PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
-
Upload
edd-telesig -
Category
Documents
-
view
212 -
download
0
Transcript of PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
1/97
Curso de tratamiento digital de datos procedentes de sensores remotos 12013
MODULO 5 APLICACIONES TOPOGRFICAS Y TEMTICAS
5.3 APLICACIONES AMBIENTALES: PARMETROSBIOFSICOS
Juan Jos Peces Morera Instituto Geogrfico Nacional
[IGN + UPM] con financiacin de la AECI
Madrid
Curso de Teledeteccin aplicada a la observacin e
informacin territorial
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
2/97
Curso de tratamiento digital de datos procedentes de sensores remotos 22013
1 Estudio delproblema: Cartografa topogrfica? Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin? Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.
2 Eleccin del sensor considerando: Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m) Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.
Cartografa bsica: aos. Estudios ambientales: das, horas
Resolucin espectral: n y tipo de bandas que necesito.
3 Tratamientos geomtricos: correcciones y georreferenciacin Polinomio de grado 1 2 (zona pequea o grande). Modelo fsico, RPC, etc.
PROYECTO CON IMGENES DE SATLITE
a- Variables biofsicas clasificacin (Cuando usamos una sola imagen) y segmentacin
4.a Tratamientos radiomtricos: Escoger combinacin de bandas Equilibrado radiomtrico: igualar
imgenes.
Mosaicar imgenes
Realce (mejora la percepcin visual)
b- Fotointerpretacin: Mapas de Ocupacin del Suelo, Forestales, Cultivos
c- Ortoimgenes (actualizacin de cartografa
topogrfica), cartoimgenes, publicar en web
4.b Paso a reflectividades: Obtencin de radiancias Clculo de reflectividad aparente TOA
Correccin atmosfrica
Correccin topogrfica
a- Variables biofsicas, Clasificacin (mltiples imgenes)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
3/97
Curso de tratamiento digital de datos procedentes de sensores remotos 32013
1. ndices de vegetacin
2. Variables biofsicas que caracterizan a lacubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin
4. Otros ndices
Variables continuas y parmetros biofsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
4/97
Curso de tratamiento digital de datos procedentes de sensores remotos 42013
1. ndices de vegetacin
2. Variables biofsicas que caracterizan a lacubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin
4. Otros ndices
Variables continuas y parmetros biofsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
5/97
Curso de tratamiento digital de datos procedentes de sensores remotos 52013
Concepto de ndices
Se trata de generar nuevos valores digitales paracada pxel, calculados a partir de los valoresradiomtricos originales captados por el sensor,
que mejoren la interpretacin de la imagen
Las ms utilizados: ndices de vegetacin
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
6/97
Curso de tratamiento digital de datos procedentes de sensores remotos 62013
Respuesta espectral de la vegetacinsegn su estado fenolgico
Reflectividad
(%)
R IR
Vegetacin
sana
Suelo
Vegetacin
enferma
20
40
60
00,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 m
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
7/97
Curso de tratamiento digital de datos procedentes de sensores remotos 72013
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
8/97
Curso de tratamiento digital de datos procedentes de sensores remotos 82013
IRC/R
IRC
R
rea de Cabaeros
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
9/97
Curso de tratamiento digital de datos procedentes de sensores remotos 92013
Los ndices de vegetacin (I.V.) son
transformaciones espectrales (es decircombinaciones matemticas de dos o ms bandasde una imagen) diseadas para realzar la seal dela vegetacin.
Los I.V. permiten hacer comparaciones fiables entredistintas zonas o distintas pocas de la actividad
fotosinttica y de las variaciones de la estructura dela cubierta vegetal
ndices de vegetacin
Concepto de ndice de Vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
10/97
Curso de tratamiento digital de datos procedentes de sensores remotos 102013
La potencia y la ventaja de los I.V. residen en susimplicidad: Normalmente se calculan directamente, sin
ninguna informacin previa en cuanto cobertura delsuelo, edafologa, condiciones climticas, y por tantoproporcionan medidas continuas y precisas de lasvariaciones espaciales y temporales de la vegetacin.
Los I.V. son parmetros importantes para varios tipos de"modelos biogeoqumicos agrcolas y forestales, y seusan en varias aplicaciones operacionales, como: alarmasalimentarias, clasificacin de usos del suelo,epidemiologa, deteccin de inundaciones, degradacinde terrenos, deforestacin y deteccin y seguimiento decambios.
Concepto de ndice de Vegetacin
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
11/97
Curso de tratamiento digital de datos procedentes de sensores remotos 112013
Ventajas de los ndices de Vegetacin
Atenan otros factores: suelo, atmsfera, iluminacin,topografa
Sirven comovariable de entrada para modelos biofsicos(empricos o fsicos) para obtener parmetros tales como:rendimiento de cultivos, estrs hdrico, cobertura verde delsuelo,...
