METODOLOGÍA PARA EL MAPEO DE TIPOS DE BOSQUES EN EL CONTEXTO DE LA CUANTIFICACIÓN DE LA BIOMASA Y EL CARBONO FORESTAL Abner Jimenez Componente de Monitoreo Forestal Programa REDD-CCAD/GIZ XIV Conferencia Iberoamericana de Sistemas de Información Geográfica Tegucigalpa, 3 de Julio de 2013 19.10.2013 Seite 1
Objetivo Automatizar procesos para reducir el tiempo en los procesos de clasificación de imágenes satelitales. 19.10.2013 Seite 2
Datos 1. Imágenes satelitales RapidEye de 5m de resolución espacial, entre los años 2010-2012. 2. Mapas de cobertura forestal de los años 2000 y 2005, elaborados con imágenes Landsat. Imágenes RapidEye Mapa 2000 Landsat Mapa 2005 Landsat Fuente: Programa REDD-CCAD/GIZ Fuente: Programa REDD-CCAD/GIZ 19.10.2013 Seite 3
Imágenes RapidEye 1. Resolución temporal: diario. 2. Resolución espacial: 6.5 (original Producto 1B) y 5m ortorectificada (Producto 3A). 3. Resolución espacial: Fuente: www.rapideye.de 4. Tamaño escena producto 3A: 25 x 25 Km 19.10.2013 Seite 4
Clasificación 2000-2005 1. Latifoliado 2. Pino denso 3. Pino abierto 4. Bosque mixto 5. Mangle (costa) 6. Mangle (interior) 7. Guamil o Café 8. Matorral 9. Pastos y/o cultivos 10.Cultivos intensivos 11.Agua 12.Urbano 19.10.2013 Seite 5
Latifoliado 19.10.2013 Seite 6 Seite 6
BOSQUES DE PINO Denso Ralo UNAH. MOGT/CTE-541 Abner 19.10.2013 Jimenez Seite 7
Mixto Mangle UNAH. MOGT/CTE-541 Abner 19.10.2013 Jimenez Seite 8
Guamiles y/o Cafe Matorrales 19.10.2013 Seite 9 Seite 9
Pastos y/o Cultivos Cultivos intensivos 19.10.2013 Seite 10 Seite 10
Concepto Usar mapas de cobertura de la tierra existentes para extraer muestras para el entrenamiento de imágenes satelitales RapidEye. Aplicar filtros a los mapas existentes para descartar muestras que tienen alta probabilidades de estar mal clasificadas o que podrían corresponder a otras categorías en la fecha de la nueva imagen a clasificar. Automatizar el proceso de extracción de muestras y clasificación en ArcGis. 19.10.2013 Seite 11
Filtros 1. Extraer las categorías coincidentes entre mapas de diferentes fechas o diferentes fuentes. 2. Filtrar muestras en segmentos de la imagen a clasificar conformados por una sola clase. 3. Filtrar muestras de bosque que estén por encima del promedio de NDVI de la imagen a clasificar. 4. Filtrar muestras de no bosque que estén por debajo del promedio de NDVI de la imagen a clasificar. 5. Filtro por número de pixeles de cada muestra 19.10.2013 Seite 12
1er Filtro: Coincidencia de clases Extraer las categorías coincidentes entre mapas de diferentes fechas o diferentes fuentes. Mapa 2000 Mapa 2005 Zonas coincidentes 2000 2005 (Clases de Referencia) 19.10.2013 Seite 13
2do. Filtro: Segmentos Filtrar muestras en segmentos de la imagen a clasificar conformados por una sola clase. 19.10.2013 Seite 14
Imagen RapidEye 2012 19.10.2013 Seite 15
Segmentos 19.10.2013 Seite 16
Segmentos y Clases de Referencia 19.10.2013 Seite 17
Segmentos con 1 sola clase (segmentos puros ) 19.10.2013 Seite 18
Clases dentro de segmentos puros 19.10.2013 Seite 19
