Latin American Remote Sensing Week 2010
Latin American
Remote Sensing
Week Paper review - 2010
www.lars.cl
Categorías de trabajos:
Captura de datos
Difusión y empleo de datos geoespaciales
Procesamiento y análisis de datos espaciales
Productos y servicios
Revisión de
trabajos 2010
Con el propósito de dar a
conocer los trabajos
realizados en nuestra
Semana Latinoamericana
en Percepción Remota,
hemos reunido todos los
esfuerzos de nuestros
expositores en este único
documento que
esperamos contribuya a
difundir el conocimiento y
sirva de ayuda para
futuras investigaciones.
Los trabajos fueron
divididos según cuatro
categorías.
Latin American Remote Sensing Week 2010
P á g i n a | 1
Índice por Categoría
Captura de datos
1.- AIRBORNE LIDAR TECHNOLOGY: .................................................................................................... 3
THE STATE-OF-THE-ART AND FUTURE TRENDS ................................................................................... 3
2.- DETECCIÓN DE MINERALES UTILIZANDO CLASIFICACIÓN POR “ARBOLES .................................. 15
DE DECISIÓN” EN IMÁGENES ASTER ................................................................................................. 15
Difusión y empleo de datos geoespaciales
3.- 40-YEAR SPATIAL DEVELOPMENT OF TOWNS IN THE CZECH REPUBLIC ...................................... 25
4.- EVALUATION OF HIGH RESOLUTION IMAGERY TO IDENTIFY TREES OUTSIDE FOREST (TOF) IN
BRAZILIAN ATLANTIC RAIN FOREST ................................................................................................... 34
5.- MODELACIÓN PROSPECTIVA DEL PAISAJE DE UNA CUENCA ....................................................... 41
6.- METODOLOGÍA PARA EVALUAR LA CALIDAD ALTIMÉTRICA DE LOS MDE GLOBALES: ASTER-
GDEM, ACE2 Y SRTM3 EN REGIONES DE INTERÉS PETROLERO EN VENEZUELA. .............................. 46
CÁLCULOS Y RESULTADOS ................................................................................................................. 50
7.- REDES NEURONALES Y ESCÁNER LÁSER EN EL ESTUDIO DE AFLORAMIENTO ............................. 53
8.- EXTRAPOLACION APOYADA EN SENSORES REMOTOS PARA LA ESTIMACION DEL POTENCIAL DE
RECURSOS FORESTALES .................................................................................................................... 62
9.- REMOTE SENSING CENTER AT A UNIVERSITY FOR REAL-TIME ACQUISITION OF HIGH
RESOLUTION OPTICAL AND RADAR IMAGERY .................................................................................. 72
10.- COMBATE A LA POBREZA RURAL MEDIANTE EL DESARROLLO AGROFORESTAL POR
MICROCUENCAS. COMUNAS CORDILLERA DE LA COSTA: VI Y VII REGIONES – CHILE ..................... 78
11.- INVENTARIO NACIONAL DE HUMEDALES DE CHILE ................................................................... 81
12.- RADAR DEM GENERATION; ACHIEVEMENTS AND BENEFITS ..................................................... 89
13.- USE OF REMOTE SENSING AND GIS TECHNIQUES FOR SUSTAINABLE DEVELOPMENT OF WATER
RESOURCES IN HARYANA STATE, INDIA: ISSUES AND CONCERNS .................................................... 99
14.- DETERMINACIÓN DE ÁREAS PRIORITARIAS PARA LA FISCALIZACIÓN FORESTAL MEDIANTE
TECNOLOGÍAS GEOESPACIALES ...................................................................................................... 101
Latin American Remote Sensing Week 2010
P á g i n a | 2
Procesamiento y análisis de datos espaciales
15.- TREES REMOVAL FROM NORMALIZED DIGITAL SURFACE MODEL .......................................... 111
16.- MAPPING FOREST GAPS USING LIDAR DATA ........................................................................... 119
17.- LINKING REMOTE SENSING AND SOCIAL DATA FOR THE INVESTIGATION ON DRIVING FACTORS
OF LAND USE AND COVER CHANGE (LUCC) IN BRAZILIAN SOUTH REGION .................................... 126
18.- ASSESSMENT OF THE MULTIPLE ENDMEMBER SPECTRAL MIXTURE ANALYSIS (MESMA) MODEL
APPLIED TO THE HYPERION/EO-1 HYPERSPECTRAL DATA OF THE COASTAL PLAIN OF RIO GRANDE
DO SUL, BRAZIL ................................................................................................................................ 133
19.- STATE VARIABLES ESTIMATION AND RIPARIAN VEGETATION SPECIES MAPPING FOR THE
NEGRO RIVER, SPAIN, BY HYPERSPECTRAL IMAGING ..................................................................... 142
20.- SITE DISPLACEMENT DETERMINED BY SATELLITE LASER RANGING AFTER ............................. 153
CHILEAN EARTHQUAKE ................................................................................................................... 153
21.- TELEDETECCIÓN DE CAMBIOS EN LECHO RÍO LIMARÍ ............................................................. 159
POST EMBALSAMIENTO .................................................................................................................. 159
22.- ANALISIS MULTITEMPORAL DEL USO Y COBERTURA DEL SUELO EN EL VALLE DE CASABLANCA
MEDIANTE IMÁGENES DE SATELITE 1 ............................................................................................. 168
23.- TELEDETECCION EN ANALISIS DE ISLAS TÉRMICAS EN ZONAS URBANAS ................................ 179
CASO SANTIAGO DE CHILE .............................................................................................................. 179
24.- INVENTARIO DE HUMEDALES EN LA CUENCA PAPALOAPAN, MÉXICO ................................... 196
Productos y servicios
25.- CAMPAÑAS ALTIMETRICAS DE CALIBRACIÓN DEL TOPEX Y JASON-1 EN EL MEDITERRANEO
OCCIDENTAL .................................................................................................................................... 203
26.- ACURACY ASSESSMENT OF PROJECTS PERFORMED BY SAAPI SYSTEM ................................... 214
27.- EVALUACIÓN DE LA CALIDAD DE LOS DEM SRTM Y ASTER EN UNA CUENCA COSTERA DE LA
REGIÓN DE LA ARAUCANÍA, BAJO DISTINTAS CONDICIONES DE RELIEVE Y COBERTURA VEGETAL224
28.- REPRESENTACIÓN CARTOGRÁFICA DE LOS ECOSISTEMAS DEL ECUADOR CONTINENTAL ...... 231
29.- ADVANCES IN AIRBORNE LIDAR TECHNOLOGY........................................................................ 239
FOR FORESTRY AND OTHER 3D MAPPING APPLICATIONS .............................................................. 239
Latin American Remote Sensing Week 2010
P á g i n a | 3
1.- AIRBORNE LIDAR TECHNOLOGY: THE STATE-OF-THE-ART AND FUTURE TRENDS
C. Toth The Center for Mapping,
The Ohio State University 470 Hitchcock Hall, 2070 Neil Avenue, Columbus, OH 43210
[emailprotected]
KEY WORDS: Laser scanning, Airborne LIDAR systems, Performance assessment ABSTRACT: Remote sensing technologies have seen unprecedented developments in the past decade. New entirely digital and powerful multi-sensory systems have been introduced regarding space, air, and ground platforms. Commercial satellite imaging has become mainstream; state-of-the-art systems not only provide better spatial and spectral resolution, but by using a constellation of satellites, temporal resolution has significantly improved and, in some cases, even multiple daily coverage is available. On airborne platforms, large-format digital aerial cameras and powerful LIDAR systems, supported by GPS/IMU-based direct georeferencing, represent the state-of-the-art. Also, terrestrial mobile mapping systems are rapidly spreading and are increasingly used in a variety of applications. Powerful geospatial workstations, offering a high level of automation, provide a common platform and a nearly identical workflow for the data processing. LIDAR technology, which is based on active sensing and provides a direct 3D observation of the object space, is unquestionably the most important development on airborne and terrestrial platforms in the past decade. Since their introduction, LIDAR systems have seen phenomenal developments; the pulse rate increased by two orders, multi-pulse techniques have been introduced, the use of multiple returns with intensity has become the standard, and full waveform LIDAR data is about to enter applications. This paper reviews the state-of-the-art in LIDAR technology, and offers an outlook on expected future developments. 1. INTRODUCTION LIDAR was probably the most significant remote sensing technology introduced in mainstream mapping during this past decade (Shan and Toth, 2009). Although the invention of laser goes back to the early 1960s, the lack of various supporting technologies prevented its use in mapping until the mid 1990s. Most of the early applications had nothing to do with mapping; e.g., fax machines, copiers, CD/DVD, medical applications, etc. The first use of laser in remote sensing goes back to the scientific mapping of ice-covered areas, primarily pursued by NASA since the late 70’s (Krabill et al., 1984). For a long while, the technology was not available to support commercial mapping, including the high-cost of the sensor, the lack of geodetic infrastructure and, in general, insufficient computer systems. The introduction of direct georeferencing technologies in the mid-1990s, and general advancements in computer technologies, enabled the development of the first commercial LIDAR systems. Airborne LIDAR technology, introduced to topographic mapping in the late 90s, received wide acceptance in airborne surveying as a leading tool for obtaining high-quality surface data in an unprecedentedly short turnaround time. The adoption of
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 4
the new technology was fairly smooth and quick, primarily due to the high-level of automation of the data processing. With increasing numbers of the systems sold, vendors were able to refine the technology rather quickly, delivering a continuously improving performance, primarily measured in terms of the number of points per second (PRR/PRF – Pulse Repetition Rate/Pulse Repetition Frequency). Not only has the number of points per surface area increased, but the number of returns increased and the intensity signal became available. Currently, we are in transition to exploit the full waveform in post-processing, which will provide the possibility of further analyzing the physical characteristics of the reflecting objects. Now that the LIDAR technology has matured, the questions arise regarding what comes next and what can be expected from the continuing improvements of technology. This paper reviews the state-of-art and outlines some aspects of possible future directions in LIDAR. 2. STATE-OF-THE-ART TECHNOLOGY The concept and system structure of airborne LIDAR systems have not changed over
the years, but the improvements in the performance of the components have been significant. Figure 1 shows the data acquisition segment of LIDAR systems, including
the sensor platform (aircraft), georeferencing module, and laser sensor, which consists of the laser source, opto-mechanical components, laser sensor, and data recording system. Additional components of the LIDAR ground segment include
geodetic infrastructure, usually considered in the georeferencing system, and the post-processing hardware and software.
2.1 LIDAR sensor system The heart of all airborne LIDAR systems is the laser sensor with the supporting components. There are the two basic solutions, and the pulsed laser systems are used on airborne platforms; the CW (continuous wave) systems are limited to shorter distances, though they offer better ranging accuracy. In airborne applications, normally solid-state pumped lasers are used, because they can provide very short
Latin American Remote Sensing Week 2010
P á g i n a | 5
pulses with large peak power at high repetition rate. The typical pulse width is in the 4- 10 ns range, equivalent to 1.2-3m distance, and its shape is typically described by a Gaussian curve. The great majority of the airborne LIDAR systems work with the 1.064μ (or 1.550μ) wavelength. The LIDAR is based on line-of-sight measurements; the sensor and the receiver are placed at the same location. When measuring the travel time between the transmission and reception of the laser pulse, the range can be computed as:
Where, r is the distance between the sensor and the object, c is the speed of light, and tl is the time measured. Since time can only be measured with a given resolution, the computed range varies in small steps. The accuracy of the range measurement depends on the accuracy of two uncorrelated parameters:
Since c is known at high accuracy, the accuracy of time measurement determines the ranging accuracy; in fact, the sampling of the return pulse is an extremely critical task for the sensor system. Current airborne LIDAR systems can achieve 1- accuracy under ideal conditions, such as perpendicular reflection from hard surfaces with adequate reflectivity. The ideal ranging accuracy is rarely realized in practice, as the object surface characteristics vary over a large range due to the divergence of the laser beam. The optical part of the LIDAR sensor module is built from conventional components, including lenses, filters, etc. The aperture of the receiver optics is usually larger than that of the transmitting one. The typical divergence of the laser pulse is in the 0.2-1.0 mrad range, which means that depending on the flying height, the footprint is generally in the 15cm – grow for larger angles (such as slanted surfaces). The shape of the return pulse should consequently change, impacting the ranging accuracy for larger footprints. In addition, the reflectivity of the surface defines the amount of energy reflected back to the sensor. Simply stated, the incident angle, the reflectivity of the surface, and the flying height together determine the shape and strength of the return signal, and thus the achieved accuracy. Therefore, LIDAR vendors usually provide conservative numbers in product specification for vertical accuracy; typically, an order larger than the theoretical ranging accuracy. Figure 2 shows an accuracy specification for the Leica ASL60 system.
Latin American Remote Sensing Week 2010
P á g i n a | 6
The deformation of the return pulse could be more significant than an increased footprint size for vegetated areas and for complex objects, which cannot be described by a single elevation value. In these cases, instead of a single return pulse, there could be more separate and/or overlapped pulses in the return signal, which is called waveform or full waveform. Figure 3 shows three typical waveforms. The return signal processing has improved a lot since the first LIDAR systems were introduced, when a simple thresholding provided the measurement, the detection of a single pulse. All state-of-the-art systems sample the return signal and store it temporarily for pulse detection, which also includes an intensity signal determination from the shape and strength of the detected pulse. Normally, up to four returns, first, second, third, and last, are recorded along with intensity data. The separation of the returns is practically defined by the emitted laser pulse width; say, for a 10 ns pulse, the object surfaces should be at least 3m apart to produce separate pulses. Once the pulses are extracted in real-time, the waveform is discarded, except if a waveform recorder is used to store the full waveforms (as opposed to pulses). Processing the waveforms in the office has several advantages. More sophisticated pulse detections can be applied, and additional object information can be extracted that could be used, for example, for classification. In particular, overlapping pulses can be better extracted or more complex shape patterns can be identified. Full waveform is important for mapping forested areas, where in addition to the terrain, biomass estimation and tree structure/type extraction can be performed. From the shape of the waveform, additional properties of the reflecting surface can be extracted, such as land information, i.e., the classification of the reflecting objects into categories, such as trees, other vegetation, roofs, pavement, etc.
Latin American Remote Sensing Week 2010
P á g i n a | 7
To create a 2D range image from using a single laser beam, a scanning mechanism is required, which usually provides scanning in one plane, and the other direction is provided by the aircraft motion. There are a variety of scanning solutions, including oscillating mirrors, rotating polygons, rotating prisms, and Palmer scanner. In addition, there is a fiber scanning solution, allowing for very fast scanning rates. In modern LIDAR systems, the scan rate falls into the 100-200Hz range, and can be adjusted, as needed, to provide for nearly even LIDAR point distribution; the flying height and PRF are the other parameters that affect the point distribution. The
Latin American Remote Sensing Week 2010
P á g i n a | 8
scanning components, being the only mechanical parts of LIDAR systems, are subject to wear and require frequent calibrations. 2.2 Georeferencing system The performance of the georeferencing component is essential for any remote sensing system and especially for active sensor systems that are based on continuous scanning; in fact, it was the enabling technology for LIDAR. The laser sensor provides range measurements between the sensor and the objects. The actual position of the LIDAR points is computed by the LIDAR equation:
Based on Eqn. (3), the laser point accuracy in a mapping frame can be determined by applying the law of error propagation; see earlier discussions on the errors and model parameter recovery in (Schenk, 2001; Filin, 2003a and 2003b; Baltsavias, 1999) and a recent comprehensive discussion on the various terms of the error budget, including analytical and simulation results can be found in (Csanyi May, 2007). Practically, the main error sources of the error budget can be grouped as:
-based navigation solution of the sensor platform.
reflectance-based corrections. -sensor calibration, such as boresight misalignment and lever arm errors.
beam divergence, time synchronization, atmospheric effects, system stability, and terrain/object characteristics.
Latin American Remote Sensing Week 2010
P á g i n a | 9
Since state-of-the-art systems provide excellent ranging accuracy, ~1cm (1ς). Since system calibration can be done accurately and the typical object distance is not large, the single most important component of the error budget is the platform navigation accuracy. The GPS performance defines mainly the error budget of any integrated GPS/IMU-based system, therefore, the GPS positioning method applied in the georeferencing system is of prime importance in achieving the highest accuracy of the LIDAR point cloud. Table 1 shows GPS technologies applicable to kinematic positioning.
In current practice, the differential GPS with base station method is the most widely used technique in airborne LIDAR data acquisition; it provides excellent accuracy close to the base station, but over larger distances (> 50km) the accuracy deteriorates. In contrast, the network-based differential solutions have no distance dependency, and can provide a consistent and highly accurate solution, provided an adequate network of CORS (Continuously Operating Reference System) is available; these networks are rapidly developing and already available in the developed world. The typical accuracy for a base station-based GPS solution falls, in general, into the 4-7 cm range for shorter baselines. A network-based solution can reach 2-3 cm-level accuracy. Note, assuming a medium grade IMU sensor, the attitude accuracy is comparable to the positioning accuracy; the shift on the ground caused by attitude error is comparable to the positioning error. 2.3 LIDAR systems LIDAR systems have advanced significantly in the last four-to-five years, because competing manufactures kept further improving the performance level of their products. The advancements in ranging accuracy and the introduction of full waveform processing capabilities have been discussed above. With respect to production efficiency, however, the pulse rate (PRF) is probably the most important
Latin American Remote Sensing Week 2010
P á g i n a | 10
parameter, which primarily defines the average point density on the ground. The current 400 kHz rate is by orders better than the 5-10 kHz PRF of the early systems ten years ago. The difficulty of achieving high pulse rate comes from implementation limitations. First, the pulse travel time imposes a limit on the maximum rate; say, for a 1500m flying height, the pulse travels about 10μs, so the PRF should be less than 100 kHz. Figure 4 shows the relationship between the flying height and PRF for the Leica ALS60 system. There are two solutions available to further increase the pulse rate. First, if the system does not have to wait for the arrival of the return pulse, several pulses can simultaneously travel between the sensor and object surface; this solution is usually called MPiA (Multiple Pulses in Air). Figure 4 shows the situation for two pulses. Obviously, having multiple pulses in the air means that there is an ambiguity about the measured range, which, given rather large distances between the pulses, can be resolved in a robust way. Figure 5 shows the operational parameters for the Reigl LMS-Q680i system, which boosts a 400 kHz PRF with three-pulse MPiA; note that the
In theory, the MPiA technology allows for a large number of pulses, but the generation of laser pulses at such a high repetition rate is becoming an implementation issue. A simple way to overcome this limitation is if multiple laser sensors are used in the system, frequently called multi-channel LIDAR systems. The Optech Pegazus system is a 400 kHz multi-channel system that was recently introduced. To illustrate the point density with respect to the flying height, aircraft speed and scan angle, Figure 6 shows these parameters for the Reigl LMS-Q680i system.
Latin American Remote Sensing Week 2010
P á g i n a | 11
While the focus is mostly on the data acquisition capabilities of airborne LIDAR systems, the ground processing aspects should be briefly mentioned too. In fact, there was a significant gap between the data acquisition capabilities of LIDAR systems and processing software at the beginning (ten years ago), as only vendor-specific basic solutions were available. Fortunately, the LIDAR processing software market has significantly improved recently, and there are several powerful packages available to support the effective processing and visualization of the LIDAR point cloud. The sophistication of the point cloud has also increased. In addition to the basic bare earth extraction and surface modeling, there is an increasing need for objects feature extraction, such as building extraction. Obviously, the number of applications is also increasing. From the early applications in DEM/DSM extraction for topographic mapping, corridor and power line mapping, and forestry use, now applications include floodplain mapping, bathymetry, city modeling, biomass estimation, glacier and snow mapping, agriculture, transportation, and, in general, object feature extraction (Vosselman and Maas, 2009).
Table 2 summarizes the characteristics of most modern airborne laser scanning systems. It is remarkable to note that there are more than 300 airborne LIDAR systems used worldwide; note that most of the systems are produced by three major suppliers.
Latin American Remote Sensing Week 2010
P á g i n a | 12
3. FUTURE TRENDS Reviewing the history of airborne LIDAR technology, it is clear that developments were primarily driven by users’ needs (except for the early years). In other words, system manufacturers have technologies already available to improve the performance, and it is up to the users whether they can afford the higher price for these improved capabilities. For example, waveform technology has been available for about five years, yet, this capability has started to make inroads into mainstream applications just recently. While it is rather difficult to make predictions in high-tech system future developments, the likely short-term trends are:
channel system design, and it is likely to pass the one million PRF mark in a few years. In terrestrial laserscanning, the Velodyne system, which uses 64 laser sensor units, can already acquire one million points per second at shorter distances.
-time processing to post-processing, as in most applications, there is no need for real-time pulse detection, since accurate georeferencing is usually not available during the data acquisition. The excessive volume of waveform data used to present a storage capacity problem in the past, but as hard and solid state drive technologies continue to improve, the space is not an issue anymore. In addition, various compression technologies are also available.
information extraction, such as landscape classification, is likely to spread. Forestry and biomass applications, or even polar surface extraction, have already utilized waveform data. City modeling and, in general, mapping of built-up urban areas can
Latin American Remote Sensing Week 2010
P á g i n a | 13
also benefit in both better recovery of the object geometry and the classification of objects.
ground components are rapidly improving as well as extending. The GPS modernization in the US, and the introduction of various global and local satellite positioning systems, GNSS, will provide an extremely high redundancy of satellite signals that will primarily improve the signal reception and robustness of the solution. In addition, improvements in accuracy are also likely in some applications. Concerning the ground infrastructure, the rapid growth of the CORS network will definitely continue, providing better correction and base for improved real-time positioning. In fact, at some point, high-precision georeferencing in real-time will be an option for certain applications.
LIDAR systems has been a practice for a long time, as this information is valuable during the processing of the point cloud; the operator can better interpret complex situations with the use of optical imagery. The tendency to simultaneously acquire images is likely to get stronger, as the common requirements for geospatial products include both the accurate surface/object geometry and good visual appearance. Currently, medium-format digital aerial cameras are typically used as companion sensors in LIDAR systems. At a moderate introduction rate, the large-format digital cameras will likely be used in airborne integrated sensor suites in the future.
LIDAR point cloud processing, the fusion of LIDAR and optical imagery will continue. The improving spatial resolution, better LIDAR point density, and higher resolution of the digital cameras will jointly improve the fusion process. Clearly, this sensor combination will foster the development of feature and object extraction methods. In select applications, hyper-spectral imagery (HSI) is needed, so depending on the affordability of HSI sensors, the fusion process will include HSI imagery. 4. SUMMARY LIDAR systems and the laser scanning technology will continue to advance, following similar trends in remote sensing imagery developments. The past gaps between terrestrial and airborne point clouds and LIDAR images are not only disappearing, but the overlap between the imagery acquired from various platforms will continue to grow. In addition, airborne LIDAR technology, the primary source of surface data at the local scale, is likely to extend to the feature extraction field, as point cloud density continues to increase. References: Airborne LIDAR Sensors, Product Survey, GIM International, February, 2009. Baltsavias, E.P., 1999. Airborne laser scanning: basic relations and formulas. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 54: 199-214. Csanyi, N. and Toth, C. (2007): Improvement of LIDAR Data Accuracy Using LIDAR-Specific Ground Targets, Photogrammetric Engineering & Remote Sensing, Vol. 73, No. 4, pp. 385-396. Csanyi May, N. 2008. A Rigorous Approach to Comprehensive Performance Analysis of State-of-the-Art Airborne Mobile Mapping Systems, PhD dissertation, The Ohio State University.
Latin American Remote Sensing Week 2010
P á g i n a | 14
Filin, S., 2003a. Recovery of systematic biases in laser altimetry data using natural surfaces, ISPRS Journal of Photogrammetric Engineering and Remote Sensing, 69 (11), 1235–1242. Filin, S., 2003b. Analysis and implementation of a laser strip adjustment model. International Archives of Photogrammetry and Remote Sensing, 34 (Part 3/W13): 65-70. Krabill, W.B., Collins, J.B., Link, L.E., Swift, R.N., and Butler, M.L., 1984. Airborne laser topographic mapping results, Photogrammetric Engineering and Remote Sensing, 50, 685-694. Mallet, C., Bretar, F., 2009. Full-waveform topographic LIDAR: State-of-the-art, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 64, Issue 1, pp. 1-16. Pfeifer, N., and Briese, C., 2007. Geometrical Aspects of Airborne Laser Scanning and Terrestrial Laser Scanning, International Archives of Photogrammetry, Vol. 36 (Part 3/W52): 311-319. Schenk, T., 2001. Modeling and Analyzing Systematic Errors in Airborne Laser Scanners, Technical Notes in Photogrammetry, Vol. 19, The Ohio State University, Columbus, USA, 46 pages. Shan, J., Toth, Ch. 2009. Topographic Laser Ranging and Scanning: Principles and Processing, CRC Press, 608 p. Toth, C., 2004. Future Trends in LIDAR, Proc. ASPRS 2004 Annual Conference, Denver, CO, May 23-28. Vosselman, G., Maas, H-G. 2009. Airborne and Terrestrial Laser Scanning, Whittles Publishing, 320 p.
Latin American Remote Sensing Week 2010
P á g i n a | 15
2.- DETECCIÓN DE MINERALES UTILIZANDO CLASIFICACIÓN POR “ARBOLES DE DECISIÓN” EN IMÁGENES ASTER
Resumen: Muchas técnicas o metodologías de procesamiento para imágenes Aster están basadas en la similitud entre espectros de laboratorio y espectros de la imagen (pixel). Por otro lado existen técnicas basadas en operaciones matemáticas simples y complejas, donde los pixeles más brillantes representan ciertas características espectrales; estos procesos están ligados a un cierto nivel de tolerancia definido por el usuario. La “Clasificación por árboles de decisión” es una útil herramienta para seleccionar pixeles cuya curva espectral tiene las características exactas que se quieren resaltar, basado en las características que el usuario considera importantes para definir un mineral o una asociación mineral.
Abstract: Several processing techniques (or methods) for ASTER imagery are based on spectral similarity between laboratory spectra and imagery spectra (pixel data). On the other hand there are processing techniques based on basic or more advanced band math operations, where bright pixels match certain spectral features. This process is also associated with a certain level of thresholding defined by the user. The “Decision Tree Classification” is a useful tool to select pixel spectra that matches exactly the feature you want to highlight, based on the features that the user considers important to define a mineral or a mineral association.
INTRODUCCIÓN
Las curvas espectrales de cualquier tipo de material, son la base para el procesamiento de
imágenes en la percepción remota, cuando podemos obtener una imagen hiperespectral, las
comparaciones entre la curva de laboratorio y la curva del pixel entregan excelentes
resultados, con una identificación de los elementos de la superficie muy precisa, sin embargo,
cuando las imágenes son multiespectrales (Landsat/Aster) la curva espectral sólo muestra
parte de la información, por lo que el análisis es más complejo y limitado. Es aquí donde nacen
muchas metodologías para procesamiento donde se estudian características específicas de a
curva espectral en longitudes de onda específicas para generar algoritmos matemáticos,
análisis de componentes principales, razones de bandas, entre otras. La problemática cuando
se procesa una imagen, sin saber lo que hay realmente en terreno, es que estas metodologías
entregan como resultados, para cada índice, una banda en escala de grises, donde los pixeles
con mayores valores (o según la metodología, los menores) son los que representan el
material que se busca en la escena, sin embargo, aunque dicho material no se encuentre
presente en la zona de estudio, como el resultado es relativo, siempre tendremos un valor
mayor que otro que puede generarnos falsas anomalías en la interpretación. La “clasificación
por árboles de decisión” intenta eliminar este resultado relativo y solo localizar aquellos
pixeles que cumplan ciertos requisitos definidos por el usuario, para tener una mejor certeza
en nuestros resultados.
Latin American Remote Sensing Week 2010
P á g i n a | 16
ASTER
ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) es un avanzado
colector de imágenes multiespectrales que fue lanzado a bordo de la nave Terra de la NASA
en Diciembre de 1999. ASTER cubre una amplia región espectral con 14 bandas desde el
visible al infrarrojo termal con alta resolución espacial, espectral y radiométrica.
Adicionalmente otra banda infrarroja provee cobertura estereoscópica. La resolución espacial
varía según las longitudes de onda: 15 m en el visible e infrarrojo cercano (VNIR), 30 m en el
infrarrojo de onda corta (SWIR), y 90 m en el infrarrojo termal (TIR). Cada escena ASTER
cubre un área de 60 x 60 km.
La siguiente tabla muestra las características principales de las imágenes ASTER:
Tabla 1: Características de los 3 sistemas de sensores ASTER
ESPECTROMETRIA DE IMAGENES
El estudio de las curvas espectrales es la base para el procesamiento de imágenes
multiespectrales e hiperespectrales. Cada imagen está compuesta por un número
determinado de bandas y cada banda a su vez está compuesta por un número determinado de
pixeles, el valor de cada pixel en cada banda genera la curva espectral del pixel.
Las curvas de los pixeles se comparan con las curvas de laboratorio y de esta manera se determinan en la imagen los pixeles que corresponden a cada material. Cuando tenemos imágenes hiperespectrales podemos determinar con precisión los materiales, ya que la complejidad de las curvas que entregan esas imágenes no difieren mayormente con las curvas medidas en laboratorio. Sin embargo, cuando tenemos imágenes multiespectrales, se genera una gran diferencia entre la curva de laboratorio y la curva que puede observarse desde el sensor. Es por ello que las metodologías de procesamiento deben ser enfocadas a
Subsistema Nº Banda Rango Espectral (µm) Resolución
Espacial (m)
Niveles de
Cuantización
VNIR 1 0.52-0.60
15 8 bits
2 0.63-0.69
3N 0.78-0.86
3B 0.78-0.86
SWIR 4 1.60-1.70
30 8 bits
5 2.145-2.185
6 2.185-2.225
7 2.235-2.285
8 2.295-2.365
9 2.360-2.430
TIR 10 8.125-8.475
90 12 bits
11 8.475-8.825
12 8.925-9.275
13 10.25-10.95
14 10.95-11.65
Latin American Remote Sensing Week 2010
P á g i n a | 17
características específicas de la curva en rangos de longitud de onda específicos.
Figura 1: Curvas espectrales de laboratorio y su ajuste a las bandas VNIR + SWIR de ASTER
La figura 1 muestra curvas de laboratorio de kaolinita (mineral), pasto y asfalto, en una
imagen hiperespectral la curva es muy similar, pero en la imagen ASTER (multiespectral) la
curva pierde mucha información por lo que el análisis es más restringido. Sin embargo hay
características que se mantienen en cierto rango del espectro electromagnético lo que nos
sirve para poder identificar el elemento aunque tengamos información limitada.
La vegetación, por ejemplo, tiene un gran salto de magnitud de la reflectancia entre la banda
roja (banda 2 -0.66 µm) y la banda infrarroja cercana (banda 3 – 0.82 µm). Si tenemos la curva
completa del pasto y de otro elemento vegetal (algún tipo de matorral o árbol) podremos
identificarlos y clasificarlos como distintos en la imagen, pero con la curva limitada que
tenemos en la imagen ASTER, no podremos hacer esa diferenciación y nos tendremos que
conformar con decir que el pixel corresponde a un elemento vegetal, lo mismo ocurre con
todos los elementos que se quieren mapear en una imagen, necesitamos saber cuál
característica es visible con la imagen y cómo vamos a manejar la información de las bandas
para resaltar su presencia.
En la exploración geológica, se deben conocer las curvas características de los minerales de
interés prospectivo, y además en rango, dentro del espectro electromagnético, donde se
pueden estudiar o donde tienen características únicas. Una vez hecho este análisis deberemos
ver si minerales que se estudian dentro de las mismas longitudes de ondas, tienen alguna
característica que los diferencie entre sí, para determinar si realizaremos un índice de
minerales específicos o un índice de asociaciones mineralógicas.
Latin American Remote Sensing Week 2010
P á g i n a | 18
Tala 2: Rango de estudio
de la
espectrometría de algunos minerales
CLASIFICACION POR ARBOLES DE DECISION
ENVI (Environment for Visualizing Images) es un poderoso software de la compañía ITT
Visual Information Solutions (USA) que se ha especializado por décadas al procesamiento de
imágenes de todo tipo, RGB, Multiespectrales, Hiperespectrales, Radar, etc. siendo una de sus
principales fortalezas el análisis espectral y las técnicas de clasificación. La clasificación por
árboles de decisión apareció disponible en el software el año 2004 y aunque tiene cualidades
poderosas y está ideado para cierto tipo de análisis, se pueden aprovechar estas herramientas
de un modo diferente para clasificar pixeles que cumplan ciertas condiciones de la curva
espectral y así evitar clasificar por metodologías relativas donde se manejan parámetros de
probabilidad y no siempre con real certeza. Si bien, no podemos descartar ni negar la utilidad
que nos otorgan los algoritmos matemáticos en la generación de targets de interés, nuestra
intención es evidenciar una herramienta que permita, en ciertos casos, un análisis más preciso
de los elementos mapeados.
“El clasificador de árboles de decisión realiza clasificaciones de varias etapas utilizando una serie de decisiones binarias para colocar píxeles en clases. Cada decisión divide los píxeles de un conjunto de imágenes en dos clases basadas en una expresión. Puede dividir cada nueva clase en dos clases más basada en otra expresión. Puede definir tantos nodos de decisión, según sea necesario. Los resultados de las decisiones son clases. Usted puede utilizar los datos de diferentes fuentes y archivos para hacer un clasificador de árbol de decisión individual. Puede editar y "podar" los árboles de decisión de forma interactiva, y también puede salvar los árboles y aplicarlos a otros conjuntos de datos”. (Ayuda ENVI – Decision Tree Classifier).
Asociación de Minerales Minerales Rango de Estudio
Hematita
VISIBLE Óxidos de Fierro Goetita
Jarosita
Ilita
SWIR
Muscovita
Alteración Argílica Kaolinita
Alunita
Pirofilita
Clorita
SWIR Alteración Propilítica Epidota
Calcita
Cuarzo
TIR Silicatos Granates
Albita
Latin American Remote Sensing Week 2010
P á g i n a | 19
Realizaremos una revisión de los minerales que queremos identificar, como es su curva mirada desde el sensor ASTER y como podríamos construir el árbol de decisión para clasificar dichos elementos. Enfocaremos este estudio para determinar presencia de Alunita, Kaolinita, Muscovita y Calcita.
Figura 2: Curvas espectrales ASTER de: Alunita, Calcita, Kaolinita y Muscovita
La figura 2 muestra las curvas espectrales de los minerales a estudiar, con el ajuste a la
información espectral que lee la imagen ASTER en el canal SWIR. Para realizar la clasificación
por árboles de decisión, enfocaremos las condiciones del árbol en las absorciones que
presentan los distintos minerales, estas absorciones pueden ser absolutas o relativas (figura 3).
Figura 3: Absorción Absoluta v/s Absorción Relativa
Latin American Remote Sensing Week 2010
P á g i n a | 20
Las principales características que se observan en las curvas de los minerales se resumen en
la tabla 3:
Tabla 3: Absorciones absolutas y relativas para distintos minerales
Para poder detectar, dentro de la imagen, los pixeles cuyas curvas cumplen con esta
característica, debemos primero realizar una corrección atmosférica a la imagen para poder
tener los datos en valores de reflectancia.
Si consideramos la figura 3 como referente, tenemos 3 puntos (A,B y C) que reflejan ambos
tipos de absorciones, las condiciones que podemos ocupar en el árbol de decisión serían un
valle para la absorción absoluta y una inflexión en la absorción relativa, matemáticamente
podría escribirse de la siguiente forma:
• Absorción Absoluta: A > B < C • Absorción Relativa: (A > B > C) y (mAB < mBC), donde mAB es la pendiente entre los puntos A y B, y mBC la pendiente entre los puntos B y C.
Para tener una absorción relativa, necesitamos que haya un cambio de pendiente entre AB y
BC, que pase de una pendiente menor a una mayor.
De esta manera podremos construir nuestro árbol de decisión con las condiciones lógicas antes mencionadas. Asignaremos las siguientes siglas para la representación del árbol: • ABS-BX : Absorción absoluta en la Banda X • RBD-X : Absorción relativa en la Banda X
Figura 4: Árbol de decisión para clasificar minerales
Mineral Tipo de Absorción Long. Onda / Banda
Alunita Absoluta 2.167 µm / banda 5
Relativa 2.209 µm / banda 6
Calcita Absoluta 2.336 µm / banda 8
Kaolinita Absoluta 2.209 µm / banda 6
Relativa 2.167 µm / banda 5
Muscovita Absoluta 2.209 µm / banda 6
Latin American Remote Sensing Week 2010
P á g i n a | 21
Los pixeles asignados a cada clase (Alunita, Calcita, Muscovita, Kaolinita), deberan entonces cumplir con las absorciones estipuladas en el árbol de desición.
PROCESAMIENTO IMAGEN ASTER
Para evaluar esta metodología de procesamiento, realizaremos un procesamiento de un
conocido sector de interés geológico denominado “Cuprita” en Nevada, USA.
“El distrito Cuprita se encuentra en el extremo suroeste de la Gran Cuenca a unos 15 km al sur
de Goldfield, Nevada. Ocurrencias de cobre, plata, oro y plomo han sido reportados en calizas
del Cámbrico, y ocurrencias de azufre en el rocas sedimentáreas tobáceas y flujos de tobas de
ceniza soldadas del Terciario”. (Rowan, Hook y Mars, 2003).
Este distrito ha sido por excelencia la zona de prueba de muchos sensores multiespectrales e
hiperespectrales. Destacan en él distintos tipos de alteraciones hidrotermales, con extensas
apariciones de Alunita, Kaolinita, Muscovita, Calcita, Dickita, Buddingtonita, Ópalo, entre otros
(figura 5).
Figura 5: Mapeo de minerales en Cuprita con Imagen Hiperespectral AVIRIS
Alunita Kaolinita Dickita Buddingtonita Ilita/Smectita Opalo Calcita Muscovita Muscovita+Clorita Tobas no alteradas Playa de Depositos
Para el procesamiento de la imagen ASTER de Cuprita, se utilizó inicialmente el árbol de la figura 4 obteniendo resultados muy buenos para los minerales Alunita y Kaolinita, aunque con
una sobreestimada clasificación de Calcita y Muscovita (Figura 6).
Latin American Remote Sensing Week 2010
P á g i n a | 22
Figura 6: Mapa de clasificación generado a partir del árbol de decisión inicial
Sin embargo utilizando otras características de las curvas de la Calcita y la Muscovita, se
puede mejorar la clasificación, la figura 7 muestra la versión final del árbol de clasificación
generado para procesar la imagen ASTER de Cuprita.
Figura 7: Árbol de Decisión final para procesamiento de imagen ASTER en Cuprita
Latin American Remote Sensing Week 2010
P á g i n a | 23
El resultado de la clasificación final se representa en la figura 8.
Figura 8: Clasificación final por Arboles de Decisión de imagen ASTER en el distrito Cuprita
La figura 9 muestra el mapeo realizado con el árbol de decisión final y el mapeo realizado con
la imagen hiperespectral AVIRIS, los colores de los minerales en el mapeo de la imagen ASTER
se modificaron para una mejor comparación entre los resultados de ambos procesos.
Figura 9: Mapeo en imagen ASTER (izquierda) v/s Mapeo en imagen AVIRIS (derecha)
Alunita Kaolinita Calcita Muscovita
Latin American Remote Sensing Week 2010
P á g i n a | 24
CONCLUSIONES
La clasificación por árboles de decisión es una herramienta muy útil para clasificar elementos
en imágenes multiespectrales, permite detectar pequeñas variaciones de las curvas
espectrales de los pixeles, que a su vez, marcan la diferencia entre un mineral y otro. Los
resultados obtenidos en Cuprita se asemejan con muy buena precisión al mapeo
hiperespectral realizado con imágenes AVIRIS, a pesar de solo tener 6 bandas en el infrarrojo
de onda corta (SWIR) mientras AVIRIS posee 50 bandas en dicho rango.
Esta metodología el aplicable para cualquier área de las geociencias, la construcción del árbol
de decisión va de la mano del conocimiento espectral que se tenga sobre los elementos que se
quieren mapear, y de las posibilidades que nos da la curva de ser diferenciable de otros
elementos.
En la clasificación no sólo se pueden usar distintas bandas, también podemos incluir en el
procesamiento modelos de elevación, que nos nutren con condiciones como altura, pendiente
y aspecto (ángulo hacia donde mira el pixel respecto del norte), por otro lado podemos
incorporar bandas de otros sensores, imágenes de clasificación previamente hechas, etc. solo
se debe tener una buena georeferencia que sea coincidente entre todos los elementos (pixeles) que entran al árbol.
REFERENCIAS Abrams, M., Hook, S., Ramachandran, B. 2002. ASTER User Handbook – Version 2.
Rowan, L., Hook, S. y Mars, J., 2003. Mapping hydrothermally altered rocks at Cuprite, Nevada,
using the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), a new
satellite-imaging system. Economic Geology, Vol. 98.
Rowan, L., Mars, J. 2003. Geologic mapping and ASTER data analysis. USGS presentation.
ENVI Help
Latin American Remote Sensing Week 2010
P á g i n a | 25
3.- 40-YEAR SPATIAL DEVELOPMENT OF TOWNS IN THE CZECH REPUBLIC
Lena Halounová, Faculty of Civil Engineering CTU in Prague, [emailprotected]
Karel Vepřek, Faculty of Civil Engineering CTU in Prague, [emailprotected]
Martina Srbová, Faculty of Architecture, [emailprotected]
Summary: The paper presents the first part of a project whose goal is to find indicators of
harmonic development of towns based on analysis of forty years development of fifty Czech
towns. The presented results show relation between urban land use classes and their
development of selected towns and road transport density. First thirty towns were processed
for the period between 1970 and 2009; first ten towns were mapped according to general
urban land cover classes and compared to the measured road density in large point network.
The town land use class areas were derived from combination of actual and historical city
plans, aerial photograph from various years, and Thematic Mapper data using GIS tools. The
road transport density measured repeatedly since 1973 to 2005 each 10 years was used for
all towns where the measurement was performed on pre-defined locations in towns and out
of towns. It was found that the traffic density within towns and to and from towns is more
depend on existence of close highways and by-pass roads unlike number of inhabitants, e.g.
Political change from the communist regime to the democratic one was also an important
breakpoint in town developments. Increase of the traffic density and enlarging of residential
areas are the characteristics proving the fact. The paper presents a methodology of spatial
mapping of land use classes utilized for determination of town development. The town
developments and their relation to road traffic is presented on maps and graphs.
Abstract: El resumen representa la primera parte de proyecto cuyo fin es encontrar
identificadores de un desarrollo urbano harmónico que está basado en análisis del desarrollo
de cincuenta ciudades checas en los últimos 40 años. Uno de los autores de este artículo
implementa una nueva terminología del desarrollo urbano utilizando términos como el
distrito, la zona de núcleo y la zona circundante. Los resultados presentados demuestran una
relación entre los grados urbanos de aprovechamiento de los terrenos y su desarrollo en las
ciudades escogidas y densidad de la circulación rodada. Las primeras treinta ciudades fueron
analisadas en el período entre los años 1970 y 2009. Las primeras diez ciudades fueron
mapeadas según los grados urbanos generales de aprovechamiento de los terrenos y también
fueron comparadas con la densidad medida de la circulación rodada en una amplia red de
puntos de medición en el período desde el año 1970 para cada diez años. Las zonas de los
grados de aprovechamiento de los terrenos urbanos fueron deducidas de la combinación de
planes urbanos contemporáneos e históricos, de fotografías aéreas y datos de satélites de
herraminetas de SIG. La densidad de la circulación rodada es medida reiteradamente a partir
del año 1973 hasta la actualidad para cada diez años en los puntos de mediación dentro y
fuera de las ciudades. Fue verificado que la densidad de la circulación rodada en las ciudades y
en vías de acceso a las ciudades está en estrecha relación con la existencia de autopistas
cercanas y carreteras de circunvalación en diferencia del número de habitantes. La transición
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 26
política del régimen comunista al democrático constituyó también un punto esencial y de
inflexión en el desarrollo de las ciudades. El aumento de la densidad de la circulación rodada y
de superficies destinadas a la habitación son unas de las características que lo comprueban. El
desarrollo de las ciudades y su relación con la densidad de la circulación rodada en los últimos
cuarenta años está demostrado en mapas también por varios gráficos.
Keywords: town development, remote sensing, GIS, traffic density
1. INTRODUCTION Urban development and its indicators are a matter of many projects, conferences and
meetings. An example of large set of indicators describing urban development was presented
in Global City Indicators Program. Many authors are discussing future development of urban
areas and definition on its indicators (Brugmann, 1997.)
The project is focused on detailed evaluation of relations between quality of life and present
behavior of the human society to create a model allowing improving the present state and less
demanding development in urban areas for their sustainable development. One fifth of the
Czech Republic population is living in three largest towns – Prague, Brno and Ostrava.
The spatial towns development was derived from city plans designed by local administration,
from aerial photographs in 1950, and 2008, and satellite (Thematic Mapper, MSS data) images
covering period between 1972 and 2000. The system of individual time level determination of
town maps was created from map vector data representing town land use maps and the
remote sensing data starting by the latest situation and heading the previous levels. The land
use maps are controlled by the Czech Statistical Office and Czech Office for Surveying,
Mapping and Cadastre data.
Large data base of road network development has been created by the Road and Motorway
Directorate. The data base comprises among others measurements of road transport density
in many points of roads of various road classes since 60-ies of the 20th century. The paper
presents relations between transport density and its development, and functional typology of
spatial changes in towns helping to find tools for the extrapolation of town developments and
their impact on transport density using remote sensing and GIS data.
2. ROAD TRANSPORT DENSITY The measurements were collected in 1968, 1973, 1980, 1990, 1995, 2000, and 2005. The
measurements are in the form of maps where each location is marked together with total
amount of passed vehicles including motorcycles, and tables where the amount is enumerated
in a more detailed way distinguishing heavy-duty vehicles, cars and motorcycles. The density
is characterized also by such called unit car which is calculated as a sum of cars and doubled
number of heavy-duty vehicles and half number of motorcycles. The measurements represent
24 hours period.
Latin American Remote Sensing Week 2010
P á g i n a | 27
3. DEVELOPMENT OF CZECH TOWNS The town developments in the Czech Republic after the Second World War were relatively
uneven. There are three types of town development. One type of towns had only relatively
slow and continuous spatial development within their administrative boundary. The second
types are towns whose administrative areas have grown in fact artificially due to joining
surrounding villages to a close town as a result of local headquarter decisions. The third
group of towns is similar to the second group; the only deference is in a further separation of
one or more early joined villages. This various development was described and denoted by
Vepřek (1983). He uses term core area for town size in most cases in 1970. It was a year when
the process of joining villages to neighbor towns started. The joined areas are named by
Vepřek (1983) as associated areas. Urban parts in associated region are called agglomerated
ones. The parts which have become independent villages are called peripheral areas by
Vepřek (1983).
This spatial development is archived in Cadastre books in table systems and transfer of this
information can show towns development using cadastre boundaries. This transfer was
performed also into town city plans, whose processing intervals vary in individual towns. This
town size evolution cannot be derived from remote sensing data. If a town belongs to the
second or third group, there are large spatial changes.
The largest parts of these changes are in prevailing part represented by agricultural areas.
The main difference between the core area and associated area are separated urban parts
occurring in associated parts.
4. LAND USE DETERMINATION FOR DEFINITION AND DETECTION OF URBAN CLASSES
Functional urban classes used by urban engineers for description of land use of towns are not
normalized. To harmonize different approach of authors of city plans of individual towns
were the starting knowledge level and became the first GIS layer. The legends of city plans are
relatively detailed; nevertheless the legend items are not unified in individual towns.
The first step of preparing urban land use classes is reclassification of detailed legend classes.
The final classes were residential, production, recreational, and facility areas, green ones,
forest, and traffic areas. These classes are called functional classes. Each class is formed by
higher number of city plan classes. The residential area is formed by mixed residential region,
general residential and rural ones and public areas. The reclassification means also including
of local roads classified as roads of low level in the state roads hierarchy into residential and
other areas. The reclassification is performed individually for each town according to its city
plan classes.
The next step was a verification of present city plans and real state of towns as the plans
comprise plans which may and really differ from the real state. This part of the processing was
done by visual interpretation combined with registration of changes of the city plan and the
result was a map of functional classes of the present state.
Latin American Remote Sensing Week 2010
P á g i n a | 28
The development for forty years was divided into determination of previous phase maps of
functional classes in 2000, 1990, 1980 and 1970. The process started in the latest period and
ended in 1970. These maps were processed using remote sensing data. Two sorts of remote
sensing data were used for change detection allowing mapping a given year. The latest map
(2008) was a result of the present city plan processing by implementing corrections found in
discrepancies between the plan and aerial orthophotographs. Satellite data - Thematic
Mapper data - were utilized for determination of land cover changes. They were derived from
subtraction of original bands and normalized vegetation index for satellite remote sensing
data. Found changes were pixels with high positive or negative values. To find changes
between 2009 and 2000, two TM were used for finding the differences. This approach yielded
areas with different land cover, however, there was an additional task to determine and
“translate” a land cover change into a land use change. Each functional class comprises a wide
range of land cover classes in aerial photographs spatial resolution; however, these detailed
classes are not in prevailing part detectable on Thematic Mapper data. The Thematic Mapper
resolution does not allow determining urban functional classes – agriculture area spectral
behavior can be for some plants similar to vegetated areas, etc. The areas with important
changes were verified using the aerial photograph taking into account also their shape and
texture. Satellite image pairs were always used for change detection. The oldest map showing
the 1970 year was also visually controlled using aerial orthophotomosaic created from aerial
orthophotographs mostly in 50-ies in the last century.
All functional classes were controlled by table data available at the Czech Office for Surveying,
Mapping and Cadastre for the town administrative area. The functional classes in individual
years were used for further evaluation between road transport density, town development
and investments into road network in the form of new by-pass, highways, etc. Following
indicators showing the relation were: development of functional class areas, development of
number of inhabitants, development of road transport density, and building of new
decongesting roads.
5. RESULTS Kladno is an example of processed towns. The town consists both of core, and associated
parts. It is situated 30 km north-west from Prague. Fig. 1 shows spatial changes of four
functional classes between 1969 and 2009 mapped according to above mentioned method.
Residential areas in 1969
Growth of residential areas till 2009
Production areas in 1969
Growth of production areas
Development of residential areas Development of productionl areas
Development of facility areas
Latin American Remote Sensing Week 2010
P á g i n a | 29
Fig. 1. Development of Kladno functional classes for the 1969 – 2009 period
Town development will be further presented on five graphs. The first one (a) shows
administrative, core and associated areas with their built-up and non-built-up area. The other
represents built-up (b) core area Looking at the statistical evaluation presented in Fig. 2, we
can see that it was the area of production whose growth was the steepest in the core part.
Development of residential parts was higher than that of traffic areas within the core region
during last 20 years. However, there is a new highway passing the town in 5 km distance
enabling the town to be used less for a passing through by road traffic. The town has not yield
larger areas for recreation, leisure time, sport, etc. during last 40 years (Fig. 2).
Areas of facilities in 1969
Growth of areas of facilities till 2009
Traffic areas in 1969
Growth of traffic areas
Development of traffic areas
Latin American Remote Sensing Week 2010
P á g i n a | 30
Fig. 2. Example of spatial development for 40 years shown in land use classes.
Administration area has not changed since 1982. The core area changed unlike most towns
between 1982 and 1989. Residential area and area of production cover similar part of the
built-up area, however the growth of production area growth is steeper. Non-built-up area is
in prevailing part forested. Associated areas are formed by agricultural and forest land,
however, their size declines after the political change in 1989.
Regular measurement of road traffic density proves intensive growth of road intensity
calculated as number of vehicles per 24 hours. Comparing the town development with traffic
density using intensity of traffic (number of vehicles per 24 hour/ha), we can see a following
trend. The traffic density has grown intensively since 1990. It is a year of economical change
due to the political change in 1989 from communist regime.
1000
2000
3000
4000
1969 1982 1989 2009
are
a [h
a]
Development of Kladno newly defined urban characteristic parts
administrative area
core area
built-up core area
non- built-up coreareaassociated area
built-up associatedarea
100
200
300
400
500
600
1969 1982 1989 2009
are
a [h
a]
Development of Kladno built-up core area
residential area
traffic area
forest area
recreational area
water
area of facilities
area of production
Latin American Remote Sensing Week 2010
P á g i n a | 31
Fig. 3. Sum of all measured segments on higher level roads used also for passing
transport and on local roads (left). Traffic intensity calculated as a ratio of all vehicles per 24
hours and size of functional areas (right).
Investments into highway and by-pass road construction can be easily recognized from
following two graphs. Ten towns with the highest number of vehicles per 24 hours entering
and leavig each town were selected and compared to number of their inhabitants.
050000
100000150000200000250000300000350000
Towns with highest number of entering and leaving vehicles
1968 sum 1973 sum 1980 sum 1990 sum
1995 sum 2000 sum 2005 sum
Latin American Remote Sensing Week 2010
P á g i n a | 32
Fig. 4. Comparing of traffic density since 1968 to 2005 and number of inhabitants in similar
periods
The Fig.4 shows the important influence of by-pass roads. Mělník has a very low number of
inhabitants in last 40 years compared to Ostrava; however, numbers of measured vehicles
leaving and coming to both towns are very similar. Mělník does not have any by-pass road and
lies on direction among Prague and other important Czech towns. If we analyse Kolin and
Hradec Králové their traffic density and number of inhabitants have analogic conditions.
6. CONCLUSIONS
Relations between town development and road traffic density showed interesting
dependences. The paper presents a very small analysis performed only for functional classes
and road traffic density. Changes in studied characteristics in 50 towns have already brought
a great deal of information. However, the chalenge is to determine a list and sequence of
indicators influencing the relations and their sustainable development.
200000
400000
600000
800000
1000000
1200000
1400000
1600000
1800000
obyv_1965 obyv_1970 obyv_1980
Latin American Remote Sensing Week 2010
P á g i n a | 33
BIBLIOGRAPHY
Global City Indicators Program, http://www.cityindicators.org/; cited 7 September 2010
Brugmann, J. Is there a method in our measurement? The use of indicators in local sustainable
development planning , Local Environment, Volume 2, Issue 1 February 1997 , pages 59 – 72
Vepřek, K. et al. Analysis of 100 years urban development of Hradec – Pardubice regional agglomeration focused on detection of general tendencies and regularity, Terplan Praha, 1983, – research project VÚ P 16-521-503
Acknowledgement
The project is financed by Modeling of urban areas to lower negative influences of human
activities project of the Ministry of Education (OC1011), Czech Republic
Latin American Remote Sensing Week 2010
P á g i n a | 34
4.- EVALUATION OF HIGH RESOLUTION IMAGERY TO IDENTIFY TREES OUTSIDE FOREST (TOF) IN BRAZILIAN ATLANTIC RAIN FOREST
Samuel Martins da Costa Coura National Institute for Space Research – INPE
[emailprotected] Gabriel Pereira – [emailprotected] Yosio Edemir Shimabukuro – [emailprotected]
Flavio Jorge Ponzoni – [emailprotected] Andre Lima – [emailprotected] Daniel Capella Zanotta – [emailprotected]
Summary: Los Árboles fuera del bosque (AFB o TOF, por sus siglas en ingles Trees Outside Forest) se refieren a los árboles en el paisaje que no están definidos como bosques ni en ninguna otra área boscosa. Estos pueden tambien incluir tierras agrícolas, comprendiendo las áreas de praderas y pastizales, zonas edificadas y tierras áridas. La deforestación ha sido cartografiada y cuantificada, pero muy poco se sabe sobre el destino de esas tierras que antes estaban en bosque; la tala del bosque a menudo es seguida por el establecimiento de sistemas de producción de la cual los árboles son una parte integrante. El objetivo de este trabajo es evaluar el uso de diferentes imágenes de alta resolución (QuickBird, Ikonos, Eros y SPOT-5) en el Bosque húmedo tropical atlántico Brasilero para precisa y clasificar los TOF, utilizando diferentes métodos de tratamiento digital de imágenes, usando herramientas básicas de procesamiento de imágenes (como la segmentación). La metodología utilizando procesamiento de imágenes de alta resolución y SIG pueden ser efectivamente empleados usando imágenes de satélite de alta resolución para identificar y cartografiar los recursos de los TOF. Los resultados preliminares muestran que los árboles pueden ser cartografiados a través de métodos de segmentación de imagen e interpretación visual, sin embargo, más testes se están realizando para proporcionar algoritmos automatizados para extraer esos datos. El aspecto del costo siempre debe contar a la hora de elegir la forma de identificar y cartografiar los TOF, va depender de la escala y la precisión deseada, las opciones varían de una amplia gama. Palabras Importantes: árboles fuera del bosque, remote sensing,high resolution.
Abstract: Trees outside forests (TOF) refers to trees on land not defined as forest and other wooded land. This may include agricultural land, including meadows and pasture, built-on land and barren land. TOF as a separate entity, despite their ecological, economic and social importance as (to estimate carbon sequestered in TOF, to evaluate the role of TOF in the context of timber production, to estimate the volume of standing trees outside the forest area etc.) has a great role in many environmental processes. Deforestation has been mapped and quantified, but very little is known about the fate of land formerly under forest; forest clearing is often followed by the establishment of production systems of which trees are an integral part. The objective of this work is to evaluate the use of different high resolution imagery (Quickbird, Ikonos, EROS and SPOT-5) in Brazilian Atlantic Rain Forest in order to indentify and classify TOF using different methods of digital processing images, using basic tools of image processing (such as segmentation). The methodology using high resolution imagery processing and GIS can be effectively employed using high-resolution satellite imageries to identify and map the TOF resources. The preliminary results depicts that the trees can be mapped through image segmentation methods and visual interpretation, however more tests are underway to provide automatized algorithms to extract such data. The costs aspects must
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 35
always count when choosing how to identify and map TOF, depending on the scale and accuracy desired the options vary from a wide range. Keywords: tree outside forest, remote sensing, high resolution.
1-INTRODUCTION The world has billions of trees that are not included in the FRA 2000 (Forest Resources Assessment) definitions of “forests” and “other wooded land”. Trees outside forests (TOF) - i.e. trees available on agricultural land, along road, railways, canals, ponds, orchards, parks, gardens and homestead plays many role like forests. They make a critical contribution to sustainable agriculture, food security and rural household economies; they supply many products and services similar to forests; and they protect crops and the soil against water and wind erosion, thus combating drought and desertification and protecting water resources (FAO, 2010; Rawat et al., 2004). Trees outside forests have been defined differently by different countries and international agencies. In India, TOF is defined as all those trees, which have attained 10 cm or more diameter at breast height, available on lands, which is not notified as forests. However, FAO defines TOF as trees available on lands which is not defined as “forests” or “other wooded land” (FAO, 2010; Kumar, 2006). Deforestation has been mapped and quantified, but very little is known about the fate of land formerly under forest; forest clearing is often followed by the establishment of production systems of which trees are an integral part. Not much is known about the dynamics of trees on farmlands and their corresponding contribution to the production of wood and other products and services. Similarly, little is known about changes in tree cover in fields and urban systems. (FAO, 2010). The increasing forest cover loss and its fragmentation on one hand, the need to conserve remnants of representative forest ecosystems and the increasing demand of forest products in developing countries (Mateo, 1998; Rodríguez 1998; Salas, 1998) on the other hand, make the development of innovative sustainable management tools imperative for other less studied tropical forest resources such as trees outside forest (Herrera-Fernández, 2003). Currently it is recognized that TOF embrace not only many ecological functions, such as conservation of biodiversity, erosion control, and carbon sequestration, but also economic functions, such as provision of firewood, fodder, fence posts, and living fence posts. In the socioeconomic context, fuelwood is of particular interest, because it remains the first source of energy in developing countries, representing almost 81% of the total wood harvest. Although there is no precise data about the contribution of fuelwood from TOF as a proportion of total fuel consumption, it is clear that agroforestry systems in developing countries provide a large part of this resource (FAO,1999, 2010; Herrera-Fernández, 2003). The objective of this paper was to identify and to evaluate the potential of 4 (four) subsets of high spatial resolution imageries (Quickbird, Ikonos, SPOT-5 and Alos/AVNIR) to identify trees outside forest (TOF) in the Brazilian Atlantic Rain Forest. This ecosystem has underwent for a huge degradation since the early times of Brazil’s history, nowadays just remaining around 7% of its initial area. The Atlantic Forest (mainly located along the Brazil’s shoreline)
Latin American Remote Sensing Week 2010
P á g i n a | 36
is now designated a World Biosphere Reserve, which contains a large number of highly endangered species. It has been extensively cleared since colonial times, mainly for the farming of sugar cane and for urban settlementsThis ecosystem is the richest in terms of biodiversity in the whole world (SOS Mata Atlântica, 2010). Both visual and automatic approaches will be used in this preliminary study.
2- MATERIALS AND METHODOLOGY USING REMOTE SENSING DATA The remote sensing data can provide stratification of the TOF resources, which can be utilized to increase the precision level and may turn out time effective. Some time the objectives of TOF resource assessment may require spatial distribution of resources on maps along with several other features. This objective can be appropriately tackled by the use of aerial photographs and satellite imageries in the assessment procedure (FAO, 2010). The choice of tools and methods used to describe or assess trees outside the forest depends on the scale of analysis, kind of data and degree of accuracy desired. The tools used are not generally specific or new; rather, they are combined and implemented in original ways (Rawat et al. 2003).
The most commonly used remote sensing technology for TOF resources is aerial photography, which can be used to describe spatial distribution and to distinguish TOF cover classifications, providing the appropriate scale is chosen. However, high costs prohibit widespread use of aerial photography for TOF assessments in most countries. The new 1-5m high resolution satellite sensors represent a possible future alternative to aerial photography (FAO, 2010).
