PRESENTACION PFC.ppt [Modo de compatibilidad]...INTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA Índices de vegetación Se basan en el fuerte contraste entre la baja reflectividad en

PROCESAMIENTO DE IMÁGENES MODIS PROCESAMIENTO DE IMÁGENES MODIS PARA LA CARTOGRAFÍA DE ZONASPARA LA CARTOGRAFÍA DE ZONASPARA LA CARTOGRAFÍA DE ZONAS PARA LA CARTOGRAFÍA DE ZONAS

AFECTADAS POR INCENDIOSAFECTADAS POR INCENDIOS

Autor:Autor: Tutora:Tutora:Autor: Autor: Carlos Hernán GarcíaCarlos Hernán García Carmen Carmen QuintanoQuintano PastorPastor

Dpto. Tecnología Dpto. Tecnología ElectrónicaElectrónica

ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOJUSTIFICACIÓN Y OBJETIVOÓ ÓÓ ÓINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA

TRABAJO REALIZADOTRABAJO REALIZADORESULTADOSRESULTADOSCONCLUSIONESCONCLUSIONESCONCLUSIONESCONCLUSIONES

Autor: Carlos Hernán GarcíaAutor: Carlos Hernán García

ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOJUSTIFICACIÓN Y OBJETIVOÓ ÓÓ ÓINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA



JUSTIFICACIÓNJUSTIFICACIÓN

Los incendios forestales son uno de los principales problemas ambientales en Castilla y León Los sistemas de gestión de incendios se basan en la mejora deLos sistemas de gestión de incendios se basan en la mejora de la prevención y extinción de los mismos, la cartografía de áreas afectadas por los fuegos y el estudio de la posterior evolución d l dde las zonas quemadasInicialmente, la información de entrada a dichos sistemas de gestión se obtenía mediante trabajo de campog j pActualmente, el uso de la Teledetección para la cartografía de áreas quemadas está contribuyendo de forma importante, permitiendo una evaluación estadística y cartográfica máspermitiendo una evaluación estadística y cartográfica más rápida y precisa


JUSTIFICACIÓNJUSTIFICACIÓN

Entre las imágenes de satélite más ampliamente utilizadas por las técnicas de Teledetección a escala regional puedenlas técnicas de Teledetección a escala regional pueden mencionarse las procedentes del sensor MODerate resolution Imaging Spectroradiometer (MODIS) a bordo de los satélites TERRA y AQUA lanzados por la National Aeronautics andTERRA y AQUA lanzados por la National Aeronautics and Space Administration (NASA)Éstas serán las imágenes utilizadas en este trabajo


OBJETIVOOBJETIVO

Desarrollar una metodología válida para obtener una Desarrollar una metodología válida para obtener una estimación precisa de áreas quemadas a partir de estimación precisa de áreas quemadas a partir de imágenes del sensor MODIS posteriores a la fecha de imágenes del sensor MODIS posteriores a la fecha de incendioincendio

Identificación de banda de entrada más adecuadaIdentificación de banda de entrada más adecuada

Identificación del tipo de clasificador más idóneoIdentificación del tipo de clasificador más idóneoIdentificación del tipo de clasificador más idóneoIdentificación del tipo de clasificador más idóneo

Identificación del producto MODIS más adecuadoIdentificación del producto MODIS más adecuado


ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOSJUSTIFICACIÓN Y OBJETIVOS

INTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICATRABAJO REALIZADOTRABAJO REALIZADORESULTADOSRESULTADOSCONCLUSIONESCONCLUSIONESCONCLUSIONESCONCLUSIONES


INTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA

TeledetecciónTeledetección

Captación de la radiaciónCaptación de la radiación electromagnética procedente de la superficie terrestre desde un sensor a bordo de unasensor a bordo de una plataforma espacial y su posterior tratamiento para

f óobtener la información deseada.



MODISMODIS

Satélites TERRA y AQUA36 l dif t l i36 canales con diferentes resoluciones:

2 canales con 250m5 canales con 500mresto de canales con 1km

44 productos para distintas aplicacionesS h tili d l d tSe han utilizado los productos

“09” (reflectividad, diaria, 8 días, 250m)“13” (índices de vegetación, 16 días, 250m)( g )



Índices de vegetaciónÍndices de vegetación

Se basan en el fuerte contraste entre la baja reflectividad en la banda del rojo (R) (0,6µ – 0,7µ) y la alta reflectividad en labanda del rojo (R) (0,6µ 0,7µ) y la alta reflectividad en la banda del infrarrojo cercano (IRC) (0,7µ – 1,1µ)Se utilizan habitualmente como entrada para identificar áreas quemadasquemadasNosotros usaremos:

NDVI (Normalized Difference Vegetation Index)( g )EVI (Enhanced Vegetation Index)GEMI (Global Environment Monitoring Index)CSI (Cociente simple entre las bandas IRC y R)CSI (Cociente simple entre las bandas IRC y R)



Índices espectralesÍndices espectrales

En los últimos años se han diseñado algunos índices específicamente diseñados para identificar áreas quemadasespecíficamente diseñados para identificar áreas quemadasDestacan:

BAI (Burned Area Index)BAIM (Burned Area Index MODIS) NBR (Normalized Burnt Ratio)

Estos índices también serán utilizados en el trabajoEstos índices también serán utilizados en el trabajo



Modelo Lineal de Mezclas Espectrales (MLME)Modelo Lineal de Mezclas Espectrales (MLME)

La señal captada por el sensor para un determinado píxel es una mezcla de las reflectividades procedentes de lasuna mezcla de las reflectividades procedentes de las cubiertas existentes en el mismo. El MLME permite descomponer espectralmente (“unmixing”) cada pixel obteniendo tantas imágenes de salida comocada pixel obteniendo tantas imágenes de salida como categorías o cubiertas haya en la imagen original (“endmembers”)Estas imágenes (denominadas imágenes fracción) se usarán también como entrada al algoritmo de identificación de áreas quemadasq



ClasificaciónClasificación

Algoritmo que categoriza una imagen multibanda: Nivel Digital (ND) Escala categóricaNivel Digital (ND) Escala categórica

Nuestra escala será QUEMADO / NO QUEMADOTipos:Tipos:

Supervisado: parte de un conocimiento previo del terreno a partir del cual se seleccionan las muestras para cada una de las categorías Ej P l l í d í i di t i á i b bilid dcategorías. Ej: Paralelepípedos, mínima distancia, máxima probabilidad

No Supervisado: se realiza una búsqueda automática de grupos de pixeles con ND homogéneos dentro de la imagen. Queda al usuario, la labor de encontrar correspondencias entre esos grupos y sus categorías de interés. Ej: K-means, IsoData



VerificaciónVerificación

Matriz de confusión: Se obtiene a partir de los resultados de clasificación, comparándolos con la verdad - terrenoclasificación, comparándolos con la verdad terreno



VerificaciónVerificación

Índice KAPPAVALOR DE K FUERZA DE LA VALOR DE K U

CONCORDANCIA

< 0.20 Pobre

0 21 0 40 Débil∑ ∑ ∑∑−

k kkkkk xxxN

k 0.21 – 0.40 Débil

0.41 – 0.60 Moderada

0.61 – 0.80 Buena

∑ ∑∑−=

kkk

k k

xxNk 2

Donde:N: número total de píxeles en todas las clases verdad-terreno.xkk: valores de las diagonales de la matriz de confusión.

d l í l d d l lxkΣxΣk: suma de los píxeles verdad – terreno en una clase por la suma de los píxeles clasificados en esa clase


ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOJUSTIFICACIÓN Y OBJETIVOINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA



TRABAJO REALIZADOTRABAJO REALIZADOTRABAJO REALIZADOTRABAJO REALIZADO

MaterialMaterial

Datos campaña de incendios 2007 y 2008 en Castilla y León considerando2008 en Castilla y León, considerando incendios mayores de 100 ha (perímetros GPS de áreas quemadas).Imágenes MODIS:

MOD09GQ, MYD09Q1, MOD13Q1y MYD13Q1y MYD13Q1

Software empleado: ENVI (Enviroment for Visualizing Images), version 4.7



Zonas de estudioZonas de estudioUBICACIÓN FECHA TERMINO MUNICIPAL Área (ha)

ZONA ESTUDIO 131/07/2007 Aldeadávila de la Ribera 664.75

31/07/2007 Mancera de Abajo 609 32(Salamanca y Zamora) 31/07/2007 Mancera de Abajo 609.32

31/07/2007 Villamor de la Madre 356.42

ZONA ESTUDIO 2(Segovia) 28/08/2007 Tizneros 635.00( g )

ZONA ESTUDIO 3(Segovia y Burgos)

06/08/2008Moral de Hornuez / Villaverde deMontejo, Honrubia de laCuesta/Pradales

992.47

31/07/2008 Isar / Sasamón 902 3431/07/2008 Isar / Sasamón 902.34

ZONA ESTUDIO 4(León)

31/08/2008 Porqueros y Zacos 578.40

17/08/2008 Castrillo de la Valduerna 367.45

ZONA ESTUDIO 5(Zamora)

02/09/2008 San Martín de Tábara 223.71

30/08/2008 Gallegos del Río 691.85

24/08/2008 Vegalatrave 259.95



MetodologíaMetodología



Metodología: preprocesadoMetodología: preprocesado

Se obtiene para cada zona de estudioSe obtiene para cada zona de estudio la imagen verdad-terreno, que será utilizada en la etapa de validación de resultados rasterizando los ficherosresultados, rasterizando los ficheros .shp con los perímetros GPS de las áreas quemadas.




