Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

Clasificación de imágenes ETM+ y ASTER GDEM por el método árbol de decisiones para la detección de agua subterránea en Perú. Caso Estudio: Lambayeque Juan Neil Mendoza Nolorbe1 y Joel Rojas Acuña1 1

Universidad Nacional Mayor de San Marcos - Laboratorio de Teledetección Av. Venezuela s/n. Pabellón de Física. Ciudad Universitaria, Lima 1 1 [email protected] 1 [email protected]

Resumen. Con el propósito de complementar las diferentes técnicas de prospección geofísica aplicada a la exploración del agua subterránea de acuíferos libres se propone el uso de imágenes satelitales ETM+ y ASTER. El área de estudio es la Región Lambayeque que está ubicada en la costa norte del Perú, entre las coordenadas geográficas 5º 28' 36'' y 7º 14' 37'' de latitud Sur y 79º 41' 30'' y 80º 37' 23'' de longitud Oeste. Los datos utilizados son las imágenes registradas por el sensor ETM+ del satélite Landsat-7, ortorectificadas del 31-102000 y las imágenes del modelo de elevación digital ASTER GDEM. Con los datos imágenes ETM+ se calculan los componentes principales con las bandas 1, 2, 3, 4, 5 y 7 y con el componente principal tres (CP3) se estiman los valores que corresponden a la red de drenajes de la Región Lambayeque. Adicionalmente con las bandas 3 y 4 se calcula el índice de vegetación diferencial normalizado (NDVI) y con la banda 6 se estima la temperatura del suelo (TS). Con los datos imágenes ASTER GDEM se determina el modelo de pendiente (PEN) del área de estudio. Finalmente mediante un árbol de decisiones, basados en los valores de CP3, NDVI, TS y PEN se caracterizan las zonas potencialmente con agua subterránea de acuiferos libres. Para medir la confiabilidad de la metodología se verificó que 153 pozos de agua subterránea inventariados cuyas coordenadas se conocen 112 (73,2%) pertenecen a las zonas clasificadas como potencialmente con agua subterránea. Palabras clave: ETM+, TM, Landsat, ASTER GDEM, Aguas subterráneas, NDVI.

1.

Introducción

El agua subterránea es una fuente importante de suministro de agua para el consumo y el desarrollo de las personas en todo el mundo. En el Perú la mayor parte de los valles de la Costa presenta un déficit de agua, debido principalmente a un régimen hidrológico irregular. (ANA, 2009; INRENA, 2004). La exploración de sitios idóneos donde extraer el agua subterránea a partir de indicadores superficiales, se hace por medio del estudio de las estructuras geológicas, de la vegetación, de los suelos, de la ubicación de manantiales y de la topografía. La teledetección, a través del análisis de las imágenes satelitales, proporciona información relacionada con la existencia de agua subterránea (Meijerink et al., 2007). Existen antecedentes en el noreste de Brasil, sur de Ecuador y en el norte de Iraq donde se han utilizado imágenes de satélites Landsat, SPOT, IRS, Ikonos y QuickBird para obtener información sobre la superficie terrestre y la vegetación relacionada con la existencia de agua subterránea. Así como imágenes RADARSAT para obtener información topográfica de las áreas de estudio. (Hugh, 2002; López y Navarrete, 2004; Travaglia y Dainelli, 2003). En el presente trabajo se propone el uso de los datos imagenes del sensor ETM+ y ASTER para la exploración de agua subtarránea a un nivel regional a partir de indicadores superficiales. 2.

Área de estudio

La Región Lambayeque está ubicada en la Costa norte del Perú, entre las coordenadas geográficas, Longitud: −80,625° y −79,121° y Latitud: −5,482° y −7,175°, con un área total de aproximadamente 14 249 km2 (Figura 1). La Región Lambayeque presenta un déficit de agua debida principalmente a la irregularidad de las precipitaciones pluviales en la parte alta de sus cuencas (30 mm promedio anual). El Ministerio de Agricultura del Perú, a través del Autoridad Nacional del Agua (ANA) ha realizado un estudio del agua subterránea en los 5689

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

valles Chancay-Lambayeque entre los años 1998 y 2003. En base al levantamiento hidrogeológico se ha podido determinar que el acuífero está constituido principalmente por depósitos aluviales sueltos que cubren la zona y la napa freática contenida en el acuífero es libre y superficial, entre entre 0,52 m y 8,15 m de profundidad.

(b) (a) Figura 1. (a) Área de estudio, Lambayeque ubicada en la costa norte del Perú. (b) Imagen falso color RGB: 742 del sensor ETM+ del Landsat-7 de la Region Lambayeque. Datos imágenes

3.