Some TOF field inventories are modeled on forest inventory methods and keep to biological and physical criteria; others emphasize social aspects, choosing villages as the sampling units. For measurements on the ground, sampling arrangements designed for forest stands may not be the most effective arrangements for trees. Less traditional sampling plans which would theoretically be better suited to this resource should be tested on various categories of TOF, especially those covering fairly large areas, in Brazilian National Forest Inventory, which is underway. TOF’s are supposed to be mapped using ALOS/AVNIR imagery with 2.5 m of spatial resolution.
The imagery used in this research was previously processed, and then a data base was created in order to apply the segmentation algorithms. The GIS SPRING® (free software) was the one chosen to process and analyze the data.
All images subsets were submitted to the same process of segmentation with different parameters of area and similarity, which define the size of the polygons delineated on the images compositions and the variation the image’s gray level. Several thresholds were applied in order to find out which one was more suitable to delineate the individual, vicinal or aggregate of trees. In each situation (image subset) the thresholds varied due to the image spatial resolution and many variables related to the landscape due to pattern and spatial distribution of the TOF’s along the scene. Circumstantial and detailed visual interpretation was done before applying any algorithm.
Latin American Remote Sensing Week 2010
P á g i n a | 37
3- RESULTS AND DISCUSSION In the Figure 1 from ALOS/AVNIR (06/20/2008) image over a stratified area in Sao Paulo State (a) and respective image segmentation (b) with similarity of 4 and minimal area of 25 m² (corresponding to 4 pixels of ALOS/PRISM fusion through HIS method). In this area, trees outside the forest (TOF) are located near water bodies; in land division and forest tree that remnant in deforestation processes that leads to pastures and cattle areas. As shown in Figure 1b, the segmentation process, with the parameters described above, permitted a good distinction between TOF and other land use and land cover (LULC) areas. The main factor for separation is the difference between reflectance values in infrared region of electromagnetic spectrum (EEM) of pasture and trees and key elements of image interpretation.
Figure 1 – (a) ALOS -2B3R4G image; (b) ALOS segmentation image (black lines) with minimal area of 100 m² and similarity of 20. Figure 2 shows the IKONOS (07/19/2008) true color image (1B2G3R) over a sample area in Bahia State (northeast of Brazil) in (a) and respective image segmentation (b) with similarity of 40 and minimal area of 5 m² (corresponding to 5 pixels). In this area, TOF are distributed in superficial drainage channels and in pasture sites. Figure 2b shows that using only visible region of EEM as a parameter estimator in segmentation method and small area detection, several fragments caused by the variation of colors and shadows in the image appear, making the visualization of TOFs in image not so clearly.
Latin American Remote Sensing Week 2010
P á g i n a | 38
Figure 2 – (a) IKONOS true color image; (b) IKONOS segmentation image (black lines) with minimal area of 5 m² and similarity of 40. Figure 3 shows the true color QUICKBIRD (04/09/2008) image (1B2G3R) in Bahia State (northeast of Brazil) and image segmentation in (a) and (b), respectively. In this image, a similarity of 40 and minimal area of 2.1 m² were applied to delimit TOF areas. As in IKONOS image, the use of visible region of EEM to extract statistical parameters to delimited areas in image led to the emergence of fragments in areas of strong variations between neighboring regions. Otherwise, TOF area is also mapped, including trees shadows. The same results are obtained in SPOT 5 (06/08/2006) true color segmentation with similarity of 40 and minimal area of 5 m² as shown in Figure 4. Both areas correspond to pasture areas with cattle located in the northeast of Brazil.
Figure 3 – (a) QUICKBIRD true color image; (b) QUICKBIRD segmentation image (black lines) with minimal area of 2.1m² and similarity of 40.
Figure 4 – (a) SPOT true color image; (b) SPOT segmentation image (black lines) with minimal area of 5 m² and similarity of 40. The results of TOF delimitation using ALOS/AVNIR 2.5 m segmented image are shown in Figure 5. In sample area located in Sao Paulo State, approximately 5% of area was classified as TOF, mainly placed in superficial drainage channels according to Brazil environmental laws.
Latin American Remote Sensing Week 2010
P á g i n a | 39
To verify the assessment of TOF extraction, 60 random points are distributed in study area (30 in TOF classification and 30 in unclassified areas), afterward, samples where compared with image interpretation of high resolution images, obtaining a Kappa value of 97%. However, some mistakes in TOF classification include areas of marsh and dense shrubs/tall grass (less than 2%). Results indicate that ALOS/AVNIR presented a high capacity to detect TOF, but, this study should be conducted in other biomes in order to verify the methodology accuracy. Rawat et al. (2004) identified and classified TOF’s in India using IRS satellite data with 5.8m. The TOF’s were classified based on its spatial distribution as (blocks, linear and scattered) with a Kappa 0.92.
Figure 5 – (a) ALOS -2B3R4G image; (b) ALOS segmentation image (black lines) with TOF classification.
4- CONCLUSIONS Preliminary results present a positive perspective regarding the ability to identify the TOF’s by visual interpretation as well by automatized techniques. On the next phase, it will be tested principal components analysis, linear mixture model in order to improve the results and make it faster and precise extraction of such data. Shadow effect is main obstacle to tackle in order to achieve better results. As presumed, the better spatial resolution the major accuracy is expected. In fact depending on the spatial resolution the TOF’s are mapped in form of groups, not as an individual tree. What is called a mapped dossal, however through visual interpretation the trees may be delineated by hand providing accurate results. The cost effectiveness is always one of the main variables taken by policy makers, then, each situation a particular decision. Simple, standardized, solutions, valid even for large-area coverage, are hard to imagine. The composition, structure and distribution of trees outside forests are by their very nature both variable and diverse. The methodology using orbital image processing and GIS can be effectively employed using high-resolution satellite imageries to identify and map the TOF resources. It is expected to provide better estimates of TOF resources than the one generated through field survey only.
Latin American Remote Sensing Week 2010
P á g i n a | 40
5- BIBLIOGRAPHY FAO- Food and Agriculture Organization – UN- United Nation – http://www.fao.org/docrep/004/y1997e/y1997e09.htm FAO. State of the world's forests 1999. Rome. Herrera-Fernández, B. Classification and modeling of trees outside forest in Central American landscapes by combining remotely sensed data and GIS. Inaugural-Dissertation zur Erlangung der Doktorwürde Fakultät der Albert-Ludwigs-Universität – Freiburg – 2003. Kumar, O. Valuation and Evaluation of Trees Outside Forest (TOF) in India. Forest Survey of India – Kaulagarh Road, PO: IPE Dehradun, India – 2006. Rawat, J.K., Dasgupta, S.S., Kumar, R.S. Assessment of Tree Outside Forest based on Remote Sensing Satellite Data. Forest Survey of India, Kaulagarh Road, PO. IPE, Dehradun – 248-195. 2004. Rodríguez, J. Estado del Ambiente y los Recursos Naturales en Centroamérica 1998. Comisión Centroamericana de Ambiente y Desarrollo. San José, Costa Rica.1998.
Latin American Remote Sensing Week 2010
P á g i n a | 41
5.- MODELACIÓN PROSPECTIVA DEL PAISAJE DE UNA CUENCA
Cervando Castillo Romano
Instituto Mexicano de Tecnología del Agua
Especialistas en Hidráulica
[emailprotected]
Jorge Brena Zepeda
Instituto Mexicano de Tecnología del Agua
Especialista en Hidráulica
[emailprotected]
Resumen: Aplicando un conjunto de algoritmos: cadenas de Markov, evaluación
multicriterio, evaluación multiobjetivo y de autómatas celulares se logra el modelado
espacio-temporal a una serie cronológica de mapas de uso del suelo y vegetación, se
obtiene la modelación prospectiva del paisaje. Este trabajo presenta el resultado de la
modelación del paisaje de una cuenca localizada en el sur de México aplicando una
metodología que utiliza los mapas de uso del suelo de los años de 1986 y 2006 como
datos espacio-temporales para obtener un escenario tendencial. Para la evaluación
multicriterio de las clases que aumentaron su superficie en el escenario tendencial se
utilizan los mapas de precipitación anual, fertilidad del suelo y pendientes como
elementos primarios para obtener los pesos ponderados que deben aplicarse para
obtener el mapa de aptitud del suelo de estas clases. Utilizando el método conocido
como Proceso Jerárquico Analítico, que involucra en una etapa del proceso la
participación de expertos en el manejo de recursos naturales para construir la
estructura jerárquica se obtienen los pesos ponderados. El resultado final es la
obtención del escenario prospectivo para en año 2036 de la cuenca de estudio. Este
escenario contribuye a definir las políticas que deben aplicarse para la conservación y
aprovechamiento adecuado de los recursos de la cuenca.
Palabras clave: Modelación prospectiva del paisaje, uso del suelo y vegetación, análisis
espacio-temporal, escenario tendencial.
Abstract: This paper attempted to obtain a prospective landscape based upon space-
time modeling series of land use and vegetation. A set of algorithms, such as, Markov
chains, cellular automata, multi-criteria and multi-objective techniques were applied. A
small watershed located South of Mexico was used to exemplify the proposed
methodology (258206 ha). The procedure used land use maps developed from satellite
images taken during 1986 and 2006, these images served as hard data to predict future
land covers. For the multi-criteria assessment, three variables were considered: annual
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 42
rainfall, soil fertility and ground slope. A weighting factor was allocated to each
variable by using an Analytical Hierarchy Process (AHP). The AHP methodology
involved the collaboration of a group of experts to come up with an appropriate set of
weighting factors. The final result is a soil suitability map for the year 2036. This map
will be helpful to decision makers to improve the natural resources management
throughout the watershed.
Keywords: Modeling prospective landscape, land use and vegetation, space-time
analysis, baseline scenario.
1. INTRODUCCIÓN
El presente estudio es el resultado de la modelación prospectiva del paisaje para el año
2036 (t3) en una cuenca (258206 ha) que se localiza en el estado de Oaxaca en el sur de
la República Méxicana. El escenario obtenido muestra el paisaje que se obtuvo después
de modelar 30 años de cambios, teniendo como base dos estudios temporales de Uso
del Suelo y Vegetación, el primero se obtuvo con imágenes del satélite LANDSAT 5
tomadas en 1986 con resolución espacial de 30 m por pixel (t1), el otro con imágenes
del satélite SPOT de 2006 con resolución de 20 m (t2), en ambos casos se tomó como
referencia para definir las clases a interpretar el mapa de uso del suelo y vegetación
publicado por Instituto Nacional de Estadística, Geografía e Informática (INEGI).
2. HERRAMIENTAS PARA LA MODELACIÓN DEL PAISAJE
Un software que ha puesto a disposición de los usuarios de Sistemas de Información
Geográfica (SIG) un conjunto de algoritmos matemáticos para la modelación del paisaje
es IDRISI en varias de sus versiones, por lo tanto este fue el software que se utilizó. El
conjunto de algoritmos se concentran en la función CA_Markov del módulo de series de
tiempo de IDRISI.
En esencia las cadenas de Markov lo que hacen es examinar el estado más recientes de
un proceso, considerando que los procesos anteriores son conocidos, entonces la
probabilidad de los estados futuros dependen únicamente del estado actual y no de los
anteriores. Que en nuestro caso podemos decir que el resultado prospectivo 2036 (T3)
depende de la comparación de los usos de suelos de t1 y t2 a partir de la generación de
una matriz de probabilidad de transición.
Para que la matriz sea aplicada es necesario llevar a cabo una evaluación multicriterio,
esta se aplica para obtener los mapas de aptitud del suelo que expresan los diferentes
niveles de uso potencial que pueden tener cada una de las clases de uso del suelo y
vegetación. El multicriterio también es la herramienta para obtener la aptitud de una
clase considerando la suma de más de un atributo para obtenerlo. Los factores de
ponderación o peso que se calculan para los atributos se obtuvieron utilizando el
Método de Análisis Jerárquico AHP creado por Thomas Saaty, es una herramienta que
Latin American Remote Sensing Week 2010
P á g i n a | 43
se ha aplicado en diferentes áreas del conocimiento para la toma de decisiones, en este
caso se aplica para la caracterización o ponderación de los recursos naturales y de
actividades antrópicas. Más adelante se explica con más detalle su aplicación.
El algoritmo multiobjetivo define el cambio o destino de los pixeles que pasaran a ser
parte de otra clase de acuerdo con su probabilidad de cambio o de permanecer en la
misma si no hay condiciones para un cambio. Otra herramienta utilizada para
materializar el escenario futuro, son las operaciones lógicas entre imágenes, sin
embargo el peso sustancial en esta etapa corresponde a la discusión que se da entre
expertos para definir los criterios que se aplican para obtener los mapas de aptitud del
suelo para la recuperación de la vegetación, sin duda que esta etapa es la mas
enriquecedora del proceso porque abre la puerta para la discusión de ideas y
argumentos para lograr el consenso en los parámetros finales que se aplicarán los
mapas de aptitud. Podemos decir que esta etapa busca el consenso de ideas para
lograr o llegar a una meta.
3. METODOLOGÍA
3.1 Datos cartográficos iniciales
La información base para este estudio se sostiene en dos mapas en formato raster de Uso
del Suelo y Vegetación, uno de 1986 (t1) y otro de 2006 (t2). También como datos de
entrada se utilizaron tres mapas: mapa de fertilidad del suelo, el de pendientes y el de
precipitación anual. El mapa de fertilidad se obtuvo a partir del mapa Edafológico de
INEGI, asignando un valor de fertilidad con base en las características de los tipos de suelo
definidos por la clasificación de la FAO. El de pendientes (en grados) se creó utilizando el
modelo numérico del terreno escala 1: 50,000 de INEGI. Por último, se utilizó el mapa de
isolineas de precipitación anual del área de estudio. En la Figura 1 se muestran los dos
mapas de uso del suelo y vegetación que se utilizaron para llevar a cabo este estudio.
Figura 1. Mapas de uso del suelo y vegetación de 1986 y 2006 ( t1 y t2)
3.2 Escenario Tendencial
Latin American Remote Sensing Week 2010
P á g i n a | 44
El Escenario Tendencial se calcula para obtener la matriz de áreas de transición y la
matriz de probabilidades de transición, el algoritmo utiliza cadenas Markovianas que
permiten calcular la probabilidad de cambio de una clase a otra con base en la matriz de
cambios de un cierto rango de tiempo. La idea es que los cambios observados en un
periodo de tiempo tienen la tendencia a repetirse en un periodo posterior (Paegelow,
2003). La matriz de transición toma en cuenta el uso del suelo y vegetación en el tiempo
t1 y t2 para determinar la superficie cuyo uso de suelo cambia a otra categoría. La matriz
de transición permite conocer cuales serán las superficies de cada clase de uso del suelo y
vegetación para 2036 si las tendencias del periodo 1986-2006 continúan con la misma
dinámica por eso es un escenario tendencial.
Un dato relevante que se identifico al hacer el análisis del crecimiento de los
asentamientos humanos utilizando los mapas de uso del suelo de 1986, 1993, 1997, 1998,
2000, 2003 y 2006, se identifico que en su totalidad son rurales y prácticamente no
crecieron de 2000 a 2006 por lo que su superficie ha permanecido prácticamente
invariada. Sin crecimiento económico en la zona está destinada a un estancamiento y es
probable que en el futuro se incremente la migración de los habitantes en búsqueda de
empleo a otros lugares. Por lo tanto, se asumió la decisión de modificar la matriz de
transición para mantener constante la superficie de asentamientos humanos, lo que se
hizo fue igualar a cero la probabilidad de cambio de esta clase.
3.3 Mapas de Aptitud del suelo
Una vez definidas las superficies para el escenario futuro, la metodología requiere de
elementos para identificar las zonas dónde se llevarán a cabo los cambios, es decir, definir
las mejores áreas para aplicar los cambios.
Para cada una de las 20 clases se requiere de un mapa de aptitud del suelo, el objetivo es
evaluar la probabilidad que un área mínima exista en una clase determinada con base en
las características de esa área. La mínima área que se evalúa es un pixel. En estos mapas a
cada píxel se le asigna un valor de aptitud de 0 a 10, generalmente se utilizan valores de 0
a 1, pero se prefiere utilizar el intervalo de 0 a 10 para facilitar el cálculo y trabajar solo
con números enteros.
Un criterio aplicado para definir los mapas de aptitud de las clases es identificar la
tendencia de crecimiento o decrecimiento de la superficie de 1986 a 2006. Las clases que
tuvieron decrecimiento son las siguientes: Bosque templado, Selva mediana y bosque
mesófilo, Manglar Selva baja caducifolia, Popal y tular, Sabana, Vegetación de dunas
costeras, Vegetación riparia y Pastizal natural. En estos casos se considera que el área de
la vegetación original, la de 1986, es el área o mapa potencial porque la tendencia es
recuperar lo que se ha perdido o perturbado, a estas áreas se les asigna un valor de
aptitud de 10 y cero a las otras clases. Lo que se busca es revertir el escenario tendencial,
es decir, que no sigan disminuyendo las clases, lo que se plantea es recuperarlas.
Latin American Remote Sensing Week 2010
P á g i n a | 45
Cuando sucede un crecimiento como ocurrió con la Agricultura de temporal, la Agricultura
de riego, Plantaciones, Zonas inundadas y Suelo desnudo. En estos casos, los mapas de
aptitud se crearon con técnicas multicriterio (Malczewski, 1999). Para llevar a cabo el
cálculo, primero se definieron los criterios que determinan la aptitud en un rango 0 a 10
como se ha hecho con anterioridad, posteriormente se definieron los pesos ponderados
para cada criterio con un rango de valores de 0 a 1, la suma de los pesos debe ser igual a 1.
Para calcular el valor de aptitud se utiliza la siguiente ecuación:
n
Ac = ∑ Pj Cj (1)
J=1
Donde Ac = Aptitud del suelo; Pj = Pesos ponderados; Cj = Valores de los criterios
Como ejemplo se muestra el cálculo del mapa de aptitud para la Agricultura de temporal.
De entrada se clasificó el mapa de pendientes en cuatro categorías a cada una se asignó un
valor de aptitud, los terrenos con pendientes menores de 8 grados se les asignó un valor
de 10 porque son los mejores para esta actividad. La precipitación media anual se dividió
en tres rangos y se asignó el valor de 10 al área donde el promedio es igual o mayor
1500mm. El mapa de fertilidad del suelo se clasifico en siete valores de aptitud porque no
alcanza la escala de diez, al suelo Luvisol ródico se le asignó el valor de 7 por ser el mejor
para la agricultura de temporal. En la Figura 2 se muestra la clasificación para cada uno de
los casos. Para establecer el peso ponderado de cada uno de los mapas se utilizó la técnica
de Saaty, denominada Proceso Jerárquico Analítico (AHP, por sus siglas en inglés). El AHP
“se trata de desmenuzar un problema y luego unir todas las soluciones de los
subproblemas en una conclusión. El AHP trata directamente con pares ordenados de
prioridades de importancia, preferencia o probabilidad de pares de elementos en función
de un atributo o criterio común representado en la jerarquía de decisiones”. El AHP
dispone de una escala (de 1 a 9) creada por Saaty que pondera los juicios emitidos por un
grupo de expertos que toma las decisiones valorativas en el proceso.
Figura 2. Aptitud de la Fertilidad del suelo,
Precipitación y Rango de pendiente
Figura 3. Pesos ponderados para la Agricultura
de temporal
Latin American Remote Sensing Week 2010
P á g i n a | 46
6.- METODOLOGÍA PARA EVALUAR LA CALIDAD ALTIMÉTRICA DE LOS MDE GLOBALES: ASTER-GDEM, ACE2 Y SRTM3 EN REGIONES DE INTERÉS
PETROLERO EN VENEZUELA.
Steven Ma rquez (1), Hermo genes Sua rez (2), Norah Gallucci (2), Hugo Rivas (2).
Universidad del Zulia, Escuela de Ingenierí a Geode sica (1).
PDVSA, Departamento de Geofí sica y Geodesia (2).
[emailprotected], [emailprotected], [emailprotected].
Resumen: PDVSA en sus estudios y proyectos que desarrolla en el a mbito nacional e internacional, emplea informacio n geoespacial diversa, principalmente se apoya en ima genes satelitales de alta resolucio n espacial, las cuales deben ser corregidas u ortorectificadas mediante Modelos Digitales de Elevacio n (MDE), con el fin de mitigar las distorsiones causadas por el relieve topogra fico. Adicionalmente, los MDE son aplicados para diversos estudios e interpretaciones de la geologí a de superficie, entre otras aplicaciones dentro de la industria petrolera.
El objetivo del trabajo fue determinar la calidad de los diversos MDE Globales disponibles. SRTM3, ACE2 y ASTER GDEM fueron evaluados. Enmarcando el estudio a las principales regiones petroleras de Venezuela. El trabajo presenta una propuesta metodolo gica para analizar y determinar la calidad altime trica de los MDE, basa ndose en un estadí stico de los residuales altime tricos calculados a partir de los diferentes MDE (ASTER-GDEM, ACE2, SRTM3) y diversas fuentes de datos altime tricos de referencia: Estaciones de redes geode sicas, pozos petroleros medidos con GNSS y levantamientos sí smicos. Para el tratamiento y ana lisis de los datos se aplicaron herramientas de GIS bajo OpenSource.
SRTM3 fue el MDE Global ma s apropiado para las diversas aplicaciones de PDVSA en Venezuela. El modelo SRTM3 reporto residuales altime tricos con un RMS de ±4,3m. El ACE2 arrojo residuales con un RMS de ±5,5m. El modelo ASTER GDEM reporto residuales altime tricos con un RMS de ±9,8m.
Abstract: PDVSA in their studies and projects developed at the national and internationally diverse uses of geospatial information, mainly based on satellite images of high spatial resolution, which should be corrected, or orthorectified by Digital Designs Elevation (DEM), in order to remove the distortions caused by topographic relief. Additionally, the MDE are applied to several research and interpretations about surface geology, including applications in oil industry.
The main objectives are to determine the quality and accuracy of several Global DEM available. SRTM3, ACE2 and ASTER GDEM model were evaluated. Framing the study in main oil regions in Venezuela. The paper presents a methodological proposal for analyze and determine the DEM altimetry quality based In comparison an altimetric residuals calculated from several altimetry geodetic data: geodetic network stations, GNSS measured oil wells and seismic surveys. For processing and analysis of data were used GIS tools developed OpenSource. SRTM3 was the most appropriate DEM for main oil regions in Venezuela. SRTM3 model
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 47
reported altimetric residuals with ± 4.3 m RMS. ACE2 model reported altimetric residuals with ± 5.5 m RMS. ASTER GDEM model reported altimetric residuals with ± 9.8 m RMS.
Palabras claves: MDE, SRTM, ACE2, ASTER-GDEM, PDVSA.
La evaluación de la calidad altimétrica de los modelos ASTER GDEM, ACE2 y el SRTM3 es el principal objetivo de este estudio, con el fin de cuantificar el error asociado a cada uno de ellos y establecer cuál de estos modelos es el más apropiado en las aplicaciones de la industria petrolera. La zona de evaluación fue la División Oriente (comprende parte de los Estados Anzoátegui y Monagas), División Centro Sur (Estado Barinas) y Costa Oriental del Lago de Maracaibo (Estado Zulia). Evaluar la calidad altimétrica del ASTER-GDEM, ACE2 y del SRTM3, mediante la aplicación de una metodología basada en el análisis estadístico de residuales altimétricos calculados a partir de los MDT y las diferentes fuentes de datos de referencia (Redes geodésicas, Pozos, Sísmica).
OBJETIVO
Evaluar la calidad altimétrica de los MDE: ASTER-GDEM, ACE2 y del SRTM3, mediante la aplicación de una metodología basada en el análisis estadístico de residuales altimétricos calculados a partir de diferentes fuentes de datos de referencia (redes geodésicas, pozos petroleros, sísmica).
METODOLOGÍA La metodología empleada para la evaluación de los MDT a través de datos altimétricos fue la siguiente (Suárez H. et al., 2009):
Recolección de datos (MDT’s, redes, pozos y sísmica). Adecuación de datos. Cálculo de residuales altimétricos en cada MDT, para cada sets de datos. Depuración de residuales altimétricos de cada grupo. Análisis estadístico para cada grupo de residuales altimétricos depurados. Análisis e interpretación de resultados.
DESCRIPCION DE DATOS Para el estudio se contó con el modelo ASTER GDEM el cual fue generado a partir de datos estereoscópicos, desde la época de 1999 y publicado en el 2009) (ERSDAC, 2009). El modelo ACE2 resultante de la fusión del modelo SRTM3 y datos altimétricos provenientes de los altímetros satelitales Jason, ERS-1, ERS-2, y Envisat (EAPRS, 2008). El SRTM3 (3” ≈ 90m) el cual fue obtenido mediante la técnica InSAR (JPL, 2009). Se seleccionaron tres (3) zonas de estudio donde se encuentran las principales áreas operacionales de PDVSA. La primera de ellas es la zona nor-oriental de Venezuela correspondiente a la División Oriente (-65º a -63º λ y 10º a 8,5º φ, WGS84). La segunda zona de estudio correspondiente a la División Centro Sur (-70,5º a -69,5º λ y 9º a 8º φ, WGS84). La tercera zona fue la Costa Oriental del Lago de Maracaibo (-71,5º a -70,5º λ y 11º a 10º φ, WGS84) (figura 1).
Latin American Remote Sensing Week 2010
P á g i n a | 48
Figura 1: “Representación de las tres zonas de estudio”
Se recopiló un conjunto de datos geodésicos con información altimétrica proveniente de sísmica, pozos petroleros y redes geodésicas. Para el estudio se contó con 1.871 vértices GPS REGVEN con una calidad altimétrica ±0,1m. 19.889 puntos medidos con GNSS provenientes de pozos circunscritos en las áreas de evaluación con una calidad altimétrica ±0,5m. Además, 4.033.323 puntos con una calidad altimétrica ±1m de error, que fueron extraídos de 57 proyectos sísmicos 2D y 3D para las áreas de evaluación (figura 2, 3 y 4).
Figura 2: “DTM y datos altimétricos de referencia en la División Oriente. 2a: Datos sísmicos. 2b: Pozos petroleros. 2c: Redes Geodésicas.”
a
b c
b
c
Latin American Remote Sensing Week 2010
P á g i n a | 49
Figura 3: “DTM y datos de referencia en la División Centro Sur. 3a: Datos sísmicos. 3b: Pozos petroleros. 3c: Redes Geodésicas.”
Figura 4: “DTM y datos de referencia en la División Occidente. 4a: Datos sísmicos. 4b: Pozos petroleros. 4c: Redes Geodésicas.”
A continuación se presenta una tabla descriptiva de los datos utilizados en cada zona de estudio en función de la cantidad de estaciones, calidad, espaciamiento promedio entre estaciones y su densidad por área. En las tres zonas se pudo observar que los datos sísmicos poseen la mayor densidad y con un espaciamiento promedio menor que el resto de los datos, seguido por los pozos petroleros y las redes geodésicas.
Tabla 1: Descripción de los datos altimétricos utilizados.
División Fuente Cant. RMS Esp. (Km) Dens.(Estación/Km2)
Oriente Redes 231 ±0,1m 6,021 1,20 Pozos 16.270 ±0,5m 0,455 84,74 Sísmica 1.196.670 ±1m 0,042 6232,66
Centro Sur Redes 128 ±0,1m 3,374 1,16 Pozos 526 ±0,5m 0,637 4,78 Sísmica 277.415 ±1m 0,045 2521,95
Occidente Redes 1.512 ±0,1m 0,543 13,75 Pozos 3.093 ±0,5m 0,128 28,12 Sísmica 59.238 ±1m 0,037 538,53
a
b c
Latin American Remote Sensing Week 2010
P á g i n a | 50
CÁLCULOS Y RESULTADOS Se calcularon residuales altimétricos para cada MDT (ASTER GDEM, SRTM3 y ACE2) a partir de los diferentes sets de datos geodésicos. La ecuación utilizada para el cálculo de los residuales altimétricos se muestra a continuación: Δ= H_MDT – H_Datos (1)
Resultados: Redes geodésicas A continuación se presenta la tabla del resumen estadístico resultante del cálculo de residuales altimétricos a partir de los datos de redes geodésicas y los MDT.
Zona # Datos DEM Mean
(m) S.D (m)
RMS (m) MAX MIN
Oriente 231 GDEM 4,49 ±9,73 ±10,72 39,83 -32,54 SRTM -3,37 ±2,47 ±4,18 9 -8,08 ACE2 0,34 ±4,59 ±4,60 25 -8
Centro-Sur
128 GDEM 8,58 ±5,68 ±10,28 37,63 -4,83 SRTM -1,15 ±2,93 ±3,15 17,51 -7,93 ACE2 0,58 ±6,63 ±6,66 61 -15
Occidente 1.512 GDEM 0,29 ±6,17 ±6,18 22,31 -18,35 SRTM -0,08 ±2,04 ±2,08 5,25 -6,75 ACE2 -1,34 ±2,72 ±3,04 10 -9
Tabla 2: “Estadística de residuales altimétricos MDT Vs Redes”
En las 3 zonas se observó que los menores residuales altimétricos (redes geodésicos) fueron reportados por el SRTM3 y eso se refleja en los diferentes indicadores estadísticos.
Los máximos residuales altimétricos (redes geodésicos) se detectaron en la zona División Oriente, donde los RMS fueron ±10,7m, ±4,2m y ±4,6m para el ASTER-GDEM, SRTM3 y el ACE2 respectivamente.
Para el 95% de los datos analizados se observó que los residuales se ubican en un rango de 20m para el ASTER-GDEM y un rango de 7m para el SRTM3 y el ACE2.
En esta prueba se observó que el SRTM es el DTM de mejor calidad. Resultados: Pozos petroleros A continuación se presenta la tabla del resumen estadístico resultante del cálculo de residuales altimétricos a partir de los datos de pozos petroleros y los MDT.
Zona # Datos DEM Mean
(m) S.D (m)
RMS (m) MAX MIN
Oriente 16.270 GDEM 2,54 ±11,45 ±11,73 152,11 -134,20 SRTM -1,78 ±3,09 ±3,63 6,58 -6,57 ACE2 -0,75 ±4,22 ±4,29 26 -22
Centro-Sur
526 GDEM 6,55 ±5,92 ±8,83 25,15 -9,23 SRTM -2,67 ±3,58 ±4,46 9,72 -13,04
Latin American Remote Sensing Week 2010
P á g i n a | 51
ACE2 -1,01 ±3,90 ±4,03 15 -24
Occidente 3.093 GDEM -5,94 ±7,48 ±9,55 15,98 -26,96 SRTM -0,03 ±4,34 ±4,34 8,22 -8,22 ACE2 -2,51 ±5,07 ±5,66 11 -20
Tabla 3:” Estadística de residuales altimétricos MDT Vs Pozos.
Los máximos residuales altimétricos (pozos petroleros) se detectaron en la zona División Oriente, donde los RMS fueron ±11,7m, ±3,6m y ±4,3m para el ASTER-GDEM, SRTM3 y el ACE2 respectivamente.
Para el 95% de los datos analizados se observó que los residuales se ubican en un rango de 19m para el ASTER-GDEM y en un rango de 7m para el SRTM3 y el ACE2.
Para esta prueba el SRTM fue el modelo de mejor calidad para la zona de oriente y occidente, sin embargo en centro-sur se observó un mejor comportamiento del ACE2.
Resultados: Proyectos sísmicos A continuación se presenta la tabla del resumen estadístico resultante del cálculo de residuales altimétricos a partir de los datos de datos sísmicos y los MDT.
Zona # Datos DEM Mean
(m) S.D (m)
RMS (m) MAX MIN
Oriente 1.196.670 GDEM 1,84 ±13,47 ±13,59 229,10 -263,6 SRTM -4,14 ±5,53 ±6,96 94,53 -210,57 ACE2 -2,55 ±5,69 ±6,23 89 -103
Centro-Sur
277.415 GDEM 7,17 ±7,42 ±10,32 125,14 -114,40 SRTM -2,45 ±4,55 ±5,17 48,09 -125,95 ACE2 0 ±7,78 ±7,78 100 -145
Occidente 59.238 GDEM 2,44 ±6,89 ±7,31 59,31 -82,26 SRTM -1,96 ±4,09 ±4,56 9,87 -9,87 ACE2 -2,21 ±5,54 ±5,97 54 -70
Tabla 4: “Estadística de residuales altimétricos MDT Vs Sísmica”.
Los máximos residuales altimétricos (datos sísmicos) se detectaron en la zona División Oriente, donde los RMS fueron ±13,5m, ±7m y ±6,2m para el ASTER-GDEM, SRTM3 y el ACE2 respectivamente.
Para el 95% de los datos analizados se observó que los residuales se ubican en un rango de 25m para el ASTER-GDEM y en un rango de 10m para el SRTM3 y el ACE2.
Para esta prueba el SRTM fue el modelo de mejor calidad para la zona de occidente y centro-sur, sin embargo en oriente se observó un mejor comportamiento del ACE2.
Resultados generales: En la tabla 5, se pueden observar las estadísticas generadas de las diferentes pruebas, los cuales nos permiten comparar la calidad relativa que existen en los modelos, en las tres zonas de evaluación. En esta tabla se muestra la media (X), desviación estándar (σ), RMS y el Ratio calculado a partir del cociente de los RMS reportados para cada set de datos (2).
Ratio= RMSGDEM / RMSSRTM
(2)
Latin American Remote Sensing Week 2010
P á g i n a | 52
Zona # Datos DEM Mean (m)
S.D (m)
RMS (m) Ratio(m) Σ(Ds,RMS) 0,95%
Redes 1.871
GDEM 2,39 ±7,95 ±9,06 2,93 16,25 20,00
SRTM -1,55 ±2,49 ±3,14 5,64 6,00
ACE2 -0,14 ±4,65 ±4,77 1,56 9,41 10,00
Pozos 19.889
GDEM 1,05 ±8,28 ±10,04 2,47 18,32 19,00
SRTM -1,49 ±3,69 ±4,14 7,83 8,00
ACE2 -1,42 ±4,40 ±4,95 1,56 9,35 11,00
Sísmica 4.033.323
GDEM 3,82 ±9,26 ±10,41 1,86 19,67 20,00
SRTM -2,85 ±4,72 ±5,54 10,25 11,00
ACE2 -1,59 ±6,34 ±6,66 1,15 13,00 13,00
Tabla 5: “Resumen estadístico de residuales altimétricos MDT en las tres zonas de interés”
La comparación entre RMS de cada modelo con respecto al GDEM (Ratio) evaluado para cada set de datos, muestra una tendencia de 2:1 a favor del SRTM3 y ACE2.
CONCLUSIONES Y RECOMENDACIONES
Se calcularon residuales altimétricos a partir de datos geodésicos de alta precisión y diferentes MDE globales en 3 zonas de interés petrolero de Venezuela. En general, el modelo SRTM3 reportó residuales menores a los resultantes de las comparaciones con el ACE2 y el ASTER GDEM. El modelo ASTER GDEM reportó residuales altimétricos 2 veces mayores a los obtenidos por el SRTM3 y ACE2. Para Venezuela se recomienda seguir empleando el modelo SRTM3 a pesar de que es de menor resolución.
BIBLIOGRAFIA
EAPRS, Earth and Planetary Remote Sensing Laboratory (2008): “ACE2”. Web site:
http://tethys.eaprs.cse.dmu.ac.uk/ACE2/shared/overview
ERSDAC, Earth Remote Sensing Data Analysis Center (2009): “ASTER GDEM”. Web site:
http://www.ersdac.or.jp/GDEM/E/index.html
Jet Propulsion Laboratory-SRTM, “Shuttle Radar Topography Mission” Dirección
electrónica oficial sobre de la misión: http://www2.jpl.nasa.gov/srtm/.
Suárez H., Méndez H., Villalobos M., Molero Y., Rivas H., Gallucci N. (2009): “DTMSis30, un DEM mejorado a partir del SRTM3 y de data altimétrica de Proyectos Sísmicos 3D en el Distrito Norte de PDVSA”. PDVSA, Puerto la Cruz, Venezuela.
Latin American Remote Sensing Week 2010
P á g i n a | 53
7.- REDES NEURONALES Y ESCÁNER LÁSER EN EL ESTUDIO DE AFLORAMIENTO
Adriane Brill Thum¹ - [emailprotected]
Dra. Silvia Beatriz Alves Rolim2 - [emailprotected]
Maurício Roberto Veronez 3 – [emailprotected]
Paula Schmitt4- [emailprotected]
¹,2, 4Universidad Federal de Rio Grande do Sul
Programa de Posgraduación en Sensoriamento Remoto
¹,3Universidad Vale do Rio dos Sinos - UNISINOS
Programa de Posgraduación en Geologia
El uso del escáner láser como técnica del sensoriamento remoto es reciente, especialmente en
los estudios de afloramientos rocosos. Este dispositivo permite medir la posición en el espacio
y el color natural con una alta frecuencia de muestreo, detallando en tres dimensiones objetos,
superficies y estructuras. Se trata de una tecnología prometedora en términos de
productividad y eficiencia en varios ámbitos de aplicación. En el estudio de afloramientos,
dependiendo de la disposición y las característica de la roca, aparecen fallas en la imagen, es
decir algunas parte del afloramiento quedan sin información. En la búsqueda de la solución de
este problema se utilizarán las Redes Neuronales Artificiales. Se usará el algoritmo
backpropagation o una de sus variaciones y se probarán varias topologías, también varios
conjuntos de entrenamiento y de prueba como un intento de definir la red neuronal apropiada
para generalizar el problema en cuestión. El estudio de caso es la cuenca Camaquã situada en
el sur de Brasil en la región central del Escudo Sul-rio-grandense, que se encuentra ubicada a
250 km de Porto Alegre por la vía BR-290, en el afloramiento conocido como Pedra Pintada
del municipio de Caçapava do Sul – Rio Grande do Sul. Fue realizada la georreferenciación de
las imágenes utilizando una red geodésica con GPS modelo Leica 900, de doble frecuencia
(L1/L2), la cual fue ajustada con los puntos SMAR y POAL de la Red de Monitoreo Continuo
del IBGE (Instituto Brasileiro de Geografia e Estatística). El equipo usado fue el Laser Scanner
ILRIS - 3D (Intelligent Laser Ranging & Imaging System) de OPTECH Incorporated para el
procesamiento de las imágenes, el cual tiene capacidad de recoger hasta 2000 puntos por
segundo a una distancia máxima de 1500 m del albo. Los datos fueron procesados por el
programa Polyworks. Ambos, el equipo y el programa, pertenecen al Programa de Posgrado
en Geología de la Universidad Vale do Rio dos Sinos - UNISINOS. Las Redes Neuronales
Artificiales - RNAs han demostrado su uso en diversas áreas del conocimiento y se cree en el
éxito de su aplicación en esta investigación debido a su excelente capacidad de generalización,
clasificación, interpolación y extrapolación
Palabra Clave: Redes Neuronales Artificiales; escáner láser; afloramientos rocosos.
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 54
1-Introducción
Las rocas, laderas, bloqueos de carreteras o islotes, son afloramientos de rocas, con un 3% de la superficie de los continentes. Las rocas minerales representan de gran importancia para la humanidad y son utilizados de muchas maneras diferentes.
Afloramiento es la aparición de roca en la Tierra después de haber sido arrastrado todas las materias objeto de facilitar el estudio y la cartografía geológica. Este arrastre de material exponiendo las rocas puede ocurrir por procesos naturales como la erosión causada por los ríos, las lluvias, los glaciares o corrimientos de tierras o por procesos artificiales, tales como apertura de caminos y túneles.
Cada tipo de roca tiene un patrón de su topografía propia, la vegetación y el drenaje del suelo. Esta pauta se puede diversificar sustancialmente con pequeños cambios en la composición mineralógica de la roca, pero por otra parte, las rocas muy diferentes pueden tener patrones similares.
El estudio detallado de los afloramientos rocosos en la superficie es de gran importancia para la comprensión de la estructura interna de la Tierra. Algunas rocas que tienen su origen en profundidad puede subir a la superficie.
El uso del escáner láser para realizar estudios sobre afloramientos de roca es relativamente nuevo. Este dispositivo permite medir la posición en el espacio y el color natural de muchos puntos por segundo, detallando los objetos en tres dimensiones, superficies y estructuras.
Se trata de una tecnología prometedora en términos de productividad y eficiencia en varios ámbitos de aplicación. En el caso de estudio de afloramientos dependiendo del estilo y las características de las fallas de rock aparecen en la imagen, es decir, partes del afloramiento sin información.
En un intento por resolver el problema de algunos estudios se llevan a cabo principalmente por medio de una modelización.
En la actualidad técnicas de inteligencia artificial se están utilizando para facilitar la modelización en diferentes campos del conocimiento. Entre estas técnicas podemos mencionar el uso de Redes Neuronales Artificiales - RNA.
El objetivo principal de esta investigación es proponer un modelo basado en redes neuronales capaces de generar puntos con la información de color (RGB) y la altitud en las regiones donde no afloran los datos fueron obtenidos con el escáner láser 3D Terrestre. Este trabajo es el inicio de una investigación para llevar a cabo una tesis doctoral.
2. Descripción del Área de Estudio
La cuenca del Camaquã se encuentra en el sur de Brasil, más precisamente en el centro Escudo de Rio Grande do Sul, situada a unos 250 km de Porto Alegre a través de la BR-290 (PAIM et al, 2000). La cuenca se presenta fragmentada en varias sub-cuencas, la asamblea tiene una forma alargada de la dirección general de NE 30 km de largo y 100 hasta 100 km de ancho.
Cuenca Camaquã (Guaritas), tenemos el afloramiento conocido como Pedra Pintada que se encuentra en la ciudad de Caçapava do Sul - RS, a unos 70 km del centro de la ciudad.
Latin American Remote Sensing Week 2010
P á g i n a | 55
La cuenca del Camaquã está sentado en las tierras de ígneas y metamórficas Escudo Sul-Río-Grande, que incluye el cinturón de granito gnéisicas Dom Feliciano, Cinturón Tijucas, el Cinturón de Vila Nova, rocas graníticas y Paleoproterozoica gnéisicas, incluyendo de Santa María Chico Granulita Complejo rocas y facies de anfibolita gnéisicas granito. Por tanto NE y SW Camaquã cuenca está cubierta por rocas sedimentarias del Pérmico al Cuenca de Paraná (Teixeira et al, 2004).
El Guaritas Allogroup, es un sistema eminentemente deposicional continental, que comprende una combinación de rocas volcánicas y sedimentarias, generalmente horizontal, que le da un gran episodio de Camaquã evolución de una cuenca. Estos episodios registrar la finalización de una grieta, alrededor de 470 Ma (Teixeira et al, 2004), generados en el ambiente de intraplaca.
Según Menegat y Fernandes (2003) la parte superior del Rift Guaritas incluye un paquete de capas rojas con alrededor de 1,4 km de espesor, se originó durante un régimen extensional que sucedieron a los eventos tectónicos y el cinturón colisional transcurrente de esta cuenca ruptura fue llenado por sistemas eólicos y aluviales.
El relleno de la cuenca era controlado por fallas en la extensión NE. Estos fracasos, en gran parte como resultado de la reactivación de las zonas de cizalla transcurrente Neoproterozoico en el NE en condiciones frágiles, fueron reactivados para 470 Ma la edad de la secuencia basal.
Guaritas cuenca contiene dos sistemas deposicionales, limitada por los desacuerdos entre sí erosiva (PAIM et al, 2000). Las condiciones áridas registrado por los depósitos de esta cuenca debe haber sido causado por su ubicación interfiere con la precipitación paleogeográficas peculiar de agua del océano ciclo hidrológico-continente en lugar de la presencia de un centro de alta presión estática.Posibles barreras naturales en el borde occidental de Gondwana son las montañas de orogenia Cuyana y el arco magmático del Cinturón Dom Feliciano Occidental impidió la penetración de masas de aire húmedo proveniente de paleoceano (Menegat FERNANDES, 2003).
3. Marco Teórico
3.1 Redes Neuronales Artificiales – RNA
Las RNA son una técnica que no es nueva, en este estudio se ha iniciado en los años 40, pasó por cierta negligencia en los años 70 y resurgió en los últimos años 80 como una alternativa posible a la informática tradicional, (Haykin, 1999).
Según una encuesta realizada por el Consejo Nacional de Redes Neuronales, prácticamente todas las principales universidades, federal, estatal y algunos estudios privados se han centrado en este ámbito. Aplicación de ARN ha demostrado excelentes resultados en varios ámbitos. Son obras que ofrecen común el uso de ARN, en particular en previsión de datos, aprendizaje de algoritmos, optimización de sistemas, el reconocimiento de patrones (Silva 2003), en los estudios médicos para ayudar a los radiólogos en el diagnóstico de lesión pulmonar (Ambrosio, 2002 ) de precipitación y escorrentía el análisis mostró buenos resultados (LUK y todo lo demás. (2000) y Smith & ELI (1995)).
Latin American Remote Sensing Week 2010
P á g i n a | 56
El comportamiento de una red neuronal está determinada por el tipo de conexiones y la naturaleza de las unidades individuales (Russel y Norvig, 1995). Con algoritmos de aprendizaje, la red de ajustar los pesos de las conexiones de forma iterativa, minimizando el error calculado a partir de los valores de la salida correcta y que la red adquiere (Stephen, 1994).
Supervisado las redes neuronales no son ampliamente utilizados en aplicaciones de minería de datos debido a la dificultad de interpretación de sus modelos. La comprensión de un modelo de red neuronal depende fundamentalmente de la aplicación de algoritmos eficientes para la extracción de reglas (Hruschka y Ebecken, 1999).
D'Angelo et al (1998) estudiaron algoritmos de redes neuronales a las radiografías confirmaron filtro de un buen resultado y concluyó que no se puede utilizar en otras áreas de aplicación de procesamiento de imágenes y visión por computador.
El uso de imágenes de satélite RNA en la transformación, específicamente para la estimación de precipitaciones se encuentran en una herramienta nueva y útil en el campo de la Meteorología (Ramírez et all., 1999).
En la evaluación basada en el concepto clásico del suelo-paisaje, se analizan combinaciones diferentes de discriminar las variables: geología, altitud, pendiente, curvatura plan, el índice de humedad, y tres índices derivados de una imagen de la ETM Lansat-7 en el estudio de la discriminación clases de suelos, el uso de redes neuronales en este estudio alcanzó un rendimiento más alto (70,83% de acuerdo) con los mapas producidos por el método convencional (52,77%), demostrando que el uso de las características del terreno y los datos de sensor remoto en un enfoque de redes neuronales pueden contribuir en gran medida a la cartografía más científica, cuantitativa y fiable (Chagas, 2006).
Las redes neuronales en combinación con los sensores se han utilizado con éxito en los estudios del suelo y de las asignaciones de YANG et all. (1998) y las copas para el perfil y los estudios geoquímicos (Costa e Silva et all (2001). LAMMOGLIA y todo lo demás. (2007)).
El uso de modelos de adquisición de auto-organizado de conocimientos sobre bases de datos pertinentes a la economía presenta un comportamiento similar a los modelos paramétricos, tradicionalmente empleados en la construcción de escenarios con esta información (Benito, 2003).
Brondino (1999) estudiaron el uso de redes neuronales para determinar el valor de las parcelas de bienes raíces de la tierra. En 2004, TIMOSZCZUK realizó su tesis doctoral y se analizaron mediante redes neuronales de impulsos automáticos para el conocimiento del hablante (información temporal de la señal de voz) y obtuvo buenos resultados.
Las RNA han visto su uso en esta investigación debido a su excelente capacidad para la generalización, la clasificación, interpolación y extrapolación, tolerancia de errores y el
Latin American Remote Sensing Week 2010
P á g i n a | 57
ruido, y también porque no es necesario antes de parametrización en el modelado explícito, (BRAGA y todo lo demás., 2000).
3.2- La tecnología 3D Laser Scanner Terrestre
La tecnología de escaneo láser, desarrollado originalmente para aplicaciones de ingeniería es de uso reciente en la geología. La ventaja en su uso se deriva del hecho de asociar la imagen escaneada en tres dimensiones una foto a color, y no se informó de las distorsiones causadas por paralaje, como ocurre en las imágenes obtenidas con equipo fotográfico, y se puede ver en ortocônica proyección (MEDEIROS et all. , 2007).
La herramienta Terrestre 3D Laser Scanner es capaz de capturar a cientos de millones de puntos con coordenadas tridimensionales (BARCHIK et al, 2007). Como GONÇALES (2007) para generar coordenadas tridimensionales de puntos sobre una superficie, el equipo emite pulsos de láser con la ayuda de un espejo de escaneado. Este pulso golpea el objeto y parte de esa energía de vuelta al sistema.Así que con esa energía de vuelta se puede medir la distancia entre el sensor y el objeto.
Esto, que es el mismo utilizado por el equipo que se utiliza en este proyecto de tesis (ILRIS Optech 3D) que tiene las siguientes especificaciones: Optech 3D) que tiene las siguientes especificaciones: Precisión Alcance: hasta 7 mm; Precisión Posición: hasta 8 mm; Alcance: 3m a más de 1 km; Campo de visión: 40° x 40°; Frecuencia: 2 kHz; longitud de onda de láser (λ): 1500 nm; Clase de láser: Clase 1 (inofensiva para los ojos); 6,6 megapíxeles (sensor CMOS);Se adjunta la cámara digital. Peso del escáner: 13 kg; Duración de la batería - 3 horas.
Funcionamiento del sistema del equipo tiene una buena interfaz, donde puedes tomar el control de la configuración a través de un Pocket PC o incluso un cuaderno.No requiere un cable de conexión, donde se puede hacer de forma inalámbrica a través de móvil e incluso tiendas de todos los datos adquiridos en la memoria utilizando Pen Drive por tener una Controladores de USB (Universal Serial Bus).
El Laser Scanner System es una tecnología que permite obtener datos de tres dimensiones (X, Y y Z) de la nube de puntos, que puede ser georeferenciada con el uso del GNSS (Global Navigation Satellite System), y agrega información de color y textura como una función de una cámara conectada al equipo. Debido a que se ha utilizado en varios ámbitos, sobre todo en la ingeniería, la cartografía y la arquitectura.
Según Rocha (2002) y BARCHIK, y todo lo demás. (2007) El sistema láser es una gran herramienta para el desarrollo de muchas aplicaciones en los procesos mineros. Este sistema presenta claras ventajas sobre otros sistemas tradicionales, con respecto a la aplicación, rendimiento, velocidad, precisión y seguridad, ya que permite capturar información topográfica en lugares inaccesibles, inestable y de riesgo en caso de elevada densidad de puntos fue adquirida y procesada en un corto período de tiempo, con lo que por lo tanto capaz de considerar la situación actual y futuro de la zona. Lo que también se puede observar en el estudio realizado por Pérez (2008).
Latin American Remote Sensing Week 2010
P á g i n a | 58
4. Material y Métodos
La investigación se desarrollará en la cuenca Camaquã - Rift Guaritas en Pedra Pintada afloramiento que se encuentra en el municipio de Caçapava do Sul - RS.
Para alcanzar las metas y responder a las preguntas en el proyecto de tesis tendrá los siguientes equipos y programas disponibles en el Laboratorio de Percepción Remota y Cartografía Digital (LASERCA), Universidad de Vale do Rio dos Sinos (UNISINOS): láser escáner 3D terrestres Optech - ILRIS 3D; Par de frecuencias del GPS dual, RTK (cinemática en tiempo real) Leica, 900CS modelo; Procesamiento de los puntos adquiridos con el programa de escáner láser 3D terrestre (Poliworks, de nube de puntos y analizador). Programa de tratamiento de datos GPS e Programa de Matlab.
5- Discusión y los resultados esperados
La simulación de redes neuronales es un instrumento adecuado para la elaboración de las previsiones en los lugares donde fue posible recoger datos con el escáner láser? Si es así, ¿qué modelo neuronal es el más apropiado? Que la topología, las funciones y parámetros que son los más adecuados para la formación?
El uso de este enfoque simplifica la recopilación de datos en profundidad (coordenada Z) y los colores para la interpretación de los afloramientos?
Para lograr el objetivo va a utilizar el algoritmo de propagación hacia atrás o de sus variaciones, y prueba de diferentes topologías, diferentes conjuntos de entrenamiento y de prueba, los parámetros de varios cursos de capacitación en un intento de definir la red neuronal es apropiado para la generalización del problema en cuestión. La formación y los exámenes se llevarán a cabo utilizando algoritmos de aprendizaje supervisado, alimentada por los datos recogidos de un equipo de alta tecnología que es el escáner láser 3D Terrestre, como se muestra abajo, donde podemos ver instalado en el campo, lo instalé en la posición GPS (Global Positioning System) RTK (Real Time Kinematic) para tomar las referencias geográficas Sistema Brasileño de Geodesia, Sistema de Referencia SIRGAS 2000.
Figura 1 - Láser escáner 3D terrestres Optech - ILRIS 3D.
Latin American Remote Sensing Week 2010
P á g i n a | 59
Con este trabajo queremos debatir y buscar respuestas a las cuestiones mencionadas. Los datos se están organizando para comenzar las pruebas. É un gran desafio.
El progreso tecnológico plantea nuevos dispositivos que proporcionan datos en formato digital. La razón principal es el uso de escáner láser 3D terrestres y la utilización de técnicas de inteligencia artificial para generar datos que no se han podido asignar. La generación de modelos 3D de afloramientos nos permite, entre otras cosas, realizar medidas en la misma altura, longitud, inclinación, incluido el importe de la misma. Esto reduce considerablemente el tiempo de trabajo de campo también una alianza de seguridad, ya que muchos de los afloramientos tienen gran dificultad en el acceso a algunas zonas. Cuando la exploración se lleva a cabo es común en algunas zonas con "agujero negro". Estos "agujero negro" son el resultado de la falta de puntos en ese lugar debido a la presencia de la vegetación y el ángulo de incidencia del láser. Por estos agujeros no ocurra sería necesario para realizar otras estaciones en otros lugares, pero esto no siempre es posible debido a la dificultad de acceso a este lado del afloramiento.
En busca de solución a estos fallos ("agujero negro") se pondrá a prueba utilizando Redes Neuronales Artificiales. En la figura 2 se puede ver el afloramiento que fue fotografiada.
Figura 2 - Afloramiento conocido como Pedra Pintada.
El uso de estas nuevas tecnologías integradas con otros datos y técnica de la visualización en 3D permite a los geólogos, la interpretación más precisa de los distintos sistemas de depósito, desde la construcción de modelos de depósitos análogos a los depósitos de aceite.
Las Redes Neuronales Artificiales - RNAs han demostrado su uso en diversas áreas del conocimiento y se cree en el éxito de su aplicación en esta investigación debido a su excelente capacidad de generalización, clasificación, interpolación y extrapolación.
REFERENCIAS CONSULTADAS
AMBRÓSIO, P. E.. Redes neurais artificiais no apoio ao diagnóstico diferencial de lesões intersticiais pulmonares. www.teses.usp.br. .2002.
Latin American Remote Sensing Week 2010
P á g i n a | 60
ARCHIK, E. ; MOSER, I.; SANTOS, D. S. dos. & MARTINS, B. D. Aplicação do Scanner Terrestre ILRIS – 3D no Ramo da Mineração. IN: Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, 21-26 abril 2007, INPE, p. 3631-3635. 2007
BENITE, M.. Aplicação de modelos de redes neurais na elaboração e análise de cenários macroeconômicos. 2003.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. Livro Técnico e Científico, Rio de Janeiro. 2000.
BRONDINO, N. C. M. Estudo da influência da acessibilidade no valor de lotes urbanos através do uso de redes neurais. www.teses.usp.br. .1999.
CHAGAS, C.da Silva. Mapeamento digital de Solo por correção ambiental e Redes Neurasi em uma Bacia Hidrográfica no domínio de Mar dos Morros. Viçosa, UFV. Tese de doutorado.223p. 2006.
COSTA e SILVA, M. B.; SANTOS, R. V. Dos.; MARTINS, J.L.; FONTOURA, S.A.B. da. Predição de propriedades de perfis com Redes Neurais: uma aplicação no campo Escola de Namorado, Bacia de Campos, Brasil. In: 1º Congresso Brasileiro de P&D em Petróleo e Gaz. UFRN – SBQ Regional RN. 2001.
D’ANGELO D. G., ZIMMERMANN, A., BORGES, P. S. da S., BARRETO, J. M &Dias, J. da S.. Algoritmos de Redes Neurais como Filtro de Imagens Radiográficas www.inf.ufsc.br/~barreto/artigos/Angelo98.pdf..1998.
GONÇALVES, R. Dispositivo de Varredura 3D terrestre e suas aplicações na Engenharia, com ênfase em túneis. Dissertação de Mestrado – Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia de Transporte. 132p. São Paulo. 2007.
HAYKIN, S.. Neural networks – A Comprehensive Foundation, second edition. Prentice Hall. New Jersey. 1999.
HRUSCHKA, E. R. & EBECKEN, N. F.F. Extração de Regras de Redes Neurais por meio do Algoritmo RX Modificado: Um Exemplo de Aplicação em Modelagem de Dados Meteorológicos. In: IV Congresso Brasileiro de Redes Neurais. P.047-051. Jul.20-22. ITA. São José dos Campos – SP. 1999.
LAMMOGLIA, T.; SOUZA FILHO, C. R. de & ALMEIDA FILHO, R. Caracterização de microexsudações de hidrocarbonetos na Bacia de Tucano Norte (BA) por geoestatística, classificação hiperespectral e Redes Neurais. Revista Brasileira de Geociências. 37 (4): 798-811. Dez. 2007.
LUK, K. C.; BALL, J. E.;SHARMA, A. A Study of Optimal Model Lag and Spatial Inputs to Artificial Neural Network for Rainfall Forecasting, Journal of Hydrology (227) 56-65. 2000.
MARTINELI, E. Extração de conhecimento de redes neurais artificiais. www.teses.usp.br. 1999.
MEDEIROS, M. A. M.; FAVERA, J. C. D.; REIS, M. A. F. dos, VIEIRA e SILVA, T. L.; OLIVEIRA, E. B.; BIASSUSI, R. A. & SILVEIRA, R. G. da O Laser Scanner e a Paleontologia em 3D. Anuário do
Latin American Remote Sensing Week 2010
P á g i n a | 61
Instituto de Geociências – UFRJ . ISSN 0101-9759 e-ISSN 1982-3908 - Vol. 30 - 1 / 2007 p.94-100. 2007.
MENEGAT, R., FERNANDES, L.A.D. Bacias pós-orogênicas do Escudo Sul-Rio-Grandense: contexto tectônico e arcabouço estratigráfico. In: I Encontro sobre a estratigrafia do Rio Grande do Sul: Escudo e Bacias, Anais, p. 123-130. 2003.
NOBREGA, Jorge Emanuel dos Santos, SAWAKUCHI, André Oliveira e ALMEIDA, Renato Paes de. Minerais pesados das porções média e superior do Grupo Guaritas (Eocambriano, RS): considerações sobre a proveniência sedimentar. Rev. bras. geociênc., set. 2008, vol.38, no.3, p.554-565. ISSN 0375-7536. 2008.
PAIM, P.S.G., CHEMALE, Jr F., LOPES, R.C. A Bacia do Camaquã. In: M. Holz & L.F. De Ros (eds) Geologia do Rio Grande do Sul. CIGO/UFRGS, Porto Alegre, p. 231-274. 2000.
PÉREZ, Y. A.R. Caracterização Geométrica e Parametrização de Depósitos transicionais recentes e sua aplicação na modelagem de Reservatórios petrolíferos. Tese de doutorado. Universidade Federal do Rio Grande do Norte – PPG em Geodinâmica e Geofísica. Natal. 115 p.. 2008.
RAMÍREZ, M. C. V.; WEIGANG, L.; FERREIRA, N. J. Aplicação de Redes Neurais Artificiais e Transformada de Ondeletas para Estimativas de Precipitação usando imagens do satélite GOES-8: Resultados Preliminares. In: IV Congresso Brasileiro de Redes Neurais. P.252-256, jul. 20-22. ITA, São José dos Campos - SP. 1999.
ROCHA, A. C. P. Aplicações do Scanner a Laser I-SiTE para levantamentos topográficos. Rev. Esc. Minas vol.55 nº.4 Ouro Preto Oct./Dic. 2002 .RUSSEL, J. S. & NORVIG, P. Artificial Intelligence – A modern approach, Prentice Hall, USA. 1995.
SILVA, C. A. U. Um Método para estimar Observáveis GPS Usando Redes Neurais Artificiais. São Carlos, 113 p. Tese – Escola de Engenharia de São Carlos, Universidade de São Paulo. 2003.
SMITH, J. & ELI, R. N. Neural-Network Models of Rainfall_Runoff Process. Journal of Water Resources Planning and management, Vol. 121, n° 6, ASCE. .1995.
STEPHEN, T. W. Neural Network and Fuzzy Logic in C/C++. Wiley, USA. 1992.
SOUZA, A. N. de; SILVA, I. N. da & BORDON, M. E. Identificação de Processos de Ensaio de Alta Tensão através de Redes Neurais Artificiais. In: IV Congresso Brasileiro de Redes Neurais. P. 072-077, July 20-22, ITA, São José dos Campos- SP.1999.
TEIXEIRA, A.L. et all. Bacias do Estágio da Transição da Plataforma Sul-Americana. In: NETO, V.M. et al (eds) Geologia do continente Sul-Americano: evolução da obra de Fernando Marques de Almeida. São Paulo, Beca, p. 487-536. 2004.
TIMOSZCZUK, A. P. Reconhecimento automático do locutor com redes neurais pulsadas. Tese de doutorado. www.teses.usp.br. 2004.
