMetadadesGenerals, NCol, Nfil,DATA, HORA_INICI,HORA_FINAL, NomGenericImatge, SDinterface_id, IncOffset ;Aquí se asignan los valores de los metadatos a la estructura ResultModis.HoraInici=HORA_INICI ResultModis.HoraFinal=HORA_FINAL 121 Anejos ;Aquí se creará el directorio srtid donde iran a parar las imágenes CreaDirectori, Directori,STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4) ;Se tomarán los metadatos específicos y se guardarán las imágenes LlegeixMetadadesEspecifiques, InfoModis, Datasets,SDinterface_id, Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,4),STRMID(Nom,0,8)+'_' +STRMID(Nom,10,4) ;Se llama al programa HEGWin que georreferenciará las imágenes y las pasará a formato HDF. La imagen se reprojectará a Lat-Long y a 0.01 de lado de píxel. CreaFitxerSWIFT, Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4 )+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4),Direct oriEntrada+Nom ;Aquí se eliminará el archivo c:\temp\kkkk_lat_long.tif, si es que existe con anterioridad. FILE_DELETE, 'c:\temp\kkkk_lat_long.tif', /ALLOW_NONEXISTENT, /QUIET ;Aquí se ejecutará el programa para corregir las imágenes. Se llama al ejecutable Sétif.exe de HegWIN – Se configura con el parámetro “-p” SPAWN,'C:\”Path HegWIN”\MODIS\ProgramesHDF\HEG_Win_2\HEG_Win\bin\swtif.exe -p '+Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18 ,4)+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4)+'.pr m', $ /HIDE ;Se exportará la imagen a formato MiraMon ya que la metodología adoptada así lo requiere. ExportaImatgeMM, InfoModis,NumMeta, Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4 )+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4)+'_Esbo rrar.img' ;Se escribe el fichero REL – Archivo de Metadatos MiraMon CreaFitxerRel, Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4 ), InfoModis, 122 Anejos STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4)+'_Esborrar', DATA,HORA_INICI, HORA_FINAL, Nom,NumMeta PathIntro=Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_' +STRMID(Nom,18,4)+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID( Nom,18,4)+'_Esborrar.img' PathSortida=Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+' _'+STRMID(Nom,18,4)+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMI D(Nom,18,4) ;Se reproyectará la imagen a UTM 30-N con MiraMon. Si la imagen en X o Y no supera los 180000m de amplitud no se hará la reproyección ya que la imagen sería más pequeña de lo que el programa es capaz de procesar IF ((InfoModis[NumMeta].Ymax-(InfoModis[NumMeta].Ymax(InfoModis[NumMeta].MidaPixelY*InfoModis[NumMeta].Nfil))) GT 180000) THEN BEGIN IF ((((InfoModis[NumMeta].MidaPixelX*InfoModis[NumMeta].Ncol)+InfoModis[N umMeta].Xmin)-InfoModis[NumMeta].Xmin) GT 180000) THEN BEGIN SPAWN,'C:\MiraMon\CanviPrj '+' '+PathIntro+' '+PathSortida+' UTM-30N-PS 0 78000 340020 4036980 4269000 1000 x /SAC /MUT', result, ErrResult,/HIDE, /LOG_OUTPUT ENDIF ENDIF ;Aquí se borrará la imagen reproyectada con HegWin FILE_DELETE, PathIntro, /ALLOW_NONEXISTENT, /QUIET FILE_DELETE, Directori+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4 )+'\'+STRMID(Nom,0,8)+'_'+STRMID(Nom,10,7)+'_'+STRMID(Nom,18,4)+'_Esbo rrarI.rel', /ALLOW_NONEXISTENT, /QUIET ;Se cierra el fichero HDF HDF_SD_END, SDinterface_id ENDWHILE CLOSE,1 ; ; Salir de ENVI ; ;envi_batch_exit END 123 Anejos ;En este módulo se leerán los metadatos básicos y se colocarán en una matriz PRO LLegeixMetadadesGenerals, NCol, Nfil,DATA, HORA_INICI,HORA_FINAL, NomGenericImatge, SDinterface_id, IncOffset ;Se busca la fecha y la hora HDF_SD_ATTRINFO, SDinterface_id, 6, DATA=Meta_6 ; Se buscan los metadatos generales y se extraen los datos CADENA=STRMID(Meta_6,STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGDATE')+21))+23,$ (STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGDATE')+21))+23)) - $ (STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGDATE')+21))+23)) DATA= STRMID(cadena,1,4)+STRMID(cadena,6,2)+STRMID(cadena,9,2) help, data ;Se extrae la hora de inicio CADENA=STRMID(Meta_6,STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEBEGINNINGTIME')+21))+2 3,$ (STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEBEGINNINGTIME')+21))+2 3))- $ (STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEBEGINNINGTIME')+21))+2 3)) HORA_INICI= STRMID(cadena,1,2)+STRMID(cadena,4,2)+STRMID(cadena,7,2) help, HORA_INICI ;Se extrae la hora final CADENA=STRMID(Meta_6,STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGTIME')+21))+23,$ (STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGTIME')+21))+23)) - $ 124 Anejos (STRPOS(Meta_6,'VALUE = ',STRPOS(Meta_6,string(10B),STRPOS(Meta_6,'RANGEENDINGTIME')+21))+23)) HORA_FINAL= STRMID(cadena,1,2)+STRMID(cadena,4,2)+STRMID(cadena,7,2) help, HORA_FINAL ;Aquí se buscan la fecha y la hora HDF_SD_ATTRINFO, SDinterface_id, 1, DATA=Meta_1 ;Se extrae el offset de la latitud CADENA=STRMID(Meta_1,STRPOS(Meta_1,'Offset=',STRPOS(Meta_1,'DimensionM ap_1'))+7,(STRPOS(Meta_1,string(10B),STRPOS(Meta_1,'Offset=',STRPOS(Me ta_1,'DimensionMap_1'))+7))(STRPOS(Meta_1,'Offset=',STRPOS(Meta_1,'DimensionMap_1'))+7)) IncOffset(0)=cadena ;Se extrae el incremento de la latitud CADENA=STRMID(Meta_1,STRPOS(Meta_1,'Increment=',STRPOS(Meta_1,'Dimensi onMap_1'))+10,(STRPOS(Meta_1,string(10B),STRPOS(Meta_1,'Increment=',ST RPOS(Meta_1,'DimensionMap_1'))+10))(STRPOS(Meta_1,'Increment=',STRPOS(Meta_1,'DimensionMap_1'))+10)) IncOffset(1)=cadena ;Se extrae el offset de la longitud CADENA=STRMID(Meta_1,STRPOS(Meta_1,'Offset=',STRPOS(Meta_1,'DimensionM ap_2'))+7,(STRPOS(Meta_1,string(10B),STRPOS(Meta_1,'Offset=',STRPOS(Me ta_1,'DimensionMap_2'))+7))(STRPOS(Meta_1,'Offset=',STRPOS(Meta_1,'DimensionMap_2'))+7)) IncOffset(2)=cadena ;Se extrae el incremento de la longitud