Los datos utilizados son las imágenes multiespectrales del sensor ETM+ y el modelo de elevación digital GDEM ASTER. Los datos in situ son las coordenadas geográficas de 153 pozos de agua subterránea inventariados por el ANA (ANA, 2004) en el valle de Chancay Lambayeque. Las imágenes ETM+ y GDEM ASTER son ideales para estudios hidrogeológicos debido a su resolución espacial y radiométrica (Travaglia y Dainelli, 2003). Los datos imágenes ETM+ son del 31 de octubre de 2000, ortoreferenciadas en la proyección UTM y pertenencen a la colección Tri-Decadal Global Landsat Orthorectified (USGS, 2009). La fecha de las escenas seleccionadas corresponde al periodo de sequía del año 2000 (Acuña et. al, 2009), lo que permite relacionar de manera más efectiva la vegetación con la presencia de agua subterránea. Los datos imágenes GDEM ASTER que son las alturas de la superficie terrestre con respecto al nivel del mar creado a partir de imágenes estereoscopicas de diferentes fechas captadas por el sensor ASTER. Para el procesamiento de las imágenes satelitales se adquirió la licencia de los siguientes softwares (Canty, 2007): ENVITM v4.5 (Environment for Visualizing Images) y IDLTM v.7. (Interactive Data Language). 4.

Metodología

Con los datos imágenes ETM+, se calcula los componetes principales (CP), el indice de vegetación normalizado (NDVI) y la temperatura del suelo (TS). Los datos imágenes GDEM ASTER se usan para obtener el modelo de pendiente (PEN) del área de estudio. 4.1. Componentes principales y la red de drenajes Para identificar la red de drenajes del área de estudio se aplica un filtro pasa alto a la imagen ETM+ de la banda 8 (pancromática) de 15 m de resolución, para resaltar rasgos lineales o estructurales del área de estudio. Luego esta imagen se fusiona con las imágenes ETM+ de las 5690

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

bandas 1, 2 y 3 (Liu, 2000; Chávez et al., 1991). La fusión es una simple combinación lineal de cada una de las bandas 1, 2, y 3 remuestreadas a 15 m con la imagen pancromática filtrada. Luego se realiza una composición de colores con las imágenes fusionadas. El resultado es una imagen de resolución espacial 15 m, que proporciona una información visual y estructural con más detalle, que permite identificar los patrones de drenajes naturales con mayor precisión, Figura 2a. Una vez identificado la red de drenajes se calcula los componetes principales a partir de los datos imágenes ETM+ de las bandas 1, 2, 3, 4, 5 y 7, se observa que el componente principal tres (CP3) resalta la red de drenajes del área de estudio, un análisis estadisitico muestra que la red de drenajes tiene valores menores a 203, Figura 2b.

Figura 2. (a) Identificación de drenajes dendríticos en una parte del área de estudio (b) Imagen del componente principal tres (CP3) en falso color del área de estudio, la red de drenajes contiene valores menores a 203 y se muestran en tonos de color amarillo y verde 4.2. Calculo del NDVI Los datos imágenes del sensor ETM+ se almacenan y distribuyen en un formato digital de 8-bits o 1-byte. Cada pixel en una imagen ETM+ contiene un valor numérico o número digital (ND) que se expresa como un número entero en base decimal de 0 a 255, estos valores están relacionados linealmente con la radiancia (L) expresada en W m -2 sr-1 μm-1. (1) Donde,

es la ganacia;

es el offset o bias. Los

números digitales mínimos y máximos, NDmin y NDmax, así como la radiancia mínima y máxima, Lmin y Lmax, para cada una de las bandas de las imágenes ETM+, están contenidos en un archivo de texto, de nombre metadata.txt, que se descarga junto con las imágenes ETM+ (Chander et al., 2009). Con los datos de calibración radiométrica del archivo metadata.txt, se calcula la radiancia usando la ecuación (1). Usando los datos de radiancia se aplica el método de corrección atmosférica FLAASH (“Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes”), basado en principios físicos atmosféricos y de espectroscopia contenidos en MODTRAN4 (“Moderate Resolution Atmospheric Transmittance and Radiance code”). (Vermote et al., 1997; Berk et al., 2002), para obtener la reflectancia de la superficie. Con los datos de reflectancia de la superficie se determina el índice de vegetación diferencial normalizado (NDVI) de acuerdo a la ecuación:

5691

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

ρ ρ

ρ ρ

(2)

Donde, ρ3 es la reflectancia de la banda 3 (0,631 - 0,692 μm); ρ4 es la reflectancia de la banda 4 (0,772 - 0,898 μm). El análisis visual y estadístico de la imagen NDVI, muestra la vegetación verde y saludable con valores entre 0,4 y 1,0, los suelos desnudos entre 0,0 y 0,4 y los depósitos lacústricos entre -0,6 y 0,0, Figura 3a. 4.3. Temperatura del suelo La banda 6 del sensor ETM+ (10,31µm – 12,36 µm) registra la radiancia emitida por la superficie terrestre con una resolución de 60 m. La temperatura de brillo (TB) en función de la radiancia espectral registrada por la banda 6 del sensor ETM+ está dada por la ecuación de Planck (Landsat, 2002).

