Your SlideShare is downloading. ×
0
Near-real time monitoring of habitat change using a neural network and MODIS data:  the PARASID approach Louis Reymondin, ...
Tabla de contenidos <ul><li>Metodología </li></ul><ul><li>Detalles de implementación  </li></ul><ul><li>Análisis de Colomb...
Metodología Enfoque Conceptual
Enfoque Conceptual <ul><li>La intensidad del verde de la vegetación es una función dependiente de las precipitaciones de l...
Enfoque Conceptual <ul><li>Idea básica </li></ul><ul><li>Las actividades humanas cambian el ciclo de la intensidad del ver...
Enfoque Conceptual <ul><li>NDVI </li></ul><ul><ul><li>Normalized Difference Vegetation Index  </li></ul></ul><ul><ul><li>R...
Enfoque Conceptual Para cada píxel de una imagen NDVI, extractamos un vector de medidas  tiempo Imagen NDVI al tiempo t
Metodología Los modelos
Metodología – Los modelos <ul><li>Predicciones </li></ul><ul><ul><li>Bayesian Neural Network (BNN) </li></ul></ul><ul><li>...
Metodología – Los modelos <ul><li>Entradas </li></ul><ul><ul><li>Las 5 medidas NDVI anterior al tiempo T </li></ul></ul><u...
Metodología – Los modelos La estructura de la red neuronal.  α 0 α c α h NDVI t Precipitación  (t) Temperatura  (t) … … w ...
Metodología – Detección de cambios <ul><li>Para detectar los cambios, las redes neuronales bayesian nos dan tres indicador...
Metodología – Detección de cambios
Metodología – Detección de cambios <ul><li>Procedimiento de detección básico </li></ul>NDVI Pasado TRMM … NDVI Actual  Dif...
Metodología – Detección de cambios Cambio
Metodología – Detección de cambios Distribución de probabilidad  calculada con la desviación estándar y  la predicción del...
Metodología Data-mining
Metodología  <ul><li>Colombia con una resolución de 250m representa </li></ul><ul><ul><ul><li>Un mapa de 5822 por 8046 píx...
Metodología – Limpiar los datos <ul><li>Elimina todas las variaciones a corto plazo (< 3 meses) </li></ul><ul><li>Ajuste i...
Metodología <ul><li>Qué pasaría si queríamos entrenar diez modelos por píxel ? </li></ul>200 años de calculaciones <ul><li...
Metodología – El clustering <ul><li>Usamos el algoritmo K-Means modificado para ser distribuido en muchos computadores  </...
Metodología Detalles de la implementación
Detalles de la implementación <ul><li>Las máquinas de procesamiento </li></ul><ul><ul><li>Servidor DELL </li></ul></ul><ul...
Detalles de la implementación <ul><li>Implementación en Java </li></ul><ul><ul><li>339 objetos </li></ul></ul><ul><ul><li>...
Detalles de la implementación <ul><li>La estructura básica del trabajado distribuido se presenta de la maneja siguiente </...
Resumen de la metodología Medidas  del pasado Limpiar Clustering Selección aleatoria de píxeles para el entrenamiento Entr...
Resumen de la metodología <ul><li>Limpieza  </li></ul><ul><ul><li>O(n) </li></ul></ul><ul><li>Clustering </li></ul><ul><ul...
Resumen de la metodología
Metodología – El software
Metodología – El software
Metodología – Conclusión <ul><li>Tenemos una metodología eficiente usando tecnologías bio-inspirada y estadísticas Bayesia...
Resultados – Colombia Departamentos y Áreas protegidas
Colombia <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>23.07% </li></ul></ul><ul><li>Tasa de cambio </li>...
Colombia Verde : Áreas rechazadas por las nubes Azul : Áreas protegidas  Rojo : Cambios detectados
Estadísticas de procesamiento  <ul><li>Para Colombia completa </li></ul><ul><ul><li>Un servidor Dell </li></ul></ul><ul><u...
Análisis - Departamentos
Efecto de las nubes
Hectáreas con cambios
Colombia - Santander <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>10.25% </li></ul></ul><ul><li>Tasa de ...
Colombia - Bolivar <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>13.66% </li></ul></ul><ul><li>Tasa de ca...
Análisis Santander y Bolivar Landsat 2004 Landsat 2009
Análisis Santander y Bolivar Landsat 2004 Landsat 2009
Análisis Santander y Bolivar Eventos de deforestación en Santander Imagen de google earth  En rojo las detecciones  En ros...
