Capítulo 14 Análisis histórico de los patrones superficiales de

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