(3)

En la tabla 1 se muestra los valores de K1 y K2 para el valor medio del rango espectral de la banda 6 del sensor ETM+. Tabla 1. Valores de K1 y K2 calculados para la banda 6 del sensor ETM+ (Landsat, 2002). Sensor

Banda

Rango (μm)

Center (μm)

K1(·107 ) (W m-3sr-1)

K2 (K)

ETM+

6

10,31–12,36

11,34

666,09

1282,71

Teniendo en cuenta que el área de estudio está en una zona tropical, se utilizó la imagen de la banda 62, de alta ganancia (Barsi et al., 2003). La imagen es remuestreada de 60 m a 30 m para analizarla en forma conjunta con las imágenes de las demás bandas del sensor ETM+. Los números digitales (ND) son convertidos a radiancia y usando la ecuación (3) se calcula la temperatura de brillo, luego es utilizado para calcular la temperatura del suelo usando el algoritmo monocanal (Qin et al., 2001; Michael, 2003). ε

ε

(4)

Donde, TS es la temperatura del suelo (K); TB es la temperatura de brillo (K); TA es la temperatura media de la atmósfera (K); es la transmitancia de la atmósfera, ε es la emisividad de la superficie terrestre. Como no se disponen de los datos atmosféricos correspondientes al preciso momento que el satélite pasa por el área de estudio, es posible utilizar los valores de los parámetros del modelo atmosférico “Tropical” del algoritmo MODTRAN4, el cual considera, TA = 300,15 K y = 0,57. La emisividad de la cubierta terrestre es estimada de acuerdo al NDVI (Van de Griend y Owen, 1993; Snyder et al., 1998). Si el NDVI = -1,000 entonces, la emisividad ε = 0,985. Si el NDVI está entre -1,000 y -0,180, la emisividad ε = 0,989. Si el NDVI está entre -0,180 y 0,157, la emisividad ε = 0,969. Si el NDVI está entre 0,157 y 0,727, la emisividad ε = 1,0094 + 0,047Ln(NDVI). 5692

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

Si el NDVI está entre 0,727 y 1,000, la emisividad ε= 0,990. El calculo de la temperatura del suelo es mostrada en la Figura 3b, una estadística de la temperatura de las diferentes cubiertas, nos da el siguiente resultado: los depósitos lacústricos tienen temperaturas entre 290 K y 296 K, la vegetación temperaturas entre 296 K y 302 K y el suelo desnudo tiene temperaturas superiores a 296 K y su valor dependerá si se tratan de suelos húmedos o secos. También se puede apreciar zonas muy calientes con temperaturas superiores a 308 K, las cuales corresponden a zonas desérticas y afloramientos rocosos.

Figura 3. (a) Imagen del NDVI muestra la vegetación verde entre 0,4 y 1,0 y el suelo desnudo entre 0 y 0,4, (b) Temperatura del suelo usando el algoritmo monocanal, zonas desérticas y afloramientos rocosos aparecen con temperaturas mayores a 308K.

4.4.

Modelo de pendiente de la Región Lambayeque

El modelo digital de elevación ASTER GDEM de la Región Lambayeque utiliza las alturas con respecto al nivel del mar con una resolución espacial de 30 m, la misma resolución espacial de las imágenes multiespectrales ETM+ del Landsat-7. Con los datos de altura en cada pixel se obtiene el modelo de pendiente de la Región Lambayeque usando el software ENVI. La pendiente indica el grado de inclinación de la superficie con respecto a la horizontal y se mide en grados; así, 0° indica una superficie plana y horizontal. Los cálculos estadísticos de la pendiente del área de estudio muestran que un 60 % del área de estudio es plana, con un promedio de 3,3°, Figura 5a. 4.5. Clasificación de zonas potencial en agua subterránea usando el método árbol de decisiones. De acuerdo al análisis visual y estadístico de las imágenes realizado en las secciones anteriores, se procedió a una clasificación de las zonas potencialmente con agua subterránea (AS). El método de clasificación usado fue mediante un árbol de decisiones, Figura 4b, usando las imágenes de Temperatura del suelo (TS), Modelo de pendiente (PEN), Componente principal 3 (CP3) y NDVI. Las clases consideradas son: AR1, AR2, AR3 y AR4 como afloramientos rocosos, DE1, DE2 y DE3 como depósitos eólicos, aluviales o coluviales, DA como depósitos lacústricos y AS1, AS2 y AS3 como zonas potencialmente con agua subterránea, Figura 5b.

