Detección de cambios por ganancia de cobertura arbórea

Título de la Publicación: Texto Normal | 1.

Detección de cambios por ganancia de cobertura arbórea

Ficha Técnica #2

Publicado por Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) GmbH

Domicilios de la empresa

Bonn y Eschborn, Alemania Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD/CCAD-GIZ) Agencia de la GIZ Bulevar Orden de Malta, Casa de la Cooperación Alemana Urbanización Santa Elena, Antiguo Cuscatlán, La Libertad El Salvador, C.A. Tel +503 2121-5100 Fax +503 2121-5101 E-Mail [email protected] www.giz.de www.reddccadgiz.org Versión Diciembre 2018 Diseño Oscar Rodríguez, Asesor Técnico en Comunicación Estratégica Programa Regional REDD/CCAD-GIZ [email protected] Créditos fotográficos Todas las fotos: Programa Regional REDD/CCAD-GIZ Autores Fabio Casco Consultor, Especialista en Tecnologías de Información Geográfica Supervisión Abner Jiménez, Especialista Sectorial Programa Regional REDD/CCAD-GIZ [email protected] Componente Monitoreo Forestal La GIZ es responsable del contenido de la presente publicación. El Programa Regional Reducción de Emisiones de la Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD III) es un programa financiado por el Ministerio Federal de Desarrollo Económico y Cooperación de Alemania (BMZ) y ejecutado por la GIZ en coordinación con la Comisión Centroamericana de Ambiente y Desarrollo (CCAD).

Detección de cambios por ganancia de cobertura arbórea By Programa Regional Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD/CCAD-GIZ) is licensed under a Creative Commons Reconocimiento-NoComercial 4.0 Internacional License Creado a partir de la obra en www.reddccadgiz.org

http://creativecommons.org/licenses/by-nc/4.0/

http://creativecommons.org/licenses/by-nc/4.0/

1

CONTENIDO

CAPÍTULO I. PLANTEAMIENTO ......................................................................................................................................... 3

1.1 INTRODUCCIÓN ......................................................................................................................................................... 3

1.2 OBJETIVO ................................................................................................................................................................... 4

1.2.1 OBJETIVO GENERAL ............................................................................................................ 4

1.2.2 OBJETIVOS ESPECÍFICO ...................................................................................................... 4

CAPÍTULO II. FICHA TÉCNICA ........................................................................................................................................... 5

2.1.1 DESCRIPCIÓN DE ALGORITMO ........................................................................................ 5

2.1.1.2 DIAGRAMA DE PROCESOS .......................................................................................... 6

2.1.2 DATOS DE ENTRADA ........................................................................................................ 7

2.1.3 PROCESAMIENTO ............................................................................................................ 8

2.1.3.1 RELACIÓN DE NUEVAS BANDAS .................................................................................. 8

2.1.3.2 MOSAICO MULTIFECHAS CON RELACIÓN DE BANDAS ................................................ 9

2.1.3.3 MUESTRAS ................................................................................................................. 10

2.1.3.4 INTEGRACIÓN DE LAS FIRMAS .................................................................................. 12

2.1.3.5 CLASIFICACIÓN DE MUESTRAS ................................................................................. 12

2.1.4 DATOS DE SALIDA.......................................................................................................... 14

2.1.4.1 VISUALIZACIÓN DE RESULTADOS ............................................................................. 14

2.1.4.2 EXPORTACIÓN DE RESULTADOS .............................................................................. 15

2.1.4.3 COMPARTIR SCRIPT .................................................................................................. 16

2.1.5 INSTRUMENTOS DE APOYO ........................................................................................... 17

CAPÍTULO III. PUNTOS CLAVES ..................................................................................................................................... 18

BIBLIOGRAFÍA .................................................................................................................................................................. 20

2 Ficha Técnica: Detección de cambios por ganancia en la cobertura arbórea

Documentación de algoritmos informáticos para la detección

de pérdidas y ganancias del componente arbóreo en los

países de la región SICA.

Programa Reducción de Emisiones

por la Deforestación y

Degradación de Bosques en

Centroamérica y República

Dominicana (REDD III)

RESUMEN

Los ecosistemas naturales se encuentran en un estado de flujo permanente de variación a escalas

espaciales y temporales en todo el mundo (Hansen et al., 2013a).

Las técnicas basadas en datos multispectrales adquiridos por satélite han demostrado potencial como

medio para detectar, identificar, mapear y monitorear los cambios en los ecosistemas naturales,

independientemente de sus agentes causales (Coppin, Jonckheere, Nackaerts, Muys, & Lambin,

2004).

En los últimos años la generación de datos sobre las dinámicas de las coberturas de la tierra se han

implementado procesos de análisis multitemporal mediante la superposición de mapas temáticos de

coberturas. Dichos mapas se han generado mediante metodologías de clasificación basada en

píxeles, es decir que los análisis de cambio temporal se basan en la determinación de la variación

temática en dos periodos de tiempo de un mismo píxel (Weng, 2011 citado por Espejo, 2016), por lo

que carecen de un análisis contextual, espacial y temporal de las variaciones espectrales de las

coberturas analizadas.

El presente manual implementa una metodología, completamente en un entorno orientado a objetos

geográficos (JavaScript/GEE), para la estimación y cuantificación de las dinámicas espaciotemporales

de la cobertura del Bosque (pérdida o deforestación), mediante el análisis de una serie de tiempo de

imágenes multiespectrales de media resolución espacial (Landsat). En el manual se formula el paso a

paso de los procesos para la adecuada estructuración de los datos y construcción de la serie de tiempo

basados en el sensor Landsat, la construcción de mosaicos libres de nubes, entrenamiento y

clasificación de la serie de tiempo de objetos a partir de 2 algoritmos de clasificación geoespacial

(CART y Random Forest).