Permiten el seguimiento multitemporal de la vegetacin:
Cambios en la cubiertaDinmica fenolgica
Proporcionan una "Sntesis visual" de la informacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
12/97
Curso de tratamiento digital de datos procedentes de sensores remotos 122013
Medicin de la cantidad, estructura y estado de lavegetacin
Indicadores devariaciones estacionales e interanualesde la vegetacin, tiles para estudios de cambios,observaciones fenolgicas y cartografa de vegetacin.
Variable intermedia en los procesos de determinacinde variosparmetros biofsicos
Principales aplicaciones de los ndices de vegetacin
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
13/97
Curso de tratamiento digital de datos procedentes de sensores remotos 132013
Mosaicos mundiales de NDVI con: NOAA,
Vegetation, MODIS, MERIS,Desertizacin
Deforestacin
Prevencin de incendiosCartografa de reas quemadas
Cobertura del suelo global
Principales aplicaciones de los ndices de vegetacin
ndices de vegetacin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
14/97
Curso de tratamiento digital de datos procedentes de sensores remotos 142013
NDVI (Normalized Difference VegetationIndex: ndice de Vegetacin de diferencianormalizada Cociente normalizado):
RNIR
RNIR
NDVI
Cociente simple:
Donde:
NIR = reflectancia en el Infrarrojo Prximo
R = reflectancia en el rojo
ndices de vegetacin: NDVI
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
15/97
Curso de tratamiento digital de datos procedentes de sensores remotos 152013
Uso de valores digitales en lugar de reflectividades
Cuando estamos trabajando con un solo sensor,
se pueden usar directamente los valores digitalesde NIR y Rojo sin necesidad de calcularreflectancias, ya que los valores obtenidos
difieren poco y siempre en la misma proporcin,por lo que siguen permitiendo la comparacinentre distintas zonas y fechas, y el clculo es ms
sencillo y directo:
RNIR
RNIR
NDND
NDNDNDVI
ndices de vegetacin: NDVI
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
16/97
Curso de tratamiento digital de datos procedentes de sensores remotos 162013
Interpretacin de los valores de NDVI
EL NDVI es una magnitud adimensional cuyos valores
varan entre -1 y +1
Las zonas con cubierta vegetal suelen tener NDVI 0.1
Las zonas convegetacin densa suelen tener valores NDVIentre 0.5 y 1.0
Un inconveniente del NDVI es que se suele saturar(alcanzar el mximo valor) para LAI 4 (y por tanto, dejade aportar informacin til de ah en adelante)
ndices de vegetacin: NDVI
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
17/97
Curso de tratamiento digital de datos procedentes de sensores remotos 172013
1. ndices de vegetacin
2. Variables biofsicas que caracterizan a lacubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin
4. Otros ndices
Variables continuas y parmetros biofsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
18/97
Curso de tratamiento digital de datos procedentes de sensores remotos 182013
Parmetros de la cubierta vegetal que presentancorrelaciones altas con el NDVI
LAI (Leaf Area Index)LAD (Leaf Area Distribution)
FVC, (Fractional Vegetation Cover): proporcin de
suelo cubierta por la proyeccin vertical (nadir) de lavegetacin.
APAR (Absorbed photosynthetically active
radiation radiacin absorbida fotosintticamente-)
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
19/97
Curso de tratamiento digital de datos procedentes de sensores remotos 192013
Productividad neta de la vegetacin
Cantidad de lluvia recibida por el dosel vegetal
Dinmica fenolgica
Contenido de clorofila de la hoja
Contenido de agua de la hoja
Flujo neto de CO2 (local y global)
PET ("Potential Evapotranspiration"):
inversamente relacionada con el NDVI
Parmetros de la cubierta vegetal que presentancorrelaciones altas con el NDVI
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
20/97
Curso de tratamiento digital de datos procedentes de sensores remotos 202013
LAI (Leaf Area Index)
- En vegetacin de hoja ancha (frondosas) es la superficie de todas las
hojas (una sola cara) existentespor unidad de superficie de terreno- En vegetacin de hoja acicular (conferas) es la superficie proyectada
de las acculas existentes por unidad de superficie de terreno
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
21/97
Curso de tratamiento digital de datos procedentes de sensores remotos 212013
Correlacin NDVI - LAI
Medido para un dosel de trigoen crecimiento (lnea continua)y senescente (discontinua)(Asrar et al. 1984)
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
22/97
Curso de tratamiento digital de datos procedentes de sensores remotos 222013
LAI obtenido con imgenes MODIS
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
23/97
Curso de tratamiento digital de datos procedentes de sensores remotos 232013
FVC, (Fractional VegetationCover): proporcin de suelocubierta por la proyeccinvertical (nadir) de la vegetacin.
