Mi Comunidad, Nuestra Tierra: Geografía para el Desarrollo Sostenible (MyCOE)

Transcripción

1 Mi Comunidad, Nuestra Tierra: Geografía para el Desarrollo Sostenible (MyCOE) Taller: Introducción a Aplicaciones de Técnicas Espaciales para la Conservación de la Biodiversidad Universidad Tecnológica de Panamá Ciudad de Panamá. 28 de enero a 1ro de febrero, 2008 MODULO SOBRE TELEDECCION Y ANALISIS DE CAMBIO DE USOS Y COBERTURA DE LA TIERRA TABLA DE CONTENIDOS Preparado por: Rebecca Beard, M.A. Titulo Página OBJETIVOS DEL MODULO 1 General 1 Específicos 1 DISCUSION SOBRE LA TECNICA DE 2 PERCEPCION REMOTA Base Teórica 2 Aplicaciones 8 APLICACION 12 Objetivo General 12 Datos 12 Programas 13 Instrucciones 13 Productos 25 REFERENCIAS OBJETIVOS DEL MODULO General Proporcionar conceptos y procedimientos básicos en el análisis espacial mediante técnicas de percepción remota o teledetección. Específicos Familiarizarse con las técnicas de análisis espacial para la detección de cambios en el uso y cobertura de la tierra, específicamente con la combinación de sensores remotos y sistemas de información geográfica (SIG). 1

2 2. DISCUSION SOBRE LA TECNICA DE PERCEPCION REMOTA Base Teórica Teledetección o percepción remota es la técnica usada para la adquisición de datos e información sobre algunas propiedades de un objeto por medio de un instrumento no en contacto directo con el objeto de interés. Percepción remota es la medida de propiedades físicas, químicas y biológicas de objetos sin el contacto directo. Como trabajan los sistemas Percepción remota es la detección y medición de energía electromagnética que emana de objetos distantes de manera tal que el usuario puede identificar y categorizar eses objetos en base a su clase, sustancia y distribución espacial. Los componentes básicos de un sistema de percepción remota incluyen un módulo de adquisición de datos y un módulo de extracción de información a partir de esos datos. El componente de adquisición de datos involucra el diseño, construcción, calibración, evaluación y operación de sensores. Para extraer información, los datos generados por los satélites deben ser procesados e interpretados. Un sistema de percepción remota requiere también de datos de campo, que contribuirán a mejorar los modelos conceptuales o específicos que permitan interpretar los datos espectrales en términos de fenómenos biofísicos o geográficos. Los datos corresponden a los valores medidos de un atributo por un sensor. La información incluye una interpretación de los datos de manera tal que ahora es posible describir un aspecto de un objeto. Aparatos miden radiación electromagnética, acústica o campos de fuerza. (1) Activos: Sensores activos generan su propia energía electromagnética para recibir posteriormente la energía del objeto de interés y as capturar sus características de textura y espectrales. (2) Pasivos: Sensores pasivos dependen de la energía de radiación solar o de la energía de radiación terrestre. 2

3 Percepción Remota Pasiva Percepción Remota Activa Sol Absorción Atmosférica Procesamiento de Imágenes RADAR Reflectancia Atmosférica Absorción Atmosférica Reflejada por objetos Emitido por sensor Reflejada por objetos Emitido por objetos Figura 1. Tipos de percepción remota. Reflectancia y longitudes de onda Los distintos tipos de superficie difieren en su comportamiento espectral. Las diferencias dependerán de una cantidad de factores ligados por un lado a las características químicas o estructurales de las superficies. La reflectancia (i.e. radiación reflejada/radiación incidente) de una superficie tendrá un comportamiento diferencial de acuerdo a la longitud de onda. Consideremos tres categorías de superficie con las cuales la radiación proveniente del sol puede interactuar: el agua, el suelo y la vegetación. Cuando sobre un cuerpo de agua incide igual cantidad de radiación azul, verde, roja e infrarroja (IR) observaremos que la reflectancia es pequeña en cualquiera de esas longitudes de onda pero que es mayor en para la radiación azul que para la verde. A su vez está última se reflejará más que la roja. La cantidad de radiación reflejada en el IR será mínima. Este comportamiento está asociado a que buena parte de la radiación incidente en estas longitudes de onda es transmitida y absorbida por el cuerpo de agua. Dentro de este patrón general la reflectancia del agua se verá modificada por los sedimentos presentes, el contenido de clorofila y la profundidad y características del fondo. Si la misma radiación que incidía sobre el agua lo hace sobre el suelo la energía reflejada variará en calidad respecto del incidente. Por un lado el suelo reflejará más radiación en el visible. La reflectancia aumentará con la longitud de onda, desde el rojo al infrarrojo. La mineralogía ejerce un fuerte control del comportamiento reflectivo de 3

