1 / 32

Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal

Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal Caso de Estudio: La Amazonía, Brasil. Foto por Neil Palmer Amazonía Brasilera. Karolina Argote Deluque, Louis Reymondin, Andy Jarvis. II Reunión del Comité Técnico Subregional

morag
Download Presentation

Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal Caso de Estudio: La Amazonía, Brasil Foto por Neil Palmer Amazonía Brasilera Karolina Argote Deluque, Louis Reymondin, Andy Jarvis II Reunión del Comité Técnico Subregional Proyecto “Análisis de las Dinámicas de Cambio de Cobertura de la Tierra” Bogotá, 14, 15, 16 Junio 2011

  2. Contenido 1. MODIS.. 2. Terra-i. An eye on habitat change 3. Proceso Metodológico detallado 4. Caso de estudio Amazonia Brasil 5. Pros y contras Uso datos MODIS

  3. MODerateResolutionImagingSpectroradiometer(MODIS) El sensor MODIS se encuentra a bordo de los satélites Terra y Aqua que forman parte de la misión EOS (EarthObservingSystem) de la NASA. • Resolución radiométrica: • 12 bits • Resolución Espectral: • 36 bandas (0.4 - 14.4 µm) • Resolución Espacial: • 250 m (bandas 1-2) • 500 m (bandas 3-7)) • 1000m (bandas 8-36) • Tasa de datos: 6.1Mbps (promedio) • Escuadra de Captura de datos: 2330 por 10km (a lo largo de la huella al nadir) • Medidas: 1 x 1.6 x 1m • Peso: 228.7Kg

  4. Lanzamiento: 18/12/1999 Primera imagen: Febrero 2000 Nodo descendente: 10:30 am. ± 15min Solar: polar sincronizada Altura: 705Km nominal Inclinación: 98.2 ±0.1 grados, Periodo: 98.8 min Lanzamiento: 04/05/2002 Primera imagen: Junio 2002 Nodo ascendente: 1:30pm. ± 15min Solar: polar sincronizada Altura: 705Km nominal Inclinación: 98.2 ±0.1 grados, Periodo: 98.8 min Ambos tienen cubrimiento global cada 2 días, y arriba de 30° de latitud cada día

  5. Productos MODIS Además de las imágenes multiespectrales (7 bandas), hay 44 productos de datos estándar de MODIS utilizados para el estudio de los cambios globales en oceanografía, biología y ciencias atmosféricas. Están Clasificados en: • Niveles (según el nivel de procesamiento) • Nivel 1A: Contienelas 36 bandascrudas de MODIS. • Nivel 1B: Contienelas 36 bandascalibradas, ajustándolas a unaresoluciónespacial (1-2 250m), (3-7 500m), (8-36 1000m) y un mismosistema de referencia. • Como el MOD03 o productoGeolocalizador. • Nivel 2Lg: Ahoradivididospor Tiles. • Nivel 3 : Dividospor tiles y son derivados de los productos de nivel 2. • Versiones (según el mejoramiento)

  6. Productos MODIS https://lpdaac.usgs.gov/lpdaac/products/modis_products_table

  7. ¿Como obtener los datos MODIS? Recomendado

  8. ¿Como seleccionar la zona análisis? MODIS Sinusoidal Grid 10° x 10° MOD13Q1.A2000353.h14v09.005.2003077094120.hdf ShortName Julian Processing Date Tile Julian Acquisition Date Processing Version • Los programas de instalaciónparapre-procesamientos de los datos se encuentrandisponibles en la página de USGS: https://lpdaac.usgs.gov/lpdaac/tools

  9. Usando el ftp de Glovis y scripts sencillos en python podemos automatizar la descarga y el pre-procesamiento cuando trabajamos con un gran volumen de datos.

  10. MOD13Q1 Este productoofrececomparacionesespaciales y temporales de la condición de la vegetación.

  11. Capa QA deMOD13Q1 La capa de calidad contiene valores clasificados que describen la calidad de cada pixel Usar esta información nos permite eliminar datos que pudieran estar afectados por la cobertura de nieve o la presencia de nubes antes de proceder al análisis.

  12. Índices de Vegetación L3, 16 días, 250m Índice de vegetación de diferencia normalizada (NDVI) representa la cantidad y el vigor de la vegetación. Los valores de una zona están estrechamente relacionados con el tipo de vegetación y con las condiciones climáticas, así como con el patrón predominante de uso de las tierras.