CADENA=STRMID(Meta_1,STRPOS(Meta_1,'Increment=',STRPOS(Meta_1,'Dimensi onMap_2'))+10,(STRPOS(Meta_1,string(10B),STRPOS(Meta_1,'Increment=',ST RPOS(Meta_1,'DimensionMap_2'))+10))(STRPOS(Meta_1,'Increment=',STRPOS(Meta_1,'DimensionMap_2'))+10)) IncOffset(3)=cadena END ;En este módulo se creará un fichero con los metadatos y se creará un fichero. A esta función le pasaremos los metadatos específicos y generales y el path donde se debe crear el fichero. 125 Anejos PRO CreaFitxerRel, Direc, InfoModis, NomGenericImatge,DATA,HORA_INICI, HORA_FINAL, Nom, NumMeta ;Aquí se creará la parte del fichero *I.rel de las diferentes imágenes. ;Crear archivo .rel openw, 3, Direc +'\'+NomGenericImatge +'I.rel' ;Escribir estructura del archivo REL printf,3,'[VERSIO]' printf,3,'VersMetaDades=4' printf,3,'SubVersMetaDades=1' printf,3,'Vers=4' printf,3,'SubVers=1' printf,3,'' printf,3,'[IDENTIFICATION]' printf,3,'DatasetTitle='+NomGenericImatge printf,3,'' printf,3,'[OVERVIEW]' printf,3,'ContentDate='+DATA+' '+HORA_INICI+'00Z,'+DATA+' '+HORA_FINAL+'00Z' ;Poner las filas y columnas printf,3,'[OVERVIEW:ASPECTES_TECNICS]' printf,3,'columns='+STRCOMPRESS(STRING(InfoModis[NumMeta].Ncol),/REMOV E_ALL) printf,3,'rows='+ STRCOMPRESS(STRING(InfoModis[NumMeta].Nfil),/REMOVE_ALL) ;Escribimos los comentarios referentes a los metadatos de las imágenes y su conversión printf,3,'comment1='+InfoModis[NumMeta].NomBanda printf,3,'comment2='+InfoModis[NumMeta].Etiqueta printf,3,'comment3=Conversi� DN a Vapor Aigua. Vapor Aigua='+STRCOMPRESS(STRING(InfoModis[NumMeta].PendRad),/REMOVE_ALL)+'* (DN'+STRCOMPRESS(STRING(InfoModis[NumMeta].OffsetRad),/REMOVE_ALL)+')' printf,3,'' ;Aquí se define la resolución espacial. Se comprueba restando las coordenadas y dividiéndolo por el número de filas y columnas. Si el resultado es diferente se cogera como buena la resolución espacial de las Y. Esto es debido a que hay pequeñas diferencias en los decimales de la medida del píxel. Para que ello no suponga un problema habrá que retocar los decimales de las coordenadas de las X, ajustándolas a la resolución espacial que se tenga. 126 Anejos printf,3,'[SPATIAL_REFERENCE_SYSTEM:HORIZONTAL]' ; la projecci� en tots els casos �s la mateixa printf,3,'HorizontalSystemIdentifier=UTM-30N-WGS84' ;printf,3,'unitats=p�xels' printf,3,'ResolutionUnits=m' ;printf,3,'resolution='+InfoModis[NumMeta].MidaPixelX printf,3,'' printf,3,'[OVERVIEW:ASPECTES_TECNICS:PLAT_INSTR_INFO]' printf,3,'MissionName=STB#' ;Se escriben los datos referentes a la plataforma printf,3,'PlatformFullName=TERRA' printf,3,'PlatformShortName=TERRA' printf,3,'PlatformSerialIdentifier=' printf,3,'InstrumentFullName=[MODIS] Moderate Resolution Imaging Spectroradiometer' printf,3,'InstrumentShortName=MODIS' printf,3,'' ;Se escriben las coordenadas de la imagen printf,3,'[EXTENT]' printf,3,'MinX='+STRCOMPRESS(STRING(Double(InfoModis[NumMeta].Xm