4 los suelos. Por ejemplo, los suelos lateríticos con alto contenido de óxido férrico tienen una mayor refelctancia en el rojo. La textura de la superficie del suelo, el contenido de materia orgánica y de agua determinará también la reflectancia total del suelo, a mayor rugosidad, contenido de agua sin materia orgánica más oscuro (menos reflectivo) el suelo. La vegetación muestra un comportamiento reflectivo particular. Por un lado muestra un pico de reflexión en la porción verde de espectro visible, por eso vemos de este color a la vegetación. La absorción será alta, y por lo tanto la reflectancia baja, en las longitudes de onda correspondientes al azul y el rojo. Esto se debe a que a esas longitudes de onda tiene su pico de absorción la clorofila. En la zona de transición entre el visible y el infrarrojo cercano se produce un cambio muy marcado en la reflectancia de la vegetación. En un rango pequeño de longitudes de onda (menos de 20 nm) la reflectancia puede aumentar más de 10 veces. Si bien la magnitud puede variar, el pico de reflectancia en el IR cercano es típico de la vegetación activa. Este comportamiento está asociado a la estructura de las hojas, particularmente a la del mesófilo. Si bien las plantas poseen pigmentos que absorben en estas longitudes de onda (fitocromos), estos están involucrados en la detección de señales de baja intensidad y por lo tanto no absorben cantidades significativas de radiación en esta porción del espectro. Además de la cantidad y tipo de pigmentos y de la estructura foliar otros factores afectarán la cantidad de radiación reflejada. El estado hídrico de las plantas modificará la reflectancia en el IR medio. La presencia de una dimensión vertical en un dosel hace que otros factores tengan influencia en la respuesta espectral de la vegetación. La arquitectura del dosel junto con el ángulo de elevación solar modificarán la distribución de la radiación en el dosel y por lo tanto la cantidad de radiación reflejada. La presencia de material seca o muerta dentro del dosel modificará su comportamiento ya que parte de la radiación será interceptada por un material con un comportamiento espectral diferente al de las hojas verdes. Los espectros de reflectancia brindan la posibilidad de comparar y caracterizar el comportamiento de distintas superficies. La reflectancia es una función de la longitud de onda. Cada superficie presentará una curva característica a partir de las cuales es posible identificar tipos individuales. De la observación de las curvas resulta evidente que no es posible separar simultáneamente las distintas superficies representadas usando sólo una banda particular del espectro. Si bien es posible separar el agua del suelo o la vegetación mediante una observación en el IR nos resulta imposible discriminar entre suelo y vegetación en cualquier porción del espectro visible o del IR cercano. La variación interna que muestran los suelos y la vegetación hace que en una banda del espectro ambas superficies puedan reflejar la misma cantidad de radiación. Esto dependerá de la cantidad de pigmentos y estructura de la hoja o del contenido hídrico y de materia orgánica del suelo. Sin embargo sí es posible la separación si se consideran simultáneamente más de una banda. Por ejemplo, para un mismo valor de reflectancia en el IR cercano una superficie vegetada reflejará mucho menos en el rojo que el suelo. El potencial de la percepción remota de la energía reflejada para discriminar superficies deriva en buena medida del uso de varia bandas del espectro, se llama análisis multiespectral. 4

5 rayos gamma rayos X rayos ultra violeta rayos infrarrojos radar FM TV onda corta AM Longitud de onda (metros) Luz Visible Longitud de onda (nanómetros) Figura 2. Diagrama del espectro electromagnético y longitudes de onda. visible IR cercano IR medio Reflectancia 80 Porcentaje alfalfa hoja de arce suelo franco seco suelo franco humedo agua turbia agua clara Longitud de onda (micrometros) Figura 3. Ejemplos de curvas de reflectancia de distintas superficies (Paruelo, 2007). Tipos de satélites Los satélites en general se caracterizan por el tipo de resolución. La resolución puede ser de tres tipos: espectral, temporal y espacial. La resolución espectral se refiere al número de bandas o capas de almacenamiento de información espectral. La resolución 5

6 temporal se refiere al periodo de adquisición de datos del satélite. La resolución espacial se refiere al nivel de detalle que puede ser obtenido por el satélite y generalmente se representa mediante la dimensión del píxel. La siguiente tabla presenta los tipos de satélites más comúnmente usados y las resoluciones de cada uno. Tabla 1. Características de los distintos satélites. resolución resolución espacial temporal resolución espectral LANDSAT 28.5 m 8 16 días 8 bandas SPOT m 10 días 4 bandas ASTER m 16 días 15 bandas IKONOS 1 4 m 5 días 4 bandas QUICKBIRD m 5 días 4 bandas MODIS m 8 días, 16 días Herramientas relacionadas 7 bandas (500 m) y 2 bandas (250 m) Los siguientes programas son ejemplos de software gratis o freeware, desarrollados por diferentes organizaciones para el análisis de imágenes digitales: MultiSpec ( MultiSpec está disponible para las plataformas de Windows y Macintosh, y se está desarrollando en la universidad de Purdue. Fue diseñado originalmente como una herramienta de enseñanza pero ahora es utilizada por muchos usuarios de la percepción remota. MultiSpec ofrece algunas herramientas sofisticadas de la clasificación de imágenes. FWTools (OpenEV) ( OpenEV es un programa que exhibe y analiza datos geoespaciales en formato vector y raster. Funciona en Windows, Linux y algunas otras plataformas del Unix, y una plataforma para Macintosh está en marcha. La actividad del desarrollo es absolutamente activa y muchas nuevas capacidades están en marcha. Éste es uno de los paquetes libres más ampliamente utilizados de la visualización de imágenes remotamente adquiridas. NASA Image2000 ( Image2000 es un paquete para el proceso de imagenes basado en Java que fue desarrollado por la NASA. El desarrollo ha parado actualmente pero el programa está disponible para la transferencia directa. Image2000 proporciona una amplia gama de funciones pero se limita en que no maneja adecuadament sets grandes de datos. 6

