Productos del sistema1) Mapas de cobertura de la tierra

- Clasificaciones automatizadas de imágenes Landsat para los años 1993, 1995, 2000, 2005 y 2010- Clasificaciones automatizadas de imágenes RapidEye a partir de 2011 - 2015

2) Mapas de cambio-Detección de cambios bitemporalesen imágenes RapidEye (2011-2015) y compuestos Landsat (1993-2010)

3) Mapas de variables continuas-Porcentaje de cobertura de dosel (Matt Hansen), enfoque para detectar degradación (pruebas en proceso)

MAD-MexEl sistema MAD-Mex constade 4 fases principales:– Preprocesamiento de las imágenes– Clasificación o detección automatizadas de

cambios– Evaluación visual, verificación y corrección

de los resultados automatizados de clasificación o detección de cambios.

– Evaluación de exactitud

Pre-procesamientode imágenes

LANDSAT1) Corrección atmosférica y conversión a reflectancia con LEDAPS-NASA2) Enmascaramiento de Nubes con FMASK3) Generación de índices y uso de las bandas multitemporales

RAPIDEYE1) Enmascaramiento de nubes2) Conversión a reflectancia3) Generación de índices y uso de las bandas

de imágenes de la temporada seca (enero-abril)

¡No corrección atmosférica!, no se cuentan con algoritmos para un proceso automatizado como en Landsat

Problemática de la nubosidad de MéxicoEl mayor problema de nubes para México es en la parte del Sureste, lo que puede reducir la cantidad de imágenes disponibles para algunos años en específico 2000

< 10%

Algoritmo FMASK1) El algoritmo separa los pixeles de nubes potenciales (PCP) usando características físicas de la imagen.2) Usando la información espectral, de brillo y temperatura se generan máscaras de probablidad de nubes en agua y tierra por separado.

3) A través de un proceso de segmentación usando PCP y la máscara generada previamente, se generan objectos de nubes 3D (la máscara de nubes).

4) Con la banda de infrarojo cercano se genera una máscara de sombras potenciales.

5) Usando la información del ángulo de toma y el ángulo de iluminación, con los objetos de nubes generados se predicen sombras y esto se coteja con la máscara de sombras potenciales para generar una máscara de sombras final.

Máscara de nubes por detección de anomalías en REUsando las bandas RGB de la imagen (1,2,3) se transforma al espacio de color Lab.

Usando el componente de Luminosidad, se buscan anomalías en el histograma.

Si no existen pixeles extremadamente brillantes o extremadamente obscuros (nubes/sombras), se esperaría que el histograma se comportara linealmente.

Cuando se encuentra un comportamiento no lineal, se detecta una anomalía y se clasifica como nube/sombra.

Este algoritmo es preliminar y no no ha sido sometido a pruebas rigurosas para probar su efectividad.

• Manual para ejecutar los ejemplos en su máquina.

• Le recomendamos

descargar el manual y ejecutar el procesamiento posteriormente.

Requerimientosdel procesamiento

Imagen Landsatantes del procesamiento

Algoritmo en ejecución para una imagen Landsat

Máscara de nubes sobre una imagen Landsatdespués del procesamiento

Imagen RapidEye antes del procesamientodocker run -it \ -v <ruta al directorio rapideye>:<ruta al directorio rapideye en docker> \ -v $(pwd):/data \ rapideye-clouds \ python main.py <ruta al directorio rapideye en docker>

Algoritmo en ejecución para una imagen RapidEye

Máscara de nubes en RapidEye después del procesamiento

Sobreposición de la máscara de nubes con imagen RE en color verdadero

Conclusiones

Preguntas y respuestas

Con la participación de