Metodología para el Mapeo de Tipos de Bosque en el

Metodología para el Mapeo de Tipos de Bosque en el

METODOLOGÍA PARA EL MAPEO DE TIPOS
DE BOSQUES EN EL CONTEXTO DE LA
CUANTIFICACIÓN DE LA BIOMASA Y EL
CARBONO FORESTAL
Abner Jimenez
Componente de Monitoreo Forestal
Programa REDD-CCAD/GIZ
XIV Conferencia Iberoamericana de Sistemas de Información Geográfica
Tegucigalpa, 3 de Julio de 2013
19.10.2013
Seite 1
Objetivo
Automatizar procesos para reducir el
tiempo en los procesos de clasificación de
imágenes satelitales.
19.10.2013
Seite 2
Datos
1. Imágenes satelitales RapidEye de 5m de
resolución espacial, entre los años 2010 - 2012.
2. Mapas de cobertura forestal de los años 2000 y
2005, elaborados con imágenes Landsat.
Imágenes RapidEye
Mapa 2000 Landsat
Fuente: Programa REDD-CCAD/GIZ
Fuente: Programa REDD-CCAD/GIZ
Mapa 2005 Landsat
19.10.2013
Seite 3
Imágenes RapidEye
1. Resolución temporal: diario.
2. Resolución espacial: 6.5 (original Producto 1B) y
5m ortorectificada (Producto 3A).
3. Resolución espacial:
Fuente: www.rapideye.de
4. Tamaño escena producto 3A: 25 x 25 Km
19.10.2013
Seite 4
Clasificación 2000 - 2005
1. Latifoliado
2. Pino denso
3. Pino abierto
4. Bosque mixto
5. Mangle (costa)
6. Mangle (interior)
7. Guamil o Café
8. Matorral
9. Pastos y/o cultivos
10.Cultivos intensivos
11.Agua
12.Urbano
19.10.2013
Seite 5
Latifoliado
19.10.2013
Seite 6
BOSQUES DE PINO
Denso
UNAH. MOGT/CTE-541
Ralo
19.10.2013
Abner
Jimenez Seite 7
Mixto
Mangle
UNAH. MOGT/CTE-541
19.10.2013
Abner
Jimenez Seite 8
Guamiles y/o Cafe
Matorrales
19.10.2013
Seite 9
Pastos y/o
Cultivos
Cultivos
intensivos
19.10.2013
Seite 10
Concepto
• Usar mapas de cobertura de la tierra existentes
para extraer muestras para el entrenamiento de
imágenes satelitales RapidEye.
• Aplicar filtros a los mapas existentes para
descartar muestras que tienen alta probabilidades
de estar mal clasificadas o que podrían
corresponder a otras categorías en la fecha de la
nueva imagen a clasificar.
• Automatizar el proceso de extracción de muestras
y clasificación en ArcGis.
19.10.2013
Seite 11
Filtros
1. Extraer las categorías coincidentes entre mapas
de diferentes fechas o diferentes fuentes.
2. Filtrar muestras en segmentos de la imagen a
clasificar conformados por una sola clase.
3. Filtrar muestras de bosque que estén por encima
del promedio de NDVI de la imagen a clasificar.
4. Filtrar muestras de no bosque que estén por
debajo del promedio de NDVI de la imagen a
clasificar.
5. Filtro por número de pixeles de cada muestra
19.10.2013
Seite 12
1er Filtro: Coincidencia de clases
Extraer las categorías coincidentes entre mapas de
diferentes fechas o diferentes fuentes.
Mapa 2000
Mapa 2005
Zonas coincidentes 2000 – 2005
(Clases de Referencia)
19.10.2013
Seite 13
2do. Filtro: Segmentos
Filtrar muestras en segmentos de la imagen a
clasificar conformados por una sola clase.
19.10.2013
Seite 14
Imagen RapidEye 2012
19.10.2013
Seite 15
Segmentos
19.10.2013
Seite 16
Segmentos y Clases de Referencia
19.10.2013
Seite 17
Segmentos con 1 sola clase (segmentos “puros”)
19.10.2013
Seite 18
Clases dentro de segmentos “puros”
19.10.2013
Seite 19
3er. Filtro: NDVI
Filtrar muestras de bosque que estén por encima del
promedio de NDVI de la imagen a clasificar y por debajo del
NDVI para no bosque.
