MemoriasMemorias

La Geoinformaciónal Servicio de la Sociedad

Medellín, Colombia29 de Septiembre al 3 de Octubre de 2014

Sociedad Latinoamericana enPercepción Remota y Sistemasde Información EspacialCapítulo Colombia

Evaluación de los resultados de corrección del modelo Landsat Ecosystem

Disturbance Adaptive Processing System (LEDAPS), implementado en una zona

Boscosa del Norte de Antioquia-Colombia

Evaluation of the results of model correction Landsat Ecosystem Disturbance Adaptive

Processing System (LEDAPS), implemented in a wooded area of Northern Antioquia-

Colombia

Autores:

Germán M. Valencia-Hernández

Profesor Asistente, Universidad de San Buenaventura, Cra 56C Nº 51 – 90, Medellín,

Colombia, especializacion.sig@usbmed.edu.co

Jesús A. Anaya-Acevedo

Profesor Asociado, Universidad de Medellín, Cra 87 Nº 30 – 65, Medellín, Colombia,

janaya@udem.edu.co

Francisco José Caro Lopera

Profesor Asociado, Universidad de Medellín, Cra 87 Nº 30 – 65, Medellín, Colombia,

fjcaro@udem.edu.co

RESUMEN

En este trabajo se presentan los resultados de la evaluación de la calidad en términos de

las diferencias en reflectividad de 40 escenas Landsat a la cuales se les implementó el

modelo de corrección Landsat Ecosystem Disturbance Adaptive Processing System

(LEDAPS). Estas escenas corresponden a los barridos desarrollados por los sensores

TM y ETM de los satélites Landsat 5 y 7 en diferentes momentos entre los años (1986 y

2013), con un porcentaje de nubes menor al 30%. A estas escenas se les proceso con

dicho modelo en una proporción de 24 del sensor TM y 16 del sensor ETM, en una

región de la zona Norte de Antioquia-Colombia, con valores de Path 8 y 9, y Row 55 y

56.

Palabras clave: LEDAPS, Landsat, evaluación de la calidad, corrección radiométrica,

Correlación de Spearman.

ABSTRACT

This paper presents the results of the evaluation of the quality in terms of differences in

reflectivity of 40 Landsat scenes to which correction Landsat Ecosystem Disturbance

Adaptive Processing System (LEDAPS) model was implemented them. These scenes

correspond to sweeps developed by sensors TM and ETM of satellites Landsat 5 and 7

at different times between the years (1986 and 2013), with less of 30% percentage of

clouds. These scenes process it with this model correspond of 24 of the TM sensor and

16 of the ETM sensor, in a region of the area north of Antioquia-Colombia, with Path

and Row values 8,9 and 55, 56 respectly.

Key words: LEDAPS, Landsat, evaluation of the quality, radiometric correction,

Spearman correlation.

INTRODUCCIÓN

Programa Landsat

El programa satelital Landast desde sus inicios en los años 70 se ha convertido en una

de las fuentes de información más importantes en estudios relacionados con el cambio

global a escala media o regional (Deputy, Leader, & Irons, 2001; Irons, Dwyer, &

Barsi, 2012; Loveland & Dwyer, 2012a; Markham & Helder, 2012a; UNEP, 2012;

Wulder, Masek, Cohen, Loveland, & Woodcock, 2012a) y como fuente de información

utilizada por científicos de diferentes áreas del conocimiento por todo el mundo

(Kovalskyy & Roy, 2013; Wulder, Masek, Cohen, Loveland, & Woodcock, 2012b).

Gracias a sus importantes avances hoy en día contamos con una fuente de información

invaluable sobre la reflectividad de la cubierta del suelo y la atmosfera de más de 40

años.

Las primeras imágenes del programa Landsat fueron tomadas en el año 1972. Hoy, 42

años después de dicho suceso han sido variados los cambios en las características de los

sensores. La tabla 1 presentada por Wulder, Masek, Cohen, Loveland, & Woodcock,

(2012) en su trabajo titulado “Opening the archive: How free data has enabled the science

and monitoring promise of Landsat” muestra una recopilación de forma evolutiva de los

objetivos planteados con cada una de las misiones con los posteriores satélites puesto en

órbita la cual puede ser vista de forma gráfica en la Figura 1 presentada en este trabajo.

El conocimiento adquirido en este tiempo; ha permitido mejorar en variados aspectos

como la exactitud radiométrica y espacial de los diferentes sensores a bordo de los

diferentes satélites Landsat, los métodos de calibración de las imágenes, la calidad de

los productos, ampliar el conocimiento en las diferentes aplicaciones, conocer a mayor

detalle los efectos del cambio ante diferentes eventos no programados (cambio

climáticos, erupción de volcanes, cambio en cobertura y usos del suelo, seguridad

alimentaria, entre otras), gestionar mejor los recursos ambientales, disminución en los

costos de los proyectos; al contar con un dato gratuito; después de la liberación del

Banco de imágenes en el año 2008 (ver Política de acceso a datos del programa Landsat

http://landsat.usgs.gov/documents/Landsat_Data_Policy.pdf) etc.

Perturbación por parte de la atmosfera

Este avance en la tecnología de los sensores, y el uso de la misma en diferentes

programas sobre cubierta y usos del suelo, permitió el desarrollo de trabajos en la

evaluación de las escenas crudas y en las escenas procesadas, mediante técnicas de

corrección radiométrica, atmosférica, geométrica, y topográfica (Hantson et al., 1988;

Salinero & Stijn Hantson, 2010) que permitan contar con un dato de reflectividad de la

superficie mejorada en relación al dato crudo entregado por el distribuidor. Estos

grandes volúmenes de datos de disponibilidad gratuita, aumenta la necesidad de

algoritmos de corrección robustos y eficientes aplicables a grandes conjuntos de datos

Landsat (Zhu, Woodcock, & Olofsson, 2012).