Se calculan los índices de vegetaciónRIRCNDVI ρρ −

RIRC

RIRCNDVIρρρρ

+=NDVI, índice de vegetación de diferencia normalizada:

EVI índice mejorado de vegetación: LCCEVI RIRC −

=ρρ

EVI, índice mejorado de vegetación:

GEMI, índice de vegetación global:

LCC blueRIRC +⋅−⋅+ ρρρ 21

)1()125.0()25.01( IRCGEMI

ρρηη

−−−−

=

donde es:)1( Rρ

IRCCSI ρ5.0

5.05.1)(2 22

++⋅+⋅+−⋅

=RIRC

RIRCRIRC

ρρρρρρη

η

CSI, cociente simple entre las bandas IRC y R:

IRCρ

Rρ

R

IRCCSIρ

ρ=

: reflectividad en el infrarrojo cercano

: reflectividad en el rojo


j

: reflectividad en el azulblueρ



Además, los índices espectrales, diseñados específicamente para identificación de zonas quemadas:específicamente para identificación de zonas quemadas:

BAI, índice de área quemada: 22 )()(1

IRCCIRCRCR

BAIρρρρ −+−

=

BAIM, índice de área quemada para MODIS: 22 )()(

1

IRCCIRCSWIRCSWIR

BAIMρρρρ −+−

=

NBR, cociente normalizado de área quemada SWIRIRC

SWIRIRCNBRρρρρ

+−

=quemada

: reflectividades de un punto de convergencia para áreas quemadas en el infrarrojo medio e infrarrojo cercano

CSWIRρ CIRCρy



Metodología: MLMEMetodología: MLME

PasosTransformación MNF (Minimum Noise Fraction)Transformación MNF (Minimum Noise Fraction) PPI (Pixel Purity Index): proceso de encontrar los pixeles más puros que van a definir a los “endmembers” (componente básico o clase considerada en cada pixel)o clase considerada en cada pixel)

Opción 1: vegetación, suelo y sombra-agua

Opción 2: dos tipos de vegetación, suelo y sombra-agua



Metodología: MLMEMetodología: MLME

“Unmixing”: Descomposición espectral para obtener las imágenes fracción

X = R * f + eX: reflectividad del píxel considerado (imagen original)X: reflectividad del píxel considerado (imagen original)R: matriz con la reflectividad de los “endmembers”f: imagen fracción (imagen de salida)e: término de error (RMS)



Metodología: clasificaciónMetodología: clasificación

Agrupación de clases de pixeles con ND (valores digitales)Agrupación de clases de pixeles con ND (valores digitales) similares.Se obtienen las estimaciones de área quemada empleando diferentes combinaciones de clasificadores (supervisados y no supervisado) e imágenes de entrada (original, fracción, índices)



Metodología: clasificaciónMetodología: clasificación

Clasificación NO-SUPERVISADAClasificación NO-SUPERVISADAK-MEANS: un único parámetro de entrada (número de clases)

Clasificación SUPERVISADAParalelepípedos: se definen una serie de rectángulos, que definen las fronteras de cada clase, teniendo en cuenta los ,valores máximos y mínimos de reflectividad



Metodología: verificaciónMetodología: verificación

4. VERIFICACIÓN

Muestreo desproporcionado: Seleccionamos puntos aleatorios de las áreas de estudio que representarán la fi bilid d d l j tfiabilidad del conjunto.

10% zona NO quemada 80% zona quemada

Matriz de confusión: Obtenida al comparar la verdad terreno con las diferentes estimaciones de área quemada obtenidas. Recoge los conflictos que se presentan entre las categorías

Índice kappa: medida de exactitud


ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOJUSTIFICACIÓN Y OBJETIVOINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICATRABAJO REALIZADOTRABAJO REALIZADO

RESULTADOSRESULTADOSCONCLUSIONESCONCLUSIONESCONCLUSIONESCONCLUSIONES


RESULTADOSRESULTADOSRESULTADOSRESULTADOS

1. Preprocesado

Banda 1 :R Banda 2: IRC

Imagen perímetro Imagen Verdad-Terreno Imagen original (MOD09GQ)



1. Preprocesado

NDVI EVI GEMI CSI

Autor: Carlos Hernán GarcíaAutor: Carlos Hernán GarcíaBAI BAIM NBR


2. Modelo Lineal de Mezclas Espectrales

Banda 1 Banda 2

MNF de la imagen Selección de endmembers



2. Modelo Lineal de Mezclas Espectrales

Fracción vegetación Fracción suelo


Fracción agua Imagen error


3. Clasificación

K-Means:

