• Author / Uploaded
• dnv_agro_umss

Citation preview

LAS IMÁGENES SATELITALES Y SUS APLICACIONES XIX Congreso Nacional de Estudiantes de Ingenieria de Sistemas y Computacion – CONEISC 2011 16/08/2011 Huancayo, Perú

M.Sc. Ing. Avid Román González

INDICE • La Teledetección • Las Imágenes Satelitales • Resolución de la Imágenes Satelitales • Corrección de Imágenes • Filtrado de Imágenes • Clasificación • Técnica Basada en Compresión de Datos • Ejemplos de Imágenes Satelitales • Aplicaciones de la Imágenes Satelitales • Factores a Tomar en Cuenta

Teledetección : definición Ciencia y arte de obtener información acerca de la superficie de la Tierra sin entrar en contacto con ella. Esto se realiza detectando y grabando la energía emitida o reflejada y procesando, analizando y aplicando esa información.

Proceso de teledetección El proceso de teledetección involucra una interacción entre la radiación incidente y los objetos de interés

A. Fuente de energía o iluminación B. Radiación y la atmósfera C. Interacción con el objeto D. Detección de energía por el sensor E. Transmisión, Recepción y Procesamiento F. Interpretación y análisis G. Aplicación

Imágenes Satelitales

• • • • • • •

Resolución Espacial Resolución Temporal Resolución Espectral Costos Nubosidad (Época del Año) Cobertura (Regional, nacional, etc.) Disponibilidad de Información (Año a Evaluar)

La imagen numérica • Los sensores convierten los valores de reflectividad en valores numéricos también llamados valores radiométricos que se extienden entre 0 y 255. Estos valores son almacenados en matrices compuestas de píxeles (generalmente cuadrados). Existe una matriz por banda. • El píxel se define a través de su posición (fila/columna) y su valor.

Matriz de imagen numérica 4

12

11

9

8

10 214 221 222 218 219

12

10

55 212 225 230 244 210

9

8

70 210 220 224 221 220

11

7

146 214 218 227 230 219

6

5

203 225 205 221

122 125 146 222 235 249 231

78 114 120 135 138 139 140 146 123 132 135 138 141 132 134 129

Muestreo de valores radiométricos para una banda espectral dada

• Valores radiométricos entre 0 y 255: – 0 (0% de reflectividad): Negro – 255 (100% reflectividad): Blanco

• Estas matrices de valores radiométricos se pueden visualizar: – En matices de gris – En composiciones coloreadas (mediante una combinación de varias bandas)

Resolución Espacial

Comparación de Imágenes en Resolución Espacial

Resolución Temporal • Este concepto alude a la frecuencia de cobertura que proporciona el sensor. • Periodicidad con la que este adquiere imágenes de la misma porción de la superficie terrestre. • El ciclo de cobertura esta en función de las características ópticas de la plataforma.

Satélites de Orbita Polar de la NASA

Satélites de Orbita Polar que Pasan en Horas de la Tarde

Periodicidad de los sistemas espaciales Varían de acuerdo a los objetivos fijados para el sensor: • Satélites Meteorológicos Información en periodos cortos de tiempo (Observan fenómenos muy dinámicos) • Satélites de Recursos Naturales Ofrece periodicidad mucho menor, Landsat 16 días

Resolución Temporal

Resolución Espectral

• Indica el numero de anchura de las bandas espectrales que pueden discriminar el Sensor. • Un sensor será tanto mas idóneo cuanto mayor numero de bandas proporcione, ya que facilita la caracterización espectral de las distintas cubiertas.

