Este Webinar responde a los acuerdos de la EMSA para la creación de diálogos técnicos sobre las experiencias en los Sistemas Nacionales de Monitoreo de Bosques y fue impartido por el M.C. Muñoz Ruiz quien es ingeniero en recursos naturales con especialización en sensores remotos para el monitoreo de los recursos naturales, actividad que ha desempeñado por más de una década. Actualmente el Ing. Muñoz Ruiz se desempeña como experto FAO en el desarrollo de monitoreo de datos de actividad en México (MAD-Mex)

3. Productos del sistema
1) Mapas de cobertura de la tierra
- Clasificaciones automatizadas de imágenes
Landsat para los años 1993, 1995, 2000, 2005 y 2010
- Clasificaciones automatizadas de imágenes RapidEye a partir de
2011 - 2015
2) Mapas de cambio
-Detección de cambios bitemporales
en imágenes RapidEye (2011-2015) y compuestos Landsat (1993-
2010)
3) Mapas de variables continuas
-Porcentaje de cobertura de dosel (Matt Hansen), enfoque para
detectar degradación (pruebas en proceso)

4. MAD-Mex
El sistema MAD-Mex consta
de 4 fases principales:
– Preprocesamiento de las imágenes
– Clasificación o detección automatizadas de
cambios
– Evaluación visual, verificación y corrección
de los resultados automatizados de
clasificación o detección de cambios.
– Evaluación de exactitud

5. Pre-procesamiento
de imágenes
LANDSAT
1) Corrección atmosférica y conversión a
reflectancia con LEDAPS-NASA
2) Enmascaramiento de Nubes con FMASK
3) Generación de índices y uso de las bandas
multitemporales
RAPIDEYE
1) Enmascaramiento de nubes
2) Conversión a reflectancia
3) Generación de índices y uso de las bandas
de imágenes de la temporada seca (enero-
abril)
¡No corrección atmosférica!, no se cuentan
con algoritmos para un proceso automatizado
como en Landsat

6. Problemática de la nubosidad de México
El mayor problema de nubes
para México es en la parte del
Sureste, lo que puede reducir la
cantidad de imágenes
disponibles para algunos años en
específico 2000
< 10%

7. Algoritmo FMASK
1) El algoritmo separa los pixeles de nubes potenciales (PCP) usando
características físicas de la imagen.
2) Usando la información espectral, de brillo y temperatura se generan máscaras
de probablidad de nubes en agua y tierra por separado.
3) A través de un proceso de segmentación usando PCP y la máscara generada
previamente, se generan objectos de nubes 3D (la máscara de nubes).
4) Con la banda de infrarojo cercano se genera una máscara de sombras
potenciales.
5) Usando la información del ángulo de toma y el ángulo de iluminación, con los
objetos de nubes generados se predicen sombras y esto se coteja con la máscara
de sombras potenciales para generar una máscara de sombras final.

9. Máscara de nubes por detección de anomalías en RE
Usando las bandas RGB de la imagen (1,2,3) se transforma al espacio de color
Lab.
Usando el componente de Luminosidad, se buscan anomalías en el histograma.
Si no existen pixeles extremadamente brillantes o extremadamente obscuros
(nubes/sombras), se esperaría que el histograma se comportara linealmente.
Cuando se encuentra un comportamiento no lineal, se detecta una anomalía y se
clasifica como nube/sombra.
Este algoritmo es preliminar y no no ha sido sometido a pruebas rigurosas para
probar su efectividad.

10. • Manual para ejecutar los
ejemplos en su máquina.
• Le recomendamos
descargar el manual y
ejecutar el
procesamiento
posteriormente.
Requerimientos
del procesamiento

11. Imagen Landsat
antes del
procesamiento

12. Algoritmo en ejecución para una imagen Landsat

13. Máscara de nubes
sobre una imagen
Landsat
después del
procesamiento

14. Imagen RapidEye antes del procesamiento
docker run -it
-v <ruta al directorio
rapideye>:<ruta al directorio
rapideye en docker>
-v $(pwd):/data
rapideye-clouds
python main.py <ruta al
directorio rapideye en docker>

15. Algoritmo en ejecución para una imagen RapidEye

16. Máscara de nubes en RapidEye después del
procesamiento

17. Sobreposición de la máscara de nubes con imagen
RE en color verdadero

18. Conclusiones

19. Preguntas y respuestas

20. Con la participación de