EXTRACCIÓN DE DATOS DE IMÁGENES DE SATÉLITE Y SU CORRELACIÓN CON DATOS

DE INVENTARIO FORESTAL.

Ing. Jose David Urquiza Muñoz.

Facultad de Ciencias Forestales - UNAP.

Departamento de Manejo Forestal y Medio Ambiente.

jodaurmu@gmail.com

www.jdurquizam.wordpress.com

ANTECEDENTES

• La participación de la FCF – UNAP enel Simposio científico 2012 de la FIA(Forest Inventory Analysis - USDA),permitió establecer relaciones entre laUNAP , la universidad de PENN STATE yFIA, logrando proponer diferentesideas de trabajo para serdesarrollados en el marco de unposible estudio de post grado. Una deestas ideas se presento comopropuesta de investigación alPrograma Silvacarbon de NASA,siendo aceptada en Julio del 2013 yponiendo en ejecución en setiembredel mismo año.

INTRODUCCIÓN• Los niveles digitales no representan de manera

directa ninguna variable biofísica y, por tanto, no es

conveniente que obtener ningún índice espectral

usando dichos valores "crudos". La razón para no

hacerlo es muy simple: los llamados "índices

espectrales" fueron desarrollados para trabajar con

valores de reflectancia espectral de la superficie

terrestre. Los niveles digitales no proporcionan dicha

información. Por lo tanto, hay que convertir dichos

valores ND en valores de reflectancia. Este proceso se

realiza en dos etapas:

1- Conversión de ND a Radiancia (esta etapa se

conoce como calibración radiométrica).

2- Conversión de Radiancia a Reflectancia.

CARACTERÍSTICAS DE LAS BANDAS

BandaIntervalo

espectral (µm)

Principales características y aplicaciones de las bandas TM y ETM

de los satélites LANDSAT 5 y 7

1 (0,45 - 0,52)

Presenta una gran penetración en cuerpos de agua con elevada transparencia,

permitiendo estudios batimétricos. Sufre absorción por la clorofila y los pigmentos

fotosintéticos auxiliares (carotenoides). Presenta sensibilidad a plumas de humo

originadas por quemadas o por actividad industrial. Puede presentar atenuación por la

atmósfera.

2 (0,52 - 0,60)Presenta gran sensibilidad a la presencia de sedimentos en suspensión, posibilitando

su análisis en lo que se refiere a cantidad y calidad. Buena penetración en cuerpos de

agua.

3 (0,63 - 0,69)

La vegetación verde, densa y uniforme presenta una gran absorción, aparece oscura y

con buen contraste con las áreas sin vegetación (por ejemplo: suelo expuesto,

carreteras y áreas urbanas). Presenta un buen contraste entre diferentes tipos de

cobertura vegetal (por ejemplo: campo, sabana y bosques). Permite analizar la variación

litológica en regiones con poca cobertura vegetal. Permite mapear el drenaje a través de

la visualización de los bosques de galería y los cursos de los ríos en regiones con poca

cobertura vegetal. Es la banda más utilizada para delimitar las manchas urbanas,

incluyendo la identificación de nuevas áreas urbanas. Permite la identificación de áreas

agrícolas.

4 (0,76 - 0,90)

Los cuerpos de agua absorben mucha energía en esta banda y aparecen en tonos

oscuros lo que permite el mapeo de la red de drenaje y el delineamiento de los cuerpos

de agua. La vegetación verde, densa y uniforme, refleja mucha energía en esta banda y

aparece en tonos claros en las imágenes. Presenta sensibilidad a la rugosidad de la

copa de los bosques (dosel forestal). Presenta sensibilidad a la morfología del terreno,

permitiendo la obtención de informaciones sobre Geomorfología, Suelos y Geología.

Sirve para analizar y mapear los rasgos geológicos y estructurales. Sirve para separar y

mapear áreas ocupadas con pinos y eucaliptos. Permite mapear áreas ocupadas con

vegetación que fueron quemadas. Permite la visualización de áreas ocupadas con

macrófitas acuáticas (por ejemplo: aguapé). Permite la identificación de áreas agrícolas.

5 (1,55 - 1,75)Presenta sensibilidad al tenor de humedad de las plantas, permitiendo observar estrés

en la vegetación causado por desequilibrio hídrico. Esta banda sufre perturbaciones en

caso de ocurrir exceso de lluvia antes de la captación de la escena por el satélite.

6 (10,4 - 12,5)Presenta sensibilidad a los fenómenos relativos a contrastes térmicos, sirviendo para

detectar propiedades termales de rocas, suelos, vegetación y agua.