19.10.2013
Seite 20
Clases dentro de segmentos “puros” y NDVI
19.10.2013
Seite 21
Clases dentro de segmentos “puros” y NDVI
19.10.2013
Seite 22
Media de NDVI de cada clase
19.10.2013
Seite 23
Clases de bosque > NDVI medio (de cada clase)
19.10.2013
Seite 24
Clases de no bosque < NDVI medio (de cada clase)
19.10.2013
Seite 25
Muestras filtradas por NDVI
19.10.2013
Seite 26
4to. Filtro: Cantidad de pixeles por
muestra
Filtros por número de pixeles de cada muestra:
1. 20 a 200 pixeles
2. 400 a 800 pixeles
3. 1,200 a 2,000 pixeles
19.10.2013
Seite 27
Muestras de 20 a 200 pixeles
19.10.2013
Seite 28
Muestras de 400 a 800 pixeles
19.10.2013
Seite 29
Muestras de 1,200 a 2,000 pixeles
19.10.2013
Seite 30
Usar cada grupo de muestras para generar 3
clasificaciones
1. 20 a 200 pixeles
2. 400 a 800 pixeles
3. 1,200 a 2,000 pixeles
19.10.2013
Seite 31
Combinar las 3 clasificaciones resultantes y para cada
pixel obtener la clase de mayor frecuencia
19.10.2013
Seite 32
Clasificación con muestras de 20 a 200 pixeles
19.10.2013
Seite 33
Clasificación con muestras de 400 a 800 pixeles
19.10.2013
Seite 34
Clasificación con muestras de 1,200 a 2,000 pixeles
19.10.2013
Seite 35
Obtener clase de mayor frecuencia en cada pixel
19.10.2013
Seite 36
EVALUACIÓN Y MEJORAS
1. Evaluar las clasificaciones resultantes y
escoger la que presente los mejores
valores de separabilidad y menor error.
2. Trasladar las firmas y/o clasificación a un
software de tratamiento de imágenes
satelitales y corregir las clasificación.
19.10.2013
Seite 37
Imagen RapidEye 2012
19.10.2013
Seite 38
Clasificación automatizada
19.10.2013
Seite 39
Clasificación corregida
19.10.2013
Seite 40
Clasificación filtro 3x3
19.10.2013
Seite 41
PROCESOS
Extracción de firmas en forma automatizada en ArcGis
TIEMPO
10 min
Convertir las firmas de formato Arcgis (shape) a Erdas (AOI)
20 min
Convertir el AOI a signatura (*.sig) en Erdas
45 min
Clasificación supervisada en Erdas
2 min
Evaluación de clasificación y corrección de inconsistencias
5 horas
TOTAL (aproximado)
6 horas
Aprox. 1/día
250 imágenes que cubren el país + 20% de imágenes duplicadas
TOTAL IMÁGENES: 300 imágenes
Total de meses/hombre, requeridos (20 días de trabajo por mes):
Un equipo de 4 personas:
15 meses
4 - 5 meses
Fuente: datos proporcionados por la unidad de monitoreo forestal del ICF.
19.10.2013
Seite 42
EJEMPLOS DE RESULTADOS
OBTENIDOS CON EL PROCESO
AUTOMATIZADO EN ARCGIS
(10 minutos por imagen)
19.10.2013
10/19/2013
Seite 43
19.10.2013
10/19/2013
Seite 44
19.10.2013
10/19/2013
Seite 45
19.10.2013
10/19/2013
Seite 46
19.10.2013
10/19/2013
Seite 47
19.10.2013
10/19/2013
Seite 48
19.10.2013
10/19/2013
Seite 49
19.10.2013
10/19/2013
Seite 50
19.10.2013
10/19/2013
Seite 51
ASOCIACIÓN DE CLASIFICACIÓN
RESULTANTE CON SEGMENTOS
1. Calculo porcentaje de cobertura en cada
segmento.
2. Identificación de segmentos con clases
puras.