Latin American Remote Sensing Week 2010
P á g i n a | 62
8.- EXTRAPOLACION APOYADA EN SENSORES REMOTOS PARA LA ESTIMACION DEL POTENCIAL DE RECURSOS FORESTALES
J. G. Flores Garnica a R. Luna García b
a Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Parque Los Colomos S/N. Col. Providencia. Guadalajara; Jalisco. C.P. 44660 México - [emailprotected]
b Servicios Técnicos Forestales. Chihuahua, Chihuahua. México - [emailprotected]
Comisión: Aplicaciones de Percepción Remota
KEY WORDS: Arboles de regresión, geoestadística, manejo forestal, Landsat TM. ABSTRACT: EN VARIOS PAÍSES DEL MUNDO SE APROVECHAN LOS RECURSOS FORESTALES DIRECTAMENTE EN SUS LUGARES DE ORIGEN. LO CUALES FRECUENTEMENTE SE LOCALIZAN EN CONDICIONES DE DIFÍCIL ACCESO. ESTO IMPLICA QUE SU EVALUACIÓN, COMO APOYO A LA TOMA DE DECISIONES PARA SU POTENCIAL APROVECHAMIENTO, TOME MUCHO TIEMPO Y SEA COSTOSO. SIN EMBARGO, LA ACTUAL DISPONIBILIDAD A LOS SENSORES REMOTOS A APOYADO EL DESARROLLO DE ESTRATEGIAS NO SOLO MÁS BARATAS, SINO MÁS PRECISAS. UNA DE ESTAS SE BASA EN LA PERSPECTIVA DE LA EXTRAPOLACIÓN, MEDIANTE LA CUAL SE PUEDEN DERIVAR ESTIMACIONES DE ÁREAS CON BAJA INTENSIDAD DE MUESTREO, CON BASE LA INFORMACIÓN DE ÁREAS DONDE SE HAN OBTENIDO DATOS OBTENIDOS CON INTENSIDADES DE MUESTREO NORMALES. PARA ESTO AMBAS ÁREAS DEBEN TENER CONDICIONES HOMOGÉNEAS EN CUANTO A ESPECIES, DENSIDADES, ESTRUCTURAS, CONDICIONES TOPOGRÁFICAS, ETC. LO CUAL ES POSIBLE EVALUAR A TRAVÉS DEL USO DE SENSORES REMOTOS, Y EL APOYO DE ALGUNA INFORMACIÓN DE CAMPO. PARA EJEMPLIFICAR LO ANTERIOR SE PRESENTA UN TRABAJO REALIZADO EN BOSQUES TEMPLADOS DEL ESTADO DE CHIHUAHUA, MÉXICO, EN EL QUE SE EXTRAPOLO INFORMACIÓN SOBRE DENSIDAD, POSIBILIDAD DE APROVECHAMIENTO (M3/HA/AÑO) Y DIÁMETRO DE COPA. SE PROBARON VARIOS MODELOS BASADOS EN LA TECNOLOGÍA DE ÁRBOLES DE REGRESIÓN, LOS CUALES FUERON DEFINIDOS CON BASE A UNA SERIE DE VARIABLES AUXILIARES, ENTRE LAS QUE SE CONTÓ CON INFORMACIÓN OBTENIDA DE IMÁGENES LANDSAT Y FOTOGRAFÍAS AÉREAS. LAS ESTIMACIONES RESULTANTES MUESTRAN UN ACEPTABLE GRADO DE PRECISIÓN, AL COMPARARSE CON EVALUACIONES HECHAS DIRECTAMENTE EN CAMPO.
1. Introducción
El tiempo y los recursos que se invierten para evaluar el potencial de aprovechamiento de los
recursos forestal de cierta región, llega a ser considerable bajo las técnicas tradicionales de
muestreo. Por lo que deben buscarse alternativas que, en lo posible, sean más económicas,
pero sin menoscabo de la precisión (Flores et al., 2007). De esta forma se busca que, por lo
menos, se garantice la misma precisión que se obtiene por métodos tradicionales. En México,
la autorización de un aprovechamiento forestal está supeditada a que se cuente con
información recabada del campo, a través de un inventario forestal. El cual consiste, por lo
general, en un aserie de sitios de muestreo distribuidos sistemáticamente. Con una intensidad
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 63
de muestreo que va de 1.5. a 3.0% (UCODEFO No. 2, 1997). Con base a la información
obtenida se calcula el ritmo de crecimiento del arbolado, ya sea definiendo el incremento
corriente anula, o el incremento medio anual. Posteriormente se calcula la posibilidad, que se
refiere al volumen aprovechable por hectárea, por año. Las cifras obtenidas en diferentes
sitios de muestreo, que se ubican dentro de un mismo rodal, se promedian. Dicho promedio se
usa para estimar variables dasométricas, como el potencial de madera que se puede extraer
por rodal de acuerdo a sus dimensiones. Es decir la posibilidad promedio se multiplica por e
número de hectáreas, resultando el volumen (m3/ha/año) que corresponde a dicho rodal. La
metodología anterior denota que poco se usan las estrategias y herramientas que ofrece la
geomática, principalmente en el sentido de apoyar la interpolación de la información
generada, para hacer estimaciones en aquellos lugares donde no se muestreo (Ek, 2004). De
esta forma, en lugar de estar trabajando con medias dentro de los rodales, se pueden hacer
estimaciones considerando las variaciones espaciales de la información de interés
(posibilidad, densidad, existencias, etc.). Esto ayudaría considerablemente al aumento de la
precisión en las estimaciones, y de esta forma se tendería a evitar tanto la sobreestimación,
como la subestimación.
Todas las implicaciones anteriormente señaladas se tienen que repetir en cada región de
bosque se va a ser aprovechada. Sin embargo, en ocasiones se tiene el caso de tener dos, o
más, regiones aledañas, las cuales tienen condiciones de bosque muy similares. Más aun,
alguna de estas regiones puede contar con un programa de manejo forestal, con lo que se
tendría información de sus existencias (m3/ha), posibilidad (m3/ha/año), etc. Dicha
información, podría usarse para el apoyo en la generación de los planes de manejo de las
regiones aledañas. Lo cual sería posible a través de un proceso de extrapolación. Sin embargo,
no se han desarrollado estrategias claras para llevar a cabo dicho proceso, principalmente por
las dificultades que implica el manejo de grandes cantidades de información georeferenciada
(Franco et al., 2001). No obstante, gracias la desarrollo de herramientas de la geomática, como
son los sensores remotos y la geoestadística, y que actualmente se cuenta con poderosos
equipos de cómputo, es posible probar diferentes alternativas de extrapolación (Flores y Omi,
2003). Para ejemplificar lo anterior se presenta un trabajo realizado en bosques templados
del estado de Chihuahua, México, en el que se extrapolo información sobre densidad,
posibilidad de aprovechamiento (m3/ha/año) y diámetro de copa. Se probaron varios
modelos basados en la tecnología de árboles de regresión, los cuales fueron definidos con base
a una serie de variables auxiliares.
2. Regiones vecinas
2.1. Área de estudio
El área de estudio se ubica al oeste del estado de Chihuahua (Figura 1), el cual a su vez se localiza
en el límite norte de México. En general la vegetación arbórea que crece en estas regiones,
propias de las zonas montañosas del país, está por coníferas y latifoliadas (Allen, 1996). Las cuales
forman masas arboladas que por lo común poseen poca variación de especies; en Chihuahua.
Estas cubren las partes altas de las montañas, sobre todo de la Sierra Madre Occidental
Latin American Remote Sensing Week 2010
P á g i n a | 64
(Rzedowski, 1981). Respecto a su composición, existen variantes que van desde los bosques puros
de pino, de encino, bosques mixtos donde éstos se mezclan, además del bosque bajo-abierto, y
bosque de táscate; en conjunto, cubren 29% de la superficie estatal.
Para el caso de las regiones en estudio, se identificaron las siguientes asociaciones:
- Bosque de Pino - Bosque de Pino-Encino - Bosque de Encino-Pino - Bosque de Encino - Bosque Bajo-Abierto
Figura 1. Ubicación aproximada de dos regiones (circulo punteado), dentro del estado
de Chihuahua (México) con condiciones forestales similares.
2.2 Proximidad de las regiones El trabajo de extrapolación se desarrollo considerando dos regiones (Figura 2): 1) Región Chocachi, con una superficie de 7,517.56 ha, la cual se considero como región base; y 2) Región Nopalera, con una superficie de 13,691.90 ha, denominada región de extrapolación.. Siendo el propósito el de poder realizar algunas estimaciones de las condiciones del bosque de la Región de la Nopalera, con base a la información conocida de la Región Chocachi. La distancia entre estas regiones fue de 4.5 km en sus extremos más cercanos, mientras que fue de 21.5 entre sus extremos mas orientales.
3. MODELAJE ESPACIAL
Primeramente se trabajo con la región base (R. Chocachi), con la cual se desarrollaron una
serie de modelos que definen la distribución espacial de las variables de interés (densidad,
posibilidad de aprovechamiento [m3/ha/año] y diámetro de copa). Estos mismos modelos
fueron usados para generar las estimaciones de la región en extrapolación (R. Nopalera).
Latin American Remote Sensing Week 2010
P á g i n a | 65
Figura 2. Regiones forestales utilizadas para el proceso de extrapolación (izquierda= R.
Chocachi; derecha= R. Nopalera) 3.1. Muestreo de terreno
Para la ubicación de los sitios se utilizó un diseño sistemático estratificado, con un
espaciamiento entre líneas de 250 m. En total se evaluaron 406 sitios de muestreo, los cuales
fueron circulares. El tamaño de los círculos corresponde al tipo de vegetación a evaluar,
siendo un área de 1000 m2. Estos puntos se georeferenciaron tomando como base
coordenadas UTM (Zona 13, NAD27). En cada uno de estos puntos se estimo un valor de
existencias, densidad de arbolado, copa, y área basal. Cada uno de los cuales se modelo
espacialmente para obtener los mapas temáticos correspondientes. En los cuales cada
variable se representa en forma continua espacialmente. Es decir se hacen estimaciones de los
posibles valores de cada variable en aquellas áreas que no fueron muestreadas. En total se
muestrearon La Figura 3 muestra la distribución de los sitios de muestreo que se usaron en
Región Chocachi,
3.2. Variables auxiliares
Uno de los principales propósitos de este trabajo fue el de definir mapas de distribución de
cuatro variables dasométricas. Para esto existen varias técnicas, en este caso se uso la
denominada “árboles de regresión”, con base a la cual se asocia una serie de variables
conocidas con la variable de interés. En el primer caso se requiere que se tengan mapas de
cada una de las variables conocidas (independientes), como lo serian fotos aéreas (Figura 3),
imágenes de satélite, modelo de elevación digital, etc. Con base a las cuales se genera el mapa
de la variable de interés (dependiente). En total se analizaron 10 variables para cada una de
las variables dasométricas de Chocachi (Tabla 1).
Latin American Remote Sensing Week 2010
P á g i n a | 66
3.3. Arboles de regresión
Para definir cuál de las variables auxiliares se asociaba espacialmente mejor con las variables dasométricas, se generaron una serie de modelos, a través de la técnica de arboles de regresión. A continuación se presentan un ejemplo (existencias [m3/ha]) de los estadísticos resultantes de los árboles de regresión que se definieron. En estos se presenta el número de variables que se usaron en la construcción de los árboles de regresión, así como el número de nodos terminales resultantes en cada caso. Otro estadístico que se presenta es la desviación media de los residuales (errores de estimación), con base a la cual se seleccionaron los árboles de regresión más adecuados.
Figura 3. Orthofoto que se uso como una de las variables auxiliares para la generación de arboles de regresión en la Región Chocachi,
VARIABLE DESCRIPCION
ALTITUD Derivado de un Modelo de Elevación Digital de INEGI
EXPOSICION Derivado de un Modelo de Elevación Digital de INEGI
PENDIENTE Derivado de un Modelo de Elevación Digital de INEGI
BANDA 1 Obtenida de una imagen de satélite Landsat-7 2006
BANDA 2 Obtenida de una imagen de satélite Landsat-7 2006
BANDA 3 Obtenida de una imagen de satélite Landsat-7 2006
BANDA 4 Obtenida de una imagen de satélite Landsat-7 2006
BANDA 5 Obtenida de una imagen de satélite Landsat-7 2006
Latin American Remote Sensing Week 2010
P á g i n a | 67
BANDA 6 Obtenida de una imagen de satélite Landsat-7 2006
BANDA 7 Obtenida de una imagen de satélite Landsat-7 2006
Tabla 1. Variables con distribución espacial analizadas para estimar las variables
dasométricas de Región Chocachi.
Finalmente, se muestran estadísticos específicos definidos por los residuales resultantes de las estimaciones. El análisis de esta información permite conocer que tan robusto es nuestro modelo, a través de la desviación media de los residuales; así como su complejidad (numero de nodos). Para el caso de existencias, las variables realmente usadas en la construcción del árbol de
regresión fueron las siguientes: "BANDA.1" "BANDA.4" "EXPOSICION" "PENDIENTE"
"BANDA.6" "ALTITUD" "BANDA.2" "BANDA.3" "BANDA.7". El número total de nodos
terminales fue de 26, lo cual indica que el árbol se deriva en varias “ramas”. Mientras que la
desviación media de los residuales fuel de 32.02 (8230 / 257). Finalmente la distribución de
los residuales definió los siguientes estadísticos:
Min. 1st Qu Median Mean 3rd Qu. Max.
-20.71 -1.753 -0.4978 -4.841e-016 1.385 24.02
El propósito de los árboles de regresión es apoyar a la generación de las superficies continuas
(mapas) de cada uno de las variables dasométricas. Estos árboles se presentan en forma
grafica, lo cual permite entender mejor cuales fueron los criterios usados en la clasificación de
cada píxel. La Figura 4 presenta un ejemplo de uno de los árboles de regresión generados.
Figura 4. Representación grafica del árbol de regresión usado para la estimación de la
variable existencias (m3/ha).
Implementación de los árboles de regresión
Latin American Remote Sensing Week 2010
P á g i n a | 68
El paso final en esta fase es la obtención de la representación grafica de los resultados de los modelos de regresión (árboles). Esto se hace a través de un sistema de información geográfica, a través del cual se puede manipular la información resultante. Es decir clasificar u ordenar los resultados, de tal forma que el producto grafico obtenido sea de fácil interpretación por el lector. Con esto se generan los mapas temáticos correspondientes, los cuales están bajo el formato “raster”. Con lo que cada cuadricula (celda) tiene un valor especifico de las variables dasométricas en cuestión. La Figura 5 muestra el resultado de la implementación del árbol de regresión para la estimación de existencias en la Región Chocachi. Observándose que en la mayor parte se estiman existencias superiores a los 15 m3 por hectárea.
4. PROCESO DE EXTRAPOLACION
4.1. Preparación de las variables auxiliares Con base a los modelos generados para la región base (R. Chocahi), se prepararon los mapas de las variables auxiliares, que mejor estimaron cada una de las variables dasométricas, para la región a extrapolar (R. Nopalera). Un ejemplo de estas variables se presenta en la Figura 6, que corresponde a la banda 3 de la imagen Landsat TM.
Figura 5. Mapa de existencias generado a partir de un árbol de regresión para la Región
Chocachi.
Latin American Remote Sensing Week 2010
P á g i n a | 69
Figura 6. Banda 3 de una imagen de satélite usada como variable auxiliar en la Región
Nopalera.
4.2 Aplicación del árbol de regresión base Considerando que se uso, como base, el árbol de regresión generado para la Región Chocachi, se prepararon las capas raster que correspondían a cada una de las variables auxiliares, Esto de hizo para cada una de las variables dasométricas a estimar (densidad, posibilidad de aprovechamiento (m3/ha/año) y diámetro de copa). El resultado de la implementación del árbol de regresión se muestra en la Figura 7. Donde, al contrario que en el caso de la Región Chicachi, se tiene poca superficie con existencias arriba de los 15 m3. Prevaleciendo más bien arbolado con existencias menores a los 12 m3. De esta forma se puede señalar que el árbol de regresión usado no predispone las tendencias los resultados. Ya que fue posible definir la dominancia en superficie de existencias menores en el caso de la Región Nopalera. Esto es posible debido a que la implementación del árbol de regresión se hace a nivel de pixel. Por lo que cada pixel es clasificado en forma independiente.
Figura 7. Mapa de existencias de la Región Nopalera, generado a partir de un árbol de
regresión de la Región Chocachi. 4.3. Validación
Latin American Remote Sensing Week 2010
P á g i n a | 70
Aprovechando la información del estudio que se hizo para desarrollar el programa de manejo forestal de la Región Nopalera, se compararon los resultados obtenidos de la extrapolación, con los obtenidos en terreno. El estudio para el programa se baso en un inventario de 202 sitios. La información recabada se estimo a nivel de hectárea, con el fin de hacerlo comparable con las estimaciones definidas con la extrapolación. Con base a esto se hicieron algunos análisis de correlación para ver cuál fue el grado de ajuste de los valores extrapolados con los valores estimados con datos de terreno. La Figura 8 muestra un ejemplo en referencia a las existencias. Donde se aprecia una tendencia definida, aunque en los valores bajos existe cierta dispersión que propicia una baja correlación (R2= 0.3483). Esta correlación se ajusta a la siguiente fórmula: Y= 0.0668 X + 14.334 (1) Donde: Y= existencias estimadas (m3/ha) en Región Nopalera X= existencias extrapoladas (m3/ha) con árbol de regresión de la Región Chocachi. 4.3. Factor de ajuste Como se observa en la Figura 8, la correlación entre los valores extrapolados (CHOCACHI) y los valores de terreno de la Región Nopalera, no presenta una relación 1 a 1. Esto implica que las estimaciones por extrapolación más bien subestimaron los valores obtenidos en terreno. No obstante, con base a la ecuación de correlacion fue posible establece un factor de corrección. El cual fue de 2.4. De esta forma, las estimaciones de existencias por extrapolación fueron multiplicados 2.4 veces, con lo que se obtuvieron tablas de referencia (Tabla 2). Este proceso se siguió con los otros parámetros dasométricos extrapolados (densidad y diámetro de copa).
Figura 8. Relación entre las estimaciones con el árbol de regresión (CHOCACHI) y
valores obtenidos en el terreno (NOPALERA)
RODAL ha E D C
37 4.93 6.17 10.55 2.82
148 11.22 1.88 8.04 1.23
153 27.10 6.51 11.04 2.88
10
15
20
25
30
35
0 20 40 60 80 100 120 140 160 180 200 220
N O P A L E R A
C
H O
C
A
C
H
I
m3/ha
m3/ha
Latin American Remote Sensing Week 2010
P á g i n a | 71
152 40.10 3.34 9.71 1.93
151 17.25 6.71 10.24 2.86
158 37.02 5.16 10.38 2.35
164 32.64 3.42 10.58 1.57 Tabla 2. Ejemplo de los valores promedio de las variables dasométricas extrapoladas
para la Región Nopalera (E= existencias; D= densidad; C=diámetro de copa).
5. CONCLUSIONES La definición del manejo de recursos forestales requiere necesariamente de contar con información de la cantidad, calidad y distribución de estos recursos. No obstante, la obtención de dicha información resulta en ocasiones muy costosa y/o consume mucho tiempo. Por lo que la implementación de técnicas alternativas, como la que aquí se ilustra, puede ser una opción más factible desde el punto de vista operativo. De esta forma se puede aprovechar la información ya obtenida de regiones donde ya se hizo un plan de manejo. Además, sería de gran ayuda el poder hacer estimaciones extrapoladas en áreas de difícil acceso. Esto permitiría definir la factibilidad económica de invertir en dicha región, sin tener que hacer la inversión que implicaría un inventario en terreno. Sin embargo, para el uso de técnicas de extrapolación debe garantizarse que por lo menos se obtenga la misma precisión que con el uso de estrategias tradicionales. Pare esto es importante considerar que debe asegurarse el grado de similitud entre las condiciones de un región base, y la región a extrapolar.
6. REFERENCES Ek, A. R. 2004. Mapping Forest Resources Using the k-Nearest Neighbor Method. Fact Sheet 6. Remote Sensing and Goespatial Analysis Laboratory. University of Minnesota. College of Natural Resources. Department of Forest Resources. Flores G., J.G.; Mendoza B., M.A.; Celedonio A., B. 2007. Monitoreo de ecosistemas con estrategias geoestadísticas, una aplicación de gran escala en Jalisco, México . Madera y Bosques, 13 (2): pp. 97-104. Franco L., H., Ek, A.R., y Bauer, M.E. 2001. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method. Remote Sensing of Environment. 77(3); pp. 251-274. Allen, L.S. 1996. Ecological role of fire in the Madrean province. In: Proceedings: Effects of fire on Madrean province ecosystems. December. Fort Collins, Colorado. USDA, For. Serv. Gen. Tech. Rep. RM-GTR-289. pp 5-10.
Flores G., J. G. y P. N. Omi. 2003 Mapping forest fuels for spatial fire behavior simulations using geomatic strategies. Agrociencia, 37(1): pp. 65-72. Rzedowski, J., 1981. La Vegetación de México. Limusa, México, D. F., 342 p.
UCODEFO No 2. 1997. Aplicación del inventario forestal continuo (I.F.C.) en los bosques del ejido “El Largo”. Unidad de Conservación y Desarrollo Forestal No 2. Ciudad Madera, Chihuahua. México. 34 p.
Latin American Remote Sensing Week 2010
P á g i n a | 72
9.- REMOTE SENSING CENTER AT A UNIVERSITY FOR REAL-TIME ACQUISITION OF HIGH RESOLUTION OPTICAL AND RADAR IMAGERY
Vladimir Gershenzona, Olga Gershenzonb, Marina Sergeevac, Vitaly Ippolitovd
aGeneral Director, R&D Center ScanEx, Moscow, Russia bVice-president, R&D Center ScanEx, Moscow, Russia
cDeputy General Director, R&D Center ScanEx, Moscow, Russia dHead of Department, R&D Center ScanEx ,Moscow, Russia
The task of increasing the economic competitiveness of any country is not possible without
reinforcing the role of the higher professional education. Today, the traditional education, as
an access to learning, can not keep up with the current requirements of science and industry.
Russian company R&D Center SCANEX proves on a practice that setting up Remote Sensing
Centers allowing real-time imagery acquisition from Earth observing satellites within the
structure of Universities is one of the solutions of the above mentioned problems. This will
provide the proper environment for innovative education, to deliver the efficient training for
scientific and academic and teaching personnel, secure the role of the young professionals in
science, education and hi-tech, and maintain the continuity of generations in science and
education. SCANEX has delivered the land based UniScan™ centers to over 20 higher
education institutions in Russia, Kazakhstan, and Spain. These stations serve as the basis for
Earth monitoring from space centers providing the training and advanced training to produce
the specialists having the state-of-the-art knowledge in Earth Remote Sensing and GIS, as well
as the land-use monitoring and geo-data service for the economic operators in such diverse
areas as the nature resource management, agriculture, land property management, etc.
Since year 2009 satellite imagery service to Universities has extended worldwide outside the
Russian territory, providing EROS A satellite imagery at 1.8 m resolution, IRS-1D imagery at
5.8 and 23 m, SPOT 4 satellite imagery at 10 and 20 m resolution, and SAR RADARSAT-1
imagery with resolution ranging from 100 m to 8 m. Based on the Agreement between
SCANEX and the satellites Operators, and on unique flexible financial terms, the international
universities can purchase the universal compact UniScan™ stations including telemetry for the
first year of operation.
Creation of state-of-the-art remote sensing centers at universities will lead to a new quality
level for education and scientific studies and will enable to make education system in such
innovation institutions open to modern research work and economy.
Keywords: Earth remote sensing, space monitoring centers, UniScan™ ground station, geo-
portal
Latin American Remote Sensing Week 2010
P á g i n a | 73
Introduction
The task of increasing the economic competitiveness of any country is not possible without
reinforcing the role of the higher professional education, attracting youths to deliberate
choice of future profession. Today, the traditional education, as an access to learning, can not
keep up with the current requirements of science and industry.
Such an index as the education quality comes along with education results, currently
most often referred to as “competence”. Innovation of education should be more competence-
oriented than passing of knowledge that always gets out of date. Following this pattern
knowledge can be acquired on an individual bases. Such kind of education should be more
connected to practice than the traditional one.
Reducing competitiveness of traditional education institutions, as well as insufficient
science and production integration indicate that new types of higher education institutions
should be established. Nowadays, often traditional education as the system of gaining
knowledge lags behind the actual current requirements of contemporary science and
production.
Solution from SCANEX
One of the solutions to resolve these problems can be the introduction of Remote
Sensing Centers for Earth observation from Space for territories changes monitoring as
research and development links in the chain of universities. This will allow the students to
master practical skills having an ultra-modern laboratory base.
Traditionally remote sensing centers at universities are equipped with ground
stations enabling to receive free data, such as worldwide known AVHRR from NOAA satellites
series with resolution of 1,100 m and MODIS from Terra and Aqua satellites with 250, 500
and 1,000 m resolution. Important positive peculiarity of these data in that there are many
open and free software tools and many of them can be found in Internet. This opens a wide
field for students and researchers to change of knowledge, ideas and new developments
investigating AVHRR and MODIS data for global changes on vast territories. But low
resolution of these data makes considerable restrictions for their practical applications for
more precision changes of local areas of the Earth.
At the same time one who wishes to receive data with middle and high resolution
faces with such problems as high price for ground station and expensive telemetry fee.
Usually only national large remote sensing centers have a possibility to receive data with
middle and high resolution, both optical and radar. However, it was a dream for universities...
Since 2009 SCANEX provides the possibility of equipping universities all over the
world with technologies for receiving Earth remote sensing data of high resolution (up to 1.8
m) in real time. Participants of the world educational community can purchase the universal
UniScan™ ground station for receiving Earth observing data already completed with licenses
Latin American Remote Sensing Week 2010
P á g i n a | 74
for the right to receive 100 scenes of EROS A, 600 minutes of IRS-1D, unlimited access to SPOT
4 images and 50 scenes of RADARSAT-1 for the first year of operation. Initial inclusion of the
license in the functionality of UniScan™ ground station (pursuant to agreements with the
Operators of respective Earth remote sensing missions) leads to significant cost reduction of
receiving station and space imagery for universities. As a result the world universities will be
able to effectively utilize the state-of-the-art space technologies in their educational process
and scientific research by working with up-to-date satellite data received at their own stations
with the footprint of up to 2.5 thousand kilometers in radius.
Experience and technology To date, there are over 20 Remote Sensing Centers/Laboratories operating on
UniScan™ ground stations deployed at the leading universities in Russia, Kazakhstan and
Spain. In the most cases they receive MODIS data. But among them 7 UniScan™ ground
stations in universities of Russia are equipped not only for MODIS data, but also for other
satellites (SPOT 4, IRS-P5, IRS-P6, EROS A/B, RADARSAT-1) thanks to flexible licensing policy
implemented in the Russian Federation.
Based on SCANEX technology Remote Sensing Centers have already been operating
with an excellent track record in such Russian Universities as Altay State University, Belgorod
State University, Ufa State Aviation Technical University, Tyumen State University, Moscow
State Technical University n.a. N.E. Bauman.
Samara Space Geoinformation Center has been operating in Samara State Aerospace
University since December 2006, and is currently the best equipped Earth Remote Sensing
Center in Russia and CIS countries, not only among the educational facilities, but also the state
and private space monitoring centers.
Earth Remote Sensing Centers have been launched in 2007-2008 as a part of
“Education” National Project in Siberian and Southern Federal Universities.
It has been currently the worldwide practice to set up Remote Sensing Centers at the
higher education entities and other educational organizations. Thus, UniScan™ based
laboratories and centers have been in operation at Kazakhstan-British Technical University of
Republic of Kazakhstan (Almaty) under the auspices of Kazakhstan System Modeling
Research Institute, at Satpayev Kazakhstan Research Science and Technology Institute
(Almaty), at two universities in Spain (Valladolid and Valencia).
The Remote Sensing Centers deliver the real-time training for executive decision making support technology at the regional and municipal levels. The Centers can also provide the commercial service as well, e.g., training at professional development programs, contracted areal monitoring work management in a range of various applications (management of natural resources, agriculture and forestry management, emergency response, mapping updates, cadastral work, etc.) or research and development in various fields of knowledge.
Latin American Remote Sensing Week 2010
P á g i n a | 75
UniScan™ ground station is intended for receiving and processing information
transmitted from Earth low-orbit satellites via X-band
radio channels with the data rates up to 170 Mbps in
one channel. Such rates correspond to images with a
spatial resolution better than 1 meter. At present the
UniScan™ station provides for reception and
processing of data from Terra, Aqua, IRS-P5, IRS-P6,
CARTOSAT-2, SPOT 4/5, FORMOSAT-2, EROS A, EROS
B and RADARSAT-1/2, ENVISAT-1 satellites.
UniScan™ hardware is universal and
programmable and, in most cases, ground station can
be upgraded for new satellites on the software level.
UniScan™ is completed with software for data
reception, preliminary processing, archiving,
cataloguing and creation of thematic products further
to be imported into various GIS formats and
applications. The most popular among the specialists
in Remote Sensing and GIS are ScanMagic® and ScanEx Image Processor® software
applications with more than 200 licenses throughout Russia and abroad.
Figure 1. UniScan™ ground station at the University of Valencia, Spain.
Remotely sensed data application
Data received from the satellites in real-time are converted into ready-for-further-
analysis products within 0.5-1 hour after being received from space, which indicates a high
operational degree of the process (no data, available via Internet, can be obtained in such a
quick mode).
Remotely sensed data received by Remote Sensing Center of a university will allow
resolving following practical tasks concerning change detection using different types of
remotely sensed data both optical and radar:
- topographic maps updating;
- forest fires early detection and monitoring;
- ice and snow cover condition operational assessment;
- on/off shore oil spills detection within the oil production and transportation areas;
- ships detection in the seas;
- ecological situation of water areas and new seaports, pipelines and oil terminals
construction sites;
Latin American Remote Sensing Week 2010
P á g i n a | 76
- illegal fishing control;
- license agreements compliance monitoring within the fields of natural resources
development;
- forestry monitoring (logging dynamics, logging status);
- agricultural monitoring for crop rotation rules observation and proper arable lands use;
- illegal construction control;
- monitoring of infrastructure development;
- independent and operational natural disaster damage assessment;
- hydraulic structures condition monitoring;
- creation of up-to-date thematic maps of natural objects condition (vegetation, soil cover,
areas hazard rate, etc.);
- environmental impact assessment of a territory development.
- solution of hydro-meteorological and weather forecast tasks;
- environmental monitoring and others.
Contemporary Remote Sensing Center at a university allows to:
- turn the university into one of the world leading education institutions equipped with
cutting-edge technology and firmware for Earth observation from space (footprint of ground
station is about 12 million square kilometers);
- carry out training and advance training of specialists having skills in remote sensing and GIS,
used for decision-making support;
- monitor territories and submit data in support of decision-making of regions and sub-
regions.
5. Summary
UniScan™ ground station technology developed by ScanEx and implemented for over
20 Remote Sensing Centers/Laboratories at universities enables new unique possibilities to
receive in real-time high resolution optical and radar data on standard personal computer of
users.
Since year 2009 satellite imagery service to Universities has extended worldwide
outside the Russian territory, providing EROS A satellite imagery at 1.8 m resolution, IRS-1D
imagery at 5.8 and 23 m, SPOT 4 satellite imagery at 10 and 20 m resolution, and SAR
RADARSAT-1 imagery with resolution ranging from 100 m to 8 m. Based on the Agreement
Latin American Remote Sensing Week 2010
P á g i n a | 77
between SCANEX and the satellites Operators, and on unique flexible financial terms, the
international universities can purchase the universal compact UniScan™ stations including
telemetry for the first year of operation. This is the first precedent in the world.
6. Conclusion Creation of state-of-the-art Remote Sensing Centers/Laboratories at universities will
lead to a new quality level for education and scientific studies and will enable users to make
educational system in such innovation institutions open to modern research work and
economy.
Latin American Remote Sensing Week 2010
P á g i n a | 78
10.- COMBATE A LA POBREZA RURAL MEDIANTE EL DESARROLLO AGROFORESTAL POR MICROCUENCAS. COMUNAS CORDILLERA DE LA COSTA:
VI Y VII REGIONES – CHILE Guillermo Núñez
Ingeniero Forestal,
Erick Bollmann
Licenciado Ciencias Forestales
Natania Núñez
Licenciada Ciencias Forestales
La ponencia se basa en las experiencias alcanzadas en el diseño e implementación de
proyectos de desarrollo comunal iniciados a fines de la década pasada. En la etapa actual se
encuentra en proceso de diseño e implementación proyecto de Sistema de Información
geográfica para la planificación territorial Urbano – rural y desarrollo sostenibles de la
comuna de Lolol en la VI Región, responde a las necesidades generadas por el terremoto del
27 de Febrero 2010. Considerando que la legislación municipal en Chile contempla facultades
de la autoridad comunal en el ordenamiento territorial y la gestión de los recursos naturales.
La comuna de Lolol, al resultar como una de las más afectadas por el terremoto, y requerir la
planificación y acción participativas para gestionar de manera efectiva las labores inmediatas
de reconstrucción, y desarrollo local en el mediano y largo plazo. Se plantea la necesidad de
perfeccionar sus capacidades para atender un tema que está en directa relación con los
riesgos naturales, niveles de pobreza y migración campo-ciudad que afecta a las comunas
rurales en la zona Centro Sur del país.
Un elemento clave para planificar e implementar un ordenamiento y gestión territorial
comunal, requiere del uso datos geoespaciales a escala local, complementado con el uso de
tecnologías modernas (TI) de computación e informática. Permitiendo aplicar el enfoque de
desarrollo local sostenible y participativo, basado en el apoyo a los gobiernos locales y
fomento a la asociatividad por microcuencas o fuentes de agua. Logrando alcanzar metas
efectivas de reducción de la pobreza y la vulnerabilidad de la población frente a riesgos
naturales, con un incremento de la productividad agropecuaria por mejor manejo de los
recursos naturales y el medio ambiente.
En la etapa actual el proyecto se enmarca en el Convenio Abierto de Cooperación para
Implementar Sistemas de Información Territorial para el Desarrollo Sostenible (PDFC), entre
la Asociación Chilena de Municipalidades (ACHM), y el Servicio Aerofotogramétrico (SAF). En
el cual se dispone de una experiencia aplicada y sistematizada con los gobiernos locales, en la
que se ha logrado reducir la pobreza aplicando un enfoque de ordenamiento y gestión
territorial sostenibles, acceso a tecnologías modernas (TI), “planificación – acción”
participativas, seguridad a los medios de vida, con apoyo a la asociatividad comunitaria a nivel
de microcuencas.
Latin American Remote Sensing Week 2010
P á g i n a | 79
La iniciativa se enmarca en la política del SAF de apoyo a sectores socialmente y condiciones
ambientales frágiles. Para el caso de la Comuna de Lolol se inician estas actividades a partir
del año 1999, en el contexto de apoyo a las comunas rurales con problemas ambientales y
socioeconómicos1. Esta propuesta de acción es consensuada con entidades publicas y
privadas, para luego culminar con un convenio interinstitucional contando con el apoyo de
organismos nacionales e internacionales, y la participación de un grupo creciente de
municipios rurales que forman parte de la Asociación Chilena de Municipalidades2.
Los proyectos del “Plan de Desarrollo Forestal Comunal (PDFC) en comunas rurales pobres”
se han iniciado a fines de la década pasada, en el contexto de las comunas rurales con
problemas ambientales y socioeconómicos3. La propuesta de acción es consensuada con
entidades publicas y privadas, para luego culminar con un convenio interinstitucional4
contando con el apoyo del programa Facility, la FAO, y el compromiso de un grupo creciente
de municipios rurales que forman parte de la Asociación Chilena de Municipalidades5.
El proyecto PDFC se refiere a una experiencia aplicada y sistematizada con los gobiernos
locales, en la que se ha logrado reducir la pobreza aplicando un enfoque de agroforestería
sostenible, acceso a tecnologías modernas (TI), “planificación – acción” participativas,
seguridad a los medios de vida, con apoyo a la asociatividad comunitaria a nivel de
microcuencas.
La sistematización del proyecto piloto efectuado ha permitido identificar y reflexionar sobre
las lecciones aprendidas, el conocimiento acumulado, los errores y éxitos alcanzados con las
herramientas y los mecanismos de fomento aplicados. Luego de lo cual, su aplicación
ampliada en otras comunas rurales ha permitido:
mejorar la acción a desarrollar en los Municipios en los proyectos con familias campesinas
apoyar los proyectos que se formulen en tierras de montaña, en temas de ordenamiento territorial participativo y desarrollo productivo,
fortalecer las estructuras locales para permitir relaciones equilibradas con otros actores económicos (en el mercado local y globalizado).
Foto 1: vista panorámica de predio en zona del proyecto
1 Ver www.pdfc.cl
2 Las comunas de Lolol y Litueche inicialmente, para luego integrar a las comunas de: Navidad, La Estrella,
Marchigue, Pichilemu, Paredones, Chepica, en la VI Región del Libertador Bernardo O´Higgins, y las comunas de Empedrado y Chanco en la VII Región del Maule. En la actualidad se trabaja en la cuenca del río Toltén, IX Región de la Araucanía, en la que existen 11 comunas rurales. 3 Ver www.munitel.cl
5 Las comunas de Lolol y Litueche inicialmente, para luego integrar a las comunas de: Navidad, La Estrella,
Marchigue, Pichilemu, Paredones, Lolol, Chepica, en la VI Región del Libertador Bernardo O´Higgins, y las comunas de Empedrado y Chanco en la VII Región del Maule. En la actualidad se trabaja en la cuenca del río Toltén, IX Región de la Araucanía, en la que existen 11 comunas rurales.
Latin American Remote Sensing Week 2010
P á g i n a | 80
Suelos degradados, erosión, baja productividad
En lo grupal, el marco de trabajo comunitario ha permitido detectar la necesidad de adoptar los valores ético - morales de cooperación en los ámbitos técnicos y políticos, integrando los conocimientos tradicionales con los medios modernos de la tecnología, la ciencia con la solidaridad, buscando generar una sinergia de la acción grupal participativa. En la actualidad se encuentra vigente un mecanismo institucional para su ampliación a nivel nacional.
Latin American Remote Sensing Week 2010
P á g i n a | 81
11.- INVENTARIO NACIONAL DE HUMEDALES DE CHILE
Contreras M.¹, Oyola N.12, Ramírez A2., Figueroa A.3, Novoa F.¹
Centro de Ecología Aplicada (CEA), 2 Global Environment, 3 CONAMA.
Palabras clave: inventario, catastro, humedales, Landsat, hiperespectral.
RESUMEN: El trabajo que se presenta a continuación está enmarcado en el proyecto en
desarrollo “Diseño del Inventario Nacional de Humedales y el Seguimiento Ambiental” de
CONAMA, el cual contempla la identificación de humedales de todo el país, a escala regional, y
el levantamiento de humedales piloto indicadores, a escala local, utilizando técnicas de
análisis de percepción remota y sistemas de información geográfica (SIG). Las imágenes
utilizadas corresponden a imágenes satelitales multiespectrales de la serie Landsat, de
resolución espacial media, e imágenes hiperespectrales aerotransportadas de alta resolución
espectral y espacial.
Introducción
Los humedales son considerados dentro de los ecosistemas más importantes del planeta
(Mitsch & Gosselink, 2000). Éstos comparten una propiedad primordial, el agua, que juega un
rol fundamental en el ecosistema y en la determinación de la estructura y las funciones
ecológicas de éste (SAG, 2006).
Estos ecosistemas sustentan una importante diversidad biológica y, en muchos casos,
constituyen ambientes críticos para especies seriamente amenazadas.
Los humedales son hábitats para numerosas especies y sirven como áreas de refugio a
especies migratorias (Salinas et al., 2002). Además de lo anterior también funcionan como
filtro para los contaminantes. Otro factor a considerar es que los bienes y servicios que éstos
entregan son limitados y que su degradación puede significar reducción, fragmentación y, en
los casos más severos, su pérdida. Si se desea conservar sus múltiples beneficios, como
hábitats únicos y fuente de agua, no se debe sobrepasar el umbral crítico en el uso que
hacemos de ellos.
En Chile, existe una necesidad de enfocar la protección de humedales en una manera
"concertada, adecuada y eficiente" (CONAMA, 2005). Para cumplir con lo anterior, una de las
primeras tareas es localizar espacialmente los humedales del país, para ello se hace
imprescindible el realizar un catastro de los mismos.
Lo anterior está siendo abordado por el proyecto “Diseño del Inventario Nacional de
Humedales y el Seguimiento Ambiental” de CONAMA. El trabajo que se presenta a
continuación se encuentra inmerso dentro de éste proyecto. En el documento se describen los
objetivos, la metodología y el estado de avance en que se encuentra la identificación de los
humedales (cuerpos de agua y vegetación hidrófila) del país, a escala regional, y como se
Latin American Remote Sensing Week 2010
P á g i n a | 82
realizará el levantamiento de humedales a escala local utilizando el sensoramiento remoto y
los SIG.
Objetivos
General: generar una cobertura digital base para la realización del diseño del inventario
nacional de humedales y seguimiento ambiental utilizando imágenes multiespectrales (escala
nacional) e imágenes hiperespectrales (escala local).
Específicos: i) identificar humedales a escala regional para todo el país utilizando imágenes
de la serie Landsat y ii) identificar humedales indicadores, dentro de la cuenca hidrográfica, a
escala local, con alta resolución espacial y espectral, utilizando imágenes hiperespectrales
aerotransportadas del sensor AISA Eagle.
Metodología
Imágenes Landsat
El programa Landsat existe desde 1972 y es considerado uno de los programas más
fructíferos de teledetección espacial desarrollado hasta el momento. Ha sido utilizado con
éxito en diversos estudios (Villeneuve, 2005), debido a la buena resolución de sus sensores, su
carácter global, lo periódico de la observación que realiza y su gran difusión (Jensen 2007 y
Chuvieco, 2002). Además las características técnicas de las bandas de éste satélite permiten la
discriminación de superficies inundadas y de vegetación.
Hasta febrero de 2009 era necesario pagar por la adquisición de una imagen Landsat.
Actualmente las imágenes Landsat se pueden obtener gratuitamente en la United States
Geological Survey (USGS) y en el “Instituto Nacional de Pesquisas Espaciais” (INPE) de Brasil.
Lo anterior permite además de obtener las escenas más recientes disponibles de esta serie,
acceso a imágenes de archivo, con una data disponible de más de 30 años, lo que puede ser de
gran utilidad para estudios de líneas de base históricas de humedales y de vegetación.
Adquisición de imágenes
La adquisición de imágenes Landsat para la identificación de los humedales, comenzó con la
revisión de imágenes (1000 aprox.) disponibles en dos bases de datos (USGS e INPE). De estas
se seleccionó 81 escenas, correspondiente a 162 imágenes. Uno de los criterios de selección
fue la selección de dos fechas, invierno y verano para cada escena, esto con el fin de identificar
la máxima expresión espacial del humedal. Además se buscaron imágenes que presentaran
escasa o nula cobertura de nubes y en lo posible de años que no estuvieran influenciados por
los fenómenos del Niño o la Niña. Cabe señalar que no siempre fue posible seleccionar una
imagen que cumpliera todos los criterios de búsqueda.
Procesamiento imágenes
Preproceso
En la etapa de preproceso se realizan las correcciones atmosféricas y geométricas. Para la
Latin American Remote Sensing Week 2010
P á g i n a | 83
primera de ellas se utiliza el modelo de Chávez, (Chávez, 1975 en Chuvieco, 2002) donde se indica que los cuerpos u objetos de alta absortividad deberían tener valores de nivel digital cero (Chuvieco, 2002), este procedimiento, conocido como Dark Object Subtraction Model (DOSM), necesita datos de la variación solar, de la fecha del año e inclinación del ángulo de elevación del sol, con ellos se puede eliminar el efecto de la niebla sobre la imagen. Esta corrección a contribuido sustancialmente a mejorar la nitidez de la nubosidad en las imágenes de la zona sur del país. En cuanto a la corrección geométrica se ha utilizado el modelo digital de elevación de ASTER, obtenido en Internet. Además, para hacer más precisa esta corrección, se han incorporado puntos de control obtenidos a partir de información vectorial de drenes, a escala 1:50.000, lo que ha permitido comparar las imágenes con la línea de costa, quebradas y ríos principales. Cabe señalar que las imágenes originales, en general, no presentan mayores desplazamientos geométricos, con respecto a la cubierta de drenes y el DEM Aster, lográndose un buen ajuste geométrico. Procesamiento
El procesamiento de las imágenes incluyó la generación de los índices NDVI (Normalized
Difference Vegetation Index) y NDWI (Normalized Difference Water Index), los que ayudan a la
discriminación de cuerpos de agua y vegetación en las imágenes satelitales.
Los índices sirven para mejorar la capacidad de interpretación de los datos, suelen ser
utilizados para optimizar la discriminación entre dos cubiertas con comportamiento reflectivo
muy distinto entre dos bandas (Chuvieco, 2002). Por ejemplo, se puede obtener una nueva
banda dividiendo una banda original por otra. Así se obtiene una banda que actúa como un
índice que podría mejorar la interpretación de algún tipo de cobertura en particular.
El índice NDVI se relaciona con la biomasa o vigor de la vegetación (Jensen, 2000 en Polidorio,
2005). Para su cálculo se utiliza las bandas del rojo e infrarrojo cercano. Áreas de alto vigor
vegetacional poseen una mayor reflectividad en el infrarrojo cercano y una menor
reflectividad en el rojo. El índice se calcula utilizando la siguiente ecuación:
Los valores entregados por esta relación varían entre -1 y 1. Si el valor se acerca a 1 está
indicando una vegetación vigorosa y sana, los valores cercanos a cero se relacionan con suelo
fraccionado a desnudo, valores negativos generalmente corresponden a nubes o cuerpos de
agua. Mediante el empleo de este índice podemos identificar diferentes grados de cobertura
vegetal.
El cálculo del NDWI establece un índice que discrimina cuerpos de agua. Para ello se utilizan
las bandas del verde e infrarrojo cercano (Polidorio et al., 2005). La utilización de este índice
maximiza la reflectividad propia del agua realzando sus características. El índice se calcula
utilizando la siguiente ecuación:
Latin American Remote Sensing Week 2010
P á g i n a | 84
Los valores del NDWI varían entre -1 y 1, asociando valores positivos para las superficies con
agua o húmedas y cero o negativo para el suelo y la vegetación terrestre.
Identificación y digitalización de los humedales
El procedimiento, para la identificación de los polígonos, consiste en consultar alternadamente -en un SIG- las imágenes de los índices calculados y las imágenes que conforman la escena en falso color convencional. Lo anterior a objeto de poder discriminar cuando nos encontramos en los valles o en los fondos de quebradas, pudiendo verificar la presencia de sombras o de nieve que distorsiona la interpretación. Para la identificación también son útiles los vectores de drenes y cuerpos de agua, que permiten una clara interpretación de la línea de costa, meandros e inicio y termino de cursos de agua.
Imágenes hiperespectrales
El Centro de Ecología Aplicada (CEA) cuenta con el sensor hiperespectral aerotransportado
AISA Eagle Specim Imaging (Figura 1), de alta resolución espacial y espectral, con un rango
que abarca entre 400-970 nm del espectro electromagnético, lo que permite obtener
imágenes de 64, 128, y 256 bandas, lo cual es de gran utilidad para realizar estudios de
monitoreo de vegetación y agua.
Figura 1. Sensor AISA-Eagle
Los sensores hiperespectrales captan información de las características de la superficie
terrestre simultáneamente en cientos de bandas espectrales adyacentes, lo que permite
obtener información espectral continua del objeto teledetectado sin necesidad de recurrir a
protocolos de extrapolación de mediciones puntuales (Paruelo, 2008). Lo anterior amplía el
rango de información para la interpretación de algún tipo de cobertura en particular, ya sea
analizando cada banda separadamente o generando índices por combinación de estas.
Además de poseer ventajas por sobre los sistemas satelitales convencionales en lo referente a
Latin American Remote Sensing Week 2010
P á g i n a | 85
la resolución espacial y espectral, presenta una ventaja que es crucial en estudios
medioambientales, la resolución temporal. La toma de la escena ya no depende de una orbita
satelital predefinida, sino que al ser aerotransportada en aviones de mediana envergadura, lo
vuelve más versátil pudiendo adaptarse el momento de la adquisición de la imagen a los
requerimientos de estudio o a factores climáticos inconvenientes como la cubierta de nubes.
El análisis espectral de las bandas permite diferenciar y encontrar contrastes que no es
posible identificar en una imagen multiespectral. Esto realza la posibilidad de discriminar la
fracción acuática de la terrestre e identificar hábitat del sistema, como también capturar
características físicas y algunos otros procesos químicos y/o biológicos dependiendo de la
respuesta espectral que generen.
Debido a la alta resolución espacial que se puede obtener con este sensor, la identificación y
delimitación de los cuerpos de agua y formaciones vegetacionales (u otras características del
terreno) alcanzan altos grados de precisión, en cuanto a ubicación y cálculo de superficie.
Generación de índices en imágenes hiperespectrales
Vegetación
Gracias al uso de imágenes hiperespectrales, los índices de vegetación se han potenciado en
cuanto a la identificación de factores que afectan el estado de las plantas. Estos nos permiten
identificar las formaciones vegetacionales y su estado fisiológico con gran precisión. Algunos
de los índices utilizados por el CEA (CEA, 2010) en experiencias previas en vegetación son:
a) Contenido de agua en del dosel, WBI (Water Band Index) a medida que el contenido de
agua aumenta se incrementa la absorción alrededor de los 900 a 970 nm, las bandas límite de
este rango se utilizan para el cálculo del índice.
b) Vigorosidad, NDVI (The Normalized Difference Vegetation Index). Para su cálculo se utiliza
la banda de los 900 nm y la de 679, correspondientes al infrarrojo cercano y el rojo
respectivamente.
c) Eficiencia en cuanto al uso de la luz, PRI (Photochemical Reflectance Index) este índice
mide la sensibilidad a los cambios de pigmentos en el follaje, los que son indicativos de la
actividad fotosintética de la vegetación. Las bandas utilizadas en su cálculo son la 531 y la de
570 nm.
Sistema acuático
El sensor hiperespectral permite realizar estudios de monitoreo de variables acuáticas como turbidez (sólidos suspendidos) y concentración de clorofila a (microalgas) con lo que se obtiene la caracterización del sistema. En la Figura 2 se presenta un ejemplo de la diferenciación de firmas espectrales, que se puede obtener con la imagen hiperespectral, para agua clara y agua con microalgas. Se aprecia que
Latin American Remote Sensing Week 2010
P á g i n a | 86
en las longitudes de onda de 470, 550, 680 y 705 nm se producen los máximos contrastes entre las variables mencionadas. En experiencias anteriores el CEA (2009) ha utilizado algebra de bandas y análisis de firmas espectrales, para el estudio de sistemas acuáticos. De acuerdo a los índices desarrollados se evidenciaron ciertas longitudes de onda específicas, entorno a 500-600 nm y 800-900 nm, que maximizan el contrates para efectuar una clasificación de la interfaz terrestre-acuática.
Figura 2. Respuesta espectral de agua clara y agua con microalgas (Han, 1997).
Relevamiento y procesamiento de imágenes hiperespectrales para el Inventario El proceso de identificación espacial y generación de la cartografía digital de los humedales a
escala local se hará mediante la toma de una imagen hiperespectral aerotransportada de alta
resolución espacial y espectral. Esto permitirá identificar las superficies de polígonos -de
agua y vegetación- con alta precisión. Además, para caracterizar el sistema, se realizará
levantamiento de información en terreno, tanto para el sistema acuático como para la
vegetación. Los datos obtenidos servirán para la calibración de índices espectrales generados
a partir de la imagen hiperespectral.
Productos y resultados
Como producto, dentro del proyecto, se contempla la generación de: i) cobertura digital de
humedales de todo el país a escala regional y base de datos descriptiva, se contempla cuerpos
de agua y vegetación azonal asociada si se presenta, ii) cobertura digital de humedales
indicadores piloto a escala local, y base de datos con información sobre rasgos bióticos,
abióticos.
Para el primer producto se tiene el 40% de avance a la fecha, lo que se aprecia en la Figura 3.
En tanto que en la cobertura para el nivel local aún no se ha realizado la toma de la imagen
hiperespectral, la que se contempla para mediados de octubre de 2010, según cronograma del
proyecto.
Latin American Remote Sensing Week 2010
P á g i n a | 87
Figura 3. Cobertura parcial Inventario de Humedales.
Bibliografía
CONAMA. 2005. Estrategia nacional para la conservación y uso racional de los humedales en
Chile. http://www.sinia.cl/1292/articles-35208_recurso_1.pdf
CONAMA-CEA, 2007. Protección y manejo sustentable de humedales integrados a la cuenca
hidrográfica.
Latin American Remote Sensing Week 2010
P á g i n a | 88
CEA. Aplicación de imágenes hiperespectrales teledetectadas a 3 casos en la zona central de
Chile.2009
CEA, Uso de imágenes hiperespectrales en el seguimiento de la vegetación sector Laguna
Conchalí. Comuna Los Vilos. 2010.
Chuvieco, E. Teledetección Ambiental. La observación de la tierra desde el espacio. p. 327.
Barcelona 2002.
Jensen, J. R., 2007. Remote Sensing of the Environment: An Earth Resource Perspective. 2nd
Ed. Upper Saddle River. Prentice Hall, 592 pp.
Mitsch, W.J. & Gosselink J.G. Wetlands. 2000. John Wiley & Sons, Inc, New York,Third Edition.
Salinas, W., Treviño, E., Jaramillo, J., Campos, J. Identificación y Clasificación de Humedales Interiores del estado de Tamaulipas por Percepción Remota y Sistemas de Información Geográfica. Investigaciones Geográficas, número 049. Universidad Nacional Autónoma de México, Distrito Federal, México, pp.74-91. Diciembre 2002.
SAG - BIOTA. Estudio de los sistemas vegetacionales azonales hídricos del del valle central y
precordillera del Bío-Bío. 2009.
Oyola, N. Identificación de Humedales del Norte Grande de Chile Utilizando Técnicas Geomáticas en Imágenes Satelitales Landsat. 2009.
Paruelo, J.M. Ecosystems functional characterization by means of remote sensors. Ecosystems
17 (3): 4-22. September 2008.
Polidorio, A. M., Garcia, A.M., Nobuhiro N., Bueno M. 2005. Segmentação de corpos d’água em
imagens multiespectrais e temporais usando watershed com marcadores automaticamente
definidos. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia. INPE, p. 4249-
4257. Brasil, 16-21 abril 2005.
RAMSAR, Inventario de humedales. Manual 10. Junio de 2004.
Villeneuve, J. Delineating wetlands using geographic information system and remote sensing
technologies. Thesis for the degree of Master ff Science. Texas A&M University. 2005.
Latin American Remote Sensing Week 2010
P á g i n a | 89
12.- RADAR DEM GENERATION; ACHIEVEMENTS AND BENEFITS
Parviz Tarikhi
Microwave Remote Sensing Research Core
Mahdasht Satellite Receiving Station, Karaj, Iran
[emailprotected]
Abstract: InSAR is a radar technique for combining synthetic aperture radar (SAR) single look
complex images to form interferogram and utilizing its phase contribution to land
topography, surface movement and target velocity. In recent years considerable applications
of Interferometric SAR technique are developed. It is an established technique for generating
high quality digital elevation models (DEM) from spaceborne and airborne data, and that it
has advantages over other methods for the generation of large area DEM. InSAR is capable of
producing DEMs with the precision of a couple of ten meters whereas its movement map
results have sub-centimeter precision.
DEMs are used in many applications in the context of earth sciences such as in topographic
mapping, environmental modelling, rainfall-runoff studies, landslide hazard zonation, and
seismic source modelling.
In this paper the experience gained on the subject in course of the continuous research work
since 1994 in the former Iranian Remote Sensing Center and the Iranian Space Agency is given
and the case studies on Izmit quake of August 1999, Bam quake of December 2003 and Haiti
Earthquake of 12 January 2010 using the related single look complex (SLC) images collected
by the European ERS-1&2 and Envisat remote sensing satellites is discussed. Using tandem
images of ERS-1&2 with the temporal baseline of one day and few seconds for the images of
Envisat leads to very good results for DEM generation while the spatial baselines smaller than
40m may not be suitable to this mean since slopes will be under-sampled.
________________________________________ Introduction: Digital Elevation Model (DEM) refers to the process of demonstrating terrain
elevation characteristics in 3-D space, but very often it specifically means the raster or regular
grid of spot heights. DEM is the simplest form of digital representation of topography, while
Digital Surface Model (DSM) describes the visible surface of the Earth (Fig. 1).
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 90
Fig. 1: DEM concept
Radar is a useful tool for land and planetary surface mapping. It is a good mean for obtaining a
general idea of the geological setting of the area before proceeding for field work. Time,
incidence angle, resolutions and coverage area all play important role at the outcome.
InSAR is a sophisticated processing of radar data for combining synthetic aperture radar
(SAR) single look complex (SLC) images to form interferogram and utilizing its phase
contribution to generate DEM, surface deformation and movement maps and target velocity.
The interferogram contains phase difference of two images to which the imaging geometry,
topography, surface displacement, atmospheric change and noise are the contributing factors.
Considerable applications of InSAR have been developed leaving it an established technique
for high-quality DEM generation from spaceborne and airborne data and that it has
advantages over other methods for the large-area DEM generation. It is capable of producing
DEMs with the precision of a couple of ten meters while its movement map results have sub-
centimeter precision over time spans of days to years. Terrestrial use of InSAR for DEM
generation was first reported in 1974. It is used for different means particularly in geo-
hazards like earthquakes, volcanoes, landslides and land subsidence.
Data sources and software
Satellite-based InSAR began in the 1980s using Seasat data, although the technique’s potential
was expanded in the 1990s with launch of ERS-1 (1991), JERS-1 (1992), Radarsat-1 and ERS-2
(1995). They provided the stable well-defined orbits and short baselines necessary for InSAR.
The 11-day NASA STS-99 mission in February 2000 used two SAR antenna with 60-m
separation to collect data for the Shuttle Radar Topography Mission (SRTM). As a successor to
ERS, in 2002 ESA launched the Advanced SAR (ASAR) aboard Envisat. Majority of InSAR
systems has utilized the C-band sensors, but recent missions like ALOS PALSAR and
TerraSAR-X are using L- and X-band. ERS and Radarsat use the frequency of 5.375GHz for
instance. Numerous InSAR processing packages are also used commonly. IMAGINE-InSAR,
EarthView-InSAR, ROI-PAC, DORIS, SAR-e2, Gamma, SARscape, Pulsar, IDIOT and DIAPASON
are common for interferometry and DEM generation.
Latin American Remote Sensing Week 2010
P á g i n a | 91
DEM generation steps using InSAR
The procedure for producing interferograms involves applied software and needed precision,
but it usually includes some basic steps. InSAR operational steps for DEM generation from
SLC-SAR data are performed in three major stages including data search, processing and
product validation, while data processing stage comprises of five steps of data pre-processing,
co-registration, interferogram generation, phase unwrapping, and geo-coding.
Two coherent SAR images are required to produce an interferogram. The images are first co-
registered for finding the offset and difference in geometry between two amplitude images.
Normally the baselines of 80-300m are suitable for DEM generation. One SAR image is then
re-sampled to match the geometry of the other, meaning each pixel represents the same
ground area in both images. The interferogram is generated by multiplication of the first
image (master) to the complex conjugate of the second image (slave), and the interferometric
phase due to the reference ellipsoid is removed; the process is referred to as flattening.
When produced, the interferogram is filtered using an adaptive power-spectrum filter to
amplify the phase signal. For most quantitative applications the consecutive fringes present in
the interferogram have to be unwrapped, which involves interpolating over the 0-2π phase
jumps to produce a continuous deformation field. At some point, before or after unwrapping,
incoherent areas of the image may be masked out. The final processing stage requires geo-
coding, which involves resampling the interferogram from the acquisition geometry related to
direction of satellite path into the desired geographic projection. By applying phase
information in the interferogram, extraction of DEM with meter accuracy, height change
information, and fine scale temporal change measurements will be possible.
DEM generation methods
DEM is important for surveying and other applications in engineering. Its accuracy is
paramount; for some applications high accuracy does not matter but for some others it does.
Numerous DEM generation techniques with different accuracies for various means are used.
DEMs can be generated through different methods which are classified in three groups that
are DEM generation by (i) geodesic measurements, (ii) photogrammetry and (iii) remote
sensing.
In DEM generation by geodesic measurements, the planimetric coordinates and height values
of each point of the feature are summed point-by-point and using the acquired data the
topographic maps are generated with contour lines. The 1:25000-scale topographic maps are
common example. The method uses contour-grid transfer to turn the vector data from the
maps into digital data. For DEM generation by photogrammetry, the photographs are taken
from an aircraft or spacecraft and evaluated as stereo-pairs and consequently 3-D height
information is obtained.
Latin American Remote Sensing Week 2010
P á g i n a | 92
DEM generation by remote sensing can be made in some ways, including stereo-pairs, laser
scanning (LIDAR) and InSAR. There are three types of InSAR technique that is single-pass,
double-pass and three-pass (Fig.2). In double-pass InSAR, a single SAR instrument passes over
the same area two times while through the differences between these observations, height
can be extracted. In three-pass interferometry (or DInSAR) the obtained interferogram of a
double-pass InSAR for the commonly tandem image pairs is subtracted from the third image
with wider temporal baseline respective to the two other images. In single-pass InSAR, space-
craft has two SAR instrument aboard which acquire data for same area from different view
angles at the same time. With single-pass, third dimension can be extracted and the phase
difference between the first and second radar imaging instruments give the height value of
the point of interest with some mathematical method. SRTM used the single-pass
interferometry technique in C- and X-band. Earth’s height model generated by InSAR-SRTM
with 90-m horizontal resolution is available while the DEM with 4-to-4.5-m relative accuracy
is also available for restricted areas around the world.