Figura 1. Evolución histórica del programa Landsat (adaptado de (Wulder et al., 2012))

Donde además, el estudio de estos problemas ha permitido conocer mejor la interacción

Luz solar (foton), tierra, sensor. Y la aparición de teorías, que alrededor del proceso de

Sensoramiento Remoto nos llevan a entender el efecto de los gases partículas, y

moléculas dentro de este proceso.

Este ruido en las imágenes; como lo llaman algunos autores al proceso de absorción y

dispersión de la atmosfera, es para muchos investigadores que trabajan con series da

datos Landsat dentro de estudios multitemporales, la principal barrera para conocer con

precisión los posibles cambios en la superficie del suelo. Por lo cual, la tarea de

desarrollar un modelo de reflectividad de la superficie mejorada en relación al dato

crudo entregado por el distribuidor, ha permitido el desarrollo de algoritmos de

trasferencia radiativa como el MODTRAN (Moderate resolution Trasnsmittanca) (Berk

et al., 1999), HITRAN ( High Resolution Transmittance) (Hill, Gordon, Rothman, &

Tennyson, 2013), LOWTRAN (Low Resolution Transmittance) (Isaacs & Vogelmann,

1988), S6 (Second simulation os Satellite Signal in the Solar Spectrum)(E F Vermote et

al., 1997), entre otros.

Ledaps

La NASA, teniendo en cuenta la importancia de este proceso de corrección, desarrolló

el modelo Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS)

(Feng et al., 2013; Hansen & Loveland, 2012; Ju, Roy, Vermote, Masek, & Kovalskyy,

2012; J.G Masek et al., 2012; Jeffrey G Masek et al., 2006; Report, 2013; Wulder et al.,

2012b; Zhu et al., 2012) que tenía por objeto evaluar la perturbación, el crecimiento, y

la conversión de bosques permanentes en todo Norte América (Masek et al., 2006). El

modelo LEDAPS es aplicable a imágenes Landsat para conocer la reflectividad de la

superficie, utilizando rutinas de corrección atmosférica desarrolladas para el

instrumento MODIS Terra (J.G Masek et al., 2012; Vermote et al., 1997).

El sistema de procesamiento de información del Servicio Geológico de los Estados

Unidos – USGS (http://www.usgs.gov/) construido para ayudar a abordar problemas

del Registro de Datos Climáticos (CDR) a través de sus estrategías científicas"... el

desarrollo de la calidad, las aplicaciones de las series temporales de variables

terrestres a partir de datos históricos y actuales de Landsat (Dwyer, T, & Muchoney,

2011) ". Permitió el desarrolló del modelo LEDAPS para la corrección atmosférica

escenas Landsat basado en cuatro principios: primero, la base algoritmo debía estar

bien establecida y documentada. En segundo lugar, la producción de la rutina del

LEDAPS debía de ser demostrable con datos de la década del 2000 (J.G Masek et al.,

2012; Jeffrey G Masek et al., 2006; Masek, J.G., E.F. Vermote, N. Saleous, R. Wolfe,

F.G. Hall, F. Huemmrich, F. Gao, J. Kutler, 2013; E F Vermote et al., 1997; E F

Vermote & Vermeulen, 1999; E Vermote, Tanré, Deuzé, & Herman, 2006; E. F.

Vermote et al., 1997; Vermote, Santer, Deschamps, & Herman, 1992; Eric Vermote,

2007). En tercer lugar, dado que los productos Landsat han encontrado una comunidad

de usuarios en diferentes aplicaciones en todo el mundo, este código debía ser de libre

acceso. Y en cuarto lugar, las mejoras en el esquema de corrección debían ser

demostrables con en el uso de perfiles atmosféricos de productos MODIS (Ju, Roy,

Vermote, Masek, & Kovalskyy, 2012), lo cual se logró con Landsat a partir de esta

corrección.

El esquema del modelo de corrección LEDAPS se aplica a las bandas de reflectividad

para ajustar los efectos de dispersión molecular y absorción debida al ozono, vapor de

agua, aerosoles, y otras partículas, así como para la dispersión de Rayleigh (Ouaidrari

& Vermote, 1999). En el flujo de procesamiento, de datos estándar Landsat 5 y 7 Nivel-

1 se calibra primero en la parte superior de la atmósfera (TOA) de reflectancia y de la

temperatura de brillo mediante coeficientes de calibración publicados (Chander et al.,

2009). Cómo con el procesamiento de MODIS SR estándar, en el Ledaps, la segunda

simulación de una señal de satélite en el espectro solar (6S) del modelo de transferencia

radiativa se utiliza para derivar las tablas de búsqueda dentro de la corrección. El

modelo LEDAPS se basa en gran medida en fuentes de datos auxiliares independientes

como la presión del aire, temperatura del aire, el ozono y la topografía, y también utiliza

un enfoque del modelo de Densidad de la Vegetación Oscura (DDV) (Kaufman et al.,

1997) para la recuperación de aerosol. La estimación del Espesor Óptico de Aerosoles

(AOT) utiliza un modelo de aerosol continental fijo, dentro de la corrección final. Los

algoritmos LEDAPS no corrigen en función de la distribución bidireccional de

reflectancia (BRDF), adyacencia, o efectos fenologicos.