Cobertura vegetal a partir de anlisismultitemporal del NDVI(SPOT-VEGETATION)
(Aplicable tambin a AVHRR, MODIS, SEVIRI,etc..)
Cobertura vegetal (FVC)
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
24/97
Curso de tratamiento digital de datos procedentes de sensores remotos 242013
NDVI y Contenido de Humedad
Pastizal Matorral
y = 0.0013x + 0.2529
R2= 0.2601
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 50 100 150 200
y = 0.0007x + 0.2418
R
2
= 0.5689
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 100 200 300 400 500
Contenido de humedad de las plantas
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
25/97
Curso de tratamiento digital de datos procedentes de sensores remotos 252013
fAPAR
"Fraction of Photosynthetically Active Radiation,"
Fraccin de radiacin fotosinteticamente activa.Medida de la proporcin entre la iluminacin
solar realmente absorbida por las plantas frente
a la energa total que potencialmente podracaptarse.
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
26/97
Curso de tratamiento digital de datos procedentes de sensores remotos 262013
Correlacin entre NDVI y fAPAR
Para trigo enprimavera
(Asrar et al.,1984)
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
27/97
Curso de tratamiento digital de datos procedentes de sensores remotos 272013
fAPAR obtenido con imgenes MODIS
Variables biofsicas que caracterizan a la cubierta vegetal
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
28/97
Curso de tratamiento digital de datos procedentes de sensores remotos 282013
1. ndices de vegetacin
2. Variables biofsicas que caracterizan a lacubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin
4. Otros ndices
Variables continuas y parmetros biofsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
29/97
Curso de tratamiento digital de datos procedentes de sensores remotos 292013
a) Proporcin vegetacin-suelo
Hay muchos factores "externos" (ajenos a la propia cubierta
vegetal) que modifican el valor del NDVI obtenido.Uno de los ms importantes es laproporcin vegetacin-suelo: el
mismo valor de NDVI puede corresponder a una cubierta poco
densa y vigorosa o muy densa y poco vigorosa.
Soluciones:
Se han desarrollado formulaciones que corrigen este efecto,:SAVI ("Soil Adjusted Vegetation Index)
OSAVI ("Optimized SAVI")
TSAVI ("Transformed SAVI")
Problemas que presenta el NDVI: alternativas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
30/97
Curso de tratamiento digital de datos procedentes de sensores remotos 302013
Donde:
L : constante para ajustar el ndice a una reflectividadpromedio de fondo. L 0.5
)1( LL
SAVIRNIR
RNIR
16.0
RNIR
RNIR
OSAVI
Problemas que presenta el NDVI: alternativas
a) Proporcin vegetacin-suelo
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
31/97
Curso de tratamiento digital de datos procedentes de sensores remotos 312013
b) Efecto de la atmsferaLa atmsfera suele reducir el valor de NDVIy puede ser
muy importante en observacin oblicua (sensores de gran
FOV -"Field of View"-)
Soluciones:
a) Se pueden realizar mosaicos "compuestos" de 7 a 15 dasde imgenes, tomando de cada pxel la imagen en la que
la geometra de la toma es ms favorable
b)ARVI ("Atmospheric Resistant Vegetation Index")
GEMI ("Global Environment Monitoring Index")
Problemas que presenta el NDVI: alternativas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
32/97
Curso de tratamiento digital de datos procedentes de sensores remotos 322013
Donde:*NIR= reflectividad aparente en el NIR*A= reflectividad aparente en el rojo= parmetro de calibracin que depende del tipo de
atmsfera. (casi siempre = 1)
**
**
RANIR
RANIRARVI
)( **** RARRA
b) Efecto de la atmsfera
Problemas que presenta el NDVI: alternativas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
33/97
Curso de tratamiento digital de datos procedentes de sensores remotos 332013
GEMI ("Global Environment Monitoring Index")
Se propone la reduccin simultnea del efectoatmosfricoy los cambios en la reflectividad delsuelo
R
RGEMI
1
125.0)25.01(
5.0
5.05.1)(2 22
RNIR
RNIRRNIR
Problemas que presenta el NDVI: alternativas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