5693

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

si

no

Figura 5. (a) Modelo de la pendiente del área de estudio, muestra que el promedio de pendiente es 3,3°. (b) Árbol de decisiones usado para clasificar las zonas de mayor potencialidad de agua subterránea. El árbol de decisiones mostrado en la Figura 5b, considera en el primer nivel los valores de temperatura mayores o menores que 308 K (Figura 3b); en el segundo nivel los valores de la pendiente mayores o menores que 3,3° (Figura 5a), en el tercer nivel los valores del NDVI comprendidos entre 0,0 y 1,0 (Figura 3a). El resultado se presenta en la Figura 6a, la cual muestra las zonas potenciales en agua subterránea a una escala regional, en tonos de color amarillo. Los depósitos lacústricos como el reservorio de Tinajones y la laguna de Las Salinas en tonos de color azul. Los depósitos eólicos/aluviales y desiertos aparecen en tonos de color cian, los afloramientos rocosos en tonos de color rojo.

Figura 6. (a) Mapa temático de zonas potencialmente con aguas subterráneas (b) El 73,2 % de los 153 pozos inventariados por ANA pertenecen a la clase agua subterránea. La fiabilidad de la clasificación, es calculada estadísticamente de acuerdo al número de pozos que pertenecen a la clase agua subterránea, el resultado muestra que de 153 pozos inventariados por ANA (ANA, 2004), 112 pertenecen a la clase agua subterránea lo cual representa el 73,2 %. Figura 6b.

5694

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

5.

Conclusiones

La sinergia de las imágenes ETM+ y ASTER GDEM permite obtener información de la superficie terrestre relacionada con la presencia de agua subterránea en acuíferos libres y superficiales. Sin embargo, los resultados obtenidos no son determinantes debido a que la exploración se realiza precisamente a partir de indicadores en la superficie terrestre. Por lo tanto la exploración de agua subterránea por teledetección es una herramienta complementaria para otras técnicas de mayor precisión, ideal para estudios regionales, de bajo costo y de modo preliminar. El 26,8% de los pozos que se encontraron fuera de la clase agua subterránea representa el error del método de clasificación empleado debido a los valores de la temperatura, pendiente y NDVI seleccionados del análisis estadístico. AGRADECIMIENTOS Agradezco profundamente al ingeniero Eleazar Rufasto Campos, profesor principal de la Facultad de Agronomía de la Universidad Nacional Pedro Ruiz Gallo (UNPRG), Jefe del Laboratorio de Suelos y Coordinador General del Sub-Proyecto Conjunto UNPRG - UNMSM titulado “Sistema de detección temprana de la sequía en la costa norte de Perú, usando la temperatura y salinidad del suelo y el índice de vegetación procedentes de las imágenes de satélite y su relación con los índices de la Oscilación Sureña El Niño”. Este proyecto conjunto fue financiado por el Fondo de Desarrollo de Servicios Estratégicos (FDSE) del Ministerio de Agricultura. A través de ello he sido beneficiado por una Beca de Tesis de Maestría durante 12 meses. Mi agradecimiento especial al Servicio Geológico de los Estados Unidos (USGS) y al Instituto Nacional de Pesquisas Espaciales (INPE) de Brasil por la adquisición de las imágenes MSS y TM del la serie de satélites LandSat y los datos GDEM. REFERENCIAS BIBLIOGRÁFICAS

1. 2. 3. 4. 5.

6. 7. 8. 9.

