Uso de datos MODIS en el monitoreo  de cambios en la cobertura vegetal             Caso de Estudio: La Amazonía, Brasil   ...
Contenido1.   MODIS..2.   Terra-i. An eye on habitat change3.   Proceso Metodológico detallado4.   Caso de estudio Amazoni...
MODerate Resolution Imaging      Spectroradiometer (MODIS)El sensor MODIS se encuentra a bordo de los satélites Terra y Aq...
Lanzamiento: 18/12/1999Primera imagen: Febrero 2000Nodo descendente: 10:30 am. ± 15minSolar: polar sincronizadaAltura: 705...
Productos MODISAdemás de las imágenes multiespectrales (7 bandas), hay 44 productosde datos estándar de MODIS utilizados p...
Productos MODIS https://lpdaac.usgs.gov/lpdaac/products/modis_products_table
¿Como obtener los datos MODIS?
¿Como seleccionar la zona análisis?       MODIS Sinusoidal Grid                                                           ...
Usando el ftp de   Glovis y scriptssencillos en python      podemos   automatizar ladescarga y el pre-   procesamientocuan...
MOD13Q1Este producto ofrece comparaciones espaciales y temporales de la                   condición de la vegetación.
bit          Long Name           Value                          Key                                      0                ...
Índices de Vegetación         L3, 16 días, 250mÍndice de vegetación de diferencia normalizada (NDVI) representa la cantida...
Terra-           An eye on Habitat ChangeMonitoreo de cambios en el habitad usando Redes     neuronales y datos satelitale...
Enfoque ConceptualLa intensidad del verde de la vegetación sigue un ciclo natural que depende defactores climáticos (preci...
Metodología de Terra-                                     Datos NDVI y QA MODIS MOD13Q1,                                  ...
1                      Limpieza de datos                      Algoritmo de Hants    Se aplica el algoritmo Hants (Harmonic...
2                                     Clustering                                      K-Meansi.     Se asigna aleatoriamen...
3   Entrenamiento de la       Red Neuronal
4                       Detección de cambios    Para detectar los cambios, las Redes Bayesianas Neuronales    nos dan tres...
Amazonia, Brasil
Detección de Terra-i en la                Amazonía BrasileraEn la Amazonía Brasilera Terra-i detecta un total acumulado de...
Comparación de resultados de Terra-i con modelos locales
Comparación de resultados de Terra-i con modelos locales
Detección de Terra-i en      Rondonia, Brasil2009            2004
Detección de Terra-i en      Rondonia, Brasil2009            2004
Detección de Terra-i en     Mato Grosso, Brasil2009            2004
Detección de Terra-i en     Mato Grosso, Brasil2009            2004
Detección de Terra-i en         Para, Brasil2009            2004
Detección de Terra-i en         Para, Brasil2009            2004
A nivel departamental los estadode Mato Grosso y Pará registranlas mayores tasas de deforestación;1,091,816 y 713,107 hect...
¿Por qué usar MODIS?•   Datos de calidad, de acceso gratis a través del portal de la NASA.•   Información de calidad por p...
Contactanosk.a.argote@cgiar.orgkaroargote@gmail.comwww.terra-i.org
Upcoming SlideShare
Loading in...5
×

Karolina Argote - Uso de datos MODIS en el monitoreo de cambios de cobertura vegetal (Junio 2011)

1,904

Published on

II Reunión del Comité Técnico Subregional
Proyecto “Análisis de las Dinámicas de Cambio de Cobertura de la Tierra”
Bogotá, 14, 15, 16 Junio 2011

1 Comment
6 Likes
Statistics
Notes
No Downloads
Views
Total Views
1,904
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
1
Likes
6
Embeds 0
No embeds

No notes for slide

Transcript of "Karolina Argote - Uso de datos MODIS en el monitoreo de cambios de cobertura vegetal (Junio 2011)"