7 (2,08 - 2,35)

Presenta sensibilidad a la morfología del terreno, permitiendo obtener informaciones

sobre Geomorfología, Suelos y Geología. Esta banda sirve para identificar minerales

con iones hidroxilos. Potencialmente favorable a la discriminación de productos de

alteración hidrotermal.

CONCEPTOS BÁSICOS

• DN: es el termino genérico para los valores del pixel, estoes comúnmente usado para describir los valores del pixelque aun no han sido calibrados a unidades físicas. Losvalores van desde 0 a 255.

• Radiancia: cantidad de radiación por unidad de área.Para obtener este valor de una imagen sin calibrar sedebe aplicar una ganancia y una compensación a losvalores del pixel.

• Reflectancia: La reflectancia es la proporción de laradiación que incide sobre una superficie y radiaciónreflejada fuera de ella. Algunos materiales pueden seridentificados por sus espectros de reflectancia, por lo quees común para corregir una imagen de reflectancia comoun primer paso hacia la localización o identificación decaracterísticas de una imagen. Los valores van de 0 a 1.

FLUJO DE TRABAJO

CONSTRUCCIÓN DE PARCELAS

• Los primeros análisisconsistieron en encontrarun método para delinearlas parcelas de campodentro del programaArcGIS 10.1 paraconvertirlas en unformato que permitiera laextracción deinformación satelital paracada parcela.

ANÁLISIS DE IMÁGENES DE SATÉLITE Y TOPOGRÁFICAS

• Datos satelitales fueronobtenidos en dos formatos:

a) Imágenes Landsat 5correspondiente al área delas parcelas accedidas através del sitio webhttp://www.inpe.br/,http://glovis.usgs.gov, y

b) Resúmenes temporales devalores de reflectancia paracombinaciones de bandasde Landsat 5 TM accedidas através de un acuerdo con elprofesor Hansen (Universidadde Maryland).

ANÁLISIS DE IMÁGENES DE SATÉLITE

DN • Lλ =gain*DN +biasLλ P

Las imágenes Landsat son provistas en números digitales (DN) por lo cual se debió transformar los DN

de las diferentes bandas a valores espectrales. El primer paso fue transformar los DN a valores de

radiancia (formula 1) y seguidamente se transformaron los valores de radiancia a valores espectrales

(formula 2).

𝜌𝑃 =π.𝐿λ.𝑑

2

𝐸𝑆𝑈𝑁λ. cosθ

Chander and Markham, 2003YALE, 2013

ANÁLISIS DE IMÁGENES DE SATÉLITE

Formula 1.- convertir Dn a radiancia utilizando

los valores de gain y bias (YALE, 2013)

Lλ =gain*DN +bias

Donde: Lλ = radiancia

DN = valor digital del pixel

Gain = ganancia específica de cada banda

Bias = compensacion

Formula 2.- Covertir radiancia a reflectancia (Chander and

Markham, 2003)

𝝆𝑷 =𝛑. 𝑳𝝀. 𝒅

𝟐

𝑬𝑺𝑼𝑵𝝀.𝒄𝒐𝒔𝜽

Donde: 𝜌P = reflectancia

L λ = radiancia

d = distancia (tierra al sol)

ESUN λ = promedio de la irradiancia exoatmoferica solar

Cos θ = ángulo solar zenith (ángulo complementario del sun elevation)

RASTER CALCULATOR

IMÁGENES TOPOGRÁFICAS

demclip30.img (valores de elevación en metros sobre el nivel del mar)

demclip30b_heatload.img (radiación incidente)

demclip30b_hillshade.img (la iluminación hipotética de una superficie)

demclip30b_landform_bolstad.img (dosel de vegetación)

demclip30b_landform_mcnab.img (Describe microescala de relieve, con valores

positivos indican formaciones cóncavas y valores negativos indican relieves

convexos)

demclip30b_relative_slope_position.img (la posición pendiente)

EXTRACCIÓN DE DATOS

• Los shapefiles con lasparcelas delineadas fueronsuperpuestas con cadaimagen y los valoresespectrales fueron extraídos auna tabla por cada banda enla imagen. Las tablasindependientes seconsolidaron en una tablaúnica usando el proceso “joinfield” en ArcGIS 10.1. Comoresultado de este proceso seobtuvo una tabla con lassiguientes características:

