View
213
Download
0
Category
Preview:
Citation preview
APLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A
IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS
INCENDIADAS
Autoras:Vanesa Gordillo AlonsoPatricia Martín Panero
Tutora:Dra. Carmen Quintano Pastor
INDICE
1. INTRODUCCIÓN2. DESCRIPCIÓN DEL TRABAJO
2.1. Material empleado2.2. Metodología2.3. Resultados
3. CONCLUSIONES Y EXTENSIONES
INDICE
1. INTRODUCCIÓN2. DESCRIPCIÓN DEL TRABAJO
2.1. Material empleado2.2. Metodología2.3. Resultados
3. CONCLUSIONES Y EXTENSIONES
1. INTRODUCCIÓN
• 632 incendios en 2004 en Castilla y León 15000 hectáreas
• Posibilidad de contar con imágenes MODIS• Validar una metodología para la cartografía de
superficies forestales afectadas por grandes incendios en Castilla y León basada en el empleo del Modelo Lineal de Mezclas Espectrales (MLME), unitemporal
1. INTRODUCCIÓN
• Respecto a la aplicación del MLME– Determinar las bandas adecuadas– Determinar los componentes básicos
• Respecto a la reclasificación– Determinar qué imágenes fracción son más adecuadas– Determinar qué clasificador es el más adecuado
• Respecto al tipo de imágenes– Determinar qué producto MODIS es el más adecuado– Determinar qué fecha resulta más idónea
1. INTRODUCCIÓN
MODIS (Moderate Resolution ImagingSpectroradiometer)
• Viaja a bordo del satélite TERRA• Integra monitoreo de incendios• 36 canales con diferentes longitudes de onda y
resoluciones espaciales– Canales 1 y 2 250 m de resolución– Canales 3 a 7 500 m de resolución– Canales 8 a 36 1 km de resolución
1. INTRODUCCIÓN
• Hay 44 productos estándar MODIS para muy diferentes aplicaciones y diferentes tipos de imágenes dentro de estos productos
• Los que hemos utilizado son:– MOD 09: Reflectancia de la superficie
• GHK: 500 m de resolución y 7 bandas espectrales• GQK: 250 m de resolución y 2 bandas espectrales
– MOD 13: Índices de vegetación• 13Q1: 250 m de resolución y 4 bandas espectrales
1. INTRODUCCIÓN
INDICE
1. INTRODUCCIÓN2. DESCRIPCIÓN DEL TRABAJO
2.1. Material empleado2.2. Metodología2.3. Resultados
3. CONCLUSIONES Y EXTENSIONES
2. DESCRIPCIÓN DEL TRABAJO
• Datos de la campaña de incendios 2004 en Castilla y León, considerando sólo incendios mayores de 100 hectáreas
• Imágenes MODIS:– MOD09GHK, MOD09GQK, MOD13Q1: 1 julio – 31
octubre• Partes oficiales y contornos de los incendios
proporcionados por la Junta de Castilla y León• Versión 3.6 de ENVI (Enviroment for Visualizing
Images)
2.1. MATERIAL EMPLEADO
PREPROCESADO
ANÁLISIS
ESPECTRAL
CLASIFICACIÓN
VERIFICACIÓN
• Descarga de las imágenes
• Selección visual de las fechas
• Recorte de las imágenes
• Preparación de los ficheros vectoriales
• Definición de endmembers
• MLME
• Supervisadas
• No supervisadas
• Muestreo
• Matriz de confusión
• Índice Kappa
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• MLME supone que la reflectividad que recoge el sensor se puede considerar la combinación lineal de la reflectividad de cada cubierta existente en cada píxel, siendo el factor de ponderación la fracción del área del píxel ocupada por dicha cubierta.
X = R * f + e
X: píxel considerado (de la imagen original)R: matriz con la reflectividad de las cubiertas definidas
(endmembers)f: imagen fracción – imagen de salidae: término de error (RMS)
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• Definición de endmembers– Transformación MNF (Minimun Noise Fraction);
• El resultado son una serie de bandas siendo las primeras las que contienen más información
– PPI (Pixel Purity Index)– Constelación de píxeles más puros– Definición de endmembers
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• La clasificación busca una imagen de clases que identifique diferentes coberturas (quemado, no quemado).– Supervisadas: parten de un conocimiento previo del
terreno, áreas de entrenamiento.– No supervisadas: es necesario determinar el número de
clases de salida.
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• Supervisadas– Paralelepípedos: se definen las fronteras de cada clase
teniendo en cuenta los valores máximos y mínimos de reflectividad.
– Mínima distancia: Cada píxel se asigna a la clase respecto a la que tiene una distancia menor.
– Máxima probabilidad: Asigna cada píxel a la clase a la que sea más probable que pertenezca según la media y desviación típica de ésta.
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• No supervisadas– IsoData: Calcula el promedio de las clases en cada
iteración y reclasifica los píxeles en función del resultado.
– K-Means: Tiene en cuenta la posibilidad de una desviación estándar o un umbral en las clases.
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• Es necesario verificar los resultados Matriz de Confusión– A partir de los resultados de la clasificación
comparándolos con verdad - terreno.– Recoge los conflictos entre categorías.
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• Índice KAPPA– Medida de la exactitud.– Se calcula a partir de los valores de la matriz de
confusión.– Se mide en tanto por 1.
Buena0.61 – 0.80
Moderada0.41 – 0.60
Débil0.21 – 0.40
Pobre< 0.20
FUERZA DE LA CONCORDANCIA
VALOR DE K
2. DESCRIPCIÓN DEL TRABAJO2.2. METODOLOGÍA
• Preprocesado.• Análisis espectral.• Clasificación. • Verificación de resultados.
– Los resultados mostrados corresponden a imágenes GHK, GQK del 21 de julio e imágenes 13Q1 del 28 de julio.