34/97
Curso de tratamiento digital de datos procedentes de sensores remotos 342013
Otras formulaciones de ndices de vegetacin
i bl i bi f i
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
35/97
Curso de tratamiento digital de datos procedentes de sensores remotos 352013
1. ndices de vegetacin
2. Variables biofsicas que caracterizan a lacubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:formulaciones alternativas de los ndices devegetacin
4. Otros ndices
Variables continuas y parmetros biofsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
36/97
Curso de tratamiento digital de datos procedentes de sensores remotos 362013
ndices de contenido de agua(llamados "ndices de estrs hdrico" o "ndices de sequa")
El ms utilizado es:
NDII ("Normalized Difference Infrared Index")
Donde swir se corresponde con el infrarrojo medio
SWIRNIR
SWIRNIRNDII
Otros ndices
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
37/97
Curso de tratamiento digital de datos procedentes de sensores remotos 372013
Comparacin
SWIR,5NIR
SWIR,5NIR5=NDII
RNIR
RNIR=NDVI
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
38/97
Curso de tratamiento digital de datos procedentes de sensores remotos 382013
ndice para resaltar superficies de agua
Embalse de Rapel, Chile, 1998
SWIRG
SWIRG=IA
Otros ndices
O
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
39/97
Curso de tratamiento digital de datos procedentes de sensores remotos 392013
NORMALIZED DIFFERENCE BARENESS INDEX (NDBaI)
SWIR TIR
SWIR TIR NDBaI
(Necesita bandas SWIR y trmicas: Landsat, MODIS)(Ejemplo: Landsat B5 y B6)
Identificacin de zonas sin vegetacin
NORMALIZED DIFFERENCE BUILT-UP INDEX (NDBI)
Junto con el NDVI, permite clasificacin de zonas urbanas(a veces tambin referenciado como Normalized Difference Soil Index NDSI)
SWIR NIR
SWIR NIR
NDBI
(Necesita bandas SWIR: Landsat, SPOT,MODIS)
(Ejemplo: Landsat B5 y B4)
Otros ndices
Identificacin de zonas urbanas
Ot di
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
40/97
Curso de tratamiento digital de datos procedentes de sensores remotos 402013
NORMALIZED DIFFERENCE SNOW INDEX (NDSI)
NIR TIR
NIR TIR
NDSI
(Necesita banda trmica: Landsat, MODIS)(Ejemplo: Landsat B4 y B6)
ndice para estimar cobertura de nieve
Otros ndices
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
41/97
Curso de tratamiento digital de datos procedentes de sensores remotos 412013
Procedimientos de obtencin delas variables. Modelos matemticosempleados:
- Modelos empricos- Modelos fsicos
d l l
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
42/97
Curso de tratamiento digital de datos procedentes de sensores remotos 422013
Formas de clculo
Todas las variables antes expuestas, se ha
comprobado que se correlacionan empricamente
con el NDVI mediante ajustes matemticos(modelos empricos).
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
43/97
Curso de tratamiento digital de datos procedentes de sensores remotos 432013
El reto de los prximos aos ser plantear
relaciones ms generalizables, basadas en
"Modelos Fsicos", que permitan calcular estas
variables de modo ms preciso y consistente
4 1 Modelos empricos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
44/97
Curso de tratamiento digital de datos procedentes de sensores remotos 442013
4.1. Modelos empricos
Regresiones (calculadas
mediante funcionesmatemticas estadsticasde interpolacin - Pueden
ser polinomios u otras-)entre el parmetro de intersy los valores (ND) de laimagen
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
45/97
Curso de tratamiento digital de datos procedentes de sensores remotos 452013
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
46/97
Curso de tratamiento digital de datos procedentes de sensores remotos 462013
4 2 Modelos fsicos
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
47/97
Curso de tratamiento digital de datos procedentes de sensores remotos 472013
4.2. Modelos fsicos
Parten de estudiar y simular, mediante algoritmos(*)complejos la relacin fsica entre el parmetro aestudiar y la informacin espectral.