  1. 1. Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal Caso de Estudio: La Amazonía, Brasil Foto por Neil Palmer Amazonía Brasilera Karolina Argote Deluque, Louis Reymondin, Andy JarvisII Reunión del Comité Técnico SubregionalProyecto “Análisis de las Dinámicas de Cambio de Cobertura de la Tierra”Bogotá, 14, 15, 16 Junio 2011
  2. 2. Contenido1. MODIS..2. Terra-i. An eye on habitat change3. Proceso Metodológico detallado4. Caso de estudio Amazonia Brasil5. Pros y contras Uso datos MODIS
  3. 3. MODerate Resolution Imaging Spectroradiometer (MODIS)El sensor MODIS se encuentra a bordo de los satélites Terra y Aqua queforman parte de la misión EOS (Earth Observing System) de la NASA.Resolución radiométrica: 12 bitsResolución Espectral: 36 bandas (0.4 - 14.4 µm)Resolución Espacial: 250 m (bandas 1-2) 500 m (bandas 3-7)) 1000m (bandas 8-36)Tasa de datos: 6.1Mbps (promedio)Escuadra de Captura de datos: 2330 por 10km(a lo largo de la huella al nadir)Medidas: 1 x 1.6 x 1mPeso: 228.7Kg
  4. 4. Lanzamiento: 18/12/1999Primera imagen: Febrero 2000Nodo descendente: 10:30 am. ± 15minSolar: polar sincronizadaAltura: 705Km nominalInclinación: 98.2 ±0.1 grados,Periodo: 98.8 minLanzamiento: 04/05/2002Primera imagen: Junio 2002Nodo ascendente: 1:30pm. ± 15minSolar: polar sincronizada Ambos tienen cubrimiento globalAltura: 705Km nominal cada 2 días,Inclinación: 98.2 ±0.1 grados, y arriba de 30°Periodo: 98.8 min de latitud cada día
  5. 5. Productos MODISAdemás de las imágenes multiespectrales (7 bandas), hay 44 productosde datos estándar de MODIS utilizados para el estudio de los cambiosglobales en oceanografía, biología y ciencias atmosféricas.Están Clasificados en: • Niveles (según el nivel de procesamiento) Nivel 1A: Contiene las 36 bandas crudas de MODIS. Nivel 1B: Contiene las 36 bandas calibradas, ajustándolas a una resolución espacial (1-2 250m), (3-7 500m), (8-36 1000m) y un mismo sistema de referencia. Como el MOD03 o producto Geolocalizador. Nivel 2Lg: Ahora divididos por Tiles. Nivel 3 : Dividos por tiles y son derivados de los productos de nivel 2. • Versiones (según el mejoramiento)
  6. 6. Productos MODIS https://lpdaac.usgs.gov/lpdaac/products/modis_products_table
  7. 7. ¿Como obtener los datos MODIS?
  8. 8. ¿Como seleccionar la zona análisis? MODIS Sinusoidal Grid 10° x 10° MOD13Q1.A2000353.h14v09.005.2003077094120.hdf ShortName Tile Julian Processing Date Julian Acquisition Date Processing VersionLos programas de instalación para pre-procesamientos de los datos se encuentran disponibles en lapágina de USGS: https://lpdaac.usgs.gov/lpdaac/tools
  9. 9. Usando el ftp de Glovis y scriptssencillos en python podemos automatizar ladescarga y el pre- procesamientocuando trabajamos con un gran volumen de datos.
  10. 10. MOD13Q1Este producto ofrece comparaciones espaciales y temporales de la condición de la vegetación.
  11. 11. bit Long Name Value Key 0 VI produced, good quality 1 VI produced, but check other QA Capa QA de0–1 MODLAND_QA 10 Pixel produced, but most probably cloudy 11 Pixel not produced due to other reasons than clouds MOD13Q1 0 Highest quality 1 Lower quality 10 Decreasing quality 100 Decreasing quality 1000 Decreasing quality La capa de calidad2–5 VI Usefulness 1001 Decreasing quality 1010 Decreasing quality 1100 Lowest quality contiene valores clasificados que 1101 Quality so low that it is not useful 1110 L1B data faulty describen la calidad 1111 Not useful for any other reason/not processed 0 Climatology6–7 Aerosol quantity 1 10 Low Average de cada pixel 11 High Usar esta 1 Yes 8 Adjacent cloud detected 0 No 9 Atmosphere BRDF 1 0 Yes No información nos permite eliminar correction performed 1 Yes 10 Mixed Clouds datos que pudieran 0 No 0 Shallow ocean 1 10 Land (Nothing else but land) Ocean coastlines and lake shorelines estar afectados por11–13 Land/Water Flag 11 Shallow inland water la cobertura de nieve o la presencia 100 Ephemeral water 101 Deep inland water 110 111 Moderate or continental ocean Deep ocean de nubes antes de 14 Possible snow/ice 1 0 Yes No proceder al análisis. 1 Yes 15 Possible shadow 0 No
  12. 12. Índices de Vegetación L3, 16 días, 250mÍndice de vegetación de diferencia normalizada (NDVI) representa la cantidad y el vigor de la vegetación. Los valores de una zona están estrechamente relacionados con el tipo de vegetación y con las condiciones climáticas, así como con el patrón predominante de uso de las tierras.