Fig. 2: Differential interferometric SAR data collection scheme
Comparison
InSAR ability to generate topographic and displacement maps in wide applications like
earthquakes, mining, landslide, volcanoes has been proven. Although other facilities like GPS,
total stations, laser altimeters are also used, comparison between InSAR and these tools
reveals its reliability. Laser altimeters can generate high resolution DEM and low resolution
displacement maps in contrary to InSAR with the spatial resolution of 25m. However, most
laser altimeters record narrow swaths. Therefore, for constructing a DEM by laser altimeter,
more overlapping images are required. Displacement map precision obtained by terrestrial
surveying using GPS and total stations is similar or better than InSAR. GPS generally provides
better estimation of horizontal displacement and with permanent benchmarks slow
Latin American Remote Sensing Week 2010
P á g i n a | 93
deformations is monitored for years without being concerned about surface de-correlation.
The most important advantage of InSAR over GPS and total stations are wide continuous
coverage with no need for fieldwork. Therefore, wide and continuous coverage, high
precision, cost effectiveness and feasibility of recording data in all weather conditions are its
main privileges. However, it is important that the InSAR displacement result is in the line-of-
the-sight direction and to decompose this vector to parallel and normal components the
terrestrial data or extra interferograms with different imaging geometry are required. It is
shown that DEM generated by photogrammetric method is more accurate than the others. It
has approximately 5.5m accuracy for open and 6.5m for forest areas. SRTM X-band DSM is 4m
less accurate for open and 4.5m less accurate for forest areas.
Data availability and atmospheric effects limit using InSAR, however processing of its data is
challenging. For each selected image pair, several processing steps have to be performed. One
of the current challenges is to bring the techniques to a level where DEM generation can be
performed on an operational basis. This is important not only for commercial exploitation of
InSAR data, but also for many government and scientific applications. Multi pass
interferometry is affected by the atmospheric effects. Spatial and temporal changes due to the
20% of relative humidity produce an error of 10cm in deformation. Moreover, for the image
pairs with inappropriate baseline the error introduced to the topographic maps is almost
100m. In topographic mapping this error can be reduced by choosing interferometric pairs
with relatively long baselines, while in the displacement case the solution is to average
independent interferograms.
Why InSAR DEMs are better?
Distinction between SAR imaging and the optical systems are more profound than the ability
of SAR to operate in conditions that would cause optical instruments to fail. There are basic
differences in the physical principles dominating the two approaches. Optical sensors record
the intensity of radiation beamed from the sun and reflected from the features. The intensity
of the detected light characterizes each element of the resulting image or pixel. SAR antenna
illuminates its target with coherent radiation. Since the crests and troughs of the emitted
electromagnetic wave follow a regular sinusoidal pattern, both the intensity and the phase of
returned waves can be measured.
InSAR has some similarities to stereo-optical imaging in that two images of the common area,
viewed from different angles, are appropriately combined to extract the topographic
information. The main difference between interferometry and stereo imaging is the way to
obtain topography from stereo-optical images. Distance information is inherent in SAR data
that enables the automatic generation of topography through interferometry. In other words
DEMs can be generated by SAR interferometry with greater automation and less errors than
optical techniques. Moreover, using DInSAR surface deformations can be measured
accurately.
Latin American Remote Sensing Week 2010
P á g i n a | 94
Different DEM generation methods of Advanced Spaceborne Thermal Emission and Reflection
Radiometer (ASTER) stereoscopy, ERS tandem InSAR, and SRTM-InSAR are used. Both the
ERS-InSAR and SRTM DEMs are free of weather conditions, but ASTER DEM quality may be
affected by cloud coverage in some local areas. InSAR has the potential of providing DEMs
with 1-10cm accuracy, which can be improved to millimeter level by DInSAR. Its
developments are rapid however it is our requirements that say which one is better for use.
Examples of our practical studies and achievements
In course of the years of studies and verifications by our Microwave Remote Sensing Group
good and valuable achievements gained on InSAR technology applications. In this paper the
results and outcomes related to the generation of DEMs using Interferometric SAR are given
as example.
(Image credit: Parviz Tarikhi)
Fig. 3: Satellite view of Bam area with the pre and post quake photos of the Citadel Bam as insets
(I) Advent of the awful earthquake of December 26, 2003 in Bam, Iran has drawn the
attention of the many scientific and humanitarian organizations to study the phenomenon and
its causes and origins as well as its impacts and developments. Fig.3 shows the position of the
Latin American Remote Sensing Week 2010
P á g i n a | 95
area on a satellite image with the photos of the pre and post quake views of the Citadel Bam as
insets. In Fig.4, the left image is the topo-DInSAR product acquired from the Envisat-ASAR
data of 11 June and 3 December 2003, while the image at right is the topo-DInSAR product of
the 3 December 2003 and 7 January 2004. The team conducted by the author used the data
provided by ESRIN, and the DORIS and IDIOT softwares to generate the products. The middle
image obtained by NASA scientists is the 3-D perspective view of vertical displacement of the
land surface south of Bam during the 3.5 years after the 6.6 earthquake of December 26, 2003
that is derived from analysis of radar images. Blue and magenta tones show where the ground
surface moved downward; yellow and red tones show upward motion (particularly in south
of Bam). Displacements are superimposed on a false-color Landsat Thematic Mapper image
taken on October 1, 1999. In the right image that is obtained from the ASAR data pre and post
earthquake the curl-shape pattern south of Bam is distinguishable where such the torsion is
not visible in the left image that obtained from pre-earthquake data. For the left image the
normal baseline is 476.9 m and parallel baseline is 141.6 m, while for image at right the
normal baseline is 521.9 m and the parallel baseline is 268.3 m. The left image demonstrates
that the related interferogram includes four lobes. Since the displacement in the east is
greater than that in the west, the related lobes are larger. The displacements measured along
the radar line-of-sight direction are 30cm and 16cm at south-east and north-east lobes of the
interferogram, respectively. However, the displacement related to the western part of the area
is about 5cm along the radar line-of-sight direction.
(Image credit: Parviz Tarikhi)
Fig.4: Bam area’s topo DInSAR images and DEM
Latin American Remote Sensing Week 2010
P á g i n a | 96
(Image credit: Parviz Tarikhi)
Fig.5: InSAR products of Izmit area in western Turkey (II) In Fig.5, the top images at the left and right show the tandem amplitude data of 12 and 13
August 1999 (4 and 5 days pre-quake) of Izmit, Turkey as master and slave images
respectively. The research team conducted by the author used the ERS-1&2 data provided by
ESRIN, and the Earth-view and SAR Toolbox softwares to generate the variety of related
products. The normal baseline for the image pair is 224.2 m and parallel baseline is 91.1 m.
The image at the bottom left is the coherence image while the right image at the bottom
depicts the DEM image where the interferogram is overlaid on it. For each product the
relevant histogram is seen as inset. The similarity of the histograms of master and slave
images is considerable due to the high correlation of the images that is clearly seen in
coherence image. It is important to note that lowest coherence values (darkest values)
correspond both to steep slopes or vegetated areas (especially visible in the lower part of the
image) and to the lakes (image center and left). DEMs generated from the tandem images are
accurate because of the high correlation between master and slave images. Although both the
master and slave images are pre-earthquake data of the 7.8 earthquake of August 17, 1999,
the strain in the disaster area is visible a week before the quake. It could be a useful precursor
for the advent of a disaster like the earthquake in Izmit.
Latin American Remote Sensing Week 2010
P á g i n a | 97
(Image credit: Parviz Tarikhi)
Fig.6: InSAR products of Haiti area in North America (III) Fig.6 shows a sample of data products in the framework of the research and study work
on Haiti earthquake. On January 12, 2010, Tuesday a huge quake measuring 7.0 rocked the
Caribbean Haiti. It destroyed mainly the capital of Haiti, Port-au-Prince toppling buildings and
causing widespread damage and panic. Using the radar data provided by the European Space
Research Institute (ESRIN) affiliated to the European Space Agency (ESA) since early March
2010 an investigation and research work on the available data was carried out. The data
included 47 single look complex images (SLCI) of the C-band Advanced Synthetic Aperture
Radar (ASAR) image mode system of Envisat satellite in addition to other type of data. The
results sound good and below a sample of DEM generated for the area of study, Nord-Ouest
Department (North-West Province) is seen. The cities of Cap du Mole Saint-Nicolas and Bale-
de-Honne are situated in north-west and south respectively. The products are generated by
combining the Envisat ASAR images taken at the same day of 4 March 2010 with 8 seconds of
time interval and the virtual baseline of 13.23m while the parallel baseline amounts only
2.1cm that is too close and comparable to the radar wavelength of 56mm for Envisat.
Latin American Remote Sensing Week 2010
P á g i n a | 98
Acknowledgement
The SLC images for both the Izmit, Bam and Haiti areas for our study was generously provided
by the European Space Research Institute (ESRIN) of the European Space Agency (ESA) in
1999, 2004 and 2010 respectively.
Presenter’s CV
Parviz Tarikhi specializes in radar remote sensing since 1994 and heads the Microwave
Remote Sensing Research Core at the Mahdasht Satellite Receiving Station in Karaj, Iran. He
holds a PhD in physics focusing on microwave remote sensing. He has been involved with the
United Nations Committee on the Peaceful Uses of Outer Space (UN-COPUOS) since 2000,
including as Second Vice-Chair and Rapporteur in 2004-06 of the committee bureau. Since
2001 he has co-chaired Action Team number 1 of UNISPACE-III with the mission ‘to develop a
comprehensive worldwide environmental monitoring strategy’. From 2004-07 he led the
Office for Specialized International Cooperation of the Iranian Space Agency. He has made in
the mean time years of research and study on the developments and status of space science
and technology with a particular focus on Iran. For more information please see:
http://parviztarikhi.wordpress.com.
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 99
13.- USE OF REMOTE SENSING AND GIS TECHNIQUES FOR SUSTAINABLE DEVELOPMENT OF WATER RESOURCES IN HARYANA STATE, INDIA: ISSUES
AND CONCERNS
Dr. B. S. Chaudhary
Associate Professor
Department of Geophysics,
Kurukshetra University, Kurukshetra, Haryana
[emailprotected]
There is continuously increasing pressure on water resources due to population explosion,
industrialization, urbanization and climatic vagaries. The Remote Sensing (RS) and
Geographical Information System (GIS) techniques can be effectively and efficiently used for
the generation of baseline information for the effective and optimal utilization of water
resources in a sustainable manner. These techniques have an edge over the conventional
methods due to the advantages of synoptic view, repetitive coverage, and multi resolution
satellite data. This helps us in generation water resources information on various scales. The
effective planning for water resources conservation and management at district level can be
made if the data is generated on 1:50,000 scale by using medium resolution satellite images.
Haryana state may be considered as covered by three basins, namely the Yamuna basin, the
Ghaggar basin and internal basin which are parts of Ganges and Indus system. In northern
Haryana, the land area slopes from northeast to southwest, whereas in south, it slopes from
southwest to northeast. This makes almost a latitudinal depression along Sirsa-Fatehabad-
Hisar-Jind-Rohtak-Delhi axis. This saucer shaped physiography of the state is responsible for
many problems related to water resources along this central axis. These are flooding, water
logging, and salinity. The ground water conditions in northern and southern parts of state are
fresh but facing the problem of water level decline due to over exploitation for intensive
agriculture purposes. As a result, at present Haryana have problems of over drafting of fresh
quality water in northern and southern districts and excessive canal irrigation in the areas of
poor/ marginal ground water conditions due to highly water intensive & multiple cropping
systems as a result of green revolution. This is creating the two diverse problems that of
ground water table declining in the northern and southern part whereas the water logging
and salinization in the central portion. This call for integrated study of water resources in the
state for its sustained use.
Looking to the benefits of the RS and GIS technology a number of projects has been taken up
in the state by various organizations. The present paper discusses the preparation of ground
water prospects maps in various parts of Haryana state, India on one side and the initiatives
for artificial recharge of ground water in some other areas. First, Hydrogeomorphological
maps on 1:50,000 scale showing different ground water prospect zones are prepared for
different districts in Haryana State, India. These depict ground water worthy features. This
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 100
information has been supplemented with the available inputs from existing sources about the
depth to water level and ground water quality etc. The other maps such as land use/ land
cover, geomorphology, drainage/ canal network and soils etc have also been consulted for
preparing water resources action plan. The maps thus prepared depict different units for
further ground water prospecting. It is to mention here that some of the Palaeo-channels have
been picked up first time. The surface water resources action plan maps have been prepared
by integrating geomorphology, slope, drainage, soils maps and various sites have been
suggested for site specific water resources conservation measures such check dams/ gully
plugging, earthen dams etc. The information thus developed has been submitted to various
departments involved in the planning and management of natural resources in the state for
further implementation of the activities suggested in different areas.
Latin American Remote Sensing Week 2010
P á g i n a | 101
14.- DETERMINACIÓN DE ÁREAS PRIORITARIAS PARA LA FISCALIZACIÓN FORESTAL MEDIANTE TECNOLOGÍAS GEOESPACIALES
J. Gutiérrez a, Y. Morales a, C. Mena a*, Y. Ormazábal a
a Centro de Geomática, Universidad de Talca, Avda. Lircay s/n, Talca, Chile -
[emailprotected], [emailprotected], [emailprotected], [emailprotected]
KEY WORDS: Fiscalización forestal, Sistemas de Información Geográfica, Evaluación
Multicriterio. ABSTRACT: En la actualidad la Corporación Nacional Forestal (CONAF), a través de su Departamento de Administración y Fiscalización Forestal pretende aumentar el grado de cumplimiento de la legislación forestal y ambiental por parte de los propietarios de bosques, generando para ello mecanismos de fiscalización integral. Sin embargo, la administración de los recursos disponibles para esta actividad requiere de un riguroso análisis que permita un uso y gestión adecuada. En este escenario, la integración de los Sistemas de Información Geográfica (SIG) y técnicas de Evaluación Multicriterio (EMC) es una excelente herramienta de apoyo para la toma de decisiones. En la presente investigación se elaboró una base de datos geoespacial mediante SIG, conformada por aquellas variables relevantes en el proceso de fiscalización del recurso forestal, tales como vegetación, tipos forestales, pendientes, caminos, capacidad de uso, hidrografía, distancia a centros urbanos y sitios poblados. Dicha información en conjunto con técnicas de EMC, permitió generar un modelo de capacidad de acogida para cuantificar y ubicar geográficamente las zonas más idóneas para fiscalización forestal.
1. Introducción
La preocupación por el medio ambiente ha ido cobrando relevancia, llegando a ser en la actualidad una variable obligada a considerar en el proceso de toma de decisiones, especialmente en lo referido al cuidado y protección de los bosques. En este marco, según el catastro vegetacional realizado por la Corporación Nacional Forestal (CONAF) y la Corporación Nacional del Medio Ambiente (CONAMA), nuestro país posee una superficie cercana a los 13,5 millones de hectáreas cubiertas por bosque nativo, donde un equivalente 6 millones de hectáreas corresponde a bosques con características productivas (Conaf-Conama, 1999). Junto con el aumento en la actividad económica forestal, surge la necesidad de un estricto y eficiente resguardo, para lo cual es preciso aplicar mecanismos de control que busquen la conservación del patrimonio forestal, mediante el correcto uso de prácticas de manejo y la eficiente detección de actividades inadecuadas que generan un deterioro de los bosques (Oyarzo, 2005). En Chile existe un marco legal que regula la actividad forestal, donde CONAF ha definido áreas prioritarias para ser fiscalizadas, a partir de una serie de variables referenciales, cuyo
* Centro de Geomática, Universidad de Talca, casilla 721, Talca, Chile. Fono: 56-71-201580, Fax: 56-71-201708.
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 102
producto resultante fueron zonas muy extensas de aplicación, dificultando la fiscalización eficiente bajo un concepto integral (Conaf, 2005). En este contexto, el objetivo del presente estudio fue establecer una línea base para la fiscalización forestal, a partir del uso de tecnologías geoinformáticas y la caracterización y análisis, realizados por expertos, de la situación ambiental de zonas cubiertas con bosque nativo y plantaciones en las comunas de Longaví y Parral, Región del Maule, determinando de esta forma áreas prioritarias para una eficiente fiscalización. Mediante el uso de SIG se elaboró una base de datos digital de la zona de estudio, conformada por variables tales como vegetación, tipos forestales, pendientes, caminos, capacidad de uso, hidrografía, distancia a centros urbanos y sitios poblados. A su vez, la utilización EMC, permitió la evaluación de las variables ambientales consideradas, mediante la consulta a expertos relacionados con la temática forestal. Finalmente, se generó un modelo de capacidad de acogida mediante el método de la sumatoria lineal ponderada (SLP), que integró los criterios y alternativas evaluadas por los expertos, estableciendo las zonas prioritarias para fiscalización forestal.
2. Cuerpo
2.1 Zona de estudio
El estudio se realizó en las comunas de Parral y Longaví, ubicadas en la provincia de Linares, Región del Maule, Chile (figura 1). Está localizada en la depresión intermedia correspondiente a una planicie suavemente ondulada, intensamente regada, con condiciones climáticas y de suelo que han favorecido una intensa explotación agrícola. Geográficamente se encuentra entre las coordenadas Universal Transversal de Mercator (UTM) 5.950.000 – 6.030.000 Norte y 220.000 – 320.000 Este, ocupando una superficie de 3.092,4 Km2. De acuerdo al Censo poblacional realizado el año 2002, existe una población total de 37.822 y 28.161 habitantes en las comunas de Parral y Longaví, respectivamente (INE, 2002). Dadas las características climáticas, la zona de estudio presenta temperaturas que oscilan entre los 3°C en invierno y 31°C en la época estival y sus precipitaciones alcanzan en un año normal los 750 mm (Santibáñez y Uribe, 1993). Las clases de suelos predominantes de acuerdo a la clasificación realizada por Ciren-Corfo (1983) son principalmente III (huertos frutales y otros cultivos permanentes), IV (terrenos con cultivos extensivos) y VII (ganadería y forestal). Figura 1: Zona de estudio, comunas de Longaví y Parral, Región del Maule, Chile.
Latin American Remote Sensing Week 2010
P á g i n a | 103
Respecto al recurso forestal existente en la comunas de Parral, éste se concentra principalmente en el sector de la Cordillera de los Andes y corresponde a bosques adultos (40 a 80 años), dominados por especies del género Nothofagus (Roble y Hualo principalmente), acompañadas por especies tolerantes tales como: Criptocarya alba (Peumo), Persea lingue (Lingue), Aristotelia chilensis (Maqui), Lomatia dentata (Ciruelillo) y Azara serrata (Corcolén). Por otra parte, la comuna de Longaví. Por otra parte, el recurso forestal de la comuna de Longaví corresponde a renovales coetáneos, dominados en su mayoría por las especies pertenecientes al tipo forestal Roble-Hualo, acompañado por especies tales como Raulí (Nothofagus alpina), Olivillo (Aextoxicon punctatum), Lingue (Persea lingue), Avellano (Gevuina avellana), Ciruelillo (Lomatia dentata), entre otras.
2.2 Metodología
El estudio contempla tres fases, la primera corresponde a la recopilación de los datos
cartográficos, análisis de estudios anteriores y la elaboración de la base de datos digital. La
segunda fase incluye las actividades desarrolladas para la evaluación de las variables incluidas
y la consulta al grupo de expertos. La última fase se relaciona con la validación en terreno del
Modelo de Capacidad de Acogida obtenido.
2.3 Fase 1 Recopilación de información base: Se recopiló información del tipo cartográfica, temática y estadística, proveniente del Catastro y Evaluación de los Recursos Vegetacionales Nativos de Chile, Instituto Geográfico Militar de Chile (IGM), Centro de Información de Recursos Naturales (CIREN), Corporación Nacional Forestal (CONAF) y Comisión Nacional del Medioambiente (CONAMA). Determinación de las variables en estudio: las variables utilizadas deben cumplir con el atributo de representatividad espacial, de acuerdo a ello se consideraron las siguientes variables: tipo de vegetación, tipos forestales, pendiente del terreno, distancia a caminos, capacidad de uso del suelo, red hidrográfica, cercanía a centros urbanos (puntos de comercialización de productos forestales madereros). Cabe señalar, que la zona de estudio no presenta superficies resguardadas por el Sistema Nacional de Áreas Silvestres Protegidas por el Estado (SNASPE), motivo por lo cual esta temática no fue considerada. Definición de restricciones asociadas: Corresponden a un cierto tipo de criterio, el cual restringe en forma permanente la disponibilidad del sitio para la evaluación de las alternativas. Gracias a estos tipos de criterios, es posible excluir varias categorías de la capa, producto de la conformación de una cobertura binaria, donde el código 1 representa los sectores aptos para desarrollar la actividad evaluada, y el código 0, la imposibilidad del terreno para dicha acción. En este contexto, se consideraron siguientes restricciones: proximidad a cursos de agua, proximidad a red caminera, ocupación actual de suelos relacionados con áreas urbanas y sectores poblados, ocupación actual de suelos relacionados con cultivos agrícolas. Elaboración de la base de datos digital: Una vez definidas las variables a utilizar en el estudio (incluyendo los factores y limitantes de la modelación), fue factible comenzar con la construcción de la base de datos que se conformó por las coberturas digitales
Latin American Remote Sensing Week 2010
P á g i n a | 104
georreferenciadas, asociadas a las variables utilizadas en la presente investigación (vegetación, tipos forestales, curvas de nivel, caminos, hidrografía, centros urbanos y sitios poblados). Rasterización de la base de datos digital: El modelo de capacidad de acogida se confeccionó en formato raster, específicamente en el software Idrisi. Cabe señalar que las coberturas digitales disponibles se encontraban en un formato vectorial, motivo por lo cual debieron ser rasterizadas. Para ello, se definió una ventana de rasterización (espacio geográfico de trabajo), el cual estuvo definido por 4339 filas y 5110 columnas para cada cobertura, con un tamaño de pixel de 20 metros. Posteriormente, esto archivos pasaron a formar parte de las coberturas raster con las cuales se construyó el modelo de capacidad de acogida. Definición de las alternativas para cada criterio: Las alternativas están representadas por objetos o unidades espaciales, las cuales representan un sitio individual, constituyendo así el conjunto global de alternativas de selección. A continuación, se exponen las clases temáticas (alternativas de selección) utilizadas en cada criterio: - Tipo de vegetación: Para esta categoría, se consideraron las alternativas de vegetación
existentes en el área de estudio, referidas al recurso forestal bosque nativo, plantaciones forestales y bosques mixtos.
- Tipos forestales: De acuerdo a lo señalado en el Catastro de los Recursos Vegetacionales Nativos de Chile, elaborado por Conaf-Conama (1999), en las comunas de Longaví y Parral se encuentran presentes los siguientes tipos forestales: Roble – Hualo (Nothofagus obliqua, Nothofagus glauca); Roble – Raulí - Coigüe (Nothofagus obliqua, Nothofagus alpina, Nothofagus dombeyi); Coigüe – Raulí – Tepa (Nothofagus dombeyi, Nothofagus alpina, Laurelia philippiana); Ciprés de la Cordillera (Austrocedrus chilensis); Esclerófilo (Quillaja saponaria, Lithraea caustica, Cryptocaria alba, Acacia caven, Maytenus boaria, Prosopis chilensis, Beilschmiedia miersii, Peumus boldus, Kageneckia oblonga, Shinus latifolius); Ñirre (Nothofagus antártica), aunque la presencia de esta especie en la zona de estudio no constituye la conformación de un tipo forestal, cabe señalar que se encuentra presente desde Curicó hasta el Cabo de Hornos (VI a XII regiones).
- Pendientes del Terreno: En la determinación de las pendientes, el proceso involucró la creación de un Modelo Digital del Terreno (MDT), mediante la rasterización de las curvas de nivel y posterior interpolación espacial utilizando la función INTERCON. A partir del MDT generado y una función de superficie se obtuvo una cobertura de pendiente, resultando las siguientes clases temáticas: 0 a 15%, 15 a 30%, 30 a 45% y más de 45% de inclinación. Es importante señalar que la asignación de estos rangos de pendiente, obedece a lo señalado en el Artículo 18º del Reglamento Técnico D.L. 701/1974 (D.S. 259/1980 MINAGRI) (Conaf, 2004), el cual, para efectos de asegurar la regeneración del bosque nativo, reconoce algunos métodos de corta, de acuerdo a la pendiente del terreno.
- Distancia a caminos y/o vías de acceso (para la extracción de productos): Para la obtención de las alternativas asociadas a las distancias a los elementos que componen la cobertura de caminos, se hizo necesaria la aplicación de la función DISTANCE del software Idrisi, la cual permitió obtener un mapa de distancias de los caminos existentes en el zona de estudio. Posteriormente, se reagrupó la cobertura resultando las siguientes clases que
Latin American Remote Sensing Week 2010
P á g i n a | 105
indican los siguientes rangos de distancias: 0 a 50 m, 50 a 300 m, 300 a 400 m y 400 a 500 m.
- Clases de suelo: Esta variable considera la capacidad de uso del suelo y por ende, su capacidad para acoger actividades productivas y agroeconómicas. Dada sus características, no fue necesario realizar un mayor procesamiento a este tipo de cobertura, puesto que los polígonos vectoriales de suelo que fueron rasterizados, poseen los atributos de las clases de suelos que se encuentran en los mosaicos escala 1:20.000 de CIREN. De esta forma, la cobertura estuvo conformada por las siguientes clases temáticas de suelo: clase I, clase II, clase III, clase IV, clase V, clase VI, clase VII y clase VIII.
- Distancia a cursos de agua (red hidrográfica): Al igual que el procedimiento utilizado para la identificación de las alternativas asociadas a la cobertura de caminos, para esta variable también fue necesario la creación de una cobertura que representara las distancias hacia los elementos que componen la red hidrográfica presente en el área de estudio, considerando las siguientes clases temáticas: 0 a 15 m, 15 a 30 m, 30 a 50 m.
- Distancia a centros de comercialización de productos: Considera la confección de una cobertura que representa las distancias hacia los centros urbanos y agrupaciones pobladas, puesto que aumenta la probabilidad de comercialización de carbón y leña proveniente del bosque nativo, mientras más cercanos se encuentren localizados los centros de acopio de estos productos. Del mismo modo, para el caso de los productos provenientes de las plantaciones forestales, generalmente en dichos núcleos poblacionales se encuentran los centros de procesamientos de la materia prima maderera. De esta forma, la agrupación o reclasificación resultante de las clases temáticas correspondió a los siguientes rangos: 0 a 15 km, 15 a 30 km, 30 a 45 km y más de 45 km. Inclusión de las restricciones: Las restricciones corresponden a capas binarias que representan solo dos valores numéricos posibles, el código 1 que indica aquel lugar candidato para cierta actividad y el valor 0, que representa la anulación total de dicho sector para la actividad evaluada. A continuación se mencionan las restricciones aplicadas y los sectores que fueron considerados como potenciales o restrictivos:
- Presencia de cursos de agua: todos aquellos sectores que forman parte de la cobertura
de hidrología, sectores no susceptibles de ser incluidos en la evaluación, fueron codificados con el valor 0, mientras que los restantes sectores, apropiados para fiscalización forestal, fueron codificados con el valor 1.
- Presencia de red caminera: Para esta situación, todo pixel catalogado como excluyente, indica aquellos sectores con presencia de caminos, motivo por lo cual fue codificada con valor 0. Sin embargo, los pixel codificados con valor 1, representaron todos los sectores susceptibles de ser fiscalizados.
- Ocupación actual de suelos relacionados con áreas urbanas, sectores poblados y cultivos agrícolas: Se delimitó en el modelo de capacidad obtenido, todos aquellos sectores con presencia de cobertura vegetacional, ya que este tipo de superficies presentan potencialidad para la ejecución de actividades de fiscalización forestal. Por otra parte, fue posible la discriminación de todos aquellos sectores no susceptibles de
Latin American Remote Sensing Week 2010
P á g i n a | 106
fiscalizar, tales como: sitios poblados, áreas urbanas y cultivos agrícolas, codificándolos con valor 0.
Fase 2 Técnicas de Evaluación Multicriterio: La aplicación de estas técnicas requiere que cada variable o factor temático debe ser estructurado como una matriz, en la cual los criterios ocupan las filas y las alternativas propias de cada criterio, ocuparán las columnas (Barredo, 1999). De esta forma, para efectos de la ejecución del presente estudio, se utilizó el Método de las Jerarquías Analíticas (MAJ) propuesto por Saaty (1982). La finalidad del método es comparar la importancia de uno de los factores sobre cada uno de los demás (aij), para posteriormente determinar el eigenvector principal, el cual establece los pesos (Wij); y el eigenvalor, que proporciona una medida cuantitativa de la consistencia de los juicios de valor entre pares de factores. La evaluación de los criterios y alternativas fue realizada por un panel de expertos relacionados con las temáticas de fiscalización forestal y tecnologías geoespaciales. De esta forma, con el objetivo de lograr una opinión más objetiva, se contó con profesionales de las siguientes entidades públicas y privadas: Universidad de Talca, Forestal Celco S.A., Servicio Agrícola y Ganadero (SAG), Corporación Nacional Forestal (CONAF), productor forestal independiente, profesional independiente relacionado con la temática servicios forestales, empresas de servicios ambientales, Comité Nacional Pro Defensa de la Flora y Fauna (CODEFF). La escala utilizada en la comparación de criterios y alternativas, corresponde a una escala continua que oscila entre 1/9 que corresponde a un valor extremadamente menos importante y 9, el cual representa un valor extremadamente más importante. Aplicación del Método Sumatorial Lineal Ponderada (SLP): Obtenidas las matrices evaluadas por los expertos, los pesos de los factores y un satisfactorio valor de consistencia en la asignación de los juicios de valor (Gómez y Barredo, 2005), se optó por la utilización del método de SLP, el cual se encuentra descrito por la ecuación 1:
n
i
ijji eWr1
)*( (1)
Donde: ri: capacidad del terreno para la ubicación de áreas prioritarias para fiscalización, Wj: peso del criterio j, eij: valor normalizado de la alternativa i en el criterio j, n: número de criterios involucrados en la investigación. Esta ecuación fue aplicada a cada factor considerado en la evaluación realizada, obteniendo de esta forma una cobertura que contiene los valores de capacidad de acogida (ri). Valores (ri) más altos, indicaron sectores potencialmente adecuados para la determinación de áreas prioritarias para fiscalización forestal en el área de estudio. Sin embargo, aún resta considerar la exclusión de aquellas zonas limitantes, impuestas en las restricciones del modelamiento. La aplicación de estas restricciones (proximidad a cursos de agua, proximidad a red caminera, ocupación actual de suelos relacionados con áreas urbanas, sectores poblados y ocupación actual de suelos relacionados con cultivos agrícolas), fue realizada a través de un proceso de álgebra de mapas, en donde cada restricción o capa (1/0) fue multiplicada con la cobertura que contiene los valores de capacidad de acogida (ri), extrayendo de esta forma las zonas restrictivas. Fase 3
Latin American Remote Sensing Week 2010
P á g i n a | 107
Verificación de los resultados: Los resultados obtenidos fueron visitados en terreno, con la finalidad de validar y corregir el modelo obtenido a partir de la aplicación de las Técnicas de Evaluación Multicriterio. Esta validación fue realizada a partir de la inspección aleatoria de algunos puntos pertenecientes a las comunas de Longaví y Parral. Resultados y discusión Como resultado de la aplicación de las Técnicas de Evaluación Multicriterio y la utilización de la Sumatoria Lineal Ponderada como regla de decisión, se obtuvo una capa temática digital denominada modelo de capacidad de acogida para actividades de fiscalización forestal (figura 2), correspondiente a un conglomerado de coberturas donde los píxeles se encuentran codificados con valores que van desde el 0, que representa la menor aptitud del terreno para fiscalización forestal, hasta 100 que representa la mayor aptitud para dicha actividad. Con el fin de ordenar y comprender de mejor forma los resultados obtenidos, los píxeles fueron agrupados en categorías de capacidad de acogida, correspondiendo una superficie de aptitud en cada caso (tabla 1).
Clase Puntaje Aptitud Superficie
(ha)
Superficie
(%)
1 80 –
100 Muy Alta - -
2 60 – 80 Alta 1241,32 1,20
3 40 – 60 Media 39524,44 38,26
4 20 – 40 Baja 30710,28 29,73
5 1 – 20 Muy Baja 23239,52 22,50
6 0 Excluyente 8577,84 8,30
Tabla 1: Categorías, puntaje y superficie considerada para las zonas del Modelo de Capacidad
de Acogida.
Latin American Remote Sensing Week 2010
P á g i n a | 108
Figura 2: Modelo de capacidad de acogida
Respecto a las superficies alcanzadas de cada categoría, al interior de las Comunas de Longaví
y Parral, no existen sectores con una “Muy Alta Prioridad” para efectuar actividades de
fiscalización forestal; la clase “Alta” cuenta con 1.241 ha, lo que representa un 1,20% del total
de la superficie potencialmente fiscalizable, la clase “Media” cuenta con 39.524 ha, que
corresponden a un 38,26% del total, la clase “Baja” cuenta con 30.710 ha, que corresponden a
un 29,73% del total; la clase “Muy Baja” cuenta con 23.240 ha, que corresponden a 22,50%; y
finalmente la clase “Excluyente” cuenta con alrededor de 8.570 ha, correspondiendo a un
8,3% de suelos con presencia de cultivos agrícolas, sectores urbanos y sitios poblados,
caminos e hidrografía. Estos resultados demuestran que la zona de estudio se encuentra
representada mayoritariamente por sectores con “Media Prioridad” para fiscalización forestal,
ubicados principalmente en la pre-cordillera andina del área de estudio.
CONCLUSIONES La categoría “Muy Alta”, no presenta representación en la distribución del mapa de capacidad
de acogida del territorio. Esto debido a que el territorio evaluado por los expertos no presenta
superficies insertas en el Sistema Nacional de Áreas Silvestres Protegidas por el Estado
(SNASPE). La categoría “Alta” contempla una superficie fragmentada de 1.241,32 ha (1,20%
de la superficie total), considerada prioridad en las comunas de Longaví y Parral para realizar
actividades de fiscalización forestal. Por otra parte, la categoría de prioridad media es la que
presenta un mayor porcentaje de participación en la superficie evaluada (39.524 ha,
equivalente a un 38,26% del total). Dicha superficie se encuentra presente principalmente en
la pre-cordillera andina, puesto que son estos sectores donde se concentra la mayor superficie
de vegetación nativa y exótica.
Latin American Remote Sensing Week 2010
P á g i n a | 109
Respecto al recurso forestal nativo, los tipos forestales de mayor preocupación en cuanto a su
conservación y preservación, corresponden a la categoría de vulnerabilidad, tal es el caso del
Ciprés de la cordillera. En este marco, cabe señalar que los tipos forestales Esclerófilo y Roble
– Hualo, a pesar de ser los más intervenidos para su aprovechamiento productivo, se
encuentran siendo explotados sustentablemente en la zona de estudio, gracias al trabajo y
presencia permanente en terreno de profesionales de CONAF. En este contexto, existe una
mayor preocupación por manejo y uso sustentable del recurso forestal nativo, debido a que
éste presenta una mayor fragilidad y susceptibilidad ecosistémica. De igual forma, las
plantaciones forestales son foco de fiscalización constante, principalmente en lo referido al
cumplimiento en la obligación de reforestación después de efectuada la cosecha, tal como lo
señala el Art. 22º del D.L. 701/1974.
La integración de técnicas de EMC y SIG constituye una adecuada herramienta para tareas de
asignación – localización de actividades. Sin embargo, debido a la estructuración de la EMC
con panel de expertos, en ocasiones es posible la obtención de resultados con cierto grado de
incertidumbre y subjetividad, debido a que los resultados dependen del conocimiento de los
profesionales y de la opinión que ellos entreguen respecto a la problemática en análisis. En
este sentido, la mantención y actualización de la base de datos geoespacial es relevante para la
obtención de resultados precisos.
Es recomendable para este tipo de estudios, la incorporación de la mayor cantidad de
variables posibles, sin embargo, cuando se aumenta el número de restricciones en el
planteamiento, se produce una reducción de las posibilidades de encontrar un sitio
potencialmente apto, por esta razón, es conveniente solo incluir las restricciones imperativas
y no aumentar en número desmedido su participación en la modelación.
La metodología propuesta, puede ser considerada como un apoyo a los procesos de toma de
decisiones tradicionalmente utilizados para la determinación de áreas para fiscalización
forestal por parte de CONAF, pues además de reducir la superficie en análisis a través de la
aplicación de las restricciones, permite la simulación de diversos escenarios y la obtención de
múltiples resultados dependiendo de los valores que adopten los diversos criterios evaluados
por los profesionales.
REFERENCIAS Barredo, J., 1999. Los SIG en la ordenación del territorio: Posibilidades y desarrollo utilizando
evaluación multicriterio. En: Sistemas de Información Geográfica y Teledetección espacial
Aplicadas a la ordenación del territorio y el medio ambiente. Talca: Universidad de Talca, Chile,
pp. 105-115.
Ciren-Corfo, 1983. Materiales y símbolos.
http://www.ciren.cl/_datos/archivo/pdf/suelos/PI00172.pdf (Cons. Jul. 2010).
Corporación Nacional Forestal (Conaf) – Comisión Nacional de Medioambiente (Conama),
1999. Catastro y evaluación de los recursos vegetales nativos de Chile. Informe regional
Latin American Remote Sensing Week 2010
P á g i n a | 110
Séptima Región. Proyecto CONAF – CONAMA – BIRF. Universidad Austral de Chile, Pontificia
Universidad Católica de Chile, Universidad de Temuco. Santiago, Chile. 116 p.
Corporación Nacional Forestal (Conaf), 2004. Decreto Ley Nº 701 de 1974, sobre fomento
forestal y otras disposiciones legales. Gobierno de Chile, Corporación Nacional Forestal.
Santiago, Chile. 96 p.
Corporación Nacional Forestal (Conaf), 2005. Estrategia de fiscalización de CONAF. Gerencia
de normativas forestales. Santiago: Corporación Nacional Forestal. 14 p. http://intra.conaf.cl
(Cons. Sept. 2008).
Gómez M, Barredo J., 2005. Sistemas de Información Geográfica y Evaluación Multicriterio en la
Ordenación del Territorio. Ra-Ma. Madrid, España. 279 pp.
INE, 2002. Censo de Población y Vivienda del Instituto Nacional de estadísticas.
http://www.ine.cl/canales/chile_estadistico/censos_poblacion_vivienda/censo2002/mapa_in
teractivo/mapa_interactivo.htm (Cons. Jul/10).
Oyarzo, N., 2005. Establecimiento de áreas de riesgo para la fiscalización de las cortas no
autorizadas en la Región del Maule. Memoria para optar al título de Ingeniero Forestal.
Universidad Católica del Maule, Escuela de Ingeniería Forestal, pp. 3-32.
Saaty, T. 1982. The analytical hierarchy process. New York: Mc Graw Hill. Primera edición. 281
p.
Santibáñez F, Uribe J., 1993. Atlas agroclimático de Chile, Regiones VI, VII, VIII, y IX.
Universidad de Chile. Santiago, Chile. 99 p.
Latin American Remote Sensing Week 2010
P á g i n a | 111
15.- TREES REMOVAL FROM NORMALIZED DIGITAL SURFACE MODEL
Tatiana Sussel Gonçalves Mendes São Paulo State University
Cartographic Sciences Postgraduate Program, Brazil [emailprotected] Aluir Porfírio Dal Poz
São Paulo State University Department of Cartography, Brazil
[emailprotected] Abstract: Aboveground objects are easily detected from height data. Buildings and trees can be distinguished using texture information, since these objects have different textural characteristics. This paper aims to detect and remove trees along the streets from height data obtained by Laser Scanning Systems. If the trees are previously removed from original laser height data, street ribbons become more homogeneous and, as such, the subsequent process of urban road network extraction usually becomes less complex. In a normalized Digital Surface Model, which is obtained by subtracting a Digital Terrain Model from the corresponding Digital Surface Model, the streets have height values around zero, while the aboveground objects have height values around their corresponding heights. Based on these characteristics, it is possible to separate the aboveground objects through a histogram thresholding. Trees detection is performed by using a texture filter, which calculates the standard deviation of gray levels, enhancing the most heterogeneous regions. Using a thresholding procedure, the candidates regions corresponding to trees are isolated and then subtracted from the elevated regions, remaining only buildings. The experimental results showed that most trees were successfully detected and removed, mainly large ones, which are just more difficult to handle in urban road network extraction from laser height data. Resumen:Los objetos altos pueden ser fácilmente detectados a partir de los datos de altura. La distinción entre las edificaciones y los árboles se puede realizar con información de textura, ya que estos objetos tienen diferentes características. El objetivo de este trabajo es detectar y eliminar los árboles de las calles a partir de los datos altimétricos obtenidos a través de los Sistemas de Láser Escáner. Si los árboles son previamente suprimidos de los datos altimétricos originales, las calles se tornan más homogéneas y así el posterior proceso de extracción de la malla viaria se hace menos complejo. En un Modelo Digital de Superficies normalizado, que se obtiene a través de la diferencia entre el Modelo Digital de Superficies y el Modelo Digital del Terreno, las calles tienen valores de altura cerca de cero, mientras que los objetos altos tienen valores de altura cerca de sus correspondientes alturas. Con base en estas características, es posible separar los objetos altos a través de una umbralización del histograma. La detección de los árboles se realiza usando un filtro de textura que calcula la desviación estándar de niveles de gris, realzando las regiones más heterogéneas. Utilizando un proceso de umbralización, estas regiones, que supuestamente corresponden a los árboles son aisladas y luego, son sustraídas de las regiones elevadas, quedando sólo las edificaciones. Los resultados experimentales mostraron que la mayoría de los árboles fueron detectados y eliminados con éxito, especialmente los grandes, que causan mayores dificultades en
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 112
la extracción de la malla viaria urbana, a partir de los datos de altura obtenidos a través del láser. Keywords: laser scanner data, normalized Digital Surface Model, feature detection. 1. INTRODUCTION
The interest in using laser scanner data for cartographic feature extraction has emerged due to maturity of the system and the increasing availability of data. Developed methods for individual trees detection in forest environments using a Canopy Height Model (CHM) generated from laser scanner data (Persson et al., 2002; Pitkänen et al., 2004; Yu et al., 2004; Solberg et al., 2006) have produced successfully results not only tree location, but also in measure single tree parameters (height, crown width and even tree species). In urban environments, many methods for the tree detection are related to the building detection or reconstruction. The methods normally begin by extracting the ground surface using a filtering algorithm. After this, the most important task is to distinguish buildings from trees (Matikainen et al., 2007). Even though aboveground objects can be easily detected from height data (e.g. normalized Digital Surface Model - NDSM), the discrimination between buildings and trees can be difficult, if only simple criteria like size or shape of region are considered. Texture information can greatly contribute to distinction between these objects, since they have different textural characteristics (Elberink & Mass, 2000). The authors used anisotropic texture measures in laser scanner data. The difference between the first and last pulse laser scanner data is used in Elberink & Maas (2000) and Alharthy & Bethel (2002). Matikainen et al. (2007) used geometric and textural attributes calculated from first and last pulse laser and color aerial image. Other works used a segmentation process followed by classification (Secord & Zakhor, 2007; Chen & Zakhor, 2009). This paper aims tree detection and removal along the streets from NDSM generated by height data of the Laser Scanner System. The Section 2 describes the proposed methodology for trees detection and removal. The experimental results are shown in Section 3. Some conclusions are present on Section 4.
2. METHODOLOGY Figure 1 shows the flowchart of the proposed methodology. A point cloud data obtained by Laser Scanner Systems is used as input data. From this data, a NDSM is generated. Two steps occur in parallel. A step is aboveground objects detection that results a binary image, representing the elevated objects and ground surface. Other step is trees detection using a texture filter that enhances the most heterogeneous regions. Trees detected are removed from aboveground objects by difference operation, remaining only buildings. To obtain elongated streets ribbons, without occlusions of trees and blocks as homogeneous regions, morphological operators are applied.
Latin American Remote Sensing Week 2010
P á g i n a | 113
NDSM generation
Trees Removal from Aboveground Objects
Streets ribbons
Trees detection Aboveground objects detection
Point cloud data
Figure 1 – Proposed methodology flowchart.
2.1. NDSM generation
The laser scanner data are initially interpolated to generate a regular grid (DSM) using the nearest neighbor interpolator with resolution of 0.3 meters. From this grid, points representing the ground surface are collected and is generated another grid, the DTM (Digital Terrain Model). For a representation of elevated objects on a flat surface, a NMDS is obtained by difference between the DSM and DTM. The Figure 2 shows the image representing the normalized Digital Surface Model obtained.
Figure 2 - Image representing the normalized Digital Surface Model.
2.2. Aboveground objects detection
In a NDSM, the streets have height values around zero, while the aboveground objects have height values around their corresponding heights, as shown in Figure 2. Based on these characteristics it is possible to separate the aboveground objects through a histogram thresholding, resulting in the binary image, where the aboveground objects are represented in white, while the ground is represented in black.
2.3. Trees detection Regions corresponding to trees are detected based on texture that these objects present in NDSM and are necessary some steps, which are described below:
Latin American Remote Sensing Week 2010
P á g i n a | 114
Texture filter: Trees are more heterogeneous regions in NMDS and present a texture that differentiates them from buildings (see Figure 2). Using a texture filter know as standard deviation, these heterogeneous regions are enhanced. This filter calculates the standard deviation of gray levels within a rectangular mask, whose dimensions (height and width) are parameters that must be provided. This operation results in a standard deviation-valued image. Histogram thresholding: In a standard deviation image, the edges and trees appear as regions enhanced. Through histogram analysis of this image is possible to choose a threshold value and to isolate such regions applying a histogram thresholding. However, not only trees but also some enhanced building contours are detected. Morphological operators: To eliminate regions of non-tree obtained in previous step, it is assumed that trees usually have circular shape, while other objects have different shapes. Thus, morphological operators of opening and closing are applied using a disk shaped structuring element. The opening operator removes isthmus and islands, if these regions were smaller than structuring element. The closing operator fills gulfs and holes of regions smaller than structuring element.
2.4. Trees removal from aboveground objects Trees removal from aboveground objects is performed by difference operation between the elevated regions previously obtained (Section 2.2) and the trees detected (Section 2.3). Thus, only regions corresponding to buildings remain. Consequently, the regions that represent blocks became irregulars and with holes inside. The goal now is to obtain blocks as homogeneous regions and then, to obtain elongated and homogeneous streets ribbons, without occlusions caused by trees. For this, morphological operators such as dilation and erosion, using a disk shaped structuring element, are applied. The application of morphological operators results in more regular regions, since the dilation operator fills regions smaller than structuring element and the erosion operator clear regions smaller than structuring element.
3. EXPERIMENTAL RESULTS The study area is an urban area of Curitiba, Brazil. It is a residential area characterized by buildings, paved streets and vegetation of different sizes. The laser scanner data for this region were obtained using Optech ALTM system. The experiments were performed using software HALCON 7.1 developed by MVTEC (Machine Vision Technology). The results of application of the methodology are shown superimposed on the NDSM image and are presented below for two patches, as show Figures 3 and 4.
Latin American Remote Sensing Week 2010
P á g i n a | 115
(a) (b) (c)
(f) (e) (d)
Figure 3 - Results for the image patch 1: (a) NDSM image. (b) Binary image
representing the aboveground objects. (c) Standard deviation image from NDSM. (d) Contours of trees detected. (e) Trees removed from elevated regions. (f) Elongated
and homogeneous street ribbons.
Figure 3 presents the results for the first image patch. Figure 3(a) shows the
NDSM image generated from the point cloud data. Note trees along the streets.
The binary image that represents the aboveground objects detected by histogram
thresholding is shown in Figure 3(b). Figure 3(c) shows the standard deviation
image from NDSM. In this image it is observed that trees and buildings edges are
enhanced. Figure 3(d) shows the contours of trees, which are successfully
detected, although some regions that are not trees are also detected. The
difference between elevated regions and tree regions is shown in Figure 3(e).
Please, note in the background image the trees removed. Figure 3(f) shows the
streets as homogeneous and elongated ribbons, without occlusions of trees. The
holes inside the blocks are filled and street edges become more regular.
Latin American Remote Sensing Week 2010
P á g i n a | 116
(a) (b) (c)
(f) (d) (e)
Figure 4 - Results for the image patch 2: (a) NDSM image. (b) Binary image
representing the aboveground objects. (c) Standard deviation image from NDSM. (d) Contours of tree detected. (e) Trees removed from elevated regions. (f) Elongated
and homogeneous street ribbons.
Figure 4 presents the results for the second patch. Figure 4(a) shows the NDSM
image generated from the point cloud data. Note in the right side of image a lot of
trees occluding almost completely the street. The aboveground objects detected
by histogram thresholding are shown in Figure 4(b). Figure 4(c) shows the
standard deviation image derived from NDSM, with enhanced trees along the
streets and inside the blocks. The building edges also are enhanced. Figure 4(d)
presents the contours of trees detected, showing that trees are successfully
detected, including those within blocks. The difference between aboveground
regions and tree regions is shown in Figure 4(e), with trees removed shown in the
background image. The streets as homogeneous and elongated ribbons are
presented in Figure 4(f), which also shows that the holes inside de blocks are filled
and street contours become more regular.
4. CONCLUSIONS
This paper presented a methodology for trees detection and removal along the street in NDSM image generated from laser scanner data. The steps of the methodology were described and two experiments were presented. From a visual analysis of the obtained results it is possible to conclude that trees were successfully detected and removed. Moreover, the regularization strategy of block contours produced streets closer to elongated and homogeneous ribbons.
Latin American Remote Sensing Week 2010
P á g i n a | 117
Thus, a subsequent process of urban road network extraction usually becomes less complex.
Refinements and improvements in the methodology are planned, mainly to
improve block contours. This will require other regularization strategies to make
block contours as straight as possible, filling the gulfs caused by regions without
buildings (e.g. wastelands, backyards, squares and parks) and removed trees.
ACKNOWLEDGEMENTS
This paper is part of a Ph. D. research supported by Brazilian National Agency for Science and Technology (CNPq) which is developed in the Cartographic Sciences Postgraduate Program at UNESP – Universidade Estadual Paulista – Brazil. The authors thank the LACTEC for furnish the data for this research.
REFERENCES Alharthy, A. & Bethel, J., 2002. Heuristic filtering and 3D feature extraction from LiDAR data. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Austria, Vol. XXXIV, Part 3A, pp. 29-34. Chen, G. & Zakhor, A., 2009. 2D Tree detection in large urban landscapes using aerial LiDAR data. IEEE International Conference on Image Processing 2009, pp. 1693-1696. Elberink, S. O. & Mass, H. G., 2000. The use of anisotropic height textures for the segmentation of airborne laser scanner data. International Archives of Photogrammetry and Remote Sensing, Amsterdam, vol. 33, part B3, pp. 616-623. Matikainen, L., Kaartinen, H. & Hyyppä, J., 2007. Classification tree based building detection from laser scanner and aerial image data. In: ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, Finland, pp. 280-287. Persson, Å., Holmgren, J. & Söderman, U., 2002. Detecting and measuring individual trees using an airborne laser scanner. Photogrammetric Engineering & Remote Sensing, 68, pp. 925-932. Pitkänen, J., Maltamo, M., Hyyppä, J. & Yu, X., 2004. Adaptive methods for individual tree detection on airborne laser based canopy height model. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 36, pp. 187-191. Secord, J. & Zakhor, A., 2007. Tree Detection in Urban Regions Using Aerial Lidar and Image Data. IEEE Geosciences and Remote Sensing Letters, vol. 4, issue 2, pp. 196-200.
Latin American Remote Sensing Week 2010
P á g i n a | 118
Solberg, S., Naesset, E. & Bollandsas, O. M., 2006. Single Tree Segmentation Using Airborne Laser Scanner Data in a Structurally Heterogeneous Spruce Forest. Photogrammetric Engineering & Remote Sensing, Vol. 72, No. 12, pp. 1369-1378. Yu, X., Hyyppä, J., Kaartinen, H. & Maltamo, M., 2004. Automatic detection of harvested trees and determination of forest growth using airborne laser scanning. Remote Sensing of Environment, 90, pp. 451-462.
Latin American Remote Sensing Week 2010
P á g i n a | 119
16.- MAPPING FOREST GAPS USING LIDAR DATA
Rodrigo Pinheiro Ribas, Universidade Federal de Minas Gerais-UFMG, Instituto de Geociências, Departamento de Cartografia. Av. Antônio Carlos, 6627 – Campus Pampulha CEP: 31270-901 –
Belo Horizonte – MG, Brazil, mailto:[emailprotected]
Marcos Antônio Timbó Elmiro, Universidade Federal de Minas Gerais-UFMG, Instituto de Geociências, Departamento de Cartografia. Av. Antônio Carlos, 6627 – Campus Pampulha CEP:
31270-901 – Belo Horizonte – MG, Brazil, mailto:[emailprotected]
Summary: The forest gaps naturally formed are essential in the process of forest regeneration, particularly by allowing greater penetration of light inside the canopy. This study presents a methodology for mapping forest gaps in Atlantic Forest using LIDAR data. LIDAR remote sensing has great potential for application in forest studies, because this technique produces a large set of georeferenced points on Earth's surface with height information, in addition, the pulse laser has the ability to penetrate the canopy and create points in the ground beneath the trees. With information from the treetops and the ground beneath the canopy, the vertical and horizontal structure of forest can be analyzed. The techniques of digital image processing can be used to analyze the large volume of data available through the LIDAR. In this study we applied filtering procedures in the spatial domain, segmentation based on region growing and classification on the images generated from the interpolation of points obtained by LIDAR, aiming mapping of forest gaps. We used two algorithms for image classification, Maxlike and Bhattacharya. To evaluate the accuracy of the mapping the Kappa index was generated. The LIDAR data used in the study were acquired using an airborne laserscanner Leica ALS-50 with a frequency of 150 kHz. Resumen: Los claros del bosque forman de manera natural son esenciales en el proceso de regeneración de los bosques, en particular, al permitir una mayor penetración de la luz en el interior del dosel. Este estudio presenta una metodología para el mapeo de los claros forestales en el Bosque Atlántico a partir de datos LIDAR. LIDAR teledetección tiene un gran potencial para su aplicación en estudios forestales, ya que esta técnica produce un gran conjunto de puntos georreferenciados en la superficie de la Tierra con información sobre la altura, además, el láser de pulso tiene la capacidad de penetrar en la bóveda y crear puntos de la tierra debajo de las árboles. Con información de la copa de los árboles y el suelo bajo la copa, la estructura vertical y horizontal de los bosques pueden ser analizados. Las técnicas de procesamiento digital de imágenes se pueden utilizar para analizar el gran volumen de datos disponible a través del LIDAR. En este estudio hemos aplicado los procedimientos de filtrado en el dominio espacial, la segmentación basada en región de cultivo y clasificación de las imágenes generadas a partir de la interpolación de puntos obtenidos por LIDAR, con el objetivo de mapeo de claros del bosque. Se utilizaron dos algoritmos para la clasificación de imágenes, Maxima Verosimilitud y Bhattacharya. Para evaluar la exactitud de los mapas el índice de Kappa fue generado. Los datos LIDAR utilizado en el estudio fueron obtenidas utilizando un aire Laserscanner Leica ALS-50 con una frecuencia de 150 kHz.
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 120
1. INTRODUCTION The LIDAR technology can be used to obtain elevation data with speed and accuracy even in difficult to access land. Equipment with LIDAR technology can be static or dynamic (Dalmolin, 2004). Dynamical systems are installed on airborne platforms, usually small planes or helicopters, and for this reason cited in literature as Airborne Laserscanner (ALS) and it was from this system that obtained the data for this research. ALS are composed of three main components: (1) laserscanner, equipment that emits a pulse laser, (2) the Differential Global Positioning System (dGPS) which is technology that allows the exact definition of the location of the point generated by the laser pulse surface and (3) the Inertial Navigation System (INS) equipment that determines the attitude of the aircraft during flight (Wehr and Lohr, 1999). Basically, the principle of ALS is based on the emission of laser pulses toward the surface, each return of these signs has its measured distance, thus providing information on surface height and together with the positioning provided by dGPS it also has the coordinates X and Y. The equipment with LIDAR technology can emit pulses at rates of over 100 000 pulses per second, creating a cloud of points with information X, Y and Z. From this point cloud processing, products such as Digital Terrain Model (DTM) and Digital Surface Model (DSM) are derived. LIDAR instruments with small footprint with a laser diameter less than 1 meter has the ability to penetrate dense forest canopies and create georeferenced points below these sites allowing the construction of a DTM of the area, this in conjunction with the DSM enables forest studies since data will be available from the top of the trees and the ground below it. Knowing the location and size of forest gaps are required to understanding the dynamics of forest systems, are factors that determine the amount of light received by the clearing, thus identifying places prone to forest succession. The formation of gaps is of fundamental importance in the process of germination and development of species (Alvarez-Buylla and Martinez-Ramos, 1999), ecological succession (Whitmore, 1989), distribution and species richness (Denslow, 1995). The aim of this study is to assess the ability of the LIDAR technology to mapping forest gaps, testing the ability of this remote sensing technique to assist in these types of forest studies. 2. METHODS 2.1. Study area The study was conducted at the Ecological Station of Universidade Federal de Minas Gerais, located on campus Pampulha, in Belo Horizonte, state capital of Minas Gerais, Brazil, taking the seat with UTM coordinates 607,612 E and 7,802,154 N, Zone 23 K. The vegetation of station consists of typical semideciduous forest, a subtype of Atlantic Forest. Was made a cut of about 108 Km2 in an area called the butterfly forest (Figure 1), which is a more advanced stage of regeneration.
Latin American Remote Sensing Week 2010
P á g i n a | 121
Figure 1. Study area
2.2. LIDAR data Data were acquired using an system Leica ALS-50, with up to 150 kHz frequency, assigned by Enterprise Computing and Information Belo Horizonte (PRODABEL) for purposes of academic research, with parameters described in (Table 1).
Table 1. Parameters of the laser survey
2.3. LIDAR data processing The cloud of points generated by the ALS system available for this study was filtered using software Terrascan. A georeferenced point cloud created by the LIDAR technology as the DSM and from this point cloud filtering program in Terrascan is possible to create the DTM. The Terrascan has a tool (classify - routine - ground) that performs an automatic filtering the point cloud generated by LIDAR. The principle that guides the operation of the tool is the slope (slope of the ground surface in the horizontal plane), and considering the altimetric point cloud measured by LIDAR, the tool (classify - routine - ground) filters the items by drawing a tangent to the surface from a point P. The models created from the processing in Terrascan are produced in vector format of points and arranged irregularly. 2.4. Digital image processing Digital image interpretation and analysis involves the manipulation and interpretation of digital images with the aid of a computer (Lillesand and Kiefer, 2000). Several techniques of digital image processing have been developed for analyzing the large number of remote sensing images currently available for many platforms orbital and ground-based imaging of land surface.
Time of flight 1688,1 m
Frequency profiling 43 Hz
Scanning angle 20o
Point density 0,99 pontos m2
Latin American Remote Sensing Week 2010
P á g i n a | 122
2.4.1. Creation of digital models The creation of digital models consists of convert models of vector to raster format and layout of the points regularly. For this purpose the vector files were imported into the software ENVI 4.4, which has a module for processing and displaying LIDAR data. The initial procedure for the generation of models is the interpolation of the height values contained in the DSM and DTM for the purpose of creating a two-dimensional array or grid of regular shape in each grid cell or pixel formed by a pair of coordinates (x, y) describe the height of the laser pulse at this point. The interpolation method used was the nearest neighbor, this method was chosen for its characteristic to ensure that the interpolated value is one of the original values, does not generate new values. The resolution of the pixel grid in all models was 1 meter. In the interpolation process were considered the highest elevations contained in the DSM plots demarcated as this information corresponds to the top of the canopy, not including the laser pulses that penetrated the canopy reaching the ground or the trees, and this model is a Digital Crown Model (DCM). In this same logic, the same procedure was performed for the DTM, but using the minimum elevation, minimizing the interference of small obstacles along the ground in the modeling of the terrain. From the regular grids of DTM and DCM, another processing step is to obtain a grid with the heights of trees in the plots studied, namely the establishment Digital Tree Height Model (DTHM) obtained from the subtraction of the DCM - DTM. After obtaining DTHM will be on this model that will provide applications and routines of the algorithms for mapping the forest gaps. 2.4.2. Image enhancement Image enhancement involves techniques for increasing the visual distinctions between features in a scene, with the objective to create new images from the original image data in order to increase the amount of information that can be visually interpreted from the data (Lillesand et al 2008). The Spatial Filtering is an operation that modifies each pixel based on values of neighboring pixels. Low pass filters is a type of spatial filter developed to emphasize low frequency features and deemphasize the high frequency components of an image. To smooth MDAA was applied a gaussian low pass filter in a convolution with a mask of 3 X 3 (Figure 2).