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
• Descarga de las imágenes• Selección visual de las fechas sin nubes
– MOD09GHK y MOD09GQK: 21 de julio, 14 de agosto, 29 de agosto y 14 de octubre
– MOD13Q1: 28 de julio, 13 de agosto, 29 de agosto, 14 de septiembre, 30 de septiembre y 16 de octubre
• Recorte de las imágenes para seleccionar la zona deseada (Castilla y León)
• Preparación de los ficheros vectoriales a partir de los partes oficiales y los contornos de los incendios
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
PREPROCESADO
173
638
260
2026
378
HAS
Villarino3701 / 07
Portillo / La Parrilla /
Aldeamayor4718 / 06
Almaraz de Duero4930 / 06
Fonfría4917 / 07
Tábara4918 / 06
TÉRMINO MUNICIPALPROVFECHA
1. Definición de endmember.– Modificando las bandas de entrada de la transformada
MNF.– Modificando las bandas de entrada del algoritmo PPI .– Variando el número de endmember de la constelación.
2. Aplicación del MLME– Modificando las bandas MNF de entrada al Modelo.– Variando el número de endmember considerados.
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
ANÁLISIS ESPECTRAL
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
ANÁLISIS ESPECTRAL
Imagen PPI Constelación de píxeles más purosMatriz de firmas espectrales
Imagen fracción del Modelocorrespondiente al endmember
quemado
RMSMedia próxima a 0
Desviación < 0,5
RMS próximo a 0
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
ANÁLISIS ESPECTRAL
• Se utilizan los 5 clasificadores anteriormente presentados
• Para cada uno de ellos se varían:– Las imágenes fracción de entrada
• Quemado, Vegetación1, Vegetación2 y Agua.– Parámetros según tipo de cada clasificador
• Definición de clases (áreas de entrenamiento) en supervisados.
• Número de clases en no supervisados.
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
CLASIFICACIÓN
Máxima probabilidad
GHK
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
Supervisada
GQK
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
Máxima probabilidad
Supervisada
13Q1
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
Máxima probabilidad
Supervisada
13Q1
IsoData
2 clases
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
No Supervisada
GQK
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
IsoData
10 clases
No Supervisada
GQK
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
2 clases
IsoData
10 clases
No Supervisada
• A partir de contornos oficiales obtenemos la imagen verdad – terreno.
• Se aplica un muestreo pseudoaleatorio (ecualizado y desproporcionado) variando la proporción de muestras consideradas en cada clase.
• Resultados:– Supervisados de forma general kappa<0,6.– No supervisados de forma general un índice kappa
entre 0,6 y 0,7. 13Q1 kappa hasta 0,8.– Los mejores resultados se obtuvieron empleando un
número similar de muestras para ambas clases.
2. DESCRIPCIÓN DEL TRABAJO2.3. RESULTADOS
VERIFICACIÓN
Clasificación no supervisada IsoDatapara imágenes 13Q1
INDICE
1. INTRODUCCIÓN2. DESCRIPCIÓN DEL TRABAJO
2.1. Material empleado2.2. Metodología2.3. Resultados
3. CONCLUSIONES Y EXTENSIONES
• Se ha logrado el objetivo de desarrollo de una metodología válida (basada en el empleo de MLME) para cartografía de áreas incendiadas utilizando imágenes TERRA-MODIS
3. CONCLUSIONES Y EXTENSIONES3.1. CONCLUSIONES
• MNF a todas las bandas de la imagen original.• PPI a las bandas con más información• Número y tipo de componentes básicos más
adecuado:– GHK: 4 bandas MNF y 3 componentes (“quemado”,
“vegetación” y “agua”)– GQK: 2 bandas MNF y 2 componentes (“quemado” y
“agua”)– 13Q1: 4 bandas MNF y 3 componentes (“quemado”,
“vegetación” y “agua”)
3. CONCLUSIONES Y EXTENSIONES3.1. CONCLUSIONES
RESPECTO A LA APLICACIÓN DE MLME
• Mejores resultados con las combinaciones de bandas– GHK
• Quemado y vegetación1• Quemado, vegetación1, vegetación2 y agua
– GQK• Quemado y agua
– 13Q1 • Quemado y vegetación• Quemado, vegetación y agua
• El clasificador más adecuado es– Máxima probabilidad para GHK– Cualquiera de los no supervisados para GQK y 13Q1
3. CONCLUSIONES Y EXTENSIONES3.1. CONCLUSIONES
RESPECTO AL PROCESO DE CLASIFICACIÓN
• El producto MODIS más adecuado para la aplicación es el MOD13Q1.
• Las imágenes de fechas más alejadas en el tiempo del incendio considerado ofrecen peores resultados.
3. CONCLUSIONES Y EXTENSIONES3.1. CONCLUSIONES
RESPECTO A LA ELECCIÓN DE IMÁGENES MÁS ADECUADAS
3.2. EXTENSIONES
• A pesar de que los resultados obtenidos con la metodología son aceptables hay que ampliar el estudio a otras fechas sobre la misma zona para poder asegurar su validez.
– Ampliación a otras zonas de características similares– Imágenes procedentes de otros sensores
4. AGRADECIMIENTOS
• Junta de Castilla y León (Servicio de Defensa del Medio Natural, Consejería de Medio Ambiente). – Datos de la campaña de incendios 2004,
• NASA's Earth Science Enterprise, preprocesadas por MODAPS (MODIS Adaptive Processing System) y distribuidas por Goddard DAAC (Distributed Active Archive Center). – Imágenes MODIS
APLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A
IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS
INCENDIADAS
Autoras:Vanesa Gordillo AlonsoPatricia Martín Panero
Tutora:Dra. Carmen Quintano Pastor
Recommended