2. INTRODUCCIÓN TEÓRICA

1. INTRODUCCIÓN En Castilla y León los incendios forestales son uno de los principales problemas ambientales, tanto por su elevada frecuencia como por

2 downloads 107 Views 89KB Size

Recommend Stories


Publisher 2 Copies 2 Copies 2 Copies
SPANISH - Materials have audio content Title Suenos, World Spanish Suenos World Spanish - Audio CD course Expressions Talk Spanish (DVD) C.1 - 2 Copi

! 6 2( 61 2* 61# 2+
! " # %$& ' $ "# ) , , . , ' , ' 4 5 6 ! ( * + $ /! " "3 # 7 0 1 $ 6 6 6 6 6 6 1 1 # 8 " 6 # ! 4 9 2 2 22 2 2( 2* 2+ 22 6 7 6 6

CO 2 +H 2 O O 2 +(CH 2 O)
FOTOSINTESIS CO2 + H2O l luz O2 + (CH2O) Plantas Bacterias acte as Algas fotosintéticas FASES DE LA FOTOSÍNTESIS FASE LUMINOSA FASE S OSC OSCU

+##2, ) & 4 2,
! " # ! $ % ( ) ( ) " & # " ! * ' ( + , " , $ ) ! ! % $ #) -. / ## 01 & ' $ & & 2 3 2 ! ) & 2 ) & 2 5 $ + 4 2 2

Story Transcript

1. INTRODUCCIÓN En Castilla y León los incendios forestales son uno de los principales problemas ambientales, tanto por su elevada frecuencia como por su intensidad. Cuando finalizó la campaña de incendios forestales de 2008, se comprobó que el número de siniestros y la superficie forestal afectada habían sido menores en comparación al conjunto de años anteriores. Sin embargo, esta situación se debía ese año, más bien a unas buenas condiciones meteorológicas (ausencia de fuertes y prolongadas olas de calor) lo que no significa que se haya resuelto el problema de los incendios forestales en ésta comunidad, que con una superficie forestal de aproximadamente 4,5 millones de ha. representan el 50% de la superficie geográfica de la región, suponiendo un gran problema para la comunidad. Mejorar los sistemas de prevención y extinción, la cartografía de áreas afectadas por los fuegos y el estudio de la posterior evolución de las zonas quemadas, son objetivos primordiales en la gestión para reducir sus efectos. Inicialmente, los métodos empleados se basaban principalmente en la información obtenida en los trabajos de campo, evolucionando hacia la aplicación de nuevas tecnologías permitiendo una evaluación estadística y cartográfica más rápida y precisa. En este ámbito, el uso de la Teledetección para la cartografía de áreas quemadas ha tenido un desarrollo creciente en los últimos años. Las técnicas empleadas para cartografiar áreas afectadas por el fuego a partir de imágenes de satélite varían en función del número y tipo de imágenes empleadas. Si se emplean dos imágenes (una anterior y otra posterior al incendio) o más, se aplicarán técnicas multitemporales. Por el contrario, si sólo se emplea una imagen posterior al fuego se utilizarán técnicas unitemporales. Las técnicas multitemporales más ampliamente empleadas son las técnicas de detección de cambios, cuyo objetivo es detectar los cambios o diferencias en la respuesta espectral de los mismos objetos antes y después del fuego. En el planteamiento unitemporal, los métodos para cartografiar las zonas quemadas se basan en las diferentes respuestas espectrales de los objetos de esa imagen, siendo las técnicas comúnmente empleadas las clasificaciones (un clasificador transforma una imagen de satélite original en una imagen temática con las clases de interés -quemado/no quemado, en este caso-). Éste último será el método seguido en este proyecto. Las imágenes de satélite ofrecen la posibilidad de realizar evaluación de daños de forma económica, ya que, y desde una perspectiva unitemporal, solamente es necesario disponer de una imagen de fecha posterior al incendio. Entre las imágenes más ampliamente utilizadas a escala regional pueden mencionarse las procedentes del sensor MODerate resolution Imaging Spectroradiometer (MODIS) a bordo de los satélites TERRA y ACQUA lanzados por la National Aeronautics and Space Administration (NASA). Éstas serán las imágenes utilizadas en este trabajo. De esta forma, el objetivo principal de este proyecto puede resumirse en desarrollar una metodología válida para obtener una estimación precisa de áreas quemadas a partir de imágenes de satélite MODIS posteriores a la fecha de incendio. El área de trabajo elegida ha sido Castilla y León, donde se estudiarán los incendios ocurridos en las campañas 2007 y 2008. Como objetivos secundarios se pueden mencionar la identificación de: ƒ

la banda de entrada al clasificador (original, sintética o índice espectral) que permite obtener la estimación de área quemada con mayor fiabilidad. 1

ƒ ƒ ƒ

el tipo de clasificador (supervisado/no supervisado) que permite obtener la estimación de área quemada más fiable. los criterios de verificación de la metodología propuesta más idóneos. el producto MODIS que mejor se adapta a la estimación de áreas quemadas.