Los resultados que los diferentes usuarios pueden obtener mediante la metodología utilizando la

herramienta de GEE pueden llegar a ser la basa operativa para la definición de un sistema de

monitoreo de bosques. Asimismo, el propósito de este manual es permitir que diversos usuarios en la

temática de monitoreo ambiental logren tener un instrumento de soporte y fortalecimiento en el uso de

GEE para el monitoreo de los bosques.










CAPÍTULO I. PLANTEAMIENTO

1.1 INTRODUCCIÓN

Actualmente gran parte de los bosques de todo el mundo se encuentran en un constante estado de

cambio, con pérdidas aceleradas en algunas regiones y ganancias en otras (Hansen et al., 2013b).

La deforestación es uno de los factores negativos que ha desequilibrado la estructura original de los

ecosistemas en todos los niveles de desarrollo de sucesión ecológica por lo que FAO (2015) describe

que los bosques del mundo siguen disminuyendo, a medida que la población aumenta y las áreas

forestales se reconvierten a la agricultura y otros usos, pero en los últimos 25 años la tasa de

deforestación neta mundial (3.1%) ha disminuido en más del 50%. Desde 1990 al 2015 se han perdido

unos 129 millones de hectáreas de bosques, una superficie casi equivalente a la de Sudáfrica (p.26).

Encontrar la manera de aumentar la producción agrícola y mejorar la seguridad alimentaria sin reducir

la superficie forestal es uno de los mayores problemas de nuestro tiempo, por lo que una manera de

compensar estos cambios es aumentando los bosques en otras zonas mediante la reforestación y

forestación (FAO, 2018a). La conversión de otras tierras a tierras forestales, la sucesión de bosques

degradados a bosques densos y el incremento por el crecimiento medio anual de los bosques son

formas que contribuyen al aumento de los stocks de carbono capturado y que reducen las

concentraciones de CO2e en la Atmósfera.

Debido a la difícil situación y sobre todo la falta de información para el montaje de sistemas de

monitoreo, muchos países en vías de desarrollo se ven en la compleja tarea de lograr monitorear,

reportar y verificar el estado de los bosques y de esta forma formular políticas y estrategias basados

en una línea base de monitoreo de los bosques. En referencia a lo anterior, en este manual se pretende

documentar una guía metodológica sobre algoritmos informáticos relacionados a la detección de

pérdidas de la cobertura arbórea en el paisaje utilizando plataformas de “cloud computing” en un

formato adecuado para que pueda ser replicado por los técnicos nacionales responsables de

monitorear el cambio de la cobertura forestal y otros usos de la tierra en los países de la región SICA.

.










1.2 OBJETIVO

1.2.1 OBJETIVO GENERAL

Documentar un manual metodológico sobre el procesamiento de imágenes satelitales para la

detección de cambios de cobertura (Ganancia) utilizando la herramienta de Google Earth Engine.

1.2.2 OBJETIVOS ESPECÍFICO

❖ Elaborar un script incorporando encabezados en formas de comentarios que expliquen las

instrucciones y consideraciones a tener en cuenta sobre los parámetros a usar y tipo de

cálculo desarrollado en forma consistente con los pasos definidos en la ficha descriptiva-

metodológica.

❖ Desarrollar y documentar un ejemplo de aplicación (en la zona seleccionada) con el objetivo

de visualizar de manera ilustrada los datos de entrada, los resultados intermedios y los

resultados obtenidos (salidas)

❖ Describir sobre documentación de soporte existente y guías de referencia que sirvan de apoyo

en el proceso de aprendizaje.










CAPÍTULO II. FICHA TÉCNICA

2.1 DETECCIÓN DE CAMBIOS POR GANANCIA DE COBERTURA FORESTAL

2.1.1 DESCRIPCIÓN DE ALGORITMO

Las técnicas basadas en datos multitemporales, multiespectrales, adquiridos por sensores satelitales

han demostrado ser un medio para detectar, identificar, mapear y monitorear los cambios en los

ecosistemas, independientemente de sus agentes causales (Coppin et al., 2004).

En la actualidad existen muchos tipos de algoritmos especializados en la detección de cambios.

Asimismo, en los últimos años, el uso de algoritmos de aprendizaje automático; redes neuronales y

los clasificadores de árbol de decisión han demostrado a través de preformas informáticos (GEE,

SEPAL1, Terra-I2, Global Forest Watch3, ect) ser efectivos tanto en tiempo como recursos (Financiero

y Técnico).

El uso de la plataforma de GEE incorpora una serie de diferentes casos de estudios en el cual se

describe y pone a disposición toda las bases de datos de estimación de la dinámica de la cobertura

forestal a nivel planetarios (Hansen et al., 2013a).

2.1.1.1 MATERIALES Y MÉTODO

Este manual trata de explicar, como el uso de la plataforma de GEE puede lograr estimaciones

precisas y efectivas a través del procesamiento en la nube. Aplicando los principios basados en

comparaciones Bi-Temporales entre imágenes satelitales, la ayuda de algunos algoritmos

especializados del sensor Landsat (ee.Algorithms.Landsat.simpleComposite) para construir

mosaicos libres de nubes y la aplicación de modelos estadísticos de clasificación (Rando Forest,

CART4, etc.); hace posible tener una instrumento paralela de varios métodos de detección de cambios,

seguido de una integración de los resultados la manera más eficaz de detectar el cambio en una

amplia gama de entornos.