in)),/REMOVE_ALL) printf,3,'MaxX='+STRCOMPRESS(STRING(DOUBLE(((InfoModis[NumMeta]. MidaPixelX*InfoModis[NumMeta].Ncol)+InfoModis[NumMeta].Xmin))),/REMOVE _ALL) printf,3,'MinY='+STRCOMPRESS(STRING(DOUBLE(InfoModis[NumMeta].Ym ax(InfoModis[NumMeta].MidaPixelY*InfoModis[NumMeta].Nfil))),/REMOVE_ALL) printf,3,'MaxY='+STRCOMPRESS(STRING(DOUBLE(InfoModis[NumMeta].Ym ax)),/REMOVE_ALL) printf,3,'MinYGlobal=0' printf,3,'' printf,3,'[ATTRIBUTE_DATA] printf,3,'descriptor='+InfoModis[NumMeta].Etiqueta+' Banda ' +STRCOMPRESS(STRING(InfoModis[NumMeta].NumBanda)) ;Se escribe el tipo de compresión - REAL printf,3,'TipusCompressio=real' printf,3,'Unitats='+STRCOMPRESS(STRING(InfoModis[NumMeta].unitat s)) printf,3,'MostrarUnitats=0 printf,3,'IndexsNomsCamps=1 printf,3,'NomCamp_1=1 printf,3,'TipusRelacio=RELACIO_1_1_DICC printf,3,'' printf,3,'[ATTRIBUTE_DATA:1]' printf,3,'min='+STRCOMPRESS(STRING(InfoModis[NumMeta].RangI)) 127 Anejos printf,3,'max='+STRCOMPRESS(STRING(InfoModis[NumMeta].RangF)) printf,3,'NODATA='+STRCOMPRESS(STRING(InfoModis[NumMeta].ValorFo ns)) printf,3,'NODATADef=Sense dades' CLOSE, 3 END Se crea un directorio donde se guardarán las imágenes PRO CreaDirectori, Directori,NomGenericImatge NomCarpeta=Directori+'\'+NomGenericImatge FILE_MKDIR, NomCarpeta END En este módulo se escribirán los metadatos específicos de cada imagen y se generarán las imágenes en el disco. PRO LlegeixMetadadesEspecifiques, InfoModis, Datasets, SDinterface_id, Path, NomGenericImatge s=0 FOR i=0, 17 DO BEGIN SDdataset_id=HDF_SD_SELECT(SDinterface_id, i) ;Para el caso de que los datos sean del infrarrojo cercano HDF_SD_GETINFO, SDdataset_id , NAME=nom IF nom EQ 'Water_Vapor_Near_Infrared' THEN BEGIN HDF_SD_GETINFO, SDdataset_id , COORDSYS=co , DIMS=dim, FILL=fil, FORMAT=fr, LABEL=eti, NAME=nom, NATTS=NumAtrib, NDIMS=ndim, RANGE=rang, TYPE=tip, UNIT=u InfoModis[s].TipusData=tip help,InfoModis[s].TipusData InfoModis[s].RangI=rang(0) help,InfoModis[s].RangI InfoModis[s].RangF=rang(1) help,InfoModis[s].RangF InfoModis[s].Ncol=dim(0) 128 Anejos help,InfoModis[s].Ncol InfoModis[s].Nfil=dim(1) help, InfoModis[s].Nfil InfoModis[s].NomBanda=nom help,InfoModis[s].NomBanda InfoModis[s].NumBanda=i help,InfoModis[s].NumBanda InfoModis[s].ValorFons=fil help, InfoModis[s].ValorFons InfoModis[s].Etiqueta=eti help, InfoModis[s].Etiqueta ;Se escribe el factor de escalado SpeUni = HDF_SD_ATTRFIND(SDdataset_id, 'scale_factor') HDF_SD_ATTRINFO,SDdataset_id, SpeUni, DATA=d help, d(0) InfoModis[s].PendRad=d(0) ;Se escribe el offset SpeUni = HDF_SD_ATTRFIND(SDdataset_id, 'add_offset') HDF_SD_ATTRINFO,SDdataset_id, SpeUni, DATA=d help, d(0) InfoModis[s].OffsetRad=d(0) ;Se definen las unidades SpeUni = HDF_SD_ATTRFIND(SDdataset_id, 'unit') HDF_SD_ATTRINFO,SDdataset_id, SpeUni, DATA=d help, d InfoModis[s].Unitats=d help,InfoModis[s].Unitats ;Se cierra el acceso al dataset HDF_SD_ENDACCESS, SDdataset_id