Utilización de datos ópticos y de radar en el mapeo de los ambientes del Parque Nacional Los Glaciares, Provincia de Santa Cruz Argentina

Transcripción

1 Utilización de datos ópticos y de radar en el mapeo de los ambientes del Parque Nacional Los Glaciares, Provincia de Santa Cruz Argentina Alfredo Rafael Cuello1, 2 Miriam Esther Antes1, 2 Mirta Aída Raed1 Alicia Avelina Sedeño1 Luciano Enrique Delise1 Jorge Marcelo Gari1 Leonardo Alfredo Di Franco2 1 Centro de Sensores Remotos, Fuerza Aérea Argentina (FAA) cuello@terra.com.ar; selperargentina@gmail.com; m_raed_ar@yahoo.com.ar; aamsed@yahoo.com; ciano.delise@gmail.com; j_gari_ar@yahoo.es 2 PRODITEL, Universidad Nacional de Luján (UNLu) Rutas 5 y 7, Lujan, Buenos Aires, Argentina difranco_leo@yahoo.com.ar Resumen. El Parque Nacional los Glaciares pertenece a la eco-región del bosque patagónico, estepa patagónica, y Altos Andes; se encuentra ubicado en la provincia de Santa Cruz, Argentina, abarcando una superficie de hectáreas. El área protegida fue creada en 1937, estableciéndose los límites actuales en 1971 y declarada Sitio de Patrimonio Mundial de la Humanidad por la UNESCO en Gran parte de este Parque estuvo cubierto por glaciares y los ríos de hielo dieron forma al paisaje con montañas de laderas abruptas y amplios valles. Actualmente, los hielos ocupan una superficie total aproximada de km2, con 47 glaciares mayores, siendo los más conocidos el Perito Moreno, ubicado sobre el Brazo Sur del Lago Argentino y el Upsala, ubicado sobre el Brazo Norte del mismo lago. Las laderas y valles están ocupadas por bosques, con especies tales como: la lenga (Nothofagus pumilio), el ñire (Nothofagus antarctica) y el guindo (Nothofagus betuloides). El ambiente más árido del Parque comprende la estepa con presencia de arbustos pequeños, espinosos y de pastos. En el presente trabajo se estudió la capacidad de las imágenes radar (ERS-2 y RADARSAT 2 polarimétricas), en combinación con imágenes ópticas (Landsat 5TM); se aplicaron técnicas de procesamiento digital tales como clasificaciones supervisadas y análisis polarimétrico, integrando datos de radar y ópticos, multitemporales. Se evaluó el aporte que ofrecen ambos sensores para definir y caracterizar los tipos de ambientes y las unidades fisonómicas forestales nativas, generando una cartografía temática de las unidades identificadas. Palabras claves: SAR, cartografía, bosques, geotecnologías Abstract. Los Glaciares Argentina National Park belongs to the Patagonian eco-regions: forest, steppe and High Andes; it is located in Santa Cruz, Argentina, and it covers hectares. The protected area was created in 1937, the current limits were established in 1971 and it was declared Natural Patrimony of Mankind by the United Nations Educational Scientific and Cultural Organization (UNESCO ) in An important part of this Park was covered by glaciers and the ice rivers gave form to the landscape with abrupt hillsides mountains and wide valleys. Nowadays, the ice occupies approximately an area of km2, with 47 major glaciers, the most known are the Perito Moreno glacier, located in the Brazo Sur of the Lago Argentino and the Upsala Glacier, located in the Brazo Norte of the same lake. The hillsides and valleys are covered by forests, with species such as: the lenga (Nothofagus pumilio), the ñire (Nothofagus antarctica), and the guindo (Nothofagus betuloides). The Park most arid environment is the steppe; it is covered with shrubs and natural pastures. The aim of this work was to study the capability of radar images (ERS and polarimetric RADARSAT 2) combined with optical images (Landsat TM). There was applied digital processing such as supervised classifications and polarimetric analysis, using multitemporal images and integrating radar and optical information in order to define and characterize different types of environments and native forest units. Thematic cartography of the identified units was also generated. Key words: SAR, cartography, forests, geo-technologies