2. MATERIALES Y METODOS

Este trabajo, desarrollado entre investigadores de las Universidades de San Buenaventura y

Medellín, presenta los resultados de calibración radiométrica, y la evaluación de la calidad en

términos de las diferencias en reflectividad de una serie de escenas Landsat a la cuales se les

implementó el modelo de corrección Landsat Ecosystem Disturbance Adaptive Processing

System (LEDAPS). Estas escenas corresponden a los barridos desarrollados por los sensores

TM y ETM de los satélites Landsat 5 y 7 en diferentes momentos entre los años (1986 y 2013),

y que tuvieran un porcentaje de nubes menor al 30%. A estas escenas se les proceso con dicho

modelo en una proporción de 24 del sensor TM y 16 del sensor ETM, y de las cueles se

identificó una zona común en cobertura en bosque en la región Norte de Antioquia-Colombia.

2.1 Delimitación espacial

El estudio fue desarrollado en una zona de la Cordillera de los Andes, en el Departamento de

Antioquia - Colombia, con la referencia espacial Path 9 con Row 56, Path 9 con Row 58, Path 8

con Row 56, y Path 8 con Row 55 referente al Worldwide Reference System (WRS). Esta zona

puede ser visualizada de color gris en la Figura 2, donde además se observa la extensión

geográfica de Colombia y sus fronteras.

Figura 2. Ubicación de zona de estudio.

2.1 Datos utilizados

En el estudio fueron utilizadas 50 escenas Landsat de los sensores TM y ETM+ a bordo de los

satélites Landsat 5 y Landsat 7. De estas 50 escenas, 10 fueron descartadas por problemas en la

geometría, o cantidad de nubes. Las escenas utilizadas fueron:

Tabla 1. Escenas Landsat utilizadas.

Escenas Landsat Escenas Landsat

LE709562002207 LE7090552000234

LE709562013189 LE7090552001188

LT5090551986219 LE7090552002207

LT5090551986251 LE7090552002287

LT5090551996199 LE7090552011248

LT5090551997201 LE7090552013189

LT5090551997297 LE7090562000234

LT5090551998140 LE7090562001188

LT5090551999111 LE7090562002223

LT5090551999143 LE7090562002287

LT5090551999191 LE7090562011248

LT5090561986219 LE7080562013198

LT5090561986251 LE7080562011241

LT5090561996199 LE7080562000227

LT5090561997201 LE7080552013198

LT5090561997249 LE7080552011241

LT5090561998140 LT5080561986196

LT5090561999111 LT5080551986196

LT5090561999143 LE7080552000227

La nomenclatura de cada una de las escenas requeridas mediante el aplicativo web Glovis

(http://glovis.usgs.gov/) corresponden según la tabla 1, como: las tres primeras letras y número

al satélite o sensor utilizado LE7 Landsat 7 ETM+ y LT5 al Landsat 5 TM, los siguientes dos

números a la ubicación respecto a la Norte o Path (08 o 09), los siguientes tres números a la

ubicación respecto a la Este o Row (055 o 056), los siguientes cuatro números al año (de 1986 a

2013) y los restantes tres números al día juliano.

2.3 Implementación del modelo de corrección Ledaps

El modelo Ledaps fue aplicado a cada una de las 40 escenas con el fin de obtener información

de reflectividad superficial, para lo cual fue necesario contar con el metadato respectivo en cada

fecha. Los datos de entrada del modelo son:

- Información en ND (niveles digitales) de cada una de las bandas y del producto a

procesar (descargadas del Glovis)

- Archivo con el metadado (MTL) para la fecha específica a procesar

- Archivo con los puntos de control (GCP) para la fecha respectiva

- Modelo Digital de elevación

- Datos de Reanalisis georreferenciados en la columna de aire (Vapor de agua,

Temperatura del aire y Presión)

- Datos de Ozono georreferenciados (TOMS/TOVS 1994-1996)

Los datos externos requeridos por el modelo Ledaps son provenientes de diferentes programas

en el mundo para el monitoreo de las variables ambientales:

- National Centers for Environmental Prediction (NCEP), (http://www.ncep.noaa.gov/)

- NASA GSFC Ozone Monitoring Instrument (OMI),( http://ozoneaq.gsfc.nasa.gov/)

- NASA GSFC Meteor-3 and Nimbus-7 Total Ozone Mapping Spectrometer (TOMS),(

http://disc.sci.gsfc.nasa.gov/acdisc/TOMS)

- National Oceanic and Atmospheric Administration (NOAA) Television and Infrared

Observation Satellite (TIROS) Operational Vertical Sounder (TOVS),(

http://science.nasa.gov/missions/tiros/)

(http://www.ozonelayer.noaa.gov/action/tovs.htm)

- Global Climate Model (GCM) DEM. (http://www.giss.nasa.gov/tools/modelii/)

2.4 Método de evaluación

Los datos resultantes (bandas 1-5 y 7) de la calibración de la reflectividad superficial con el

modelo Ledaps, fueron llevados a un stack en cada una de las 40 fechas. Luego de esto se

procedió a la comparación de los resultados con 3 métodos diferentes:

1. Se comparó el resultado de cuatro de las fechas con la implementación del modelo

Ledaps, con los resultados de la corrección implementando los modelos de corrección

COST, Flassh (Modtran) en una fecha. La comparación se realizó a partir de la

construcción de la firma para la clase bosque.

2. Se evaluó de forma visual, el comportamiento de los datos al superponer en un Mosaico

generado de fechas aledañas para cuatro escenas correspondientes al conjunto de datos

P9R56, P9R55, P8R56, y P8R55.

