Los incendios forestales son uno de los principales problemas ambientales en Castilla y León

Transcripción

1 PROCESAMIENTO DE IMÁGENES MODIS PARA LA CARTOGRAFÍA DE ZONAS AFECTADAS POR INCENDIOS Autor: Carlos Hernán García Tutora: Carmen Quintano Pastor Dpto. Tecnología Electrónica

2 ÍNDICE JUSTIFICACIÓN Y OBJETIVO INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

3 ÍNDICE JUSTIFICACIÓN Y OBJETIVO INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

4 JUSTIFICACIÓN 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 de la prevención y extinción de los mismos, la cartografía de áreas afectadas por los fuegos y el estudio de la posterior evolución de las zonas quemadas Inicialmente, la información de entrada a dichos sistemas de gestión se obtenía mediante trabajo de campo Actualmente, el uso de la Teledetección para la cartografía de áreas quemadas está contribuyendo de forma importante, permitiendo una evaluación estadística y cartográfica más rápida y precisa

5 JUSTIFICACIÓN Entre las imágenes de satélite más ampliamente utilizadas por las 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 and Space Administration (NASA) Éstas serán las imágenes utilizadas en este trabajo

6 OBJETIVO Desarrollar una metodología válida para obtener una estimación precisa de áreas quemadas a partir de imágenes del sensor MODIS posteriores a la fecha de incendio Identificación de banda de entrada más adecuada Identificación del tipo de clasificador más idóneo Identificación del producto MODIS más adecuado

7 ÍNDICE JUSTIFICACIÓN Y OBJETIVOS INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

8 INTRODUCCIÓN TEÓRICA Teledetección Captación de la radiación electromagnética procedente de la superficie terrestre desde un sensor a bordo de una plataforma espacial y su posterior tratamiento para obtener la información deseada.

9 INTRODUCCIÓN TEÓRICA MODIS Satélites TERRA y AQUA 36 canales con diferentes resoluciones: 2 canales con 250m 5 canales con 500m resto de canales con 1km 44 productos para distintas aplicaciones Se han utilizado los productos 09 (reflectividad, diaria, 8 días, 250m) 13 (índices de vegetación, 16 días, 250m)

10 INTRODUCCIÓN TEÓRICA Índices 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 la banda del infrarrojo cercano (IRC) (0,7µ 1,1µ) Se utilizan habitualmente como entrada para identificar áreas quemadas Nosotros usaremos: NDVI (Normalized Difference Vegetation Index) EVI (Enhanced Vegetation Index) GEMI (Global Environment Monitoring Index) CSI (Cociente simple entre las bandas IRC y R)

11 INTRODUCCIÓN TEÓRICA Índices espectrales En los últimos años se han diseñado algunos índices específicamente diseñados para identificar áreas quemadas Destacan: BAI (Burned Area Index) BAIM (Burned Area Index MODIS) NBR (Normalized Burnt Ratio) Estos índices también serán utilizados en el trabajo

12 INTRODUCCIÓN TEÓRICA Modelo Lineal de Mezclas Espectrales (MLME) La señal captada por el sensor para un determinado píxel es una 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 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 quemadas

13 INTRODUCCIÓN TEÓRICA Clasificación Algoritmo que categoriza una imagen multibanda: Nivel Digital (ND) Nuestra escala será QUEMADO / NO QUEMADO Tipos: Escala categórica Supervisado: parte de un conocimiento previo del terreno a partir del cual se seleccionan las muestras para cada una de las categorías. Ej: Paralelepípedos, l mínima distancia, i máxima probabilidad bilid d 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

14 INTRODUCCIÓN TEÓRICA Verificación Matriz de confusión: Se obtiene a partir de los resultados de clasificación, comparándolos con la verdad - terreno

15 INTRODUCCIÓN TEÓRICA Verificación Índice KAPPA VALOR DE K FUERZA DE LA CONCORDANCIA N xkk xk x k < 0.20 Pobre k k k = Débil k 2 N k x k x k Moderada Buena Donde: N: número total de píxeles en todas las clases verdad-terreno. x kk : valores de las diagonales de la matriz de confusión. x kσ x Σk : suma de los píxeles verdad terreno en una clase por la suma de los píxeles clasificados en esa clase

16 ÍNDICE JUSTIFICACIÓN Y OBJETIVO INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

17 TRABAJO REALIZADO Material Datos campaña de incendios 2007 y 2008 en Castilla y León, considerando incendios mayores de 100 ha (perímetros GPS de áreas quemadas). Imágenes MODIS: MOD09GQ, MYD09Q1, MOD13Q1 y MYD13Q1 Software empleado: ENVI (Enviroment for Visualizing Images), version 4.7

18 TRABAJO REALIZADO Zonas de estudio UBICACIÓN FECHA TERMINO MUNICIPAL Área (ha) ZONA ESTUDIO 1 (Salamanca y Zamora) ZONA ESTUDIO 2 (Segovia) ZONA ESTUDIO 3 (Segovia y Burgos) ZONA ESTUDIO 4 (León) ZONA ESTUDIO 5 (Zamora) 31/07/2007 Aldeadávila de la Ribera /07/2007 Mancera de Abajo /07/2007 Villamor de la Madre /08/2007 Tizneros /08/2008 Moral de Hornuez / Villaverde de Montejo, Honrubia de la Cuesta/Pradales /07/2008 Isar / Sasamón /08/2008 Porqueros y Zacos /08/2008 Castrillo de la Valduerna /09/2008 San Martín detábara /08/2008 Gallegos del Río /08/2008 Vegalatrave

19 TRABAJO REALIZADO Metodología

20 TRABAJO REALIZADO Metodología: preprocesado Se obtiene para cada zona de estudio la imagen verdad-terreno, que será utilizada en la etapa de validación de resultados, rasterizando los ficheros.shp con los perímetros GPS de las áreas quemadas.