3er. Filtro: NDVI Filtrar muestras de bosque que estén por encima del promedio de NDVI de la imagen a clasificar y por debajo del NDVI para no bosque. 19.10.2013 Seite 20
Clases dentro de segmentos puros y NDVI 19.10.2013 Seite 21
Clases dentro de segmentos puros y NDVI 19.10.2013 Seite 22
Media de NDVI de cada clase 19.10.2013 Seite 23
Clases de bosque > NDVI medio (de cada clase) 19.10.2013 Seite 24
Clases de no bosque < NDVI medio (de cada clase) 19.10.2013 Seite 25
Muestras filtradas por NDVI 19.10.2013 Seite 26
4to. Filtro: Cantidad de pixeles por muestra Filtros por número de pixeles de cada muestra: 1. 20 a 200 pixeles 2. 400 a 800 pixeles 3. 1,200 a 2,000 pixeles 19.10.2013 Seite 27
Muestras de 20 a 200 pixeles 19.10.2013 Seite 28
Muestras de 400 a 800 pixeles 19.10.2013 Seite 29
Muestras de 1,200 a 2,000 pixeles 19.10.2013 Seite 30
Usar cada grupo de muestras para generar 3 clasificaciones 1. 20 a 200 pixeles 2. 400 a 800 pixeles 3. 1,200 a 2,000 pixeles 19.10.2013 Seite 31
Combinar las 3 clasificaciones resultantes y para cada pixel obtener la clase de mayor frecuencia 19.10.2013 Seite 32
Clasificación con muestras de 20 a 200 pixeles 19.10.2013 Seite 33
Clasificación con muestras de 400 a 800 pixeles 19.10.2013 Seite 34
Clasificación con muestras de 1,200 a 2,000 pixeles 19.10.2013 Seite 35
Obtener clase de mayor frecuencia en cada pixel 19.10.2013 Seite 36
EVALUACIÓN Y MEJORAS 1. Evaluar las clasificaciones resultantes y escoger la que presente los mejores valores de separabilidad y menor error. 2. Trasladar las firmas y/o clasificación a un software de tratamiento de imágenes satelitales y corregir las clasificación. 19.10.2013 Seite 37
Imagen RapidEye 2012 19.10.2013 Seite 38
Clasificación automatizada 19.10.2013 Seite 39
Clasificación corregida 19.10.2013 Seite 40
Clasificación filtro 3x3 19.10.2013 Seite 41
PROCESOS Extracción de firmas en forma automatizada en ArcGis Convertir las firmas de formato Arcgis (shape) a Erdas (AOI) Convertir el AOI a signatura (*.sig) en Erdas Clasificación supervisada en Erdas Evaluación de clasificación y corrección de inconsistencias TOTAL (aproximado) 250 imágenes que cubren el país + 20% de imágenes duplicadas TIEMPO 10 min 20 min 45 min 2 min 5 horas 6 horas Aprox. 1/día TOTAL IMÁGENES: 300 imágenes Total de meses/hombre, requeridos (20 días de trabajo por mes): Un equipo de 4 personas: 15 meses 4-5 meses Fuente: datos proporcionados por la unidad de monitoreo forestal del ICF. 19.10.2013 Seite 42
EJEMPLOS DE RESULTADOS OBTENIDOS CON EL PROCESO AUTOMATIZADO EN ARCGIS (10 minutos por imagen) 10/19/2013 19.10.2013 Seite 43
10/19/2013 19.10.2013 Seite 44
10/19/2013 19.10.2013 Seite 45
10/19/2013 19.10.2013 Seite 46
10/19/2013 19.10.2013 Seite 47
10/19/2013 19.10.2013 Seite 48
10/19/2013 19.10.2013 Seite 49
10/19/2013 19.10.2013 Seite 50
10/19/2013 19.10.2013 Seite 51
ASOCIACIÓN DE CLASIFICACIÓN RESULTANTE CON SEGMENTOS 1. Calculo porcentaje de cobertura en cada segmento. 2. Identificación de segmentos con clases puras. 3. Clasificar segmentos con clases mixtas. 19.10.2013 Seite 52
Clasificación RapidEye a nivel de pixel 19.10.2013 Seite 53 Seite 53
