Uso de datos MODIS en el monitoreo de cambios en la cobertura vegetal Caso de Estudio: La Amazonía, Brasil Foto por Neil Palmer Amazonía Brasilera Karolina Argote Deluque, Louis Reymondin, Andy Jarvis II Reunión del Comité Técnico Subregional Proyecto “Análisis de las Dinámicas de Cambio de Cobertura de la Tierra” Bogotá, 14, 15, 16 Junio 2011

Contenido 1. MODIS.. 3. Proceso Metodológico detallado 2. Terra-i. An eye on habitat change 3. Proceso Metodológico detallado 4. Caso de estudio Amazonia Brasil 5. Pros y contras Uso datos MODIS

MODerate Resolution Imaging Spectroradiometer (MODIS) El sensor MODIS se encuentra a bordo de los satélites Terra y Aqua que forman parte de la misión EOS (Earth Observing System) de la NASA. Resolución radiométrica: 12 bits Resolución Espectral: 36 bandas (0.4 - 14.4 µm) Resolución Espacial: 250 m (bandas 1-2) 500 m (bandas 3-7)) 1000m (bandas 8-36) Tasa de datos: 6.1Mbps (promedio) Escuadra de Captura de datos: 2330 por 10km (a lo largo de la huella al nadir) Medidas: 1 x 1.6 x 1m Peso: 228.7Kg El sensor MODIS (Moderate Resolution Imaging Spectroradiometer) se encuentra a bordo de los satélites Terra y Aqua que forman parte de la misión EOS (Earth Observing System) de la NASA. Proporciona una alta sensibilidad radiométrica 12 bits, en 36 bandas del espectro electromagnético que abarcan longitudes de onda desde 0.4 a 14.4 µm. Dos de estas bandas poseen una resolución espacial nominal (en el nadir) de 250 metros; cinco de 500 metros, y las 29 bandas restantes, de 1 kilómetro. Un espejo rotatorio de doble cara proporciona un FOV (Field Of View) de ±55°. Resolucion radiometrica: su capacidad para detectar variaciones en la radiansa espectral que recibe, y va del nivel (0) hasta 256; el cero equivale al color negro y el256 al color blanco Resolucion espectral: # y ancho de bandas espectrales q puede discriminar el sensor

Ambos tienen cubrimiento global Lanzamiento: 18/12/1999 Primera imagen: Febrero 2000 Nodo descendente: 10:30 am. ± 15min Solar: polar sincronizada Altura: 705Km nominal Inclinación: 98.2 ±0.1 grados, Periodo: 98.8 min Lanzamiento: 04/05/2002 Primera imagen: Junio 2002 Nodo ascendente: 1:30pm. ± 15min Solar: polar sincronizada Altura: 705Km nominal Inclinación: 98.2 ±0.1 grados, Periodo: 98.8 min Ambos tienen cubrimiento global cada 2 días, y arriba de 30° de latitud cada día

Productos MODIS Niveles (según el nivel de procesamiento) Además de las imágenes multiespectrales (7 bandas), hay 44 productos de datos estándar de MODIS utilizados para el estudio de los cambios globales en oceanografía, biología y ciencias atmosféricas. Están Clasificados en: Niveles (según el nivel de procesamiento) Nivel 1A: Contiene las 36 bandas crudas de MODIS. Nivel 1B: Contiene las 36 bandas calibradas, ajustándolas a una resolución espacial (1-2 250m), (3-7 500m), (8-36 1000m) y un mismo sistema de referencia. Como el MOD03 o producto Geolocalizador. Nivel 2Lg: Ahora divididos por Tiles. Nivel 3 : Dividos por tiles y son derivados de los productos de nivel 2. Versiones (según el mejoramiento)

Productos MODIS https://lpdaac.usgs.gov/lpdaac/products/modis_products_table

¿Como obtener los datos MODIS? Recomendado

¿Como seleccionar la zona análisis? MODIS Sinusoidal Grid 10° x 10° Julian Processing Date MOD13Q1.A2000353.h14v09.005.2003077094120.hdf ShortName Julian Acquisition Date Tile Processing Version Los programas de instalación para pre-procesamientos de los datos se encuentran disponibles en la página de USGS: https://lpdaac.usgs.gov/lpdaac/tools

Usando el ftp de Glovis y scripts sencillos en python podemos automatizar la descarga y el pre-procesamiento cuando trabajamos con un gran volumen de datos.

MOD13Q1 Este producto ofrece comparaciones espaciales y temporales de la condición de la vegetación.