21 TRABAJO REALIZADO Metodología: preprocesado Se calculan los índices de vegetación NDVI, índice de vegetación de diferencia normalizada: NDVI = ρ ρ IRC IRC + ρ ρ R R EVI, índice mejorado de vegetación: EVI = ρ IRC ρ R + C ρ C ρ ρ IRC 1 R 2 blue + L GEMI, índice de vegetación global: GEMI = donde η es: 2 2 ( ρ η = IRC ρ ρ ) ρ + ρ ρ CSI, cociente simple entre las bandas IRC y R: CSI = 2 R IRC R IRC R η ( η ) ( ρ IRC (1 ρ ) ρ ρ IRC R ( R ) ρ IRC ρ R : reflectividad en el infrarrojo cercano : reflectividad en el rojo ρ blue : reflectividad en el azul

22 TRABAJO REALIZADO Metodología: preprocesado Además, los índices espectrales, diseñados específicamente para identificación de zonas quemadas: 1 BAI, índice de área quemada: BAI = 2 2 ( ρ ρ ) + ( ρ ρ ) CR R CIRC IRC BAIM, índice de área quemada para MODIS: BAIM = ( ρ CSWIR ρ SWIR 1 2 ) + ( ρ CIRC ρ IRC ) 2 NBR, cociente normalizado de área quemada NBR = ρ ρ IRC IRC ρ + ρ SWIR SWIR ρcswir y ρcirc : reflectividades de un punto de convergencia para áreas quemadas en el infrarrojo medio e infrarrojo cercano

23 TRABAJO REALIZADO Metodología: MLME Pasos 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) Opción 1: vegetación, suelo y sombra-agua Opción 2: dos tipos de vegetación, suelo y sombra-agua

24 TRABAJO REALIZADO Metodología: MLME Unmixing : Descomposición espectral para obtener las imágenes fracción X = R * f + e 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)

25 TRABAJO REALIZADO Metodología: clasificación 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)

26 TRABAJO REALIZADO Metodología: clasificación Clasificación NO-SUPERVISADA K-MEANS: un único parámetro de entrada (número de clases) Clasificación SUPERVISADA Paralelepípedos: se definen una serie de rectángulos, que definen las fronteras de cada clase, teniendo en cuenta los valores máximos y mínimos de reflectividad

27 TRABAJO REALIZADO Metodología: verificación 4. VERIFICACIÓN Muestreo desproporcionado: Seleccionamos puntos aleatorios de las áreas de estudio que representarán la fiabilidad d 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

28 ÍNDICE JUSTIFICACIÓN Y OBJETIVO INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

29 RESULTADOS 1. Preprocesado Banda 1 :R Banda 2: IRC Imagen perímetro Imagen Verdad-Terreno Imagen original (MOD09GQ)

30 RESULTADOS 1. Preprocesado NDVI EVI GEMI CSI BAI BAIM NBR

31 RESULTADOS 2. Modelo Lineal de Mezclas Espectrales Banda 1 Banda 2 MNF de la imagen Selección de endmembers

32 RESULTADOS 2. Modelo Lineal de Mezclas Espectrales Fracción vegetación Fracción suelo Fracción agua Imagen error

33 RESULTADOS 3. Clasificación K-Means: Clasificación 10 clases 2 clases (Q / NQ) Filtro (estimación final) Paralelepípedos: Estimación final

34 RESULTADOS 4. Verificación Para cada zona de estudio 1 producto 09 (reflectividad dos bandas) 1 producto 13 (índices de vegetación, 16 días) Para cada producto, se consideraron las siguientes entradas: IRC, todos los índices de vegetación y espectrales de realce de áreas quemadas, imágenes fracción. Para cada imagen de entrada Clasificación supervisada (paralelepípedos) y no supervisada (k-means) con 5-10 clases

35 RESULTADOS 4. Verificación 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

36 RESULTADOS Mejor estimación de área quemada: Imágenes fracción obtenidas mediante 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

37 RESULTADOS Mejor estimación de área quemada: Clasificación no supervisada (10 clases) aplicada a las imágenes fracción mostradas en la figura 1, agrupación en clases Quemado y no Quemado; filtrado final Clasificación (10 clases) Agrupamiento en 2 clases (Q/NQ) Filtro

38 ÍNDICE JUSTIFICACIÓN Y OBJETIVO INTRODUCCIÓN TEÓRICA TRABAJO REALIZADO RESULTADOS CONCLUSIONES

39 CONCLUSIONES La metodología propuesta p para la cartografía de áreas quemadas a partir de imágenes MODIS posteriores al incendios ha sido validada Respecto a la banda de entrada del clasificador: Con la banda IRC original: i estimaciones i con valores kappa aceptables (aproximadamente 0.65), aunque sólo con un clasificador supervisado Con 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 considerada Con 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

40 CONCLUSIONES Respecto al tipo de clasificador: Las estimaciones con una kappa superior a 0.5 fueron más frecuentes cuando se emplearon clasificadores supervisados Clasificadores no supervisados obtuvieron mejores resultados cuando se emplearon 10 clases en lugar de 5 Respecto al producto MODIS Sólo en una zona fue mejor el producto 13 (índices de vegetación, 16 días), en el resto no hay tendencia clara

41 PROCESAMIENTO DE IMÁGENES MODIS PARA LA CARTOGRAFÍA DE ZONAS AFECTADAS POR INCENDIOS MUCHAS GRACIAS POR SU ATENCIÓN! Autor: Carlos Hernán García Tutora: Carmen Quintano Pastor, DTE