Apoyo en la toma de decisiones en agricultura a través de las Mesas Técnicas ...
Karolina Argote - Monitoreo de cambios en el hábitat en Colombia (Octubre 2010)
1. Terra-i
An eye on Habitat Change
Monitoreo en Tiempo Real de Cambios en el Hábitat
usando Redes Neuronales y Datos Satelitales
Colombia
2. Enfoque Conceptual
La intensidad del verde de la vegetación sigue un ciclo natural que depende de factores
climáticos (precipitación, temperatura), variables de sitio (tipo de vegetación,
características del suelo) y de las alteraciones.
Terra-i es un modelo capaz de predecir la evolución de la intensidad verde de
la vegetación, con base a medidas de verde anteriores y a medidas climáticas
actuales para detectar cambios significativos en el habitad.
4. Metodología General
Medidas NDVI MODIS (MOD13Q1), Medida NDVI
Precipitación (TRMM) actual
Limpieza Limpieza
Clustering
Selección aleatoria
de píxeles.
Diferencia entre el
Entrenamiento de los
NDVI actual y la
Modelos
Predicción
Predicción NDVI actual
No Mapas de las
Cambio en el Reglas probabilidades de
Pixel
cambio
Si
Mapas de los Cambios Sin Cambio en
Detectados el Píxel
5. Metodología - Los Modelos
• Predicciones
Bayesian Neural Network (BNN)
• Entrenamiento y aproximación del ruido
Scaled Conjugate Gradient (SCG)
Bayesian evidence function
Gaussian noise
• Selección de las entradas del modelo
Automatic relevance determination (ARD)
• Clustering
Algoritmo de K-Means modificado, para ser distribuido en varios procesadores.
De cada uno de los clústers se selecciona aleatoriamente 1000 pixeles con los cuales
se entrenan 10 modelos….Reduciendo así el tiempo de proceso.
6. Detección de Cambios
9000
8500
8000
7500
7000
NDVI
6500
Measurments
6000
Predictions
Cambio
5500 Interval max
Interval min
5000
4500
1 2 3 4 5 6 7 8 9
Time
Para la detección de cambios, las Redes Neuronales Bayesianas generan tres indicadores: el
valor predicho , la desviación estándar de las predicciones del modelo sobre la función real, el
nivel de ruido (Gausiano) de la medida del satélite.
7. Limpieza de los Datos
• Elimina todas las variaciones a corto plazo (< 3 meses)
• Ajuste iterativo de curvas limpias usando:
Los datos de calidad de MODIS
Análisis de Fourier
Ajuste de mínimos cuadrados con valores de alta calidad
10. Conjunto de datos de Calibración
• Para calibrar el modelo Terra-i en Colombia, se
realizó un análisis multitemporal de imágenes
satelitales Landsat-7 ETM+ suministradas por
USGS Global Visualization Viewer
http://glovis.usgs.gov/.
• Se seleccionaron 12 tiles de Landsat en
Colombia, y para cada uno de ellos se
descargaron dos imágenes de la misma época
del año para el 2004 y el 2009.
11. Datos de Calibración
Se seleccionaron 24 ímágenes para el
proceso de calibración de Colombia,
teniendo en cuenta que estas cumplieran
con las siguientes características:
Para garantizar una buena detección se
seleccionaron imágenes con un máximo
de 10% de cobertura de nubes.
Los tiles seleccionados para el año
2004 y 2009 deben ser de la misma
epoca del año, y en el caso de que sea
posible la misma fecha del año.
12. Detección de la Deforestación usando CLASlite.
1. Calibración radiométrica y corrección atmosférica de
las imágenes satelitáles usando información MODIS
de areosoles y vapor de agua y usando el modelo
Second Simulation of the Satellite Signal in the Solar
Spectrum model (6S).
2. Análisis cuantitativo a nivel de sub-pixel pixel donde
clasifica cada pixel en tres clases: porcentaje de
vegetación viva, vegetación muerta y superficie
descubierta usando el modelo Monte Carlo
Amazonas Colombiano
Automated y una biblioteca de datos espectrales.
3. Enmascaramiento de nubes y cuerpos de agua
4. Mapas de cambio en el bosque, donde se obtienen
dos mapas uno de deforestación y otro de
perturbación forestal.
13. Detección de la Deforestación usando CLASlite.
Para que sirve claslite
14. Detección de Deforestation usando ERDAS Image.
• En las áreas de Colombia que no pertenecen al Amazonas se utilizo el programa ERDAS Image 8.7 para
realizar la detección de cambio en el conjunto de datos de calibración. Aquí se realizó una clasificación no
supervisada mediante algotitmo “Self-Organizing Data Analysis Technique” (ISODATA).
• Isodata es un algoritmo iterativo, donde inicialmente se seleccionan de manera arbitraria un número de
clusters y en cada uno se selecciona el centro. Los píxeles se asignan al centro más cercano, y se vuelven a
calcular los nuevos centros. Este proceso se repite hasta alcanzar un número de 10 iteraciones, o hasta que
un porcentaje de píxeles queden sin modificar entre dos iteraciones. Este método utiliza la distancia espectral
mínima para asignar cada píxel a un centro candidato.
15. Detección de Deforestation usando ERDAS Image.
• Mediante este algoritmo es
posible identificar diferentes tipos
de coberturas, tales como: nubes,
cuerpos de agua, vegetación
primaria, vegetación secundaria,
areas sin cobertura vegetal,
sombra de nubes, sombra de
montañas y areas urbanas.