1 SEPAL: https://sepal.io/ 2 Terra-I: http://www.terra-i.org/terra-i.html 3 Global Forest Watch: https://www.globalforestwatch.org/ 4 CART: Classification And Regression Trees (Breiman, 2017)

https://sepal.io/

http://www.terra-i.org/terra-i.html

6

2.1.1.2 DIAGRAMA DE PROCESOS

1. Datos de EntradaStep:

Datos Satelital

2. ProcesamientoStep:

lu.1

oc tubre de 2018ma.

mi.

ju.

vi.

sá.

do.2 6 7

8 91

0

1

1

1

2

1

3

1

41

5

1

6

1

7

1

8

1

9

2

0

2

12

2

2

3

2

4

2

5

2

6

2

7

2

82

9

3

0

3

13 4

Filtro por

Fecha, Limite y

% de nube

Mascara y

Limpieza de

nubes

Relación de

nuevas bandas

Mosaico

combinado

Muestras:

• Bosque Estable

• No Bosque

Estable

• Deforestación

• Ganancia

Algoritmo de

Clasificación

3. Datos de SalidaStep:

Mapas de

Dinámica

Procesamiento en la

Nube (GEE)

Publicación de datos

Pesentación de Datos

Imágenes

Landsat

7

2.1.2 DATOS DE ENTRADA

Para el desarrollo del ejemplo sobre la estimación de cambios por ganancia, es necesario contar con

los siguientes datos de entrada:

1. Límite de estudio: Es necesario contar con un límite de área de estudio. Este puede ser

cualquier área administrativa (País, Cantón, Departamento, Municipio, Área Protegida etc.).

una vez, definida el área de interés, se importa el archivo vectorial (KML o Shapefile) a la

plataforma de GEE.

Ejemplo: 1 2

// Límite de área de estudio.

var Limite = ee.FeatureCollection ("ft:ID de la tabla dinámica");

2. Colección de datos: Las colecciones utilizadas en este ejemplo provienen de las imágenes

disponibles por el sensor Landsat:

❖ Escenas crudas USGS Landsat 5 TM (ortorrectificadas)



Nota: Cuando se desee consultar con más detalle sobre la disponibilidad de alguna colección en

interés, solo hace falta, escribir el nombre completo del sensor en el buscador, ejemplo:

Nota: Es importante resaltar que para importar un archivo KML o Shapefile; ambos tipos

de archivo tienen un proceso de importación diferente. Para mayor detalle en este

procedimiento consultar el Manual generación de mosaicos libres de nubes.

Nota: El ID hace referencia al enlace que se genera cuando se importa un archivo. Este puede ser consultado

en las propiedades del archivo. Si es una Tabla dinámica, consultar en Google Drive, si es un Shapefile,

consultar en Assets directamente en GEE.










De igual manera, se puede acceder a las colecciones a través del Catálogo de Datos desde el siguiente

enlace: https://developers.google.com/earth-engine/datasets/catalog/landsat/

A continuación, se muestra un ejemplo de cómo agregar una colección en la ventana de condigo de

GEE:

Ejemplo: 1 2 3 4 5

//Colecciones Landsat

var landsat5 = ee.ImageCollection('LT5_L1T');

var landsat7 = ee.ImageCollection('LE7_L1T');

var landsat8 = ee.ImageCollection('LC8_L1T');

2.1.3 PROCESAMIENTO

El procesamiento consiste en construir mosaicos libres de nubes (Consultar el Manual de

construcción de mosaicos libres de nube) con el propósito de comparar dos o más temporalidades

(Wall to Wall) en función de un entrenamiento de muestras que sirven de base para la modelación de

una clasificación utilizando el método CART. Una vez teniendo los mosaicos libres de nube, las

muestras de entrenamiento y el método de clasificación se prosigue a correr el modelo para la

estimación de ganancia de área. En este manual sólo se detalla las líneas de códigos que son

necesarias para la construcción de:

❖ Relación de nuevas bandas,

❖ Mosaicos multicapas,

❖ Muestras y

❖ clasificación de muestras de entrenamiento.

2.1.3.1 RELACIÓN DE NUEVAS BANDAS

Para obtener mejores resultados en las clasificaciones, es necesario establecer ciertas relaciones

entre bandas de la misma imagen satelital y posteriormente construir nuevas imágenes con las

relaciones de bandas definidas. Este proceso se aplica tanto para el Mosaico T1 como para el Mosaico

T2.

Ejemplo: 1 2

3

4

5

6

7

8

9

10

11

12

13

//Relaciones de bandas para construir nuevas bandas con algunas

//normalizaciones que permiten resultados más precisos en las

//clasificaciones

varrat45_00 = Mosaico_1.select("B4").divide(Mosaico_1.select("B5"));









Nota: En GEE se puede

agregar el nombre completo

de la colección o solamente

agregar el abreviado.

https://developers.google.com/earth-engine/datasets/catalog/landsat/










14

15

16




2.1.3.2 MOSAICO MULTIFECHAS CON RELACIÓN DE BANDAS

Los mosaicos construidos por otros de diferentes temporalidades o años, son denominados mosaicos

multifechas y se generan para clasificar en un solo archivo las temporalidades que sean necesarias y

en principal para obtener mejores resultados en las clasificaciones de salida, esto debido a las

relaciones intrínsecas o arboles de decisión que los algoritmos pueden establecer a partir de las

relaciones de bandas.