7 GRASS ( GRASS fue desarrollado originalmente por el Cuerpo de Ingenieros de Estados Unidos en los años 80. GRASS es un SIG de gran alcance basado en raster con muchas capacidades de procesamiento de imágenes. Es sobre todo un programa de líneas de comando diseñado para funcionar en plataformas de Windows, de Mac OSX, y de Linux. GRASS es un poco incómodo para usuarios novatos. OSSIM ( OSSIM usa algoritmos, herramientas y paquetes existentes para construir una herramienta integrada para el procesamiento de imágenes remotamente adquiridas y análisis espacial. El equipo de desarrollo creó recientemente una interfase gráfica para OSSIM llamado ImageLinker, que funciona en todos los sistemas operativos importantes. RESORTE ( El Instituto Nacional Para la Investigación del Espacio (INPE) de Brasil está desarrollando RESORTE. El software puede exhibir y analizar imágenes remotamente adquiridas, y proporciona una combinación de SIG y de capacidades de procesamiento de imágenes. RESORTE está sobre todo disponible en español y portugués, y funciona en las computadoras con Unix y Windows. Los siguientes programas son ejemplos de software comerciales comúnmente usados: ERDAS Imagine ( Imagine es una paquete de software basado en raster, y diseñado específicamente para extraer información de imágenes remotamente adquiridas. El programa incluye un sistema comprensivo de herramientas para crear imágenes para la inclusión en un SIG y actualmente ofrece la opción de crear capas de información que pueden ser integradas en el formato Geodatabase de ESRI. La variedad de herramientas permite que el usuario analice datos de las imágenes y los presente en varios formatos. Image Analysis de ArcGIS ( Image Analysis de ArcGIS se utiliza para preparar imágenes que pueden ser usadas directamente en un SIG, para posteriormente analizar y extraer información de ellas. Esta extensión de ArcGIS le permite al usuario extraer la información actualizada de imágenes directamente en una estructura tipo geodatabase de ESRI. Los problemas que usualmente se generan cuando se aplican procesos de varios pasos puede ser evitados trabajando directamente con los datos en un geodatabase. También es posible realizar clasificaciones de la vegetación para determinar la composición y cobertura vegetal. Adicionalmente, la detección del cambio se puede realizar en las imágenes capturadas en diversos tiempos. Las técnicas del realce de la imagen están disponibles para, por ejemplo, ajustar brillo y contraste. 7

8 TNTmips ( TNTmips es un sistema del análisis geoespacial que proporciona un SIG completo, un sistema de manejo de set de datos relacionales, un sistema automatizado de procesamiento de imágenes con CAD, herramientas para el modelamiento superficial, y herramientas para publicar los datos. TNTmips tiene un solo sistema integrado con un interfaz, una funcionalidad, y una estructura de geodatos para el uso en varios sistemas operativos. ERMapper ( ERMapper es un paquete para el procesamiento de imágenes y para otros usos de las ciencias de la tierra y de la percepción remota. Ha sido diseñado para manipular sets grandes de datos de recursos naturales (e.g. datos del satélite, geofísicos, sísmicos). Los usuarios pueden realizar integraciones complejas de datos y operaciones complejas de proceso de imágenes, en capas múltiples. Contiene una biblioteca de algoritmos estándares para el realce de la imagen, la clasificación y la síntesis de los datos. ERMapper puede combinarse, acortar, muestrear, cambia la escala y hacer mosaicos de sets múltiples de datos automáticamente. Los datos raster se pueden cambiar a partir de una proyección del mapa a otra. La capacidad para visualización 3D permite que los usuarios vean datos vector y raster en 3D y obtener una mejor perspectiva de las escenas y del sobrevuelo. Los usuarios pueden ver datos en estéreo por lentes de LCD, y pueden generar pares estereoscópicos de papel. Se da soporte a cerca de 100 formatos para la importación y exportación de raster y vector, y hay acceso directo a las coberturas de ARC/INFO. IDRISI ( IDRISI es un software integrado de SIG y de procesamiento de imágenes, que proporciona más de 250 módulos para el análisis y exhibición de información espacial digital. Herramientas para la planificación espacial, la toma de decisiones, y el análisis de riesgo son incluidas junto con herramientas para la estadística espacial, el análisis superficial, y modelamiento espacial. IDRISI se utiliza para explorar, predecir, y modelar los impactos en cambio de la cubierta de tierra con la utilidad del Land Change Modeler. El programa puede procesar imágenes remotamente adquiridas con técnicas convencionales de procesamiento de imágenes. Las herramientas para el manejo de incertidumbre se pueden utilizar para asignar recursos y para crear mapas de factibilidad. Pares de imágenes pueden ser comparados, y las tendencias y las anomalías pueden ser analizadas a partir de imágenes adquiridas en periodos largos de tiempo. Aplicaciones Aplicaciones en general Los Geógrafos usan los sensores remotos, por ejemplo, para el inventario de recursos naturales y para la detección de cambios en la cobertura y uso del suelo. 8