3. En las zonas de traslape de las imágenes corregidas, se generaron polígonos semillas (o

regiones de interés) que tuvieran continuidad en el tiempo y el espacio sin presencia de

nubes. A estas regiones se le determinaron estadísticos de que permitieran conocer las

tendencias de los datos. Las primeras fueron estadísticas descriptivas para evaluar el

comportamiento de los datos (media, desviación estándar “sd”, coeficiente de variación

“cv”, “IQR” coeficiente de variación entre quatil 1 y 3, y Quantiles a 0 %, 25%, 50% y

50%, también se aplicaron pruebas de normalidad y de correlación, como:

Prueba de normalidad:

Shapiro-Wilk:

𝑊 =(∑ 𝑎𝑖𝑥(𝑖)

𝑛𝑖=1 )

2

∑ (𝑥𝑖−�̅�)2𝑛𝑖=1

Ecuación 1. Prueba de Normalidad de Shapiro Wilk

Dónde: 𝑥(𝑖) (con el subíndice 𝑖 entre paréntesis) es el número que ocupa la i-

ésimaposición en la muestra, �̅� = (𝑥1 + . . . + 𝑥𝑛) / 𝑛 es la media maestral , y las

variables 𝑎𝑖 se calcula según ecuación 2.

(𝑎1,……….,𝑎𝑛) =𝑚𝑇𝑉−1

(𝑚𝑇𝑉−1𝑉−1𝑚)1

2⁄ Ecuación 1. Calculo de 𝒂𝒊

𝑚 = (𝑚1, … … … , 𝑚𝑛)𝑇 Ecuación 2. Valor medio de estadístico ordenado

Siendo 𝑚1, … … … , 𝑚𝑛 son los valores medios del estadístico ordenado, de variables

aleatorias independientes e identicamente distribuidas, muestreadas de distribuciones

normales. 𝑉 es la matriz de covarianzas de ese estadístico de orden.

Dada la alta varianza en los datos se aplicó también la prueba para datos no

paramétricos.

Prueba de Correlación de Spearman:

𝝆 = 𝟏 −𝟔 ∑ 𝑫𝟐

𝑵(𝑵𝟐−𝟏) Ecuación 3. Correlación de Spearman

Donde 𝐷 es la diferencia entre los correspondientes estadísticos de orden

de 𝑥 − 𝑦. 𝑁 es el número de parejas. Se tiene que considerar la existencia de datos

idénticos a la hora de ordenarlos, aunque si éstos son pocos, se puede ignorar tal

circunstancia.

Igualmente para comparar las diferentes bandas en las diferentes fechas se aplicó la

matriz de correlación:

La matriz de correlación 𝑅 es una matriz cuadrada 𝑛 𝑥 𝑛 cosntituida por los coeficientes

de correlación de cada pareja de variables; de manera que tendrá unos en su diagonal

principal, y en los elementos no diagonales (𝑖, 𝑗) los correspondientes coeficientes de

correlación 𝑟𝑖𝑗 . La matriz de correlación será, obviamente, simétrica, y conservará las

propiedades de ser definida-positiva y tener un determinante no negativo, (además el

determinante será siempre menor o igual que 1). Puede considerarse como la matriz de

varianzas entre las variables tipificadas. Esta prueba fue graficada utilizando el método

de 𝑆𝑐𝑎𝑡𝑡𝑒𝑟𝑃𝑙𝑜𝑡 comparando pares de datos y colocando líneas de tendencia por

mínimos cuadrados y regresiones lineales.

3. RESULTADOS

1. Para comparar los resultados de los diferentes modelos de corrección; se procedió

con la construcción de las firmas espectrales en una semilla en bosque para las

cuatro fechas, y comparadas con los resultados del modelo COST, Flassh

(MODRAN).

Dado que la escala de los modelos es diferente fue necesario reescalarlos a un

mismo rango. La Figura 3, muestra que las principales variaciones se observan en

la B1, B2, y B4 y especialmente hay una variación más significativa entre el

modelo Modtran y Cost con los correspondientes de corrección del modelo Ledaps.

Figura 3. Comparativo de Firmas en Bosque para diferentes modelos de corrección atmosférica

2. La correspondencia entre los datos modelados con Ledaps, y evaluada visualmente

a través del traslape o Mosaico generado para los años 1986,2000,2011,2013. Dio

como resultado que las imágenes correspondientes al barrido en una misma fecha,

luego de su respectiva corrección no muestran diferencias, mientras que lo contrario

es evidente en fechas diferentes ya que como se observa en los años 1986 y 2000,

queda un bandeado en las zonas de traslape. (Ver figura 4).

Los mosaicos de los años 2011 y 2013 presentan un bandeado más fuerte en la zona

de traslape que está relacionado con el problema del Scan Line Corrector generado

en el sensor desde Mayo 31 del 2003 (Storey, Scaramuzza, Schmidt, & Barsi,

2005).

0

500

1000

1500

2000

2500

3000

3500

B1 B2 B3 B4 B5 B7

Ref

lect

ivid

ad

Bandas Landsat

LEDAPS - LT0090551986219 LEDAPS - LT0090561986219

LEDAPS - LE0090552000234 COST - LE0090552000234

MODTRAN - LE0090552000234 LEDAPS - LE0090562000234

LEDAPS - LE0090552011248 LEDAPS - LE0090562011248

LEDAPAS - LE0090552013189 LEDAPS - LE0090562013189

Mosaico de imágenes corregidas con

modelo Ledaps. P9R55, P9R56, P8R55, y

P8R55. Año 1986.Cañon de colores 5/4/3

Mosaico de imágenes corregidas con modelo

Ledaps. P9R55, P9R56, P8R55, y P8R55.

Año 2000. Cañon de colores 5/4/3

Mosaico de imágenes corregidas con

modelo Ledaps. P9R55, P9R56, P8R55, y

P8R55. Año 2011. Cañon de colores 5/4/3.