Clasificación 10 clases 2 clases (Q / NQ) Filtro (estimación final)

Paralelepípedos:

Autor: Carlos Hernán GarcíaAutor: Carlos Hernán GarcíaEstimación final


4. Verificación

Para cada zona de estudio1 producto “09” (reflectividad – dos bandas)1 producto 09 (reflectividad – dos bandas)1 producto “13” (índices de vegetación, 16 días)

Para cada producto se consideraron las siguientesPara cada producto, se consideraron las siguientes entradas:

IRC, todos los índices de vegetación y espectrales de l d á d i á f iórealce de áreas quemadas, imágenes fracción.

Para cada imagen de entradaClasificación supervisada (paralelepípedos) y noClasificación supervisada (paralelepípedos) y no

supervisada (k-means) con 5 - 10 clases



4. Verificación

1 MYD13Q1/MOD13Q1: índices de vegetación 16 días;1 MYD13Q1/MOD13Q1: índices de vegetación, 16 días; MYD09Q1/MOD09GQ: reflectividad diaria, (satélite ACQUA/TERRA respectivamente)

2 S: supervisado; NS: no supervisado con “n” clases



Mejor estimación de área quemada: Imágenes fracción obtenidas j q gmediante MLME aplicado al producto MOD09GQ en la zona de estudio 4 (la línea roja muestra el contorno de los incendios considerados)

Fracción vegetación Fracción suelo Fracción agua Imagen de error



Mejor estimación de área quemada: Clasificación no supervisada (10 clases) j q p ( )aplicada a las imágenes fracción mostradas en la figura 1, agrupación en clases Quemado y no Quemado; filtrado final

Clasificación (10 clases)Agrupamiento en2 clases (Q/NQ) Filtro


ÍNDICEÍNDICE

JUSTIFICACIÓN Y OBJETIVOJUSTIFICACIÓN Y OBJETIVOINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICATRABAJO REALIZADOTRABAJO REALIZADORESULTADOSRESULTADOS

CONCLUSIONESCONCLUSIONESCONCLUSIONESCONCLUSIONES



La metodología propuesta para la cartografía de g p p p gáreas quemadas a partir de imágenes MODIS posteriores al incendios ha sido validada

Respecto a la banda de entrada del clasificador:C l b d IRC i i l ti i l k t blCon la banda IRC original: estimaciones con valores kappa aceptables (aproximadamente 0.65), aunque sólo con un clasificador supervisadoCon las imágenes fracción, en 3 de las zonas de estudio las estimaciones de área quemada obtuvieron un índice kappa superior a 0.5, y en dos de ellas el kappa fue el máximo obtenido en la zona de estudio consideradaCon los índices, el NBR permitió estimaciones con kappa en torno a 0.7 en dos de las zonas de estudio, el índice BAI permitió estimaciones en tres de las zonas de estudio en torno a 0.6



Respecto al tipo de clasificador:p pLas estimaciones con una kappa superior a 0.5 fueron más frecuentes cuando se emplearon clasificadores supervisadosClasificadores no supervisados obtuvieron mejores resultados cuando se emplearon 10 clases en lugar de 510 clases en lugar de 5

Respecto al producto MODISSólo en una zona fue mejor el producto “13” (índices de vegetación 16 días) en elSólo en una zona fue mejor el producto 13 (índices de vegetación, 16 días), en el resto no hay tendencia clara


PROCESAMIENTO DE IMÁGENES MODIS PROCESAMIENTO DE IMÁGENES MODIS PARA LA CARTOGRAFÍA DE ZONASPARA LA CARTOGRAFÍA DE ZONASPARA LA CARTOGRAFÍA DE ZONAS PARA LA CARTOGRAFÍA DE ZONAS

AFECTADAS POR INCENDIOSAFECTADAS POR INCENDIOS

MUCHAS GRACIAS POR SU ATENCIÓN!MUCHAS GRACIAS POR SU ATENCIÓN!MUCHAS GRACIAS POR SU ATENCIÓN!MUCHAS GRACIAS POR SU ATENCIÓN!

Autor: Autor: Carlos Hernán GarcíaCarlos Hernán García

Tutora:Tutora:Carmen Quintano Pastor, DTECarmen Quintano Pastor, DTE

Documents

PRESENTACION PFC.ppt [Modo de compatibilidad]...INTRODUCCIÓN TEÓRICAINTRODUCCIÓN TEÓRICA Índices de vegetación Se basan en el fuerte contraste entre la baja reflectividad en