Acuña J, Rufasto E, Eche J, Carrillo F. (2009). Modelo de inicio de la sequía en el Perú y en la Costa norte usando los índices ENOS y los índices de vegetación del AVHRR / NOAA. http://www.selpermexico.org.mx/XT%20PDF/RIESGO/RIESGO-07.pdf. ANA, (Ed.) (2009). Política y Estrategia Nacional de Recursos Hídricos del Perú. Comisión Técnica Multisectorial conformada por R.M. Nº 051-2007-PCM. Ministerio de Agricultura. ANA, (Ed.) (2004). Evaluación de recursos hidricos subterráneos, en la parte media y baja de la cuenca Chancay - Lambayeque. Intendencia de Recursos Hídricos. Administración técnica del distrito de riego Chancay-Lambayeque. Ministerio de Agricultura. Lima 2004. ASTER, (2010). Portal ASTER de la NASA [en línea]. Actualizada: 10 de mayo de 2011. [Fecha de consulta: 10-05-2011]. Disponible en: http://asterweb.jpl.nasa.gov Berk, A., Adler-Golden, S. M., Ratkowski, A. J., Felde, G. W., Anderson, G. P., Hoke, M. L, Cooley, T., Chetwynd, J. H., Gardner, J. A., Matthew, M. W., Bernstein, L. S., Acharya, P. K., Miller, D. and Lewis, P. (2002). Exploiting MODTRAN Radiation Transport for Atmospheric Correction: The FLAASH Algorithm. Proceedings of the Fifth International Conference on Information Fusion, 2: 798 - 803. Spectral Sci., Inc, Burlington, MA. Canty, M. J. (2007). Image analysis, clasification and Change detection in Remote Sensing, With Algorithms for ENVI/IDL. USA: Taylor&Francis Group. Chander, G. M, Markham, B. L. and Helder D.L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, 113(5): 893 – 903. Chavez, P. S. Jr., Stuart C. S., and Anderson J. A. (1991). Comparison of three Differente Methodes to Merge Multiespectral and Multiresolution Data: Landsat TM and SPOT Panchromatic. Photogrammetric Engineering and Remote Sensing, 57(3): 295–303. Hugh, Q. (2002). Remote Sensing Techniques for Groundwater Exploration in Northeastern Brazil. Final Report. INFOTIERRA. Québec, J0B 2C0.

5695

Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE

10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22.

INRENA, (2001). Evaluación de recursos hidricos subterráneos, en la parte media y baja de la cuenca Chancay - Lambayeque. Instituto Nacional de Recursos Naturales. Dirección general de aguas y suelos. Administración técnica del distrito de riego Motupe-Olmos-La Leche. Lima 2001. López, E. K. y Navarrete C. E. (2004). Utilización de imágenes de satelite en la prospección deaguas subterráneas. Articulo de Tésis de Grado. Escuela Superior Politécnica del Litoral. http://www.dspace.espol.edu.ec/handle/123456789/260 Liu, J. G. (2000). Evaluation of Landsat-7 ETM+ Panchromatic Band for Image Fusion with Multispectral Bands. Natural Resources Research, 9(4): 269-276. Meijerink A. M. J., Bannert D., Batelaan O., Lubczynski M.W. and Pointet T. (2007). Remote Sensing Aplication to Groundwater. IHP Series on Groundwater No. 16. Paris, Francia: UNESCO. Michael, T. W. (2003). Estimation of Absolute Surface Temperature by Satellite Remote Sensing. Thesis submitted to the International institute for geoinformation science and earth observation . Qin, Z., Karnieli A., and Berliner P. (2001). A mono-algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel–Egypt border region.International Journal of Remote Sensing, 22(18): 3719–3746. Snyder, W. C., Wan, Z., Zhang, Y. and Feng, W. Z. (1998). Classification-based emissivity for land surface temperature measurement from space. International Journal of Remote Sensing, 19(14): 2753 – 2774 TIGER, (2009). The TIGER Initiative, 2005-2008 Report. European Space Agency (ESA). http://www.tiger.esa.int/documents.asp Travaglia, C. y Dainelli, N. (2003). Groundwater search by remote sensing: A methodological approach. (FAO, Ed.) Environment and Natural Resources Working Paper No. 13. USGS, (2009). Portal EROS de la USGS [en línea]. Earth Resources Observation and Science (EROS) Center. Consultada el 24 de Julio de 201. http://eros.usgs.gov Van de Griend, A. A. y Owen, M. (1993). On the relationship between thermal emissivity and the normalized different vegetation index for natural surfaces. International Journal of Remote Sensing, 14(6): 1119–1131. Vermote, E.F., N. El Saleous, C.O. Justice, Y.J. Kaufman, J.L. Privette, L. Remer, J.C. Roger and D. Tanre, (1997a). Atmospheric Correction of Visible to Middle-Infrared EOS-MODIS Data Over Land Surfaces: Background, Operational Algorithm and Validation. J. Geophys. Res., 102, pp. 17131–17141. Mendoza, J. (2012): “Exploración de aguas subterráneas en la Región Lambayeque – Perú usando imágenes Landsat y ASTER”, Tesis de Maestría en Física mención Geofísica. Unidad de Postgrado. Facultad de Ciencias Físicas. UNMSM. 226 pp.

5696