Ejemplo: 1

2

3

4

5

//Construcción de pilas de capas con múltiples bandas entre

//originales y bandas relacionadas

var m_1_RB =

m2000.addBands(rat45_00).addBands(rat46_00).addBands(rat47_00).addBan

ds(rat56_00).addBands(rat57_00).addBands(rat67_00);

var m_2_RB =

m2015.addBands(rat45_15).addBands(rat46_15).addBands(rat47_15).addBan

ds(rat56_15).addBands(rat57_15).addBands(rat67_15);

//Construcción de mosaico multifechas (del 2000 y 2015)

var m_multifecha = m_1_RB.addBands(m_2_RB);

Nota: Para una mejor legibilidad del código, se recomienda utilizar abreviaciones concisas que permitan

reconocer lo que estamos haciendo. En la primer variables, el valor 45_00, hace referencia a la combinación

de banda (45) y al periodo (00).

En el ejemplo anterior se muestra como seleccionar (select) una banda de una colección y luego dividirla

(divide)por otra banda de la misma colección.

Nota: En el ejemplo anterior se muestra una forma operativa de como fusionar múltiples capas

(addBands). El archivo de salida de este proceso es una capa ráster con múltiples valores de bandas.










2.1.3.3 MUESTRAS

Las muestras son la base para entrenar cualquier tipo de clasificador; éstas, pueden ser ingresadas

directamente desde GEE o pueden ser importadas desde un archivo externo (KML o Shapefile). Para

crear una muestra en GEE, en el panel superior izquierdo del visor del mapa, se selecciona cualquier

elemento geométrico (punto, línea o polígono) y luego se configuran los parámetros en el icono de

proceso:

Para agregar una nueva muestra se selecciona + new layer. El icono de configuración muestras las

propiedades de cada muestra.

En la configuración de los parámetros, en name se describe el nombre de la categoría (eje. Bosque),

en “Import as” se elige FeatureCollection dado que se asignarán varias muestras para esa categoría;

en properties escribir un nombre (o field) que debe ser el mismo para todas las categorías (ej. clase),

que estará relacionado con el codigo de cada cobertura (este debe ser un número diferente para cada

categoría, ej. no bosque estable “1”, no bosque estable “2” y pérdida “3”, ganancia “4”).

Este proceso se repite hasta lograr tener las clases necesarias o las clases de interés del usuario. En

este manual se trabajará con las siguientes clases:










Nomenclatura de clases

Durante el proceso de asignación de muestras, se debe ser preciso para no lograr confundir los

modelos durante los procesos de clasificación. No existe una cantidad o número de muestras ideal en

la identificación de los objetos de entrenamiento al momento de correr un algoritmo de clasificación.

Lo recomendables es tratar de colocar muestras que sean fácil de identificar y que presenten con

claridad la dinámica del bosque. Si el modelo no muestra un resultado satisfactorio, se recomienda

adecuar de forma proporcional al área, un número de muestras de entrenamiento adecuado. En

ocasiones se debe agregar más muestras en las áreas más extensas (Bosque y No Bosque) y menos

muestras en las áreas en donde la dinámica es reducida (Perdida y Ganancia).

T1 T2 Dinámica

Bosque Estable

No Bosque Estable

Pérdida

Ganancia

Cuerpos de Agua










2.1.3.4 INTEGRACIÓN DE LAS FIRMAS

Dado a que las colecciones de firmas están separadas, es necesario combinarlas en el script; para

ello, se utiliza el comando .merge que permite ir agregando categoría por categoría.

Ejemplo: 1

2

3

var Muestras =

Bosque_estable.merge(No_Bosque_estable).merge(Perdida).merge(Ganancia

).merge(Agua);

2.1.3.5 CLASIFICACIÓN DE MUESTRAS

Google Earth Engine contiene una serie de algoritmos de clasificación muy eficientes que pueden

utilizarse de acuerdo a la naturaleza o tipo de producto que se quiere obtener, sin embargo, los

métodos o algoritmos más utilizados se describen en la siguiente tabla:

Tabla 1. Algoritmos implícitos dentro de la plataforma de GEE

Modelo Uso Descripción

FastNaiveBayes Clasificación Algoritmo de clasificación rápida que utiliza la estimación de máxima verosimilitud para evaluar la probabilidad de una observación perteneciendo a una categoría específica, asumiendo que las variables predictoras son independientes (Rich, 2001)

GmoMaxEnt Clasificación Implementación de un clasificador de máxima entropía, también conocido como regresión logística multinomial (Böhning, 1992).Similar Fast Naive Bayes, sin el supuesto de independencia variable predicto

CART Clasificación & regresión

Implementación del algoritmo de árboles de clasificación y regresión donde se particionan los datos maximizando la diferencia entre grupos, generando una estructura de nodos (clases) similar al de un árbol. En la regresión, se instala un modelo lineal en cada nodo final (Breiman, 2017).

Random Forest Clasificación & regresión

Random Forest es un conjunto de árboles de regresión o clasificación sin afinar creados mediante el uso de muestras bootstrap de los datos de entrenamiento y la selección aleatoria de características en la inducción de árboles. La predicción se realiza agregando (mayoría de votos o promediando) las predicciones del conjunto (Svetnik et al., 2003).

VotingSvm Clasificación & regresión

Implementación de SVM donde los valores se asignan seleccionando el valor de la clase con el mayor número de apariciones (modo) (Padarian, Minasny, & Mcbratney, 2015).

MultiClassPerceptron Clasificación & regresión

Implementación de redes neuronales basadas en el algoritmo propuesto originalmente por Rosenblatt (1958) citado por Padarian, Minasny, & Mcbratney, (2015). El algoritmo crea una red de funciones conectadas por pesos, simulando la estructura neuronal del cerebro humano.

Fuente: adaptado de Padarian, Minasny, & Mcbratney, (2015)

Nota: Dentro de los geoprocesos de GEE, la función .merge, es utilizada específicamente para archivos

vectoriales.










