APLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS INCENDIADAS

Transcripción

1 APLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS INCENDIADAS Autoras: Vanesa Gordillo Alonso Patricia Martín Panero Tutora: Dra. Carmen Quintano Pastor

2 1. JUSTIFICACIÓN Y OBJETIVOS A lo largo del año 2004 se produjeron 632 incendios en los que se quemaron más de hectáreas de superficie forestal en Castilla y León. En el mismo periodo en España se produjeron siniestros en los que la cifra de la superficie forestal quemada casi alcanzó las hectáreas. De acuerdo con esto, y con la posibilidad de contar con imágenes obtenidas del sensor MODIS del satélite TERRA, se ha propuesto un estudio para definir una metodología para cartografiar estos incendios, los producidos en Castilla y León. El principal objetivo de este proyecto es desarrollar una metodología válida para la cartografía de superficies forestales afectadas por grandes incendios en Castilla y León a partir de imágenes MODIS (Moderate Resolution Imaging Spectroradiometer) basada en el empleo del Modelo Lineal de Mezclas Espectrales (MLME) desde un punto de vista unitemporal. Este objetivo general puede desglosarse en los siguientes objetivos específicos: 1. Respecto a la aplicación del MLME. o Determinar qué bandas de la imagen son las más adecuadas para aplicar el modelo. o Determinar el número y tipo de los componentes básicos más adecuados para implementar MLME. 2. Respecto al proceso de reclasificación posterior de las imágenes fracción obtenidas aplicando MLME. o Determinar qué imágenes fracción son las más adecuadas como entrada del clasificador. o Determinar qué tipo de clasificador es el más adecuado. 3. Respecto al tipo de imágenes empleadas. o Determinar qué producto MODIS es el más adecuado para esta aplicación. o Determinar qué fecha resulta más idónea, analizando la permanencia de la cicatriz. 2. INTRODUCCIÓN TEÓRICA La teledetección consiste en la identificación de objetos a partir de las diferencias en la energía reflejada mediante la recogida de información espacial (organización de los elementos en el espacio), información espectral (naturaleza de las superficies), e información temporal (observación de los cambios de una zona a lo largo del tiempo). 1

3 La principal fuente de datos consiste en una imagen recogida por un sensor. Un dato particular representa un elemento sobre la superficie de la tierra y se representa como un píxel (picture element). De forma general es posible definir tres tipos de resolución en un sensor. La resolución espectral se refiere al número de bandas que puede detectar el sensor y a la anchura espectral de éstas. La resolución espacial es una medida del objeto más pequeño que puede ser resuelto por el sensor (área en la superficie que recoge cada píxel). Y la resolución temporal se refiere al tiempo que tarda el sensor en pasar por una misma zona. IMÁGENES MODIS En este trabajo utilizamos imágenes del sensor MODIS del satélite TERRA desde el 1 de julio de 2004 hasta 31 de octubre de Estas imágenes tiene frecuencia diaria en España y bandas con tres resoluciones espaciales diferentes. Tiene 2 bandas de 250m de resolución, 5 de 500m y el resto, 36, de 1km. El sensor MODIS capta tanto la luz visible, como la radiación térmica infrarroja (IR). Las imágenes MODIS son pre-procesadas por la NASA, incluyendo geo-referenciación, conversión a valores de reflectividad y compuestos multitemporales. Hay 44 productos de datos estándar de MODIS para diferentes aplicaciones, de los cuales utilizamos MOD 09 (Reflectancia de la Superficie) y MOD 13 (incluye los índices de vegetación NDVI y EVI). Del producto MOD 09 disponemos de 2 tipos de imágenes, GHK tiene una resolución de 500 m y 7 bandas espectrales y GQK tiene una resolución de 250 m y 2 bandas espectrales. Y del producto MOD 13 las imágenes con las que trabajamos son las 13Q1 con una resolución de 250 m y 4 bandas espectrales, en las que cada píxel es una composición de las muestras tomadas a lo largo de 16 días consecutivos. Trabajamos con los contornos de los incendios ocurridos en el verano de 2004 en formato vectorial facilitados junto con los partes de incendios por la Junta de Castilla y León. MODELO LINEAL DE MEZCLAS ESPECTRALES (MLME) Ésta técnica se basa en suponer que cada píxel de una imagen está compuesto de varios elementos, siendo la reflectividad total una combinación lineal de las reflectividades de cada uno de ellos. De este modo la finalidad de MLME es descomponer la imagen original en una serie de imágenes (una por cada clase definida) y una banda de error (RMS, raíz media cuadrática) CLASIFICACIONES La clasificación digital es un proceso que obtiene una nueva imagen para identificar las regiones que se pueden observar en la imagen original. Los métodos de clasificación son algoritmos de agrupamiento de datos y pueden ser divididos en supervisados y no supervisados. 2