2 1. Introducción La necesidad de obtener información sobre recursos naturales de carácter forestal y de ambientes asociados, es fundamental para establecer políticas de acción que optimicen las funciones y las actividades relativas a la conservación y aprovechamiento económico de tales recursos, como su control y fomento, logrando así un manejo sostenible de los mismos. La teledetección ha pasado a ser una herramienta de importancia práctica en el diagnóstico y la evaluación de los recursos forestales, acrecentada por el desarrollo tecnológico de los últimos años que ha posibilitado una amplia disponibilidad de información de distintos tipos de sensores, así como de procesos y algoritmos que permiten obtener una gran variedad de productos. Este trabajo está orientado a la utilización de imágenes ópticas y de radar para obtener información temática de recursos naturales. Los objetivos básicos del trabajo consisten en obtener la cartografía temática de las unidades de vegetación existentes en el área de estudio que puedan ser identificadas y categorizadas mediante el análisis digital y de reconocimiento a campo de distintos tipos de bosques (Nothofagus pumilio, lenga; Nothofagus antarctica, ñire y Nothofagus betuloides, guindo); estepa (arbustos pequeños, espinosos y pastos) y zona de transición (especies típicas del bosque y de la estepa patagónica). Asimismo es de interés la evaluación de zonas cubiertas por suelo desnudo (roca) y hielo (zona de ablación y acumulación) o nieve, que cubren grandes extensiones en dicha área. 2. Materiales 2.1 Área de estudio El área de estudio, Parque Nacional los Glaciares, Provincia de Santa Cruz, Argentina se localiza entre los 49º 43 y 50º 53 de latitud Sur y los 71º 52 y 73º 43 de longitud O (Figura 1). En ella se pueden distinguir fisiográficamente tres fajas que corren en forma paralela al eje de la cordillera de sur a norte 1- Cordillera Principal o región andina, 2- Región Preandina., 3- Región Subandina La primera corresponde a una extensa masa montañosa con alturas superiores a los 2500 m, su mayor ancho se estima entre 50 y 60 km. En la parte central está cubierta por campos de hielos denominado Hielo Continental Patagónico, de los cuales descienden a dos grandes lagos, el Lago Argentino y el Lago Viedma, y lenguas glaciares, entre las cuales podemos identificar 13 grandes glaciares. La segunda región está conformada por un gran valle que desciende desde el cerro Norte hasta la estancia Cristina, el brazo Norte, el brazo Spegazzini, el Canal de los Témpanos y el brazo Sur (todos ellos brazos del Lago Argentino). Las cadenas montañosas bajan desde alturas superiores de los 2000 m y se encuentran desprovistas de hielo. La tercera región sub-andina se compone de mesetas que se levantan abruptamente sobre el nivel del Lago Argentino y van disminuyendo hacia el este confundiéndose gradualmente con la altiplanicie patagónica (Feruglio, 1944). En esta etapa del proyecto se seleccionó un área piloto correspondiente al Glaciar Perito Moreno y zonas aledañas.

3 Figura 1. Área de Estudio 2.2 Imágenes ópticas y de radar Imágenes ópticas - Landsat de noviembre de 2009, Banco de datos del Centro de Sensores Remotos. (Figura 2) Imágenes radar - ERS-2 de 1996, descendente, Banco de datos del Centro de Sensores Remotos. (Figura 3) - RADARSAT 2,SLC, Quad Pol de abril de 2009, Programa SOAR (Figura 4) Figura 2. Imagen Landsat Figura 3. Imagen ERS-2 Figura 4. RADARSAT Software - ENVI NEST 4.C (ESA) - POLSARPRO V4.2.0 (ESA) 3. Metodología Recopilación bibliográfica. Se recopiló información bibliográfica del área de estudio y antecedentes de trabajos relacionados con la utilización de datos ópticos y de radar en ambientes de bosques y glaciares. Selección de datos satelitales. Se seleccionaron imágenes provenientes de diferentes sensores, ópticos y radar, considerando escenas que cubran el área, la disponibilidad de imágenes históricas y fechas apropiadas. Generación de productos papel. Como apoyo para la salida de campo se generó un producto papel mejorado correspondiente a la imagen Landsat, a través de procesos digitales simplificados tales como Ensanche de contraste y Realce de bordes.