Los método más comunes y utilizados son los clasificadores CART y Random Forest, dado por su

eficiencia y resultados obtenidos en diferentes estudios. Estos algoritmos dividen de forma recursiva

píxeles de datos de entrenamiento en subconjuntos homogéneos, hasta llegar a los nodos terminales

con la máxima homogeneidad. La homogeneidad se mide en relación a las clases definidas por datos

de entrenamiento (muestras). En resumen, estos métodos aprenden cada vez que se asignan puntos

de entrenamiento y de esta manera cada vez que se corre presenta mejores resultados en las

clasificaciones.

Para este ejemplo en el Manual la clasificación utiliza el mosaico multifechas obtenido a partir de

relación de bandas y las firmas asignadas respectivamente:

Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

//PASOS PARA LA CLASIFICACIÓN

// 1. nombramiento y separación de bandas del mosaico multifechas

var bands= m_multifecha.bandNames();

//2. unir las muestras

var Muestras =

Bosque_estable.merge(No_Bosque_estable).merge(Perdida).merge(Gananci

a).merge(Agua);

//3.Superponer los puntos de muestras en el mosaico multifecga para

hacer el entrenamiento.

var Entrenamiento = m_multifecha.sampleRegions({

collection: Muestras,

properties: ['clase'],

scale: 30

});

//4. Entrenar a un clasificador CART con parámetros predeterminados.

var Entrenando = ee.Classifier.cart().train(Entrenamiento, 'clase',

bands);

//5. Clasifica el mosaico multifecha con las mismas bandas

utilizadas para el entrenamiento.

var clasificacion = m_multifecha.select(bands).classify(Entrenando);

La escala descrita hace

referencia a la resolución con

la cual se desea extraer los

valores del pixel.

Nota: Si desea realizar un método diferente de clasificación, solo hace falta cambiar,

ee.Classifier.cart()por ee.Classifier.randomforest().Al finalizar el procedimiento se

puede observar que ambos clasificadores tienden a mostrar diferentes resultados.

Nota: Para mayor detalle sobre los operadores y funciones específicas dentro del código descrito

anteriormente, se puede apoyar en el diccionario técnico que se describe al final de este manual.










2.1.4 DATOS DE SALIDA

2.1.4.1 VISUALIZACIÓN DE RESULTADOS

Cualquier capa importada a GEE u obtenida a partir de un Script, puede desplegarse en la ventana de

visualización del codificador de GEE. Si es una imagen satelital es necesario definir la combinación

de bandas con la que se quiere observar, el mínimo y el máximo valor de las bandas y el nombre de

salida en la ventana de visualización. Por otra parte, si es una clasificación o capa subdividida en

categorías, se debe asignar un color (los colores se identifican con códigos y se pueden obtener de la

ventana de muestras de entrenamiento o desde el siguiente encale : https://htmlcolorcodes.com/es/) para

cada una de las categorías, así como el valor mínimo y máximo ocupado por las mismas (en el

siguiente ejemplo se muestra un min: 1 max: 4, ya que se utilizaron 4 categorías). Para el caso del

min: 0 y ax: 180, provienen del metadado de la imagen; al dar clic en Inspector (parte superior derecha

de la ventana) y luego en el mapa se mostrará las propiedades de las bandas, lo cual define en que

rango anda los valores de visualización.

A continuación, se muestra un ejemplo de cómo definir algunos parámetros de visualización dentro de

la ventana de código de GEE. La función para la visualización de capa se describe como:

Map.addLayer.

Ejemplo: 1

2

3

4

5

6

7

//Visualización de capas.

Map.addLayer(Mosaico_2000,{'bands': ['B4', 'B5', 'B3'], 'min': 0,

'max': 180},'m_Landsat2000', false);

Map.addLayer(Mosaico_2015,{'bands': ['B4', 'B5', 'B3'], 'min': 0,

'max': 128},'m_Landsat2015', false);

Map.addLayer(clasificacion, {min: 1, max: 4, palette: ['1b5e0f',

'f0ff19', 'e23913', '2e21ff']}, 'classification');

Enlace Tabla comparativa:

1

2

3

Nota: Al momento de configurar los parámetros de visualización es importante recalcar que se debe tener

en cuenta las propiedades o características de las bandas del sensor que se está utilizando ya que el nombre

y número de banda varía según el tipo de satélite. Para mostrar un ejemplo sobre lo descrito anteriormente,

consultar la siguiente tabla comparativa:

C

https://drive.google.com/open?id=14gdHcyCN_aFV29tHrNd4z23okogazFXi





https://htmlcolorcodes.com/es/





https://github.com/google/earthengine-api










A continuación, se muestra un ejemplo de como se muestra una capa una vez finalizado un proceso de clasificación.

Ilustración 1. Ganancias estimadas

2.1.4.2 EXPORTACIÓN DE RESULTADOS

Una vez obtenidas las clasificaciones se deben descargar para sus respectivos análisis y edición. Se

puede exportar imágenes de Earth Engine en formato GeoTIFF o TFRecord. Para exportar una imagen

a su cuenta de Drive, use Export.image.toDrive(). Por ejemplo, para exportar partes de una imagen

Landsat, defina una región para exportar, luego llame Export.image.toDrive(). Cuando los archivos

sean muy grandes se puede utilizar el maxPixels; este parámetro está destinado a evitar que se creen

inadvertidamente exportaciones muy grandes. Si el valor predeterminado es demasiado bajo para la

imagen de salida deseada, puede aumentar maxPixels. La descarga se mostrará en la ventana de

Tasks (parte superior derecha).