Figure 2. Convolution with 3x3 mask
2.4.3. Segmentation From the computational point of view and a broader determination, segmentation is characterized as a process that seeks to subdivide an image into homogeneous segments, taking as example the gray levels. We conducted a segmentation procedure in a DTHM using the software SPRING 5.1.6, applying the region growing algorithm, making the processing based on the similarity and area thresholds. The similarity is to partition the image into regions similar according to predefined criteria, in this case the gray levels of DTHM that represent the height of the canopy and thus corresponds to the value of the minimum Euclidean distance between the averages of the regions and from the moment that the regions
Latin American Remote Sensing Week 2010
P á g i n a | 123
are considered similar, they are grouped. The area is the threshold value of minimum area for a region to be individualized, is the minimum number of pixels required for a cluster region of the image. The definition of similarity and area thresholds occurred systematically. Similarity began with value 2 and made up an increment of 2 digital levels up to the value 8. Threshold for the area started with the value 15, performing an increment of 5 pixels for the following tests. 2.4.4. Classification The image classification is a procedure that performs the extraction of information to recognize patterns in images and homogeneous objects and is used in and Remote Sensing to map areas of surface that correspond to topics of interest. For image classification were used unsupervised classification algorithm Bhattacharya and supervised classification Maximum Likelihood (Maxlike) contained in the software SPRING. Bhattacharya's algorithm is an image classifier by region and requires the interaction of the analyst by training. The training uses as samples regions formed in the segmentation procedure. The Maxlike is an image classifier by pixel which considers the weighted average of the distances between the digital levels of classes, using statistical parameters. 3. RESULTS AND DISCUSSION The first step in the process of mapping the forest gaps was the creation of the DCM, DTM and DTHM (Figure 3). The gray scale of the models is distributed according to the variation in height. DTHM in the gray scale allows viewing of the canopy, with the highest levels, the lightest correspond to greater heights in the forest canopy and the darker areas represent lower altitudes or absence of vegetation. The next step was the application of a smoothing filter on the DTHM (Figure 4a), optimizing the segmentation process. The combination of thresholds for the segmentation was 6 for similarity and 25 for area (Figure 4b).
Figure 3. (a) DTM, (b) DCM and (c) DTHM
(a) (b) (c) Figure 4. (a) Image after applying the smoothing filter and (b) Threshold of similarity (6) and
area (25)
Latin American Remote Sensing Week 2010
P á g i n a | 124
(a) (b) Kappa coefficient was calculated with the results obtained by the two classification methods. The Kappa coefficient obtained by Maxlike was 0.92 and by Bhattacharya was 0.81, considered excellent concordance rates. By analyzing the quantification of mapped classes, it was found that the study area showed 15.13% of forest gaps by Maxlike classifier (Figure 5a) and 20.12% by the Bhattacharya (Figure 5b). In the experiments with the classifiers, it is noted that both tend to confuse the class areas canopy with sub-canopy and also show confusion between the classes forest gap with sub-canopy. It is believed that this confusion is due to the fact that the values of gray levels of pixels of these two classes are very close. The Maxlike classifier identified as forest gaps the areas devoid of vegetation and the Bhattacharya classifier considered as forest gaps the surrounding areas containing low vegetation, thus identifying forest gaps bigger. This same logic can explain what happened between the classes sub-canopy and canopy, where the algorithm Bhattacharya identified areas with more high as sub-canopy, and then more areas were classified as being in this class.
Latin American Remote Sensing Week 2010
P á g i n a | 125
(a) (b)
Figure 5. (a) Maxlike Algorithm and (b) Bhattacharya 4. CONCLUSIONS The use of LIDAR data combined with the techniques of digital image processing proved to be good tools for mapping forest gaps. The 108 km2 mapped, it was found that between 15-20% of the total area are formed by forest gaps. This information coupled with the location and form of distribution of forest gaps become useful in research studies, preservation and management of these ecosystems. The two classification methods had good results in the mapping of gaps especially the classifier Maxlike. BIBLIOGRAPHY Alvarez-Buylla, E.R., Martínez-ramos, M., 1992. Demography and allometry of Cecropia obtusifolia, a neotropical pioneer tree - an evaluation of the climax pioneer paradigm for tropical rain forest. Journal of Ecology 80:275-290. Dalmolin, Q., Santos, D. R. 2004. Sistema Laserscanner: Conceitos e Princípios de Funcionamento. Curitiba, Editora do Curso de Pós Graduação em Ciências Geodésicas – UFPR. Denslow, J.S. 1995. Disturbance and diversity in tropical rain forests: the density effect. Ecological Application 5:962-968. Lillesand, T.M., Kiefer, R.W. 2000. Remote Sensing and Image Interpretation. 2a Ed. New York. John Wiley& Sons. SPRING: Integrating remote sensing and GIS by object-oriented data modelling. Camara G, Souza RCM, Freitas UM, Garrido J . Computers & Graphics, 20: (3) 395-403, May-Jun 1996. Wehr A., Lohr U. 1999.Airborne Laser Scanning – An Introduction and Overview. ISPRS Journal of Photogrammetry & Remote Sensing, pp. 68-82.
Latin American Remote Sensing Week 2010
P á g i n a | 126
17.- LINKING REMOTE SENSING AND SOCIAL DATA FOR THE INVESTIGATION ON DRIVING FACTORS OF LAND USE AND COVER CHANGE (LUCC) IN BRAZILIAN
SOUTH REGION
Marcos Wellausen Dias de Freitas Instituto Nacional de Pesquisas Espaciais, [emailprotected] João Roberto dos Santos, [emailprotected]
Summary: In this work we integrated multitemporal (2002-2008) land use and cover classification of Landsat 5 – TM images with census social data and SRTM derived topographic data. The objective of this data integration was the application of linear and spatial regression models for the analysis of LUCC driving factors. The LUCC processes were defined as land cover degradation, land cover regeneration, agricultural expansion, agricultural retraction, forestry expansion and urbanization. The driving factors were represented by 17 social, economical, infrastructural and topographical variables. The methodological procedure was based on the following steps: a) multi-temporal classification of remote sensing data based on object-oriented image analysis; b) data integration in 206 rural census tracts; c) analysis on the spatial autocorrelation of LUCC processes; d) backward stepwise linear regression models (OLS) for a exploratory data analysis; e) Geographically Weighted Regression (GWR) spatial regression models to incorporate the issue of spatial autocorrelation and non-stationarity. The OLS allowed the selection of variables to be used in the GWR models based on significance level (α = 0.05) and presented low to medium adjusted R² (0.17 to 0.35) and AICc (-264 to -500). The GWR presented a best fit compared with OLS (lower AICc values between -541 and -347 and adjusted R² from 0.42 to 0.62). The LUCC processes driving factors analysis revealed a strong interaction among biophysical and social variables highlighting social (population density, dependence ratio, literacy rate and age), economical (income), infrastructural (distance to roads) and topographical (slope and elevation amplitude) factors. Abstract: En este trabajo hemos integrado la clasificación multitemporal (2002-2008) del uso
y de cubierta de la tierra de imágenes Landsat 5–TM con datos del censo social y de datos
topográficos derivados del SRTM. El objetivo de esta integración de datos fue la aplicación de
modelos de regresión lineal y espacial para el análisis de factores de conducción de cambios
de uso y cubierta de la tierra (LUCC). El análisis de los factores de conducción de procesos de
LUCC revelaron una fuerte interacción entre variables biofísicas y sociales destacando
factores sociales (densidad de población, relación de dependencia, tasa de alfabetización y
edad), económicos (ingreso), infraestructurales (distancia a los camiños) y topográficos
(amplitud de elevación y pendiente).
Keywords: Geographically Weighted Regression, Land Use and Cover Change, Remote
Sensing.
1. INTRODUCTION
The land use and cover change dynamics, known as LUCC (Land Use and Cover Change), is
currently one of the main factors of global environmental changes underway since the mid-
20th century (Turner II et al., 2007). LUCC studies are based on the integration of remote
sensing, biophysical and social data for the analysis on the driving factors of landscape
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 127
processes (Geoghegan et al., 1998). In this work was carried out an analysis of variables
related with LUCC in an area of Uruguay River Basin (border of the States of Rio Grande do Sul
and Santa Catarina, Brazil).
The use of spatial regression models incorporating the issue of spatial dependence on LUCC
factors is recent and allows the analysis on the spatial autocorrelation of these processes
(Overmars et al., 2003; Lesschen et al., 2005; Soares-Filho et al., 2008), e.g., the Spatial Lag
Model (SAR) which has been adopted in different knowledge areas and incorporates the
spatial issue globally, based on global spatial autocorrelation methods (Moran's I) and spatial
homogeneity and stationarity assumptions (Anselin, 2002). In this study we used backward
stepwise linear regression models (OLS) for the first exploratory analysis of the variables, and
local spatial regression models (Geographically Weighted Regression - GWR) incorporating
the issue of spatial autocorrelation, heterogeneity and non-stationarity (Fotheringham et al.,
2002) on the driving factors of LUCC processes in the study area with the aggregation unit of
census tract.
2. METHODOLOGY
The study area is composed by 18 municipalities (the main are Lages and Campos Novos, in
Santa Catarina State) on the border of the States of Rio Grande do Sul and Santa Catarina, with
an approximated area of 12,000 km², representing the upper Uruguay River Basin (Alto
Uruguay) which exposes traditional agricultural land uses (soybeans, wheat, corn and others),
livestock farming and forestry.
The land use and cover mapping was based on Landsat-5 TM multitemporal data, scenes
221/79 (12/11/2002 and 03/10/2008), 221/80 (25/09/1999, 03/10/2008) and 222/79
(24/09/1999 and 29/10/2009). The cartographic base was comprised by topographic maps
in 1:100,000 scale, limits of municipalities (total of 17) and rural census tracts (total of 206)
of the 2000 year. Geomorphometric data of TOPODATA Project were used for the
characterization of physical variables (such as Digital Elevation Model and slope). The
softwares used were Definiens Developer (object-oriented images analysis), ArcGIS
(geoprocessing tools), Geoda (exploratory spatial analysis), SAM (GWR) and XLStat (statistical
analysis).
The definition of the dependent variables considered the following land use and cover classes
(FIGURE 1): forest and advanced secondary vegetation, native grasslands, forestry
(reforestation activities), mixed agriculture (small land use extensions with heterogeneous
patterns of pasture, crops and secondary vegetation), large-scale agriculture (extensive
cultures of soy, wheat and others), urban and water.
Latin American Remote Sensing Week 2010
P á g i n a | 128
FIGURE 1: Land use and cover maps of 2002 (left) and 2008 (right).
Initially, we defined the LUCC processes in the study area based in the land use and cover
conversions between 2002 and 2008 period used as dependent variables (areal proportion of
each census tract) in this work as:
Land cover regeneration: abandoned areas of mixed agriculture converted in advanced secondary vegetation.
Land cover degradation: forest and native grasslands areas converted in agricultural and forestry land uses.
Agricultural retraction: large-scale agriculture and forestry areas that changed to mixed agriculture.
Agricultural expansion: mixed agriculture and forestry converted to large-scale agriculture.
Forestry expansion: agricultural areas converted to forestry activities. Urbanization: all classes that refers to urban occupation including the intra-urban and
peripheral patches.
Then, we defined the following independent social, infrastructural and geomorphometric
variables used in the regression based on others LUCC studies (Alves, 2007):
Income: nominal income (income) and average income (avg_income) by person responsible for home.
Latin American Remote Sensing Week 2010
P á g i n a | 129
Education: mean of study years by person responsible for home (study_years) and literacy rate (lit_rate).
Population: population density (dem_dens), dependence ratio (dep_ratio), percentage of population lesser than 15 years (<15_years_pop), between 15 and 64 years (15_64_pop), and with more than 64 years (pop+64)
Infrastructure: mean euclidian distance to roads (mean_dist) and standard deviation of the Euclidian distance to roads (std_dist).
Geomorphometric: elevation amplitude (elev_amp), mean elevation (mean_elev), mean slope (mean_slp), median slope (med_slp) and slope standard elevation (slp_std).
With the definition of dependent and independent variables, it was possible to carry out an
exploratory spatial analysis for checking of spatial autocorrelation problems related to the
dependent variables by the method of global Moran's I. The linear regression models (OLS)
were used as an exploratory analysis tool, being generated by the backward stepwise
technique, where a model was created for each dependent variable, with variable selection
based on significance of F-test from the dataset starting with all original and square root
transformed independent variables. From the result of the previous selection, were applied
GWR models that performs individual regressions for each observation (census tract), with
the estimation of individual parameters. This allows us to evaluate how these regressive
parameters behave spatially. The technique used in the models generation was a Gaussian
adaptive kernel with an AIC optimization (minimum of 10% and maximum of 15% of
neighbors). (Rangel et al., 2006)
3. RESULTS AND DISCUSSION
The detection of problems of spatial autocorrelation was performed on all dependent
variables for a first process selection to be used in the spatial regression models. The
neighborhood matrix was defined by the method of contiguity, using the rook criterion, which
considers as neighbors only those census tracts with common borders. Only the process of
urbanization has been dropped because the hypothesis test of spatial autocorrelation did not
show the presence of such spatial problems (Moran's I = 0.0557).
The parameters used in the diagnosis of the linear regression models were: a) the selected
variables, b) measures of model fitting (R²), c) significance of the model (F-statistic), d)
multicolinearity (Condition Number - CN), d) normal residual distribution (Jarque-Bera test),
e) heteroscedasticity or non-constant variance of the residuals (Koenker-Bassett, Breusch-
Pagan and White tests).
Based on the previous OLS model variables selection, we generated GWR models which
demonstrated efficacy in treating problems of spatial autocorrelation (measured by the
Moran's I tests of residuals), permanence of significance levels, higher coefficients of
determination (R²) and improving the fit of the models (measured by lower values of the
Akaike Information Criteria - AICc) (TABLE 1).
Latin American Remote Sensing Week 2010
P á g i n a | 130
TABLE 1: Results of OLS and GWR regression models, all models were significant (F-statistic
p-value <0.001).
Another result of the GWR models is the census tract mapping of the coefficients of
determination (local R²) and local regressive parameters, with a mask in the sectors where
the significance of the models (p-value) was below 90% (FIGURE 2). This mapping technique
allows a more refined analysis on the spatial regression patterns, with a more precise
identification of where the model was significant and of the positive or negative sense of the
estimated parameters (Mennis, 2006).
LUCC
Process Variables
OLS* GWR*
R² AICc Moran’s I R² AICc Moran’s I
Land Cover
Degradation
pop+64, income,
pop_dens, elev_amp,
median_slp, mean_slp,
slp_std
0.20 -374.109 0.33 0.636 -441.891 0.01
Land cover
regeneration
income, lit_rate,
mean_elev, mean_slp 0.33 -409.001 0.18 0.616 -470.895 -0.004
Agricultural
retraction
pop_dens, elev_amp,
mean_elev,
median_slp, mean_dist
0.35 -264.256 0.28 0.673 -347.653 0.01
Forestry
expansion
pop+64, pop_dens,
mean_elev 0.18 -497.957 0.36 0.474 -541.358 0.15
Agricultural
expansion
dep_ratio ,
avg_income, pop_dens,
median_slp, std_dist
0.27 -309.394 0.23 0.514 -327.165 0.18
Latin American Remote Sensing Week 2010
P á g i n a | 131
FIGURE 2: Mapping of regressive parameters (A) and the local coefficient of determination
(R²).
4. CONCLUSION
The integrated use of linear regression (OLS) and local spatial regression (GWR) models
based in remote sensing and social data allowed an exploratory analysis of factors affecting
the processes of land use and cover change. The main potential of GWR models is related to
local generation of coefficients of determination and significance levels for each aggregation
unit, which allows a better interpretation of the relationships between variables and a better
definition of spatial regimes to be used in later LUCC modeling stages. This exploratory spatial
analysis revealed a large interaction between the physical, ecological and social LUCC driving
factors in all models, emphasizing social (population density, dependency ratio, literacy rate,
age and income), infrastructural (distance to roads) and topographic (slope and elevation
amplitude) variables.
Latin American Remote Sensing Week 2010
P á g i n a | 132
BIBLIOGRAPHY
Alves, H. P. F. Fatores demográficos e sócio-econômicos associados às mudanças na cobertura
da terra no Vale do Ribeira: análise integrada de dados censitários e de sensoriamento remoto
através de um sistema de informação geográfica. In: Hogan, D. J. (Org.). Dinâmica populacional
e mudança ambiental: cenários para o desenvolvimento humano. Campinas, Nepo/Unicamp,
2007, p.117-143.
Anselin, L. Under the hood: issues in the specification and interpretation of spatial regression
models. Agricultural Economics, n.27, 2002, p.247-267
Geoghegan, J. et al. “Socializing the pixel” and “pixelizing the social” in land-use and land-cover
change. In: Liverman, D. et al. People and pixels: linking Remote Sensing and Social Science.
Washington, National Academy Press, 1998, p.51-69.
Lesschen, J. P. et al. Statistical methods for analysing the spatial dimension of changes in land
use and farming systems. LUCC Report Series No. 7, Nairobi/Wageningen, The International
Livestock Research Institute/LUCC Focus 3 Office, 2005, 80p.
Mennis, J. Mapping the results of Geographically Weighted Regression. The Cartographic
Journal, v.43, n.2, 2006, p.171-179.
Overmars, K.P. et al. Spatial autocorrelation in multi-scale land use models. Ecological
Modelling, n.164, 2003, p.257–270.
Rangel, T. et al. Towards an integrated computational tool for spatial analysis in macroecology
and biogeography. Global Ecology and Biogeography, n.15, 2006, p.321-327.
Soares-Filho, B. S. et al. Nexos entre as dimensões socioeconômicas e o desmatamento: a
caminho de um modelo integrado. In: Batistella, M. et al. (Org.). Amazônia. Natureza e
Sociedade em Transformação. São Paulo: Edusp, 2008.
Turner II, B. L. et al. The emergence of land change science for global environment change and
sustainability.. Proceedings of the National Academy of Sciences, v.104, n.52, 2007, p.20666-
20671.
Verburg, P. H. et al. Modeling the Spatial Dynamics of Regional Land Use: The CLUE-S Model.
Environmental Management, v. 30, n. 3, 2002, p. 391– 405.
Latin American Remote Sensing Week 2010
P á g i n a | 133
18.- ASSESSMENT OF THE MULTIPLE ENDMEMBER SPECTRAL MIXTURE ANALYSIS (MESMA) MODEL APPLIED TO THE HYPERION/EO-1
HYPERSPECTRAL DATA OF THE COASTAL PLAIN OF RIO GRANDE DO SUL, BRAZIL
R. M. Linn a, S. B. A. Rolim a,*, L. S. Galvão b a Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, Universidade
Federal do Rio Grande do Sul, Porto Alegre, Brazil – (rodrigo.linn, silvia.rolim)@ufrgs.br
b Divisão de Sensoriamento Remoto, Instituto Nacional de Pesquisas Espaciais, São José dos Campos, Brazil - [emailprotected]
KEY WORDS: Hyperspectral Remote Sensing, Image Processing, Spectral Library,
Classification, Endmembers
ABSTRACT: The objective of this work was to evaluate the potential use of the Multiple Endmember Spectral Mixture Analysis (MESMA) when applied to EO-1 Hyperion hyperspectral data to discriminate land covers in the southern state of Rio Grande do Sul, Brazil. The methodology involved: (a) pre-processing and atmospheric correction of Hyperion data; (b) sequential use of the Minimum Noise Fraction (MNF), Pixel Purity Index (PPI) and n-Dimensional Visualizer techniques in the 454-2334 nm range for the initial selection of a general group of endmember candidates (first spectral library) and of another group of pixels to be used for model validation; (c) use of the Visualization and Image Processing for Environmental Research Tools (VIPER Tools) to perform the final selection of end members based on the first spectral library and to obtain MESMA models; and (d) evaluation of resultant fraction images and root mean square error (RMSE) values to determine the optimal number of components of the MESMA model. Results showed that a four-endmember MESMA model (soil = dunes and dry fields; green vegetation = pinus, eucalyptus and grasslands; water = without sediments, with sediments, and with chlorophyll; and shade) adequately described the diversity of the scene components, including that of materials within the same class (e.g., pinus and eucalyptus) and produced the largest fractions and the lowest RMSE values on a per-pixel basis. Results demonstrated the potential use of the MESMA with EO-1 Hyperion hyperspectral data to discriminate land covers in the coastal plains of Rio Grande do Sul, even considering the low signal-to-noise ratio of the instrument, especially in the shortwave infrared range. 1. INTRODUCTION Numerous techniques for the classification of orbital imageshave been used in the extraction of land surface data (land covers and land use, for instance). Multispectral sensors such as the Enhanced Thematic Mapper (ETM+, Landsat 7) with 8 spectral bands are generally used in such studies. However, these sensors do not allow for a more detailed study of the spectral behavior of the targets. On November 21st, 2000, the Hyperion sensor was launched aboard the National Aeronautics and Space Administration’s (NASA) Earth Observing-1 satellite (EO-1), becoming the first hyperspectral sensor to operate from the Earth’s orbit. With 242 spectral bands laid out between 0.4 and 2.5 μm, the sensor enables the extraction of a practically seamless detailed reflectance spectrum for each scene element (pixel) in the image (Goodenough et al., 2002; Galvão et al., 2005).
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 134
On the other hand, the spectral response of a pixel is, in fact, the integrated sum of the spectral response of the scene components as registered in the field of view of the sensor (Instantaneous Field of View - IFOV) such as those of the soil, vegetation, water and of the shade projected on the land, as well as atmospheric contributions Shimabukuro and Smith, 1991). In order to identify the ratio of the different materials that comprise a pixel, one can use models which decompose the pixel into its pure components or endmembers. The Spectral Mixture Analysis (SMA) (Smith et al., 1985) is a digital imageprocessing tool that can separate the relative ratio of each material within a pixel by using a set of pure components of the image (Pereira et al., 1998). Nevertheless, the SMA fails in that it considers all pixels to be a mixture of a single initial set of endmembers, thereby possibly allowing a pixel to be modeled by endmembers which might not actually be present therein. In order to correct such error, the Multiple Endmember SpectralMixture Analysis model (MESMA) (Roberts et al. 1998a) was proposed as it allows the number and type of endmembers, as well as their prevalence, to vary from pixel to pixel and establishes the best-fit mixture model for each pixel individually. In this context, the objective of this research was to assess the potential of the data deriving from the Hyperion orbital sensor and from the MESMA model for the discrimination of land cover classes in the Coastal Plains of Rio Grande do Sul. 2. MATERIAL AND METHODS This study used an EO-1 Hyperion stock image, level L1R (USGS), which was acquired on May 2nd, 2004 and depicts the northern area of the Coastal Plains of Rio Grande do Sul (Figure 1).
Latin American Remote Sensing Week 2010
P á g i n a | 135
In order to identify the type of materials present in the scene and characterize land cover classes and subclasses, two ground truth measurements took place in 2007. The stages of the preprocessing of Hyperion data involved: correction of anomalous pixels (stripes) by interpolation; exclusion of the bands which had no data of the L1R product and which were positioned around the atmospheric absorption bands (1,400 nm and 1,900 nm); onversion of data into surface reflectance values through the use of a radiative transfer model based on the MODTRAN-4; and image georeferral using a GeoCover image of the study area as the reference. The Minimum Noise Fraction (MNF), the Pixel Purity Index (PPI) and the n-Dimensional viewer processing sequence was applied over the 143 bands selected from the 454 to 2334 nm interval in order to compose the first spectral library and generate a group of samples for the validation of the results obtained by MESMA. For the selection of the most representative spectra of the first spectral library, the following metrics were used: EAR (Endmember Average RMSE), MASA (Minimum Average Spectral Angle) and CoB (Count Based Endmember Selection), all included in the VIPER (Visualization and Image Processing for Environmental Research) Tools program (Roberts et al., 2007). The spectra that had the best performance in each metric were selected to generate the second spectral library. From this second spectral library, the two, three and four endmember MESMA models were applied to the Hyperion data using the “Run SMA/MESMA” module of VIPER Tools. Restriction parameters required by the program regarding the type of shade (photometric or non-photometric), minimum and
Latin American Remote Sensing Week 2010
P á g i n a | 136
maximum fractions of the non-shade component, maximum shade fraction, and maximum RMSE allowed are all shown on Table 1. Shade Photometric Minimum Allowable Fraction -6% Maximum Allowable Fraction 106% Maximum Allowable Shade Fraction 80% Maximum Allowable RMSE 0,025 Residual Threshold 0,025 Number of Contiguous Bands 7 Table 1. Parameters used in the “Run SMA/MESMA” module of the VIPER Tools for the application of the MESMA models. In order to generate the fraction image for each subclass represented in this study as well as a classified image, a MatLab routine was developed, in which the subclass with the greatest ratio was attributed to the pixel. The accuracy assessment was obtained in relation to the “pure” pixel demixing (Validation Sample) resulting from the PPI process. Thus, the fractions produced by each model for each subclass were compared in relation to the RMSE produced so as to assess the performance of the MESMA mixing models. 3. RESULTS AND DISCUSSION 3.1. Components of the Scene Lacustrine wetlands are the most present elements in the study area (Figure 2), accounting for approximately 50% of it. Basically, three distinct shades of water were identified and labeled in this study as follows: water with sediments, water without sediments and water with chlorophyll. Current land use is dominated by rice crops and pinus and eucalyptus plantations in small and mid-sized properties. The open field areas are composed of low vegetation, namely grasslands, identified by the bright green shades located among the lacustrine wetlands spread across the image. The dry field areas are characterized by disperse dry vegetation made up of dry pinus branches and rice straw. Finally, a small lot of the urban area of Tramandaí can be seen between the Lagoa das Custódias and Lagoa do Armazém.
Latin American Remote Sensing Week 2010
P á g i n a | 137
Latin American Remote Sensing Week 2010
P á g i n a | 138
3.2. First Spectral Library and Validation Sample In total, 14,101 pixels were selected as endmember candidates by the PPI technique (6.12 % of the imaged area), applied over the 9 first MNF components. Those pixels occurred especially in portions of the scene of 8 subclasses related to three main classes (water, vegetation and soil): water with sediments, water without sediments and water with chlorophyll (water); pinus, eucalyptus and grasslands (vegetation); and dunes and dry fields (soil). The number of “pure” pixels selected manually from the Hyperion image, with the aid of the n-Dimensional viewer to compose the first spectral library and the validation sample is shown on Table 2.
3.3. Second Spectral Library Using the EAR, MASA and CoB metrics, 23 spectra were selected from the first spectral library. Those endmembers corresponded to the most representative spectra of each subclass, that is, those which presented the lowest RMSE (EAR) and spectral angle and the highest CoB index when modeling the same subclass. The spectra which presented the best performance in each metric (EAR, MASA and CoB) were selected for each subclass. Therefore, each subclass received three representing spectra (endmembers), except the dune subclass, which, due to the low CoB index produced, had its spectrum selected by the EAR and MASA techniques only. 3.4. MESMA spectral mixture models The performance result of the 2, 3 and 4 endmember models generated from the second spectral library (Table 3) can be observed in Figure 3. The 4 endmember models obtained the lowest RMSE and the largest fraction when modeling “pure” pixels in the validation sample.
Latin American Remote Sensing Week 2010
P á g i n a | 139
Approximately 85% of the Hyperion image was modeled by the 4 endmember MESMA, which corresponds to 195,725 pixels (a total of 230,400 pixels). Most pixels of the water, dry field, pinus, grasslands and eucalyptus subclasses were properly modeled and classified. The dune subclass only had 46.25 % of its sample modeled (Table 5).
The RMSE image indicated that the most significant mistakes were produced by MESMA when modeling grasslands and dunes due to the high spectral variation of those targets. With
Latin American Remote Sensing Week 2010
P á g i n a | 140
the aid of histograms of the fraction images of each subclass, it was found that most of the pixels of the Water Body Class were modeled with fractions superior to 90%. In the Vegetation Class, the average fractions produced varied between 60% (grasslands) and 90% (pinus and eucalyptus). The Soil Class presented the smallest fraction values, with approximately 50% for the dry field subclass. The dune subclass had a practically linear distribution, with intervals between 20% and 104%. The final classification (Figure 4) obtained from the land vegetation and water fraction images depicts the spatial distribution of the eight subclasses presented in this study. It was observed that some areas that actually corresponded to the cultivation of eucalyptus were erroneously classified as pinus, yet the opposite did not occur. For the water classification, the result seems to be consistent with the normal color image in Figure 2. Nevertheless, in shallow waters (margins), there was a slight confusion between the subclasses Water with Sediments and Water with Chlorophyll, mainly due to the background effect. Similarly to what happened in the validation samples, dune-covered areas were mostly not modeled. The urban area, which was not represented in the mixing models, was partially modeled as dry field (soil).
4. CONCLUSIONS When applied over a Hyperion image and over the validation sample, the 4 endmember MESMA model (soil = dunes and dry field; green vegetation = pinus, eucalyptus and
Latin American Remote Sensing Week 2010
P á g i n a | 141
grasslands; water = with sediments, without sediments and with chlorophyll; shade) properly described the diversity of the scene components, including that of materials within the same class (e.g.: pinus and eucalyptus). The Fractions produced by the MESMA models when modeling “pure” pixels corresponded to the expected values, mostly reaching fractions above 90% with low RMSE. The results, as a whole, demonstrate the potential of the application of the MESMA model with EO-1 Hyperion sensor hyperspectral data, even considering the low signal-to-noise relationship of the instrument, especially in the SWIR. 5. REFERENCES Galvão, L. S.; Formaggio, A. R.; Tisot, D. A. Discrimination of sugarcane varieties in southeastern Brazil with EO-1 Hyperion data. Remote Sensing of Environment, v. 94, p. 523-534,2005. Goodenough, D.G.; Bhogal, A.S.; Dyk, A.; Hollinger, A.; Mah, Z.; Niemann, K.O.; Pearlman, J.; Chen, H.; Tan, T.; Love, J.; Mcdonald, S. Monitoring forest with Hyperion and ALI. IEEE Transactions on Geoscience and Remote Sensing, v. 2, p. 882-885, 2002. Pereira, J.L.G.; Batista, G.T.; Thales, M.C.; Roberts, D.A. 1998. Proporção de componentes derivadas de imagens Landsat TM para caracterização da cobertura da terra na amazônia. (CDROM). In: Simpósio Brasileiro de Sensoriamento Remoto,Santos.CD ROM Anais. Roberts D.A.; Gardner M.; Church R.; Ustin S.; Scheer G.; Green R.O. Mapping chaparral in the Santa Monica Mountainsusing multiple endmember spectral mixture models. Remote Sensing of Environment, v. 65, n. 3, p. 267-279, 1998a. Roberts, D. A.; Halligan, K.; Dennison, P. VIPER Tools User Manual. Versão 1.2. Santa Barbara: University of Califórnia Santa Barbara, 2007 p. 95. Disponível em: <http://www.vipertools.org> accessed: 18 abr. 2007. Shimabukuro, Y.E. & Smith, J.A. The least-squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, v. 29, n.1, p. 16-20, 1991. Smith, P. S.; Balonek, T. J.; Heckert, P. A.; Elston, R.; Schmidt, G. D. UBVRI field comparison stars for selected active quasars and BL Lacertae objects. Astronomical Journal, v. 90, p. 1184-1187, 1985.
Latin American Remote Sensing Week 2010
P á g i n a | 142
19.- STATE VARIABLES ESTIMATION AND RIPARIAN VEGETATION SPECIES MAPPING FOR THE NEGRO RIVER, SPAIN, BY HYPERSPECTRAL IMAGING
Peña M.A.*
[emailprotected]
Cruz P.C.*
[emailprotected]
Castro B.P.*
[emailprotected]
*Centro de Estudio de Recursos Naturales Oterra
Resumen: En este trabajo exploramos las capacidades que ofrece la teledetección
hiperespectral aérea para estimar turbidez y profundidad del agua, y para mapear especies de
vegetación ripariana en el río Negro, España. Datos de campo de ambas variables y localidades
representativas de las principales especies arbóreas de vegetación fueron colectadas al mismo
momento de adquirir los datos remotos. Fueron llevadas a cabo correlaciones entre ambos
conjuntos de datos para encontrar el índice de diferencia normalizada (IDN) que mejor
relaciona cada variable de estado. Un clasificador hiperespectral supervisado, entrenado con
datos de campo, fue usado para mapear la distribución de las especies arbóreas. Los
resultados muestran que el mejor seguimiento de los cambios de profundidad del agua se
consigue con un IDN construido con la banda del infrarrojo cercano (IC) de 705,5 nm y la
banda verde del visible de 531,1 nm (r = -0.69). En tanto, el mejor seguimiento de los cambios
de turbidez del agua se consigue con un IDN construido con las bandas IC de 905,34 nm y de
760 o 774,54 nm (r = 0.82). Ambos resultados fueron encontrados consistentes con el acervo
teórico existente. La inspección visual de la imagen de salida entregada por el algoritmo de
clasificación sugiere que la teledetección hiperespectral es alentadora para mapear especies
de vegetación ripariana. A futuro, se espera que la metodología empleada en este trabajo sea
mejorada, de manera de proveer una validación sólida que apoye el uso de esta tecnología en
otros cuerpos de agua del país.
Abstract: In this work we explore the capacities that airborne hyperspectral imaging offers to
estimate water's turbidity and depth, and to map riparian vegetation species in the Negro
river, Spain. Ground-based data of both state variables, and representative locations of the
main tree vegetation species were collected at the same time of the remotely-sensed data
acquisition. Correlations were carried out between both data sets in order to find the
normalized difference index (NDI) that best relates each state variable. A supervised
hyperspectral classifier, trained with field data, was used to map the distribution of the tree
species. Results show that water's depth changes are best tracked by a NDI constructed with
the near infrared (NIR) band at 705.5 nm and a green visible band at 531.1 nm (r = -0.69).
Meanwhile, water's turbidity changes are best tracked by a NDI constructed with the near
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 143
infrared bands at 905.34 nm, and at 760 or 774.54 nm (r = 0.82). Both results were found to
be consistent with the theoretical background. The visual inspection of the output image
rendered by the classification algorithm suggests that hyperspectral imaging is encouraging
for the riparian vegetation species mapping. An improvement of the methodology employed
in this work is expected in the future, in order to provide a solid validation that supports the
use of this technology in other water bodies of the country.
Keywords: hyperspectral imaging, spectral indices, riparian vegetation, water turbidity, water
depth
1. Introduction
Optical hyperspectral remote sensing is a scientific discipline that retrieves information from
an element by detecting and analyzing its radiated energy throughout hundreds of spectral
samplings (from now bands) continuously located in the visible and infrared dimensions of
the electromagnetic spectrum (i.e., optical spectral range). In specific spectral wavelengths of
that range most of the biotic and abiotic elements of the Earth surface produce absorption and
reflection features that allow their physical and chemical characterization. Nevertheless, only
remote sensors with hyperspectral sensitivity can properly measure the wide range of those
signals (Lucas et al., 2004; Borengasser et al., 2008; Goetz, 2009).
Optical remote sensing has largely assisted the study of water resources, mainly by estimating
and predicting water quality parameters such as turbidity, dissolved organic matter and algae
concentration (Govender et al., 1999; Ritchie et al., 2003). In the optical spectral range
sediments and microorganisms contained in a water body produce distinctive signals that can
be isolated by the design of spectral indices, or arithmetic combinations of bands sensitive to
the presence of a biogeochemical compound. The strength of a spectral index relies on its
simple formulation (usually it combines a band sensitive to the compound variations and
another one insensitive to it, that serves as baseline) and its capacity of minimize factors that
may interferes in the measured compound (e.g., solar illumination and sensor viewing
geometry, scattered path radiance, signals from other elements contained within the pixel)
(Treitz and Howarth, 1999; Asner et al., 2003; Liang, 2004; Blackburn, 2007).
The remotely-sensed assessment of state variables of a water body can be drastically
improved by using hyperspectral images with high spatial resolution (i.e., hyperspatial)
acquired from airborne platforms, because they allow to track them with unprecedented
spectral and spatial detail, and throughout specific temporal windows. This work explores the
capacities that this type of images offer for estimating water’s turbidity and depth, as well as
for mapping riparian vegetation species in the Negro river, Zamora district, Spain. The river
forms part of the Duero basin, located at the northwest of the Spanish territory. Their waters
are calm, shallow and very clear. The study area comprises a river transect of about 18 km,
from the Agavanzal reservoir (41º58’ N - 6º12’ W) to the Dornillas locality (42º03’ N - 6º19’
W), approximately. Hyperspectral images were acquired at the same time of field data
collection. Statistical analyses were performed between both data sets in order to find the
empirical spectral indices that best relate the state variables of interest. Thereafter,
Latin American Remote Sensing Week 2010
P á g i n a | 144
supervised classification procedures were applied on the images in an attempt to map the
vegetation species of interest.
2. Methods
Image acquisition: Hyperspectral images were acquired by an optical imaging
spectroradiometer. Specifically, a Hyspex - VNIR 1600© hyperspectral line scanner was used,
which is sensitive to wavelengths comprised between 400 and 1000 nm of the
electromagnetic spectrum (i.e., visible and near infrared regions). This range is sampled at 3.7
nm intervals, thus providing a spectral resolution of 160 bands. Each band records a dynamic
range of 65,536 voltage levels, which means a radiometric resolution or digitization of 16 bit.
The scanner’s field of view (FOV) is 17°, across which a linear array of 1,600 voltage detectors
(Charge-Coupled Device, CCD) scans the surface with an instantaneous field of view (IFOV) of
0.185 and 0.37 mrad in the across-track and along-track direction, respectively. The
geographic positioning of the scanned lines is achieved by an IMAR - iTrace RTF200© inertial
measurement unit (IMU) or inertial navigation system (INS), that simultaneously reads the
aircraft attitude and tilt, and the geographic coordinates of the swapped terrain, with a
frequency of 0.005 s. Images were acquired from a Cessna - 402 aircraft on October 29, 2009,
between 3 and 4 pm, local hour. The flight was made at a constant speed and altitude above
ground of 296 km/h and 1,200 m, respectively. During the flight atmosphere was stable, sky
was clear and the solar elevation fluctuated from 29 to 28° approximately. For the flight date,
the lowest solar zenith angle of the study area occurs around 1 pm, local hour (≈ 57°).
Therefore, in spite of the flatness of the swapped terrain relief, the acquisition of images out of
the maximum solar elevation contributed to increase the presence of superficial shadows
(particularly those projected by trees).
Image pre-processing: Original digital numbers (DNs) recorded on the image’s pixels were
automatically converted into absolute radiances by using the scanner’s radiometric-
exportation software. Though ideally at-sensor radiances should be converted into apparent
surface reflectances (i.e., the ratio of irradiance to radiance, both free of atmospheric effects),
the image’s atmospheric correction cannot be performed because during the period of this
study the software considered for this purpose (ATCOR©, Atmospheric Correction) was being
tested. Nonetheless, calibrated radiances were considered suitable for the achievement of the
study goals (RSI, 2009; Liang, 2004).
Image’s geometric correction was performed by using PARGE© (Parametric Geocoding)
software, which is specially designed for the correction of airborne hyperspectral imagery.
For its operation, the software requires the aircraft attitude data (i.e., roll, pitch and jaw), the
geographic coordinates of the scanned lines and a digital elevation model (DEM) of the study
area. Spatial resampling of the scenes was made at 0.45 m (i.e., the along-tack pixel
dimension) by using the bilinear interpolation method. Compared with the traditional nearest
neighbour resampling, bilinear interpolation renders an image with a better geometry but at
the expense of altering the original pixel radiometry. This is because the radiometric value
that is assigned to the corrected pixel results from a distance-weighted average of the
Latin American Remote Sensing Week 2010
P á g i n a | 145
radiance values of their four nearest uncorrected pixels. Nonetheless, this radiometric
smoothness was considered as positive, since contributed to minimize spatial mismatches
that subsequently could arise between field sampled plots and their corresponding image
pixels, as a result of geographic coordinate inaccuracies on each data set. The geographic
coordinates system assigned to the output images was UTM (Universe Transverse of
Mercator), datum WGS84 (World Geodetic System 1984), zone 29, North. Finally, an images'
mosaic was constructed, which subsequently was trimmed according to a distance of 250 m
from the river shoreline with the sense of only submitting to later processing the interest
area.
Field data collection: Field campaign was carried out at the same time of the flight, with the
sense of minimizing the negative effect that any temporal variability in the compounds of the
measured variables may have in the later statistical analysis accomplished between ground-
based data (physical units of the variable) and remotely-sensed data (pixel radiances). The
first task consisted in the identification of tree species within three spatial windows that were
defined at regular intervals along the studied river's transect. The species identified were:
Chopo blanco/Chopo negro (Populos alba/Populus nigra), Aliso (Alnus glutinosa), Encino
(Quercus ilex), Roble (Quercus pyrenaica), and Pino (Pinus pinaster). All these species were
marked as plots on a high spatial resolution cartography of the study area by field personnel.
Afterward, inside each window water turbidity (nephelometric turbidity units, NTU) and
water depth (m) were measured on 23 plots each one, in order to statistically relate these
data with their corresponding pixel radiances. Plots were selected according to an ad-hoc
sampling method and the measurements were accomplished by using a zodiac boat,
preferably moved by oars in order to not disturb the sampled waters. To minimize the
confusion that water depth may introduce in the water turbidity analysis, all the turbidity
plots were sampled on areas with a similar depth. By the same token, water depth was
sampled on areas with similar turbidity. Finally, with the purpose of minimizing spatial
coregister inconsistencies between field sampled plots and their corresponding image pixels,
all the measurements were carried out by considering a plot's support region of about 2 m of
diameter. Geographic coordinates of the field data were collected by a geodetic GPS (Global
Positioning System), set to a positional accuracy below 0.5 m.
Supervised classification: Field sampled plots of the tree species were superimposed on the
image (i.e., trimmed images mosaic) to define training areas corresponding to each species.
Additionally, training areas corresponding to other elements such as water, bare soils,
impervious surfaces, rooftops and grasslands were also defined. The statistical separability
between the spectral curves of all pairs of the interest elements (from now classes) was
determined through the Divergence Transformed measure. In all cases, a high separability (≅
2,000, the maximum possible divergence value) was retrieved. For the mapping purpose, the
Spectral Angle Mapper (SAM) was used. This is a hyperspectral classification algorithm that
assigns each image pixel to a given class based on their spectral similarities. Specifically. the
algorithm calculates the angular distance (in radians) between the spectral curve of each pixel
and a given class, assigning the pixel to the class which more resembles. Though the
Latin American Remote Sensing Week 2010
P á g i n a | 146
algorithm can operate with a threshold from which a pixel will not be classified, we decided to
force the classification of all pixels, mainly because of our uncertainty in the spectral
variability that each class may comprise. Ideally, an image classification process should ends
with an accuracy assessment based on a contingency table (i.e., the comparison of each class
with their corresponding ground truth data). Nonetheless, this procedure was beyond the
study scope. So, we recognize that no quantitative approach was attempted for such an
evaluation, but just a simple visual inspection based on the knowledge of the study area.
Empirical spectral indices retrieval: Field sampled plots of water turbidity and depth were
superimposed on the image for extracting their corresponding pixel radiance values.
Afterward, each parameter was correlated to the radiances resulting from a normalized
difference index (NDI).
(Lλ1 - Lλ2) / (Lλ1 + Lλ2) (1)
Where Lλ1 and Lλ2 are the absolute radiances of two image bands. We first found the band that
best correlates their corresponding field data, and that was the Lλ1 formula term. Then, each
one of the remaining bands were entered in the formula as the Lλ2 term, and new correlations
were retrieved. By doing this step, we obtained the NDI that best tracks a given parameter.
Pearson correlations were used for water depth field data. Since the distribution of water
turbidity field data was not normal, Spearman correlations were used.
3. Results and discussion
Spectral behaviour of riparian vegetation species: As it is well-known, the typical spectral
behaviour (i.e., spectral pattern) of healthy vegetation is characterized by a high reflection in
the green visible region (500-600 nm) and a strong absorption in the red visible region (600-
700 nm), mainly due to the presence of foliar chlorophyll pigments (major responsibles of
vegetation's photosynthesis). Meanwhile, in the near infrared (NIR) region (700-1,000 nm) a
very high reflection occurs as a result of the presence of healthy leaves, except for the spectral
range between 900 and 970 nm, where absorption features are due to the leaf water content
(Peñuelas et al., 1993, 1997; Asner, 1998, 2003; Treitz and Howarth, 1999; Liang, 2004;
McCoy, 2005). These spectral signals are clearly distinguishable in figure 1a, which shows the
spectral curves retrieved from the tree species sampled in the field. However, they are some
differences between them. The spectral curve of Chopo class stands out for its highest
reflection in the green and red visible regions. It also shows a high reflection in the NIR region,
that only is overcome by the grassland class. Therefore, though its chlorophyll-related
absorption is not stronger than the remaining species, its reflection due to the foliage
abundance is one of the highest. It is likely that this spectral behaviour is due to structural
characteristics or foliar attributes of the species, that favours the radiation reflection (e.g.,
LAD directs most of the incident radiation to the sensor view or radiative properties of leaves,
such as colour and texture, favour a high reflection). It is unlikely to attribute that spectral
behaviour to some particularity related to the species’ condition, mainly because if its
absorption is relatively low in the red visible region, it should be expected that its reflection
be also relatively low in the NIR region, which does not happen. This does happen with the
Latin American Remote Sensing Week 2010
P á g i n a | 147
grassland class, which evidences the high cover and health status of that physiognomic type.
In general, spectral curves of the sampled tree species exhibit their larger separation in the
NIR region, that usually has been referred to as the spectral region that most contributes to
the species discrimination, because of their sensitivity to the vegetation canopy structure
attributes, which can reach notorious differences among species (Asner, 1998; Liang, 2004;
McCoy, 2005). Figure 1b shows the typical spectral behaviour of clear water, which is
characterized by a very low reflection in the whole visible region and an almost complete
absorption in the NIR region (Lillesand et al., 2004; McCoy, 2005). Meanwhile, bare soil
classes present a regular and relatively high reflection on those spectral regions. Spectral
curves from vegetation as well as from the remaining elements show strong absorption
features between 760 and 940 nm of the spectrum, which are due to oxygen and water vapour
content in the atmosphere, respectively (Schläpfer et al., 1998, 2005; Teillet et al., 1998;
Richter, 2010). These spectral signals are specially notorious when at-sensor radiances are
used, since the scattered path radiance has not been compensated and spectral irradiance has
not been considered.
Mapping of riparian vegetation species: Figure 2 shows a representative spatial window of the
vegetation species classified across the riparian zone of the Negro river. During the training
area stage, no attempt was made to identify shadowed features, since they could comprise a
wide spectral variability (according to their intensity and the land cover type that they cover)
that may confuse the algorithm's class assignment, thus promoting the image
misclassification. In other words, it was the algorithm who assigned shadowed features to the
class that more resembles. As a result, most of them were classified as bare soils. Due to their
spectral similarity, some shallow waters were confounded with bare soils. Regarding
vegetation classification performance, Aliso class tends to be identified across the river
shoreline, though in some cases it is confounded by Roble and Encina classes. Chopo and
Roble canopies exhibit quite distinguishable visual appearances, so it was easy to check if they
were correctly classified. A visual inspection suggests that both classes were classified with
high accuracy. There are many cases in which a single tree canopy shows more than one class.
This evidences the spectral complexity that vegetation species may achieve, and highlights the
need of a more representative and accurate selection of the training areas, in such a way that
these misclassifications be minimized. At this point, it is important bearing in mind that the
spectral behaviour of vegetation results from a combination of phenological, physiological,
physiognomic and site-specific factors. According to this, a given vegetation species class
might be divided into several subclasses, even within a relatively small and apparently
homogenous study area.
Latin American Remote Sensing Week 2010
P á g i n a | 148
Figure 1. Spectral curves of vegetation species (A) and other elements (B) of interest extracted
from the hyperspectral data.
Figure 2. Vegetation species mapping for a spatial window of the study area.
Water's depth and turbidity indices: Figure 3a allows us to observe the bands significantly
correlated to water depth. The highest correlations were found for NIR bands with central
wavelengths at 705.5 nm (band 82), 709.14 nm (band 83), 701.87 (band 81), 712.77 nm
(band 84) and 720.03 nm (band 86) (r = -0.69; -0.69; -0.68; -0.67; -0.67, respectively). It is
likely that these spectral wavelengths are sensitive to changes in the amount of suspended
sediment contained throughout the water column, which indirectly are related to water depth
(if water depth increases then suspended sediments should also increase). According to figure
3b the NDI that best correlates water depth (r = -0.75) results from the arithmetic
combination of band 82 (as the first term of the formula) and band 34 (with central
wavelength at 531.1 nm). In general, a large number of bands entered as the second term of
the NDI formula renders NDIs with good correlation coefficients (r ≥ -0.5), but only a few blue
Latin American Remote Sensing Week 2010
P á g i n a | 149
visible bands render NDIs with correlation coefficients higher than the band 82 by itself (r ≥ -
0.69). The improvement that these bands introduce in the NDI can be explained by the well-
known capacity of the blue spectral region to penetrate a water body, which has been
successfully used in bathymetry remote sensing systems (Aronoff, 2005; McCoy, 2005).
Figure 3. Correlations for hyperspectral bands and water's depth (A), and for NDI and water's
turbidity (B).
Figure 4a shows that NIR bands with central wavelengths at 905.34 nm (band 137) and
894.44 nm (band 134) present the highest correlations with water turbidity (r = 0.77 and
0.76, respectively), which is due to the sensitivity of that spectral region to changes in the
amount of suspended sediments (Bhargava and Mariam, 1991; Doxaran et al., 2002a, 2002b).
Figure 4b shows that the NDI that best correlates water turbidity (r = 0.82) results from the
arithmetic combination of band 137 (as the first term of the formula) and bands with central
wavelength at 760 nm or at 774.54 nm (bands 97 and 101, respectively). It should be noted
that the NDI also renders high correlation coefficients (r ≥ 0.75) with many other blue visible
bands used as the second term of the formula. The improvement that these bands introduce in
the NDI performance should be related to the capacity of that spectral region to penetrate the
water body and therefore, to their relative insensitive to changes in water turbidity, thus
acting as baseline of the index. Nonetheless, it was an arithmetic combination of bands located
on the NIR region which rendered the highest NDI correlation coefficient. This is because of
the insensitive that band 97 presents to turbidity changes, whose absorption feature is caused
by atmospheric oxygen. The above-mentioned stands out the sensitivity of a spectral index to
atmosphere-induced effects. So, in cases where it wants to be temporally or spatially
extrapolated, equivalent radiometry units of the images should be employed, or even more
important, both images should be previously subject to an atmospheric correction procedure
(in order to retrieve surface reflectance units).
Latin American Remote Sensing Week 2010
P á g i n a | 150
Figure 4. Correlations for hyperspectral bands and water's turbidity (A), and for NDI and
water's turbidity (B).
4. Conclusions
This work explored the capacities that optical hyperspectral remote sensing offers for
estimating water state variables and for mapping riparian vegetation species in the Negro
River, Spain. The results support the potential of this technology to accomplish aims as the
pursued in this work. Empirical statistical analysis show that it is possible to design spectral
indices closely related to water's turbidity and depth changes. Meanwhile, an encouraging
discrimination of vegetation species may be derived from this type of images if appropriately
representative spectral curves may be extracted from the targets of interest.
From the experience gained in this work, some methodological enhancements are
recommended for similar future applications of this technology. First, it would be desirable to
minimize the atmosphere-induced effects on the image data. Even when scattered path
radiance should be low for images acquired near the ground (mainly because of to the low
optical thickness of the atmosphere), the use of atmospherically corrected radiometric units
(i.e., surface reflectances) would provide more reliability and validity to the results obtained.
Second, in spite of the expensive that it can be to increase the number of field sampled plots, it
would be recommendable to procure the highest number possible in order to minimize
potential overfitting problems in the subsequent statistical analysis. Third, a classification's
accuracy assessment should be accomplished at least over sensible or representative areas, in
order to provide a quantitative measure of the degree of success achieved by the supervised
classification procedure.
References
Aronoff S. 2005. Remote Sensing for GIS Managers. ESRI Press. New York, USA. 487 p.
Asner G.P. 1998. Biophysical and biochemical sources of variability in canopy reflectance.
Remote Sensing of Environment, 64: 234–253.
Latin American Remote Sensing Week 2010
P á g i n a | 151
Asner G., Hicke J., Lobell D. 2003. Per-pixel analysis of forest structure: Vegetation indices,
spectral mixture analysis and canopy reflectance modeling. In Wulder M.A., Franklin S.E. eds.
Remote Sensing of Forest Environments: Concepts and Case Studies. Kluwer Academic
Publishers. Dordrecht, Holland. p. 209-254.
Bhargava D.S., Mariam D.W. 1991. Light penetration depth, turbidity and reflectance related
relationships and models. ISPRS Journal of Photogrammetry and Remote Sensing, 46: 217-230.
Blackburn G.A. 2007. Hyperspectral remote sensing of plant pigments. Journal of Experimental
Botany, 58(4): 855-867.
Borengasser M., Hungate W.S., Watkins R. 2008. Hyperspectral Remote Sensing, Principles and
Applications. CRC Press. Florida, USA. 119 p.
Doxaran D., Froidefond J.M., Lavender S., Castaing P. 2002a. Spectral signature of highly turbid
water. Application with SPOT data quantify suspended particulate matter concentrations.
Remote Sensing of Environment, 81: 149-161.
Doxaran D., Froidefond J.M., Lavender S., Castaing P. 2002b. A reflectance band ratio used to
estimate suspended matter concentrations in sediment-dominated coastal waters.
International Journal of Remote Sensing, 23(23): 5079-5085.
Goetz A.F.H. 2009. Three decades of hyperspectral remote sensing of the Earth: A personal
view. Remote Sensing of Environment, 113: S5-S16.
Govender M., Chetty K., Bulcock H. 2007. A review of hyperspectral remote sensing and its
application in vegetation and water resource studies. Water SA, 33(2): 145-152.
Liang S. 2004. Quantitative Remote Sensing of Land Surfaces. Wiley. New Jersey, USA. 560 p.
Lillesand T.M., Kiefer R.W., Chipman J.W. 2004. Remote Sensing and Image Interpretation.
Wiley. New York, USA. 763 p.
Lucas R., Rowlands A., Niemann O., Merton R. 2004. Hyperspectral sensors and applications. In
Varshney P.K., Arora M.K. eds. Advanced Image Processing Techniques for Remotely Sensed
Hyperspectral Data. Berlin, Germany. Springer. p. 11-49.
McCoy R.M. 2005. Field Methods in Remote Sensing. The Guilford Press. New York, USA. 159 p.
Peñuelas J., Fillela I., Biel C., Serrano L., Savé R. 1993. The reflectance at the 950-970 nm
region as an indicator of plant water status. International Journal of Remote Sensing, 14(10):
1887-1905.
Peñuelas J., Peñol J., Ogaya R., Fillela C. 1997. Estimation of plant water concentration by the
reflectance Water Index WI (R900/R970). International Journal of Remote Sensing, 18(13):
2869-2875.
Latin American Remote Sensing Week 2010
P á g i n a | 152
Richter R. 2010. Atmospheric/Topographic Correction for Airborne Imagery. German
Aerospace Center. Wessling, Germany. 157 p.
Ritchie J.C., Zimba P.V., Everitt J. H. 2003. Remote sensing techniques to assess water quality.
Photogrammetric Engineering and Remote Sensing, 69(6): 695-704.
RSI (Research Systems Incorporation). 2009. ENVI (Environment for Visualizing Images)
Online Help. ITT Visual Information Solutions. Boulder, USA. (unpaginated).
Schläpfer D., Borel C.C., Keller J., Itten K.I. 1998. Atmospheric pre-corrected differential
absortion techniques to retrieve columnar water vapour. Remote Sensing of Environment,
65(3): 353-366.
Schläpfer D., McCubbin I.B., Kindel B., Kaiser J.W., Ben-Dor E. 2005. Wildfire smoke analysis
using the 760 nm oxygen absorption feature. In proceedings of the 4th EARSeL Workshop on
Imaging Spectroscopy. April 27 – 29. Warsaw University. Warsaw, Poland. 10 p.
Teillet P.M., Staenz K., Williams D.J. 1997. Effects of spectral, spatial, and radiometric
characteristics on remote sensing vegetation indices of forested regions. Remote Sensing of
Environment, 61: 139-149.
Treitz P.M., Howarth P.J. 1999. Hyperspectral remote sensing for estimating biophysical
parameters of forest ecosystems. Progress in Physical Geography, 23(3): 359–390.
Latin American Remote Sensing Week 2010
P á g i n a | 153
20.- SITE DISPLACEMENT DETERMINED BY SATELLITE LASER RANGING AFTER CHILEAN EARTHQUAKE
Felipe Pedreros1;2;_, Bernd Sierk3, Marcos Avenda˜no2, Hayo Hase3
1Department of Electrical Engineering, University of Concepci´on, Casilla 160-C, Correo 3, Concepci´on, Chile.
2Geodetic Observatory TIGO, University de Concepci´on, Chile. 3Federal Agency for Cartography and Geodesy, Germany.
_Author’s e-mail: [emailprotected]
KEY WORDS: SLR, Satellite, Earthquakes, Geodesy, Measurement, Geodetic Observatory, LIDAR
ABSTRACT: In this paper we present the displacement of the TIGO geodetic station, located in Concepci´on, Chile, after the major 2010 earthquake. The displacement has been obtained by using the Satellite Laser Ranging (SLR) technique, which allows to get the distance between the station and the satellite by measuring the round-trip time of high power laser pulse with picosecond precision clocks. By processing the data of the global SLR network, it is possible to determine the local geographic coordinate and the relative displacement among stations over the time, achieving millimetric accuracy. A total post-seismic displacement of 3.19 m mainly, was measured by using the SLR data obtained from the TIGO-SLR station. The motion detected by SLR confirms the results which have been obtained by the colocated GPS/Glonass site at TIGO. 1 INTRODUCTION
On February 27, 2010 at 3.34 local time, Concepci´on was struck by one of the strongest earthquakes ever recorded, reaching a magnitude of 8.8 in the Richter seismic scale. This earthquake has awaken considerable scientific interest given its strength, and the fact that during the last decade the area has been frequently monitored by several state of the art scientifics instruments, so there is an extraordinary opportunity to follow up the post-earthquake evolution of crustal motion. The Transportable Integrated Geodetic Observatory (TIGO), located in Concepci´on, Chile, is a fundamental station with a number of independent measurements systems: Satellite Laser Ranging (SLR), Very Long Baseline Interferometry (VLBI), Global Positioning System (GPS) and gravimetry. TIGO contributes significatively to the volume and accuracy of SLR data in the world. Moreover, its privileged location in a highly seismic zone, turns Figure 1: The SLR station at TIGO performing a satellite tracking with the blue laser beam through its Coud´e Telescope. The optical system, electronics and control room are inside the container it into a suitable station for the study of tectonic movements occurring there.
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 154
Since the first pulsed laser satellite tracking carried out by a NASA team in 1964 (Plotkin et al., 1965), the development of the SLR technique has improved its accuracy achieving millimeter resolution in satellite orbit measurements, with respect to a reference point (Degnan, 1993). The SLR technique is based on the pulseecho principle where a high power pulsed laser is directed to satellites that carry retroreflectors, reflecting back the pulses to the SLR station, where photons are detected with Single Photon Avalanche Detectors (SPAD), and the round-trip time is measured with picosecond accuracy instruments. Then, given the speed of light and an atmospheric propagation model (Mendes and Pavlis, 2004), it is possible to determine the distance to the satellite. Worldwide processing centers provide new satellite orbit predictions on a daily basis by each station. Thus, the SLR technique allows to directly measure the error between the prediction and the actual satellite orbit. Henceforth, the use of SLR also allows carrying out scientific studies of tectonic-plate motion, general relativity principles, gravitational fields, oceanography, topography, lunar physics and fundamental physics (Smith et al., 1990; Pearlman and Bosworth, 2002). SLR data is collected, merged, analyzed, archived and distributed by the International Laser Ranging Service (ILRS). These data sets are used by the ILRS to generate a number of fundamental data products such as: centimeter accuracy satellite ephemerides, earth orientation parameters (EOP), three-dimensional coordinates and velocities of the ILRS tracking stations, for instance (Pearlman and Bosworth, 2002). By using the TIGO SLR data, we have been able to measure the crustal displacements produced by the earthquake with high accuracy, and the results are reported herein.
Latin American Remote Sensing Week 2010
P á g i n a | 155
2 SATELLITE LASER RANGING SYSTEM AT TIGO OBSERVATORY The SLR system at TIGO (see outline in fig. 2), measures by using a 30 ps pulsed laser at 100 Hz in a two-color range mode at 423.5 nm and 847 nm simultaneously. The optical SLR system isseparated in three main parts, described as follows:
_ The Optical Bench (fig. 3) consists of a pumping Nd:YAG pulsed laser at 532 nm (diode pumped) called JEDI manufactured by THALES Laser; the oscilator and the regenerative amplifier operating at 847 nm from High-Q Laser; a linear amplifier implemented at TIGO with a Ti:Sapphire crystal pumped by the JEDI laser; a fast photodiode which triggers the start signal; a security shutter and a Second Harmonic Generator (SHG) crystal which generates the blue laser beam at 423.5 nm. _ The Transmitter/Receiver Unit (not shown here), is made up of opto-mechanical components used to focus the returned laser beam to the SPAD detectors, a CCD camera and an eyepiece to see through the telescope, two small lasers and a spectrometer for avelength measurement. _ The Coud´e Telescope (fig. 1) consists of a main lens of 50 cm of diameter, two secondary mirrors, a triple lens array to achieve beam collimation in the two wavelengths, and four prisms that fold the optical path into the axes of the Coud´e mount. This telescope operates in dual mode, i.e. transmission and reception of laser pulses pass through the same optical channel. Several factors affect the measured apparent distance to the satellite d so it is given by:
Latin American Remote Sensing Week 2010
P á g i n a | 156
Before and after each measurement, a calibration is performed by ranging to a calibration target inside the telescope in order to avoid the electronics and optics effects in this path. The atmospheric effects are corrected for an atmospheric refraction model as provided by Mendes and Pavlis (Mendes and Pavlis, 2004). A great feature of this system is its capability of measure simultaneously in two avelength, which allows to improve the absolute ranging accuracy. Range and time biases with respect to the predicted orbit arc are obtained by a least squares fit to the measured data. Then, it is sent in near real-time to the processing centers according to the ILRS outline. 3 RESULTS AND DISCUSSION Figure 4 show the time series of the ILRSb coordinate solutions for the TIGO SLR station from 2006-2010 until shortly before the earthquake. These coordinates are obtained from a weekly solution designated as ILRSb and provided by the ILRS, that makes use of the global network SLR measurements to geodetic satellites such as Lageos-1, Lageos-2, Etalon-1 and Etalon-2, and combine the oordinate solutions from various analysis centers. We transformed the ILRSb data, given in geocentrical coordinates (x; y; z), to the local geographic coordinates North, East and Altitude, relative to the first coordinate of the time series. The pre-seismic velocity components infered from SLR data over 7 years before the earthquake were determined to North=23 mm/yr, East=32 mm/yr yielding an azimuth angle of 54_. The Altitude component seems to be oscilating at a rate of about 1 cycle/yr as shown in figure 4. The three panels of figure 5 show the relative displacement of the TIGO SLR station in local coordinate after the event. Unfortunately, the earthquake misaligned and damaged some parts of the SLR-system. After strong efforts to set up and readjust the system, it became operational on April 29, 2010. The collected data has been able to report a significant displacement of the TIGO SLR station (combined co-seismic and post-seismic motion for 2 month after the earthquake). The first measurements showed a displacement of .64 m to the
Latin American Remote Sensing Week 2010
P á g i n a | 157
South, 3.13 m to the West and 0.04 m down in Altitude, as seen on the plots. The horizontal direction of this displacement corresponds to an azimuth angle of 259_ w.r.t. North, which is contrary to the preseismic velocity vector, plus an additional component of 25_ westward. The displacement measured by SLR confirms the results which have been obtained by the independent but colocated GPS/Glonass and VLBI techniques at the Geodetic Observatory TIGO, as is shown in figure 6 where the co- and post-seismic isplacement SLR vector is compared to the GPS “CONZ” station at the observatory. Compared to the microwave based techniques, the strength of the optical SLR is its ability to determine the altitude component of the displacement with higher accuracy. The seismic activity is still present in the southern central part of Chile, so the site displacement will continue in function of the tectonic movements in the area. The ongoing monitoring by TIGO-SLR contributes to investigations of the pre- and postseismic behaviours of crustal motion in a subduction zone, stressing the importance to continue monitoring of the area by a fundamental geodetic station.