Análisis Santander y Bolivar <ul><li>Inundaciones de gran tamaño </li></ul><ul><ul><li>Muchas detecciones en estas área so...
Colombia - Caquetá <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>6.95% </li></ul></ul><ul><li>Tasa de cam...
Colombia - Meta <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>8.82% </li></ul></ul><ul><li>Tasa de cambio...
Análisis Caquetá – Meta Landsat 2004 Landsat 2009
Análisis Caquetá – Meta <ul><li>El área al rededor del río caquetá es el nicho donde la mayoría de las detecciones de defo...
Áreas protegidas
Efecto de las nubes <ul><li>Rojo </li></ul><ul><ul><li>Área protegida demasiada nublada para el análisis  </li></ul></ul><...
Efecto de las nubes 31 áreas protegidas sobre 54 analizadas, 57.4%
Efecto de las nubes 23 áreas protegidas sobre 54 analizadas, 42.6%
Efecto de las nubes - Conclusión <ul><li>31 de las 54 áreas protegidas (57.4%) son muy nubladas </li></ul><ul><li>Pero sol...
Análisis de los cambios Aproximadamente 7000 hectáreas detectadas por el periodo 2004 y 2009 en áreas protegidas
Análisis – Sierra de la Macarena 1762.5 hectáreas deforestadas entro 2004 y 2009 0.24% del área total deforestada en 5 año...
Análisis –Tinigua 1312.5 hectáreas deforestadas entro 2004 y 2009 0.5% del área total deforestada en 5 años 0.0% de pixele...
Análisis <ul><li>En esta imagen la resolución espacial esta cambiada para mostrar las áreas con una tasa de deforestación ...
Análisis  Ciénaga Grande de Santa Marta 1069 hectáreas reforestados entro 2004 y 2009 3.34% del área total deforestado en ...
Análisis  Ciénaga Grande de Santa Marta Histórico de Google Earth 2004 Histórico de Google Earth 2009
Conclusión
Análisis – Conclusión <ul><li>El modelo parece bien adaptado para detectar eventos de deforestación en Colombia </li></ul>...
Análisis – Conclusión <ul><li>Las áreas con alta taza de nubes </li></ul><ul><ul><li>Actualmente usamos el composit de 16 ...
Análisis – Conclusión <ul><li>Las inundaciones </li></ul><ul><ul><li>El agua tiene una reflectancia fácil de reconocer </l...
El futuro, cooperación con el IDEAM <ul><li>Uso de datos diarios de MODIS para reducir incertidumbre por nubosidad, y logr...
GRACIAS!
Upcoming SlideShare
Loading in...5
×

Louis R Parasid Colombia Ideam Oct 2009

929

Published on

Presentation of preliminary results for Colombian deforestation using the PARASID platform.

Published in: Travel, Business
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
929
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
20
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Louis R Parasid Colombia Ideam Oct 2009"

  1. 1. Near-real time monitoring of habitat change using a neural network and MODIS data: the PARASID approach Louis Reymondin, Andy Jarvis, Jerry Touval
  2. 2. Tabla de contenidos <ul><li>Metodología </li></ul><ul><li>Detalles de implementación </li></ul><ul><li>Análisis de Colombia </li></ul><ul><ul><li>Por departamentos </li></ul></ul><ul><ul><li>Por áreas protegidas </li></ul></ul><ul><li>Conclusión </li></ul>
  3. 3. Metodología Enfoque Conceptual
  4. 4. Enfoque Conceptual <ul><li>La intensidad del verde de la vegetación es una función dependiente de las precipitaciones de lluvia, del sitio y de las alteración </li></ul><ul><ul><li>Sitio = tipo de vegetación, características del suelo </li></ul></ul><ul><ul><li>Alteración = cambios antropogénicas, en positivo y negativo </li></ul></ul><ul><li>La intensidad del verde de la vegetación sigue un ciclo dependiente de factores climáticos como lluvia y temperatura... </li></ul>