Ejemplo: 1

2

3

4

5

6

7

//Descargar Mosaicos

Export.image.toDrive

({image: clasificacion,

description: 'clasificacion',

fileNamePrefix: 'Ganancia',

scale:30,

maxPixels: 1e12,});

Nota: Tener en cuenta que, para análisis sobre el estado de la vegetación, comúnmente se utiliza la

combinación de banda: Rojo, Infrarrojo cercano (NIR) y SWIR 1.

Landsat 5 Año:2000










2.1.4.3 COMPARTIR SCRIPT

El botón Obtener enlace (Get a Link) genera una URL único para el script en la barra de direcciones.

Este Link se puede compartir a diferentes usuarios de GEE y estos podrán ver y editar cada línea de

código que cuenta el Script.

Ejemplo: https://code.earthengine.google.com/992f20441fe20fdda38dffa86f9150a2

Nota: Cuando se requiera descargar una imagen o mosaico que contenga de forma implícita la descripción

del número y nombre de las bandas, se debe detallar que bandas se desean descargar ya que, de no hacerlo,

el sistema entenderá que ha seleccionado todas las bandas. Para ver un ejemplo de como descargar un

mosaico, consultar el Manual de mosaicos libres de nubes.

Nota: Cuando se construye un Script donde se importa archivos ráster o vectoriales, estos pueden estar

protegidos por temas de seguridad del usuario. Esto significa que, al consultar algunas capas de un script

externo, las capas pueden tener restringida su descarga. Las configuraciones de privacidad se definen en las

propiedades de las capas que se importan. Para que todo el público pueda acceder a las capas se debe dar

el permiso de acceso.

Nota: El Script descrito anteriormente, hace referencia sobre la aplicación de un ejemplo de Ganancia en El

Salvador. Las muestras utilizadas dentro del script, fueron seleccionas para fines demostrativos. El análisis y

resultados no expresan los datos reales u oficiales por parte del país. Todos los ejemplos descritos solo son

para fines educativos. El script descrito anteriormente, se puede compartir, adecuar o mejorar para los fines

que desee el usuario.










2.1.5 INSTRUMENTOS DE APOYO

Con el objetivo de contar con instrumentos de apoyo sobre la temática en el manejo de GEE,

aplicaciones, manejo y ejemplos en el lenguaje de programación relacionados en temas

geoambeintales, a continuación, se describen algunas plataformas didactas que sirven como

instrumento o guía en el proceso de aprendizaje:

Clic aquí

Clic aquí

Clic aquí

Clic aquí

Clic aquí


https://medium.com/google-earth

https://gis.stackexchange.com/questions/tagged/google-earth-engine

https://www.youtube.com/googleearth

https://mygeoblog.com/category/google-earth-engine/page/2/








































































CAPÍTULO III. PUNTOS CLAVES

La mayor ventaja de usar GEE Es que muchos rásteres ya están disponibles, facilitando el proceso

de recopilación de datos, y la naturaleza paralela de sus algoritmos, Lo que acelera considerablemente

los tiempos de cómputo.

Una implementación paralela de varios métodos de detección de cambios seguida de una integración

de resultados es, por lo tanto, la forma más efectiva de detectar cambios en una amplia gama de

entornos (Zhan et al., 2002).

Si bien los resultados obtenidos sobrestiman en algunos casos el área deforestada en la zona, se

pueden considerar como un “adecuado primer resultado” de una metodología automatizada, sin

ningún tipo de pos-procesamiento, o uso de variables auxiliares, criterios de probabilidad, cercanía o

distancia, etc. a los resultados de cada algoritmo.

La metodología empleando a los procesos de análisis espaciaotemporal para determinar la validez y

permanencia de un cambio a nivel temático en cada una de las imágenes de la serie, es altamente

dependiente de un adecuado muestreo, la capacidad del algoritmo de reconocimiento de patrones en

generar una adecuada clasificación de los datos y un adecuado enmascaramiento de las áreas de

nubes y sombras (Espejo, 2016).

Es importante considerar que para futuros análisis sobre la dinámica de los bosques es importante

tratar los difentes ecosistema de forma individual y separada ya que la dinámica de los mismo se ve

influencia y alterada por condiciones totalmente distintas. Asimismo, hace que el procesos de

detección de cambios sean más fácil y precisos al momento de clasificar.

Para el sistema de monitoreo de bosques de cualquier región o área de interés, esta metodología

puede ser integrada a su sistema de procesamiento, e incluso puede actualizarse para seguir el nuevo

protocolo de procesamiento basada en la detección directa de cambios a partir de componentes

principales utilizando la plataforma de GEE. La proforma al final, resulta ser una excelente opción

desde el punto de vista técnico, operativo, eficiente y eficaz.

Durante el proceso de identificación de las Ganacias, se debe tomar en cuenta las siguientes

condiciones:

❖ Bandeo Satelital: El satélite Landsat 7 a partir del 2003 sufrió un fallo en su sistema SLC,

que la parte del sensor ETM+ que compensa el movimiento hacia adelante del satélite durante

la adquisición de las imágenes. Sin el SLC, el área escaneada por el sensor delinea un patrón

de zigzag provocando un bandeado o efecto gaps en la imagen. Este problema tiende a ser

un factor importante al momento de realizar un análisis comparativo entre imágenes, ya que










puede dar la percepción de que es una pérdida de vegetación. Debido a esto, los análisis que

se realicen con otros sensores como L5, L8, Sentinel entre otros, serán más precisos.

❖ Humedad: la variación y acumulación de humedad provocan algunos cambios sustanciales

en las áreas de alta precipitación. Estos problemas se dan en los ecosistemas de extensas

sabanas humedad cerca de lagos o lagunas. Los problemas causados por cambios en las

condiciones de humedad del suelo deben evitarse revisando cuidadosamente los registros de

precipitación durante los días y semanas previos de la toma de datos. Cuando las diferencias

de humedad del suelo y los datos de cada fecha son significativas para algunas partes del

área de estudio (quizá debido a tormentas locales), estas áreas afectadas se deben analizar

por separado en la etapa final del proyecto y revisar de forma más detallada.