Latin American Remote Sensing Week 2010
P á g i n a | 158
ACKNOWLEDGEMENTS The authors appreciate the tremendous effort made by Alejandro Fernandez, Victor Mora and Cesar Guaitiao from the TIGO SLR team, who quickly recovered the station after the devastating earthquake. We thank to the International Laser Ranging Service ILRS for upporting the SLR data processing and provide the geocentric coordinate for the tracking stations. We also thank Esteban Vera, ebasti´an Godoy and Sergio Sobarzo for suggestions and proofreading this paper. References Degnan, J., 1993. Millimeter Accuracy Satellite Laser Ranging: A Review. AGU Geodynamics Series 25, pp. 133–162. Mendes, V. and Pavlis, E., 2004. High-accuracy zenith delay prediction at optical wavelengths. Geophysical Research Letters 31, pp. L14602. Pearlman, M.R., D. J. and Bosworth, J., 2002. The International Laser Ranging Service. Advances in Space Research 30(2), pp. 135–143. Plotkin, H. H., Johnson, T. S., Spadin, P. L. and Moye, M., 1965. Reflection of ruby laser radiation from Explorer XXII. Proceedings IEEE 53(3), pp. 301–302. Smith, D. E., Kolenkiewicz, R., Dunn, P. J., Robbins, J. W., Torrence, M. H., Klosko, S. M., Williamson, R. G., Pavlis, E. C., Douglas, N. B., and Fricke, S. K., 1990. Tectonic Motion From LAGEOS. Journal of Geophysical Research 95(B13), pp. 22013–22041.
Latin American Remote Sensing Week 2010
P á g i n a | 159
21.- TELEDETECCIÓN DE CAMBIOS EN LECHO RÍO LIMARÍ POST EMBALSAMIENTO
MANUEL MUÑOZ LUZA (autor)
Departamento Ciencias Geográficas,
Universidad de Playa Ancha
[emailprotected]
ROBERTO RICHARDSON VARAS (coautor)
Departamento Ciencias Geográficas,
Universidad de Playa Ancha
[emailprotected]
FLAVIA LANDEROS CÁCERES (coautor)
Departamento Ciencias Geográficas,
Universidad de Playa Ancha
[emailprotected]
Resumen: La comparación de Modelos de Elevación Digital “DEM” ha permitido detectar cambios de patrón de escurrimiento del río Limarí en su tramo urbano post represamiento de sus aguas. La vectorización de fotografía aérea del vuelo Hycon IGM año 1954 -1955 a escala 1:70.000, para generar un DEM y efectuar la comparación con un Modelo Digital de Elevación del Satélite Aster más actual, evidencio diferencias entre ambos años, en relación a la acumulación de sedimentos en el lecho de inundación bajo el puente Fiscal localizado aguas arriba de la ciudad de Ovalle. Como soporte se utilizan imágenes del satélite Landsat, año 1976 (MSS Landsat 2), 1986 – 1996 (TM Landsat 5), y 2002 (ETM Landsat 7). Se realiza la combinación en falso color 754 (banda Infra rojo cercano, bandas visible, rojo y verde) de la imagen año 76’ y 453 en las siguientes imágenes utilizando softwares ENVI y Geomática PCI, con la finalidad de resaltar los cambios en el patrón del lecho y en su cauce en el tiempo. Con los DEM se generaron perfiles transversales para dimensionar las diferencias de cargas de sedimentos, cuyos resultados son notables. La estabilidad de las riberas se asoció a la distinción de la vegetación riparia, con una combinación de bandas en falso color, 456 año 1976 y 543 los otros años. Se generó una combinación de bandas en color verdadero y se proceso en el módulo cluster del software (Idrisi Kilimanjaro), cuyo resultado de clasificación evidencia la expansión urbana a través del tiempo. Palabras Claves: Teledetección, Expansión Urbana, Dinámica Fluvial, Patrón de Escurrimiento, Vegetación Riparia. Abstract: By comparing Digital Elevation Models “DEM”, it is possible to detect changes in runoff pattern of Limarí river in its urban stretch after damming the waters. A vectorization
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 160
of the aerial photograph from Hycon IGM flight (1954-1955), to 1:70.000 scale, was made, in order to obtain a DEM and compare it to a newer Aster satellite Digital Elevation Model. As a result, differences were found in regard to sediment accumulations in floods bed positioned under the “Fiscal” bridge that is located upstream in Ovalle city. 1976 (MSS Landsat 2), 1986-1996 (TM Landsat 5), and 2002 (ETM Landsat 7) Landsat satellite images were used to support our research. A false-color combination 754 (near-infrared band, visible bands, red and green) was applied to 1976 image, and a combination of 453 was applied to the other images, using both ENVI and PCI Geomatics software, in order to stress changes in bed pattern and riverbed through time. Cross sections were produced by using DEMs to understand the differences between sediment loads, giving notable results. Riverbank stability was associated to the presence or absence of riparian vegetation, by applying a false-color band combination of 456 to 1976 images, and a combination 543 to the others. A true color band combination was produced, and processed using the cluster module of Idrisi Kilimanjaro software. The classification result evidenced urban expansion through time. Key words: Teledetection, urban expansion, fluvial dynamics, runoff pattern, riparian vegetation.
1. INTRODUCCIÓN
En la geomorfología fluvial, el objetivo de la clasificación de canales fluviales es fragmentar las
complejas unidades de estudios en unidades discretas. A lo largo del siglo XX, numerosas
clasificaciones fueron publicadas. (Naiman et al., 1992; Montgomery y Buffington, 1993; entre
otros).
Los ríos son dinámicos y complejos, su forma es producto de la sistematización de numerosas
variables, tales como su régimen de caudal, el transporte de la carga de sedimentos y las
características ambientales por donde sigue su curso. Cuando se interviene cualquier tramo
del río, se generan cambios en el cauce y sus riberas, tanto aguas abajo como aguas arriba.
Siguiendo estos principios, el objetivo principal de esta investigación es determinar aquellos
cambios en un periodo de 6 décadas que modifican el lecho del río Limarí en el tramo urbano,
frente a la ciudad de Ovalle, entre el puente Fiscal (30º35’35” Lat. S, 71º10’17” Long. O) y el
puente La Chimba (30º 37’28” Lat. S, 71º13’19” Long. O) con una extensión de 7 Km.
2. METODOLOGÍA
2.1 Tratamiento de imágenes Satelitales
Previa a la interpretación de imágenes, se realiza una corrección geométrica a imágenes
Landsat, desde Datum brasileño SAD 1969 a PSAD 1956 en el programa Arc Gis 9.2 para la
homologación con Fotografías Aéreas.
Los resultados obtenidos han sido verificados en terreno, no obstante la generación de cluster
para visualizar la expansión de la urbe e identificación de vegetación riparia, no han sido
capturados punto GPS específicos, debido a la gran extensión de estos. No obstante, la
Latin American Remote Sensing Week 2010
P á g i n a | 161
interpretación respecto a sedimentos es supervisada y se consideran puntos GPS, para llevar a
cabo perfiles que permiten su exploración.
2.2 Generación Modelos Digitales de Elevación
Se obtienen curvas de nivel a partir de la restitución manual realizada en el programa
Autodesk Map 2004, de la Carta IGM OVALLE, escala 1:50.000, Datum PSAD 1956, con un
levantamiento aerofotogramétrico del año 1954 – 1955.
Se utilizaron las curvas de nivel para corregir geométricamente, a Datum PSAD 1956, el
scanner (600 dpi) de la fotografía aérea del vuelo Hycon IGM año 1954 -1955 a escala
1:70.000, en el programa Arc Gis 9.2 obteniendo un error de 1.5 con 110 puntos de control.
Además se extrae DEM Aster el cual corresponde al año 2000, en software ENVI, para
posterior comparación a través de perfiles longitudinales (tomado desde confluencia río
Grande y Hurtado hasta bajo Puente la Chimba) y transversales (trazados de terraza 3 a
terraza 4 descritas por Paskoff, 1993), respecto a DEM año 1955.
2.3 Índice NDVI
Para realizar NDVI (Normalized Difference Vegetation Index), se efectuó en primera instancia
combinaciones de falso color (RGB) 543 en el programa Geomática PCI, para las imágenes TM
de los años 1986 y 2007; y para imagen MSS año 1975, se realizó una combinación de falso
color (RGB) 456, que son las bandas con que cuenta el Sensor.
Las combinaciones utilizadas dan importancia al componente vegetacional. La Banda 4 (0,76 a
0,90 micrones - infrarrojo cercano) es útil para la delimitación de cuerpos de agua, la Banda 5
(1,55 a 1,75 micrones - infrarrojo medio) es Indicativa del contenido de humedad de la
vegetación y del suelo, la Banda 6 (10,40 a 12,50 micrones - infrarrojo termal) es útil en el
análisis del stress de la vegetación y Banda 3 (0,63 a 0,69 micrones – rojo) absorbe de
clorofila, por tanto es útil para la clasificación de la cubierta vegetal.
Luego de esto, en el programa ERDAS, se lleva a cabo el procesamiento de valores que van de
0-1, los cuales son resultantes de la mezcla algorítmica automática reconocida por el software,
según sensor. De los cuales se consideran los valores máximos y mínimos cercanos al cauce,
en los distintos años, debido a que se buscó identificar la vegetación riparia, para interpretar
estabilidad del cauce, en torno a esta.
3. RESULTADOS
3.1 Expansión Urbana Para entender el conjunto de cambios teledetectados, es necesario relatar brevemente, el
aumento de la urbe, en torno a la ciudad de Ovalle. Esta pasa de ser una periurbe, a un centro
de urbanización, a partir del año 1831, ante la necesidad de crear un centro administrativo y
Latin American Remote Sensing Week 2010
P á g i n a | 162
de servicios para la población del amplio territorio de la cuenca del río Limarí, este se funda
adyacente a la caja del río, con un trazado ortogonal, que definió manzanas, el cual se fue
extendiendo en dirección Sur, poniendo presión sobre ribera derecha del cauce. Este aumento
es constatado, a partir de los siguientes cluster, los cuales corresponden a cuatro décadas.
Figura 1. Expansión Urbana, año 1976. Figura 2. Expansión Urbana, año 1986.
Figura 3. Expansión Urbana, año 1996. Figura 4. Expansión Urbana, año 2009.
3.2 Evolución Patrón de Escurrimiento A partir de la visualización de formas y colores (Chuvieco, 1995), se corrobora hipótesis
central de esta investigación, existe una evolución del cauce en estudio, pasando de
bradiforme a recto. En la Figura 5, se aprecia en recuadro 1, dos cauces entrelazados, los
cuales corresponden al año 1955, la evolución es visible en las imágenes, se destacan
hallazgos más significativos en recuadros. En el año 1996, se aprecia el cauce casi rectificado
en su totalidad, es en esta década, donde se comienza apreciar la presión de humana sobre sus
riberas.
1 2
Latin American Remote Sensing Week 2010
P á g i n a | 163
Figura 5. Fotografía Aérea, año 1955. Figura 6. Imagen Landsat MSS, año 1976.
Figura 7. Imagen Landsat TM, año 1986. Figura 8. Imagen Landsat TM, año 1996.
Figura 9. Ortofoto, año 2002. Figura 10. Imagen Landsat TM, año 2009.
3.3 Acumulación Sedimentos Al interpretar los DEM generados, se confirma lo supervisado en terreno, una acumulación de
sedimentos bajo puente Fiscal, que retiene meandro que se conserva hasta la actualidad
(Véase recuadros comparativos 1, dentro de Figuras 11-12 y Perfiles Transversales, Figuras
16-17). Además, se aprecia la extensión de sedimentos a lo largo de este tramo (Véase
recuadros comparativos 2, dentro de Figuras 11-12 y Perfiles Longitudinales, Figuras 14-15).
Esto se explica, por el cambio de la dinámica natural del río de “Zona de Transporte” a “Zona
de Acumulación” (Schumm, 1977), por construcción de sistema Embalse la Paloma, puesto en
funcionamiento en su totalidad el año 1969. Aquí se visualizan el trazado de perfiles más
significativos de un conjunto obtenidos en esta investigación.
3 4
5 6
Latin American Remote Sensing Week 2010
P á g i n a | 164
Figura 11. DEM 1955 Figura 12. DEM Aster
Figura13. Perfil Longitudinal, año 1955. Figura14. Perfil Longitudinal, año 2000.
Figura15. Perfil Transversal, año 1955. Figura16. Perfil Transversal, año 2000.
Complementariamente, se fotointerpretan los patrones fractales de bancos de sedimentos a través de los distintos años, los que explican en parte el comportamiento del cauce en torno a estos.
Figura 17. Evolución patrones de bancos de sedimentos.
1 1
2 2
Latin American Remote Sensing Week 2010
P á g i n a | 165
3.4 Vegetación Riparia La composición y estructura de ecosistemas ribereños están fuertemente ligadas a la
variabilidad hidrológica natural (Richter, B. et al, 2000).
Existe un patrón o corredor de vegetación riparia, que se ha mantenido durante el tiempo,
con mayor densidad en el área cercana a puente la Chimba, donde se obtiene una mayor
reflectancia de ella en las bandas del infrarrojo.
Es a partir de la rectificación del río hacia la ribera izquierda (Véase Figura 20), que este
índice se encuentra mayormente reflejado en las imágenes, puesto que el cauce, mantiene su
caudal en la actual dirección, sin variaciones.
Comparando el valor de este índice, se da mayor difusión de valores cercanos a 1 en imagen
TM 2007, respecto imágenes años anteriores 1975 y 1986 (Ver Figura 18 y 19). No obstante,
el valor mayor de este índice alcance sólo 0,319 (Vert Tabla 2).
La estabilidad del cauce, en el tramo del meandro cercano a puente Fiscal, que se mantiene
hasta hoy, no correspondería a la “firmeza” que le da la vegetación, puesto que índice NDVI en
esta zona, arroja los valores más bajos, sino que lo constituiría un depósito elongado de
material sedimentario adosado a la ribera derecha, que tampoco ante un evento extremo,
resultaría de soporte.
Figura 18. “NDVI, Landsat MSS, 1975”. Figura 19. “NDVI, Landsat TM 1986”.
Figura 20. “Índice NDVI, Landsat TM 2007”.
Latin American Remote Sensing Week 2010
P á g i n a | 166
Tabla 1. Normalized Difference Vegetation Index
Años Análisis
Máximo Mínimo
1975 0,529 -0,228
1986 0,596 -0,335
2007 0,319 -0,070
4. CONCLUSIONES
La rectificación e intervención antrópica del cauce y la expansión urbana sobre la ribera
derecha del río tiende a confinar la corriente hacia ribera izquierda causando su inestabilidad
dinámica en período de inundación.
Los cambios en el escurrimiento, inicialmente de un patrón anastomosado, trenzado a un
patrón meandriforme y recientemente recto se atribuyen a intervenciones humanas en su
estructura, principalmente con el embalsamiento de sus aguas que a factores climáticos.
Las obras ingenieriles de “protección” no ajustan a las características de ambiente semiárido.
Aquí, eventos extremos de precipitación máxima como los sucedidos los años 1957, 1972,
1984, 1997 y 2002, son posibles.
Esta aplicación de la teledetección pronostica para prevenir eventos extremos: un estudio
multitemporal logra identificar cual es la inestabilidad del lecho de inundación, permitiendo
definir puntos críticos o corredores de peligro, independiente del periodo conocido de
retorno de las lluvias, basado en la serie estadística utilizada en ingeniería.
El manejo del flujo para almacenar agua ha causado inadvertidamente una degradación
considerable de la biodiversidad asociada a ecosistemas riparios (planicies de inundación),
aguas arriba y abajo, a lo largo del tramo sinuoso estudiado.
La detección remota y su correspondiente control de campo de sedimentos de calibre
diferencial acumulados aguas arriba de la ciudad de Ovalle y el eventual desagüe de aguas
represadas constituyen suficiente motivo para una estudio y planes de ordenación del cauce y
urbanización.
5. REFERENCIAS
Arche, A., 1992. Sedimentología. Vol 1. España, Edit. Consejo Superior de Investigaciones Científicas. Chuvieco, E., 1995. Fundamentos de Teledetección Espacial. (2. ed.). España: Edit: Rialp, S.A.
Latin American Remote Sensing Week 2010
P á g i n a | 167
Leopold, L., Gordon M., Millar J., 1964. Fluvial Processes in Geomorphology. San Francisco: W. H. Freeman and Company.
Montgomery, D.R. y Buffington, J.M., 1993. Channel classification, prediction of channel response and assessment of channel condition. Washington State Department ofNatural Resources Report TFW-SH10-93-002, 86 p
Naiman, R.J.; Lonzarich, D.G.; Beechie, T.J. y Ralph, S.C. (1992) General principles of classification and the assessment of conservation potential in rivers. In: Boon, P.J.; Carlow, P. y Petts, G.E. (Eds.) River Conservation and Management, John Wiley & Sons,Chichester, 93-123.
Paskoff, R., 1993. Geomorfología de Chile Semiárido. (Le Chile semi aride: recherches géomorphologiques). Trad. Español E. Novoa, La Serena, Chile: Editorial: Universidad de la Serena.
Richter, B. D. and Richter, H. E. (2000), Prescribing Flood Regimes to Sustain Riparian Ecosystems along Meandering Rivers. Conservation Biology, 14: 1467–1478. doi: 10.1046/j.1523-1739.2000.98488.x
Schumm, S. A., 1977. The Fluvial System. Estados Unidos, Edit. Vide, J. P. ,1997. Ingeniería Fluvial. Colombia, Edit. Escuela Colombiana de Ingeniería.
AGRADECIMIENTOS
Se agradece, el aporte de los distintos organismos públicos que nos entregaron las herramientas técnicas y estadísticas, que sin las cuales hubiese sido imposible la realización de esta investigación, nos referimos a la Centro de información de Recursos Naturales (CIREN) e Instituto Geográfico Militar (IGM), por el material visual referido a la zona de estudio y a la Dirección General de Aguas (DGA), quien nos entregó el material estadístico referido a los datos de precipitación y caudales de la localidad de Ovalle.
Latin American Remote Sensing Week 2010
P á g i n a | 168
22.- ANALISIS MULTITEMPORAL DEL USO Y COBERTURA DEL SUELO EN EL VALLE DE CASABLANCA MEDIANTE IMÁGENES DE SATELITE 1
Fernando Pino Silva
Departamento de Geografía, Universidad de Chile
[emailprotected]
Pamela Smith
Departamento de Geografía, Universidad de Chile
[emailprotected]
Resumen: A partir de imágenes de satélite procesadas digitalmente se realiza un análisis de la cobertura y uso del suelo de un valle agrícola modernizado en Chile Central. Se busca determinar la evolución del uso del suelo en los próximos diez años, en base al comportamiento actual y pasado de la utilización de la tierra, para lo cual se complementa el método mediante la incorporación de modelos estocásticos del tipo cadenas de Markov de primer orden y luego se procede a mapear la distribución espacial proyectada, mediante autómatas celulares. La información generada permitirá estimar futuras demandas de mano de obra en función de los cultivos predominantes y usar estos antecedentes para contribuir en la elaboración de planes de desarrollo local en el área. Abstract: From digitally processed satellite images, an analysis of land cover and land use a modernized agricultural valley in Central Chile. We seek to determine the evolution of land use in the next ten years, based on current behavior and past land use, for which the method is complemented by the incorporation of stochastic models of type Markov chains of first order and then proceed to map the spatial distribution projected by cellular automata. The information generated will estimate future labor demands in terms of the main crops and use this background to help in the preparation of local development plans in the area. Palabras Claves: Desarrollo local, uso y cobertura del suelo, cadenas de markov, detección
de cambios.
1. Introducción
La búsqueda de un desarrollo para los territorios capaz de hacer compatible la
competitividad de sus empresas con el mantenimiento de su población, así como mayores
cuotas de bienestar, sustentabilidad ambiental y respeto por el patrimonio cultural heredado,
constituye un reto para actores sociales y responsables públicos desde hace décadas. En este
contexto, identificar las estrategias más adecuadas para impulsar la dinámica de las regiones
atrasadas, las ciudades pequeñas y las áreas rurales, junto con las actividades tradicionales y
las pequeñas empresas, constituye una línea de investigación de interés teórico y operativo
que exige la colaboración de diferentes perspectivas profesionales. Aquí la elaboración de
planes de desarrollo local se constituye en un aporte necesario, deseable, sin embargo, la
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 169
elaboración de estos requiere un conocimiento amplio y detallado de los recursos y patrones
de uso del suelo, en particular cuando se trata de un valle agrícola.
2. Área de Estudio
Con una superficie de 952,5 Km2 y una población estimada al año 2008 de 27.751
habitantes, la comuna de Casablanca representa una zona importante desde el punto de vista
productivo en el contexto de la Región de Valparaíso. Actualmente es considerada como una
de las comunas con mayor vocación vitivinícola en la Provincia, alcanzando una gran
dinámica en la última década, debido a la incidencia directa de variables endógenas como la
dotación de los recursos suelo, agua y clima, así como por variables externas de demanda
constante y precios internacionales que garantizan niveles de rentabilidad superiores a los de
la agricultura tradicional, provocando con esto un incremento significativo en su superficie
con viñedos para vinificación, que junto con modernizar el espacio rural ha estimulado la
valorización de la tierra, favoreciendo dicha reconversión (Pino, 2008).
3. Proyecto IPGH / OEA 2.1.2.3.4
En el contexto del actual proceso de globalización Chile se ha caracterizado por la generación
de divisas y de empleo vinculado a las actividades primarias y distribución hacia los
mercados externos de frutas, pescados, y productos silvícolas. Lo anterior ha sido
denominado como la fase de modernización de la agricultura de nuestro país, la que se ha
caracterizado por la aparición de otros procesos asociados que se presentan encadenados y
relacionados tales como los cambios de uso del suelo y la incorporación de nuevas tierras a
los sistemas productivos locales, ambos con un fuerte carácter temporal y territorial, y a los
cuales se debe agregar la innovación tecnológica, reconversión productiva y orientación
productiva (Pino, 2007).
4. Objetivos
El objetivo fundamental es analizar la dinámica de cambios en el Valle de Casablanca, con la
finalidad de proyectar futuras tendencias, es decir, predecir aproximadamente la expansión
de determinados cultivos en los próximos 10 años, principalmente aquellos considerados
claves debido a la incidencia que tienen en las demandas de mano de obra.
También se busca generar modelos cartográficos que muestren la localización en la comuna
de las diferentes coberturas de uso, lo cual nos permitirá establecer zonas con diferentes
niveles de productividad y conocer su relación espacial con la localización de la población
que constituye la mano de obra. A lo anterior, debe agregarse en el futuro, la definición de
probables circuitos de agroturismo vinculados a las actividades productivas del valle.
5. Método y Materiales
La metodología se apoya en el procesamiento digital de tres imágenes (1989,1998 y 2008)
del satélite LANDSAT 7 TM, con resolución espacial de 30 metros, bajadas del sitio de la
Latin American Remote Sensing Week 2010
P á g i n a | 170
Universidad de Maryland. Las fechas de las imágenes se extiende entre enero febrero y marzo
respectivamente. Dichas imágenes fueron preprocesadas (correciones radiométricas) con la
finalidad de facilitar la comparación entre las tres fechas y luego procesadas con el software
IDRISI Kilimanjaro, los modelos cartográficos derivados de las imágenes se terminaron con
ArcGis 9.3.
Se contó además con la cartografía regular 1: 50.000 del IGM en formato digital, la que fue
utilizada para realizar la corrección geométrica de cada una de las imágenes, todas las bandas
fueron georeferenciadas en el programa Arcgis 9.3, usándose para dicho efecto un polinomio
de primer orden. El sistema de proyección seleccionado corresponde a la UTM (Universal
Tranversal de Mercator) y el elipsoide de referencia elegido para todas las imágenes y los
modelos finales es el WGS 84.
Durante el proceso de georeferenciación se alcanzaron valores de RMS inferiores al tamaño
de los pixeles de las imágenes, el error promedio de la georeferenciación para las imágenes
Landsat fue de 19.5 metros por lo cual, esta etapa se cumplió satisfactoriamente
obteniéndose muy buenos ajustes entre la cartografía base y cada una de las imágenes. Para
apoyar el levantamiento de los puntos de control en terreno, algunos de los cuales se usaron
posteriormente para apoyar las clasificaciones digitales se usó un GPS modelo Garmin map
76CS. Estos puntos sirvieron en la etapa de clasificación supervisada ya que varios de los
sitios o áreas de entrenamiento son coincidentes con estos puntos.
Para optimizar las clasificaciones se procedió previamente a generar una máscara,
excluyendo todos aquellos sectores localizados sobre una cota definida por la máxima altura
a la que se extienden los cultivos (viñas) y que es relativamente variable al interior del valle,
dependiendo de la topografía y exposición de laderas. De este modo, los valores externos al
límite definido fueron clasificados como cero (0) y los valores digitales al interior de dicho
límite como uno (1), estos últimos permiten en definitiva establecer el límite del área de
estudio, el cual es coincidente con la zona productiva del valle, es decir, aquella donde se
localizan las actividades silvoagropecuarias (35.150 hás.). Al multiplicar la máscara así
generada con cada una de las imágenes, se deja fuera aquella zona que produce más ruido en
la clasificación, reduciendo de este modo la confusión entre las firmas espectrales de cada
cobertura.
Posteriormente se procedió a realizar el procesamiento digital orientado a definir el uso del
suelo para las fechas consideradas (1989, 1998 y 2008) mediante clasificaciones no
supervisadas y supervisada, quedando finalmente definidas 6 clases de cobertura, enseguida
en una de las fases más interesantes de acuerdo con los objetivos, se procede a la aplicación
de cadenas de Markov y Autómatas celulares. El análisis de la dinámica de cambios de uso
mediante la aplicación de estos modelos se hace asumiendo que dicha dinámica tiene un
comportamiento que se puede explicar como un proceso estocástico, mediante una cadena de
Markov de primer orden. Los Sistemas de uso de la tierra son sistemas complejos con
múltiples procesos de cambio. Cada proceso de cambio tiene su propio algoritmo de
evolución y su interconexión puede cambiar con el tiempo (Hang y Andersson, 2004). El
Latin American Remote Sensing Week 2010
P á g i n a | 171
proceso Markov se lleva a efecto mediante operaciones entre matrices, pudiendo hacerse de
forma automatizada, con el software apropiado obteniéndose de este modo una matriz de
probabilidades de transición a partir de la matriz de conteo de Scherer (1972), generada de la
tabulación cruzada de los datos de dos fechas que tienen las mismas categorías de uso en la
clasificación. A partir de la matriz de probabilidades de transición o de tabulación cruzada
proporcional, se genera la matriz de probabilidades condicionales que permite hacer el
pronóstico de los cambios en función de las probabilidades de cambio.
De esta forma, cada una de las celdas de la diagonal principal de la matriz representa la
superficie (en hectáreas) de cada clase de cobertura vegetal y uso del suelo que permaneció
en la misma categoría en el período de tiempo considerado, mientras que el resto de las
celdas estiman la superficie de una determinada cobertura o tipo de uso de suelo que pasó a
otra categoría (Aaviksoo, 1995; Bocco et al., 2001). Por otra parte, los autómatas celulares
(AC), proporcionan una poderosa herramienta para la modelización dinámica de los cambios
de uso del suelo, consisten en un método común para tomar en cuenta las interacciones
espaciales. Se trata de sistemas dinámicos discretos cuyos elementos tienen una interacción
constante entre sí, tanto en el espacio como en el tiempo y tienen por tanto la capacidad de
representar comportamientos complejos a partir de una dinámica sencilla. De acuerdo con
Kumar (2003), los autómatas celulares son modelos dinámicos que integran inherentemente
una dimensión espacial y una temporal, reciben su nombre debido a que se componen de
células, como las celdas de un tablero de ajedrez, y los estados de cada célula pueden
evolucionar en función de unas reglas de transición simple. La fase descrita culmina con la
aplicación del modulo de análisis multicriterio que facilita la aplicación de las reglas, modulo
que también se encuentra disponible en el software IDRISI.
6. Resultados y Discusión
Mediante el procedimiento descrito se obtiene una caracterización detallada de los usos y
coberturas predominantes, su superficie y los cambios fundamentales ocurridos durante el
período analizado, así como unos mapas que muestran la localización de las futuras
coberturas en el valle, información que será considerada en la elaboración de un plan de
desarrollo local, debido a la importancia que estos datos revisten para evaluar las sugerencias
y probables usos competitivos del suelo.
De acuerdo al trabajo de terreno, análisis visual y luego clasificación de las imágenes de
satélite, las coberturas vegetales predominantes en los fondos de valle se relacionan con el
uso del suelo agrícola. En laderas de solana y umbría la cobertura predominante tiene que
ver con el predominio de vegetación natural, propia del bosque esclerófilo mediterráneo de
Chile Central (Foto 1).
Latin American Remote Sensing Week 2010
P á g i n a | 172
Foto 1. Bosque esclerófilo en laderas y uso agrícola en fondo de valle, vista hacia el sur de la localidad de Casablanca,
desde el sector Orrego.
Tal como se mencionó anteriormente, los fondos de valle se caracterizan por concentrar la
actividad silvoagropecuaria del área de estudio, destacando por una parte el cambio de uso
desde actividades típicas de una agricultura tradicional en los años 80, hacia unos usos en los
que predomina el viñedo orientado a la producción de vino para exportación en el presente y
que en algunos sectores se presenta casi como un monocultivo (Foto 2).
Foto 2. Viñedos en los predios de Veramonte, próximos
a la ruta 68 que conecta Valparaíso y Santiago.
A partir de la clasificación se definieron desde las imágenes las siguientes clases de uso del
suelo:
a) Agricultura tradicional (chacras, hortalizas, cereales, pastos)
b) Asentamientos poblados (ciudad, pueblos, villorrios, caseríos)
c) Bosque (plantado, principalmente en sectores bajos)
d) Cobertura Natural (principalmente Bosque esclerófilo, hierbas y matorral arbustivo
del tipo acacia caven en laderas de diferente exposición)
Latin American Remote Sensing Week 2010
P á g i n a | 173
e) Tranques (cuerpos de agua embalsada para riego)
f) Viñas (principalmente cepas blancas, cabernet sauvignon y Chardonay)
Realizado el análisis y clasificación de las imágenes se construye la tabla 1, que muestra los
cambios más significativos entre los diferentes años y también el porcentaje de cambios
entre el año inicial del período (1989) y el año final (2008).
Tabla 1. Superficies y cambios porcentuales 1989 – 2008 USO DEL
SUELO
1989 % 1998 % 2008 % %
cambio
Agric. Tradic 7898,8 22,5 8481,4 24,1 3611,3 10,3 -54,3
Asent. Poblad. 245,5 0,7 478,3 1,4 771,26 2,2 214,16
Bosque plant. 1758,3 5,0 1529,5 4,4 1657,9 4,7 -5,71
Cober.natu. 24708,1 70,3 20367,5 57,9 20249 57,6 -18,05
Tranque 209,8 0,6 216,9 0,6 449,2 1,3 114,11
Viñas 329,2 0,9 4076,0 11,6 8411,4 23,9 2455,1
Totales 35150 100 35149,7 100 35150 100 1989 -
2008
Fuente: Procesamiento digital imágenes LANDSAT.
Las coberturas han presentado cambios muy significativos durante el período, destacando las
disminuciones de superficie que afectan a la agricultura tradicional, lo que se explica por un
proceso de reconversión hacia cultivos de exportación, como las viñas en el caso del valle, el
cambio va desde un 0.9 % de la superficie productiva (35.000 hás. aprox.) comunal dedicada
a viñas, hasta un 23.9 % en el año 2008. También es interesante observar como la superficie
destinada a la creación de tranques destinados a almacenar agua para riego (0.6 %) aumenta
al doble (1.3 %), lo que se explica por el aumento de la superficie plantada con viñas y por
ende, un aumento de las demandas de agua particularmente durante el período estival.
Una de las dificultades que debe enfrentar el valle para hacer sostenible el enorme
crecimiento de la actividad vitivinícola, es la disponibilidad del recurso agua, situación que se
ha visto agravada con la sequía de los últimos años. De acuerdo con la tabla 1, el incremento
de superficie con viñas para todo el período supera el 2000 %, lo cual explica el notable
aumento de las demandas hídricas, provenientes fundamentalmente de la captación del agua
subsuperficial a partir de pozos, situación que durante los últimos años se ha traducido en
una disminución del nivel freático, generándose un nivel de incertidumbre respecto del riego,
que ni siquiera el riego por goteo, modalidad de predominante, ha sido capaz de mitigar. En
este contexto la construcción de tranques de almacenamiento de agua proveniente de la
precipitaciones viene a subsanar en parte las demandas estivales del recurso agua.
Latin American Remote Sensing Week 2010
P á g i n a | 174
Con la finalidad de validar la aplicación del modelo de Markov se realizó en una primera
etapa una simulación para el año 2008 (tabla 2) a partir de los años 1989 y 1998 y luego
después de observar una buena coincidencia con los datos obtenidos de la clasificación,
destacando un tendencia a sobrestimar algunas superficies, se procedió a realizar la
simulación para el año 2020, obteniéndose la matriz de probabilidades de cambio que se
muestra en la tabla 3.
Tabla 2. Matriz Probabilidades de Cambio (1989 – 1998) para 2008
Usos Agr. Tradic. Asent.Pob. Bosq. Plant. Veg.Natural Tranque Viñas
Agr. Tradic. 0.6246 0.0148 0 0.1214 0.0014 0.2378
Asent.Pob. 0.0312 0.9688 0 0 0 0
Bosq. Plant. 0.1095 0.0013 0.3614 0.5154 0.0047 0.0076
Veg.Natural 0.1303 0.005 0.0339 0.7485 0.0011 0.0813
Tranque 0.0992 0 0 0.0782 0.8093 0.0133
Viñas 0.0514 0 0 0.0478 0 0.9008
Fuente: Procesamiento digital imágenes LANDSAT.
En esta matriz destaca por una parte la probabilidad hacia una estabilidad o menor velocidad
de cambio estimada por el modelo para las categorías asentamientos poblados (p = 0.96),
vegetación natural (p = 0.74), tranque (p = 0,80) y viñas (p = 0.93). Por otra parte se refleja
extraordinariamente bien el cambio desde uso agrícola a viñas (p = 0.23). La estimación
markoviana para el año 2020 (tabla 3) es quizás más impactante, destacando la probabilidad
de cambio desde agricultura tradicional hacia viñas (p = 0.52) y desde bosque plantado a
vegetación natural (p = 0.51) lo que podría explicarse por regeneración del matorral
esclerófilo, en zonas cuya cubierta de bosque plantado es explotada y no se aplica plan de
reforestación.
Probablemente lo más interesante es que los aportes al incremento de las viñas en los
próximos 10 años, deberían venir por un lado, desde un aumento de la reconversión de la
agricultura tradicional (p = 0.52) y desde la vegetación natural (p = 0.09), la que está siendo
reemplazada en laderas de solana por viñedos, proceso que se ha incrementado
notablemente durante los últimos tres años en los sectores de la vinilla y otros cercanos.
Latin American Remote Sensing Week 2010
P á g i n a | 175
Tabla 3. Matriz Probabilidades de Cambio (1989 – 2008) para 2020
Usos Agr. Tradic. Asent.Pob. Bosq. Plant. Veg.Natural Tranque Viñas
Agr. Tradic. 0.324 0.0287 0 0.1067 0.0152 0.5255
Asent.Pob. 0.0084 0.9761 0 0.004 0 0.0115
Bosq. Plant. 0.0041 0 0.4788 0.5112 0.0059 0
Veg.Natural 0.0657 0.0042 0.035 0.8071 0.0024 0.0856
Tranque 0 0 0 0.0246 0.9497 0.0257
Viñas 0.0131 0.019 0 0.0344 0 0.9336
Fuente: Procesamiento digital imágenes LANDSAT.
Finalmente, con los datos derivados de la simulación y estimación de probabilidad de cambio
hacia 2020 se construye la tabla 4, la que muestra cambios notables en la estructura de uso
para los próximos 10 años. Los cambios más significativos afectan a la agricultura tradicional
cuya superficie para todo el período disminuye en un 67,27% , se observa un aumento de un
340 % en la superficie ocupada por la ciudad y otros asentamientos poblados (incremento del
proceso de urbanización) y las viñas siguen aumentando superficie llegando a constituir el
cultivo más extenso en el Valle.
Tabla 4. Superficies y cambios porcentuales 1989 – 2020
USO DEL
SUELO
1989 % 1998 % 2008 % 2020 % %
cambio
Agric. Tradic 7898,8 22,5 8481,4 24,1 3611,3 10,3 2585 7,4 -67,27
Asent. Poblad. 245,5 0,7 478,3 1,4 771,26 2,2 1081 3,1 340,32
Bosque plant. 1758,3 5,0 1529,5 4,4 1657,9 4,7 1527 4,3 -13,15
Cober.natu. 24708,1 70,3 20367,5 57,9 20249 57,6 17791 50,6 -27,99
Tranque 209,8 0,6 216,9 0,6 449,2 1,3 536,1 1,5 155,53
Viñas 329,2 0,9 4076,0 11,6 8411,4 23,9 11630 33,1 3432
Totales 35150 100 35149,7 100 35150 100 35150 100 1989 -
2020
Fuente: Procesamiento digital imágenes LANDSAT.
A continuación se puede apreciar en los mapas 1 y 2 la distribución espacial de las diferentes
categorías de uso del suelo, ambos derivados de la clasificación de las imágenes LANDSAT de
los años 1989 y 2008. Se puede observar los importantes cambios en las coberturas en ambos
Latin American Remote Sensing Week 2010
P á g i n a | 176
mapas, el aumento de la superficie con viñas entre 1989 y 2008 es notable, importantes
superficies en los fondos de valle han pasado de agrícola a viñedos.
Mapa 1.
Fuente: Procesamiento digital imágenes LANDSAT.
Mapa 2.
Fuente: Procesamiento digital imágenes LANDSAT.
Latin American Remote Sensing Week 2010
P á g i n a | 177
7. Conclusiones
De acuerdo a la información proporcionada por los mapas elaborados desde las imágenes
satelitales clasificadas y considerando la proyección de los cambios a partir de la aplicación
de las cadenas de markov y autómatas celulares, es posible advertir una disminución
considerable de las tierras dedicadas a la agricultura tradicional, la que se da con mayor
intensidad hacia el norte de la ruta que conecta Santiago con Valparaíso.
La localización de la actividad vitivinícola principalmente hacia el lado norte de la ruta 68, ha
traído como resultado un paisaje rural modernizado con grandes posibilidades de
consolidarse como ruta de agroturismo. En los valles ubicados desde este lado de la ruta se
encuentran las áreas con mejores expectativas para mantener y quizás aumentar en el futuro
las demandas de mano de obra otorgando de este modo mejores posibilidades de empleo a la
población rural.
La utilización de imágenes de satélite se puede considerar como una herramienta confiable
para conocer el uso del suelo actual y la incorporación de modelos predictivos del tipo
cadenas markovianas y autómatas celulares complementa notablemente la potencialidad
analítica de la Percepción Remota, contribuyendo a esbozar situaciones de futuro con niveles
de confianza relativamente aceptables considerando las limitaciones que presentan estos
modelos. En el futuro debe explorarse la posibilidad de usar imágenes hiperespectrales, para
buscar aquella composición de bandas que reduzca más significativamente el ruido generado
por la confusión de las firmas espectrales, debido al nivel de generalización que introduce el
uso de las composiciones falso color convencional usando imágenes con la resolución
espectral del satélite Landsat.
Quizás la tendencia de los modelos a sobredimensionar los valores de superficie de algunas
de las categorías reduce en parte la capacidad de pronóstico, aspecto que seguramente podría
mejorar si se usa imágenes de mejor resolución espacial. A pesar de esto, sin embargo, no se
afecta la posibilidad de obtener una aproximación global acerca de las tendencias futuras de
utilización de la tierra, lo cual evidentemente siempre será considerado como un aporte
interesante para la planificación y para definir estrategias de desarrollo local en un territorio
caracterizado por su ruralidad.
Una de las coberturas que muestra para todo el período 1989 – 1998 – 2008 y luego en el
pronóstico hacia 2020 una tendencia a la disminución de superficie es la vegetación natural,
cobertura que de acuerdo a los antecedentes de terreno ha sido reemplazada por
plantaciones de viñas en laderas de solana e inclusive de umbría, lo que en la práctica
representa una expansión de la frontera agrícola en el valle, incorporándose al sistema
productivo tierras con fuertes pendientes, sin vocación agrícola, pero con grandes
expectativas para la producción de vides. De acuerdo con lo anterior, y si se relaciona este
aumento de la superficie plantada con vides y los requerimientos de mano de obra de esta
actividad, entonces debería esperarse incrementos en las demandas de mano de obra, en el
mediano plazo.
Latin American Remote Sensing Week 2010
P á g i n a | 178
Si consideramos algunas referencias según las cuales los requerimientos de mano de obra en
el cultivo de la vid pueden estar cerca de 548.5 horas/hombre/Hás/año (Perlbach, Calderón y
Ríos, 2005) y por otra parte, otro estudio (Neiman, 2007) que nos presenta una estimación de
demanda de trabajo en un establecimiento típico dedicado a la producción de uvas de alta
calidad enológica según el cual, una hectárea requiere 317 horas/año de trabajo (equivalente
a 40 jornales/año de 8 horas cada uno) para completar todas las tareas requeridas por el
ciclo de cultivo, es posible hacer algunas estimaciones más bien optimistas, pero con
precaución debido a las debilidades del modelo, en cuanto al impacto sobre las demandas de
mano de obra que puede significar el aumento de la superficie con vides en los próximos 10
años.
8. Bibliografía
Aaviksoo, K.1995. Simulating vegetation dynamics and land use in a mire landscape using a
Markov Model, Landscape and Urban Planning 31 129 – 142.
Hang, X. y Andersson, C. 2004. Assessing the impact of temporal dynamics on land-use change
modeling Computers, Environment and Urban Systems, 28 (2004) 107–124
Jensen, J.R., 1996. Introductory Digital Image Processing, a Remote Sensing Perspective,
Prentice Hall Series in Geographic Information Science, Keith C. Clarke, Series Editor, Second
Edition.
Neiman, G., 2007. Aspectos Sociales del Desarrollo Empresarial en la agricultura intensiva de
Argentina. Primer Seminario de Cooperación y Desarrollo en Espacios Rurales
Iberoamericanos. Sostenibilidad e Indicadores.
Kumar, 2003. Modelling Land Use cover changes using cellular Automata in a Geo Spatial.
Thesis submitted to the International Institute for Geo-information Science and Earth
Observation in partial fulfilment of the requirements for the degree of Master of Science in
Geoinformatics.
Perlbach,I., Calderón, M., y Ríos,M., 2005. La generación de empleo en la cadena vitivinícola a
través de la Matriz Insumo Producto, Séptimo Congreso Nacional de Estudios del Trabajo,
Facultad de Ciencias Económicas. Universidad Nacional de Cuyo. Centro Universitario.
Pino, F., 2008. Evaluación del cambio de uso del suelo en el Valle de Casablanca, Anales de la
sociedad Chilena de Ciencias Geográficas, ISSN0717 – 3946, Santiago, Chile.
Pino, F., 2007. Use Geographical Information Systems (GIS) in the evaluation dynamics and
changes in the rural landscape Central Chile, Publicado en Proceedings International
Cartographic Conference, Moscú, Rusia. Pags. 159 – 169.
Scherer, W. 1972. Aplicación de cadenas de Markov a la sedimentación cíclica de la formación
oficina. Cuarto Congreso Geológico Venezolano. Ministerio de Minas e Hidrocarburos,
Caracas.
Latin American Remote Sensing Week 2010
P á g i n a | 179
23.- TELEDETECCION EN ANALISIS DE ISLAS TÉRMICAS EN ZONAS URBANAS CASO SANTIAGO DE CHILE
Enrique Blondel Especialista en Teledetección
Ottawa Ontario Canadá
http://upload.wikimedia.org/wikipedia/commons/6/6f/Santiagocontaminado.jpg
Latin American Remote Sensing Week 2010
P á g i n a | 180
Introducción
Intensas y prolongadas olas de calor se registraron en las ciudades de Paris, Francia en Agosto 2003 y Moscu, Rusia en Julio del 2010 registrándose 14.802 y 700 fallecimientos respectivamente. Otras aglomeraciones humanas en el mundo han experimentado similares situaciones,
Figura 1. http://www.washingtontimes.com/news/2010/aug/9/amid-smog-moscow-deaths-double-700-day/
Santiago de Chile por sus características geográficas no escapa a este fenómeno climático. La canícula vivida en el último verano del 2010 así lo demuestra. Las Olas de Calor son consideradas como el tipo más letal de fenómeno climático superando en número de victimas abiertamente a los causados por Inundaciones y Huracanes juntos. Similares situaciones se han reproducido en las ciudades de Chicago en 1995 resultando en un balance de 700 victimas, el Noreste de Estados Unidos en 1972 con 900, Europa Occidental en 2003 con un total de 35.000 incluyendo los casi 15.000 decesos de Francia.
El caso de Santiago de Chile, reviste una notoria
Latin American Remote Sensing Week 2010
P á g i n a | 181
importancia debido a su vulnerabilidad a otros riesgos naturales como el sísmico, el cual pudiese presentarse simultáneamente durante un probable evento de Ola de Calor. La generación de Islas Térmicas en medios Urbanos es un problema crónico que tiene origen primordialmente en la implementación y practica de regulaciones urbanísticas no cónsonas con la realidad que han introducido los recientes patrones de interacción demográfica y el cambio climático en las ciudades. Así el problema tiene raíces en el plan regulador del Uso del Suelo, por lo tanto modificar, adaptar y hacer aplicar de forma constructiva e innovadora las actuales regulaciones normativas Urbanas con la ayuda de recursos como la Teledetección, los Sistemas de Información Geográfica y otras disciplinas, potenciarían el incremento en la calidad de vida de los habitantes de las ciudades, sobre todo las capas de población mas vulnerables.
Figura 1. Plan Regulador de la Región Metropolitana de Santiago de Chile cortesía del Ministerio de Vivienda y Urbanismo de Chile.
El presente trabajo investigativo propone una orientación práctica sobre el uso de las Bandas Térmicas de las Imágenes Satelitales Aster y Landsat 7 en la caracterización espacio temporal del fenómeno de generación de Islas Térmicas a través de la estimación de Temperaturas de Superficie. A través de un conjunto de datos tanto históricos, como tabulares y geoespaciales
gentilmente cedidos por diferentes instituciones tanto Chilenas como extranjeras, han hecho
posible el desarrollo de este trabajo de investigación en el cual el procesamiento
Latin American Remote Sensing Week 2010
P á g i n a | 182
principal en la obtención de los resultados, se ha basado en la aplicación de conocimientos
previamente probados en otros casos como Montreal Canadá y Washington D.C. Estados
Unidos.
Imagen de alta resolución Santiago de Chile cortesía de GeoEye Foundation
Latin American Remote Sensing Week 2010
P á g i n a | 183
Que son Islas Térmicas?
Son Isotermas que indican áreas de calor relativo por encima de la capa superficial en regiones urbanas y que están directamente asociadas a áreas perturbadas por intervención humana a causa del proceso continuo de urbanización. Las Islas Térmicas por si mismas pueden contribuir nocivamente en deteriorar la calidad del aire y el agua potable por el incremento de los índices de contaminación, así como en aumentar las emisiones de gas de efecto invernadero, además de conllevar a un exceso del consumo energético y que, en consecuencia de todo lo anterior, pueden ocasionar graves lesiones respiratorias y cutáneas en los seres vivos y hasta la muerte.
Domo de calor urbano (http://landsat.gsfc.nasa.gov/graphics/news/sci0025_heat-island-profile.jpg)
La magnitud en la generación de las Islas Térmicas puede ser amplificada en eventos de Olas de Calor intensas y prolongadas. La disposición actual de los patrones urbanísticos igualmente evita que las corrientes de aire fluyan libremente dentro de las ciudades impidiendo el proceso de Convección Térmica o el flujo normal de transferencia de calor. Evitar, Minimizar y en último caso Mitigar las causas que dan origen a este fenómeno es responsabilidad de todas las instancias decisorias y reguladoras de la Planificación Urbanística en las ciudades, en conjunción con sus habitantes.
Recursos Valiosos del uso de la Teledetección en la investigación de Islas Térmicas
La estimación de Temperaturas de Superficie a partir de las bandas térmicas disponibles en los satélites Landsat 7 y Aster se logra a través de la implementación de algoritmos particulares a cada sensor, cuyo objetivo es convertir los valores digitales de imagen a valores
Latin American Remote Sensing Week 2010
P á g i n a | 184
de radiancia espectral para luego procesarlos y llevarlos a valores de temperatura de brillo captado por el sensor.
Recursos Valiosos del uso de la Teledetección en la investigación de Islas Térmicas
La estimación de Temperaturas de Superficie a partir de las bandas térmicas disponibles en los satélites Landsat 7 y Aster se logra a través de la implementación de algoritmos particulares a cada sensor, cuyo objetivo es convertir los valores digitales de imagen a valores de radiancia espectral para luego procesarlos y llevarlos a valores de temperatura de brillo captado por el sensor.
Satélite Landsat 7
Satélite Terra Aster
Las bandas utilizadas para el procesamiento son la 6 (Low Gain) en Landsat 7 y la banda 13 en Aster, ambas tienen en común similares rangos en sus longitudes de onda. El algoritmo monocanal, usado en la estimación de temperaturas a través de la banda térmica infrarroja 13 del sensor Aster, tiene como concepto el inverso de la ecuación de la ley de Planck y el concepto de efectividad de longitud de onda. (A Single-Channel Algorithm for Land-Surface Temperature Retrieval from ASTER Data. Juan C. Jiménez-Muñoz y José A. Sobrino)
Comparación de bandas entre Landsat 7 y Aster Cuatro pares de imágenes Landsat 7 y Aster de igual fecha de adquisición y hora, cada uno,
fueron obtenidos para el estudio; el par correspondiente al 9 de febrero del 2005 fue
Latin American Remote Sensing Week 2010
P á g i n a | 185
seleccionado por presentar este día una temperatura ambiental máxima de 260C a las 11:00
AM horal local (www.wunderground.com), representando condiciones ideales para el
presente estudio.
Imagen raster Landsat 7 (Banda 6 low) de Temperaturas de Superficie
Imagen raster Aster (Banda 13) de Temperaturas de Superficie
Comparando los resultados de estimación de temperaturas de ambas imágenes térmicas nos encontramos con resultados bastante parecidos. Igual patrón se observó en los otros pares de Imágenes, por lo tanto se puede inferir que, para estimación de temperaturas, ambos sensores ofrecen resultados casi similares.
Latin American Remote Sensing Week 2010
P á g i n a | 186
Imagen raster diferencia de Temperaturas Landsat 7 y Aster Sin embargo Aster sobreestima ligeramente las temperaturas con respecto a Landsat 7 sobre todo en sitios desprovistos de vegetación como se evidencia al verificar con respecto al raster obtenido en el procesamiento de Índice de Vegetación de Diferencia Normalizada (NDVI).
Índice de Vegetación de Diferencia Normalizada (NDVI)
Landsat 7 estima las temperaturas de forma más precisa por su mejor resolución espacial de 60 metros con respecto a Aster (90 metros), también ofrece una gran exactitud y resolución radiométrica. Es importante mencionar que debido a una falla mecánica que presenta el corrector de escaneamiento lineal desde el 31/05/2003, y cuya función de diseño es la de compensación por movimiento de avance, las imágenes presentan un patrón de zig-zag, lo que conlleva a que presenten zonas que han sido doblemente captadas mientras que otras no lo han sido durante el proceso de adquisición, conllevando a perdida de información.
Latin American Remote Sensing Week 2010
P á g i n a | 187
Imagen Landsat 7 en modo desactivado del corrector de escaneo lineal
Interpretación resultados Estimación de Temperaturas
Tres imágenes rasters correspondientes a las de estimación de Temperaturas de Landsat 7 y Aster, y otra correspondiente a los valores de Índice de Vegetación de Diferencia Normalizada (NDVI), fueron fusionadas y cada una de sus bandas exportadas a un procesador estadístico para medir su correlación.
TEMP L7 TEMP ASTER NDVI
TEMP L7 1.000
TEMP ASTER 0.612 1.000
NDVI -0.537 -0.322 1.000
Correlación de valores de Temperaturas Superficiales y NDVI
Se puede observar en la tabla anterior y en los gráficos que se muestran a continuación, que los valores estimados de temperatura calculados a partir de la imagen Landsat 7 se correlacionan mejor con respecto a los valores de NDVI en relación a su par de Aster.
Latin American Remote Sensing Week 2010
P á g i n a | 188
Variación de Temperaturas Superficiales estimadas por Landsat 7 y Aster en relación al Índice de Vegetación Normalizado.
A partir de la estimación de Temperaturas Superficiales de la imagen Landsat 7 del 9/02/2005 podemos analizar, en la práctica, como se generan las Islas Térmicas en diferentes puntos geográficos de la ciudad de Santiago de Chile. En la figura siguiente se muestra como una cubierta de techo con bajo albedo con respecto a una de alto albedo, la diferencia es hasta de 30 ºC en días típicos soleados veraniegos.
Diferencia de Temperaturas entre cubiertas de techos con Albedos opuestos (Fuente: Guidelines for Selecting Cool Roofs U.S. Department of Energy)
Latin American Remote Sensing Week 2010
P á g i n a | 189
Análisis visual y comparativo de los resultados.
Temperaturas de Superficie Landsat 7 y generación de Islas térmicas
Localización geográfica de emplazamientos en donde se forman Islas Térmicas
Zonas cercanas a Ave. Libertador O’Higgins con Gral. Velásquez presentan aumentos de
temperatura ambiental de hasta 39 ºC debido a la aparición de Islas Térmicas adyacentes a
edificaciones con techos de bajo albedo que exhibe en este caso una temperatura superficial
de 44 ºC. Caso contrario a las adyacencias de la Quinta Normal y el Centro de Eventos
MoviStar Arena, en donde las temperaturas superficiales alcanzan valores de la temperatura
ambiente promedio de la hora de adquisición de la imagen o ligeramente superiores. Véase
44oC
39oC
33oC 18oC
Ave. Libertador O’Higgins
Quinta Normal
Ave. Irarrázabal Con Suecia Ñuñoa
Centro Eventos Movistar Arena
Ave. Carlos Dittborn c/ Vicuña Mackenna
42.2 ºC
Latin American Remote Sensing Week 2010
P á g i n a | 190
también como estas Temperaturas Superficiales se hacen ligeramente más frías en las
adyacencias de los Cerros San Cristóbal y Santa Lucia.
El centro de eventos MoviStar Arena cuya cubierta de techo registró una estimación de
temperatura superficial de 18 ºC, valor que contrasta notablemente con el registrado en la
cubierta de techo de un conocido establecimiento comercial situado en la esquina de la
Avenida Irarrázabal con Suecia en el sector Ñuñoa, de 42,2 ºC, demuestra como el uso de
materiales alternativos en edificaciones y en redes viales, puede lograr reducir o evitar la
formación de Islas Térmicas en sus entornos inmediatos.
Centro Eventos Movistar Arena http://commons.wikimedia.org/wiki/File:Movistar_Arena_4.jpg
Ave. Irarrázabal Con Suecia Ñuñoa (Google)
En el grafico que se presenta a continuación, se puede observar la relación entre la
generación de Islas Térmicas y el Uso del Suelo, resaltando entre todos el sector
correspondiente a la Zona Urbana Consolidada, el cual se encuentra mas expuesto a la
formación de Islas Térmicas por razones de alta densidad de edificaciones y de
infraestructura urbana.
Latin American Remote Sensing Week 2010
P á g i n a | 191
Temperaturas Superficiales clasificadas por Zona de Uso del Suelo en la Región Metropolitana
de Santiago de Chile
A continuación se presentan un mapa (Fig.22) de registros máximos de Temperaturas
Superficiales clasificados por comuna así como un gráfico (Fig. 23) que relaciona las mismas
Temperaturas Superficiales estimadas en sus valores máximos y promedio por comuna, los
cuales describen la incidencia directa que ejerce la formación de Islas térmicas sobre la
población total en la región Metropolitana de Santiago, siendo la infantil y de tercera edad los
sectores de población potencialmente más afectados.
Latin American Remote Sensing Week 2010
P á g i n a | 192
Temperaturas Superficiales Máximas clasificadas por Comuna en la Región Metropolitana de Santiago de Chile
Gráfico de Relación de Temperaturas Superficiales máxima y promediada generadas por la formación de Islas térmicas con respecto a la población total, infantil y de tercera edad por comuna en la región Metropolitana
10
20
30
40
50
60
LA
GR
AN
JA
PR
OV
IDE
NC
IA
SA
N R
AM
ON
SA
N J
OS
E D
E M
AIP
O
SA
N M
IGU
EL
IND
EP
EN
DE
NC
IA
LO
PR
AD
O
NU
NO
A
LA
CIS
TE
RN
A
LO
ES
PE
JO
EL
BO
SQ
UE
PA
C
SA
N J
OA
QU
IN
MA
CU
L
RE
CO
LE
TA
ES
TA
CIO
N C
EN
TR
AL
QU
INT
A N
OR
MA
L
LA
FL
OR
IDA
LA
PIN
TA
NA
LA
S C
ON
DE
S
PA
DR
E H
UR
TA
DO
PIR
QU
E
CE
RR
O N
AV
IA
CO
NC
HA
LI
LA
RE
INA
CE
RR
ILL
OS
LA
MP
A
CO
LIN
A
PU
EN
TE
AL
TO
SA
NT
IAG
O
PE
NA
LO
LE
N
VIT
AC
UR
A
HU
EC
HU
RA
BA
MA
IPU
CA
LE
RA
DE
TA
NG
O
PU
DA
HU
EL
QU
ILIC
UR
A
LO
BA
RN
EC
HE
A
RE
NC
A
SA
N B
ER
NA
RD
O
Comunas
LS
T L
an
ds
at
7 (
ºC)
50,000
100,000
150,000
200,000
250,000
300,000
350,000
400,000
450,000
500,000
Po
bla
ció
n
POB_TOT POB_0_13 POB_M_65 MAX MEAN
Latin American Remote Sensing Week 2010
P á g i n a | 193
De lo anterior se puede generar un mapa de disposición actual de recursos hospitalarios y
servicios de emergencia y primeros auxilios para atender la población en caso de un evento
de Olas de Calor que puedan a su vez ayudar a amplificar la generación de Islas Térmicas, que
se forman regularmente por las consecuencias en la disposición del Uso de Suelo en la capital
de Chile, y que pueda incidir negativamente en la calidad del aire así como en el agua potable
y por ende en la salud de las personas y seres vivos.
Un análisis complementario más exhaustivo teniendo en cuenta el número de camas,
ambulancias, dotación de personal medico y paramédico por habitante seria necesario para
fundamentar un estudio de requerimientos en función de las necesidades actuales y futuras
de la ciudadanía en el caso de un evento de Ola de Calor que pueda afectar negativamente a la
Ciudad de Santiago de Chile.