4 Los primeros parten de un conocimiento del terreno que ayuda a seleccionar las muestras para cada categoría. Los clasificadores supervisados mas habituales son: o Paralelepípedos (Parallelepiped): Se definen unos paralelepípedos que son las fronteras de cada clase. Ésta debe hacerse teniendo en cuenta los valores máximos y mínimos de reflectividad para cada banda. o Mínima distancia (Minimum distance): Cada píxel se asigna a la clase más cercana. o Máxima probabilidad (Maximum Likelihood): Calcula la media y desviación típica de cada clase asumiendo que los datos siguen un a función de distribución normal asignando así el píxel a la clase a la que sea más probable que pertenezca. Los clasificadores no supervisados buscan de manera automática grupos de valores homogéneos en la imagen siendo necesario determinar previamente el número de clases que se quiere establecer. Los más habituales son: o IsoData: Calcula el promedio de las clases para formar agrupaciones de píxeles con un comportamiento espectral homogéneo y semejante. La distancia se calcula con técnicas de distancia mínima. En cada iteración se recalculan las medias y se reclasifican los píxeles. o K-Means: Calcula la media de cada clase y luego, iterativamente, las agrupaciones de píxeles de las clases más cercanas con técnicas de mínima distancia. Cada iteración recalcula las medias de las clases y reclasifica los píxeles respecto a las nuevas medias. Todos los píxeles son distribuidos a la más cercana siempre que no se especifique una desviación estándar o un umbral, en este caso pueden aparecer píxeles no clasificados. MATRIZ DE CONFUSIÓN E ÍNDICE KAPPA Se construye a partir de la clasificación. Es una matriz bidimensional y recoge los conflictos entre categorías. En las filas aparecen las clases de referencia y en las columnas las categorías de la clasificación. La diagonal expresa el número de píxeles clasificados donde se produce acuerdo entre las dos fuentes (verdad-terreno y clasificación). Los marginales indican errores de asignación. La fiabilidad se expresa con la relación entre los píxeles bien asignados y el total. El índice Kappa se obtiene de la matriz de confusión. Indica la relación entre la imagen verdad-terreno obtenida del vector incendios y la clasificación. Se mide en tanto por 1 y es aceptable K 0,7. SOFTWARE EMPLEADO El programa utilizado es ENVI en su versión 3.6. Este programa permite trabajar con ficheros de imágenes enteros, bandas individuales, o ambas, así como con imágenes vectoriales. 3

5 3. METODOLOGÍA Y RESULTADOS Los pasos seguidos se muestran en la siguiente figura y son brevemente descritos a continuación. 1. PREPROCESADO Descarga de las imágenes. Selección visual de las fechas sin nubes. Recorte de las imágenes para seleccionar la zona deseada (Castilla y León) Preparación de los ficheros vectoriales de las fechas consideradas. 2. ANÁLISIS ESPECTRAL Definición de endmembers MLME 3. CLASIFICACIÓN Supervisadas No supervisadas 4. VERIFICACIÓN Muestreo Matriz de confusión Índice Kappa PREPROCESADO Se eligen las imágenes con menos nubes. Se recortan y se preparan los ficheros vectoriales. Finalmente se eligen las imágenes de fecha: 21 de julio, 14 de agosto, 29 de agosto y 14 de octubre para GHK y GQK y 28 de julio, 13 de agosto, 29 de agosto, 14 de septiembre y 30 de septiembre para las imágenes 13Q1. ANÁLISIS ESPECTRAL En primer lugar se aplica una transformación MNF (Minimum Noise Fraction) a la imagen para tratar de eliminar el ruido que pueda tener. Podemos aplicar su inversa para volver a trabajar con la imagen original o bien quedarnos con la transformada. 4