9 Para este tipo de aplicaciones, se requiere realizar clasificaciones digitales de imágenes satelitales en base a sistemas estándares o personalizados de categorización. Los Arqueólogos utilizan la percepción remota para identificar características topográficas o arqueológicas que no se pueden detectar en fotografías convencionales. Por ejemplo, las especies de vegetación y la estructura de crecimiento relacionadas con las características arqueológicas enterradas se pueden identificar y clasificar en imágenes remotamente adquiridas. El espacio público puede ser manejado más fácilmente usando la información adquirida remotamente para clasificar las áreas de disturbio de un sitio, determinar los cambios en calidad del agua, cubierta de la vegetación, y topografía. Los mapas de la detección del cambio se pueden producir para determinar y para cuantificar cambios en disturbio, cubierta de la vegetación y en terreno en un cierto periodo. Los Biólogos utilizan imágenes remotamente adquiridas para identificar biodiversidad en regiones para la conservación. El éxito de la re-vegetación en áreas restauradas puede ser identificado, cuantificado y supervisado en un cierto periodo. Se pueden realizar las clasificaciones de la vegetación para determinar la cubierta y la composición del tipo de vegetación. Las áreas de pantano pueden ser delineadas y supervisadas, y el cambio en cubierta y grado del bosque puede ser predicho. Los Geólogos utilizan las imágenes basadas en los satélites para identificar zonas de fallas, estudiar la geomorfología de formas de la tierra específicas, determinar los cambios dinámicos de los acontecimientos naturales, interpretar las características superficiales que indican depósitos minerales, del petróleo y gas, y del agua subterránea. Los Hidrologos pueden desarrollar sistemas de supervisión de la calidad del agua con imágenes de satélites identificando los sitios en donde el agua subterránea se descarga a la superficie, y determinando el grado y la intensidad de la contaminación del agua. Los Científicos del suelo pueden proporcionar detalles adicionales a las encuestas existentes sobre el suelo para delinear tipos del suelo con datos remotamente adquiridos, y el potencial para la erosión y la deposición del suelo puede ser modelado. Aplicaciones avanzadas Percepción remota de Marte ( El Sistema de Proyección de Imágenes de Emisión Termal (THEMIS en inglés) da a científicos una vista global de Marte en las longitudes de onda visibles e 9

10 infrarrojas. Llevado a bordo de la nave espacial Mars Odyssey de la NASA, THEMIS circunda Marte una vez cada dos horas en una órbita casi polar. Esencialmente, el planeta rojo entero pasa bajo su vista. THEMIS es una cámara fotográfica de varias bandas que trabaja en cinco longitudes de onda visibles y diez longitudes de onda infrarrojos. Las imágenes visibles consideran los detalles en la superficie tan pequeña como 18 metros de ancho; las imágenes infrarrojas pueden detectar características 100 metros a través. La cobertura global deja a científicos investigar preguntas con respecto a los volcanes, cráteres, dunas de arena, polvo atmosférico y cambia en los casquillos polares. Además, la proyección de imágenes de varias bandas, que combina dos o más vistas tomadas en diversas longitudes de onda, puede dejar a científicos estudiar las características de los materiales superficiales a través del planeta. Los investigadores de la Facilitadora del Vuelo Espacial de Marte en Arizona State University están construyendo herramientas basadas en mapas para apresurar el acceso a las imágenes y a los datos de las misiones presentes y pasadas a Marte. Los datos ahora en el Internet incluyen imágenes del orbiters de Viking 1 y 2, la Cámara Fotográfica Orbiter de Marte (MOC) y Sistema de la Proyección de Imágenes de la Emisión Termal (THEMIS). Otra herramienta del software, JMARS, es una aplicación basada en Java desarrollado en la Facilitadora del Vuelo Espacial de Marte. Esta deja a usuarios combinar varios sets de datos de muchas misiones e instrumentos en una sola imagen. Análisis de textura: clasificaciones orientadas a objetos La textura se refiere al patrón de las variaciones del brillo dentro de una imagen, e incluye conceptos tales como uniformidad, tosquedad, regularidad, frecuencia, y linearidades. Las diferencias en textura se pueden ilustrar por imágenes de diversos materiales (e.g. paja, arena, tela, madera). Para describir textura, el acercamiento estructural puede ser utilizado, que asume que las imágenes están compuestas de los elementos primitivos repetidos en cierto patrón. Usando el acercamiento estructural, la textura sería caracterizada describiendo la forma, el tamaño y otras características de los elementos y de su patrón de la repetición. Para aplicar el acercamiento estructural al patrón del paisaje, la estructura del paisaje se describe en términos de tamaño, forma y configuración del parche dentro de una matriz (Musick y Grover, 1991). Sin embargo, los patrones naturales tienen a menudo ni elementos fijos obvios ni un patrón fijo de la repetición (Nevatia, 1982). Así, la textura se puede también caracterizar por las características estadísticas de una vecindad de pixeles. Técnicas de percepción remota pueden ayudar a capturar la variación local de la intensidad y otras estadísticas derivadas de distribuciones de frecuencia de los pixeles para cuantificar las características de objetos (Woodcock y Strahler, 1987). Acceso a información Bases de datos en el internet: 10