Mosaico de imágenes corregidas con modelo

Ledaps. P9R55, P9R56, P8R55, y P8R55.

Año 2013. Cañon de colores 5/4/3.

Figura 4. Cada imagen representa el comportamiento visual de la superposición de las bandas 5/4/3 en imágenes

corregidas mediante el modelo Ledaps en los años 1986, 2000, 2011, y 2013. Zona P9R55, P9R56, P8R55, y P8R55

3. Las pruebas estadísticas descriptivas arrojaron resultados importantes al permitir

identificar por medio de la desviación estándar un problema en los datos procesados

en algunas fechas del año 1999; donde se disparan la proporción de cada uno de los

estadísticos, una revisión detallada de estos arrojo problemas de georreferenciación

en las escenas. Las celdas resaltadas de la tabla 2 son aquellas donde se

identificaron problemas de geometría.

Igualmente las figuras 5 y 6 reflejan las tendencias en los resultados, que están bien

descritas a partir de los estadísticos aplicados (tanto la Media, como la desviación

estandar y el Quantil 50 están altamente relacionados).

Tabla 2. Estadísticos descriptivos.

Escena Media Sd IQR CV 0% 25% 50

%

75% 100%

%

B3_L709562002207 273,60 15,56 18.0 0.0568714

3

242 261.0 278 279.0 296

B3_L709562013189 201,60 21,00 25.5 0.1041632

9

184 184.5 185 210.0 236

B3_L509055198621

9

291,33 32,86 47.5 0.1127858

6

249 265.0 282 312.5 343

B3_L509055198625

1

327,20 16,26 14.5 0.0496874

9

304 318.5 333 333.0 362

B3_L509055199619

9

401,73 25,69 31.0 0.0639522

8

356 387.0 388 418.0 449

B3_L509055199720

1

270,93 18,63 15.0 0.0687612

9

245 260.0 275 275.0 304

B3_L509055199729

7

311,20 17,06 29.0 0.0548320

9

290 290.0 319 319.0 347

B3_L509055199814

0

366,67 20,99 29.0 0.0572418

0

328 357.0 357 386.0 415

B3_L509055199911

1

593,20 119,2

0

158.

5

0.2009437

5

388 517.5 589 676.0 762

B3_L509055199914

3

334,87 27,09 43.5 0.0809040

9

275 320.5 335 364.0 365

B3_L509055199919

1

657,47 315,8

0

320.

5

0.4803248

8

411 442.0 503 762.5 1507

B3_L509056198621

9

575,80 37,66 33.0 0.0654055

5

525 556.0 589 589.0 652

B3_L509056198625

1

327,00 21,12 30.5 0.0645832

2

304 305.0 335 335.5 365

B3_L509056199619

9

406,47 22,81 31.0 0.0561161

8

359 390.0 420 421.0 452

B3_L509056199720

1

280,13 17,13 15.0 0.0611466

0

256 271.0 286 286.0 318

B3_L509056199724

9

333,13 14,26 28.0 0.0427971

6

321 322.0 322 350.0 350

B3_L509056199814

0

369,73 20,41 14.5 0.0551971

2

333 362.0 362 376.5 420

B3_L509056199911

1

588,80 126,7

6

159.

5

0.2152858

2

360 506.0 593 665.5 766

B3_L509056199914

3

332,73 27,70 44.0 0.0832609

8

272 318.0 333 362.0 363

B3_L509056200019

4

308,80 19,14 30.0 0.0619676

4

265 295.0 324 325.0 325

B3_L709055200023

4

575,27 31,29 44.5 0.0543922

4

516 560.5 569 605.0 623

B3_L709055200118

8

237,20 17,19 17.0 0.0724832

3

209 227.0 244 244.0 279

B3_L709055200220

7

278,40 15,83 26.5 0.0568554

1

247 263.0 281 289.5 298

B3_L709055200228

7

246,53 15,31 26.0 0.0620839

9

227 228.0 253 254.0 279

B3_L709055201124

8

208,67 21,29 25.0 0.1020419

0

159 206.0 207 231.0 232

B3_L709055201318

9

219,27 17,68 25.5 0.0806395

9

200 201.0 225 226.5 251

B3_L709056200023

4

576,60 29,57 46.0 0.0512880

2

511 555.0 583 601.0 618

B3_L709056200118

8

241,60 19,51 17.0 0.0807733

0

211 229.0 246 246.0 300

B3_L709056200222

3

419,40 30,35 28.0 0.0723705

7

358 403.0 430 431.0 466

B3_L709056200228

7

249,60 15,39 25.0 0.0616741

8

233 233.0 258 258.0 283

B3_L709056201124

8

211,07 18,61 24.0 0.0881919

6

182 206.0 206 230.0 231

Figura 5. Análisis comparativo entre las medias muestréales de los diferentes años correspondientes a la banda 3.