  5. 5. Enfoque Conceptual <ul><li>Idea básica </li></ul><ul><li>Las actividades humanas cambian el ciclo de la intensidad del verde de la vegetación. </li></ul><ul><li>Vamos a crear un modelo capaz de predecir la evolución de la intensidad del verde de la vegetación, basándose en las medidas de verde anteriores (variables de sitio) y medidas climáticas actuales (lluvia, temperatura…) para detectar cambios significativos. </li></ul>Bolivia 1984 Bolivia 2002
  6. 6. Enfoque Conceptual <ul><li>NDVI </li></ul><ul><ul><li>Normalized Difference Vegetation Index </li></ul></ul><ul><ul><li>Resolución de 250m </li></ul></ul><ul><ul><li>Frecuencia de las medidas de 16 días </li></ul></ul><ul><li>TRMM </li></ul><ul><ul><li>Tropical Rainfall Measuring Mission </li></ul></ul><ul><ul><li>Resolución de 28km </li></ul></ul><ul><ul><li>Frecuencia de las medidas de 3 horas </li></ul></ul>
  7. 7. Enfoque Conceptual Para cada píxel de una imagen NDVI, extractamos un vector de medidas tiempo Imagen NDVI al tiempo t
  8. 8. Metodología Los modelos
  9. 9. Metodología – Los modelos <ul><li>Predicciones </li></ul><ul><ul><li>Bayesian Neural Network (BNN) </li></ul></ul><ul><li>Entrenamiento y aproximación del ruido </li></ul><ul><ul><li>Scaled Conjugate Gradient (SCG) </li></ul></ul><ul><ul><li>Bayesian evidence function </li></ul></ul><ul><ul><li>Gaussian noise </li></ul></ul><ul><li>Selección de las entradas del modelo </li></ul><ul><ul><li>Automatic relevance determination (ARD) </li></ul></ul>
  10. 10. Metodología – Los modelos <ul><li>Entradas </li></ul><ul><ul><li>Las 5 medidas NDVI anterior al tiempo T </li></ul></ul><ul><ul><ul><li>Desde T-1 hasta T-5 </li></ul></ul></ul><ul><ul><li>1 entrada hecha de la suma de 16 días de medidas TRMM </li></ul></ul><ul><ul><ul><li>Desde T hasta T-15 </li></ul></ul></ul><ul><li>Salidas </li></ul><ul><ul><li>La predicción de la medida NDVI al tiempo T </li></ul></ul>
  11. 11. Metodología – Los modelos La estructura de la red neuronal. α 0 α c α h NDVI t Precipitación (t) Temperatura (t) … … w 0 w 1 w 2 NDVI (t-1) NDVI (t-2) NDVI (t-n) w p1 w p2 w p3 w o1 w o2 w o3
  12. 12. Metodología – Detección de cambios <ul><li>Para detectar los cambios, las redes neuronales bayesian nos dan tres indicadores </li></ul><ul><ul><li>El valor predicho </li></ul></ul><ul><ul><li>La desviación estándar de las predicciones del modelo sobre la función real. </li></ul></ul><ul><ul><li>El nivel de ruido (Gaussian) de la medida del satélite </li></ul></ul><ul><li>El primer indicador nos permite detectar los cambios </li></ul><ul><li>El segundo y tercero nos permite medir qué tan seguros estamos de que la medida del satélite es anormal. </li></ul>
  13. 13. Metodología – Detección de cambios
  14. 14. Metodología – Detección de cambios <ul><li>Procedimiento de detección básico </li></ul>NDVI Pasado TRMM … NDVI Actual Diferencia con la predicción Esta en el intervalo de confianza ? Cambio Normal No Si
  15. 15. Metodología – Detección de cambios Cambio
  16. 16. Metodología – Detección de cambios Distribución de probabilidad calculada con la desviación estándar y la predicción del modelo Ruido en las medidas aproximado por el modelo 0 1 NDVI p m ( x )
  17. 17. Metodología Data-mining
  18. 18. Metodología <ul><li>Colombia con una resolución de 250m representa </li></ul><ul><ul><ul><li>Un mapa de 5822 por 8046 píxeles </li></ul></ul></ul><ul><ul><ul><li> 21’843’310 valores NDVI en una mapa </li></ul></ul></ul><ul><ul><ul><li> 502’396’130 valores NDVI a analizar por año </li></ul></ul></ul><ul><li>Datos con mucho ruido, muchas nubes </li></ul>