11 Universidad de Maryland, Global Land Cover Facility (Facilitadora de Cobertura Global de la Tierra) ( La Facilitadora de Cobertura Global de la Tierra (GLCF en inglés) es un centro para la ciencia de la cubierta de tierra con el enfoque en investigación usando datos de satélites para determinar el cambio de la cubierta de tierra en sistemas locales y globales. El GLCF desarrolla y distribuye los datos de satélites y los productos que explican la cubierta de tierra de las escalas locales a globales. El Interfaz de los Datos de la Ciencia de la Tierra (ESDI en ingles) es la aplicación del Internet de GLCF para buscar y bajar datos. Figura 4. Estas son las opciones para bajar datos de satélites (GLCF, 2007). Si Ud. está buscando los datos de Landsat y Ud. sabe las trayectorias y las filas para su área de interés, utilice Path/Row Search. Utilice Map Search para hacer consultas con un mapa interactivo. Ud. debe utilizar Map Search al buscar los mosaicos de Landsat. Si Ud. está buscando algunos productos derivados de MODIS o AVHRR, u otros productos particulares, utilice Product Search. Se puede hacer consultas en estos datos a través de un interfaz simple. Este método es mucho más fácil que usando Map Search. Geography Network (Red de Geografía) ( La Red de Geografía es una red global que proporciona la infraestructura necesitada para compartir información geográfica entre proveedores de los datos, proveedores de servicios y usuarios alrededor del mundo. A través de la Red de Geografía, se puede tener acceso a muchos tipos de contenido geográfico incluyendo mapas dinámicos, datos para bajar y servicios más avanzados. La red es manejada y mantenida por ESRI, para promover el compartido y el descubrimiento de la información y de los servicios geográficos. La red apoya una infraestructura de datos espaciales, y permite acceso rápido y fácil a la información geográfica. La Red de Geografía ofrece varias maneras de descubrir y de tener acceso a los datos geográficos para el uso con software de SIG. Unos ciertos datos están disponibles bajar inmediatamente o ver en el sitio de web de antemano, mientras que otros datos se pueden bajar a otros sitios que están referidos. Los servicios 11

12 dinámicos del mapa que permiten la interacción directa con el contenido pueden presentar datos en una de dos maneras: como imágenes del mapa generadas de datos en el servidor del mapa o como características vector comprimidas fluyeron en el software de SIG. Se puede pedir del editor los datos que están en CDs o DVDs. También disponibles están los referidos a otros sitios de web que proporcionan datos geográficos gratis, o permiten transferencias directas. Land Processes Distributed Active Archive Center (Centro Distribuido de Archivos Activos de Procesos de la Tierra) ( El Centro Distribuido de Archivos Activos de Procesos de la Tierra fue establecido como parte de la Sistema Para Observar la Tierra (EOS en inglés) de NASA para procesar, archivar y distribuir datos relacionados al suelo recogió por los sensores del EOS. El Centro procesa y distribuye los datos de Landsat 7. Landsat 7 y el satélite Terra del EOS fueron lanzados en El satélite Aqua fue lanzado en El sensor de Landsat 7 es el Enhanced Thematic Mapper Plus (ETM+). El satélite Terra lleva dos sistemas de detección: el Radiómetro Espacial Avanzado de la Emisión Termal y de la Reflexión (ASTER en inglés) y el Radiómetro Espectro para la Proyección de Imágenes de Resolución Moderada (MODIS en inglés). Además, el sensor de MODIS en la nave espacial Aqua adquiere datos entregada al Centro para el almacenaje y la distribución. Muchos productos de los datos de ASTER y de MODIS están disponibles del Centro. Los productos de Landsat ETM+ fueron descontinuados en APLICACION Objetivo General Realizar un análisis de cambio de cobertura y uso del suelo mediante la integración teledetección y SIG. Datos Para esta aplicación se necesitan los siguientes archivos: En formato vector: En la carpeta DATOS/SHAPEFILE Area_de_estudio.shp En formato raster: En la carpeta DATOS/IMÁGENES SATELITALES p012r54_5t861031_nn1.tif.gz p012r54_5t861031_nn2.tif.gz p012r54_5t861031_nn3.tif.gz p012r54_5t861031_nn4.tif.gz p012r54_5t861031_nn5.tif.gz p012r54_5t861031_nn7.tif.gz p012r054_7t _z17_nn10.tif.gz p012r054_7t _z17_nn20.tif.gz p012r054_7t _z17_nn30.tif.gz 12

13 p012r054_7t _z17_nn40.tif.gz p012r054_7t _z17_nn50.tif.gz p012r054_7t _z17_nn70.tif.gz Programas MultiSpec (para el procesamiento de imágenes satelitales) ArcGIS con la extensión Spatial Analyst (para el análisis de cambio de uso y cobertura del suelo) Instrucciones Generales En su computadora cree un directorio de trabajo. Por ejemplo: C:\TEMP\MOD_PREMOTA Copie los archivos especificados en la sección DATOS en ese directorio. Copie además la carpeta PROGRAMAS/MultiSpecWin32 en ese mismo directorio. Como bajar datos de satélites del Internet NOTA: Por motivos de tiempo los datos de satélite han sido proporcionados con el modulo. Sin embargo, a continuación se indica el procedimiento a seguir en caso de necesitar acceder a la fuente original para obtener otros datos. Para bajar información satelital georeferenciada se puede ir a la siguiente página web: Para usar un mapa interactivo, se hace un clic en MAP SEARCH. Para hacer consultas sobre la disponibilidad de imágenes satelitales seleccionar las opciones ETM, TM, MSS, ASTER, ETM+ mosaics, y TM mosaics. En la sección PLACE, se escribe el lugar del que se desea obtener las imágenes. En este caso, por ejemplo, Panama, Panama (formato País, Ciudad). Se hace un clic con el mouse en UPDATE MAP en la parte inferior derecha de la ventana del mapa para obtener la información más actual del mapa, y después se hace un clic en PREVIEW & DOWNLOAD para que el buscador encuentre los tipos de imágenes disponibles: 13