2. INTRODUCCIÓN TEÓRICA El sensor MODIS adquiere datos en 36 bandas espectrales con tres resoluciones espaciales distintas. Tiene dos canales de 250 m de resolución, 5 de 500 m y el resto de 1 Km. Esta resolución es adecuada para obtener mapas aproximados de grandes incendios, un píxel de 250 metros cuadrados cubre aproximadamente cerca de 6 hectáreas, uno de 1000 metros cuadrados abarca unas 100 ha y por su parte, los grandes incendios forestales ocupan áreas superiores a 500 ha. Las imágenes MODIS son pre-procesadas por la NASA, incluyendo geo-referenciación, conversión a valores de reflectividad y compuestos multitemporales. Se ofertan 44 productos de datos estándar de MODIS, de los cuales, para realizar nuestro trabajo, se han utilizado los productos 09 y 13, reflectividad diaria e índices de vegetación cada 16 días, respectivamente, ambos a 250 m de resolución espacial. Para resaltar la contribución de la vegetación, las bandas originales de las imágenes de satélite se combinan en los llamados índices de vegetación. Todos ellos se basan en el fuerte contraste entre la baja reflectividad en el rojo (R) (0,6µ – 0,7µ) y la alta reflectividad en el infrarrojo cercano (IRC) (0,7µ – 1,1µ) que muestra la vegetación sana. Los índices de vegetación se han empleado habitualmente como entrada para identificar las áreas quemadas, y por este motivo en este trabajo se han utilizado concretamente los siguientes: índice de vegetación de diferencia normalizada (Normalized Difference Vegetation Index, NDVI), índice mejorado de vegetación (Enhanced Vegetation Index, EVI), índice de vegetación global (Global Environment Monitoring Index, GEMI) y el cociente simple entre las bandas IRC y R (CSI) Pero, además de los índices de vegetación, en los últimos años se han diseñado algunos índices específicamente diseñados para identificar áreas quemadas. Entre ellos destaca el índice de área quemada (Burned Area Index, BAI), el índice de área quemada para MODIS (Burned Area Index MODIS, BAIM) y el cociente normalizado de área quemada (Normalized Burnt Ratio NBR). Estos índices serán también utilizados en el presenten trabajo. El modelo lineal de mezclas espectrales (MLME) parte de asumir que la señal captada para un determinado píxel puede ser una mezcla de las reflectividades procedentes de varias cubiertas, en función de la superficie que ocupan en ese píxel, y pretende obtener precisamente esas proporciones. Por tanto, como fruto de esa técnica es posible obtener tantas imágenes de salida como categorías pretendan estudiarse. En cada una de ellas, el nivel digital de un determinado píxel indicará el porcentaje de superficie que ocupa esa categoría. En este trabajo se emplearán también dichas imágenes fracción como entrada para el algoritmo de identificación de las áreas quemadas. Dicho algoritmo trata de categorizar la imagen de entrada, reduciendo la escala de medida de una variable continua (los niveles digitales) a una escala nominal o categórica. Las dos categorías o clases consideradas en este trabajo han sido Quemado/No quemado, y dicho algoritmo es lo que se conoce como un clasificador. Tradicionalmente se han distinguido dos tipos de clasificación, supervisada y no supervisada. El método 2