  13. 13. Terra- An eye on Habitat ChangeMonitoreo de cambios en el habitad usando Redes neuronales y datos satelitales MODIS. Cultivos de Soja Amazonía Brasilera
  14. 14. Enfoque ConceptualLa intensidad del verde de la vegetación sigue un ciclo natural que depende defactores climáticos (precipitación, temperatura), variables de sitio (tipo devegetación, características del suelo) y de las alteraciones (naturales oantropogénicas).Terra-i es un modelo capaz de predecir la evolución de la intensidad verde de la vegetación, con base a medidas de verde anteriores y a medidas climáticas actuales para detectar cambios significativos en el habitad.
  15. 15. Metodología de Terra- Datos NDVI y QA MODIS MOD13Q1, Precipitación (TRMM) (2000-2009) Limpieza de Datos Algoritmo de Hants Datos de 2000 a 2004 Entrenamiento de la Clustering Red Neuronal Datos de 2004 a 2009 K-Mean Selección aleatoria de Predicción de píxeles. NDVI desde 2004 a 2009 Calibración con mapas de Mapas de las Diferencia entre el NDVI medido cambio generados con probabilidades por el sensor y el NDVI Predicho imágenes Landsat (30m) de cambio por la red neuronalEdición de Mapas de cambios Reglas por pérdidas Mapas de Cambios Clasificación Resultados Detectados del cambio Mapas de cambios por incrementos
  16. 16. 1 Limpieza de datos Algoritmo de Hants Se aplica el algoritmo Hants (Harmonic Analysis of a Time Series) a los datos NDVI, con el fin de eliminar los valores bajos y fluctuantes que pueden estar relacionados con variaciones atmosféricas y no con la dinámica natural o antrópica en las coberturas de la tierra. Trasformada rápida de Fourier Esta transformada convierte la señal del dominio del tiempo al dominio de la frecuencia.
  17. 17. 2 Clustering K-Meansi. Se asigna aleatoriamente a cada objeto del conjunto un clúster entre 1 y K y se calculan los centroides de cada cluster como el valor medio de todos los objetos.ii. Se calcula la distancia de los objetos a los centroides y se asignan nuevamente a cada objeto del conjunto un cuya distancia es mínima con respecto a todos los centroides.iii. Se repite el paso ii y iii hasta que allan <1% de objetos que han cambiado de clusters en la nueva iteración
  18. 18. 3 Entrenamiento de la Red Neuronal
  19. 19. 4 Detección de cambios Para detectar los cambios, las Redes Bayesianas Neuronales nos dan tres indicadores: 1. El valor predicho (Para detectar los cambios) 2. La desviación estándar de las predicciones del modelo sobre la función real. (Para medir qué tan seguros estamos de que la medida del satélite es anormal.) 3. El nivel de ruido (Gaussiano) de la medida del satélite (Para medir qué tan seguros estamos de que la medida del satélite es anormal.)
  20. 20. Amazonia, Brasil
  21. 21. Detección de Terra-i en la Amazonía BrasileraEn la Amazonía Brasilera Terra-i detecta un total acumulado de 14,353,752hectáreas deforestadas entre los años 2004 y 2009, equivalente a una pérdidapromedio anual de 2,658,102 hectáreas.
  22. 22. Comparación de resultados de Terra-i con modelos locales
  23. 23. Comparación de resultados de Terra-i con modelos locales
  24. 24. Detección de Terra-i en Rondonia, Brasil2009 2004
  25. 25. Detección de Terra-i en Rondonia, Brasil2009 2004
  26. 26. Detección de Terra-i en Mato Grosso, Brasil2009 2004
  27. 27. Detección de Terra-i en Mato Grosso, Brasil2009 2004
  28. 28. Detección de Terra-i en Para, Brasil2009 2004
  29. 29. Detección de Terra-i en Para, Brasil2009 2004
  30. 30. A nivel departamental los estadode Mato Grosso y Pará registranlas mayores tasas de deforestación;1,091,816 y 713,107 hectáreas poraño respectivamente. Estadosdonde se ha incrementado laactividad ganadera y así laconversión de zonas forestales azonas de pasto y a explotacionesagrícolas de monocultivos, enparticular de soja. El rápido crecimiento de laactividad ganadera ha acelerado ladestrucción de la selva amazónica.
  31. 31. ¿Por qué usar MODIS?• Datos de calidad, de acceso gratis a través del portal de la NASA.• Información de calidad por pixel.• Alta resolución temporal, lo que nos brinda la posibilidad de comparar imágenes de diferentes fechas, hacer monitoreo de los cambios de cobertura.• Posibilidad de bajar los datos en tiempo real para crear sistemas de alerta.• Brinda una alta gama de productos capaces de predecir cambios globales con la precisión suficiente como para asistir políticas de protección ambiental.
  32. 32. Contactanosk.a.argote@cgiar.orgkaroargote@gmail.comwww.terra-i.org

×