  13. Terra- An eye on Habitat Change Monitoreo de cambios en el habitad usando Redes neuronales y datos satelitales MODIS. Cultivos de Soja Amazonía Brasilera

  14. Enfoque Conceptual La intensidad del verde de la vegetación sigue un ciclo natural que depende de factores climáticos (precipitación, temperatura), variables de sitio (tipo de vegetación, características del suelo)y de las alteraciones (naturales o antropogénicas). Terra-ies un modelo capaz de predecir la evolución de la intensidad verde de la vegetación, con base a medidas de verde anteriores y a medidas climáticas actuales para detectar cambios significativos en el habitad.

  15. Metodología de Terra- Datos NDVI y QA MODIS MOD13Q1, Precipitación (TRMM) (2000-2009) Limpieza de Datos Algoritmo de Hants Datos de 2000 a 2004 Entrenamiento de la Red Neuronal Clustering K-Mean Datos de 2004 a 2009 Selección aleatoria de píxeles. Predicción de NDVI desde 2004 a 2009 Diferencia entre el NDVI medido por el sensor y el NDVI Predicho por la red neuronal Calibración con mapas de cambio generados con imágenes Landsat (30m) Mapas de las probabilidades de cambio Edición de Reglas Mapas de cambios por pérdidas Resultados Clasificación del cambio Mapas de Cambios Detectados Mapas de cambios por incrementos

  16. 1 Limpieza de datosAlgoritmo de Hants Se aplica el algoritmo Hants(HarmonicAnalysis of a Time Series) a los datos NDVI, con el fin de eliminar los valores bajos y fluctuantes que pueden estar relacionados con variaciones atmosféricas y no con la dinámica natural o antrópica en las coberturas de la tierra. Trasformada rápida de Fourier Esta transformada convierte la señal del dominio del tiempo al dominio de la frecuencia.

  17. 2 ClusteringK-Means Se asigna aleatoriamente a cada objeto del conjunto un clúster entre 1 y K y se calculan los centroides de cada cluster como el valor medio de todos los objetos. Se calcula la distancia de los objetos a los centroides y se asignan nuevamente a cada objeto del conjunto un cuya distancia es mínima con respecto a todos los centroides. Se repite el paso ii y iii hasta que allan <1% de objetos que han cambiado de clusters en la nueva iteración

  18. 3 Entrenamiento de la Red Neuronal

  19. 4 Detección de cambios Para detectar los cambios, las Redes Bayesianas Neuronales nos dan tres indicadores: 1. El valor predicho (Para detectar los cambios) 2. La desviación estándar de las predicciones del modelo sobre la función real. (Para medir qué tan seguros estamos de que la medida del satélite es anormal.) 3. El nivel de ruido (Gaussiano) de la medida del satélite (Para medir qué tan seguros estamos de que la medida del satélite es anormal.)

  20. Caso de Estudio : Amazonia, Brasil

  21. Detección de Terra-i en laAmazonía Brasilera En la Amazonía Brasilera Terra-i detecta un total acumulado de 14,353,752 hectáreas deforestadas entre los años 2004 y 2009, equivalente a una pérdida promedio anual de 2,658,102 hectáreas.

  22. Comparación de resultados de Terra-i con modelos locales

  23. Comparación de resultados de Terra-i con modelos locales

  24. Detección de Terra-i en Rondonia, Brasil 2009 2004

  25. Detección de Terra-i en Rondonia, Brasil 2009 2004

  26. Detección de Terra-i en Mato Grosso, Brasil 2009 2004

  27. Detección de Terra-i en Mato Grosso, Brasil 2009 2004

  28. Detección de Terra-i en Para, Brasil 2009 2004

  29. Detección de Terra-i en Para, Brasil 2009 2004

  30. A nivel departamental los estado de Mato Grosso y Pará registran las mayores tasas de deforestación; 1,091,816 y 713,107 hectáreas por año respectivamente. Estados donde se ha incrementado la actividad ganadera y así la conversión de zonas forestales a zonas de pasto y a explotaciones agrícolas de monocultivos, en particular de soja. El rápido crecimiento de la actividad ganadera ha acelerado la destrucción de la selva amazónica.

  31. ¿Por qué usar MODIS? • Datos de calidad, de acceso gratis a través del portal de la NASA. • Información de calidad por pixel. • Alta resolución temporal, lo que nos brinda la posibilidad de comparar imágenes de diferentes fechas, hacer monitoreo de los cambios de cobertura. • Posibilidad de bajar los datos en tiempo real para crear sistemas de alerta. • Brinda una alta gama de productos capaces de predecir cambios globales con la precisión suficiente como para asistir políticas de protección  ambiental.

  32. Contactanos k.a.argote@cgiar.org karoargote@gmail.com www.terra-i.org

More Related