Karolina A - Habitat Monitoring using PARASID (Feb 2010)

1,342
-1

Published on

A presentation done for Colombian policymakers on 8th february 2010

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

  • Be the first to like this

No Downloads
Views
Total Views
1,342
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
12
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Karolina A - Habitat Monitoring using PARASID (Feb 2010)

  1. 1. PARASIDParallel Analysis of Satellite data for human Impact Detection Monitoreo en tiempo real de cambios en elhabitad usando Redes neuronales y datos MODIS.Louis Reymondin , Andy Jarvis, Karolina Argote, Jerry Touval.
  2. 2. Enfoque ConceptualLa intensidad del verde de la vegetación sigue un ciclo natural quedepende de factores climáticos (precipitación, temperatura),variables de sitio (tipo de vegetación, características del suelo) y delas alteraciones.PARASID es un modelo capaz de predecir la evolución de laintensidad verde de la vegetación, con base a medidas deverde anteriores y a medidas climáticas actuales paradetectar cambios significativos en el habitad.
  3. 3. Rondonia, Año 2000Brasil. Año 2008 Imagen Tomada por el Satélite Terra de la NASA.
  4. 4. Metodología Medidas NDVI anteriores y(MODIS13Q1), Precipitación (TRMM) y Temperatura Medida NDVI (WorldClim). actual Limpieza Limpieza Clustering Selección aleatoria de píxeles. Diferencia entre el Entrenamiento de los NDVI actual y Modelos la Predicción Predicción NDVI actual No Si Cambio en ¿Esta en el intervalo Sin Cambio el Pixel de confianza? en el Píxel Mapas de las Reglas Mapas de losprobabilidades de Cambios Detectados cambio
  5. 5. NDVI QualityClúster NDVI Limpio TRMM Probabilidades
  6. 6. LOS MODELOS• Predicciones – Bayesian Neural Network (BNN)• Entrenamiento y aproximación del ruido – Scaled Conjugate Gradient (SCG) – Bayesian evidence function – Gaussian noise• Selección de las entradas del modelo – Automatic relevance determination (ARD)• Clustering – Algoritmo de K-Means modificado, para ser distribuido en varios procesadores. – De cada uno de los clústers se selecciona aleatoriamente 1000 pixeles con los cuales se entrenan 10modelos….Reduciendo así el tiempo de proceso.
  7. 7. Limpieza de Datos• Elimina todas las variaciones a corto plazo (< 3 meses)• Ajuste iterativo de curvas limpias usando:  Los datos de cualidad de MODIS  Análisis de Fourier  Ajuste de mínimos cuadrados con valores de alta calidad
  8. 8. Detección de Cambios 9000 8500 8000 7500 7000 NDVI 6500 Measurments 6000 Predictions Cambio 5500 Interval max Interval min 5000 4500 1 2 3 4 5 6 7 8 9 TimePara detectar los cambios, las Redes Neuronales Bayesianas dan tresindicadores: el valor predicho , la desviación estándar de laspredicciones del modelo sobre la función real, el nivel de ruido(Gausiano) de la medida del satélite.
  9. 9. CASOS DE ESTUDIO
  10. 10. Detección en la Amazonía Area de Cambio 3’310.198 ha/año De los cuales 2.774.227Ha/año corresponde a Brasil (84%) y 419.603Ha/año a Bolivia (13%).
  11. 11. Detección en la Amazonía % DeforestacionArea Deforestada/Area Analizada 4.0% Bolivia 3.5% Brazil 3.0% Colombia 2.5% Peru 2.0% Guyana Fran. Venezuela 1.5% Surinam 1.0% Guyana 0.5% Ecuador 0.0% 2004 2005 2006 2007 2008 2009 Tiempo % Deforestacion Area Deforestada/Area Analizada 0.35% 0.30% Colombia 0.25% Peru 0.20% Guyana Fran. 0.15% Venezuela 0.10% Surinam 0.05% Guyana 0.00% Ecuador -0.05% 2004 2005 2006 2007 2008 2009 Tiempo
  12. 12. Detección en Colombia Area de Cambio 385.490 Ha/año Las mayores tasas de cambio corresponden a los departamentos de Bolívar y Santander debido a eventos de inundaciones en estos años.
  13. 13. Detección en Colombia Detección Deforestación en Colombia 2500000Area de cambio (Hectáreas) 2000000 1500000 1000000 500000 0 2004 2005 2006 2007 2008 2009 Tiempo Deteccion … Deteccion Anual Departamentos con Deforestación > 12000Ha/año 350000 BOLÍVAR Area de Cambio (Hectáreas) 300000 SANTANDER ANTIOQUIA 250000 CAQUETÁ 200000 META MAGDALENA 150000 CHOCÓ CESAR 100000 CAUCA 50000 NARIñO VALLE DEL CAUCA 0 2004 2005 2006 2007 2008 2009 Tiempo
  14. 14. Objetivos a Corto Plazo…• Uso de datos diarios de MODIS para reducir la incertidumbre por nubosidad, y lograr una mayor cobetura.• Validación de resultados con estudios detallados de LANDSAT, ASTER … (entre otros de mayor resolución que MODIS) y validación usando datos de campo.• Discriminar las inundaciones usando otras bandas de MODIS para pixeles con agua. Y discriminar detecciones debidas a reforestación y a deforestación.• Análisis detallados de patrones de perdida de hábitat a nivel nacional, departamental, y en áreas protegidas en Latino América.• Resultados de detecciones en Latino-América disponibles de manera gratuita en nuestro sitio web www.parasid.org
  15. 15. Gracias!
  1. A particular slide catching your eye?

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

×