❖ Fenología: en verano algunas especies durante su proceso fenológico, tienden a perder sus

hojas, factor que influye al momento de clasificar una imagen ya que visualmente puede

confundirse por una ganancia de bosque en el siguiente periodo. Para esto se requería tener

insumos y puntos de control de ciertas zonas para validar este tipo de bosque y no confundir

esta dinámica con ganancia.

❖ Orografía: o fisiografía del terreno es una condición que se ve influencia o afectada por el

factor de iluminación. En ocasiones se logra observar que por temas de sombra se tiende a

confundir áreas desprovistas de vegetación. Esta misma condición se ve relacionada con la

calidad de la corrección topográfica de las imágenes, ya que en algunas ocasiones para el

análisis comparativo algunas escenas se observaban con una mejor corrección de iluminación

y aerosoles que otras. Para esto es recomendable siempre contar con otros insumos de base

que permitan un mejor análisis al momento de la interpretación.

❖ Tiempo: de 2 a 3 años entre periodos es muy difícil que un bosque se establezca

completamente.

No existe una cantidad o número de muestras ideal en la identificación de los objetos de entrenamiento

al momento de correr un algoritmo de clasificación. Lo recomendables es tratar de colocar muestras

que sean fácil de identificar y que presenten con claridad la dinámica del bosque. Si el modelo no

muestra un resultado satisfactorio, seguramente hay que trabajar mejor las muestras de

entrenamiento. En ocasiones se debe agregar más muestras en las áreas más extensas (Bosque y

No Bosque) y menos muestras en las áreas en donde la dinámica es reducida (Perdida y Ganancia).

En ocasiones y debido a la similitud de la respuesta espectral de los cuerpos de agua con las sombras,

se tiende a tener ruido en el resultado final de la clasificación. Respecto a este problema, puede ser

sugerible declarar dichas muestras como áreas de No Bosque.

Cuando se requiere realizar la descargar de alguna capa de GEE, es importante que ésta, se

muestre completamente en el remarco del visor del mapa. El proceso de descarga, descrito en

el ejemplo de la sección de exportación, aplica la función de descarga a lo que se observa en

el visor de mapa.










BIBLIOGRAFÍA

Böhning, D. (1992). Multinomial logistic regression algorithm. Annals of the Institute of Statistical Mathematics,

44(1), 197-200. https://doi.org/10.1007/BF00048682

Breiman, L. (2017). Classification and Regression Trees. Routledge. https://doi.org/10.1201/9781315139470

Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital Change Detection Methods in

Ecosystem Monitoring: A Review. International Journal of Remote Sensing - INT J REMOTE SENS,

25, 1565-1596. https://doi.org/10.1080/0143116031000101675

Espejo, O. J. (2016). Desarrollo de una metodología para estimación de la deforestación mediante el análisis

multitemporal de imágenes multiespectrales en un entorno de análisis basado en objetos geográficos

(GEOBIA). Universidad Distrital Francisco José De Caldas, Bogotá, Colombia.

FAO. (2015). Global Forest Resources Assessment. Roma. Recuperado de Obtenido de

http://www.fao.org/3/a-i4808e.pdf

FAO. (2018). EL ESTADO DE LOS BOSQUES DEL MUNDO 2018 (SOFO): las vias forestales hacia el

desarrollo sostenible. S.l.: FOOD & AGRICULTURE ORG.

Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., … Townshend, J.

R. G. (2013a). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science,

342(6160), 850-853. https://doi.org/10.1126/science.1244693

Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., … Townshend, J.

R. G. (2013b). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science,

342(6160), 850-853. https://doi.org/10.1126/science.1244693

Padarian, J., Minasny, B., & Mcbratney, A. (2015). Using Google’s cloud-based platform for digital soil

mapping. Computers & Geosciences, 83, 80-83. https://doi.org/10.1016/j.cageo.2015.06.023

Rich, I. (2001). An empirical study of the naive Bayes classifier, 3, 41-46.

Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random Forest: A

Classification and Regression Tool for Compound Classification and QSAR Modeling. Journal of

Chemical Information and Computer Sciences, 43(6), 1947-1958. https://doi.org/10.1021/ci034160g

Zhan, X., Sohlberg, R. A., Townshend, J. R. G., DiMiceli, C., Carroll, M. L., Eastman, J. C., … DeFries, R. S.

(2002). Detection of land cover changes using MODIS 250 m data. Remote Sensing of Environment,

83(1), 336-350. https://doi.org/10.1016/S0034-4257(02)00081-0










Anexo 1. Diccionario técnico

Función Descripción

Colecciones

ee.FeatureCollection

FeatureCollections se puede construir a partir de los siguientes argumentos: - Una cadena: se asume que es el nombre de una colección. - Una geometría única. - Una sola característica. - Una lista de características. - Un objeto computado: reinterpretado como una colección.

ee.Image

Un objeto para representar una imagen de GEE. Este constructor acepta una variedad de argumentos: - Una cadena: un ID de activo de EarthEngine, - Una cadena y un número - un ID y versión de activo de EarthEngine, - Un número o EEArray: crea una imagen constante, - Una lista: crea una imagen fuera de cada elemento de la lista y las combina en una sola imagen, - Una ee.Image: devuelve el argumento, - Nada: da como resultado una imagen transparente vacía.

Geoproceso

.clip Recorta una imagen en una Geometría o Característica.