Comparación de Imágenes en Resolución Espectral Satelite

Sensor

Propiedad

Desde

Bandas Espectrales

Landsat 5

TM

NASA / USGS

1984

7

IRS-1C

LISS-III

ISRO

1995

7

SPOT 4

HRVIR

CNES

1998

5

GeoEye

1999

4

Ikonos Landsat 7

ETM+

NASA / USGS

1999*

9

EO-1

ALI

NASA

2000

10

Terra

ASTER

NASA / JAXA

2000

14

EO-1

Hyperion

NASA

2000

242

Terra / Aqua

MODIS

NASA

2000

36

SAC-C

CONAE

2000

3

Quickbird

Digital Globe

2001

4

ENVISAT

MERIS

ESA

2002

15

SPOT 5

HRG

CNES

2002

5

CBERS 2

CCD

INPE / CAST

2003

5

CBERS 2B

CCD / HRC

INPE / CAST

2007

6

LONGITUD DE ONDA La mayoría de los dispositivos de sensoramiento remoto hacen uso de la energía electromagnética. Sin embargo, el espectro electromagnético es muy amplio y no todas las longitudes de onda son igualmente efectivas para propósitos de sensoramiento remoto. Además, no todas tienen interacciones significativas con los materiales de la superficie de la tierra de interés para nosotros.

WAVELENGTHS (en metros) mas corto 10-11

10-10

GAMMA RAYS

10-9

10-8

X RAYS

10-7

10-6

ULTRA VIOLET

10-5

10-4

10-3

10-2

INFRARED

10-1

101

102

mas largo

RADIO WAVES MICROWAVE

VISIBLE

400

500

600

700 nanometers

1 Amstrog = 0,001 micrón ( µ ) = 0,000001 de milímetro ... Una vez que la onda de despolarización

Espectro Electromagnético Espectro visible (0.4 a 0.7 μm) • Máxima radicación solar • Tres bandas azul, verde y rojo • Puede percibir nuestro ojo Infrarrojo Cercano (IRC 0.7 – 1.3 μm) • Capacidad para distinguir masa vegetales y concentraciones de humedad Infrarrojo Medio (1.3 a 8μm) • Infrarojo de onda Corta (SWIR) (1.3 y 2.5 μm) Idóneo para estimar el contenido de humedad en la vegetación o suelos. • Infrarojo medio (IRM) (3.7 μm) detección de focos de alta temperatura (Incendios y Volcanes Activos) Infrarojo Lejano o Térmico (IRT, 8 a 14 μm) • Porción emisiva del espectro terrestre, calor proveniente de la tierra. Micro Ondas (M, por encima de 1 mm) • Tipo de energía bastante transparente a la cubierta nubosa

Interacción de los elementos de la superficie terrestre con la radiación • Cada tipo de material, suelo, vegetación, agua, etc. reflejará la radiación incidente de forma diferente lo que permitirá distinguirlo de los demás si se mide la radiación reflejada. El gráfico que, para cada longitud de onda, da la reflectividad se conoce como signatura o firma espectral y constituye una marca de identidad de los objetos. En el caso de la radiación visible, las diferencias en cuanto a la reflexión para las diferentes longitudes de onda se traduce en lo que llamamos colores. Un objeto es verde si refleja la radiación solar preferentemente en esta zona del espectro.

Correcciones de imagen • Una imagen de satélite está sometida a una serie de interferencias que hacen que la información que quiere obtenerse aparezca perturbada por una serie de errores. – Fallos en los sensores, generan píxeles incorrectos (corrección radiométrica) – Alteraciones en el movimiento del satélite y el mecanismo de captación, generan distorsiones en la imagen global (corrección geométrica) – Interferencias de la atmósfera, alteran de forma sistemática los valores de los píxeles (corrección atmosférica).

Técnicas de filtrado espacial • Métodos para resaltar o suprimir, de forma selectiva, información contenida en una imagen a diferentes escalas espaciales, para destacar algunos elementos de la imagen, o también para ocultar valores anómalos. • Los filtros más utilizados son los de paso bajo (suavizan la imagen), de paso alto (aumentan el contraste), los filtros direccionales (detectan en la imagen estructuras que siguen una determinada dirección) y los de detección de bordes (permiten identificar y aislar objetos con propiedades homogéneas dentro de la imagen).

Técnicas de filtrado espacial • El proceso de filtrado consiste en la aplicación a cada uno de los píxeles de la imagen de una matriz de filtrado de tamaño N x N (ventana móvil generalmente de 3x3 aunque puede ser mayor) compuesta por números enteros y que genera un nuevo valor mediante una función del valor original y los de los píxeles circundantes. El resultado final se divide entre un escalar, generalmente la suma de los coeficientes de ponderación.