Capa QA de MOD13Q1 La capa de calidad contiene valores clasificados que describen la calidad de cada pixel Usar esta información nos permite eliminar datos que pudieran estar afectados por la cobertura de nieve o la presencia de nubes antes de proceder al análisis.

Índices de Vegetación L3, 16 días, 250m Índice de vegetación de diferencia normalizada (NDVI) representa la cantidad y el vigor de la vegetación. Los valores de una zona están estrechamente relacionados con el tipo de vegetación y con las condiciones climáticas, así como con el patrón predominante de uso de las tierras.

An eye on Habitat Change Terra- An eye on Habitat Change Monitoreo de cambios en el habitad usando Redes neuronales y datos satelitales MODIS. Cultivos de Soja Amazonía Brasilera

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 (naturales o antropogénicas). 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.

Metodología de Terra- Resultados Clustering Datos NDVI y QA MODIS MOD13Q1, Precipitación (TRMM) (2000-2009) Limpieza de Datos Algoritmo de Hants Datos de 2000 a 2004 Entrenamiento de la Red Neuronal Clustering K-Mean Datos de 2004 a 2009 Selección aleatoria de píxeles. Predicción de NDVI desde 2004 a 2009 Calibración con mapas de cambio generados con imágenes Landsat (30m) Mapas de las probabilidades de cambio Diferencia entre el NDVI medido por el sensor y el NDVI Predicho por la red neuronal Edición de Reglas Mapas de cambios por pérdidas Mapas de Cambios Detectados Clasificación del cambio Resultados Mapas de cambios por incrementos

Limpieza de datos Algoritmo de Hants 1 Se aplica el algoritmo Hants (Harmonic Analysis of a Time Series) a los datos NDVI, con el fin de eliminar los valores bajos y fluctuantes que pueden estar relacionados con variaciones atmosféricas y no con la dinámica natural o antrópica en las coberturas de la tierra. Trasformada rápida de Fourier Esta transformada convierte la señal del dominio del tiempo al dominio de la frecuencia.

Clustering K-Means 2 Se asigna aleatoriamente a cada objeto del conjunto un clúster entre 1 y K y se calculan los centroides de cada cluster como el valor medio de todos los objetos. Se calcula la distancia de los objetos a los centroides y se asignan nuevamente a cada objeto del conjunto un cuya distancia es mínima con respecto a todos los centroides. Se repite el paso ii y iii hasta que allan <1% de objetos que han cambiado de clusters en la nueva iteración

Entrenamiento de la Red Neuronal 3

Detección de cambios 4 Para detectar los cambios, las Redes Bayesianas Neuronales nos dan tres indicadores: 1. El valor predicho (Para detectar los cambios) 2. La desviación estándar de las predicciones del modelo sobre la función real. (Para medir qué tan seguros estamos de que la medida del satélite es anormal.) 3. El nivel de ruido (Gaussiano) de la medida del satélite

Caso de Estudio : Amazonia, Brasil

Detección de Terra-i en la Amazonía Brasilera En la Amazonía Brasilera Terra-i detecta un total acumulado de 14,353,752 hectáreas deforestadas entre los años 2004 y 2009, equivalente a una pérdida promedio anual de 2,658,102 hectáreas.

Comparación de resultados de Terra-i con modelos locales

Comparación de resultados de Terra-i con modelos locales

Detección de Terra-i en Rondonia, Brasil 2009 2004

Detección de Terra-i en Rondonia, Brasil 2009 2004

Detección de Terra-i en Mato Grosso, Brasil 2009 2004

Detección de Terra-i en Mato Grosso, Brasil 2009 2004

Detección de Terra-i en Para, Brasil 2009 2004

Detección de Terra-i en Para, Brasil 2009 2004

A nivel departamental los estado de Mato Grosso y Pará registran las mayores tasas de deforestación; 1,091,816 y 713,107 hectáreas por año respectivamente. Estados donde se ha incrementado la actividad ganadera y así la conversión de zonas forestales a zonas de pasto y a explotaciones agrícolas de monocultivos, en particular de soja. El rápido crecimiento de la actividad ganadera ha acelerado la destrucción de la selva amazónica.

¿Por qué usar MODIS? Datos de calidad, de acceso gratis a través del portal de la NASA. Información de calidad por pixel. Alta resolución temporal, lo que nos brinda la posibilidad de comparar imágenes de diferentes fechas, hacer monitoreo de los cambios de cobertura. Posibilidad de bajar los datos en tiempo real para crear sistemas de alerta. Brinda una alta gama de productos capaces de predecir cambios globales con la precisión suficiente como para asistir políticas de protección  ambiental.

Contactanos k.a.argote@cgiar.org karoargote@gmail.com www.terra-i.org