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)
La experiencia mexicana en el enmascaramiento automático de nubes y sombras en imágenes satelitales
1.
2.
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.
8.
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
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>
Actualmente México esta desarrollando el Sistema de Monitoreo de Datos de Actividad, denominado MADMex.
Se cuentan con 2 principales productos, los mapas de cobertura de la tierra y los cambios de la cobertura de la tierra a través de imágenes Landsat 1993-2010 y a partir de 2011 monitoreo satelital anual con datos RE.
Las pruebas para la detección de deforestación con los datos de Matt Hansen (Porcentaje de cobertura de dosel) se comenzaran el siguiente, se intenta cambiar el paradigma tradicional de medición de la deforestación en México con las Series de INEGI que como se comento anteriormente solo son productos de referencia de la vegetación y no como insumos para detectar deforestación.
1) La corrección atmosférica se realiza con LEDAPS sistema desarrollado por la NASA (Este sistema lo integramos dentro del MADMex)
2) El enmascaramiento de nubes se realiza con FMASK, este algoritmo enmascara las nubes y sombras.
3) Se usan las bandas de cada imagen y se generan índices (EVI, SAVI, SR, etc.), se crean compuestos multitemporales con toda la información de bandas e índices.
El sistema MADMex produce 32 clases automatizadas compatibles con el sistema de clasificación de INEGI y con niveles jerárquicos de agrupación FRA, IPCC, etc.
NOTA:
El algoritmo Fmask es usado ampliamente y se ha vuelto el proceso de facto para encontrar nubes en las imágenes Landsat. Es muy robusto y tiene una efectividad global de hasta 96.4%. El algoritmo se explica en su totalidad en:
Zhu, Z. and Woodcock, C.E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery Remote Sensing of Environment 118 (2012) 83-94.
NOTA:
Se tiene otro acercamiento a la detección de nubes en MADMex que consiste en crear una imagen de referencia usando varias imágenes de la misma zona y tomando el valor de la mediana de cada pixel y luego comparandolo con la imagen objetivo. Los pixeles cuya diferencia entre la imagen de referencia y la imagen objetivo sea muy alta serán pixeles donde existen nubes o sombras. La ventaja de este algoritmo contra la detección de anomalias es que la idea es muy simple de entender. La desventaja es que necesita varias imágenes de la misma zona para funcionar correctamente y esto no siempre es posible. En cuanto al algoritmo de detección de anomalias la ventaja es la necesidad de únicamente una imagen, la desventaja es que el proceso es computacionalmente intenso y tardado y necesita muchos recursos de memoria RAM. Ambos enfoques son preliminares.
Se pondrá a su disposición un manual para poder ejecutar los ejemplos que se mencionan en esta presentación. Existen algunos criterios para poder ejecutarlos. El tiempo de configuración y ejecución tomará varios minutos y esto dependerá de su conexión a internet y las características del equipo en el que esté trabajando.
Esta es la imagen Landsat que se procesará.
Antes de ejecutar las instrucciones es necesario realizar un configuración. Las instrucciones para ejecutar el procedimiento son:
docker run -v $(pwd):/data python-fmask gdal_merge.py -separate -of HFA -co COMPRESSED=YES -o ref.img L*_B[1,2,3,4,5,7].TIF
docker run -v $(pwd):/data python-fmask gdal_merge.py -separate -of HFA -co COMPRESSED=YES -o thermal.img L*_B6_VCID_?.TIF
docker run -v $(pwd):/data python-fmask fmask_usgsLandsatSaturationMask.py -i ref.img -m *_MTL.txt -o saturationmask.img
docker run -v $(pwd):/data python-fmask fmask_usgsLandsatTOA.py -i ref.img -m *_MTL.txt -o toa.img
docker run -v $(pwd):/data python-fmask fmask_usgsLandsatStacked.py -t thermal.img -a toa.img -m *_MTL.txt -s saturationmask.img -o cloud.img
Antes de ejecutar las instrucciones es necesario realizar un configuración. Las instrucciones para ejecutar el procedimiento son:
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>
En la imagen se puede percibir las zonas detectadas como nubes después del procesamiento.
En la imagen se puede percibir las zonas detectadas como nubes después del procesamiento.