14 En la siguiente ventana aparecen las imágenes disponibles para la zona, las fechas de adquisición, y los formatos de las mismas. Para este ejercicio, se seleccionaron las imágenes con identificadores y con fechas y , en formato GeoTIFF. En la práctica, para bajar las imágenes del servidor se pulsa DOWNLOAD. En la siguiente página se seleccionan las bandas de la imagen. Por ejemplo, para la imagen con identificador , Path 12 y Row 54 (sistema utilizado por Landsat para organizar el espacio terrestre para la toma de imágenes) se encuentran varios archivos. Los archivos con terminación.nnx.tif.gz son los que contienen las bandas de la imagen. Para este ejercicio, se seleccionaron las bandas 1 a 7 con excepción de la 6 ya que es una banda termal con diferente resolución que generalmente no se usa en clasificaciones para uso y cobertura del suelo. 14

15 Por asunto de tiempo, los archivos con la información espectral de las dos imágenes se han proporcionado con el modulo. Como componer una imagen satelital Es necesario unificar todas las bandas en un solo archivo para realizar la clasificación temática. Para esto, Abrir los archivos correspondientes a las bandas 1 a 7 de la primera imagen en ArcGIS. No es necesario crear pirámides en ninguno de los archivos. Activar ArcToolBox. 15

16 En DATA MANAGEMENT TOOLS, desplegar las opciones en RASTER y hacer doble clic en COMPOSITE BANDS. En la opción INPUT RASTERS seleccionar, del menú desplegado, de una en una las bandas de la imagen, desde la uno hasta la siete. Especificar un nombre de salida para la primera imagen compuesta, por ejemplo: P12R54_1986.TIF. Es necesario especificar la extensión TIF del archivo ya que si no se creara un raster en formato GRID de ArcGIS. Ir a ENVIRONMENT SETTINGS en la parte inferior derecha de la ventana y en el menú GENERAL SETTINGS EXTENT seleccionar nuevamente el archivo Area_de_estudio.shp para fijar las coordenadas del área de estudio. Esta acción nos deja cortar la imagen compuesta, para tener una imagen solo del área del Parque Natural Metropolitano de Panamá. En la sección RASTER ANALYSIS SETTINGS MASK especificar Area_de_estudio.shp como máscara. Esto ajusta el área de análisis a la forma del 16

17 área de estudio. Así recortaremos la imagen para analizar únicamente el área de estudio. Hacer clic en OK. Repetir el mismo procedimiento para componer y cortar la segunda imagen. Clasificación digital Dos tipos de clasificaciones de imágenes satelitales son las más usadas comúnmente y se encuentran implementadas en programas computacionales accesibles al público en general. Esas clasificaciones son supervisadas y no supervisadas. En una clasificación supervisada, la identidad y ubicación de algunos de los tipos de cobertura del suelo (e.g. agricultura, urbano, humedal) son conocidos de antemano a través de trabajo de campo, análisis de fotos aéreas, o experiencia personal (Mausel et al., 1990). En una clasificación no supervisada, la identidad de tipos de cobertura a ser clasificados no es conocida de antemano ya que no se tiene datos de control de campo. En este caso, la computadora necesita agrupar píxeles con características similares en grupos o clusters únicos de acuerdo con criterios determinados estadísticamente (Jahne, 1991). El analista combina y reclasifica los grupos estadísticos en asociaciones de pixeles que representen la realidad del paisaje. Para esto es necesario tener un esquema lógico de clasificación que contenga definiciones taxonómicas correctas de las clases de información, que están organizadas de acuerdo a criterios lógicos. Por ejemplo, el U.S. Geological Survey (USGS) utiliza un esquema de clasificación orientado en la cobertura del suelo para el mapeo del territorio mediante el uso de imágenes satelitales. Ya que el territorio de los E.E.U.U. es tan extenso, la colección de datos in situ es inadecuada. En su lugar, la teledetección se usa para la colección de información en la cual se base el sistema de clasificación. Otros esquemas se enfocan específicamente en el uso del suelo, por ejemplo el Manual de Codificación Standard de Uso del Suelo (SLUC en inglés). Este manual se basa en observaciones in situ. Uno de los algoritmos de clasificación no supervisada más usados se denomina ISODATA, que es el acrónimo de las palabras en inglés Iterative Self-Organizing Data Analysis Technique (Tou y Gonzalez, 1974). Este método utiliza las distancias espectrales en el set de datos e iterativamente clasifica los pixeles, redefine los criterios en cada clase, y clasifica los pixeles nuevamente. Así, los patrones de distancia espectral en los datos emergen gradualmente. Para realizar una clasificación mediante ISODATA, generalmente se especifican los siguientes parámetros: N: El máximo número de clases a ser consideradas. Debido a que cada cluster es la base para una clase, este número se convierte en el máximo número de clases a ser extraído. El proceso de ISODATA comienza por determinar un número N arbitrario de clusters. Algunos clusters con muy pocos pixeles pueden ser eliminados, dejando por consiguiente menos que N clusters en la clasificación final. 17