  19. 19. Metodología – Limpiar los datos <ul><li>Elimina todas las variaciones a corto plazo (< 3 meses) </li></ul><ul><li>Ajuste iterativo de curvas limpias usando </li></ul><ul><ul><li>Los datos de cualidad de MODIS </li></ul></ul><ul><ul><li>Análisis de Fourier </li></ul></ul><ul><ul><li>Ajuste de mínimos cuadrados con valores de alta calidad </li></ul></ul>
  20. 20. Metodología <ul><li>Qué pasaría si queríamos entrenar diez modelos por píxel ? </li></ul>200 años de calculaciones <ul><li>30 maquinas tendrían </li></ul><ul><ul><li>240 procesadores </li></ul></ul><ul><ul><li>~1 TB de RAM </li></ul></ul>Nuestra solución : procesar un clustering ! X 10 <ul><li>Actualmente tenemos 3 maquinas de procesamiento </li></ul><ul><li>Cada maquina tiene </li></ul><ul><ul><li>8 procesadores </li></ul></ul><ul><ul><li>32 GB de RAM </li></ul></ul>
  21. 21. Metodología – El clustering <ul><li>Usamos el algoritmo K-Means modificado para ser distribuido en muchos computadores </li></ul><ul><ul><li>Cantidad de clusters : 10 </li></ul></ul><ul><ul><li>Duración del proceso : 6 horas </li></ul></ul><ul><ul><li>1 máquina con 8 procesadores </li></ul></ul><ul><li>De cada uno de los clusters seleccionamos aleatoriamente 1000 pixeles con los cuales entrenamos 10 modelos. </li></ul><ul><ul><li>Duración del proceso : 1 hora </li></ul></ul><ul><ul><li>1 máquina con 8 procesadores </li></ul></ul><ul><li>Reducimos el tiempo de calculación a 7 horas </li></ul>
  22. 22. Metodología Detalles de la implementación
  23. 23. Detalles de la implementación <ul><li>Las máquinas de procesamiento </li></ul><ul><ul><li>Servidor DELL </li></ul></ul><ul><ul><li>2 quadricores  8 procesadores </li></ul></ul><ul><ul><li>32 GB de RAM </li></ul></ul><ul><ul><li>Conectados por una red a 1 Gb/s </li></ul></ul>
  24. 24. Detalles de la implementación <ul><li>Implementación en Java </li></ul><ul><ul><li>339 objetos </li></ul></ul><ul><ul><li>46 packages </li></ul></ul><ul><li>Estructura de trabajo distribuido especialmente desarrollada para el proyecto con la tecnología RMI de Java </li></ul>
  25. 25. Detalles de la implementación <ul><li>La estructura básica del trabajado distribuido se presenta de la maneja siguiente </li></ul>
  26. 26. Resumen de la metodología Medidas del pasado Limpiar Clustering Selección aleatoria de píxeles para el entrenamiento Entrenamiento de los modelos Nuevas medidas Proceso de detección Mapas de las probabilidades de cambio Limpiar Mapas de los cambios detectados Reglas
  27. 27. Resumen de la metodología <ul><li>Limpieza </li></ul><ul><ul><li>O(n) </li></ul></ul><ul><li>Clustering </li></ul><ul><ul><li>O(n^1/2) </li></ul></ul><ul><li>Entrenamientos de los modelos </li></ul><ul><ul><li>O(m*k*i) </li></ul></ul><ul><li>Detecciones </li></ul><ul><ul><li>O(n*m) </li></ul></ul><ul><li>Con </li></ul><ul><ul><li>n : Número de pixeles </li></ul></ul><ul><ul><li>m : Número de modelos por cluster </li></ul></ul><ul><ul><li>k : Número de clusters </li></ul></ul><ul><ul><li>i : El Número de puntos para entrenar los modelos </li></ul></ul><ul><li>Finalmente la complejidad es polinómica </li></ul>
  28. 28. Resumen de la metodología
  29. 29. Metodología – El software
  30. 30. Metodología – El software
  31. 31. Metodología – Conclusión <ul><li>Tenemos una metodología eficiente usando tecnologías bio-inspirada y estadísticas Bayesian </li></ul><ul><li>Nuestra metodología es flexible y toda la creación de modelos es automática. </li></ul><ul><li>Nos permite </li></ul><ul><ul><li>Ser flexible a los datos con mucho ruidos </li></ul></ul><ul><ul><li>Manejar una grande cantidad de datos </li></ul></ul><ul><ul><li>Ser rápidos en la implementación en nuevas partes del mundo. </li></ul></ul>
  32. 32. Resultados – Colombia Departamentos y Áreas protegidas
