ANÁLISIS DE IMÁGENES UAV DE LAS ISLAS GALÁPAGOS Daniela Ballari Ángel Espinoza Villie Morocho Ulf Torsten Hardter Enrique Acosta Daniel Orellana Maximilian Martin Universidad de Cuenca WWF - World Wildlife Fund Diciembre 2015

Galápagos y la necesidad de un sistema de monitoreo 97% de la superficie es área protegida Ecosistemas altamente vulnerables Necesario: monitoreo de rápido despliegue captura sistemática y periódica captura bajo demanda en situaciones puntuales

Dificultades de monitoreo en Galápagos Imágenes satelitales  limitaciones por la alta cobertura de nubes durante todo el año, impidiendo la visualización adecuada de la superficie terrestre Captura in-situ  muy complicada o incluso imposible por dificultades de acceso y terrenos complicados http://en.paperblog.com/cape-woolamai-phillip-island-victoria-530504/

Oportunidad para UAV - drones UAVs (vehículos aéreos no tripulados) se tecnología prometedora de bajo coste y de rápido despliegue

Objetivo Explorar potencialidades del análisis de imágenes UAV en una zona piloto de las Islas Galápagos Captura Índice de vegetación (NDVI) Clasificación supervisada de las imágenes para producción de información temática.

1- Captura Puerto Villamil, Isla Isabela

1- Captura Equipo ebee AG

1- Captura Vuelos 2 vuelos RGB NIR

1- Captura Vuelos 8cm 50cm 8cm pixel Remuestreado a 50cm para análisis de vegetación 8cm 50cm

2- Índice vegetación NDVI Utiliza la diferencia en reflectividad de las bandas infrarrojo cercano y rojo. La vegetación se visualiza de manera más clara con respecto a otros tipos de coberturas del suelo, tales como el suelo desnudo, el agua o construcciones. 𝑁𝐷𝑉𝐼= 𝑖𝑛𝑓𝑟𝑎𝑟𝑟𝑜𝑗𝑜 𝑐𝑒𝑟𝑐𝑎𝑛𝑜−𝑟𝑜𝑗𝑜 𝑖𝑛𝑓𝑟𝑎𝑟𝑟𝑜𝑗𝑜 𝑐𝑒𝑟𝑐𝑎𝑛𝑜+𝑟𝑜𝑗𝑜

2- Resultado: Índice vegetación NDVI rojo  Agua Naranja y amarrillo  suelo desnudo, zonas urbanas, vías y playas Verde  vegetación Verde oscuro  mayor contenido de clorofila Manchas amarrillas con vegetación plantas secas o sin hojas.

3- Clasificación supervisada Transforma un conjunto de bandas con información de reflectancia en una sola capa que con información temática ( “clases” de cobertura del suelo). Se requiere Bandas de entrada Número y tipo de coberturas a clasificar Polígonos de entrenamiento y validación Algoritmo que asigne cada pixel de la imagen a una de las coberturas definidas

3- Clasificación supervisada 5 bandas de entrada: rojo, azul, verde, infrarrojo cercano y NDVI 4 coberturas del suelo a clasificar Mar lagunas interiores vegetación suelo descubierto (cobertura urbana, vías, lava, playa y rocas) 41 Polígonos de entrenamiento Algoritmo Random Forest

3- Resultado: Clasificación supervisada Cobertura Ha. % Laguna interior 0.42 0.47 Mar 16.67 19.59 Suelo descubierto 28.31 33.26 Vegetación 39.73 46.68

3- Resultado: Clasificación supervisada NDVI para cobertura de vegetación

Conclusiones Las imágenes de UAV resultaron apropiadas para la producción de información temática ambiental Cuello de botella: tiempos de procesamiento por la altísima resolución y el elevado número de pixeles (millones) Oportunidades Otros índices de vegetación Clasificación basada en objetos Análisis multitemporal El cuello de botella en el análisis de imágenes de UAV se presenta con el elevado número de píxeles producto de la alta resolución espacial. Cuando los análisis son aplicados pixel a pixel (algebra de mapas local), las imágenes pueden cargarse en memoria y leerse por trozos (chunks). Sin embargo, otros tipos de análisis, como es el caso de clasificación o análisis multi-temporal, pueden requerir del conocimiento global (en espacio y en tiempo) de la imagen. En estos casos deben ser exploradas alternativas para el análisis de grandes conjuntos de datos.

Muchas gracias por su atención