BREAK ENDIF ELSE BEGIN HDF_SD_ENDACCESS, SDdataset_id ENDELSE ENDFOR END ;En este módulo se esporta la extracción del vapor de agua del HDF al formato ENVI PRO ExportaImatges, InfoModis, Imatge, OPENW, 3,'C:\temp\temp_kkk.img' 129 NumMeta Anejos SWITCH STRUPCASE(InfoModis[NumMeta].TipusData) OF ;Se define el tipo de dato 'BYTE': imatge=BYTE(imatge) 'BYTE': BREAK 'INT': imatge=LONG(imatge) 'INT':BREAK 'UINT': imatge=LONG(imatge) 'UINT':BREAK 'ULONG': imatge=LONG(imatge) 'ULONG':BREAK 'LONG': imatge=LONG(imatge) 'LONG':BREAK 'FLOAT': imatge=FLOAT(imatge) 'FLOAT':BREAK 'DOUBLE': imatge=FLOAT(imatge) 'DOUBLE':BREAK ENDSWITCH ; Write the data in D to the file: WRITEU, 3, Imatge CLOSE, 3 END ;En este módulo se exportarán las imágenes de vapor de agua a MiraMon PRO ExportaImatgeMM, InfoModis, NumMeta, Path forward_function ENVI_GET_DATA, ENVI_FILE_QUERY, ENVI_OPEN_FILE, MaximMatriu, ENVI_OPEN_DATA_FILE ENVI_OPEN_FILE, 'C:\temp\kkkk_lat_long.tif', r_fid=fid ENVI_FILE_QUERY, fid, dims=dims IF fid NE -1 THEN BEGIN imatge = ENVI_GET_DATA(fid=fid, dims=dims, pos=0) MetaTIFF = QUERY_TIFF('C:\temp\kkkk_lat_long.tif',s, GEOTIFF=Geo, IMAGE_INDEX=index) OPENW, 6,Path NODATA=where (imatge EQ InfoModis[NumMeta].ValorFons, count) data=where (Imatge NE InfoModis[NumMeta].ValorFons) 130 Anejos help, datag IF size(data,/N_DIMENSIONS) GT 0 THEN BEGIN ;Se calculan los valores mínimos y máximos de la Minim=double(MIN(imatge[data],Max=Maxim)) imagen InfoModis[NumMeta].RangI=InfoModis[NumMeta].PendRad*(double(Mini m)-InfoModis[NumMeta].OffsetRad) InfoModis[NumMeta].RangF=InfoModis[NumMeta].PendRad*(double(Maxi m)-InfoModis[NumMeta].OffsetRad) ;---------------------ImatgeExporta=InfoModis[NumMeta].PendRad*(DOUBLE(imatge)InfoModis[NumMeta].OffsetRad) IF size(NODATA,/N_DIMENSIONS) NE 0 THEN BEGIN ImatgeExporta[NODATA]=REPLICATE (InfoModis[NumMeta].ValorFons, count) ENDIF WRITEU, 6, FLOAT(ImatgeExporta) ENDIF InfoModis[NumMeta].MidaPixelX=Geo.MODELPIXELSCALETAG(0) InfoModis[NumMeta].MidaPixelY=Geo.MODELPIXELSCALETAG(1) ;Se escriben las nuevas coordenadas InfoModis[NumMeta].Xmin=Geo.MODELTIEPOINTTAG(3) InfoModis[NumMeta].Ymax=Geo.MODELTIEPOINTTAG(4) ;Se escriben el número de columnas y filas InfoModis[NumMeta].Ncol=s.DIMENSIONS(0) InfoModis[NumMeta].Nfil=s.DIMENSIONS(1) CLOSE, 6 ENVI_FILE_MNG, ID=fid, /REMOVE, /DELETE ENDIF END ; En este módulo se seleccionarán los puntos de control a partir de los cuales se realizará la corrección geométrica 131 Anejos PRO SelPuntsControl, SDinterface_id,InfoMODIS, Punts, Envolupant, IncOffset forward_function SelecColFilImatgeOri FOR i=0, 10 DO BEGIN SDdataset_id=HDF_SD_SELECT(SDinterface_id, i) HDF_SD_GETINFO, SDdataset_id , NAME=nom IF nom EQ 'Latitude' THEN BEGIN help, i HDF_SD_GETDATA, SDdataset_id, Latitud ENDIF HDF_SD_ENDACCESS, SDdataset_id IF nom EQ 'Longitude' THEN BEGIN help, i HDF_SD_GETDATA, SDdataset_id, Longitud