Técnicas de filtrado espacial Filtro de paso bajo: eliminación del efecto borroso (filtro de la mediana)

Técnicas de filtrado espacial Detección de contornos (filtro Prewitt)

Técnicas de filtrado espacial Detección de contornos (filtro Laplaciano)

Tratamientos de imagen: índices • Cuando interesa detectar algún aspecto específico de la superficie terrestre, pueden utilizarse índices que utilicen algunas de las bandas. • Índices de vegetación: son calculados a partir de la reflectividad en diferentes bandas. Indican la abundancia y estado de la vegetación. Se basan en el comportamiento reflectivo peculiar de la vegetación. • La signatura espectral característica de la vegetación sana muestra un fuerte contraste entre la baja reflectividad en el rojo (0,6μ – 0,7μ) y la alta reflectividad en el infrarrojo de longitud de onda más corta (0:7μ – 1,1μ). Esta diferencia es tanto mayor cuanto mayor es la densidad de la vegetación y mejor su estado fitosanitario.

Tratamientos de imagen: índices • En esta idea se basan la mayor parte de los índices de vegetación. El más conocido es el Índice Normalizado de Vegetación (NDVI) cuya ecuación es:

donde ρir es la reflectividad en el infrarrojo cercano (banda 4 de landsat TM) y ρr es la reflectividad en el rojo (banda 3 de landsat TM).

Tratamientos de imagen: neo-canales • En una imagen de satélite se dispone de varias bandas que corresponden a diversas regiones del espectro electromagnético. En muchos casos algunas de estas bandas corresponden a las subregiones del visible que corresponden a los colores azul, verde y rojo. • Por otra parte, los monitores y tarjetas de video disponen de 3 canales para representar los 3 colores básicos. Por tanto puede utilizarse cada canal para representar los valores de los píxeles de una banda y obtener así una composición de color.

Tratamientos de imagen: neo-canales • La composición de color más obvia sería simular el color real, asumiendo que estamos trabajando con Landsat: b1 -> B b2 -> G b3 -> R pero como se dispone de más bandas, nada impide utilizarlas para generar visualizaciones en falso color. Estas composiciones sirven para resaltar los elementos que mayor reflectividad presentan en las bandas utilizadas, además de obtener visualizaciones más o menos estéticas. Así es más fácil discriminar visualmente los elementos.

Tratamientos de imagen: neo-canales • A partir de las bandas espectrales 3-2-1 (Landsat TM), se puede generar una composición coloreada. En este caso, el resultado se correspondería aproximadamente con una foto obtenida con película color. No obstante persiste la dificultad de desglose de especies forestales.

Tratamientos de imagen: neo-canales • La misma escena pero en una composición RGB de las bandas 4 (infrarrojo cercano), 5 (infrarrojo medio) y 3 (rojo del espectro visible). La radiación reflejada en estas regiones del espectro, contiene información de suma trascendencia. En este caso no sólo se puede diferenciar claramente especies forestales, sino que también se puede, contando con algunos datos de referencia de campo, sacar conclusiones acerca de la edad y variabilidad de manejo inherentes a cada especie arbórea en particular.

Clasificación • La clasificación responde a la idea de que pueden establecerse límites precisos entre las respuestas espectrales de unos píxeles y otros, siendo estos límites los que definen las clases. • La clasificación en teledetección es, por tanto, un caso particular del problema general de clasificar N individuos (píxeles) procedentes de una muestra en un conjunto de M < N clases en función de una serie de k variables (X1, X2,...,Xk). Este problema se resuelve en dos fases: – 1. Determinación del número de clases y de las propiedades de estas en relación a las k variables – 2. Asignar cada uno de los N individuos a una de las M clases utilizando una regla de decisión basada en las propiedades de los individuos y las clases en relación a las k variables.