Se puede distinguir entre:
a) "Leaf Optical Properties Model"
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
48/97
Curso de tratamiento digital de datos procedentes de sensores remotos 482013
a) Leaf Optical Properties Model
Modelos de propiedades pticas de lashojas
b 2) "Canopy Reflectance Models"
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
49/97
Curso de tratamiento digital de datos procedentes de sensores remotos 492013
b.2) Canopy Reflectance Models
Modelos de reflectancia de las
cubiertas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
50/97
Curso de tratamiento digital de datos procedentes de sensores remotos 502013
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
51/97
Curso de tratamiento digital de datos procedentes de sensores remotos 512013
Ejemplo: Visual ProSailh
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
52/97
Curso de tratamiento digital de datos procedentes de sensores remotos 522013
je p o sua oSa
Es una adaptacin realizadapor la Universidad de Alcal
de Henares de los modelos yprogramas PROSPECT (hoja)y SAILH (cubierta), que se
puede descargar librementede:
http://www.geogra.uah.es/rtm/ejecutables
/Visual%20ProSailh.exe
Modelo en modo directo e inverso
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
53/97
Curso de tratamiento digital de datos procedentes de sensores remotos 532013
Modo directo:
Caractersticas fsicas
Reflectividades
Modo inverso:
ReflectividadesCaractersticas fsicas
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
54/97
Curso de tratamiento digital de datos procedentes de sensores remotos 542013
Referencias
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
55/97
Curso de tratamiento digital de datos procedentes de sensores remotos 552013
Emilio Chuvieco Salinero. TeledeteccinAmbiental . Ed. Ariel Ciencia, 2002
Nota: Todas las transparencias que llevan el anagrama de la
Universidad de Alcal proceden del CD ROM que viene con este
libro.
CLASIFICACIN AUTOMTICA
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
56/97
Curso de tratamiento digital de datos procedentes de sensores remotos 562013
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
CLASIFICACIN AUTOMTICA
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
57/97
Curso de tratamiento digital de datos procedentes de sensores remotos 572013
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
58/97
Curso de tratamiento digital de datos procedentes de sensores remotos 582013
Diferenciasentre Fotointerpretacin y Clasificacin
Fotointerpretacin
Se realiza a partir de imgenes de satlite sobre las que se hanrealizado ciertos tratamientos (correccin geomtrica, realces, etc.).Basado en la habilidad del fotointrprete, sujeta por tanto, a laslimitaciones humanas.Slo es posible la visualizacin simultnea de tres bandas (unapor cada color de la pantalla).
Se puede aadir otro tipo de informacin adicional (cartografavectorial, fotografas areas, ortoimgenes, etc.), para mejorar lainterpretacin.
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
59/97
Curso de tratamiento digital de datos procedentes de sensores remotos 592013
Diferenciasentre Fotointerpretacin y Clasificacin
Clasificacin
Proceso de asignar pxeles dentro de un nmero finito de clases,basados en los valores de los mismos (ND: nivel digital del pxel).Si el pxel satisface un cierto conjunto de criterios, es asignado a laclase que se corresponde con los mismos.Es posible el anlisis de todas las bandas de la imagen. Permitela automatizacin y mayor rapidez del anlisis de los datos.
El resultado final de una clasificacin es una imagen o mapatemtico donde los pxeles aparecen etiquetados segn su clase.Posee mayor error que la fotointerpretacin.
PROYECTO CON IMGENES DE SATLITE
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
60/97
Curso de tratamiento digital de datos procedentes de sensores remotos 602013
1 Estudio delproblema: Cartografa topogrfica? Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin? Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.
2 Eleccin del sensor considerando:
Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m) Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.
Cartografa bsica: aos. Estudios ambientales: das, horas
Resolucin espectral: n y tipo de bandas que necesito.
3 Tratamientos geomtricos: correcciones y georreferenciacin Polinomio de grado 1 2 (zona pequea o grande). Modelo fsico, RPC, etc. a- Variables biofsicas clasificacin y segmentacin
4.a Tratamientos radiomtricos: Escoger combinacin de bandas
Equilibrado radiomtrico: igualarimgenes.
Mosaicar imgenes
Realce (mejora la percepcin visual)
b- Fotointerpretacin: Mapas de Ocupacin del Suelo, Forestales, Cultivos
c- Ortoimgenes (actualizacin de cartografatopogrfica), cartoimgenes, publicar en web
4.b Paso a reflectividades: Obtencin de radiancias
Clculo de reflectividad aparente TOA Correccin atmosfrica
Correccin topogrfica
a- Variables biofsicas, Clasificacin (mltiples imgenesmtodos no empricos)
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
61/97
Curso de tratamiento digital de datos procedentes de sensores remotos 612013
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
62/97
Curso de tratamiento digital de datos procedentes de sensores remotos 622013
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
63/97
Curso de tratamiento digital de datos procedentes de sensores remotos 632013
Necesidad de pretratamientos
Con los mtodos "empricos" empleados hasta ahora, en
la mayora de los casos, no es necesario aplicartratamientos previos (como correcciones atmosfricas,clculo de reflectividades, etc....), ya que los algoritmos
suelen funcionar igual de bien con los valores digitales "enbruto"
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
64/97
Curso de tratamiento digital de datos procedentes de sensores remotos 642013
Clases "espectrales" y clases "informacionales"
Clases espectrales:
Grupos de pxeles con valores digitales (DN)parecidos
Clases informacionales:
Es la "leyenda" de trabajo: la que pretende deducir
el intrprete
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
65/97
Curso de tratamiento digital de datos procedentes de sensores remotos 652013
Entrenamiento: definicin digital de las clases
Consiste en la definicin de las clases a partir de sus
caractersticas dentro de la imagen.