3. Clasificar segmentos con clases mixtas.
19.10.2013
Seite 52
Clasificación RapidEye a nivel de pixel
19.10.2013
Seite 53
Calculo de estadísticas dentro de cada segmento
19.10.2013
Seite 54
Ejemplo de porcentaje de cobertura forestal dentro de cada segmento
19.10.2013
Seite 55
Ejemplo de clase mayoritaria dentro de cada segmento
19.10.2013
Seite 56
Ventajas
• Se aprovechas los esfuerzos de mapeos
anteriores independientemente de las escala que
se utilizó en su elaboración.
• Reducción del tiempo en los procesos de
clasificación en comparación con los métodos
tradicionales.
• Incorporación de conceptos de densidad,
bosques puros y mixtos aprovechando la alta
resolución de las imágenes satelitales.
19.10.2013
Seite 57
Limitaciones
• La exactitud de las clasificaciones depende de la
calidad de los mapas anteriores de donde se
obtienen las muestras.
• Los sistemas de clasificación de los mapas
anteriores no coincide necesariamente con el
sistemas de clasificación deseado.
• Las nubes y sombras de nubes se confunden con
clases de no bosque y bosque en el proceso
automatizado.
19.10.2013
Seite 58
Uso de mapa de tipos de bosque en la cuantificación
de la Biomasa y el Carbono Forestal
Δ
Extensión de bosques
Sistema Satelitales
Δ Contenido de carbono
por tipo forestal
Inventario Forestales
19.10.2013
Seite 59
Calculo de carbono en la biomasa viva
Diámetro /
Altura
Volumen
Fuste
Biomasa Aérea:
Ramas + Copa
Biomasa Viva Total:
Aérea + Raíces
Carbono en la
biomasa viva
+
Medición en
campo
Aplicación de
función de
volumen
Factor de
expansión de
Biomasa Aérea
Factor de
expansión de
Biomasa
Subterranea
Fracción de
Carbono
19.10.2013
19/10/2013
Seite 60
Carbono total (C):
C en Biomasa Viva + C en Biomasa Muerta + C en Suelo
Carbono en la
Biomasa Viva
Copa
Carbono en la
Biomasa
Muerta
CARBONO
TOTAL
Biomasa Viva
Ramas
Fuste
Carbono en
el Suelo
Hojarasca
Madera
Muerta
Biomasa Muerta
Raíces
Factor de
Biomasa Muerta
Fracción de
Carbono
Suelo
Estimación de
Carbono en el
Suelo
19.10.2013
19/10/2013
Seite 61
Especie
Madera Muerta
Regeneración
Altura
DAP
Herbáceas
Hojarasca
19.10.2013
Seite 62
Resolución Media (10 – 100m)
Ejemplos
Resolución Baja (>100 m)
MODIS (250m)
MODIS (500m)
500m
250m
LANDSAT (30m)
30m
Resolución Alta (<10m)
ASTER (15m)
15m
IKONO (1 m)
1m
Monitoreo Nacional busca reducir incertidumbre en el calculo de
la superficie: mayor resolución espacial.
19.10.2013
Seite 63
IMAGEN RAPID EYE
19.10.2013
19.10.2013
Seite 64
REGIONAL: MODIS
19.10.2013
19.10.2013
Seite 65
NACIONAL:
LANDSAT
MODIS
2009
19.10.2013
19.10.2013
Seite 66
19.10.2013
19.10.2013
Seite 67
SUBNACIONAL: RAPIDEYE
19.10.2013
19.10.2013
Seite 68
Conclusiones
• Los mecanismos de compensación asociados al
carbono forestal exigirán mayores precisiones y
exactitud en los cálculos de superficie de las áreas
de bosque.
• Por esta razón se requiere avanzar en procesos de
automatización para poder generar información
cartográfica sobre los bosques de detalle en tiempos
relativamente cortos.
• La metodología propuesta influye positivamente en la
mejora de los procesos de monitoreo forestal en el
contexto de la cuantificación de biomasa y carbono
forestal en términos de calidad y reducción de costos
19.10.2013
Seite 69
Gracias!
19.10.2013
Seite 70