  33. 33. Colombia <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>23.07% </li></ul></ul><ul><li>Tasa de cambio </li></ul><ul><ul><li>0.2% </li></ul></ul>Verde : Áreas rechazadas por las nubes Azul : Áreas protegidas Rojo : Cambios detectados
  34. 34. Colombia Verde : Áreas rechazadas por las nubes Azul : Áreas protegidas Rojo : Cambios detectados
  35. 35. Estadísticas de procesamiento <ul><li>Para Colombia completa </li></ul><ul><ul><li>Un servidor Dell </li></ul></ul><ul><ul><ul><li>16 [GB] of RAM </li></ul></ul></ul><ul><ul><ul><li>8 procesador Intel Xeon X5365, 3 [GHz] </li></ul></ul></ul><ul><li>Limpieza </li></ul><ul><ul><li>Limpieza de 214fechas </li></ul></ul><ul><ul><li>2 horas </li></ul></ul><ul><li>Clustering </li></ul><ul><ul><li>6 Clusters </li></ul></ul><ul><ul><li>Desde 2000 hasta 2003 </li></ul></ul><ul><ul><li>4 horas </li></ul></ul><ul><li>Entrenamiento de los modelos </li></ul><ul><ul><li>3 Modelos por clusters </li></ul></ul><ul><ul><li>2000 pixeles para el entrenamiento </li></ul></ul><ul><ul><li>5000 pixeles para la validación </li></ul></ul><ul><ul><li>3 horas </li></ul></ul><ul><li>Detecciones desde 2004 hasta 2009 </li></ul><ul><ul><li>120 fechas de detecciones </li></ul></ul><ul><ul><li>6 horas </li></ul></ul><ul><li>Total </li></ul><ul><ul><li>Solo 15 horas de procesamiento desde los datos brutos </li></ul></ul><ul><ul><li>60 GB usado </li></ul></ul>
  36. 36. Análisis - Departamentos
  37. 37. Efecto de las nubes
  38. 38. Hectáreas con cambios
  39. 39. Colombia - Santander <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>10.25% </li></ul></ul><ul><li>Tasa de cambio </li></ul><ul><ul><li>1.13% </li></ul></ul>
  40. 40. Colombia - Bolivar <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>13.66% </li></ul></ul><ul><li>Tasa de cambio </li></ul><ul><ul><li>1.3% </li></ul></ul>
  41. 41. Análisis Santander y Bolivar Landsat 2004 Landsat 2009
  42. 42. Análisis Santander y Bolivar Landsat 2004 Landsat 2009
  43. 43. Análisis Santander y Bolivar Eventos de deforestación en Santander Imagen de google earth En rojo las detecciones En rosado las áreas rechazadas por las nubes
  44. 44. Análisis Santander y Bolivar <ul><li>Inundaciones de gran tamaño </li></ul><ul><ul><li>Muchas detecciones en estas área son debidas a las inundaciones </li></ul></ul><ul><li>Una grande cuantidad de detecciones son eventos de deforestación también </li></ul>
  45. 45. Colombia - Caquetá <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>6.95% </li></ul></ul><ul><li>Tasa de cambio </li></ul><ul><ul><li>0.38% </li></ul></ul>
  46. 46. Colombia - Meta <ul><li>Proporción de pixeles rechazados </li></ul><ul><ul><li>8.82% </li></ul></ul><ul><li>Tasa de cambio </li></ul><ul><ul><li>0.25% </li></ul></ul>
  47. 47. Análisis Caquetá – Meta Landsat 2004 Landsat 2009
  48. 48. Análisis Caquetá – Meta <ul><li>El área al rededor del río caquetá es el nicho donde la mayoría de las detecciones de deforestación ocurren. </li></ul>
  49. 49. Áreas protegidas
  50. 50. Efecto de las nubes <ul><li>Rojo </li></ul><ul><ul><li>Área protegida demasiada nublada para el análisis </li></ul></ul><ul><li>Verde </li></ul><ul><ul><li>Área protegida que se puede analizar </li></ul></ul><ul><li>28% de la superficie total protegida es demasiado nublada </li></ul>
  51. 51. Efecto de las nubes 31 áreas protegidas sobre 54 analizadas, 57.4%
  52. 52. Efecto de las nubes 23 áreas protegidas sobre 54 analizadas, 42.6%
  53. 53. Efecto de las nubes - Conclusión <ul><li>31 de las 54 áreas protegidas (57.4%) son muy nubladas </li></ul><ul><li>Pero solo 28% de la superficie total protegida es nublada </li></ul>
  54. 54. Análisis de los cambios Aproximadamente 7000 hectáreas detectadas por el periodo 2004 y 2009 en áreas protegidas