Existen dos mtodos: supervisado y no supervisado.
Resultado: conjunto de signaturas; cada signatura corresponde a
una clase. Una signatura es un conjunto de parmetros estimados tras elentrenamiento que utilizar el algoritmo de clasificacin para
realizar dicha clasificacinAsignacin o Clasificacin: determinar a que clase pertenece cada
pxel mediante el uso de una regla de decisin (algoritmomatemtico).
Fases de la Clasificacin Automtica
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
66/97
Curso de tratamiento digital de datos procedentes de sensores remotos 662013
MANIPULACIN DEL ESPACIO CARACTERSTICO
Transformacin de la imagen multiespectral
Espacio caracterstico: Nuevo espacio de representacin
VENTAJAS:Hace evidentes algunas caractersticasReduce el nmero de dimensiones
TIPOS:Transformadas espacialesTransformadas espectrales:
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
67/97
Curso de tratamiento digital de datos procedentes de sensores remotos 672013
Transformadas espectralesARITMTICA DE BANDAS
Nueva banda obtenida mediante suma, resta, multiplicacin o
divisin de dos bandas originales
NDICES: Como los de vegetacin ya vistos
ANLISIS DE COMPONENTES PRINCIPALESEl objeto de esta transformacin es reducir la dimensionalidad (n debandas) en la imagen.Las nuevas bandas se llaman componentes principales. Este proceso maximiza la cantidad de informacin en el menornmero de componentes principales. Ej.: los tres primeroscomponentes principales de una imagen TM de 7 bandas contienen el90% de la informacin de dicha imagen.
1. Introduccin
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
68/97
Curso de tratamiento digital de datos procedentes de sensores remotos 682013
TRANSFORMADA TASSELED CAP (TTC)Obtiene nuevas bandas por combinacin lineal de las originales para
realzar rasgos de inters.
Tres ejes de variacin:Brillo
VerdorHumedad
Transformadas espectrales
CLASIFICACIN AUTOMTICA
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
69/97
Curso de tratamiento digital de datos procedentes de sensores remotos 692013
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
70/97
Curso de tratamiento digital de datos procedentes de sensores remotos 702013
Se trata de obtener una descripcin de cada clase(estadstica o de otros tipos) que tenga en cuenta lascaractersticas de todos los pxeles que consideramos quedeben pertenecer a ella, as como la "variabilidad" de losmismos
Para ello hay que:
1) Obtener una muestra de pxeles de esa clase ("areas de
entrenamiento" -"training fields"-)2) calcular las estadsticas (
, ) o/y otros descriptores(texturas,)
Concepto de "entrenamiento"
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
71/97
Curso de tratamiento digital de datos procedentes de sensores remotos 712013
Tipos de "entrenamiento"Entrenamiento Supervisado:
Se parte de un conocimiento previo del terreno
Las reas de entrenamiento se eligen en zonas conocidasde clases ("informacionales") conocidas.
Entrenamiento no supervisado:No se requiere conocimiento previo del terreno
Las reas de entrenamiento se establecen automticamente
mediante algoritmos que buscan grupos de pxeles decaractersticas homogneas ("clases espectrales")
(ojo: no confundir con la segmentacin automtica")
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
72/97
Curso de tratamiento digital de datos procedentes de sensores remotos 722013
Problemas en la definicin de clases
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
73/97
Curso de tratamiento digital de datos procedentes de sensores remotos 732013
Entrenamiento supervisado
rea de Entrenamiento (AOI): zonas de la imagen en las
que el analista puede identificar la clase de ocupacin delsuelo, por identificacin directa o por interpretacin a partir
de otras fuentes de informacin.
Parte del conocimiento previo de unaserie de clases en la imagen.Bien identificados:
Suficientemente homogneos:Que cubran todas las clases.
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
74/97
Curso de tratamiento digital de datos procedentes de sensores remotos 742013
Tambin se llama aglomeracin (clustering).
Separte de una serie depxeles "semilla.
Un algoritmo automtico va agrupando iterativamente todos lospxeles en grupos homogneos.