supervisado parte de un conocimiento previo del terreno, a partir del cual se seleccionan las muestras para cada una de las categorías. Por su parte, el método no supervisado procede a una búsqueda automática de grupos de valores homogéneos dentro de la imagen. Queda al usuario, en este caso, la labor de encontrar correspondencias entre esos grupos y sus categorías de interés. Finalmente, es necesario conocer la calidad del proceso de clasificación de la imagen. Para ello, en este trabajo, y con la ayuda de información tomada sobre el terreno (perímetros GPS de los incendios analizados) se realizará una matriz de confusión de la que se puede obtener como salida el índice Kappa del proceso, o coeficiente de conformidad, que es una medida de la exactitud de la clasificación y su varianza. 3. TRABAJO REALIZADO Como se indicó en la introducción, la zona de estudio elegida fue Castilla y León, donde se analizarán algunos incendios ocurridos en los años 2007 y 2008 (ver tabla 1). La Junta de Castilla y León (proyecto VA098A08) proporcionó los contornos de los incendios considerados en el trabajo. Dichos perímetros fueron medidos mediante un Sistema de Posicionamiento Global (Global Positioning System, GPS) y serán utilizados para medir la fiabilidad de las estimaciones de área quemada que serán obtenidas aplicando la metodología propuesta a las imágenes MODIS de entrada.

UBICACIÓN ZONA ESTUDIO 1 (Salamanca y Zamora) ZONA ESTUDIO 2 (Segovia) ZONA ESTUDIO 3 (Segovia y Burgos)

ZONA ESTUDIO 4 (León) ZONA ESTUDIO 5 (Zamora)

Tabla 1. Incendios considerados FECHA TERMINO MUNICIPAL 31/07/2007 Aldeadávila de la Ribera 31/07/2007 Mancera de Abajo 31/07/2007 Villamor de la Madre 28/08/2007 Tizneros 06/08/2008

31/07/2008 31/08/2008 17/08/2008 02/09/2008 30/08/2008 24/08/2008

Moral de Hornuez / Villaverde de Montejo, Honrubia de la Cuesta/Pradales Isar / Sasamón Porqueros y Zacos Castrillo de la Valduerna San Martín de Tábara Gallegos del Río Vegalatrave

Área (ha) 664.75 609.32 356.42 635.00

992.47 902.34 578.40 367.45 223.71 691.85 259.95

La metodología seguida tiene cuatro etapas principales: pre-procesado, aplicación del modelo lineal de mezclas espectrales, clasificación y validación de resultado. 1. En la etapa de Preprocesado se obtiene la imagen verdad-terreno, que será utilizada en la etapa de validación de resultados, a partir de los ficheros .shp con los perímetros GPS de las áreas quemadas. También se calculan los índices de vegetación y espectrales que serán empleados como entrada a los diferentes algoritmos de clasificación (etapa 3).

3

2. En la siguiente etapa, se aplica MLME a las imágenes de entrada. De esta forma, se descompusieron las imágenes originales de entrada en diferentes imágenes fracción que serán también entrada a los algoritmos de clasificación. 3. En la fase de Clasificación, se obtienen las estimaciones de área quemada empleando diferentes combinaciones de clasificadores (supervisados y no supervisado) e imágenes de entrada. 4. Por último, en la fase de validación de resultados, y mediante el cálculo de las matrices de confusión y el índice KAPPA, se calcula la fiabilidad de las diferentes estimaciones de área quemada obtenidas en al etapa anterior. De esta forma, es posible identificar la combinación óptima clasificador–imagen de entrada que permitirá obtener la estimación de área quemada más fiable. La tabla 2 muestra un resumen de los resultados obtenidos; en ella se reflejan únicamente las estimaciones de área quemada que obtuvieron un índice kappa superior a 0.5. La estimación de área quemada más precisa (kappa aproximadamente 0.8) se obtuvo aplicando un clasificador no supervisado (10 clases) a las imágenes fracción obtenidas a partir del producto MOD09GQ (reflectividad diaria) (ver figuras 1 y 2). Tabla 2. Parámetros y fiabilidad de las mejores estimaciones de área quemada ZONA PRODUCTO IMAGEN CLASIFICADOR INDICE FIABILIDAD ESTUDIO MODIS 1 ENTRADA (S/NS-n clases) 2 KAPPA GLOBAL 1 MOD13Q1 CSI S 0.51 0.98 MLME NS – 5 0.54 0.95 MLME NS – 10 0.59 0.96 CSI NS – 5 0.52 0.95 MYD13Q1 CSI NS – 10 0.55 0.96 2 MLME S 0.54 0.95 CSI S 0.52 0.95 MLME NS – 5 0.53 0.96 MYD09GQ MLME S 0.53 0.96 NIR S 0.60 0.98 MOD13Q1 NBR S 0.69 0.98 3 CSI S 0.71 0.98 NIR S 0.70 0.98 MOD09GQ BAI S 0.58 0.97 MLME NS – 10 0.50 0.96 MOD13Q1 CSI S 0.64 0.97 MLME NS – 5 0.75 0.97 MLME NS – 10 0.79 0.98 MLME S 0.63 0.97 4 BAI NS – 5 0.50 0.91 MOD09GQ BAI NS – 10 0.70 0.94 BAI S 0.74 0.98 NIR S 0.75 0.98 MLME S 0.56 0.98 5 MOD13Q1 NIR S 0.59 0.98 NBR S 0.71 0.99 4