  55. 55. Análisis – Sierra de la Macarena 1762.5 hectáreas deforestadas entro 2004 y 2009 0.24% del área total deforestada en 5 años 6.25% de pixeles con demasiadas nubes El NDVI muestra claramente un evento de deforestación
  56. 56. Análisis –Tinigua 1312.5 hectáreas deforestadas entro 2004 y 2009 0.5% del área total deforestada en 5 años 0.0% de pixeles con demasiadas nubes El NDVI muestra claramente un evento de deforestación
  57. 57. Análisis <ul><li>En esta imagen la resolución espacial esta cambiada para mostrar las áreas con una tasa de deforestación alta. </li></ul><ul><li>Se puede observar un arco de deforestación en rojo en el área del río Caquetá </li></ul><ul><li>La deforestación actual amenaza las áreas </li></ul><ul><ul><li>Los Picachos </li></ul></ul><ul><ul><li>Tinigua </li></ul></ul><ul><ul><li>Macarena </li></ul></ul><ul><li>Y se extiende en dirección de las áreas </li></ul><ul><ul><li>Nukak </li></ul></ul><ul><ul><li>Chiribiquete </li></ul></ul>
  58. 58. Análisis Ciénaga Grande de Santa Marta 1069 hectáreas reforestados entro 2004 y 2009 3.34% del área total deforestado en 5 años 56.83% de pixeles con demasiadas nubes El NDVI muestra claramente un evento de reforestación
  59. 59. Análisis Ciénaga Grande de Santa Marta Histórico de Google Earth 2004 Histórico de Google Earth 2009
  60. 60. Conclusión
  61. 61. Análisis – Conclusión <ul><li>El modelo parece bien adaptado para detectar eventos de deforestación en Colombia </li></ul><ul><li>Estimación representativa de la situación real </li></ul><ul><ul><li>Probablemente subestimada </li></ul></ul><ul><ul><li>Un píxel se estima cambiado solamente si tiene 95% de probabilidades tres veces consecutivas </li></ul></ul><ul><li>Todavía unos problemas </li></ul><ul><ul><li>Para cada uno tenemos proposiciones de investigación </li></ul></ul>
  62. 62. Análisis – Conclusión <ul><li>Las áreas con alta taza de nubes </li></ul><ul><ul><li>Actualmente usamos el composit de 16 días de la NASA </li></ul></ul><ul><ul><li>Proponemos usar los datos MODIS diarios para crear nuestros propios composit </li></ul></ul><ul><ul><li>Con este método esperemos tener una cobertura de 100% de la superficie del país. </li></ul></ul><ul><li>Subestimación de la taza de deforestación </li></ul><ul><ul><li>Usar datos de campo para validar y calibrar los modelos </li></ul></ul>
  63. 63. Análisis – Conclusión <ul><li>Las inundaciones </li></ul><ul><ul><li>El agua tiene una reflectancia fácil de reconocer </li></ul></ul><ul><ul><li>Usar las otras bandas de MODIS para detectar pixeles con agua </li></ul></ul><ul><li>La reforestación </li></ul><ul><ul><li>Observando los errores de los modelos (si el modelo esta mas alto o mas bajo que las medidas del satélites) podemos discriminar las detecciones debidas a reforestación y a deforestación </li></ul></ul>
  64. 64. El futuro, cooperación con el IDEAM <ul><li>Uso de datos diarios de MODIS para reducir incertidumbre por nubosidad, y lograr una medición 100% del territorio nacional </li></ul><ul><li>Corrida detallada de Colombia, con mayor profundidad de análisis:  PARASID-Colombia </li></ul><ul><li>Validación de resultados con estudios detallados de LANDSAT, ASTER etc. en sitios previamente identificados por PARASID </li></ul><ul><li>Implementar sistema en tierra de confirmación de eventos </li></ul><ul><li>Análisis detallados de patrones de perdida de hábitat a nivel nacional, y producción de Policy Brief </li></ul><ul><li>Capacitación, y entrega de modelos a instituciones nacionales </li></ul>
  65. 65. GRACIAS!
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×