4 Recolección de datos de campo. Se evaluaron sitios característicos de los diferentes ambientes presentes en el área de estudio Georreferenciación de la imagen Landsat. El ajuste geométrico de la imagen se realizó por el método imagen-imagen, tomando como imagen base a la imagen Landsat ETM +, ortogeoreferenciada, WRS-2, escena 231/95, del 14 de octubre de 2001, el sistema de referencia corresponde a la proyección cartográfica UTM, zona 18 sur, con Datum WGS84 (Fuente USGS/ GLCF). Clasificación multiespectral supervisada de la imagen Landsat. Se clasificó la imagen considerando las clases temáticas: bosque de lenga, bosque asociado, vegetación de estepa, roca, hielo glaciario y nieve. Calibración de las imágenes radar ERS-2 y RADARSAT 2. Se calibraron radiométricamente, las imágenes radar por la variación del ángulo de incidencia. El ángulo local de incidencia del haz aumenta gradualmente entre los puntos situados en el rango cercano y el lejano. Asumiendo el caso más sencillo de una superficie plana, esto produce una atenuación en la respuesta para los puntos situados en el rango lejano. Para compensar este efecto es que las imágenes de radar deben ser calibradas. Filtrado de las imágenes radar ERS-2 y RADARSAT 2. Para reducir el ruido speckle se aplicó a las imágenes de amplitud, el filtro Frost con ventana de 3x3. Corrección geométrica y remuestreo de las imágenes radar ERS2 y RADARSAT 2. Para la correcta interpretación de los datos y su integración con imágenes de otros sensores, las imágenes radar fueron corregidas geométricamente y remuestreadas utilizando la información de datos de órbita y de elevación de terreno. Para realizar una comparación multitemporal, en teledetección, es necesario asegurar que estemos situados en la misma zona para ambas fechas, y que la variable que estamos comparando se refiera a la misma escala de medida (Chuvieco, 2002). Una inadecuada superposición entre imágenes podría llevar a conclusiones erróneas, puesto que pondrían en evidencia cambios entre fechas que serían debidos, no tanto a modificaciones reales en el terreno sino a píxeles correspondientes a áreas distintas (Heredia Laclaustra et al., 2003). Generación de bandas de textura de la imagen ERS-2. Se aplicaron diferentes filtros de texturas, Media, Contraste y Entropía, por ser los menos correlacionados entre sí y por presentar una buena dispersión de los datos para una ventana de 3x3, sobre la imagen de amplitud, sin calibrar y sin filtrado speckle. Corregistración de las imágenes Landsat y ERS-2. Se corregistraron ambas imágenes, para poder realizar una clasificación utilizando bandas de ambas imágenes. La registración se realiza mediante una transformación polinomial de segundo grado que se obtiene a partir del conjunto de pares de puntos de control de ambas imágenes. Los puntos deben ser identificados con precisión subpixel y estar uniformemente distribuidos; la cantidad de puntos debe ser suficiente para hacer frente a los inevitables problemas de emparejamiento erróneo, como así también lo más preciso posible (con precisión subpíxel) y estar uniformemente distribuidos por toda la imagen (Crosta, 2002). Generación de máscaras en la imagen Landsat y ERS-2. Se generaron y combinaron mediante álgebra de bandas, máscaras de sombras y de agua, de ambas imágenes, para ser utilizadas en la clasificación. Clasificación supervisada de bandas de la imagen Landsat y ERS-2. Se realizó una clasificación supervisada utilizando bandas originales de la imagen Landsat, más las bandas derivadas del procesamiento de la imagen radar y la máscara combinada. Descomposición de Pauli y de Sinclair en la imagen RADARSAT 2. El análisis polarimétrico es relevante solamente si parte de la onda retro-dispersada es