6 A continuación aplicamos el índice de pureza de los píxeles. PPI (Píxel Purity Index) busca los píxeles más puros de la imagen. Se puede realizar a partir del resultado de MNF o de su inversa. Elegimos diferentes combinaciones de bandas de la imagen con la que trabajar. Vemos la constelación formada por los píxeles más puros y elegimos los píxeles que están en la zona de los incendios y otros grupos de píxeles del diagrama cercanos entre sí para definir las regiones. Elegidas ya las clases, realizamos MLME utilizando las siguientes alternativas: 1) se aplica MLME directamente a la transformada MNF con los endmembers definidos mediante PPI; 2) se aplica MLME a la transformada MNF inversa con los endmembers definidos mediante PPI en la transformada MNF; y 3) se aplica MLME a la transformada MNF inversa pero en este caso se emplean los endmembers definidos mediante PPI sobre la transformada MNF inversa. Finalmente hemos utilizado 2 (vegetación sana, vegetación quemada), (3 (vegetación sana, vegetación quemada, y agua) y 4 endmembers (vegetación sana 1, vegetación sana 2, vegetación quemada, y agua), con un error máximo permitido (valor medio de la imagen RMS) igual a 1. La alternativa que mejores resultados produjo fue la primera. Concretamente, realizamos la transformada MNF de las bandas 1, 2, 3 y 4 de GHK y de 13Q1, y las bandas 1 y 2 de GQK. Seleccionamos tres regiones en GHK y 13Q1 y dos en GQK. Las bandas seleccionadas para realizar MLME fueron 1, 2, 3 y 5 de la transformada MNF para GHK, 1 y 2 para GQK y 1, 2, 3 y 4 para 13Q1. CLASIFICACIÓN Para obtener una imagen clasificada con dos clases: quemado y no quemado, hemos empleado los clasificadores supervisados y no supervisados descritos en el apartado introducción con distintas combinaciones de bandas y, para las clasificaciones supervisadas, empleando diferentes clases. VERIFICACIÓN Calculamos la matriz de confusión y kappa a partir de las clasificaciones anteriores. Hemos realizado distintos muestreos de imágenes verdad-terreno (muestreo ecualizado y muestreos desproporcionados). Se obtuvo un índice Kappa máximo de 0.8, empleando la imagen 13Q1 de fecha del 29 agosto, siguiendo la primera alternativa al aplicar MLME, y utilizando clasificación no supervisada. 4. CONCLUSIONES Y EXTENSIONES CONCLUSIONES 1. Respecto a la aplicación de MLME 5

7 La conclusión a la que llegamos es que los mejores resultados aparecen utilizando la primera alternativa: aplicar MLME directamente a la transformada MNF con los endmembers definidos mediante PPI sobre la transformada. Se emplearon todas las bandas de la imagen original para realizar la transformada MNF, a continuación para aplicar PPI. Los mejores resultados se obtuvieron utilizando las bandas 1, 2, 3 y 4 de GHK y de 13Q1, y las bandas 1 y 2 de GQK, y seleccionando tres endmembers en GHK y 13Q1 y dos en GQK. Las bandas seleccionadas para realizar MLME que mejores resultados produjeron fueron 1, 2, 3 y 5 de la transformada MNF para GHK, 1 y 2 para GQK y 1, 2, 3 y 4 para 13Q1. 2. Respecto al proceso de reclasificación La conclusión a la que llegamos es que el clasificador más adecuado para GHK es el de máxima probabilidad (índice kappa máximo obtenido 0,7179) y tanto para GQK como para 13Q1 cualquiera de los no supervisados que hemos analizado (índice kappa máximo obtenido para GQK 0,6738 y para 13Q1 0,8). Las imágenes fracción que mejores resultados produjeron como entrada del clasificador fueron: laimagen vegetación quemada, vegetación sana y agua. 3. Respecto al tipo de imágenes empleadas El producto MODIS más adecuado para la aplicación es el 13Q1., siendo la mejor fecha, aquélla más próxima a la fecha del incendio. En cualquier caso se ha observado que algunos incendios son identificables hasta un mes y medio después. EXTENSIONES El estudio se puede ampliar tanto a otras zonas geográficas como a otras fechas y mejorar el método para incluir incendios menores de 100 hectáreas. Se puede idear algún método que filtre el efecto de las nubes. También se puede trabajar con distintos productos incluso de otros satélites. Y se podrían estudiar otro tipo de regiones aparte de las zonas incendiadas. 5. AGRADECIMIENTOS Este trabajo se ha llevado a cabo empleando datos de la campaña de incendios 2004, proporcionados por la Junta de Castilla y León (Servicio de Defensa del Medio Natural, Consejería de Medio Ambiente). Asimismo, se han utilizado imágenes MODIS, propiedad de NASA's Earth Science Enterprise, preprocesadas por MODAPS (MODIS Adaptive Processing System) y distribuidas por Goddard DAAC (Distributed Active Archive Center). 6