0,00

100,00

200,00

300,00

400,00

500,00

600,00

700,00

L50

905

519

8621

9

L50

905

519

8625

1

L50

905

519

9619

9

L50

905

519

9720

1

L50

905

519

9729

7

L50

905

519

9814

0

L50

905

519

9914

3

L50

905

619

8621

9

L50

905

619

8625

1

L50

905

619

9619

9

L50

905

619

9720

1

L50

905

619

9724

9

L50

905

619

9814

0

L50

905

619

9914

3

L50

905

620

0019

4

L70

905

520

0023

4

L70

905

520

0118

8

L70

905

520

0220

7

L70

905

520

0228

7

L70

905

520

1124

8

L70

905

520

1318

9

L70

905

620

0023

4

L70

905

620

0118

8

L70

905

620

0222

3

L70

905

620

0228

7

L70

905

620

1124

8

L70

956

200

2207

Media Sd

0,00

100,00

200,00

300,00

400,00

500,00

600,00

700,00

L50

905

519

8621

9

L50

905

519

8625

1

L50

905

519

9619

9

L50

905

519

9720

1

L50

905

519

9729

7

L50

905

519

9814

0

L50

905

519

9914

3

L50

905

619

8621

9

L50

905

619

8625

1

L50

905

619

9619

9

L50

905

619

9720

1

L50

905

619

9724

9

L50

905

619

9814

0

L50

905

619

9914

3

L50

905

620

0019

4

L70

905

520

0023

4

L70

905

520

0118

8

L70

905

520

0220

7

L70

905

520

0228

7

L70

905

520

1124

8

L70

905

520

1318

9

L70

905

620

0023

4

L70

905

620

0118

8

L70

905

620

0222

3

L70

905

620

0228

7

L70

905

620

1124

8

L70

956

200

2207

L70

956

201

3189

Comparación de la Media y el Quantil 50

Media 50 Porciento

Figura 6. Comparación de la Media con Quantil 50, correspondientes a la banda 3.

El análisis de Normalidad en los datos aplicando la prueba de Shapiro Wilk arrojo

positiva para la hipótesis nula en una 67 % de las muestras en cada fechas, con lo

cual, se puede afirmar que tienen comportamiento normal en la mayoría de los

casos.

Por otro lado implementando la correlación utilizando el estadístico de Spearman,

se encontró alta correlación entre los datos tomados en el barrido en una misma

fecha; pero correlaciones variantes en fechas diferentes, y aunque la prueba de

normalidad aplicando del modelo de Shapiro Will arrojo en la mayoría de los caso

normalidad positiva con p-value manor a 0.05, la prueba gráfica de correlación con

el scatterplot matricial por densidad, muestra el comportamiento no paramétrico

como se observa en la diagonal con las tendencias de los datos Ver figura 7.

Figura 7. Prueba de correlación de Spearman. Banda 3.

A esta afirmación mediante la prueba gráfica, se le suma el análisis estadístico de

los datos con la prueba de correlación matricial donde se observaron variaciones en

la región definida anteriormente que van desde un 65 % a un 99 % de correlación

cuando las imágenes comparadas corresponden al barrido del sensor en un mismo

día (ejemplo P9R55 a P9R56). En busca de relaciones de temporalidad entre las

escenas se obtuvieron: correlaciones positivas y negativas con valores de 17% a

85% entre escenas de diferentes fechas, y correlaciones positivas y negativas con

valores de 35% a 57 % entre pares de escenas de diferentes fechas y diferentes

regiones traslapadas Path 9 Row 56 con Path 8 Row 56, como se observa en la tabla

3.

Tabla 3. Ejemplo de matriz de correlación aplicada sobre muestra de escenas en Banda 3, para diferentes fechas.

4. DISCUSIÓN Y VALORACIÓN DE HALLAZGOS

Comparando las diferencias en reflectividad superficial a través de la composición de la firma

de escenas de una misma fecha a las cuales se les implementaron el modelo COST, Flassh

(Modtran), y Ledaps (que incluye el modelo de transferencia radiativa 6sV), se observa que los

modelos COST y Flassh arrojan resultados de reflectividad similares, y superiores a los

reportados por el modelo Ledaps en las primeras bandas. Lo cual, en una análisis detallado en

la Banda 4 muestra que la tendencia del Flassh (Modtran) es a estar por debajo de los otros

modelos , el COST por encima y el Ledaps en el medio, lo cual, tal y como los argumenta

(Vicenteserrano, Perezcabello, & Lasanta, 2008) está altamente relacionado por el efecto del

ESCENAS L709562002207L709562013189 L5090551986219 L5090551986251 L5090551996199 L5090551997201 L5090561986219 L5090561986251 L5090561996199 L5090561997201 L7090552002207 L7090552013189

L709562002207 1 0.02846305 0.15982677 0.16634660 0.29517516 -0.18136410 -0.31444885 0.4298153 0.20602516 -0.32936627 0.88456776 -0.10875485

L709562013189 0.02846305 1 0.13765590 0.49665440 0.04549781 0.10550820 0.12677531 0.2545512 -0.06220770 0.14999630 0.21797682 0.82512658

L5090551986219 0.15982677 0.13765590 1 -0.05582261 0.39592086 -0.46291448 -0.75772854 0.0263964 0.12627936 -0.51991651 -0.14504054 -0.12202020

L5090551986251 0.16634660 0.49665440 -0.05582261 1 -0.04764093 -0.09477702 -0.01327008 0.6487598 0.24127197 0.07922078 0.20114557 0.41256138

L5090551996199 0.29517516 0.04549781 0.39592086 -0.04764093 1 0.05163015 -0.42924605 0.4122325 0.79512542 -0.06979951 0.23165772 -0.04550383

L5090551997201 -0.18136410 0.10550820 -0.46291448 -0.09477702 0.05163015 1 0.33836647 -0.1199863 0.10558566 0.86669590 -0.01965095 0.19429476

L5090561986219 -0.31444885 0.12677531 -0.75772854 -0.01327008 -0.42924605 0.33836647 1 -0.2990672 -0.24296606 0.45118281 0.01332138 0.20391780

L5090561986251 0.42981531 0.25455117 0.02639640 0.64875983 0.41223251 -0.11998625 -0.29906715 1 0.54465479 -0.16330851 0.49951900 0.31314286