No se consideran otros elementos como la contigidad, la textura,la forma u otros caractersticas
Hay que tener:
1) Criterio de similitud entre pxeles: normalmente DistanciaEuclidiana
2) Algoritmo de agrupamiento: el ms utilizado:
ISODATA
Entrenamiento no supervisado
2. Fase de entrenamiento
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
75/97
Curso de tratamiento digital de datos procedentes de sensores remotos 752013
Entrenamiento no supervisado: ISODATA
Se definen previamente N mximo n de clusters a obtener: estenmero equivale al mximo nmero de clases.El algoritmo comienza determinando n valores de media arbitrarios,uno por cada cluster. Tras el clculo, algunos clusters con muy pocospxeles pueden ser eliminados, dejando menos de n. Umbral de convergencia: mximo porcentaje de pxeles que nocambian de clase entre una iteracin y la siguiente (normalmente95%).El proceso se detiene cuando el porcentaje de pxeles que cambian
de clase entre una iteracin y la siguiente es menor del 5%.N mximo de iteraciones a calcular: cuando se alcanza este nmeroel proceso se detiene aunque no se haya alcanzadoel umbral de convergencia.
CLASIFICACIN AUTOMTICA
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
76/97
Curso de tratamiento digital de datos procedentes de sensores remotos 762013
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
77/97
Curso de tratamiento digital de datos procedentes de sensores remotos 772013
Concepto de asignacin
Se trata de asignar cada uno de los pxeles de laimagen a la clase ms verosmil teniendo en cuenta:
Susvalores digitales (DN) en todas las bandas de esepixel y de los que le rodean.
Las caractersticas de las reas de entrenamientodeterminadas en la fase de entrenamiento.
Eventualmente, otra informacin "exgena" (noperteneciente a la imagen). Ej: MDT, mapas previos,
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
78/97
Curso de tratamiento digital de datos procedentes de sensores remotos 782013
I. Mnima distancia
II. ParaleleppedosIII. Mxima probabilidad
IV. rboles de decisin. Sistemas expertos.
V. Contexto espacial
VI. Asignacin "borrosa" "fuzzy"
Mtodos de asignacin
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
79/97
Curso de tratamiento digital de datos procedentes de sensores remotos 792013
Clasificador de MNIMA DISTANCIAAsigna un pxel a la clase cuya media es ms cercana, usandoparmetros estadsticos (el vector de medias) de las clases. Desventaja frente al de mxima probabilidad: no consideracovarianzas(dispersin de los datos de la distribucin).Ventaja: mtodo matemticamente simple.
R
IRC
a
c
b
?
Clasificador Paralelepipdico
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
80/97
Curso de tratamiento digital de datos procedentes de sensores remotos 802013
Clasificador ParalelepipdicoEvala si los pxeles de la imagen estn contenidos en unparaleleppedo (o hipercubo en caso de ms dimensiones) de la clase.Centro del paraleleppedo: media de la clase.
Dimensiones: medida de dispersin de la clase.Ventaja de este mtodo: sencillez y rapidez de clculoEs difcil obtener buenos resultados
R
IRC a
c
b
?
?
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
81/97
Curso de tratamiento digital de datos procedentes de sensores remotos 812013
Mxima probabilidad: Basado en la Teora bayesiana ladecisin
Teorema de Bayes:-P(wj/x): probabilidad de que dado un pxel x, ste pertenezca a laclase wj.-P(wj) es la probabilidad de obtener la clase wjen la imagen.
-P(x/wj) es la probabilidad de obtener el valor de pxel x en la clasewj(verosimilitud).
Si la variable aleatoria x es el nivel digital de un pxel, y w1 y w2 sondos posibles clases para el pxel, se asumir la pertenencia a la clasew1 cuando:
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
82/97
Curso de tratamiento digital de datos procedentes de sensores remotos 822013
R
IRC a
c
b
?
- o mxima verosimilitud- "maximum likelihood"-Mxima probabilidad
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
83/97
Curso de tratamiento digital de datos procedentes de sensores remotos 832013
Mxima probabilidad
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
84/97
Curso de tratamiento digital de datos procedentes de sensores remotos 842013
Consiste en establecer reglas dedecisin basadas en operadoreslgicos.
Sistema Experto" (conjunto dereglas que permiten a un algoritmotomar decisiones)
Sistemas expertos
< 10%
Agua
Regado
Altitud
Caducifolios
< 40% > 40%
> 30% Urbano Cereal(muy probable) (probable)
< 30% Urbano Cereal(probable) (muy probable)
ROJO
SWIR
IRC
> 10%
Verde
> 30% < 30%
< 800m > 800m
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
85/97
Curso de tratamiento digital de datos procedentes de sensores remotos 852013
Esta basada en el concepto de que la informacin relevante parainterpretar una imagen no esta representada en simples pxelessino en el significado de los objetos de la imagen y su mutuarelacin. Por tanto, permite usar una gran variedad de informacin
para clasificar: TONO, FORMA, TEXTURA, AREA,
CONTEXTO
Asignacin teniendo en cuenta el contexto espacial
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
86/97
Curso de tratamiento digital de datos procedentes de sensores remotos 862013
Asignacin "borrosa" ("fuzzy")
CLASE 1
70 % CLASE 1
15 % CLASE 2
10 % CLASE 3
5 % CLASE 4
CLASE 1
CLASE 2
CLASE 3
CLASE 4
CLASE n
Se admite un cierto grado de pertenencia. Cada pxel se etiqueta en variascategoras, con grado de pertenencia segn su similitud espectral.
