Servicios Climáticos para la Agricultura, Ciudad de Guatemala Jun 2019
Karolina Argote - Uso de datos MODIS en el monitoreo de cambios de cobertura vegetal (Junio 2011)
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. MODerate Resolution Imaging
Spectroradiometer (MODIS)
El sensor MODIS se encuentra a bordo de los satélites Terra y Aqua que
forman parte de la misión EOS (Earth Observing System) 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 Ambos tienen
cubrimiento global
Altura: 705Km nominal
cada 2 días,
Inclinación: 98.2 ±0.1 grados, y arriba de 30°
Periodo: 98.8 min 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: Contiene las 36 bandas crudas de MODIS.
Nivel 1B: Contiene las 36 bandas calibradas, ajustándolas a una resolución
espacial (1-2 250m), (3-7 500m), (8-36 1000m) y un mismo sistema de referencia.
Como el MOD03 o producto Geolocalizador.
Nivel 2Lg: Ahora divididos por Tiles.
Nivel 3 : Dividos por tiles y son derivados de los productos de nivel 2.
• Versiones (según el mejoramiento)
8. ¿Como seleccionar la zona análisis?
MODIS Sinusoidal Grid
10° x 10°
MOD13Q1.A2000353.h14v09.005.2003077094120.hdf
ShortName Tile Julian Processing Date
Julian Acquisition Date Processing Version
Los programas de instalación para pre-procesamientos de los datos se encuentran disponibles 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.
11. bit Long Name Value Key
0 VI produced, good quality
1 VI produced, but check other QA
Capa QA de
0–1 MODLAND_QA
10 Pixel produced, but most probably cloudy
11 Pixel not produced due to other reasons than clouds
MOD13Q1
0 Highest quality
1 Lower quality
10 Decreasing quality
100 Decreasing quality
1000 Decreasing quality
La capa de calidad
2–5 VI Usefulness 1001 Decreasing quality
1010 Decreasing quality
1100 Lowest quality
contiene valores
clasificados que
1101 Quality so low that it is not useful
1110 L1B data faulty
describen la calidad
1111 Not useful for any other reason/not processed
0 Climatology
6–7 Aerosol quantity
1
10
Low
Average
de cada pixel
11 High
Usar esta
1 Yes
8 Adjacent cloud detected
0 No
9
Atmosphere BRDF 1
0
Yes
No
información nos
permite eliminar
correction performed
1 Yes
10 Mixed Clouds
datos que pudieran
0 No
0 Shallow ocean
1
10
Land (Nothing else but land)
Ocean coastlines and lake shorelines
estar afectados por
11–13 Land/Water Flag
11 Shallow inland water la cobertura de
nieve o la presencia
100 Ephemeral water
101 Deep inland water
110
111
Moderate or continental ocean
Deep ocean
de nubes antes de
14 Possible snow/ice
1
0
Yes
No
proceder al análisis.
1 Yes
15 Possible shadow
0 No
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-i es 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
Clustering Red Neuronal
Datos de 2004 a 2009
K-Mean
Selección aleatoria de Predicción de
píxeles. NDVI desde
2004 a 2009
Calibración con mapas de Mapas de las Diferencia entre el NDVI medido
cambio generados con probabilidades por el sensor y el NDVI Predicho
imágenes Landsat (30m) de cambio por la red neuronal
Edición de
Mapas de cambios
Reglas
por pérdidas
Mapas de Cambios Clasificación Resultados
Detectados del cambio Mapas de cambios
por incrementos
16. 1 Limpieza de datos
Algoritmo de Hants
Se aplica el algoritmo Hants (Harmonic Analysis 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 Clustering
K-Means
i. 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.
ii. 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.
iii. Se repite el paso ii y iii hasta que allan
<1% de objetos que han cambiado de
clusters en la nueva iteración
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.)
21. Detección de Terra-i en la
Amazonía 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.
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.