16. Detección de Deforestation usando ERDAS Image.
Luego se utiliza el software ArcGIS para mezclar la
clasificación inicial en tres grandes clases: Vegetación
primaria, areas sin cobertura vegetal y NoData.
Y se calcula la diferencia entre la pareja de imágenes
clasificadas, obteniendo asi una imágen final con tres
valores:
Incremento(+1),
Decremento(-1) y
Sin cambio (0).
Finalmente, los resultados obtenidos son revisados de manera detallada,
superponiendolos a las imágenes satelitales crudas de los años 2004 y 2009, con el fin de
encontrar errores en la deteccion, ocasionados principalmente por agricultura intensiva y
mal enmascaramiento de nubes.
17. Al realizar la detección de cambios usando los
programas computacionales CLASlite en el
Amazonas y ERDAS en el resto del territorio
nacional, se otiene un mapa final con el cual
se hara la primera calibración de los datos en
Colombia.
Con este proceso se obtuvieron buenos
resultados, sin embargo, se debe tener en
cuenta que este es un proceso continuo por lo
que en un futuro muy cercano se pretende
realizar este mismo proceso usando una
mayor cantidad de imágenes satelitales,
usando otro tipo de sensores y otras
metodologías.
19. Calibración de Terra-i.
• El objetivo de este paso es comparar los resultados de Terra-i con el conjunto de datos de validación para encontrar el
umbral de probabilidad óptimo. Este análisis se repite para cada clase de la zona analizada lo que permite de definir
el umbral óptimo de cada clase.
• Para cada mapa de detecciones del conjunto de datos de validación y para cada clase representando al área
analizado, se definen 3 variables, con las cuales se puede deducir dos indicadores de cualidad del modelo:
T: Total de pixeles detectado por Terra-i,
V: Total de pixeles detectados en el mapa de validación
M: Número de pixeles cuales son detectados por Terra-i y en el mapa de validación .
Primer Indicador
El primero es la capacidad del modelo de detectar los cambios y se calcula de la siguiente manera:
Lo que corresponde a la proporción de pixeles de validación también detectados por Terra-i. Este
indicador varia de 0 a 1, 0 representando un modelo mal calibrado y 1 un modelo perfectamente
calibrado.
20. Calibración de Terra-i.
Segundo Indicador
El segundo indicador es la capacidad de Terra-i de detectar únicamente los cambios de cobertura del suelo , es decir,
permite averiguar si el ruido en las detecciones es bajo. Se calcula de la siguiente manera:
Lo que corresponde a la proporción de pixeles detectados por terra-i que no pertenecen al
conjunto de validación. Este indicador varia de 0 a 1, 1 representando un modelo mal
calibrado y 0 un modelo perfectamente calibrado.
El objetivo es reducir al mínimo I2, mientras se maximiza I1.
Lo que se hace fácilmente calculando los indicadores con
diferentes umbrales y luego calcular una puntuación P para
cada umbral cual corresponde a la distancia euclidiana entre
el punto T (, ) y la solución óptima O (1,0).
Were selected the
threshold with the
lower score.
21. Detection Terra-i.
Para el monitoreo de cambios en el hábitat
en Colombia fueron seleccionadas cuatro
areas y cada una fue corrida de manera
independiente.
En cada una de estas áreas Terra-I
selecciono seis clusters, teniendo asi un total
de 24 clusters en todo Colombia.
Luego se entrenaron 3 modelos con cada
uno de estos clustres.
El proceso de clustering mostro buenos
resultados con esta distribución .
22. Zona 1: Norte del País
La primer area seleccionada corresponde a la
parte norte del pais. En esta zona el modelo
Terra-i creo 6 cluster para el entrenamiento, y a
cada uno de estos mediante el proceso de
calibración le asignó un valor de probabilidad.
23. Zone 2: Centro del País
La segunda area seleccionada corresponde
a la parte centro del pais, principalmente la
region andina. En esta zona el modelo
Terra-i creo 6 cluster para el entrenamiento,
y a cada uno de estos mediante el proceso
de calibración le asignó un valor de
probabilidad.
24. Zone 3: Region Pacifico.
La tercer area seleccionada corresponde en
gran parte al pacífico Colombiano. En esta
zona se tiene información de muy baja
calidad, sin embargo como meta a corto
plazo se pretende usar datos diarios de
MODIS con el fin de aumentar la cobertura
de deteccion en la zona, Al igual que en los
anteriores casos se crearon 6 cluster para el
entrenamiento.
25. Zone 4: Sur y Oriente del País.
La cuarta area seleccionada corresponde a
la region amazonica y los llanos orientales
de Colombia. Al igual que en los anteriores
casos se crearon 6 cluster para el
entrenamiento y a cada uno de estos
mediante el proceso de calibración le asignó
un valor de probabilidad.
28. Resultados Terra-i
Las prácticas de tala selectiva en el departamento de
Santander, ocurren principalmente en la zona del
Magdalena Medio santandereano y el bajo Rionegro.
Esta deforestación pone en peligro las fuentes
hídricas de muchos municipios de este
departamento.
Deforestation Rate
12,600 Ha/año
29. Resultados Terra-i
La región oriental presenta una creciente pérdida
de los bosques, debido principalmente a
ampliación de la frontera agrícola, colonización en
las riberas de los ríos, ganadería y explotación
maderera.
Tasa de Deforestación
21,300 Ha/año