Densidad de Servicios Medico Asistenciales por Población en comunas de la Región Metropolitana
Conclusiones
Es interesante destacar hoy en día como en la práctica y debido al Cambio Climático, el uso extendido de ciertos tipos de tecnologías diseñadas para mejorar la disposición y las características estructurales, estéticas y, sobre todo, funcionales de cada uno de los
Latin American Remote Sensing Week 2010
P á g i n a | 194
componentes de las edificaciones modernas; así como de las infraestructuras que conectan la intricada red urbanística de las ciudades; teniendo, como base, la rentabilidad energética y el incremento en la calidad del aire y del agua potable, pueden tener un impacto favorable sobre el medio ambiente que las rodea. Una nueva iniciativa ecológica introducida en los medios urbanos como la incorporación de revestimientos de vegetación en las cubiertas de techos de las edificaciones así como la de implementar el uso alternativo de nuevos materiales con el fin de incrementar el grado de albedo en las superficies expuestas a la radiación solar tanto de edificaciones como de las redes de infraestructura urbana, pueden influir rigurosamente en la reducción de las Islas Térmicas, si su empleo se intensifica por medio de la imposición de regulaciones y ordenanzas urbanísticas firmes y consensuadas. Los resultados obtenidos en esta investigación indican que diferentes zonificaciones de uso de suelo así como la de los espacios verdes y las edificaciones que la conforman, pueden influir adversamente o favorablemente en la formación de micro-climas en el denso patrón urbanístico de la ciudad. El uso de las tecnologías Geo-espaciales y más aun la Teledetección puede ayudar, no solo a identificar y caracterizar el problema en estudio, sino también a monitorear el grado de evolución de la calidad del aire y el agua debido a la formación de Islas Térmicas, en función de la implementación de las medidas pertinentes que mitiguen de forma efectiva este tipo de desajuste climático.
National Geographic. http://s.ngm.com/2009/05/green-roofs/img/roofs-615.jpg
Referencias.
IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, VOL. 7, NO. 1, JANUARY 2010 A Single-Channel Algorithm for Land-Surface Temperature Retrieval From ASTER Data Juan C. Jiménez-Muñoz and José A. Sobrino
Latin American Remote Sensing Week 2010
P á g i n a | 195
MITIGATING NEW YORK CITY’S HEAT ISLAND Integrating Stakeholder Perspectives and Scientific Evaluation by Cynthia Rosenzweig, William D. Solecki , Lily Parshall, Barr y Lynn, Jennifer Cox, Richard Goldberg, Sara Hodges, Stuart Gaffin, Ronald B. Slosberg, Peter Savio, Frank Dunstan, and Mark Watson Development of a Green Roof Environmental Monitoring and Meteorological Network in New York City Stuart R. Gaffin, Reza Khanbilvardi and Cynthia Rosenzweig www.mdpi.com/journal/sensors Green Roofs as Urban Ecosystems: Ecological Structures, Functions, and Services ERICA OBERNDORFER, JEREMY LUNDHOLM, BRAD BASS, REID R. COFFMAN, HITESH DOSHI, NIGEL DUNNETT, STUART GAFFIN, MANFRED KÖHLER, KAREN K. Y. LIU, AND BRADLEY ROWE Guidelines for Selecting Cool Roofs July 2010 V. 1.2 Prepared by the Fraunhofer Center for Sustainable Energy Systems for the U.S. Department of Energy Building Technologies Program and Oak Ridge National Laboratory under contract DE-AC05-00OR22725. Additional technical support provided by Lawrence Berkeley National Laboratory and the Federal Energy Management Program. Authors: Bryan Urban and Kurt Roth, Ph.D.
Agradecimientos
GeoEye Foundation
21700 Atlantic Blvd. Dulles, VA 20166
NASA Land Processes Distributed Active Archive Center User Services USGS Earth Resources Observation and Science (EROS) Center
47914 252nd Street
Sioux Falls, SD 57198-0001
Ministerio de Vivienda y Urbanismo
Observatorio Urbano y Habitacional
Comisión Asesora de Estudios Habitacionales Urbanos
Santiago de Chile.
Latin American Remote Sensing Week 2010
P á g i n a | 196
24.- INVENTARIO DE HUMEDALES EN LA CUENCA PAPALOAPAN, MÉXICO
Jorge Enrique Brena Zepeda
Instituto Mexicano de Tecnología del Agua [emailprotected]
Cervando Castillo Romano
Instituto Mexicano de Tecnología del Agua [emailprotected]
Resumen: Debido a las condiciones físico-biológicas derivadas de su situación geográfica, México cuenta con una importante superficie cubierta por humedales, y son considerados en la ley como reserva estratégica de agua bajo la responsabilidad de la Comisión Nacional del Agua. En este estudio se desarrollaron dos niveles de análisis: el primero en escala 1:250,000 aplicado a nivel cuenca hidrográfica y el segundo en escalas de 1:40,000 a 1:70,000 a nivel de humedal. El primer nivel comprendió la elaboración de mapas de uso de suelo y vegetación con base en imágenes de satélite tomadas en 1979 y 2003 para obtener las características recientes y detectar cambios; complementándose con el análisis cartográfico de la evaluación de indicadores para la delimitación de los humedales. El segundo nivel abarcó la elaboración de mapas detallados de uso de suelo y vegetación con imágenes de 2006 para los humedales detectados. Los resultados obtenidos indican que en la cuenca del Río Papaloapan existe una superficie de 479,258 ha distribuidas en 20 humedales, destacando por su importancia el humedal Laguna de Alvarado (379,900 ha equivalentes al 79% de la superficie evaluada). La comparación entre coberturas mostró cambios negativos en la clases hidrófila, cuerpos de agua y forestal. Lo que constituye una seria amenaza a la sustentabilidad de los humedales. Para revertir el deterioro de estos ecosistemas, se proponen acciones de recuperación forestal en zonas estratégicas de la cuenca. Una conclusión es que el desarrollo de propuestas y programas para la conservación y uso sustentable de los humedales serán más efectivas si se enmarcan a nivel de cuenca
Abstract: México, due to its physical and biological conditions arising from its geographical location, has a large area covered by wetlands, which are considered as a strategic reserve of water under the responsibility of the National Water Commission. The main objective of this study was to inventory and characterize wetlands in the Papaloapan River Basin into two levels of analyses: the first one implemented at 1:250,000 scale at river basin rank and the second one at 1:40,000 scale, at wetland category. The first level involved the mapping of land use and vegetation based on satellite images taken at 1979 and 2003 to obtain the latest features and detect changes. This was complemented by map analyses evaluation of indicators to define the wetlands specific areas. The second level included the development of detailed maps of land use and vegetation with 2006 images, for the identified wetlands.
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 197
The results indicated that in the Papaloapan River Basin there is a surface of 479.258 ha distributed in 20 wetlands. The Laguna de Alvarado wetland highlights due to its area size (379.900 ha is equivalent to 79% of the assessed area). The comparison showed negative changes in the hydrophilic, water bodies, and forest coverage. This condition constitutes a serious threat to the sustainability of the wetlands. To reverse the decline of these ecosystems, we propose actions of forest recovery in strategic areas of the basin. One conclusion is that the proposal of projects and programs for the conservation and sustainability of the wetlands will be more effective if they are conceived at the basin scale.
Palabras clave: Inventario de Humedales, Gestión Integrada, Cuenca Papaloapan.
1. INTRODUCCIÓN
Las autoridades encargadas de la administración de los recursos hídricos y forestales han
subdividido al país en trece regiones para facilitar su mejor aprovechamiento y manejo. El
presente trabajo está enfocado a analizar la Cuenca del Río Papaloapan, que se ubica en la
vertiente Atlántica del Continente, que está comprendida dentro de de la Región X, Golfo
Centro al oriente del país, tiene una superficie de 47,171 Km2. Destaca por su riqueza de
recursos forestales desarrollados sobre un relieve montañoso que da paso hacia el oriente a la
llanura costera del Gofo de México con ligera pendiente que va del occidente a la costa.
Presenta características geológicas diversas que, para algunos casos ocasionan el
almacenamiento de agua subterránea y en otros funcionan como transmisores de agua a
estratos más profundos de tal manera que la complejidad hidrogeológica se refleja como una
parte de los volúmenes de extracción de agua subterránea y por la otra en la diferencia de su
calidad natural además en aquellos aspectos asociados con la situación administrativa–legal
sobre el uso aprovechamiento o explotación del recurso.
Derivado de lo anterior, el cuidado y conservación de los acuíferos ubicados en la cuenca del río Papaloapan es un asunto de importancia y relevante, ya que forman parte de ecosistemas de importancia regional y mundial susceptibles a sufrir cambios irreversibles tanto en cantidad como en calidad.
2. OBJETIVOS
Elaborar el inventario y caracterización de los humedales de la cuenca del río Papaloapan.
Construir un escenario prospectivo para el año 2030 con los mapas de uso de suelo obtenidos de las imágenes tomadas 1979 y 2003.
Proponer mediadas para preservación, protección, manejo y restauración.
Latin American Remote Sensing Week 2010
P á g i n a | 198
3. METODOLOGÍA y RESULTADOS
3.1 Uso de suelo y vegetación
El proyecto consideró el desarrollo de un estudio temporal de la dinámica de la vegetación y del uso del suelo a partir de técnicas de percepción remota con base en imágenes de satélite. El intervalo temporal del estudio fue de 25 años. Para el primer análisis se utilizaron imágenes de satélite LANDSAT del sensor Multi Spectral Scaner (MSS) tomadas en 1979 que tienen una resolución espacial de 57x57 metros. Para el segundo análisis se utilizaron imágenes LANDSAT ETM tomadas en los años 2003 y 2002, la selección se realizó con base en la calidad espectral de las imágenes, mínima cobertura de nubes y disponibilidad en los acervos del IMTA y del EROS Data Center. La figura 1 ilustra los mapas de uso y vegetación.
Figura 1. Mapas de distribución de uso de suelo y vegetación de los años 1979 y 2003.
El mapa de uso del suelo y vegetación de la cuenca del río Papaloapan se presenta en escala 1:250,000. Con un área mínima cartografiable de 1 ha, como se menciona en el párrafo anterior se hace una análisis retrospectivo con base en imágenes tomadas en 1979, un análisis actual con imágenes tomadas en el año 2003 y un análisis prospectivo para el año 2033,
Latin American Remote Sensing Week 2010
P á g i n a | 199
empleando para ello el método Markov alimentado con los datos obtenidos con las imágenes de satélite. El mapa prospectivo de uso de suelo y vegetación, apoyará la integración de escenarios futuros de planeación para la conservación y uso sustentable de los humedales. La figura 2 presenta el diagrama metodológico aplicado para la generación del mapa prospectivo.
Figura 2. Diagrama metodológico aplicado para la obtención del mapa tendencial
3.2 Inventario de humedales en la cuenca
Para su procesamiento de extracción un sistema de información geográfica, se ubicaron un total de 20 humedales, el mayor presentó una superficie de 379,900.34 ha y el menor presentó una extensión de 66.6 ha. La figura 3 presenta el diagrama metodológico aplicado para obtener la delimitación de los humedales en la cuenca y la figura 4 ilustra su distribución en la cuenca.
Figura 3. Diagrama metodológico empleado para la delimitación de los humedales
Latin American Remote Sensing Week 2010
P á g i n a | 200
Figura 4. Distribución de humedales en la cuenca
3.3 Recuperación forestal con impacto en los humedales.
Como estrategia global para impactar positivamente en el recurso agua en la cuenca se proponen acciones para propiciar la recuperación forestal y mejorar la cubierta de la vegetación en general, considerando de manera integrada los recursos agua - suelo - bosque.
La recuperación forestal se considera en el presente documento, como el restablecimiento de una masa forestal: arbórea, arbustiva o de cactáceas, en terrenos con diferentes usos de suelo; ya sean estos ecosistemas forestales (bosque y selva) perturbados, vegetación de matorrales o pastizales dispersos, e incluso la introducción del componente arbóreo en los sistemas productivos agrícolas y pecuarios donde la degradación haya producido perturbaciones en el funcionamiento del ecosistema, así como también en tierras marginales que actualmente están en uso agrícola, cubiertas por pastizales o malezas, o que se encuentran sin cubierta vegetal alguna. Dicha masa forestal puede ser incorporada por medio de especies nativas o introducidas, y la forma de inducción puede ser espontánea, inducida o cultivada. El propósito es mejorar y acelerar el proceso de regeneración forestal, restableciendo así la salud del ecosistema y por consiguiente todos los beneficios que ello implica. La figura 5 presenta el diagrama metodológico aplicado para delimitar las áreas de atención para la recuperación.
Latin American Remote Sensing Week 2010
P á g i n a | 201
Figura 5. Diagrama metodológico empleado para delimitar las áreas de recuperación forestal
Respecto a las necesidades de recuperación forestal (RF) por uso de suelo, se identificó que la mayor superficie con necesidades de atención corresponde al bosque fragmentado (52.7%), siguiéndole el matorral fragmentado (13.1%), selva baja fragmentada (11.3%), selva media fragmentada (10.3%) y la agricultura de temporal (5.8%), siguiéndole el resto de usos en proporciones bajas. Esta distribución de necesidades puede verse gráficamente en la Figura 6.
Figura 6. Necesidades de recuperación forestal por uso de suelo en la cuenca del Papaloapan.
Latin American Remote Sensing Week 2010
P á g i n a | 202
4. CONCLUSIONES
Una conclusión es que el desarrollo de propuestas y programas para la conservación y uso sustentable de los humedales serán más efectivas si se enmarcan a nivel de cuenca.
5. BIBLIOGRAFÍA
Comisión Nacional del Agua. 2005. Estadísticas del Agua en México 2005. 104p. México, D.F.
Comisión Nacional del Agua. 2001. Programa Hidráulico de Gran Visión, Región X Golfo Centro.
CONAFOR, Mayo 2006. Gerencia Estatal XII Península de Yucatán. Quintana Roo, Informe de Gestión 2000 – 2006.
Conservación Internacional, El Colegio de la Frontera Sur, Fundación Defensores de la Naturaleza, Programme for Belize, Pronatura Península de Yucatán, The Nature Conservancy y Wildlife Conservation Society. 2005. Plan Ecorregional de las Selvas Maya, Zoque y Olmeca.
IMTA, 2004. Formulación del Programa Regional Hidrológico Forestal para La Región XI Frontera Sur, 324p. Jiutepec, Mor.
INE. 2002. Análisis de Cambio de Uso de Suelo. 83 pp.
INEGI. 2005. Manual Descriptivo, Cartografía de Humedales Potenciales de México, Aguascalientes, Ags.
INEGI. 1996. Modelos digitales del terreno escala 1:250000, Aguascalientes, Ags.
INEGI. 1999. Mapas topográficos digitales escalas 1:50000 y 1;250000. Aguascalientes, Ags.
INEGI. 1999. Modelos digitales del terreno escala 1:50000, Aguascalientes, Ags.
Latin American Remote Sensing Week 2010
P á g i n a | 203
25.- CAMPAÑAS ALTIMETRICAS DE CALIBRACIÓN DEL TOPEX Y JASON-1 EN EL MEDITERRANEO OCCIDENTAL
Juan Jose Martinez Benjamin, Marina Martinez Garcia, Miquel Angel Ortiz Castellon, Jose Martín Davila, Jorge Garate Pasquin, Begoña Perez Gomez , Pascal Bonnefond
Universitat Politécnica de Catalunya (UPC), Dpt. Ingenieria del Terreno, Cartográfica y
Geofísica, EPSEB, Barcelona, España, [emailprotected]
Instituto Cartográfico de Cataluña (ICC), Barcelona, España Real Instituto y Observatorio de la Armada (ROA), San Fernando, Cadiz, España
Puertos del Estado (PE), Madrid, España Observatoirede la Côte d’Azur, (OCA/GEMINI), Grasse, Francia
RESUMEN: Se describen las campañas de calibracion altimétrica realizadas en el Mediterráneo Occidental por la Universidad Politécnica de Cataluña con el soporte del Instituto Cartográfico de Cataluña, el Real Instituto y Observatorio de la Armada y por Puertos del Estado principalmente. Se realizaron tres experiencias en el Cabo de Begur para calibracion altimétrica y mapeo del geoide marino realizadas en 1999, 2000 y 2002. Calibración absoluta directa estimando el bias del Alt-B del Topex fue realizada durante el overflight del satelite usando boyas GPS. Una contribución española a las experiencias de calibración ha sido el diseño de las Boyas y Catamarán GPS teniendo en cuenta diseños previos de la Universidad de Boulder en Colorado y las de Senetosa/Capraia. Una campaña mas fue realizada en Junio de 2003 en el area de la Isla de Ibiza. Se utilizaron cinco estaciones GPS de referencia localizadas en Ibiza, San Antonio y Portinax, y por dos mareógrafos georeferenciados situados en los puertos de Ibiza y San Antonio. Una calibración directa adicional fue realizada el 14 de Junio. Otro objetivo importante era obtener el perfil de la Superficie Media Marina a lo largo de las trazas del T/P o Jason-1 con boyas/catamarán GPS. Mapear la superficie marina para la calibración altimetrica indirecta tiene la ventaja de permitir la calibración de cualquier radar que cruce el area estudiada pero, en cambio, la desventaja es reduce la precision de la estimación del bias. Se tiene prevista una nueva campaña a realizar en la misma zona aproximadamente siguiendo las trazas de los satélites Jason-2 y Altika con lanzamiento previsto en 2011 que permitirá obtener datos altimétricos en zonas próximas a la costa. PALABRAS CLAVE: calibración altimétrica, boyas GPS, mareógrafos, nivel del mar, gradiente
del geoide ABSTRACT: Three Begur Cape experiences on radar altimeter calibration and marine geoid mapping made on 1999, 2000 and 2002 are overviewed. One campaign has also been made in June 2003 at the Ibiza island area. Direct absolute calibration estimating the Topex Alt-B bias was performed during the satellite overflight by using GPS buoys. The advantage of that method is that neither geoid modelling nor tidal error is needed. Other main objective was to map the profile of the Mean Sea Surface (mss) along the closest T/P and Jason-1 groundtrack. Mapping the marine surface for indirect altimeter calibration has de advantage of allowing the calibration of any radar sensor that crosses the studied area but, in turn, the disadvantage is
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 204
that the method requires ocean tide and geoid knowledge, which reduces the accuracy of the bias estimate by a factor of 2. A technical Spanish contribution to the calibration experience has been the design of GPS buoys and GPS catamaran taking in account the University of Colorado at Boulder and Senetosa/Capraia. For the mapping of the extended calibration areas centered on satellite ground tracks, the catamaran was tracked by the Patrol Deva, from the Spanish Navy. An additional absolute altimeter direct calibration was performed on June 14. Complementary data came from five GPS reference stations deployed at Ibiza , San Antonio and Portinatx, and from vertically-referenced tide gauges located at Ibiza and San Antonio. We present first results on Jason-1 altimeter calibration using the marine geoid derived from data collected during the campaign. Moreover, the geodetic activities (e.g., GPS, leveling) has permitted to build a very accurate (few mm) local network linked to the european one, with a reference frame compatible with the satellite altimetry missions (ITRF2000). KEY WORDS: altimeter calibration, GPS Buoys, tidegauges, sea level, geoid gradient
1. INTRODUCCION
1.1 Altimetria radar El radar altímetro mide la distancia relativa entre su antena y la superficie marina instantánea a lo largo de la traza del satélite. Ello permite establecer medidas de la superficie topográfica marina con precisiones de pocos centímetros, medidas de la altura significativa de las olas con precisiones de 1 cm o sub-centrimétricas y medidas de la velocidad del viento en superficie con precisiones de unos 2-3 m/s. Todo ello con una visión global y en un corto intervalo de tiempo (repetibilidad de 10 días, aprox). Todas estas medidas han supuesto una contribución excepcional a la Observación de la Tierra y un reto para la tecnología espacial y el desarrollo de sensores. En la actualidad algunos de los satélites altimétricos en funcionamiento son: Jason-1, de las agencias espaciales NASA/CNES. Lanzado el 7 de Diciembre de 2001, está midiendo en banda Ku (13.575 GHz) y banda C (5.3 GHz). Jason-2 , de las agencias espaciales NASA/CNES. Lanzado el 19 de Junio de 2008, está midiendo en banda Ku (13.6GHz) y banda C (5.3GHz). Envisat, misión de la Agencia Espacial Europea ESA. Lanzado en Marzo de 2002 esta plataforma multi-sensor está dotada de un altímetro radar (RA-2) que mide también en banda Ku (13.575 GHz) y así como a 3.2 GHz. La investigación en altimetria por satélite en zonas costeras aún está en sus pasos iniciales. Esto es debido a las limitaciones intrínsecas de la tecnologia y las dificultades en el procesado, como la proximidad a tierra o las variaciones rápidas debidas a las mareas y efectos atmosféricos. Sin embargo aún hay posibilidades a explorar, como el retracking del eco del radar, más datos a lolargo de la traza (along-track) y los escenarios multialtimétricos. Los datos sobre las regiones costeras necesitan ser reanalizados, mejorados y más eficientemente procesados. Esto resulta extremadamente importante para la Oceanografia operacional, para investigar la dinámica compleja de las areas costeras y la variación del nivel del mar con su impacto en la línea de costa. El nivel del mar es una variable medioambiental de importancia ampliamente reconocida en muchas disciplinas científicas como parámetro de control en procesos dinámicos costeros o
Latin American Remote Sensing Week 2010
P á g i n a | 205
procesos climáticos en los sistemas atmósfera-océano asi como en aplicaciones en la ingeniería. La fuente principal de datos de nivel del mar son las redes nacionales de mareógrafos en la costa, en España perteneciendo a diferentes instituciones como el Instituto Geográfico Nacional (IGN), Puertos del Estado (PE), Instituto Hidrográfico de la Marina, etc.Los mareógrafos miden el nivel del mar relativo a la tierra. Buenos modelos de mareas existen en el Mediterráneo Occidental. Críticamente dependen de la información batimétrica precisa que ha mejorado recientemente. La variación del nivel del mar para períodos largos ha sido cuantificada recientemente usando datos del Topex/Poseidón y Jason-1. (fig.1)
Figura 1. Variación del nivel medio marino a partir de datos de los satélites altimétricos del
Topex y Jason-1.
1.2 Metodologías de calibración altimétrica -Calibración directa: La metodología utilizada en la calibración directa consiste en la comparación de la altura instantánea de la superficie marina, SSH (Sea Surface Height), estimada por dos técnicas independientes simultáneas en el mismo punto geográfico. La SSH instantánea obtenida a partir de las medidas del altímetro, es decir, la diferencia entre la altura orbital del satélite (horbit) obtenida por seguimiento laser (principalmente aunque puede derivarse también de medidas Doris o GPS) y la medida altimétrica (halt) corregida basicamente de los errores troposférico e ionosférico, el bias del estado del mar y el retraso instrumental: SSHTOPEX = horbit - halt
Se compara este valor con la misma magnitud
SSHGPS, que puede ser considerada la medida "real" del nivel instantáneo del mar, estimado a partir de medidas obtenidas por boyas GPS colocadas en puntos de la traza del satélite sobre la superficie marina, obteniéndose el bias del altímetro: BIAS = SSHGPS - SSHTOPEX
Latin American Remote Sensing Week 2010
P á g i n a | 206
donde SSH_GPS es la altura de la superficie instantánea del mar medida por la boya GPS y Delta_Tide es la medida del mareógrafo menos el valor medio obtenido después de años de observaciones. Se procura que las observaciones se realicen en diferentes horas del dia y en diferentes estaciones del año para tener un buen Delta_Tide (sugiriéndose el mareógrafo no se encuentre muy distante de la zona de observación con boya GPS). La MSS_BIAS es simplemente la media en cada punto de los valores MSS_BIAS(X,Y). De aquí se obtiene la MSS_TRUTH(X,Y) -Calibración indirecta Si un satélite altimétrico cruza la banda en el punto (Xs,Ys), la altura calculada de la superficie marina sería: SSH_CALC(Xs,YS) = MSS_TRUTH(Xs,Ys) + Delta_Tide (en el instante del sobrevuelo) Finalmente el bias del altimetro viene dado por la expresión: Altimeter_Bias = SSH_CALC(Xs,Ys) –SSH_ALT(Xs,Ys) donde SSH_ALT(Xs,Ys) es la altura instantánea del nivel del obtenida de la medida altimétrica realizada por el satélite cruzando la banda. La expresión calibración indirecta se refiere al hecho de que no hay boya GPS en el momento del sobrevuelo del satélite pero la solución encontrada antes permitió ajustar la forma de la MSS para tener una referencia absoluta a lo largo de la banda (superficie), que sirve para calcular el bias del altímetro de cualquier satélite que atraviese la misma. Por esta razón la calibración indirecta es menos precisa que la calibración directa donde la boya se encuentra exactamente en la misma vertical del sobrevuelo del satélite. En definitiva la MSS encontrada por boyas/catamarán GPS suministra la referencia para calcular el bias de los diferentes satélites altimétricos que cruzan la banda. 1.3 Experiencias de calibración altimétrica La calibración del altímetro es un requisito esencial para la medida absoluta del nivel del mar mediante el conocimiento preciso de su bias (desviación) y de su drift (deriva). Debido a diferencias sistemáticas entre los instrumentos de los diferentes satélites es esencial relacionar sus medidas usando instrumentos in-situ. La calibración es el objetivo final de todos los procesos de validación (órbitas, correcciones, modelos geofísicos, EM bias, …). La altura real del nivel del mar en el punto de calibración se determina, independientemente a la medida altimétrica, a partir de sensores locales terrestres como p.e.: mareógrafos, boyas GPS, etc. No se descarta el uso de otras tecnologías espaciales o aerotransportadas que permiten también la determinación de la altura del nivel del mar de forma independiente. Estas son p.e. la altimetría láser espacial –ICESAT- o la altimetría láser aerotransportada –LIDAR- [Limpach er al., 2006]. Sin embargo, estas otras tecnologías aplicadas en el medio marino se hallan en un estadio incipiente, en relación a las tecnologías antes mencionadas.
Latin American Remote Sensing Week 2010
P á g i n a | 207
No obstante, la simultaneidad espacial de las medidas de la SSH no es siempre posible, es decir, no siempre se dispone de un sensor terrestre situado justo en la traza del satélite en el momento de paso del mismo (instante de overflight). Como consecuencia, las medidas de la SSHalt y de la SSHreal , aunque simultáneas temporalmente, pueden corresponder a puntos separados hasta centenares de metros entre sí. En estas situaciones, la conexión entre ambos puntos viene dada por la inclinación o pendiente del geoide. Es decir, la diferencia de la altura entre el geoide en el emplazamiento del sensor y el geoide en el punto sub-satelital (nadir del radar altímetro en mar abierto) permite estimar la medida instantánea de la SSH en el nadir. En general, a la situación en la existe simultaneidad temporal y espacial entre las medidas de la SSHalt y de la SSHreal se llama “calibración directa o in-situ” y acostumbra a realizarse mediante boyas GPS (o similares) que se colocan en la traza del satélite en el instante de overflight del mismo. Por el contrario, a la situación en la que existe sólo simultaneidad temporal pero no espacial, acostumbra a denominarse “calibración indirecta”, haciendo referencia a que la medida de la SSHreal en el nadir del satélite se estima indirectamente apoyándose en el conocimiento de la inclinación de la superficie media del mar (geoide) entre el punto de la medida local y el punto sub-satelital. En esta segunda metodología, no existe ningún sensor presente en la traza durante el sobrevuelo del satélite. Para los lugares geográficos de calibración, una configuración clásica sería el uso de una isla muy pequeña, como el caso de las primeras calibraciones realizadas en el Mediterráneo en la isla de Lampedusa (Italia) para el T/P (Ménard et al., 1994); posteriomente la isla de Córcega (Bonnefond et al. 2003a, 2003b), que ha sido el site oficial de calibración de CNES para Jason-1; la isla de Gavdos, también para T/P y Jason-1 (Pavlis 2002), la plataforma pretrolífera de Harvest (California), utilizada como site oficial de NASA para la monitorización y calibración continua de T/P y Jason 1 (Haines et al., 2003), asi como la isla de Ibiza (Martinez Benjamín et al., 2004, 2005) que constituyó una contribución española a la calibración de Jason-1. (fig. 2). El objetivo Principal era Integrar Ibiza y de forma complentaria el Cabo de Begur en las áreas de Calibración Altimétrica Permanente en el Mar Mediterráneo Occidental, complementando el área de Córcega/Senetosa (CNES, Francia), área principal de Calibración Altimétrica. En oposición a las áreas principales de calibración, la isla de Ibiza es demasiado grande para no afectar las medidas altimétricas en términos de ecos de radar y correcciones por la troposfera húmeda (debido a la contaminación terrestre). Esto implica preferiblemente a utilizar datos altimétricos medidos lejos de la costa (>10 km). Existen configuraciones de areas costeras que monitorizan las trazas provenientes del mar como son Bass Strait (en Tasmania, Australia), que es el único site en el hemisferio sur para T/P y Jason-1 (Watson et al. 2003) y el Cabo de Begur (Costa Brava, Gerona) para T/P y Jason-1, que además correspondió a la primera experiencia de calibración de un altímetro por un grupo español en Marzo de 1999 (Alt-B del T/P). Finalmente, otro site remarcable es el del Lago Erie (USA), se supone el único ejemplo de calibración altimétrica (ERS, GFO) en aguas someras (Shum et al. 2004). Las áreas de calibración ayudan a controlar los errores correlacionados geográficamente que son significativos en cada área aislada. Se espera en el futuro realizar otra campaña incluyendo Jason-2 y Altika permitiendo datos de altimetria costera, que deberia ser lanzado en 2011.
Latin American Remote Sensing Week 2010
P á g i n a | 208
Figura 2. Areas de calibración altimétrica de Corsica e Ibiza
1.4 Boyas GPS Las boyas de las tres campañas se diseñaron y construyeron en el Institut Cartografic de Catalunya, inspiradas en una boya tipo "wave rider" de la Universidad de Colorado en Boulder, (Born et al., 1994) introduciendo mejoras de estabilidad, estanqueidad y reduciendo al máximo la distancia del centro de fase de la antena GPS a la superficie del mar.
Figura 3 Boya GPS Este tipo de boya /fig.3) consiste básicamente en una antena GPS, albergada directamente sobre un aro flotador mediante una pieza cilíndrica por su base y protegida por una cúpula en su parte superior, ambas piezas de metacrilato. La antena recibe las señales de los satélites GPS y las envía mediante un cable de conexión, debidamente preparado para no interferir en el movimiento libre de la boya sobre el agua, al receptor GPS que se encuentra situado en una embarcación auxiliar. La concepción de esta boya ‘wave-rider’, relativamente pequeña y de poco peso, es la de seguir el movimiento de las olas permaneciendo siempre en su superficie. Se debe tener en cuenta en el diseño de la misma: a)Estanqueidad entre la base y la cúpula de metacrilato para evitar la entrada de agua a la antena. b)La disposición y características de la cúpula y el efecto que produce en la trayectoria de las señales GPS que le llegan.
Latin American Remote Sensing Week 2010
P á g i n a | 209
c)Las características de la cúpula, o sea el efecto que produce en la trayectoria de las señales GPS que llegan y su disposición respecto a la antena GPS. d)La correcta determinación de la geometría de la boya y en particular el valor de la distancia entre el centro de fase de la antena GPS y la linea de flotación del mar en calma. e)Estructura de la boya manejable, de fácil transporte y reciclable para ser utilizada en futuras campañas. 1.5 Infraestructura geodésica en los Puertos de Barcelona, Ibiza y l’Estartit La instrumentación de las medidas del nivel del mar será mejorada con la instalación de un nuevo mareógrafo radar de pulsos DATAMAR 3000C, de Geónica S.L., en el Puerto de Barcelona. La Autoridad Portuaria de Barcelona (APB) ya dispone de una estación GPS, formada por un sensor de Leica Geosystems GRX1200 GG Pro y una antena AX 1202 GG capaz de realizar un seguimiento constante de las constelaciones NAVSTAR y GLONASS asi como de la futura constelación GALILEO, en la nueva torre de control situada en el muelle de inflamables constituyendo el conjunto una estación CGPS. Se espera constituya una CGPS de las redes ESEAS (European Sea Level) y TIGA (GPS Tide Gauge Benchmark Monitoring). Puertos del Estado también dispone de un mareógrafo radar MIROS en el Puerto de Barcelona además de un CGPS en el Puerto de Ibiza básico en la campaña IBIZA2003 de calibración altimétrica del Jason-1 (fig.4).
Figura 4. Infraestructura CGPS en el Puerto de Ibiza (imágenes superiores) y en el Puerto de Barcelona (imágenes inferiores) Barcelona es particularmente adecuada debido a la proximidad a los dos mareógrafos ubicados a escasos 50 m. de la torre de prácticos posibilitando que se tengan cubiertas tanto las necesidades de posicionamiento para la topografía terrestre como para la topografía hidrográfica. Esta proximidad permite la reiteración de datos no totalmente iguales que
Latin American Remote Sensing Week 2010
P á g i n a | 210
utilizan tipologías de análisis diferentes y complementarias, siempre que estén ligados altimetricamente con precisión. El conjunto mareógrafos-GPS se enlaza con la red de nivelación REDNAP del IGN y la Xda del ICC mediante nivelación de alta precisión 1mm/Km. Los datos mareográficos son esenciales para elaborar la batimetría pues conectan los trabajos batimétricos con el sistema de referencia altimétrico del Puerto de Barcelona (SRAP) permitiendo la determinación de los fondos. En el Puerto de l’Estartit se instaló un mareógrafo de flotador en 1990 que ha funcionado en el mismo lugar hasta Octubre de 2006 registrando los datos medios del nivel del mar cada dos horas, junto a las condiciones meteorológicas, y suministrando series temporales de buena calidad de la altura del nivel del mar a nivel centimétrico similar a la magnitud de las mareas en estas áreas del Mediterráneo. Fue de particular interés para las campañas marina de calibración altimétrica absoluta de los satélites Topex/Poseidon (Marzo 1999 y Julio 2000) y Jason-1 (Agosto 2002). En Mayo de 2008 ha sido reinstalado en un lugar próximo al anterior continuando la generación de series temporales de nivel del mar. 1. CAMPAÑAS DE CALIBRACION EN EL AREA DEL CABO DE BEGUR En la campaña de 1999 se siguió la traza ascendente (187) del ciclo 239 el 18 de Marzo de las
8:15 UTC a las 12:00 UTC. La calibración directa se realizó a las 8:45 UTC durante el
sobrevuelo del T/P sobre las dos boyas GPS. En la campaña de 2000 se recorrió la misma
traza ascendente del ciclo 287 el 6 de Julio. La calibración directa se efectuó a las 7:34 UTC
durante el sobrevuelo del T/P sobre la boya GPS. Se realizó además una estimación de la MSS
a lo largo de la traza desde las 7:29 UTC a las 16:57 UTC. Se realizó un posicionamiento
cinemático diferencial con distancias de base del orden de 35 km han sido aplicadas para el
cálculo de la posición de la boya.
Diferentes grupos con diferentes software de procesado de datos GPS obtuvieron el bias del altímetro Alt-B del TOPEX: 5,1 +-6cm, campaña 1999, GIPSY-OASISII 6,8+-10cm, campaña 1999, KARS 4,7+-9cm/7,6+-7cm,cam.1999,GIPSY 3,7+-4,9cm, campaña 2000, GIPSY La fig. 5 muestra la zona geográfica de la segunda campaña indicando la traza nominal ascendente del T/P en las campañas de 1999 y 2000 que coincidiria con la del JASON-1 en Agosto 2002, y los puntos de observación nominales, interiores y exteriores. Se indica la estación GPS de referencia CREU localizada en el Cabo de Creus a unos 25 km del mareógrafo de l’Estartit.
Latin American Remote Sensing Week 2010
P á g i n a | 211
Figura 5. Area Geográfica del Cabo de Begur en donde se realizaron las campañas de calibración altimétrica en 1999, 2000 y 2002. En la Tabla 1 se indica el SSHBIAS estimado a partir del punto TOP-08 para el TOPEX-B y TOP-11 for JASON-1
1. CAMPAÑA DE CALIBRACION EN EL AREA DE LA ISLA DE IBIZA El objetivo de la experiencia española IBIZA 2003 (fig. 6), además de la implantación de la isla de Ibiza como área permanente de calibración en el Mediterráneo Occidental, era adquirir un conjunto amplio de datos GPS de nivel del mar según dos trazas nominales ascendente y descendente del Jasón-1, suficientemente denso en espacio y tiempo, para obtener el geoide local marino, teniendo en cuenta que el principal resultado no era determinar la altura del geoide marino, sino la pendiente del geoide entre los datos altimétricos válidos en mar abierto y el lugar donde se encuentran los mareógrafos costeros localizados en Ibiza y San Antonio.
En esta campaña se utilizaron 5 estaciones de referencia GPS en tierra: una en Portinatx (PORT -antena y receptor Leica), dos en San Antonio (SANA- antena y receptor ASTEC, SANB-antena y receptor Topcon) y dos en Ibiza (IBIA- antena Trimble y receptor ASTEC, e IBIB, antena y receptor Leica).
Se utilizó un catamarán para realizar medidas continuas del nivel del mar. Su diseño fue tomado del usado en Senetosa por P. Bonnefond. Llevaba dos antenas diferentes, Trimble (CATL) y Leica (CATR) con resultados desiguales. Asimismo se utilizó una boya GPS para
Latin American Remote Sensing Week 2010
P á g i n a | 212
medidas relativas en el puerto respecto al catamarán y el mareógrafo, asi como para su calibración. En la fig. 7 se indican las zonas observadas mediante el catamarán GPS, fig.8, a lo largo de las trazas ascendente 187 (del SW al NE) y descendente 254 (del NW al SE) de Jasón-1. Se ha utilizado el modelo barotrópico MOG2D del LEGOS/CNES para corrección de la marea oceánica en las zonas alejadas de los mareógrafos de Ibiza y San Antonio. El ‘geoide marino’ encontrado ha sido utilizado en el proceso de calibración altimétrica para dos pasos del Jasón-1 y los dos mareógrafos. El bias del altímetro del Jasón-1 ha sido de +120 5 mm que es muy coherente con los encontrados en otras áreas de calibración.
Figura 7. Zonas geográficas, a lo largo de las trazas de Jason-1, barridas por el catamarán GPS durante la campaña IBIZA2003.
Figura 8. El catamarán GPS arrastrado por la Patrullera Deva de la Armada española, mapeando la zona próxima a la isla de Ibiza En la Tabla 2 se indican los SSH bias obtenidos por diferenes estudios
Tabla 2. SSH bias para Jason-
3.1 Agradecimientos
Latin American Remote Sensing Week 2010
P á g i n a | 213
Las campañas de calibración altimétrica del T/P y Jason-1 en el Cabo de Begur y la isla de Ibizahan sido realizadas en el marco del Programa Nacional de Espacio I+D , CICYT, Ministerio de Educación y Ciencia, ref:ESP97-1816-CO4 y ESP2001-4534-PE. 3.2 References -Bonnefond, P., P. Exertier, O. Laurain, Y. Menard, A. Orsoni, E. Jeansou, B. Haines, D. Kubitschek, and G. Born. 2003a. Leveling Sea Surface using a GPS catamaran, Marine Geodesy, 26(3-4), 319-3-Bonnefond, P., P. Exertier, O. Laurain, Y. Menard, A. Orsoni, G. Jan, and E. Jeansou. 2003b. Absolute Calibration of Jason-1 and TOPEX/Poseidon Altimeters in Corsica, Marine Geodesy, 26(3-4), 261-284.
-Born, G.H., M.E. Parke, P. Axelrad, K.L. Gold, J. Johnson, K.W. Key and D.G. Kubitscheck. 1994. Calibration of the TOPEX altimeter using a GPS buoy. J. Geophys. Res. 99(C12), 24517-24526.
-Haines, B.J., D. Dong, G.H.Born and S.K.Gill. 2003. The Harvest experiment: Monitoring Jason-1 and TOPEX/POSEIDON from a California offshore platform, Marine Geodesy, 26(3-4), 239-259.
-Martinez-Benjamin, J.J, M. Martinez-Garcia, S. Gonzales Lopez, A.Nunez Andres, F. Buill Pozuelo, M. Espino Infantes, J. Lopez-Marco, J.Martin Davila, J. Garate Pasquin, C. Garcia Silva, P. Bonnefond, O. Laurain, A.M. Baron Isanta, M.A. Ortiz Castellon, J. Talaya Lopez, B. Perez Gomez, E. Alvarez Fanjul, G. Rodriguez Velasco, D. Gomis, M. Marcos, Y. Menard, G. Jan, E. Jeansou, F. Lyard, and L. Roblou. Ibiza Absolute Calibration Experiment: Survey and Preliminary Results, Mar. Geod., Special Issue on Jason-1 Calibration/Validation, Part 3, Vol. 27, No. 3-4, 2004.
- J.J. Martinez Benjamín, J. Martín Davila, J. Garate Pasquín, Pascal Bonnefond and Ibiza 2003 Team, “Geoid Determination/Jasón-1 Absolute Altimeter Calibration: Ibiza-2003 Campaign Report”, Boletin ROA, No. 6/2005, Real Instituto y Observatorio de la Armada en San Fernando, Ministerio de Defensa, 72 pp., Diciembre 2005 (ISSN 1131-5040).
-Ménard, Y., E. Jeansou, P. Vincent, Calibration of the TOPEX/POSEIDON altimeters at Lampedusa: Additional results at Harvest, J. Geophys. Res., 99 (C12), 24487-24504, 1994
-Pavlis, E.C. and the GAVDOS Team. 2002. Absolute Sea Level Monitoring and Altimeter Calibration at Gavdos, Crete. Proceedings of the Jason-1 SWT Meeting, 10-12 June 2002, Biarritz, France.
-Shum, C.K., Y. Yi, K. Cheng, C. Kuo, A. Braun, S. Calmant and D. Chambers. 2003. Calibration of
JASON-1 Altimeter over Lake Eire, Marine Geodesy, 26(3-4), 335-354
Watson C., R. Coleman, N. White, J. Church. And R. Govind. 2003. “Absolute Calibration of
TOPEX/Poseidon and Jason-1 using GPS Buoys in Bass Strait, Australia”, Marine Geodesy,
26(3-4), 285-304.
Latin American Remote Sensing Week 2010
P á g i n a | 214
26.- ACURACY ASSESSMENT OF PROJECTS PERFORMED BY SAAPI SYSTEM
R. S. Ruy a, A. M. G. Tommaselli b, M. Galo b, J. K. Hasegawa b, T. T. Reis a, W. A. Silva a
a Engemap Geoinformation, R. Santos Dumont, 160,19806-060, Assis, SP, Brazil,
(roberto, tiedtke, willian)@engemap.com.br
b Department of Cartography, UNESP - Univ Estadual Paulista, 19060-900 Pres. Prudente, SP,
Brazil
(tomaseli, galo, hasegawa)@fct.unesp.br
Commission I, WG V/I
Key words: Photogrammetry, Digital camera, In situ calibration, Direct georreferencing.
ABSTRACT: The use of digital cameras for photogrammetric applications, especially in aerial mapping is a recognized trend due the advances in sensor resolution and other hardware and software components. Nowadays, there are some models of cameras with 50 and 60 megapixels, with advantages because of their flexibility and cost effectiveness, which provide ground coverage near to classic photogrammetric film cameras. This type of cameras can also be integrated to GPS/INS systems, with specially designed mechanic mounts and electronics devices that can control all components of the aerial mapping system. Several custom designed systems have been used worldwide with excellent results for mapping applications. In this context this paper presents the results obtained with SAAPI system in a huge project, the digital mapping of Bahia State, Brazil. This system is an airborne acquisition system based on professional Hasselblad digital frame cameras integrated to direct orientation sensors (GPS/INS), electronic devices and hardware and software tools. In order to assess the geometric accuracy of this mapping system a set of images acquired by SAAPI with a ground sample distance (GSD of 80 cm was used. This block with 2997 images distributed in 48 strips was processed with INPHO MATCH-AT. Several experiments were carried out to assess accuracy improvements in the object space coordinates when considering in-situ calibration bundle adjustment with direct georeferencing. Moreover, orthophotos and DTM products were generated using the INPHO-MATCH-T software and analyzed. It was verified that suitable accuracy was achieved rounding 1 to 1.5 GSD in the final products. These results showed that this type of aerial system can be successfully used for mapping projects, provided that rigorous photogrammetric processing workflow is used.
1. Introduction
With the recent developments in the technology of optical digital sensors, the use of professional digital frame cameras emerged as an alternative for aerial photogrammetric applications in the latest years. The main reasons are their flexibility and cost effectiveness, when compared to film cameras and high-end digital systems. Nowadays, this practice has been considered as an acceptable technique, and some countries (like EUA and Canada) are preparing guidelines and specifications for the use of this category of camera in photogrammetric works.
Latin American Remote Sensing Week 2010
P á g i n a | 215
Compared to classic film cameras (230 x 230 mm format) or high-end digital systems, the professional digital frame cameras have smaller ground coverage area, although this scenario is rapidly changing with the new versions of the sensor resolution (50-60-80 Mpixels). On the other hand, the professional digital cameras allow the development of light weight and low cost aerial photogrammetric systems. Due to this favourable cost/benefit ratio, many companies have adapted with success professional digital frame cameras to produce aerial mapping systems, as DigiCam (IGI), DSS (Digital Sensor System – Applanix) and SAAPI (Lightweight Airborne Image Acquisition System - Engemap). Others independents systems based on this category of camera for different photogrammetric applications were previously implemented, as showed in Mostafa and Schwarz (2000), Habib et al. (2002), Roig et al. (2006) and Petrie (2009). Within this context, this paper presents the geometric results achieved for a large block of images acquired by SAAPI in order to assess the geometric accuracy of this category of mapping system.
2. SAAPI SYSTEM
The SAAPI system (Lightweight Airborne Image Acquisition System) was developed by
Engemap Company in Brazil, with UNESP partnership and FAPESP (The State of São Paulo
Research Foundation) grant in the project first phase. This system is composed by an
acquisition platform, control and power units (Figure 1).
The main features of the system are:
- RGB and Infrared professional digital cameras at same resolution - 50 megapixels each one (to be upgraded to 60 megapixels in the next months);
- Direct Georeferencing system; - Specific rigid housing for the cameras; - Autonomous system of triggering, high precision data synchronism and logging and
storage in SSD (Solid State Disk); - Software for automatic flight plan generation (integrated to the GPS and Google Earth),
real time navigation and system control, and flight post processing data; - Modular design: light weight (about 60 kg the complete system, including power unit)
and less power consumption needs (12V). These features allow high flexibility for installing the system in different kinds of aircrafts, mainly in small aerial platforms.
Figure 1. The SAAPI system.
Latin American Remote Sensing Week 2010
P á g i n a | 216
The technical specifications of the cameras that compose the SAAPI acquisition platform are
given in Table 1.
Focal length 50 or 35 mm
Pixel size 6 m
Radiometric
resolution 12 bit
Image size
8176 x 6132
pixels (50
megapixels)
Image size 49 x 36.9 mm
Approximated
field of view -
each camera
(along/across
track)
46/59 - 50
mm lens
63/78 - 35
mm lens
Table 1: Technical specifications of the cameras in SAAPI system.
Several aerial survey projects were performed with success by Engemap Company in the
latest three years with the SAAPI system, including urban and environmental mapping,
highways, power lines and pipeline applications. These projects include cartographic mapping
products generation in different scales, from 1:10000 (image resolution of 60-80 cm) to
1:1000 (image resolution of 10-15 cm).
Nowadays, the main projects that are being carried out by Engemap Company in Brazil using
the SAAPI system are:
- Bahia state mapping, where digital imagery over an area of 600.000 km2 are being acquired with a GSD of 80 cm for DSM (Digital Surface Model) and Orthophoto generation;
- Santa Catarina state mapping: RGB and infrared digital imagery of an area of 97.000 km2 with a GSD of 39 cm for DSM (Digital Surface Model), DTM (Digital Terrain Model), Orthophoto generation and hydrography restitution.
3. BACKGROUND
In general, camera calibration is performed before aerial surveying and the IOP (Interior
Orientation Parameters) are usually estimated by laboratory methods or field method,
including close range camera calibration. These parameters are constrained in bundle block
triangulation, with the image coordinates being a priori corrected for the systematic errors
Latin American Remote Sensing Week 2010
P á g i n a | 217
(lens distortion, photogrammetric refraction and, less common, affine deformation). This
solution leads to a more simplified bundle adjustment model, with less parameters to be
estimated and without high correlations between the estimated IOP and EOP (Exterior
Orientation Parameter)
The camera IOP (focal length, principal point coordinates, lens distortions, affine
deformations) can be estimated during the bundle block adjustment based on the collinearity
equations with additional parameters that can be written by using different model. Even
knowing that the use of additional parameters can result in high correlations between
parameters, it is important to consider the differences in the environmental conditions
between the calibration field and the flight area. Moreover, the operation and the handling of
the cameras during the flight projects can modify the inner geometry of the cameras
(depending on the optical and sensor stability of the camera model) and this changes can
affects the bundle reconstruction.
Generally polynomial models were used as additional parameters in bundle block adjustment.
In this approach the focal length and the principal point coordinates are constrained with its a
priori calibrated values and the polynomial coefficients aims at to absorb the residual
systematic errors related to the lens distortion, shrinkage and other non modeled
deformations. The process in which these models are used is generally known as self
calibration and was developed in the seventies; nevertheless some authors argue that this
term should be related to the camera calibration with a minimum set of constraints and even
without ground control and that a better term should be in-situ or on-the-job calibration
(Clarke and Fryer, 1998). Examples of groups of additional parameters are Ebner, Brown and
Grun models (Muray et al, 1984; Mikhail et al, 2001; Clarke and Fryer, 1998).
It is of crucial important to analyze the correct use of these additional parameters groups for
digital cameras, since that many errors existing in analog film cameras, like shrinkage or
errors due to comparator measurements are unsuitable for digital sensors. In order to
investigate this subject, some experiments using LPS (Leica Photogrammetry Suite) software,
in which triangulation module was set to use additional parameters, were carried out. Images
collected with a 39 MP Hasselblad digital camera were used. In the performed experiments it
was verified that using only the radial lens distortion provided better results on the object
space reconstruction than the polynomial models (Brown, Ebner, Bauer and Jacobsen). Details
of these tests are presented in Ruy et al (2008).
In this context the experiments presented in this paper were carried out with bundle block
adjustment performed by the INPHO package software (Match-AT, Match-T) with blocks of
images acquired by SAAPI system. In these experiments the camera calibration parameters
were computed in a small block with dense control points distribution and the entire block of
images was processed with different control points
configurations. Moreover it is presented the DSM quality achieved with this image block.
Latin American Remote Sensing Week 2010
P á g i n a | 218
4. EXPERIMENTAL ASSESSMENT
In this chapter a set of experiments with bundle block adjustment and DSM generation with Bahia image block are presented. This block is composed by 2997 images distributed in 48 strips. The flight height was 4670 m, resulting in GSD (Ground Sample Distance) of 80 cm. Bundle Block adjustment
For this block the processing and analysis were carried out with 127 GCPs (Ground Control Points) and 26 check points. The tie points were automatically measured in the INPHO Match-AT software, with a rigorous quality control. It was measured 1,092,365 points in the entire block. The GPS/INS shift/drift model error was used to absorb residual systematic errors in the camera positions, because of block dimensions. In this work it is also assessed an approach that relies on the calibration in a sub-block with a dense control points distribution (See marked area in Figure 2). The IOP estimated in this sub-block are then used in the whole block, with a reduced set of GCP. Figure 2 shows the complete block of images related to the Bahia project as well as the ground control and check points distribution. In the left-up region is show the sub-block with dense GCP distribution.
Figure 2. Complete block (2997 images) with control (127 points) and check points (26 points) distribution and a sub-block with control and check points distribution (marked).
The Bahia project is a large aerial survey project (600,000 km2) that is being developed by Engemap Company since 2009. The image block used in this study is located in south-west part of Bahia state in Brazil, as showed in Figure 3.
Latin American Remote Sensing Week 2010
P á g i n a | 219
Figure 3. Geographic location of the studied block of images.
In order to assess the approach that uses a sub-block for computing the IOP an on-the-job calibration using 344 images (marked area in Figure 2) and 154 control points was carried out in the Match-AT INPHO software (In-Block module). The computed parameters are presented in the Table 2.
f (mm) 35.645 ± 0.003
x0 (mm)
-0.065 ± 0.002
y0 (mm)
0.176 ± 0.002
K1 (mm-2)
-7.167 x10-05 ± 2.710 x10-08
K2 (mm-4)
5.958 x10-08 ± 6.501 x10-11
K3 (mm-6)
-8.315 x10-12 ± 4.821 x10-14
P1 (mm-2)
-5.729 x10-06 ± 5.433 x10-08
P2 (mm-2)
3.795 x10-07 ± 5.511 x10-08
Table 2: IOP parameters and their estimated standard deviations computed with on-the-job calibration using a sub-block of 344 images.
Brazil
Bahia state
Studied Block in
the Bahia project
(2997 images)
Latin American Remote Sensing Week 2010
P á g i n a | 220
After that, a set of experiments with the complete block (2997 images) and different number of control points was performed: With all control points (127 points); With 79 control points; With 41 control points; With 18 control points. For all these tests the complete set of 26 check points were used for verifying the 3D
reconstruction quality
in each situation. Table 3 presents the RMS (Root Mean Square) error in the control and check points for each experiment. In the last column of this table it is presented the expected accuracy (e) of the object space coordinates for the block of images. This theoretical accuracy is computed as a function of the measured point error, the block definition and the geometry of the acquisition, as defined in Krauss and Waldhaus (1993). This expected accuracy is only used as a reference value for the object space reconstruction.
Experiment
e A B C D
RMS (m)
Control Points
X 0.22
2 0.20
8 0.20
1 0.14
8 -
Y 0.19
9 0.19
5 0.19
0 0.13
7 -
Z 0.18
8 0.17
6 0.13
4 0.08
6 -
RMS (m)
Check Points
X 0.40
5 0.41
4 0.43
2 0.52
1 1.29
Y 0.42
8 0.43
4 0.44
5 0.46
5 1.29
Z 0.75
3 0.77
4 0.71
4 0.81
2 2.42
0 RMS
(GSD) Check Points
X 0.5 0.5 0.5 0.6 1.6 Y 0.5 0.5 0.6 0.6 1.6
Z 0.9 1.0 1.0 1.0 3.0
Table 3: RMS values of the discrepancies in the control and check points for the Bahia complete block (2997 images).
The experiments were performed with the IOPs computed in the sub-block (344 images) in order to assess the approach that computes the IOPs parameters using a sub-block of images with a dense control point distribution and applying later these IOPs in the complete block with reduced GCPs. By analyzing Table 3 it can be verified that when the number of GCPs was reduced seven times (experiment D), the quality of the solution in the object space was kept, when compared to the experiment A that used all the GCPs. The accuracy in the 3D reconstruction was around 1/2 GSD in planimetry and one GSD in altimetry. For the analysis of the experiments presented in this work it was verified that the IOPs computed in the sub-block can be successfully applied to the complete block with a considerable reduction of GCP, provided that the direct georeferencing system is used. In this
Latin American Remote Sensing Week 2010
P á g i n a | 221
case it was verified that one control point every 20 images on the same strip flight and one control point every 8 strip flights are enough to guarantee the quality of the solution.
DSM generation
The main product of the Bahia project that is being generated by Engemap Company is the DSM of the entire Bahia state with 5 m of resolution. Figure 4 shows an example of DSM generated for the studied area presented in this paper. The quality control of the products is being independently performed by the official Cartographic Army agency in Brazil - DSG (Geographic Service Division). For this DSM resolution (5 m) the Brazilian norms establishes that 90% of the altitude values of measured points on the product must have error less than 2.5 m and the RMS errors have to be less than 1.8 m, when compared to the check points collected in the field. For the quality control of the DSM related to the studied area presented in this paper, 111 check points were used by the DSG agency. The results are presented in Table 4.
Figure 4. Example of DSM generated for the Bahia project.
Max. (m) Min. (m) Average (m) RMS
(m)
RMS (GSD)
Error 2.439 0.005 0.668 1.043 1.3
Table 4: Results of the quality control in the studied block.
Latin American Remote Sensing Week 2010
P á g i n a | 222
Considering the results presented in Table 4 it can be seen that the accuracy of the DSM is
clearly compatible with the specifications of the project, with the maximum individual error in
2.4 m and RMS error around 1 m.
By definition the DSM is related to the surface of the terrain and the absolute altitude or
elevation of the points above the terrain, as showed in Figure 5.
Figure 5. DSM representation.
It was verified by the results of the quality control of DSM that there was a small tendency in
the values (see the average column in Table 4). This tendency was mainly positive, because
the values of heights measured on the DSM are higher than the corresponding ones obtained
by the geodetic instruments in field (check points). This bias can be explained, in part, by the
smoothing effect of DSM due to buildings, trees and others entities above the terrain artefacts
(see Figure 5). Then, if the check point for the quality control was collected near to these
features a difference in the DSM model can be expected in the quality analysis.
5. CONCLUSIONS
This paper presented an outline of the SAAPI system that is a digital acquisition platform for
photogrammetric applications composed by professional digital frame cameras in a modular
design, with flexibility and light-weight that can be installed in different kinds of aircrafts and
helicopters that can be used for fast mapping production.
The results obtained with the bundle block adjustment and DSM quality control showed that
this type of digital acquisition system can be successfully used for mapping projects, provided
that rigorous photogrammetric processing workflow is used.
One of the limitations of the digital professional frame cameras is the sensor dimension, which results in an increase of the number of images and measured points in the photogrammetric projects. Nowadays this limitation is becoming irrelevant due to the new sensors resolution of digital cameras (50-60-80 mpixels), the GPS/INS integration and the high performance of photogrammetric software available, like Inpho package, that allow the fully automation and fast processing of the photogrammetric products.
terrain Point on the
terrain
Point on the
DSM
Latin American Remote Sensing Week 2010
P á g i n a | 223
6. REFERENCES
Clarke, T. A.; Fryer, J. G. The development of camera calibration methods and models. The Photogrammetric Record, 16 (91), pp. 51-66, 1998. Habib, A., M. Morgan, and Y. Lee, 2002. Bundle adjustment with self-calibration using straight lines, Photogrammetric Record, 17(100):635-650. Kraus, K.; Waldhausl, P., 1993. Photogrammetry – Fundamentals and Standard Processes. UMMLER/BONN, v.1. Mikhail, E. M.; Bethel, J. S. Mcglone, J. C., 2001. Introduction to Modern Photogrammetry. Inc. New York : John Wiley & Sons, 479p. Mostafa, M.M.R., and K.P. Schwarz, 2000. A Multi-Sensor System for Airborne Image Capture and Georeferencing. Photogrammetric Engineering & Remote Sensing, 66(12):1417-1423. Muray, S.; Matsuoka, R.; Okuda T., 1984. A study on Analytical Calibration for non Metric Camera and Accuracy of Three Dimensional Measurement. In: The International Archives of Photogrammetry and Remote Sensing - XVth ISPRS Congress – Commission 5, Rio de Janeiro, Vol.25, Part V pp. 570-579. Petrie, G., 2009. Systematic Oblique Aerial Photography Using Multiple Digital Frame Camera, Photogrammetric Engineering & Remote Sensing, 75(2):102-107. Roig, J., M. Wis, and I. Colomina, 2006. On the geometric potential of the NMC digital camera, Proceedings of the International Calibration and Orientation Workshop – EuroCOW 2006, 25-27 January, Castelldefels, Spain, unpaginated CDROM. Ruy, R. S.; Tommaselli, A. M. G.; Galo, M.; Hasegawa, J. K.; Menossi, R. C., 2008. Fototriangulação com parâmetros adicionais para câmaras digitais: uma avaliação experimental. Boletim de Ciências Geodésicas, Curitiba, vol.14, n. 4, pp. 571-587.
Latin American Remote Sensing Week 2010
P á g i n a | 224
27.- EVALUACIÓN DE LA CALIDAD DE LOS DEM SRTM Y ASTER EN UNA CUENCA COSTERA DE LA REGIÓN DE LA ARAUCANÍA, BAJO DISTINTAS CONDICIONES DE
RELIEVE Y COBERTURA VEGETAL
Daniel Rozas Vásquez
Laboratorio de Planificación Territorial, Escuela de Ciencias Ambientales, Facultad de
Recursos Naturales, Universidad Católica de Temuco, Chile. [emailprotected]
Gonzalo Rebolledo Castro
Laboratorio de Planificación Territorial, Escuela de Ciencias Ambientales, Facultad de
Recursos Naturales, Universidad Católica de Temuco, Chile. [emailprotected]
Patricia Gutiérrez Zamorano
Laboratorio de Planificación Territorial, Escuela de Ciencias Ambientales, Facultad de
Recursos Naturales, Universidad Católica de Temuco, Chile. [emailprotected]
Resumen: El conocimiento del factor topográfico es un insumo básico para comprender gran parte de los procesos ocurridos en la superficie de la tierra. Es por esto, que para facilitar el procesamiento computacional de la información se ha generado lo que se conoce como Modelo de Elevación Digital (DEM). Las crecientes necesidades de contar con datos de elevación con una baja demanda de tiempo, procesamiento y a un costo accesible, ha incentivado el desarrollo de diversas plataformas satelitales destinadas a generar información de la superficie terrestre en forma de DEM, sin embargo, a pesar de que los rangos de precisión están en general bien descritos para cada plataforma, diversos autores recomiendan que las validaciones deben realizarse a nivel local para tomar mejores decisiones. El objetivo de este trabajo es realizar un análisis cuantitativo de la calidad de los DEM SRTM y ASTER comparados con puntos de control terrestre bajo diversos tipos de relieve y cobertura vegetal. El análisis comparativo se baso en la definición de cuatro tipologías de superficie terrestre en las cuales se capturaron datos de altitud GPS para su posterior contraste con los DEM. Los resultados indican que existen diferencias significativas entre la distribución de los errores en cada tipología de superficie, siendo comparativamente menores en sectores de llanura, aunque indistintamente del tipo de cobertura vegetal. En relación a la calidad de ambos modelos, SRTM se presenta con mejores resultados en cada uno de los parámetros evaluados tanto a nivel global como por tipologías.