.select Devuelve la colección de imágenes con las bandas seleccionadas.

.merge Fusiona dos colecciones en una sola. El resultado tiene todos los elementos que estaban en cualquier colección.

.randomColumn Agrega una columna de números pseudoaleatorios deterministas a una colección. Los números son números de coma flotante de precisión doble en el rango de 0.0 (inclusive) a 1.0 (exclusivo).

Filtros

.filter Aplicar un filtro a esta colección.

.filterDate Atajo para filtrar una colección por un rango de fechas

.filterBounds Atajo para filtrar una colección por geometría. Los elementos de la colección con una huella que no se interseca con los límites se excluirán cuando se evalúe la colección.

ee.Filter.neq El filtro a metadatos no es igual al valor dado.

ee.Filter.and Combina dos o más filtros utilizando booleano AND.

.filterMetadata Atajos para filtrar una colección por metadatos. Esto es equivalente a this.filter (ee.Filter.metadata (...)).

Operaciones

.sum Reduce una colección de imágenes calculando la suma de todos los valores en cada píxel en la pila de todas las bandas coincidentes. Las bandas se emparejan por nombre.











.divede Divide el primer valor por el segundo, devolviendo 0 para la división por 0.

.mean Reduce una colección de imágenes calculando la media de todos los valores en cada píxel en la pila de todas las bandas coincidentes.

.min Sobre una base de elementos, selecciona el mínimo de los valores primero y segundo.

.multiply Sobre una base de elementos, multiplica el primer valor por el segundo.

Algorítmos

ee.Algorithms.Terrain Calcula la pendiente, el aspecto y una sombreada simple desde un DEM de terreno.

ee.Algorithms.Landsat.simpleComposite

Calcula un compuesto Landsat TOA a partir de una colección de escenas en bruto Landsat. Aplica la calibración estándar de TOA y luego asigna una puntuación de nube a cada píxel usando el algoritmo SimpleLandsatCloudScore. Selecciona el rango más bajo posible de puntajes de nube en cada punto y luego calcula los valores de percentil por banda a partir de los píxeles aceptados. Este algoritmo también utiliza el algoritmo LandsatPathRowLimit para seleccionar solo las escenas menos nubladas en regiones donde hay más de max.

Clasficador

.Classifier.randomForest Crea un clasificador de Rifle Serial vacío, que usa el algoritmo de bosque aleatorio.

.train

Entrena al Clusterer en una colección de características, utilizando las propiedades numéricas especificadas de cada característica como datos de entrenamiento. La geometría de las características se ignora.

.setOutputMode

Establece el modo de salida. El modo de salida puede ser: - CLASIFICACIÓN (predeterminado): la salida es el número de clase. - REGRESIÓN: La salida es el resultado de una regresión estándar. - PROBABILIDAD: La salida es la probabilidad de que la clasificación sea correcta. No todos los tipos de clasificadores admiten los modos REGRESSION y PROBABILITY.

.classify Clasifica cada característica en una colección.

Diccionarios

.rename Renombrar elementos en un diccionario.

.map Mapea un algoritmo sobre una colección.

Operadores

.eq Sobre una base de elementos, devuelve 1 si el primer valor es igual al segundo.

.gte Sobre una base de elementos, devuelve 1 si el primer valor es mayor o igual que el segundo.











.lte En términos de elementos, devuelve 1 si el primer valor es menor o igual que el segundo.

.and Devuelve un 1 en cada posición de bit para el cual los bits correspondientes de ambos operandos son 1.

.not Invierte los valores de su operando.

.set Establecer un valor en un diccionario.

Análisis Espacial a Imágenes

.updateMask Actualiza la máscara de una imagen en todas las posiciones donde la máscara existente no es cero. La imagen de salida conserva los metadatos y la huella de la imagen de entrada.

.mask Crea un subconjunto dividiendo cada posición en una matriz de entrada que es paralela a un elemento distinto de cero de la matriz de máscara dada

.expression Evalúa una expresión aritmética en una imagen, posiblemente involucrando imágenes adicionales.

.addBands

Devuelve una imagen que contiene todas las bandas copiadas desde la primera entrada y bandas seleccionadas desde la segunda entrada, opcionalmente sobrescribiendo las bandas en la primera imagen con el mismo nombre. La nueva imagen tiene los metadatos y la huella de la primera imagen de entrada.

.bandNames Devuelve una lista que contiene los nombres de las bandas de una imagen.

.reducerRegions

Aplique un reductor sobre el área de cada característica en la colección dada. El reductor debe tener el mismo número de entradas que la imagen de entrada tiene bandas.

.sampleRegions

Muestra los píxeles de una imagen en una o más regiones, devolviéndolos como FeatureCollection. Cada función de salida tendrá 1 propiedad por banda en la imagen de entrada, así como las propiedades especificadas copiadas de la función de entrada. Tenga en cuenta que las geometrías se ajustarán a los centros de píxeles.

.normalizedDifference

Calcula la diferencia normalizada entre dos bandas. Si las bandas a usar no están especificadas, usa las dos primeras bandas. La diferencia normalizada se calcula como (primer - segundo) / (primer + segundo).

Imprimir

print Imprime en la ventana de la consola los resultados de una operación o presental la visualización de los metadatos de una colección en específico.

Visualizacion de mapa

Map.addLayer Agrega un objeto al visor de EE dado al mapa como una capa.

Map.centerObject Centra la vista del mapa en un objeto dado.

Descarga

Export.image.toDrive Crea una tarea por lotes para exportar una imagen como ráster a la unidad de Google Drive.

Detección de cambios por ganancia de cobertura arbórea

Documents

Transcript of Detección de cambios por ganancia de cobertura arbórea