L5090561996199 0.20602516 -0.06220770 0.12627936 0.24127197 0.79512542 0.10558566 -0.24296606 0.5446548 1 0.04737303 0.16684151 -0.09326618

L5090561997201 -0.32936627 0.14999630 -0.51991651 0.07922078 -0.06979951 0.86669590 0.45118281 -0.1633085 0.04737303 1 -0.21008537 0.26125259

L7090552002207 0.88456776 0.21797682 -0.14504054 0.20114557 0.23165772 -0.01965095 0.01332138 0.4995190 0.16684151 -0.21008537 1 0.17515384

L7090552013189 -0.10875485 0.82512658 -0.12202020 0.41256138 -0.04550383 0.19429476 0.20391780 0.3131429 -0.09326618 0.26125259 0.17515384 1

vapor del agua en el modelo. Esto dado que le modelo de corrección COST no contempla este

dato, el Flassh a través de su base de datos del Modtran lo simula, y el Ledpas lo integra a través

de los datos de Reanalisis obtenidos de los productos del NCEP, NOAA, y GCM descritos

anteriormente.

Para (Vicenteserrano et al., 2008) quien compara diferentes modelos de corrección atmosférica,

el mejor rendimiento físico del modelo de transferencia radiativa de la atmosfera 6S, incluido en

el modelo Ledaps en su forma evolutiva en 6SV, está relacionado con la buena simulación del

AOT para las imágenes Landsat (cercana al 81 %) (Jeffrey G Masek et al., 2006; Song,

Member, & Woodcock, 2003) , las cuales fueron comparadas con datos MODIS calibrados en

tierra con información captada con el AERONET, y a la inclusión de datos de ozono que tienen

una alta influencia en la reflectividad en las primeras bandas.

Se encontró además, que el modelo Ledaps, tienen diferencias en la estimación de la

reflectividad de un mismo punto en la superficie en la zona de traslape de escenas continuas

(P9R55 y P9R56), dentro del proceso de barrido del sensor en una misma fecha. Lo cual, puede

estar relacionado con los procesos de interpolación que genera el modelo desde el centro de la

imagen hacia el resto de ella de variables como la presión y la temperatura. Este análisis puede

ser comprobado, dentro de la correlación observada entre los datos muestreados que se observan

en la tabla 3.

5. CONCLUSIONES

El algoritmos de corrección radiométrica y atmosférica con el cual se fundamenta el modelo

Ledaps tiene avances importantes respecto a otros, dado que incluye un modelo de transferencia

radiativa dinámico que incluye fuentes de datos en días específicos en los cuales las imágenes

Landsat son captadas por el sensor dado que satélites como el Modis tienen un paso por el lugar

del Landsat con diferencias de pocos minutos, lo cual favorece el conocimiento de la atmosfera

al momento de la toma de la escena Landsat.

Autores como Cheng, Wei, & Chang, 2004; Lu, Mausel, Brondizio, & Moran, 2002; Paolini,

Grings, Sobrino, Jiménez Muñoz, & Karszenbaum, 2006; Richter, 1998, tratan en sus artículos

las dificultades en la implementación de modelos de corrección radiométrica y atmosférica en

zonas de alta montaña para desarrollar estudios Multitemporales. En este estudio, se evaluó las

potencialidades de la implementación del modelo Ledaps, como forma de corrección en

reflectividad superficial en una zona de montaña dentro de los Andes Colombianos, llegando a

buenos resultados.

Teniendo en cuenta la variación anual que tiene la interacción Sol-Sensor-Superficie en zonas

de montaña como es el caso de la mayoría del territorio Colombiano, para estudios

multitemporales es necesario normalizar los datos (Canty et al., 2004) teniendo en cuenta las

recomendaciones de autores como Sergio M. Vicenteserrano (2008), dado que la corrección

atmosférica por sí sola no garantiza el ajuste de la serie de tiempo, debido a que se ha

encontrado que el mayor aporte en la diferencia de los datos en el tiempo está relacionada a la

interacción antes mencionada en el relieve y a la falta de ajuste en geometría dentro del dato

entregado por el distribuidor. Sería ideal el acceso a datos crudos que permitan mejorar el efecto

del con la corrección geométrica utilizando Modelos Digitales de Elevación con la misma

resolución espacial de las imágenes Landsat.

REFERENCIAS BIBLIOGRÁFICAS

Berk, A., Anderson, G. P., Bernstein, L. S., Acharya, P. K., Dothe, H., Matthew, M. W.,

… Hoke, M. L. (1999). MODTRAN4 radiative transfer modeling for atmospheric

correction. In Proceedings of SPIE - The International Society for Optical

Engineering (Vol. 3756, pp. 348–353). Retrieved from

http://www.scopus.com/inward/record.url?eid=2-s2.0-

0033334835&partnerID=40&md5=a313bcf61b8fd0bdb0d068148a69c73c

Canty, M. J., Nielsen, A. a, & Schmidt, M. (2004). Automatic radiometric

normalization of multitemporal satellite imagery. Remote Sensing of Environment,

91(3-4), 441–451. doi:10.1016/j.rse.2003.10.024

Chavez, P. S. (1996). Image-Based Atmospheric Corrections - Revisited and Improved.

Photogrammetric Engineering & Remote Sensing, 62(9), 1025–1036.

Cheng, K. S., Wei, C., & Chang, S. C. (2004). Locating landslides using multi-temporal

satellite images. Advances in Space Research, 33(3), 296–301. doi:10.1016/S0273-

1177(03)00471-X

Dwyer, J., T, D., & Muchoney, D. (2011). Developing Climate Data Records and

Essential Climate Variables from Landsat Data. In Proceedingd of thr 34th

International Synposium on Remote Sensing of Environmental.