ENDIF HDF_SD_ENDACCESS, SDdataset_id ENDFOR PuntsX=25 PuntsY=25 ;help,LONG(InfoModis[0].Nfil/(PuntsY/5)) ;help, LONG(InfoModis[0].Ncol/(PuntsX/5)) Envolupant=DBLARR(4) Envolupant(0)=MIN(Longitud) Envolupant(1)=MAX(Longitud) Envolupant(2)=MIN(Latitud) Envolupant(3)=MAX(Latitud) ;Xmin ;Xmax ;Ymin ;Ymax TotalPunts=(((InfoModis[0].Nfil/5)/(PuntsY))+1)*(((InfoModis[0].Ncol/5 )/(PuntsX))+1) Punts=DBLARR(4,TotalPunts) k=0 FOR i=0, (InfoModis[0].Nfil/5)-1,(PuntsY) DO BEGIN FOR x=0,(InfoModis[0].Ncol/5)-1, (PuntsX) DO BEGIN 132 Anejos Punts(0,k)=Longitud(x,i) Punts(1,k)=Latitud(x,i) Punts(2,k)=SelecColFilImatgeOri(IncOffset(0), IncOffset(1), x) +1 Punts(3,k)=SelecColFilImatgeOri(IncOffset(2), IncOffset(3), i)+1 k=LONG(k+1) ENDFOR ENDFOR ND ;En esta función se cogerán los puntos de control y se incluirán en un fichero de metadatos FUNCTION LlegeixPuntsControl,NomFitxer OPENR, 7, NomFitxer Nom='' READF,7,Nom Punts=DBLARR(4,LONG(Nom)) i=0 WHILE (~ EOF (7)) DO BEGIN READF,7,Nom Cadena=STRSPLIT(Nom, ' ', /EXTRACT) Punts(0,i)=Cadena(0) Punts(1,i)=Cadena(1) Punts(2,i)=Cadena(2) Punts(3,i)=Cadena(3) i=i+1 ENDWHILE CLOSE,7 RETURN, Punts END ;Aquí se georreferenciarán las imágenes mediante ENVI 133 Anejos PRO CreaGeorefENVI, SDinterface_id PuntsControl, InfoModis, ImatgeSortida, NumMeta, forward_function envi_translate_projection_units, $ envi_proj_create, ENVI_GET_DATA, ENVI_FILE_QUERY, envi_get_map_info, ENVI_FILE_MNG SWITCH STRUPCASE(InfoModis[NumMeta].TipusData) OF 'BYTE':TipusDada=1 'BYTE': BREAK 'INT':TipusDada=3 'INT':BREAK 'UINT':TipusDada=3 'UINT':BREAK 'ULONG':TipusDada=3 'ULONG':BREAK 'LONG':TipusDada=3 'LONG':BREAK 'FLOAT':TipusDada=5 'FLOAT':BREAK 'DOUBLE':TipusDada=5 'DOUBLE':BREAK ENDSWITCH SDdataset_id=HDF_SD_SELECT(SDinterface_id, InfoModis[NumMeta].NumBanda) HDF_SD_GETDATA, SDdataset_id, imatge ExportaImatges, InfoModis, Imatge, NumMeta ;Aquí se crea el fichero .hdr para que pueda leerlo ENVI;Aqu� ENVI_SETUP_HEAD, fname='C:\temp\temp_kkk', $ ns=InfoModis[NumMeta].Ncol, nl=InfoModis[NumMeta].Nfil, nb=1, $ interleave=0, data_type=TipusDada, $ offset=0, /write ENVI_OPEN_DATA_FILE,'C:\temp\temp_kkk.img' , /ENVI, r_fid=fid if (fid eq -1) then begin envi_batch_exit return endif ; ; ; ; ; Set the DIMS and POS to keywords to processes all spatial and all spectral data. Output the result to disk. 134 Anejos ;envi_file_query, fid, ns=ns, nl=nl, nb=nb dims = [-1, 0, InfoModis[NumMeta].Ncol-1, 0, InfoModis[NumMeta].Nfil-1] help, dims, /STRUCTURE pos = lindgen(1) help, pos, /STRUCTURE ; Create the projection of the map coordinates ; units = envi_translate_projection_units('Meters') proj = envi_proj_create(/utm, zone=30,datum='European 1950 PS', units=units) pixel_size = [1000., 1000.] ; ; Perform the image-to-map registration. envi_doit, 'envi_register_doit', $ w_fid=fid, w_pos=pos, w_dims=dims, $ method=6, pts=PuntsControl, pixel_size=pixel_size, background=InfoModis[NumMeta].ValorFons, $ out_name='C:\temp\kkkk_2.img', proj=proj, r_fid=idImatgeSortida, X0=78000.000,XSIZE=262020, Y0=4269000.000, YSIZE=232020, /ZERO_EDGE ENVI_FILE_QUERY, idImatgeSortida, ns=ns, nl=nl dims = [-1, 0, ns-1, 0, nl-1] ImatgeSortida = ENVI_GET_DATA(fid=idImatgeSortida, dims=dims, pos=0) InfoModis[NumMeta].Ncol=ns InfoModis[NumMeta].Nfil=nl ; Get the associated map information structure map_info = envi_get_map_info(fid=idImatgeSortida) ;help, map_info, /STRUCTURE InfoModis[NumMeta].Xmin=map_info.MC(2) InfoModis[NumMeta].Ymax=map_info.MC(3) HDF_SD_ENDACCESS, SDdataset_id ENVI_FILE_MNG, ID=fid, /REMOVE, /DELETE ENVI_FILE_MNG, ID=idImatgeSortida, /REMOVE END ;Aquí se convertirán las coordenadas geográficas a UTM/30N 135 Anejos Pro CanviaCoordenadesOriginalsProjeccio, PuntsControlOriginals, oxmap, oymap forward_function envi_translate_projection_units, $ envi_proj_create, ENVI_CONVERT_PROJECTION_COORDINATES iproj = ENVI_PROJ_CREATE(/geographic) units = envi_translate_projection_units('Meters') oproj = envi_proj_create(/utm, zone=30,datum='European 1950 PS', units=units) ixmap =PuntsControlOriginals(0,*) ;Longitud iymap =PuntsControlOriginals(1,*) ;Latitud ; ; Convert from Geographic to UTM zone ; ENVI_CONVERT_PROJECTION_COORDINATES, $ ixmap, iymap, iproj, $ oxmap, oymap, oproj ; help, oxmap(5) ;return, [[oxmap], [oymap]] END ;En este módulo se seleccionarán las filas y columnas de la imagen a partir de las coordenadas de donde se quiera extraer la imagen, el offset y el incremento FUNCTION SelecColFilImatgeOri, Offset, Increment, CoorGeoLoc IF Increment GE 0 THEN BEGIN IF Offset GE 0 THEN BEGIN Coordenada=Increment*CoorGeoLoc+Offset ENDIF ELSE BEGIN Coordenada=Increment*(CoorGeoLoc+Offset) ENDELSE ENDIF ELSE BEGIN IF Offset GE 0 THEN BEGIN Coordenada=(-1)*Increment/CoorGeoLoc+Offset 136 Anejos ENDIF ELSE BEGIN Coordenada=(-1)*(CoorGeoLoc+Offset)/Increment ENDELSE ENDELSE RETURN, Coordenada END ;En este módulo se generará un fichero .prm para que las imágenes se pueda corregir geométricamente mediante HEGWIN PRO CreaFitxerSWIFT, PathPRM, NomIntro openw, 3, PathPRM+'.prm' printf,3,'NUM_RUNS = 1' printf,3,'BEGIN' printf,3,'INPUT_FILENAME = '+NomIntro printf,3,'OBJECT_NAME = mod05' printf,3,'FIELD_NAME = Water_Vapor_Near_Infrared|' printf,3,'BAND_NUMBER = 1' printf,3,'OUTPUT_PIXEL_SIZE_X = 1000.0' printf,3,'OUTPUT_PIXEL_SIZE_Y = 1000.0' printf,3,'SPATIAL_SUBSET_UL_CORNER = ( 36.00000 -4.00000 )' printf,3,'SPATIAL_SUBSET_LR_CORNER = ( 38.00000 -8.000000 )' printf,3,'RESAMPLING_TYPE = NN' printf,3,'OUTPUT_PROJECTION_TYPE = UTM' printf,3,'ELLIPSOID_CODE = WGS84' printf,3,'UTM_ZONE = 30' printf,3,'OUTPUT_PROJECTION_PARAMETERS = ( 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 )' printf,3,'OUTPUT_FILENAME = c:\temp\kkkk_lat_long.tif' printf,3,'OUTPUT_TYPE = GEO' printf,3,'END' CLOSE, 3 END 137