5 predominante. La evaluación de las matrices de retrodispersión y coherencia permite cuantificar las dos partes de la onda (polarizada y no polarizada) (Chan, 1981). La descomposición de los blancos permite la definición de los parámetros polarimétricos: por ejemplo el análisis de la Entropía, Anisotropía y Alpha. El teorema Pauli, utiliza las matrices de Spin Pauli para expresar [S] en términos de dispersión única (superficie plana, esfera, o triedro) y mecanismos diédricos con una orientación de 0º y 45º estos algoritmos permiten descomponer las observaciones en parámetros que ofrecen una interpretación física de la interacción ocurrida (por ejemplo dispersión superficial, dispersión de volumen o doble rebote) (Freeman y Durden, 1992; Lee et al., 1999; Ouarzeddine et al., 2007). Las descomposiciones se pueden utilizar para interpretar la naturaleza de las cubiertas e incluso realizar clasificaciones no supervisadas (Alberga, 2007; Rodrigues et al., 2003). Clasificación de Wishart en la imagen RADARSAT 2. Se realizo una clasificación polarimétrica no supervisada (entropía/alfa/anisotropía), Wishart-H/A/Alpha, con 8 clases. 4. Resultados Se clasificó la imagen Landsat considerando las clases temáticas: bosque de lenga, bosque asociado, vegetación de estepa, roca, hielo glaciario y nieve. Se verificó la buena separabilidad de clases y se redistribuyeron las mismas. Para la evaluación del comportamiento y separabilidad espectral de las distintas clases se aplicó el análisis de divergencia transformada. El algoritmo utilizado en la clasificación supervisada fue el de Máxima Verosimilitud, incluyendo la máscara de agua y sombras (Figura 5). Figura 5. Clasificación supervisada imagen Landsat con 5 bandas Con las mismas clases temáticas se realizó una clasificación supervisada utilizando las bandas 2, 3, 4, 5 y 7 Landsat, las 4 bandas de la imagen ERS-2 (filtro de Frost y las tres de textura) y la máscara combinada. (Figura 6)

6 (a) (b) (c) (d) Figura 6. (a) imagen Landsat, (b) imagen ERS-1 con filtro Frost, (c) máscaras combinadas y (d) bandas de textura En la Figura 7 se presenta el resultado de dicha clasificación. Figura 7. Clasificación supervisada sobre bandas Landsat + texturas radar + filtro frost + máscara Se pudo comprobar mediante el análisis de la separabilidad de clases, que la precisión de la clasificación, con la inclusión de las bandas derivadas, mejoró respecto a la realizada utilizando sólo las bandas espectrales Landsat. Las áreas de entrenamiento