Clasificación • La determinación de las clases puede hacerse mediante dos criterios: la clasificación supervisada y la clasificación no supervisada. – 1. Clasificación supervisada: se basa en la disponibilidad de áreas de entrenamiento. Se trata de áreas de las que se conoce a priori la clase a la que pertenecen y que servirán para generar una signatura espectral característica de cada una de las clases. Las áreas de entrenamiento deben ser lo más homogéneas posibles y en las que sepamos lo que había el día que se tomó la imagen. Por ello esta operación (levantamiento in situ) se realiza el mismo día en el que el satélite toma la imagen y luego se compra esta. Otra posibilidad es utilizar fotografía aérea o información de otro tipo.

Clasificación 1. Clasificación supervisada (continuación): en la figura siguiente se observa la caracterización espectral de un conjunto de clases de uso de suelo definidas a partir de los valores de reflectividad en las diferentes bandas de landsat MSS.

Clasificación 2. Clasificación no supervisada. No se establece ninguna clase a priori, aunque es necesario determinar el número de clases que queremos establecer, y dejar que las defina un procedimiento estadístico basado en algoritmos de clasificación automática multivariante en los que los individuos más próximos se van agrupando formando clases. Uno de los más habituales en teledetección es el agrupamiento jerárquico (ISODATA). Este consta de N pasos siendo N el número total de individuos a clasificar.

Clasificación Luego de la creación de las clases, se debe asignar cada uno de los individuos (píxeles) a las clases. Existen diferentes procedimientos: – No estadísticos (árboles de decisión, mínima distancia, paralelepípedos)

– Estadísticos clásicos (máxima verosimilitud o máxima probabilidad)

– Algoritmos basados en inteligencia artificial (lógica borrosa, redes neuronales)

– Algoritmos que utilizan información contextual

NORMALIZED INFORMATION DISTANCE

K(x, y) - min {K(y), K(x)} NID (x, y) = max {K(x), K(y)} • Longitud normalizada del programa mas corto que puede calcular x conociendo y, asi como calcular y conociendo x • Similaridad Metrica: – NID(x,y) = 0 Si x = y – NID(x,y) = 1 --> distancia maxima entre x & y • El NID minimiza todas las distancias a valores normalizados.

M.Sc. Ing. Avid Roman Gonzalez

NORMALIZED COMPRESSION DISTANCE • C(x) = Factor de compresion de x. • C(x) es una aproximacion para K(x). • Es posible definir una medida de similaridad metrica calculable. x

Coder

Coder

Li - Vitányi, 2004 y

Coder

C(x)

C(xy)

NCD

C(y)

C(x,y) − min{C(x),C(y)} NCD( x, y ) = max {C(x), C(y)} M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE SEÑALES MEDICAS

E. Keogh – 2004 M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

Watanabe – 2002

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

D. Cerra – 2008

M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION EN IMÁGENES SATELITALES

A. Roman-Gonzalez – 2010 M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE IDIOMAS

E. Keogh – 2004 M.Sc. Ing. Avid Roman Gonzalez

CLASIFICACION DE IMAGENES

M.Sc. Ing. Avid Roman Gonzalez

K. Asalde-Alvarez, M. R. Quispe-Ayala

2010

Ejemplos de Imágenes Satelitales Imagen Spot 5 del 23/11/2003

Imagen Spot 5 del 23/11/2003

pancromático

Multiespectral: composición coloreada

Imagen Landsat (Tailandia)

Oil tanker sinking off Rio de Janeiro, IKONOS Pan: 1 meter resolution (15/10/2002) (Source: NASA)

Aplicaciones de las Imágenes Satelitales • Planificación territorial • Actualización de fondos cartográficos • Seguimiento de la evolución de la mancha urbana • Manejo de riesgos de origen natural • Seguimiento medioambiental • Previsión meteorológicas, análisis hidrológicos • Manejos forestal y agrícola • Prevención de incendios • Gestión costera y pesquera • Prospección geológica, minera y recursos naturales • Epidemiología espacial

Factores a Considerar 1. Disponibilidad de imágenes adecuadas (cobertura regional, nubosidad menos que , resolución, Años, costo)

2. Disponibilidad de herramientas Software (costos, disponibilidad de aplicaciones necesarias)

3. Disponibilidad de datos de campo para medir Exactitud

4. Disponibilidad de tiempo y personal

[email protected] http://www.avid-romangonzalez.com