Abstract: Knowledge of the topographic factor is a basic input to encompass most of the processes occurring at the surface of the earth. Therefore, in order to facilitate computer processing of information has created what is known as Digital Elevation Model (DEM). The growing need for elevation data with a low demand time, processing and affordable, has encouraged the development of various satellite platforms designed to generate information of the earth's surface in the form of DEM, however, despite precision ranges are generally well described for each platform, several authors recommend that validation must be done locally to make better decisions. The aim of this paper is presents a quantitative analysis of the quality of the SRTM and ASTER DEM compared with ground control points under various types of terrain and vegetation. The comparative analysis was based on the definition of four
mailto:[emailprotected]
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 225
types of land area in which was captured GPS altitude data to contrast with the DEM. The results indicate that significant differences exist between the distribution of errors in each type of surface and comparatively lower in areas of plain, but regardless of the type of vegetation. In relation to the quality of both models, SRTM is presented with the best results in each of the parameters assessed both globally and by type.
Palabras clave: Modelo de elevación digital, evaluación de la calidad DEM, SRTM, ASTER.
1. INTRODUCCIÓN
El conocimiento del factor topográfico es un insumo básico para comprender gran parte de los
procesos ocurridos en la superficie de la tierra (Hook, 1998). Se utiliza en análisis de ecología,
hidrología, riesgos naturales, entre muchos otros, como una variable de base para explicar y
predecir ciertos comportamientos mediante la modelación (Jarvis et al., 2004). En este
contexto, para facilitar el tratamiento y análisis computacional de esta información, surge el
concepto de Modelo de Elevación Digital (DEM). Un DEM es una estructura numérica de datos
que representa de forma cuantitativa y continua las características topográficas del territorio
(Felicísimo, 1998; Chaplot et al., 2006).
En la actualidad, existe una creciente demanda de datos de elevación tanto por parte de
organismos públicos, privados, centros de investigación y universidades, los que pueden ser
generados a partir de mapas topográficos, fotografía aérea, sistemas GPS, datos de sensores
láser como el LIDAR, sensores radares o mediante imágenes satelitales estereoscópicas. Sin
embargo, en estudios que requieren información sobre extensas superficies, la ventaja que
presentan los sistemas satelitales es ampliamente superior. Esto dado principalmente por la
relación de costo/tiempo/beneficios que presentan, además de la consistencia de los datos ya
que son capturados en un mismo momento y bajo iguales condiciones atmosféricas y de
calibración del sensor (Roa & Kamp, 2008). Es por esto que en las últimas décadas se han
desarrollado una serie de plataformas satelitales que capturan datos de la superficie terrestre
generando DEMs.
Entre los sistemas satelitales que ofrecen datos topográficos, se encuentran plataformas cuya
información está disponible de manera gratuita, de fácil acceso y con una disponibilidad a
nivel global. Entre estos, está el sistema radar Shuttle Radar Topographic Mission (SRTM),
uno de los más ampliamente utilizados, y el sistema ASTER (Advance Space Borne Thermal
Emisión and Reflection Radiometer), que destacan por su alta resolución espacial y
disponibilidad global. Si bien, ambos sistemas presentan rangos de precisiones conocidas, son
muchos los autores que señalan que esta dependerá finalmente de las condiciones locales
presentes en el área de estudio (Kiamehr & Sjöberg, 2005; Schumann et al., 2008; Li & Wong,
2009). Por otra parte, nuestra capacidad de poder entender y modelar de mejor forma los
distintos procesos dependerá en gran medida de la calidad de la información topográfica que
tengamos disponible, en este caso de los DEM.
Latin American Remote Sensing Week 2010
P á g i n a | 226
El objetivo de este trabajo es realizar un análisis cuantitativo de la calidad de los DEM SRTM y
ASTER, comparados con puntos de control terrestre, evaluando la distribución y magnitud de
los errores en función del tipo de relieve y la cobertura vegetal.
2. METODOLOGÍA
El área de estudio corresponde a la cuenca del río Queule, localizada entre los 39° 3’ y 39° 25’
de Latitud Sur y los 72° 51’ y 73° 13’ de Longitud Oeste. Posee una superficie de 69.143
hectáreas distribuidas en tres principales cuencas costeras: la del río Queule inferior, río
Boroa y río Boldo, cuyo relieve se caracteriza por cordones montañosos, plataformas de
erosión marina y extensas planicies fluviomarinas (Peña-Cortes et al., 2006). El clima según Di
Castri y Hajek (1976) es oceánico con influencia mediterránea con un promedio anual de
precipitaciones de 1.200 mm a 1.600 mm.
2.1. Procesamiento cartográfico
Los datos de elevación fueron obtenidos de las fuentes libres disponibles en internet. Para el
caso de SRTM, la imagen fue descargada del sitio http://srtm.csi.cgiar.org/ obteniendo el
producto estándar SRTM-v4 de 90 mt. El DEM ASTER fue descargado desde el sitio
https://wist.echo.nasa.gov. En ambos casos las imágenes fueron trabajadas con un tamaño de
pixel de 30 metros, proyección UTM y Datum WGS84, con una altitud considerada al nivel
medio del mar con el modelo geoidal EGM96, mismo sistema utilizado para la captura de
puntos de control en terreno.
La identificación de la cobertura vegetal y tipo de relieve presentes en el área de estudio se
realizó en base a los datos del Catastro de Recursos Vegetacionales de Chile (CONAF–
CONAMA–BIRF, 2007), información cartográfica Regional y del proyecto DGIP-UCT 2009-03-
03 respectivamente. El procesamiento y análisis de la información fue realizado con el
software ArcGis 9.3.
2.2. Análisis comparativo
Para evaluar las diferencias en la calidad de ambos DEM, se trabajo con cuatro principales
tipologías de superficies basadas en las condiciones de relieve y la cubierta vegetacional
presente. Estas tipologías consideraron los rangos más extremos entre ambas variables
consideradas, es decir, para el caso del relieve se consideraron unidades de cordones
montañosos y llanuras, mientras que para la vegetación se consideraron sectores de praderas
y zonas boscosas, con las tipologías y replicas indicadas en la tabla 1. En cada una de las
combinaciones generadas se realizó la toma de puntos de control mediante equipos GPS
L1/L2 con método absoluto (Ocup. 2’). Los puntos fueron procesados y convertidos en una
capa Shape vectorial para extraer el correspondiente valor dado por los DEM SRTM y ASTER.
Latin American Remote Sensing Week 2010
P á g i n a | 227
Tabla 1. Tipologías de superficies muestreadas.
Tipología de Superficie N°
Puntos
Zonas boscosas en cordón montañoso (ZBCM) 14
Zonas boscosas en llanura (ZBL) 5
Zonas de pradera en cordón montañoso (ZPCM) 12
Zonas de pradera en llanura (ZPL) 13
Para la comparación entre las distintas fuentes de información se realizó una primera
aproximación general de los datos, la que consistió en un análisis de varianza entre los errores
observados en cada tipología para comprobar si efectivamente existen diferencias
significativas por efectos de la configuración de la superficie.
Los criterios de análisis empleados para establecer la calidad de cada DEM, se basaron en las
diferencias de altitud entre cada punto de control GPS (Valor observado) y los obtenidos de
los modelos de elevación (valor esperado). Para esto se consideraron los siguientes
parámetros: Error cuadrático medio (RMSE), Sesgo (BIAS), Error medio absoluto (MAE) y el
Coeficiente de correlación (R2). Los resultados se agruparon por tipología evaluando la
distribución y magnitud en cada una de ellas.
Finalmente se elaboró un DEM de diferencias entre los modelos SRTM y ASTER, en el cual se
indica la magnitud de estas en cada píxel.
3. RESULTADOS Y DISCUSION
Los DEM analizados presentaron diferencias significativas (p-valor 0,026; α 0,05) en relación
a la distribución de errores entre las cuatro tipologías de superficie estudiadas. Lo anterior se
puede apreciar con detalle en la tabla 2, en la cual tanto para el caso de SRTM como de ASTER
se observan valores comparativamente más bajos de RMSE y MAE en tipologías de bajo
relieve. Respecto al tipo de cobertura predominante, esta presentó una leve influencia en
sectores de cordón en donde las zonas boscosas obtuvieron valores más altos de error que en
coberturas con praderas.
Tabla 2. Distribución y magnitud de los errores entre puntos de control terrestre y los
DEM SRTM y ASTER. RMSE = Error cuadrático medio; BIAS = Sesgo; MAE = Error medio
absoluto; R2 = Coeficiente de correlación.
PLATAFORMA SATELITAL SRTM ASTER
Zonas de muestreo / Indicador RMSE BIAS MAE R2 RMSE BIAS MAE R
2
Total área de estudio 10,93 -1,7 8,2 0,998 15,92 -7,6 10,86 0,996
Zonas boscosas en cordón montañoso 14,8 -2,8 12,8 0,997 20,1 -13,8 15,8 0,996
Latin American Remote Sensing Week 2010
P á g i n a | 228
Zonas boscosas en llanura 3,2 1,2 3 0,151 4,3 2,6 2,9 0,179
Zonas de pradera en cordón montañoso 12,3 -7,2 9,9 0,998 19,8 -13,9 14,7 0,997
Zonas de pradera en llanura 5,2 3,4 3,6 0,989 7,3 0,8 5 0,592
Por otra parte, si bien el ajuste global de los datos derivados de los distintos DEM se
correlacionó fuertemente con los puntos de control, al efectuar el análisis por tipologías estas
correlaciones tendieron a bajar levemente en algunos sectores, siendo las zonas boscosas en
llanura las que presentaron los valores más bajos. Lo anterior puede deberse a la escaza
cantidad de puntos de muestreo que se lograron capturar en esas áreas producto de que se
trataba de bosques pantanosos de difícil acceso vial e inundados la mayor parte del año.
En relación a la calidad de ambas fuentes de información, se observa que el DEM SRTM
presenta mejores resultados de ajuste con los datos de terreno que ASTER, tanto en términos
globales como en cada una de las tipologías de superficie. Por otra parte ambas plataformas
presentaron efectos de subestimación o sobreestimación con respecto a los puntos de control,
los que también estuvieron diferenciados según la tipología de la superficie, siendo positivos
(sobre estimación) en zonas de llanura y negativos (sub estimación) en cordones. En todos los
casos fueron más preponderantes en el sensor ASTER, excepto para las zonas de pradera en
llanura.
La comparación pixel a pixel entre ambos DEM presentó valores que oscilan entre los -70 y los
156 mt, siendo las diferencias positivas las que concentran la mayor parte de los pixel. La
figura 1 presenta la magnitud y distribución de estas disimilitudes.
Figura 1. DEM de diferencias entre los modelos SRTM y ASTER.
Latin American Remote Sensing Week 2010
P á g i n a | 229
Como se observa, las mayores diferencias se encuentran en sectores de cordón montañoso, los
que en el área de estudio se caracterizan por poseer predominantemente coberturas boscosas
ya sea naturales o plantaciones. En este sentido para el caso de SRTM están descritos los
efectos de sobre estimación que generan este tipo de cubiertas en la captura de los datos, lo
cual explica las altas diferencias positivas que se presentan en estos sectores en relación al
sensor ASTER. A pesar de lo anterior, para la cuenca costera estudiada se recomienda el uso
de datos de elevación SRTM ya que presentó un mejor ajuste tanto en términos globales como
por cada tipología.
4. BIBLIOGRAFÍA
Chaplot, V., Darboux, F., Bourennane, H., Leguédois, S., Silvera, N., and Phachomphon, K., 2006.
Accuracy of interpolation techniques for the derivation of digital elevation models in relation
to landform types and data density. Geomorphology, Vol. 77, p. 126-141.
CONAF-CONAMA-BIRF., 1999. Catastro y evaluación de recursos vegetacionales nativos de
Chile. Informe regional IX Región, Proyecto CONAF, CONAMA, BIRF, Santiago, Chile, 90 p.
Di Castri, F., and Hajek, E., 1976. Bioclimatología de Chile. Ediciones Universidad Católica de
Chile, Santiago, Chile, 128 p.
Felicísimo, A., 1998. Modelos Digitales del Terreno. Introducción y aplicaciones en las ciencias
ambientales. 122 p.
Hook, S.J., 1998. ASTER Validation Plan. Version 1.03, 96 p.
Jarvis, A., Rubiano, J., Nelson, A., Farrow, A., and Mulligan, Mark., 2004. Practical use of SRTM
data in the tropics – Comparisons with digital elevation models generated from cartographic
data. Centro Internacional de Agricultura Tropical (CIAT), Cali, Colombia, N° 198, 35 p.
Kiamehr, R., Sjöberg, L.E., 2005. Effect of the SRTM global DEM on the determination of a high-
resolution geoid model: a case study in Iran. J Geod, Vol. 79, p. 540-551.
Li, J., & Wong, D., 2009 (Article in Press). Effects of DEM sources on hydrologic applications.
Computers, Environment and Urban Systems, p. 1-11.
Roa, J., & Kamp, U., 2008. Modelos de elevación digital (MED) a partir de sistemas satelitales.
Una introducción y análisis comparativo en la cordillera de Mérida-Venezuela. Revista
Geográfica Venezolana, Vol. 49 (1), p. 11-42.
Peña-Cortés, F., Rebolledo, G., Hermosilla, K., Hauenstein, E., Bertrán, C., Schlatter, R., & Tapia,
J., 2006. Dinámica del paisaje para el periodo 1980-2004 en la cuenca costera del Lago Budi,
Chile. Consideraciones para la conservación de sus humedales. Ecología Austral, Vol. 16, p.
183-196.
Latin American Remote Sensing Week 2010
P á g i n a | 230
Schumann, G., Matgen, P., Cutler, M.E.J., Black, A., Hoffmann, L., and Pfister, L., 2008.
Comparison of remotely sensed wated stager from LiDAR, topographic contours and SRTM.
Journal of Photogrammetry & Remote Sensing, Vol. 63, p. 283-296.
5. AGRADECIMIENTOS
Los autores del trabajo agradecen al proyecto DGIP-UCT 2009-03-03 “Determinación de
criterios e indicadores para zonificación ambiental a partir del análisis de factores multiescala
en cuencas del Borde Costero de La Araucanía”.
También se agradece el valioso apoyo de Elías Andrade, alumno del Magister en Planificación
y Gestión Territorial de la Universidad Católica de Temuco.
Latin American Remote Sensing Week 2010
P á g i n a | 231
28.- REPRESENTACIÓN CARTOGRÁFICA DE LOS ECOSISTEMAS DEL ECUADOR CONTINENTAL
Ministerio del Ambiente del Ecuador
Subsecretaría de Planificación Ambiental
Dirección de Información, Investigación y Educación Ambiental
[emailprotected]
www.ambiente.gob.ec
Consorcio para el Desarrollo Sostenible de la Ecorregión Andina
CONDESAN
[emailprotected]
www.condesan.org
Resumen: El Ministerio del Ambiente se encuentra ejecutando el Proyecto “Mapa de
Ecosistemas”, cuyo objetivo es representar cartográficamente los principales ecosistemas a
nivel del Ecuador continental, razón por la cual los esfuerzos del proyecto se han encaminado
hacia la construcción de una leyenda de ecosistemas multiescalar, así como el fortalecimiento
de procesos de interpretación de imágenes de satélite para determinar los ecosistemas,
contrastando y validando dicha información con datos florísticos recopilados en campo.
Abstract: The ministry of Environment is executing the project “Map of Ecosystems”, which has the prime objective to represent cartographically the most important ecosystems that are within the continental Ecuador, for this reason the efforts of the project have been directed to the construction of a legend of multi-scale ecosystem, as to the reinforcement of the processes of interpretation of satellite images to determine the ecosystems, contrasting y validating this information with floral data retrieved in the field.
1. ANTECEDENTES El Ministerio del Ambiente del Ecuador (MAE), como autoridad ambiental nacional, está
encargado de diseñar las políticas ambientales y coordinar las estrategias y proyectos para el
cuidado de los ecosistemas y el aprovechamiento sostenible de los recursos naturales del país.
En este contexto, el MAE ha priorizado el desarrollo del “Mapa de Ecosistemas del Ecuador
Continental” con el objetivo de contar con información espacial actualizada de los
ecosistemas, su remanencia, su nivel de representatividad en el Sistema Nacional de Áreas
Protegidas y una identificación de áreas prioritarias para conservación y restauración.
Adicionalmente, este Proyecto contribuirá a la estructuración de un sistema de monitoreo
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 232
ambiental que permita identificar trayectorias de cambio de las coberturas de la tierra y
analizar el impacto de las políticas nacionales de ordenamiento del territorio sobre el capital
natural. Finalmente, se espera que el proyecto apoye a documentar y reportar el estado de la
biodiversidad del Ecuador en el marco de los tratados y convenios internacionales de los
cuales el país es miembro activo.
2. INTRODUCCION La utilidad de un mapa como herramienta para gestión y monitoreo de biodiversidad a escala
de paisaje o región depende en gran medida de cuan adecuadamente se representa la
variación de la diversidad biológica a escalas ecosistémicas. Un ecosistema, entendido como
un grupo de organismos que interactúan entre sí, y con su entorno físico, engloba
características fisonómicas y taxonómicas de la vegetación las cuales dictan en gran medida la
composición faunística. Adicionalmente, este concepto incluye aspectos relacionados con la
interacción entre los organismos y los factores abióticos como ciclos de materia y nutrientes,
y dinámicas sucesionales. En consecuencia, el mapa de ecosistemas es un elemento clave para
caracterizar la biodiversidad y un requisito necesario para identificar sus patrones
geográficos de variación.
3. MATERIALES Y METODOS Para las descripciones de los ecosistemas se basó en el sistema de clasificación IVC
(International Vegetation Classification) el cual identifica siete factores diagnósticos cruciales
para el mapeo de ecosistemas. De forma general, estos factores cubren las dimensiones
ambientales principales que han sido asociadas con la distribución de ecosistemas en diversos
contextos geográficos. Estas dimensiones incluyen:
COBERTURA DE LA
TIERRA
BIOGEOGRAFIA
BIOCLIMA
GEOFORMA
FENOLOGIA
REGIMEN DE
INUNDACION
PISO ALTITUDINAL DE
VEGETACION ECOSISTEMA
Latin American Remote Sensing Week 2010
P á g i n a | 233
3.1. Cobertura de la tierra La cobertura de la tierra se refiere a las condiciones biofísicas observadas sobre el terreno. La
caracterización espacial de la cobertura de la tierra se realizó utilizando una leyenda temática
nacional que define tipos de coberturas mutualmente excluyentes y homogéneas a diferentes
escalas.
3.1.1. Representación Cartográfica
3.2. Biogeografía La biogeografía estudia las áreas de distribución de las especies, los patrones resultantes de
estos estudios permiten identificar los centros de origen y dispersión de las mismas, así como
comprender los patrones espaciales de la diversidad biológica.
3.2.1. Representación Cartográfica
3.3. Bioclima y Ombrotipo
La temperatura, la precipitación total anual, y la variación mensual o estacional de la
precipitación, son factores que definen en un grado elevado la distribución de los ecosistemas,
para la caracterización del clima se utilizó índices bioclimáticos, con las cuales es posible
inferir la significancia biológica, principalmente en la actividad fotosintética de las plantas.
REINO BIOGEOGRÀFICO, REGION
BIOGEOGRÀFICA, PROVINCIA
BIOGEOGRÀFICA, SECTOR
BIOGEOGRÀFICO, DISTRITO
BIOGEOGRÀFICO
IMAGEN CRUDA
PREPROCESAMIENTO
IMAGEN CORREGIDA
SEGMENTACION CLASIFICACION
AUTOMATICA
ATRIBUCION TEMATICA EDICION VISUAL
CALIBRACION DE CAMPO
COBERTURA DE LA
TIERRA
VALIDACION EN CAMPO
IMÁGENES SATELITALES RAPIDEYE
5 M, 12 BITS, 5 BANDAS, DIARIO
SRTM CRITERIOS DE PAISAJE
COMPONENTES FLORISTICOS
FISONOMIA VEGETACION
Latin American Remote Sensing Week 2010
P á g i n a | 234
3.3.1. Representación Cartográfica
3.4. Geoformas
La orografía y la geomorfología son factores determinantes en la distribución de los
ecosistemas. La tierra sólida constituye la plataforma estable que sirve de sustrato para el
mantenimiento de la capa biótica y es modelada por sus relieves. Estas características del
paisaje, que incluyen montañas, colinas y llanuras, aportan otra dimensión al medio físico y
proporcionan hábitats variados para las plantas.
3.4.1. Representación Cartográfica
3.5. Régimen de Inundabilidad El régimen de inundación puede definir en gran medida la cantidad de nutrientes que reciben
las plantas, lo cual determina niveles de productividad primaria, y a su vez, la energía que se
distribuye en las cadenas tróficas. Esta combinación de la química del agua y la frecuencia con
la que inunda ciertos sitios puede tener un efecto profundo en los ecosistemas.
3.5.1. Representación Cartográfica
BIOCLIMA: Xèrico, Pluviestacional,
Pluvial
OMBROTIPO: Árido, Semiárido, Seco,
Sub húmedo, Húmedo, Hiper húmedo,
Ultra hiper húmedo
INDICE OMBROTERMICO (lo)
INDICE OMBROTERMICO DE LA
EPOCA SECA (lod2)
TEMPERATURA MAXIMA MENSUAL
PRECIPITACION TOTAL MENSUAL
TEMPERATURA MINIMA MENSUAL
TEMPERATURA MENSUAL
WORDCLIM
ESTACIONES
METEOROLO
GICAS
RELIEVE
GENERAL,
MACRORELIEVE,
MESORELIEVE
SRTM
PENDIENTE ABSOLUTA
ELEVACION ABSOLUTA
PENDIENTE RELATIVA EN UN VECINDARIO
AMPLITUD DE LA ELEVACIÓN EN UN
VECINDARIO
HIPSOGRAFIA
TEXTURA TOPOGRAFICA
CLASIFICACION POR
UMBRALES, FORMAS
DEL TERRENO
EDICION E
INTERPRETACION
IMAGEN EPOCA ESTIAJE
IMAGEN EPOCA INUNDACION
DETECCION DE
CAMBIOS
AREAS INUNDABLES,
AREAS NO INUNDABLES,
AREAS INUNDADAS
IMÁGENES
SATELITALES
RAPIDEYE
MAPA HIDROGRAFICO DATOS DE CAMPO AGUAS CLARAS, AGUAS BLANCAS, AGUAS NEGRAS
Latin American Remote Sensing Week 2010
P á g i n a | 235
3.6. Fenología general La fenología corresponde a un conjunto de procesos ecosistémicos asociados con la
productividad que se ajustan a ciertos ritmos periódicos como la floración, la maduración de
los frutos, entre otros. Estos cambios estacionales están determinados tanto por factores
físicos del ambiente como por mecanismos de regulación internos de las plantas.
3.6.1. Representación Cartográfica
3.7. Pisos altitudinales de vegetación La variación en la altitud es un determinante muy fuerte de la vegetación y de los tipos de
ecosistemas. Esto ocurre principalmente porque la altitud está altamente correlacionada con
disminución en la temperatura, y muy frecuentemente, con incrementos en la precipitación y
esta variación altitudinal está asociada con la distribución de formaciones vegetales
discontinuas.
3.7.1. Representación Cartográfica
3.8. Integración del Modelo de Representación de Ecosistemas
NDVI EPOCA 1
NDVI EPOCA 2
DETECCION DE
CAMBIOS
SIEMPREVERDE,
SIEMPREVERDE
ESTACIONAL,
SEMIDECIDUO,
DECIDUO
IMÁGENES
SATELITALES
RAPIDEYE
SRTM
INDICE DE TERMICIDAD
CLASIFICACION
TIERRAS BAJAS, PIEMONTANO,
MONTANO BAJO, MONTANO,
MONTANO ALTO, MONTANO
ALTO SUPERIOR, SUBNIVAL,
NIVAL
ECOTONO EN CAMPO
BIOCLIMA PISO
ALTITUDINAL
OMBROTIPO REGIMEN DE
INUNDACION
GEOFORMA
(MESORELIEVE)
FENOLOGIA BIOGEOGRAFIA
(SECTOR
BIOGEOGRAFICO)
UNIDADES
BIOCLIMATICAS
UNIDADES
GEOMORFOLOGICAS
UNIDADES
AMBIENTALES
LEYENDA DE
ECOSISTEMAS
ECOSISTEMAS
POTENCIALES ECOSISTEMAS
REMANENTES
COBERTURA DATOS
FLORISTICOS
Latin American Remote Sensing Week 2010
P á g i n a | 236
4. RESULTADOS PRELIMINARES 4.1. Cobertura de la tierra 4.2. Biogeografía (Sectores)
4.3 Bioclima y Ombrotipo 4.4. Geoformas
Latin American Remote Sensing Week 2010
P á g i n a | 237
4.5 Régimen de Inundabilidad 4.6. Fenología
4.7 Pisos Altitudinales de Vegetación 4.8. Mapa de Ecosistemas
5. CONCLUSIONES Con el fin de afinar el modelo expuesto, el Ministerio del Ambiente del Ecuador se encuentra realizando un proceso de actualización y mejoramiento de cada una de las variables, interactuando con las instituciones generadoras de información oficial en cada una de las temáticas relacionadas con la representación cartográfica de Ecosistemas. Con el objetivo de dar sostenibilidad en el tiempo el Ministerio del Ambiente del Ecuador
implementará un sistema de monitoreo de Ecosistemas que permita obtener un instrumento
para el planteamiento de directrices que conlleven a una mejor utilización del territorio.
Latin American Remote Sensing Week 2010
P á g i n a | 238
6. BIBLIOGRAFIA Josse, C., et al., Ecological Systems of Latin America and the Caribbean: A Working Classification of Terrestrial Systems. 2003, NatureServe: Arlington, VA. p. 47. 6. Sierra, R., ed. Propuesta Preliminar de un Sistema de Clasificación de Vegetación para el Ecuador Continental. 1999, Proyecto INEFAN/GEF-BIRF y EcoCiencia: Quito, Ecuador. Rivas-Martínez, S., Global Bioclimatics. 2008.
Latin American Remote Sensing Week 2010
P á g i n a | 239
29.- ADVANCES IN AIRBORNE LIDAR TECHNOLOGY FOR FORESTRY AND OTHER 3D MAPPING APPLICATIONS
Valerie Ussyshkin a, Livia Theriault
a
a Optech Incorporated, 300 Interchange Way, Vaughan, Ontario, Canada L4K 5Z8
[emailprotected], [emailprotected]
KEY WORDS: Lidar, Airborne, Measurement, Data, 3D mapping, Forestry
ABSTRACT:
Over the past decade airborne lidar technology has seen the development of new systems
capable of providing highly accurate geospatial data with unprecedented efficiency for a
variety of applications. Unlike two-dimensional aerial imagery, the elevation component of
airborne lidar data provides the ability to represent complex vertical structures of ground
targets with very high precision, which is a prerequisite to many lidar applications focusing
on the analysis of elevated features, particularly, in forestry. However, many conventional
airborne lidar systems used in the commercial lidar sector for mapping complex 3D targets
such as vegetation and forested areas have been limited in their ability to collect data of
sufficient quality for sophisticated data analysis in the vertical domain.
This paper presents an overview of the evolution of specific features of airborne lidar
technology concerning 3D mapping applications, particularly in forestry and vegetation
mapping, which are considered to be of special importance in Latin America. Several key
performance characteristics of commercial airborne lidar systems are discussed in the
context of precise mapping of complex vertical targets, and illustrated by the most advanced
capabilities of the ALTM Orion, a new airborne lidar mapper manufactured by Optech
Incorporated. It is demonstrated that the Orion’s unique combination of exceptional elevation
precision with enhanced vertical target discrimination and vegetation penetration
capabilities produces lidar data of enhanced quality, which can represent complex 3D targets
such as vegetation structure equivalent in some aspects to the content of full waveform (FW)
data. It is shown that the recent advances in conventional airborne lidar technology bear the
potential to create a new application niche where top-quality dense point clouds, enhanced
by fully recorded intensity for multiple returns, may provide sufficient information for
modeling some vegetation parameters which have traditionally been derived mainly from full
waveform data.
1. INTRODUCTION
Airborne lidar technology has been successfully used for forestry and vegetation surveying
and mapping application for more than two decades beginning with several demonstration
studies back in the early eighties. One of the first attempts to use airborne lidar for these
purposes was reported by Arp and co-authors on a custom-designed lidar, which was
mailto:[emailprotected]
mailto:[emailprotected]
Latin American Remote Sensing Week 2010
P á g i n a | 240
successfully used to map tropical forest in Central America (Arp at all, 1982). In the mid
1980s, the Canadian Forestry Service demonstrated the applicability of profiling lidar for the
estimation of stand heights, crown cover density and ground elevation below the forest
canopy (Aldred and Bonner, 1985). These and following studies showed that lidar data
profiling vegetation canopy could be used to quantify many other forest attributes including
above-ground biomass, basal area, mean stem diameter, vertical foliar profiles and canopy
volume, and others characteristics (Means et al., 1999; Nelson et all, 1984, Lefsky et al., 1999;
Dubayah and Drake, 2000).
In the beginning most of the attempts to use airborne lidar for mapping such complex 3D
targets as tropical forest or vegetation canopy were done mostly on a non-commercial basis
using specially designed airborne lidar systems. Later when airborne lidar sensors became
widely commercially available, numerous studies on forestry applications based on the use of
commercial lidar systems have been reported. (Kopela, 2010, Wagner, 2008)
However, the use of airborne lidar technology for forestry applications has been only
partially commercialized for a number of reasons; some of them are listed below (Nelson et
all, 2003):
● Laser data post-processing requires the attention of specialists and often customized
proprietary software;
● It is only in the last few years that researchers have demonstrated beyond a reasonable
doubt that lidar data can be used to create reliable maps of tree height, canopy density, bio-
mass, and volume;
● The airborne lidar and flight hardware have been expensive.
Although these points seem to reflect the general trend in the use of airborne lidar for
forestry and other vegetation mapping applications, they also imply, to some extent, a certain
misapprehension about different types of airborne lidar sensors, and the way data are
collected and interpreted. Discrete return lidar systems—those most commonly used in
commercial lidar surveying—have long been offered with commercialized software
processing tools, and the workflow established in most mapping applications has become
widely accepted, and does not require specialists or customized software tools. Full
waveform lidar sensors, on the other hand, widely used for forestry research, are often
custom-built on a non-commercial basis and the data workflow and interpretation is very
much customized as well. As forestry research has mainly been focused on full waveform
lidar data analysis, there is a tendency to consider full waveform lidar as the de facto type of
airborne lidar used in forestry applications. This paper will show that commercially available
discrete return airborne lidar sensors are not only useful for vegetation mapping and forestry
applications, but also have evolved to a new level, which in some aspects, might be
comparable with full waveform technology traditionally used for forestry research.
Latin American Remote Sensing Week 2010
P á g i n a | 241
This paper focuses mostly on specific aspects of commercialized airborne lidar technology
relevant to forestry and other 3D mapping applications.
2. DISCRETE RETURN AND FULL WAVEFORM SYSTEMS
An airborne lidar system’s ability to map complex 3D vertical structures and generate high-
quality data comprising complex targets is determined by its hardware design. A vast
majority of airborne lidar sensors currently used in the industry, and particularly those used
in forestry research applications, can be categorized as either discrete return systems (DR) or
full waveform (FW) systems (Ussyshkin and Theriault, 2010b). They differ from one another
mainly with respect to the range sampling measurement method, which produces a more or
less detailed representation of vertical 3D structures in complex targets. The vertical
sampling of lidar systems relates to the number of range measurements recorded for each
emitted laser pulse. Discrete return lidar systems commercially available these days
generally allow for a few, typically four, multiple returns to be recorded for each emitted
laser pulse. A full waveform lidar measures the full profile of a return signal by sampling it in
fixed time intervals and providing a quasi-continuous distribution of the reflected energy for
each emitted laser pulse.
The information content of the returned laser signal also depends on characteristics of the
horizontal sampling area, which is typically a circular or elliptical laser footprint. The size of
the laser footprint on the ground, or a target close to the ground, is determined by the laser
beam divergence, and is directly proportional to the flying altitude. The distribution of the
laser pulse energy in the spatial and temporal domain within the illuminated area is
determined by the lidar system design and is critically important in determining the quality
of 3D mapping of complex targets required in forestry applications.
Most non-commercial, custom-designed airborne or spaceborne lidar sensors used in
forestry applications are typically full waveform systems with a footprint size of 8-70 m
(Means et all, 1999). As a result, large footprint full waveform lidar data contain information
on the forest canopy and multiple forest elements rather than individual trees, whereas
small-footprint discrete return lidar with a typical footprint size of 0.2-0.9 m only senses a
portion of the forest elements (Lim et al., 2003).
The most common type of commercial lidar sensors are small-footprint, discrete return
systems that record two to four returns for each emitted laser pulse. Some lidar system
manufacturers offer airborne lidar systems capable of both operational modes, where
conventional discrete return operation is provided by the main sensor, while full waveform
data collection is supported by an optional unit, which may or may not be used during data
collection missions (Optech, 2010).
Each data collection mode, whether full waveform or discrete return, has distinct advantages
and disadvantages that vary, depending upon the applications. Most conventional discrete
return systems can provide extremely high ground point density. This enables the high-
resolution representation of complex targets in the horizontal plane, but with a somewhat
Latin American Remote Sensing Week 2010
P á g i n a | 242
coarsely resolved elevation structure. These characteristics make the discrete return system
a perfect choice for mapping.
The additional information on 3D elevation structure provided by multiple-return point
clouds can be used for a variety of mapping applications including flood modeling (Bates et
al., 1999), urban and vegetation analysis (Evans et al., 2009) and power line mapping
(Ussyshkin and Sitar, 2009). In particular, airborne lidar with multiple-return capability has
proved to be the most efficient among different remote sensing techniques to characterize
both forest structure and ground topography (Chauve et al., 2007). However, the coarse
vertical resolution—typically a few meters for many commercial airborne lidar systems—
plus a lack of detailed 3D spatial information, limit the user’s ability to apply more
sophisticated analysis such as vegetation composition and change-detection in land surface if
the scale at which processes occur is less than a few meters (Wu et al., 2009).
On the other hand, commercially available full waveform, small-footprint airborne lidar
systems capture full profiles of the laser backscattered energy for each emitted laser pulse as
a function of time (distance) with a typical sampling rate of 1 ns, which is equivalent to a one-
way distance of 30 cm, and results in a 15-cm range measurement rate. They provide much
more detailed information about the vertical structure of 3D targets, information that could
be used as the most valuable input for sophisticated scientific analysis, including deriving
target physical properties (Chauve et al., 2009a). It has been demonstrated that full waveform
data provide a more complete and accurate assessment of the surface, canopy and potential
obstruction detection than discrete return data (Magruder et al., 2010). Moreover, full
waveform lidar data capture gives the user much more flexibility and control in the data
processing and interpretation steps (Chauve et al., 2009b). However, dealing with full
waveform data sets takes lidar data management to a drastically higher level of complexity
compared with conventional 3D point cloud data. First, the volume of full waveform data is
overwhelming (Chauve et al., 2009b). Moreover, there are neither commercial nor open-
source toolkits to handle full-waveform lidar data, but only custom-made solutions typically
designed for specific sensors (Bretar et al., 2008). Therefore, handling, interpretation and
analysis of full-waveform lidar data is a very challenging and expensive task. This limits the
commercial use of full waveform lidar data, confining it mainly to research institutions.
On the other hand, the rich content of full waveform data acquired at a high sampling rate,
which is obviously important for analysis of complex 3D targets and forestry, has limited or
no value for broad area topographic mapping where only one or two discrete returns are
needed to create a digital elevation map or bare earth map of the surveyed terrain. That is
why the main application focus of full waveform technology remains in forestry and
vegetation mapping, and it remains unclear if it might be useful outside these applications
(Petrie, 2010)
Latin American Remote Sensing Week 2010
P á g i n a | 243
2. VERTICAL TARGET DISCRIMINATION DISTANCE
As mentioned above, the distribution of laser pulse energy in the spatial and temporal
domain within the illuminated area over the target is critically important for the quality of 3D
mapping of complex targets required in forestry applications, irrespective of whether the
sensor operates in FW or DR mode. Certain laser pulse characteristics including wavelength,
pulse width, shape and pulse energy, determine the penetration capabilities of the emitted
pulse, and some characteristics of the return signal, which are obviously important for
vegetation mapping. In addition, certain parameters in the sensor receiver electronics
influence the signature of the signal return so that the recoded lidar profile can, in fact,
represent a convolution of waveform characteristics of the lidar sensor itself with scattering
properties of the complex 3D target.
Therefore, the number of multiple returns in a discrete return sensor, or the sampling rate of
a full waveform sensor are not the only determinants to accurately map targets with a
complex vertical structure; lidar system parameters that determine signal penetration,
detection sensitivity, range precision, and minimal vertical target discrimination distance are
all equally critical factors. The latter parameter, which characterizes the ability of the lidar
sensor to resolve two separate targets in the vertical domain, is solely determined by the
lidar hardware design— mostly by characteristics of the emitted laser pulse and receiver
electronics—and it would be quite the same regardless of whether the measurements are
taken in discrete return mode or full waveform mode. Along with range precision and other
characteristics of the lidar sensor listed above, vertical target discrimination distance
determines the number of details and the quality of their representation in the data
comprising complex 3D targets, particularly, trees and vegetation.
In most commercial lidar systems the minimal vertical target discrimination distance is
about 2-3.5 m. This means that vertical structure details separated by any distance less than
this minimum, in general, cannot be resolved by consecutive range measurements in the
vertical domain, even if the data were collected by a full waveform unit integrated with the
main sensor.
Table 1 shows the distribution of multiple returns for high- and low-canopy vegetation in
several data samples collected by an older ALTM model operating in DR mode with a minimal
vertical target discrimination distance of about 2.5 m.
Table 1: Distribution of multiple returns for high and low-canopy vegetation for a DR lidar
with minimal vertical target discrimination distance of about 2.5 m
For a tall vegetation canopy of 22-27 m, all four discrete returns are recorded, including the
last one from the ground beneath the vegetation canopy; the percentage of third and fourth
Latin American Remote Sensing Week 2010
P á g i n a | 244
returns is substantial. This shows excellent pulse penetration capabilities in this system.
However, for low-canopy vegetation of 6-7 m, the system cannot detect all four returns
because the minimal vertical target discrimination limit is 2.5 m, and most third and fourth
returns are not recorded as the system cannot resolve the vertical vegetation structure
within a distance less than 2.5 m. This example also shows that for some traditional DR lidar
systems the number of returns from the vegetation canopy are often limited not only by the
density of vegetation, but also by the vertical target discrimination distance. That is why
some of the observations of low percentages in third and fourth returns from vegetation (Lim
et all, 2003) may have been the result of the system’s limited ability to resolve vertical
vegetation structure rather than the characteristic of an “optimal number” of echoes per
pulse in a DR lidar being limited to three. This example shows that the same discrete return
sensor can detect a substantial percentage of returns as third and fourth echoes for tall
vegetation but cannot do the same for medium-height vegetation because of limited
resolution in consecutive discrete return measurements in the vertical domain.
Until recently, the numbers characterizing minimal vertical target separation distances were
not typically specified in the data sheets of most commercial lidar systems, but could be
found in more detailed specification documents, or provided to users upon request. This
situation created some misunderstanding in the lidar community when the users of discrete
return systems expected to get multiple returns from low- or medium-height vegetation
without considering this parameter. Not accounting for the minimal target discrimination in
the vertical domain may also lead to misinterpreting multiple return data, and even gross
systematic errors caused by faulty interpolation.
With full waveform sensors, the high number of measured intervals per vertical target (i.e.,
high sampling rate) is often misinterpreted as the parameter that determines the amount of
detail present in the recoded profile of a vegetation canopy. Since the sensitivity of a full
waveform sensor is very low and the measurement sampling rate is very high, the user may
expect even small volumes of vegetation to influence the shape of the return waveform, and
small structural details to be detected (Lim et all, 2003). However, this applies only if small
volumes of vegetation changes are separated by a distance that the lidar sensor can resolve,
which is not always the case. The sampling rate of 1-ns (15 cm) typically offered by
commercial FW lidar sensors would generally not affect the capability of the sensor itself to
resolve two separate targets in the vertical domain, and the level of details in vegetation
structure recorded in the canopy profile. Very complicated decomposition algorithms applied
to full waveform data might help to go beyond the vertical resolution limit of the lidar system,
but it would still remain the most fundamental parameter in determining the resolution of
vertical structure details, not the sampling rate.
Since the minimum vertical target discrimination distance is one of the most important
performance parameters to characterize the ability of an airborne lidar system to represent
complex vertical 3D targets, especially in forestry applications, it is very important for users
to understand how it determines the number of details represented in the recorded data
profile, either in FW or DR mode.
Latin American Remote Sensing Week 2010
P á g i n a | 245
The following sections illustrate the importance of this parameter and its evolution over the
years, as well as the potential use of discrete return data for waveform analysis in forestry
applications.
3. EVOLUTION OF DISCRETE RETURN AIRBORNE LIDAR TECHNOLOGY
Early commercial airborne lidar systems, such as Optech’s ALTM 1020, 1210 and 1225
models manufactured between 1993 and 1998, had the ability to capture only two returns
(first and last) for each emitted laser pulse. This feature, though seemingly modest compared
with today’s advanced lidar systems, already provided enriched information for sophisticated
analysis of both returns for applications such as feature extraction in forest (Hopkinson et al.,
2004; Roberts et al.,
2005) or urban areas
(Alharthy and Bethel, 2002). With the further evolution of lidar technology, more advanced
ALTM models capable of capturing four range and four intensity returns became
commercially available, and for the last decade, the maximum number of multiple returns per
emitted laser pulse has stabilized at this limit.
Figures 1-2 present typical examples of multiple return data for the ALTM 3100 and Gemini
systems. In both cases the laser beam penetrated through 16-20 m of vegetation, and the last
return with strong intensity clearly indicates the signal reflected from the ground.
Figure 1. ALTM 3100:
An example of a four-return record for one emitted laser pulse with a minimum pulse
separation distance of 2.14 m.
Latin American Remote Sensing Week 2010
P á g i n a | 246
Figure 2. ALTM Gemini: An example of a four-return record for one emitted laser pulse
with a minimum pulse separation distance of 1.45 m.
Although these two examples represent leading-edge discrete return airborne lidar
technology, it is apparent that full waveform technology with a 1-ns sampling rate would
provide much more detailed information about the complex vertical structure of vegetation.
It is for this reason that, in the last decade, full waveform technology has been the only choice
for lidar applications requiring analysis of complex vertical targets with fine structure,
particularly, in forestry. However, the ALTM Orion, a new breakthrough in discrete return
lidar technology, has changed this situation.
The ALTM Orion represents a radical departure from previous generations of airborne lidar
instruments. First, the physical form factor—size, weight and displacement—has been
reduced by a whole order, making the Orion the first ultra-compact complete lidar solution
(Hussein et al., 2009). Second, the lidar data produced by the Orion has established a new
benchmark in the industry for data quality, accuracy and precision (Ussyshkin and Theriault,
2010a). It has been shown that the outstanding performance characteristics of the ALTM
Orion include a highly efficient system design that provides the best combination of
maximum area coverage rate, exceptional ground data accuracy and precision, and the sub-
centimeter resolution of data comprising small complex targets such as the thinnest wires in
power line corridors.
The third advantage provided by both ALTM Orion models is the revolutionary small
minimal pulse discrimination distance, which is of particular importance in complex target
mapping applications such as forestry and vegetation mapping. Figure 3 shows an example of
ALTM Orion-M data collected over 6-m high vegetation, with four returns for one emitted
laser shot and a minimum pulse separation of 73 cm.
Latin American Remote Sensing Week 2010
P á g i n a | 247
Figure 3. ALTM Orion-M: An example of a four-return record for one emitted laser pulse
with a minimum pulse separation distance of 0.73 m.
Such a small sub-meter pulse separation has never been achieved by any discrete return
lidar, and in combination with the system’s excellent ability to detect weak partial signal
returns from low-canopy layers of vegetation, it provides unprecedented data quality with
exceptionally rich content.
Figure 4 shows another advantage of the ALTM Orion’s exceptionally small pulse separation
distance. The data in this example was collected over a dense cornfield 2.2 m in height; the
ALTM Orion was still able to detect three consecutive pulse returns, with the last showing
strong intensity representing the ground return. Table 2 presents a statistical summary of
average and minimum pulse separation distances in multiple returns for three randomly
selected samples within the cornfield dataset.
The unique capability of the ALTM Orion to generate data so rich in content with fine sub-
meter elevation resolution from a dense cornfield enables the user to take data analysis to a
different level with highly accurate calculations of various attributes of vegetation properties
(biomass, height, density, structure, etc). This capability was not previously possible with
discrete return lidar data without using full waveform measurements. As one can see, these
sub-meter vertical target discrimination characteristics provide the quality of mapping
complex vegetation structures similar to that expected only from full waveform data.
Latin American Remote Sensing Week 2010
P á g i n a | 248
Figure 4. ALTM Orion-M: Three consecutive pulse returns with a minimal sub-meter pulse
separation are detected over a dense cornfield; the last return represents the signal
reflected from the ground.
Table 2: Average and minimum multiple return separation distances for the cornfield data
collected by ALTM-Orion
Looking at the evolution of discrete return lidar technology shown in Figure 5, there is a clear
trend toward the sub-meter scale of vertical discrimination distance, which bridges the
capabilities of advanced discrete return lidar and full waveform technology to map complex
3D targets.
Sample avg ∆R1,2
(m)
avg ∆R2,3
(m)
avg ∆R3,4
(m)
1 1.36 1.06 n/a
2 1.25 0.99 n/a
3 1.50 2.39 2.56
Sample min ∆R1,2
(m)
min ∆R2,3
(m)
min ∆R3,4
(m)
1 0.67 0.69 n/a
2 0.64 0.65 n/a
3 0.66 0.70 0.87
Latin American Remote Sensing Week 2010
P á g i n a | 249
Figure 5. Evolution of minimal pulse
separation for discrete return airborne lidar
systems.
Figure 6 (a, b) gives another illustration of this evolution by showing images of vegetation
data collected by two ALTM models over the same area around the same time of the year; the
average canopy height is 15-17 m in both datasets; the type of vegetation is the same (mixed
forest).
a b
Figure 6. Vegetation canopy of 15-17 m average height represented by multiple return
data collected by two ALTM models operating at the same operational settings. (a) older
ALTM model; (b) ALTM Orion
Figure 6 a shows data collected by an older ALTM model with a minimum vertical target
discrimination distance of about 2.5 m. Figure 6 b shows data collected over the same area by
an ALTM-Orion with a minimum vertical target discrimination distance of about 60-70 cm.
Both systems operated at the same laser pulse repletion frequency (100 kHz), and at an
altitude close to 1 km, which produced similar ground point density of 1.5–2.0 ppm2. This
example clearly shows the advantage of the ALTM Orion’s much smaller vertical target
discrimination distance, which produces a much better representation of the vegetation
canopy structure as substantially more multiple returns are detected from the lower layers of
Latin American Remote Sensing Week 2010
P á g i n a | 250
vegetation. It is also important to note that there is virtually no gap between the ground and
the low canopy returns in ALTM Orion data that are typically seen in similar data images
produced by other discrete return lidar systems, either older or current models.
The next section shows that, by combining range and intensity information from multiple
return data collected by ALTM Orion, a simplified waveform analysis can be applied to
discrete return data in a way similar to that of full waveform data.
4. DISCRETE RETURN ANALYSIS
The simplified analysis of discrete multiple returns presented in this section is based on the
approach used for full waveform data analysis described by Chauve and co-authors (Chauve
et al., 2007). They used a parametric approach either with simple (three parameters) or
generalized Gaussian (four parameters) or a Lognormal function to model extracted relevant
peaks as echoes. Since the discrete return data used in our analysis represent the peaks of
partial signal returns, we assumed that the entire reflected laser pulse energy could be
decomposed into a sum of components while each one would be represented by a single
discrete return:
Figure 7 shows a graphic representation of our approach, where the peak of each discrete
return is modeled by a simple Gaussian (2) while a, µ, and δ were used as fitting parameters
so that the amplitude of each peak would be proportional to the recorded intensity value.
Furthermore, we assumed that the superposition (1) of all four simple Gaussian functions
representing the waveforms of the discrete partial returns would represent the total optical
receiver power Pr, which can be modeled through the lidar equation (Measures, 1984).
Considering partial signal returns Pi, the intensity of each one was modeled using the lidar
equation in the form derived by Jelalian (1992):
Here:
Pi is the received signal power for i-return
Pt is the transmitted laser pulse power
Dr is the diameter of the lidar receiver aperture
Q is the optical efficiency of the lidar system
ϑ is the laser beam divergence
Tatm
is the atmospheric transmittance factor
Ri is the range from the sensor to i-target
ςi is the effective backscattering cross-section of i-target
Latin American Remote Sensing Week 2010
P á g i n a | 251
Here the reflective properties of each target for each partial return Pi are described by the
backscattering cross-section ςi, which is proportional to the target reflectance ρ
i and the i-
fraction of the total received power Pr in each return:
Figure 7. Graphic representation of the modeling approach of ALTM Orion data.
Based on the approach described by equations (1-4), and using the known characteristics of
the emitted laser pulse and lidar system hardware, it was possible to model a waveform from
each discrete return (Figure 8-9) and estimate the effective reflectivity of consistent complex
vegetation targets such as cornfields and coniferous trees. This work is still in progress and
requires more detailed analysis, but the preliminary results partly presented here
demonstrate the huge potential of discrete return technology, the evolution of which has
achieved a level approaching in some aspects that of full waveform technology. The discrete
return data analysis described above resembles the procedures applied to full waveform data
analysis, and might be used in applications similar to those which to date, have been
considered as belonging solely to full waveform technology.
Figure 8. Illustration of the modeling for cornfield data collected by ALTM Orion-M re
Figure 4.
Latin American Remote Sensing Week 2010
P á g i n a | 252
The modeling of discrete signal profiles in vegetation data presented above could be
compared with the analysis of full waveform data collected over similar vegetation targets
(Wagner et al., 2004). An example of a coniferous tree profile with a total length of 35 ns
recorded with a 1-ns sampling rate showed three Gaussian-shaped peaks with a target
separation distance of about 1.5 m. Comparing these numbers with the ALTM Orion data
presented in Figure 3, one can conclude that discrete return lidar data of enhanced quality
can provide equivalent representation of vegetation structures at a level similar to that of full
waveform data. Another example (Wagner et al., 2004) of full waveform data collected over a
wheat field of 2.5 m height can be compared with the cornfield data collected by the ALTM
Orion (Figures 4 and 8), where three discrete return data with excellent target separation
characteristics provide equivalent or even better input for Gaussian modeling of the crop and
ground signals.
Figure 9. Illustration of the modeling for high-canopy vegetation data collected by ALTM
3100 re Figure 1.
This can be considered a potential fusion of two types of airborne lidar data on the
application side when similar approaches and tools are used for the analysis of both data
types. However, full waveform technology will continue to be essential and irreplaceable for
applications considering the analysis of pulse-broadening effects associated with laser beam-
target interaction and interception geometry (Schaer et al., 2007). In these cases the high
sampling rate of the FW approach would give a much more reliable result for modeling
waveforms and data analysis. Full waveform technology would also be a preferable choice for
forestry research applications that require the analysis of tall vegetation canopies (e.g.,
mature forest) where four returns offered by advanced DR lidar systems would not provide a
continuous profile of the vertical canopy structure. Figure 9 illustrates the limitations of the
discrete return approach to map the vertical structure of tall vegetation canopy. In this case,
only four multiple discrete returns would leave wide gaps in the mapped vertical canopy
profile, while FW technology would much better represent the vertical structure with a
continuous profile of the entire canopy. However, with further development of DR and data
handling technologies, when more than four discrete returns are supported by the lidar
system hardware, and the format of output data, it may be possible that the DR and FW
Latin American Remote Sensing Week 2010
P á g i n a | 253
approach will give similar results in terms of representing vegetation or forest canopy for a
wide variety of applications.
5. CONCLUSION
For the last two decades the use of airborne lidar technology in forestry applications has
focused mostly on analyzing canopy profiles recorded by full waveform sensors—either
custom-designed or commercial. The use of discrete return lidar has been limited mostly
because of its coarse resolution in the vertical domain. The evolution of discrete return lidar
technology has achieved a new level, with capabilities that approach those of full waveform
technology in forestry applications. The trade-off between the high complexity and costs
associated with handling full waveform data on the one hand, and conventional discrete
return data of enhanced quality on the other hand, has the potential to create a new
application niche in the lidar industry, and commercialize some aspects of forestry research.
In this niche, top-quality dense point clouds, with fully recorded intensity information for
each of the multiple returns, may provide sufficient information for modeling the received
waveforms and quantitative characterization of forest and vegetation.
Acknowledgements
The authors are grateful to Brent Smith, Eric Yang, Mike Sitar and Helen Guy-Bray for fruitful
discussions.
References
Aldred, A. and Bonner, M. 1985: Application of airborne lasers to forest surveys. Canadian
Forestry Service, Petawawa National Forestry Centre, Information Report PI-X-51, 62 pp.
Alharthy, A., Bethel, J., 2002. Heuristic filtering and 3D feature extraction from lidar data.
Proceedings of the International Archives of Photogrammetry, Remote Sensing and Spatial
Information Sciences, 34 (Part 3), Graz, Austria.
Arp, H., Griesbach, J., Burns, J., 1982. Mapping in tropical forests: a new approach using the
laser APR. Photogrammetric
Engineering and Remote Sensing, 48, pp. 91–100.
Bates, P.D., Pappenberger, F., Romanowicz, R., 1999. Uncertainty and risk in flood inundation
modeling. In: K. Beven and J. Hall (Editors), Flood Forecasting. Wiley & Co, New York.
Bretar, F., Chauve, A., Mallet, C., Jutzi, B., 2008. Managing full waveform lidar data: a
challenging task for the forthcoming years. The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, 37 (Part B1), pp. 415-
420.
Chauve, A., Mallet, C., Bretar, F., Durrieu, S., Pierrot-Deseilligny, M., Puech, W., 2007.
Processing full-waveform lidar data: modelling raw signals. In: The International Archives of
Latin American Remote Sensing Week 2010
P á g i n a | 254
Photogrammetry, Remote Sensing and Spatial Information Sciences, Espoo, Finland, Vol. 36,
Part 3/W52, pp. 102–107.
Chauve, A., Vega, C., Bretar, F., Durrieu, S., Allouis, T., Pierrot-Deseilligny, M., Puech, W., 2009.
Processing full-waveform lidar data in an alpine coniferous forest: assessing terrain and tree
height quality. International Journal of Remote Sensing, 30 (19), pp. 5211-5228.
Chauve, A., Bretar, F., Pierrot-Deseilligny, M., Puech, W., 2009. Full Analyze: A research tool
for handling, processing and analyzing full-waveform lidar data, Proceedings of the IEEE
International Geoscience and Remote Sensing Symposium (IGARSS), Cape Town, South Africa.
Dubayah, R.O. and Drake, J.B. 2000: Lidar remote sensing for forestry. Journal of Forestry 98,
44–46.
Evans, J.S., Hudak, A.T., Faux, R., Smith, A.M.S., 2009. Discrete return lidar in natural
resources: Recommendations for project planning, data processing, and deliverables, Remote
Sens., 1, pp. 776-794.
Hopkinson, C., Sitar, M., Chasmer, L., Treitz, P., 2004. Mapping snowpack depth beneath forest
canopies using airborne lidar. Photogrammetric Engineering & Remote Sensing, 70(3), pp. 323-
330.
Hudak, A.T., Evans, J.S., Smith, A.M.S., 2009. Review: LiDAR Utility for Natural Resource
Managers. Remote Sens., 1, pp. 934-951.
Hussein, M., Tripp, J., Hill, B., 2009. An ultra compact laser terrain mapper for deployment
onboard unmanned aerial vehicles, Proc. SPIE, Vol. 7307, 73070B.
Jelalian, A.V., 1992. Laser Radar Systems. Artech House, Boston, Massachusetts.
Jutzi, B., Stilla, U., 2006. Range determination with waveform recording laser systems using a
Wiener Filter. ISPRS Journal of Photogrammetry and Remote Sensing, 61, pp. 95-107.
Korpela, I., Ørka, H.O., Maltamo, M., Tokola, T. & Hyyppä, J., 2010. Tree species classification
using airborne LiDAR – effects of stand and tree parameters, downsizing of training set,
intensity normalization, and sensor type. Silva Fennica, 44(2), pp. 319–339 and previous
publications.
Lefsky, M.A., Harding, D., Cohen, W.B., Parker, G. and Shugart, H.H. 1999a: Surface LiDAR
remote sensing of basal area and biomass in deciduous forests of Eastern Maryland, USA.
Remote Sensing of Environment 67, 83–98 and Lefsky, M.A., Cohen, W.B., Acker, S.A., Parker, G.G.,
Spies, T.A. and Harding, D. 1999b: Lidar remote sensing of the canopy structure and biophysical
properties of Douglas-fir western hemlock forests. Remote Sensing of Environment
70, 339–61
Latin American Remote Sensing Week 2010
P á g i n a | 255
Lim, K., Treitz, P., Wulder, M., St-Onge, B., Flood, M., 2003. LiDAR remote sensing of forest
structure, Progress in Physical Geography, 27(1), pp. 88–106
Magruder, L.A., Neuenschwander, A.L., Marmillion, S.P., Tweddale, S.A., 2010. Obstruction
detection comparison of small-footprint full-waveform and discrete return lidar, Proc. SPIE, Vol.
7684, 768410
Means, J.E., Acker, S.A., Harding, D.J., Blair, D.B., Lefsky, M.A., Cohen, W.B., Harmon, M.E. and
McKee, W.A. 1999: Use of largefootprint scanning airborne LiDAR to estimate forest stand
characteristics in the Western Cascade of Oregon. Remote Sensing of Environment 67, 298–
308
Measures, R.M., 1984. Laser Remote Sensing, Fundamentals and Applications. Wiley
Interscience, New York.
Nelson, R., Krabill, W. and Maclean, G. 1984: Determining forest canopy characteristics using
airborne laser data. Remote Sensing of Environment 15, 201–12
Nelson, R., Parker, G., Hom, M., 2003. A Portable Airborne Laser System for Forest Inventory,
Photogrammetric Engineering & Remote Sensing, 69(3), pp. 267–273.
Optech Incorporated, 2010, http://www.optech.ca/pdf/ALTMWaveformDigitizerPC.pdf
(accessed 10 September 2010)
Petrie, G., 2009. Current Developments in Airborne Laser Scanning Technologies. IX
International Scientific & Technical Conference - From Imagery to Map: Digital
Photogrammetric Technologies, Attica, Greece, October 5-8, 2009.
Roberts, S.D., Dean, T.J., Evans, D.L., McCombs, J.W., Harrington, R.L., Glass, P.A., 2005.
Estimating individual tree leaf area in loblolly pine plantations using LiDAR-derived
measurements of height and crown dimensions, Forest Ecology and Management, 213(1-3),
pp. 54-70.
Schaer, P., Skaloud, J., Landtwing, S., Legat, K., 2007. Accuracy estimation for laser point cloud
including scanning geometry. ISPRS - The 5th International Symposium on Mobile Mapping
Technology, Padua, Italy, May 29-31.
Ussyshkin, V., Sitar, M., 2009. Applications and Benefits of Airborne Lidar Technology for
Transmission Line Asset Management, CIGRE Canada Conference on Power Systems, Toronto,
Ontario, October 4-6 (on CDROM).
Ussyshkin, V., Theriault, L., 2010a. Precise mapping: ALTM Orion establishes a new standard
in airborne lidar performance, ASPRS Annual Conference, San-Diego, California, April 26-30
(on CDROM).
Latin American Remote Sensing Week 2010
P á g i n a | 256
Ussyshkin, V., Theriault, L., 2010b. Ussyshkin, V., Theriault, L., 2010. ALTM-Orion: Bridging
conventional lidar and full waveform digitizer technology. ISPRS TC VII Symposium – 100
Years ISPRS, Vienna, Austria, July 5-7. IAPRS, 38(7B), pp. 606-611
Wagner, W., Ullrich, A., Melzer, T., Briese, C., Kraus, K., 2004. From single-pulse to full-
waveform airborne laser scanners: Potential and practical challenges. Proceedings of the
International Society for Photogrammetry and Remote Sensing 20th Congress, 35(Part B/3)
6-12, Commission 3, Istanbul, Turkey, July 12-23.
Wagner, W., Ullrich, A., Ducic, V., Melzer, T., Studnicka, N., 2006. Gaussian decomposition and
calibration of a novel small-footprint full-waveform digitising airborne laser scanner. ISPRS
Journal of Photogrammetry and Remote Sensing, 60(2), pp. 100-112
Wagner, W., Hollaus, M., Briese, C., Ducic, V., 2008. 3D vegetation mapping using small-
footprint full-waveform airborne laser scanners, International Journal of Remote Sensing
archive, 29(5), 3D Remote Sensing in Forestry, pp. 1433-1452.
Wu, J., van Aardt, J., Asner, G.P., Mathieu, R., Kennedy-Bowdoin, T., Knapp, D., Wessels, K.,
Erasmus, B.F., Smit, I., 2009. Connecting the dots between laser waveforms and herbaceous
biomass for assessment of land degradation using small-footprint waveform lidar data.
Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS-2009),
Cape Town, South Africa
Latin American Remote Sensing Week 2010
P á g i n a | 257
Contacto:
Maria Viviana Barrientos Lardinois
Coordinación Ejecutiva LARS
[emailprotected]
Servicio Aerofotogramétrico
Fuerza Aérea de Chile
Para consultas:
[emailprotected]
Obtenga información en:
www.lars.cl
www.saf.cl
Noviembre de 2010 Publicado:
Jaime Valenzuela G. Edición:
www.lars.cl
mailto:[emailprotected]
mailto:[emailprotected]