3. Fase de asignacin (clasificacin)
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
87/97
Curso de tratamiento digital de datos procedentes de sensores remotos 872013
Clasificacinrgida/blanda
Asignacin "borrosa" ("fuzzy")
CLASIFICACIN AUTOMTICA
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
88/97
Curso de tratamiento digital de datos procedentes de sensores remotos 882013
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
89/97
Curso de tratamiento digital de datos procedentes de sensores remotos 892013
El anlisis de las estadsticas de las clases obtenidas en elentrenamiento resulta conveniente para reflexionar sobre:
Conveniencia de la leyenda
Tipo de informacin disponibleMtodo utilizado
Se pretende evaluar la separabilidad de todas las clases
entre sSi se detectan problemas, este anlisis nos puede dar
pistas sobre que decisiones tomar para solventarlo: qu
clases presentan problemas (se confunden), queinformacin o mtodo podra ayudar a discriminarlas, etc.
C d d d
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
90/97
Curso de tratamiento digital de datos procedentes de sensores remotos 902013
Comparando una muestra de pxeles clasificados con suspxeles en el terreno. Datos de referencia: a partir deinformacin externa = verdad terreno. Pueden proceder de
muestreo en campo, fotografas areas e informacin similar.Posibles Errores:
No clasificar un pixel en la clase a que corresponde (Omisin)
Clasificar un pxel en una clase a la que no corresponde(Comisin)
Estos errores se pueden expresar en la MATRIZ DE
CONFUSIN: Filas: clases del mapa temtico. Columnas: lasclases reales
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
91/97
Curso de tratamiento digital de datos procedentes de sensores remotos 912013
Los elementos fuera de la diagonal principal o residuos,
proporcionan el error de comisin. Se trata delporcentaje depxeles que habiendo sido asignados a una clase nocorresponden en realidad a ella. Tambin se denomina riesgo del
usuario, o probabilidad de error que tiene el usuario cuando asumeque un cierto pxel pertenece a una clase cuando en realidad
pertenece a otra.
S bilid d fi hi t
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
92/97
Curso de tratamiento digital de datos procedentes de sensores remotos 922013
Separabilidad grfica: histogramas
Banda 3 Banda 4
De forma grfica se pueden ver los histogramas correspondientes avarias clases cuya distribucin es normal y su solape:
S bilid d fi G fi d i t
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
93/97
Curso de tratamiento digital de datos procedentes de sensores remotos 932013
Separabilidad grfica: Grficos de signaturas
0
5
10
15
20
25
30
35
40
1 2 3 4 5 7
urbanopastizal
matorral
pinar-enc
suelocultivo
agua
5
10
15
20
Banda 1
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
94/97
Curso de tratamiento digital de datos procedentes de sensores remotos 942013
0
5
urbano pastizal matorral pinar-enc suelo cultiv o agua
Banda 1
Banda 5
Banda 4
0
5
10
15
20
25
30
35
40
urbano pastizal matorral pinar-enc suelo cultiv o agua
0
5
10
15
20
2530
35
40
45
50
urbano pastizal matorral pinar-enc suelo cultiv o agua
Separabilidad grfica:Grficos de DispersinEspectral
Separabilidad grfica: Elipses de dispersin
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
95/97
Curso de tratamiento digital de datos procedentes de sensores remotos 952013
Banda 3
Pinar-Encinar
Banda 4
Pastizal
Cultivo
Matorral
Urbano
Suelo
Agua
4. Verificacin de Resultados
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
96/97
Curso de tratamiento digital de datos procedentes de sensores remotos 962013
Anlisis de Estadsticas: media, desviacin tpica, valoresmximo y mnimo.
Separabilidad de Signaturas. Se usa la divergencia
transformada. Permite seleccionar el conjunto de bandasque presentan mejor separabilidad entre clases.
-
7/23/2019 PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97
97/97
Gracias por su atencin
97
Instituto Geogrfico Nacional
Curso de tratamiento digital de datos procedentes de sensores remotos2013
Juan Jos Peces
Director del Servicio Regional en CLMInstituto Geogrfico Nacional925989271