Hill, C., Gordon, I. E., Rothman, L. S., & Tennyson, J. (2013). A new relational

database structure and online interface for the HITRAN database. Journal of

Quantitative Spectroscopy and Radiative Transfer, 130, 51–61.

doi:10.1016/j.jqsrt.2013.04.027

Isaacs, R. G., & Vogelmann, A. M. (1988). Multispectral sensor data simulation

modeling based on the multiple scattering LOWTRAN code. Remote Sensing of

Environment, 26(1), 75–99. doi:10.1016/0034-4257(88)90120-4

Ju, J., Roy, D. P., Vermote, E., Masek, J., & Kovalskyy, V. (2012). Continental-scale

validation of MODIS-based and LEDAPS Landsat ETM+ atmospheric correction

methods. Remote Sensing of Environment, 122, 175–184.

doi:10.1016/j.rse.2011.12.025

Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2002). Assessment of atmospheric

correction methods for Landsat TM data applicable to Amazon basin LBA

research. International Journal of Remote Sensing, 23(13), 2651–2671.

doi:10.1080/01431160110109642

Masek, J. ., Vermote, E. F., Saleous, N., Wolfe, R., Hall, F. G., Huemmrich, F., … Lim,

T. K. (2012). LEDAPS Calibration, Reflectance, Atmospheric Correction

Preprocessing Code, Version 2. Oak Ridge National Laboratory Distributed Active

Archive Center, (August), 2010–2013. Retrieved from http://daac.ornl.gov

Masek, J. G., Vermote, E. F., Saleous, N. E., Wolfe, R., Hall, F. G., Huemmrich, K. F.,

… Lim, T. (2006). A Landsat Surface Reflectance Dataset. IEEE Geoscience and

Remote Sensing Letters, 3(1), 68–72.

Masek, J.G., E.F. Vermote, N. Saleous, R. Wolfe, F.G. Hall, F. Huemmrich, F. Gao, J.

Kutler, and T. K. L. (2013). LEDAPS Calibration, Reflectance, Atmospheric

Correction Preprocessing Code. Tennessee, U.S.A. Retrieved from

http://dx.doi.org/10.3334/ORNLDAAC/1146

Ouaidrari, H., & Vermote, E. F. (1999). Operational Atmospheric Correction of Landsat

TM Data, 15(February 1998), 4–15.

Paolini, L., Grings, F., Sobrino, J. a., Jiménez Muñoz, J. C., & Karszenbaum, H. (2006).

Radiometric correction effects in Landsat multi‐date/multi‐sensor change detection

studies. International Journal of Remote Sensing, 27(4), 685–704.

doi:10.1080/01431160500183057

Richter, R. (1998). Correction of Satellite Imagery Over Mountainous Terrain. Applied

Optics, 37(18), 4004. doi:10.1364/AO.37.004004

Song, C., Member, A., & Woodcock, C. E. (2003). Monitoring Forest Succession With

Multitemporal Landsat Images : Factors of Uncertainty, 41(11), 2557–2567.

Storey, J., Scaramuzza, P., Schmidt, G., & Barsi, J. (2005). LANDSAT 7 SCAN LINE

CORRECTOR-OFF GAP-FILLED PRODUCT GAP-FILLED PRODUCT

DEVELOPMENT. Global Priorities in Land Remote Sensing, p. 13. South Dakota.

Vermote, E. (2007). LEDAPS surface reflectance product description, (January), 1–21.

Vermote, E. F., El Saleous, N., Justice, C. O., Kaufman, Y. J., Privette, J. L., Remer, L.,

… Tanré, D. (1997). Atmospheric correction of visible to middle-infrared EOS-

MODIS data over land surfaces: Background, operational algorithm and validation.

Journal of Geophysical Research, 102(D14), 17131. doi:10.1029/97JD00201

Vermote, E. F., Tanré, D., Deuzé, J. L., Herman, M., & Morcrette, J.-J. (1997). Second

simulation of the satellite signal in the solar spectrum, 6s: an overview. IEEE

Transactions on Geoscience and Remote Sensing, 35(3), 675–686. Retrieved from

http://www.scopus.com/inward/record.url?eid=2-s2.0-

0031139633&partnerID=40&md5=695a69108480933e79b7497fd93ce1c1

Vermote, E. F., & Vermeulen, A. (1999). Algorithm Technical Background Document

ATMOSPHERIC CORRECTION ALGORITHM : SPECTRAL

REFLECTANCES ( MOD09 ) NASA contract NAS5-96062. Physics, (April), 1–

107.

VERMOTE, E., SANTER, R., DESCHAMPS, P. Y., & HERMAN, M. (1992). In-flight

calibration of large field of view sensors at short wavelengths using Rayleigh

scattering. International Journal of Remote Sensing, 13(18), 3409–3429.

doi:10.1080/01431169208904131

Vermote, E., Tanré, D., Deuzé, J. L., & Herman, M. (2006). Second Simulation of a

Satellite Signal in the Solar Spectrum - Vector ( 6SV ) (pp. 1–55).

Vicenteserrano, S., Perezcabello, F., & Lasanta, T. (2008). Assessment of radiometric

correction techniques in analyzing vegetation variability and change using time

series of Landsat images. Remote Sensing of Environment, 112(10), 3916–3934.

doi:10.1016/j.rse.2008.06.011

Wulder, M. a., Masek, J. G., Cohen, W. B., Loveland, T. R., & Woodcock, C. E.

(2012). Opening the archive: How free data has enabled the science and

monitoring promise of Landsat. Remote Sensing of Environment, 122, 2–10.

doi:10.1016/j.rse.2012.01.010