7 para esta clasificación fueron seleccionadas en las zonas donde no había variaciones significativas en vegetación, entre las fechas de ambas imágenes. A la imagen RADARSAT 2 se le aplicó la descomposición de Pauli, de Sinclair, y la clasificación de Wishart basada en los datos polarimétricos, la matriz de coherencia T3 y descomposición H / A /alpha) a fin de observar distintas características de hielos, vegetación y rocas. Se agregaron los metadatos de la imagen RADARSAT 2 para permitir su georreferenciación. (Figura 8) (a) (b) (c) Figura 8. Imagen RADARSAT 2 (a) Sinclair. BGR: VV, (HV+VH)/2, HH, Polarización cruzada en bosques y algunos sectores de glaciares; (b) Pauli BGR: HH+VV, HV+VH, HH-VV; (c) Clasificación no supervisada de Wishart 5. Conclusiones El procesamiento de la imagen radar ERS-2, con la ejecución de algunos procesos como calibración, filtrado speckle, análisis de texturas, y corrección de terreno con la ayuda del DEM STRM (90 m) se ejecutó con éxito utilizando el software libre NEST de la ESA y se pudo exportar la imagen en DB para hacer corregistración con la imagen Landsat permitiendo una buena superposición sin corrimientos entre ambas imágenes. Las máscaras hechas sobre las dos imágenes (Landsat y ERS-2) resultan prácticas para conseguir una mejor clasificación con valores muy altos (> 98 %) de eficiencia y un Kappa > 0.97 demostrados por la matriz de confusión. Las clasificaciones supervisadas arrojaron buenos resultados utilizando las mismas clases temáticas, en forma visual y por las estadísticas (separabilidad de clases, matriz de confusión), se pueden observar que la ayuda de la banda radar filtrada y sobre todo las bandas texturales permitieron una clasificación más precisa de las clases de bosque de lenga y bosque asociado como así también entre vegetación de estepa y roca. En el análisis polarimétrico realizado sobre la imagen RADARSAT 2 se observó mayor despolarización (mayores componentes de polarización cruzada HV, VH) en las zonas de bosques, según lo esperado, y también en algunas zonas de hielos de glaciar. Como conclusión final se demostró la importancia del aporte de la información radar aún en zonas de alto relieve con presencia de deformaciones geométricas, para la confección de mapas temáticos.

8 5. Bibliografía ALBERGA, A., (2007). A study of land cover classification using polarimetric SAR parameters. International Journal of Remote Sensing, 28(17): CHAN, C. K., (1981). Studies on the power scattering matrix of radar targets, University of Illinois, Chicago, USA CHUVIECO, E., (2002). Teledetección Ambiental. La observación de la tierra desde el espacio. Ediciones Ariel Ciencia, Madrid, España CROSTA, A.P., (2002). Processamento Digital de Imagens de Sensoramiento Remoto, UNICAMP, San Pablo, Brasil ENVI (2002). The Environment for Visualizing Images. Version 3.6 ENVI 3.5. Manuales de Usuario. ITT ESA NEST 4. 1C, (2012). Tutoriales de Nest ESA SAR Toolbox ESA POLSARPRO, (2011). Tutoriales Polarimetric decompositions and Polarimetric SAR data classification FERUGLIO E., (1944). Estudios geológicos y glaciológicos en la región del Lago Argentino. Patagonia. (Expedición Alberto M. De Agostini ). Editor Academia Nacional de Ciencias, 255 pp. FREEMAN, A., DURDEN, S. L., (1992). A three component scattering model to describe polarimetric SAR data. Proc. SPIE, Radar Polarimetry, 1748: GLCF. Fuente de datos perteneciente al Global Land Cover Facility, HEREDIA LACLAUSTRA, S., MARTÍNEZ SÁNCHEZ, S., QUINTERO, E., PINEIROS, W., CHUVIECO, E., (2003). Comparación de distintas técnicas de análisis digital para la cartografía de áreas quemadas con imágenes LANDSAT ETM+, GeoFocus (Artículos), Nº 3, p ISSN: LEE, J. S., GRUNES, M. R., AINSWORTH,T. L., LIJEN, D. U., SCHULER, D. L., CLOUDE, S. R., (1999). Unsupervised classification using polarimetric decomposition and the complex Wishart classifier. IEEE Transactions Geoscience and Remote Sensing, 37/1(5): OUARZEDDINE, M., SOUISSI, B., BELHADJAISSA, A., (2007). Unsupervised classification using Wishart classifier. Proc. of ESA POLINSAR. Workshop. RODRIGUES, A., CORR, D. G., POTTIER, E., FERRO-FAMIL, L., HOEKMAN, D. H., (2003). Landcover classification using Polarimetric SAR data. Proc. of ESA POLINSAR Workshop 6. Agradecimientos A la CONAE por la provisión de las imágenes satelitales. Al Centro de Sensores Remotos Canadiense por la provisión de imágenes RADARSAT 2 en el marco del Programa SOAR.