18 T: Un valor de convergencia, que es el máximo porcentaje de pixeles a cuyos valores de clase se les permite permanecer sin cambios entre iteraciones. M: El máximo número de iteraciones a realizarse. En algunos programas sin embargo este parámetro se suprime cuando el número de clases es el que determina el fin del proceso iterativo. En MultiSpec En MultiSpec realizaremos la clasificación digital de las imágenes correspondientes a la zona del Parque Natural Metropolitano de la ciudad de Panamá para el período de estudio El tipo de clasificación digital es no supervisada y usaremos el algoritmo ISODATA para la determinación de grupos espectrales o Clusters. Estos grupos se definen con un algoritmo que comúnmente usa todos o varios pixeles para su análisis al inicio del proceso de clasificación. Para correr el programa MultiSpec dirigirse a la carpeta MultiSpecWin32 dentro de PROGRAMAS y hacer doble clic en MultiSpec.exe. En MultiSpec ir al menú FILE y seleccionar OPEN IMAGE. Abrir la imagen correspondiente al primer año de la serie (i.e. 1986). En la sección CHANNELS seleccionar las bandas de la imagen correspondientes a los respectivos cañones de color Rojo (RED = 5), Verde (GREEN = 4) y Azul (BLUE = 3). No es necesario modificar el resto de las opciones. En el menú PROCESSOR seleccionar la opción CLUSTER. En la ventana SET CLUSTER SPECIFICATIONS seleccionar ISODATA. En la ventana que aparece después, SET ISODATA CLUSTER SPECIFICATIONS, especificar el número de clases (30), el porcentaje de 18

19 convergencia (98), y el tamaño mínimo de un cluster (7 píxeles) y hacer clic en OK. En la ventana SET CLUSTER SPECIFICATIONS seleccionar las opciones: IMAGE AREA: Para visualizar el proceso iterativo de clasificación. TEXT WINDOW: Para obtener un reporte estadístico de la clasificación. CLUSTER MASK FILE: Para generar un nuevo raster con la clasificación temática. IMAGE WINDOW OVERLAY: Para obtener el raster final de clasificación en la pantalla. Hacer clic en OK. El proceso iterativo se inicia y es posible visualizar la clasificación al final de cada iteración. Una vez que se han obtenido N clases (30 en este ejercicio), se crea un raster temático con la clasificación final. El nombre del nuevo raster será P012R54_1986_clMask.gis. Este archivo con la extensión.gis se puede leer directamente en ArcGIS. Cerrar las ventanas con las imágenes. No es necesario guardar el proyecto antes de cerrar. Realizar el mismo procedimiento con la otra imagen. Se puede cerrar MultiSpec. Análisis visual y reclasificación En ArcGIS agruparemos las clases obtenidas en MultiSpec en categorías funcionales que representen tipos de uso y cobertura del suelo reales. Es decir, de las 30 clases obtenidas en MultiSpec, se procederá a combinarlas para obtener 4 o 5 que sean representativas del sitio de estudio y evitar redundancia de información. Este procedimiento es necesario ya que dos o más categorías de la clasificación original pueden estar representando un mismo tipo de uso o cobertura en la realidad. Para esto, se necesita reagrupar las clasificaciones originales para cada año y crear rasters con el nuevo número de categorías. 19

20 En este ejercicio usaremos únicamente 5 clases generales con los siguientes identificadores: Tabla 2. Números de identificación de los tipos de uso y cobertura del suelo. Tipo de uso o cobertura del suelo Identificador numérico Nubes y Sombras 1 Cuerpos de agua (ríos, mar, lagos) 2 Zona urbana 3 Zona agrícola 4 Zona de vegetación natural 5 Abrir el archivo con extensión GIS y la imagen original para el año En la tabla de contenidos de ArcGIS, ubicar el raster temático sobre la imagen original. Activar la barra de herramientas denominada EFFECTS que se encuentra en el menú VIEW, en la sección TOOLBARS. En la opción LAYER de la barra, seleccionar el raster con la clasificación temática. Seleccionar a continuación la herramienta SWIPE LAYER que se indica a continuación: Esta herramienta permite visualizar ambas imágenes interactivamente. Colocar el cursor encima de las imágenes y moverlo en algún sentido presionando el botón izquierdo del mouse. Esto nos permite visualizar la imagen satelital para determinar visualmente una nueva clase. 20

21 El siguiente procedimiento requiere la interacción constante entre el interpretador y la computadora. La clasificación final dependerá principalmente de la experiencia del interpretador. Hacer un acercamiento (zoom) hacia alguna zona de interés y con la herramienta SWIPE LAYER mover el mouse para visualizar la clasificación y la imagen satelital. Con la herramienta IDENTIFY (i) hacer clic en los pixeles de la clasificación para obtener el número de cluster correspondiente a un tipo de uso o cobertura. Es importante recalcar que cada tipo de cobertura tendrá varios valores de píxeles. En una hoja de papel escribir las clases que correspondan a un mismo tipo de uso/cobertura. Por ejemplo: Valor 20, Valor 22, Valor 24, Valor 26 => Cuerpos de agua Valor 1, Valor 2, Valor 3, Valor 5 => Nubes Valor 14, Valor 16, Valor 18 => Zona urbana Etc. La reclasificación del raster original se realiza mediante la opción RECLASSIFY que se encuentra en la extensión SPATIAL ANALYST. En la opción INPUT RASTER se selecciona el raster con la clasificación original. En la opción RECLASS FIELD se especifica Value (generalmente está dado por default). En la sección SET VALUES TO RECLASSIFY se encuentran dos columnas. La columna OLD VALUES se refiere al valor original de los clusters de la clasificación. La columna NEW VALUES se refiere al nuevo valor que adoptarán los pixeles de esos clusters. Para esto, se hace un clic con el botón izquierdo del mouse en cada línea que pertenezca a un mismo tipo de cobertura, al mismo tiempo que se presiona la tecla CTRL. Se hace un clic derecho en las líneas seleccionadas y se selecciona GROUP ENTRIES para agrupar los valores pertenecientes a un mismo tipo de cobertura. Esto se hace para cada categoría. En la columna NEW VALUES se especifica el nuevo valor de los pixeles pertenecientes a la nueva categoría (véase la Tabla 2 para los nuevos identificadores numéricos). En el siguiente grafico, por ejemplo, los pixeles de los clusters 0, 1, 2, 3, y 4 se reclasificarán con un nuevo valor. 21