MOD09GQ

CSI MLME MLME NIR BAI BAI BAI

S NS – 10 S S NS – 5 NS – 10 S

0.69 0.51 0.64 0.66 0.56 0,60 0,57

0.98 0.90 0.98 0.98 0.89 0,90 0,98

1

MYD13Q1/MOD13Q1: índices de vegetación, 16 días; MYD09Q1/MOD09GQ: reflectividad diaria, (satélite ACQUA/TERRA respectivamente) 2 S: supervisado; NS: no supervisado con “n” clases NOTA: En negrito aparece la estimación de área quemada más fiable

Fracción vegetación

Fracción suelo

Fracción agua

Imagen de error

Figura 1. Imágenes fracción obtenidas mediante MLME aplicado al producto MOD09GQ en la zona de estudio 4 (la línea roja muestra el contorno de los incendios considerados)

Agrupamiento en Filtro Clasificación (10 2 clases (Q/NQ) (estimación final) clases) Figura 2. Clasificación no supervisada (10 clases) aplicada a las imágenes fracción mostradas en la figura 1, agrupación en clases Quemado y no Quemado; filtrado final 4. CONCLUSIONES Mediante la realización del presente proyecto se ha desarrollado una metodología válida para la cartografía de superficies forestales afectadas por grandes incendios en Castilla y León a partir de imágenes MODIS, basadas en el empleo del MLME desde un punto de vista unitemporal (utilizando únicamente una imagen de satélite posterior al incendio).

5

La principal conclusión del trabajo realizado ha sido la validación de la metodología propuesta (la metodología ha sido validada en 4 de las cinco zonas de estudio elegidas). El trabajo ha permitido además: 1. Identificar la banda de entrada al clasificador (original, sintética o índice espectral) que permitió obtener la estimación mas precisa. La banda NIR original permitió obtener estimaciones con valores del índice kappa aceptables (aproximadamente 0.65), aunque sólo si se clasifica con un clasificador supervisado. En 3 de las zonas de estudio las estimaciones de área quemada basadas en las imágenes fracción obtenidas al aplicar MLME obtuvieron un índice kappa superior a 0.5, y en dos de ellas el índice kappa fue el máximo obtenido en la zona de estudio considerada. Respecto a los índices, el índice NBR permitió estimaciones con kappa en torno a 0.7 en dos de las zonas de estudio. Por su parte, el índice BAI permitió estimaciones en tres de las zonas de estudio en torno a 0.6. Resultó llamativo que el índice BAIM no permitiera estimaciones fiables en ninguna zona de estudio (la causa posible es su calculo a partir de valores experimentales no adecuados para la zonas de estudios considerados). 2. Reconocer qué tipo de clasificador (supervisado/no supervisado) obtuvo la estimación de área quemada más precisa. Los resultados han mostrado que en dos de las zonas de estudio consideradas los clasificadores supervisados permitieron estimaciones más fiables, en las otras dos zonas de estudio no se observa una tendencia clara., las estimaciones con una kappa superior a 0.5 fueron más frecuentes cuando se emplearon clasificadores supervisados. En cualquier caso, el empleo de clasificadores no supervisados obtuvo mejores resultados cuando se emplearon 10 clases en lugar de 5. 3. Establecer los criterios y reglas de clasificación de la metodología propuesta más idóneos. El tipo de muestro más adecuado ha sido el muestreo aleatorio desproporcionados considerando un 50% de los pixeles de las zonas quemadas y un 5% de los pixeles no quemados, pues fue el que permitió estimaciones de área quemada más fiables. 4. Identificar el producto MODIS que permitió obtener estimaciones de área quemada más precisas. Sólo en una de las zonas de estudio se obtuvieron estimaciones más precisas cuando se empleo el producto 13 (índices de vegetación, 16 días), en el resto de las zonas no hubo una tendencia clara. Esto indica que el hecho de emplear compuestos de 16 días frente a imágenes diarias parece no tener demasiada repercusión en la fiabilidad de la estimación.

6

Get in touch

Social

© Copyright 2013 - 2024 MYDOKUMENT.COM - All rights reserved.