Calculo de estadísticas dentro de cada segmento 19.10.2013 Seite 54 Seite 54
Ejemplo de porcentaje de cobertura forestal dentro de cada segmento 19.10.2013 Seite 55 Seite 55
Ejemplo de clase mayoritaria dentro de cada segmento 19.10.2013 Seite 56 Seite 56
Ventajas Se aprovechas los esfuerzos de mapeos anteriores independientemente de las escala que se utilizó en su elaboración. Reducción del tiempo en los procesos de clasificación en comparación con los métodos tradicionales. Incorporación de conceptos de densidad, bosques puros y mixtos aprovechando la alta resolución de las imágenes satelitales. 19.10.2013 Seite 57
Limitaciones La exactitud de las clasificaciones depende de la calidad de los mapas anteriores de donde se obtienen las muestras. Los sistemas de clasificación de los mapas anteriores no coincide necesariamente con el sistemas de clasificación deseado. Las nubes y sombras de nubes se confunden con clases de no bosque y bosque en el proceso automatizado. 19.10.2013 Seite 58
Uso de mapa de tipos de bosque en la cuantificación de la Biomasa y el Carbono Forestal Δ Extensión de bosques Sistema Satelitales Δ Contenido de carbono por tipo forestal Inventario Forestales 19.10.2013 Seite 59
Calculo de carbono en la biomasa viva Diámetro / Altura Volumen Fuste Biomasa Aérea: Ramas + Copa Biomasa Viva Total: Aérea + Raíces Carbono en la biomasa viva + Medición en campo Aplicación de función de volumen Factor de expansión de Biomasa Aérea Factor de expansión de Biomasa Subterranea Fracción de Carbono 19/10/2013 19.10.2013 Seite 60
Carbono total (C): C en Biomasa Viva + C en Biomasa Muerta + C en Suelo Carbono en la Biomasa Viva Carbono en la Biomasa Muerta Carbono en el Suelo CARBONO TOTAL Copa Ramas Biomasa Viva Fuste Hojarasca Madera Muerta Biomasa Muerta Raíces Factor de Biomasa Muerta Fracción de Carbono Estimación de Carbono en el Suelo Suelo 19/10/2013 19.10.2013 Seite 61
Especie Regeneración Madera Muerta Altura DAP Herbáceas Hojarasca 19.10.2013 Seite 62 Seite 62
Ejemplos Resolución Baja (>100 m) Resolución Media (10 100m) Resolución Alta (<10m) MODIS (500m) MODIS (250m) LANDSAT (30m) ASTER (15m) IKONO (1 m) 500m 250m 30m 15m 1m Monitoreo Nacional busca reducir incertidumbre en el calculo de la superficie: mayor resolución espacial. 19.10.2013 Seite 63 Seite 63
IMAGEN RAPID EYE 19.10.2013 Seite 64
REGIONAL: MODIS 19.10.2013 Seite 65
NACIONAL: MODIS LANDSAT 2009 19.10.2013 Seite 66
19.10.2013 Seite 67
SUBNACIONAL: RAPIDEYE 19.10.2013 Seite 68
Conclusiones Los mecanismos de compensación asociados al carbono forestal exigirán mayores precisiones y exactitud en los cálculos de superficie de las áreas de bosque. Por esta razón se requiere avanzar en procesos de automatización para poder generar información cartográfica sobre los bosques de detalle en tiempos relativamente cortos. La metodología propuesta influye positivamente en la mejora de los procesos de monitoreo forestal en el contexto de la cuantificación de biomasa y carbono forestal en términos de calidad y reducción de costos 19.10.2013 Seite 69
Gracias! 19.10.2013 Seite 70