Zonal statistics as table

Parcela Tramo subpar30 band1 band2 band3 band4 band5 band6 band7

ALP 1 1 0.093304 0.077015 0.047596 0.249821 0.112351 292.655 0.054026

ALP 1 2 0.096048 0.076088 0.049951 0.258715 0.115622 292.655 0.058774

ALP 1 3 0.09559 0.075161 0.049951 0.25575 0.114314 292.655 0.056875

ALP 1 4 0.093761 0.075161 0.047596 0.252785 0.117584 292.655 0.054975

ALP 1 5 0.094904 0.074698 0.047596 0.25822 0.121183 292.655 0.059249

ALP 1 6 0.09399 0.075161 0.0474 0.258715 0.130341 292.655 0.061385

ALP 1 7 0.093304 0.075161 0.046811 0.270573 0.133678 292.655 0.058964

ALP 1 8 0.094333 0.073076 0.046811 0.280949 0.132304 292.655 0.062097

ALP 1 9 0.094676 0.072381 0.048224 0.264644 0.124257 292.655 0.060103

ALP 1 10 0.093647 0.074466 0.048577 0.259456 0.125925 292.655 0.059249

ALP 1 11 0.092206 0.074049 0.047282 0.265237 0.122295 292.655 0.056115

ALP 1 12 0.09056 0.072381 0.046811 0.250414 0.109342 292.655 0.057254

ALP 1 13 0.089188 0.072381 0.045633 0.245374 0.108753 292.655 0.053551

Cuadro1.- Valores espectrales por cada banda de la imagen de satélite en cada parcela.

CORRELACIÓN CON DATOS DE INVENTARIO FORESTAL

DATOS DE INVENTARIO FORESTAL

CORRELACIÓN DE DATOS

CORRELACIÓN DE DATOS TPH

CONCLUSIÓN

• Volumen forestal (variable de respuesta) fue modelado en función de las siguientes

variables: bandas 1,2,3,4,5,6,7, imágenes topograficas, y imágenes de la Universidad de

Maryland (variables predictivas). Densidad, expresada como número de árboles por

hectárea (TPH), fue modelada en función de las mismas variables. Volumen forestal

mostro poca o nula relación con las variables predictivas. Atribuimos este resultado a las

estimaciones de volumen que utilizan un cálculo general que no refleja las variaciones

en la forma de tronco entre las diferentes especies. TPH mostro una mejor relación con

las variables predictivas, con los modelos explicando alrededor del 12% de la variación

en TPH. Estos datos y resultados son preliminares, y por lo tanto deben ser más analizados

durante más tiempo antes de llegar a conclusiones definitivas.

AGRADECIMIENTOS• Andrew Lister ( Servicio Forestal de los Estados Unidos)

• Dr. Laura P. Leites (Penn State university)

• Rodil Tello (Decano de la Facultad de Ciencias Forestales)

• Proyecto Muru Huayra : Sami Rifai, Jeff chambers, Robinson Negrón,

Waldemar Alegria, Rodil Tello, Fredy Ramirez, Jarli Isuisa, Pablo (el diablo),

Randal, Jimmy, Filipo y todos los que colaboraron para la toma de datos.

REFERENCIAS

• Chander G. & Markham B. 2003.“Revised Landsat-5 TM RadiometricCalibration Procedures and Postcalibration Dynamic Ranges”.

• Universidad de YALE. 2013. “Converting Digital Numbers to Top ofAtmosphere (ToA) Reflectance”.

• http://help.arcgis.com/en/arcgisdesktop/10.0/help/009t/009t00000004000000.htm

• http://landsathandbook.gsfc.nasa.gov/pdfs/L5TMLUTIEEE2003.pdf

• http://science-edu.larc.nasa.gov/SCOOL/Spanish/definitions-sp.html

• http://landsathandbook.gsfc.nasa.gov/inst_cal/prog_sect8_4.html

• http://cegis.usgs.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide%20for%20Processing%20Radiance%20and%20Reflectance_V_24Jul12.pdf

LINKS DE INTERÉS

• http://swp.gmu.edu/silvacarbon/

• https://sites.google.com/site/pdidistrital/home/radiancia-y-reflectancia

• http://www.exelisvis.com/Home/NewsUpdates/TabId/170/ArtMID/735/ArticleID/13592/Digital-Number-Radiance-and-Reflectance.aspx

• http://www.um.es/geograf/sigmur/teledet/tema07.pdf

• www.jurquizam.wordpress.com

PREGUNTAS???

DUDAS???

COMENTARIOS???

QUEJAS (NO SE ACEPTAN)?????

GRACIAS