22 El siguiente grafico indica que los clusters 0, 1, 2, 3 y 4 se reclasificarán con un nuevo valor de 1. Los clusters 5, 6, 7, y 8 con un valor de 2, etc. En OUTPUT RASTER especificar el nuevo nombre del raster con la reclasificación para el año 1986, por ejemplo, REC_1986. Realizar el mismo procedimiento con la clasificación perteneciente año Nombrar el nuevo raster REC_2002. NOTA: Hay que recordar que solamente existirán 5 categorías en los raster finales. Análisis de cambio de uso y cobertura del suelo Para realizar el análisis de cambio de uso y cobertura del suelo en el período de estudio se usan las reclasificaciones finales de los años de interés. Para esto, es necesario utilizar un procedimiento que nos permita obtener numéricamente todas las posibles combinaciones de clases que resultarían de la súper imposición de las reclasificaciones de los años de interés. Una opción practica es utilizar Algebra de Mapas para obtener esta combinación. 22

23 Ya que los DOS nuevos rasters reclasificados contienen los mismos valores para las respectivas clases (i.e. de 1 a 5), es necesario realizar alguna operación matemática para obtener todos los cambios posibles. Es decir, se necesita obtener nuevas categorías o valores que nos indiquen cuales son las áreas pasaron de Vegetación Natural a Zona Urbana., de Zona Agrícola a Zona Urbana, de Zona Urbana a Vegetación Natural, etc. Una forma sencilla para obtener la nueva combinación de clases es multiplicando el raster perteneciente al primer año por un valor constante, por ejemplo, 100. Así, las clases se convertirán en 100, 200, 300, 400, y 500. Seguidamente se puede sumar el segundo raster reclasificado. De esta forma se obtienen todas las posibles combinaciones. El siguiente ejemplo muestra dos clasificaciones (AÑO 1 y AÑO 2) y la combinación de ambos raster en un nuevo mapa llamado CAMBIOS. En el nuevo mapa de cambios, los valores de los píxeles representan las transiciones de una clase a otra. Por ejemplo, si los valores 4 y 400 representan Zona Agrícola y en el mapa de cambios se encuentra el valor 404, lógicamente significa que esas áreas no han sufrido cambios. Es decir, aquellas zonas se mantuvieron como área agrícola en el año 1 y año 2. En el caso de las celdas con valor 403, quiere decir que esas áreas pasaron de zona agrícola en el año1 a zona urbana en el año 2. En el caso de las celdas con valor 503, quiere decir que la zona urbana creció en la zona de vegetación natural, etc. Abrir en ArcGIS únicamente los archivos raster reclasificados con los valores de 1 a 5. En el menú desplegable SPATIAL ANALYST seleccionar la opción RASTER CALCULATOR. 23

24 En la ventana de texto ingresar la expresión Así: [REC_1986] * [REC_2002] En la tabla de contenidos en ArcGIS hacer clic derecho en Calculation (el resultado de la operación) e ir a DATA MAKE PERMANENT. Ubicar el directorio de trabajo y grabar el resultado con el nombre CAMBIO_86_02. Este nuevo mapa representa el mapa de cambios de uso y cobertura del suelo para el período Es posible hacer consultas a la tabla de atributos para obtener áreas y estadísticas de que cambió a que en ese período. Esto sin embargo puede tomar algún tiempo hasta tabular los datos obtenidos en forma casi manual. Una forma más eficiente es realizar una tabulación automática directamente en ArcGIS. En ArcToolBox ir a SPATIAL ANALYST TOOLS ZONAL y seleccionar TABULATE AREAS. En la sección INPUT RASTER OR FEATURE ZONE DATA seleccionar el archivo reclasificado en las cinco clases para el primer año (1986). Las categorías de este mapa serán tabuladas en las filas de la tabla (valores horizontales). En ZONE FIELD especificar Value. En la sección INPUT RASTER OR FETURE CLASS DATA seleccionar el mapa reclasificado en las cinco clases para el segundo año (2002). Las categorías de este mapa serán tabuladas en las columnas de la tabla (valores verticales). En CLASS FIELD especificar Value. Especificar un nombre para la nueva tabla en OUTPUT TABLE. Guardarla en el directorio de trabajo. En PROCESSING CELL SIZE especificar 28.5 ya que este es el tamaño del píxel de las imágenes satelitales originales y de los raster derivados. 24