Utilización de SAR para la estimación de biomasa forestal en el

Transcripción

Dipartimento di Ingegneria Astronautica, Elettrica e Energetica
Chaco semiárido
Informe Final
Informe Final
1
M.R.Iglesias
Informe Final
M.R.Iglesias
Contenido
Introducción
7
Materiales y métodos
10
Área de estudio
10
Datos de campo de la región
13
Utilización de imágenes SAR para la estimación de biomasa
14
Imágenes SAR adquiridas
15
Introducción al tratamiento con imágenes SAR
17
Pre-procesamiento de imágenes SAR
19
Procesamiento
23
Resultados y discusión
25
Preprocesamiento
25
Elección de imágenes
25
Selección del número de looks
26
COSMO Skymed modalidad Wide region (WR)
COSMO Skymed modalidad hugh región (HR)
COSMO Skymed modalidad PingPong. (PP)
26
30
31
ALOS PALSAR:Modalidad polarizada
33
Procesamiento
37
ALOS PALSAR :Clasificación no supervisada
37
Clasificacion supervisada
38
Clasificación no supervisada, ALOS y COSMO
42
Relación entre el backscattering y las variables biométricas medidas a
campo
43
2
Informe Final
M.R.Iglesias
Generación de modelo de estimación de biomasa
47
Generación de modelo de estimación de biomasa a partir de ALOS
PALSAR y COSMO Skymed
47
Conclusión
51
Referencias
53
Anexo
59
3
Informe Final
M.R.Iglesias
Índice de tablas
Tabla 1: Características de las imágenes COSMO Skymed adquiridas
16
Tabla 2: Características de las imágenes ALOS PALSAR adquiridas
17
Tabla 3: Valores de media, desvío estándar e Equal number of looks para las
tres formaciones con COSMO Skymed WR.
26
tres formaciones con COSMO Skymed modalidad HR
31
tres formaciones con COSMO skymed modalidad Pingpong
31
Tabla 6: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para
las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR 34
las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR de
mayo 2005 utilizando distintos filtros.
35
Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de
mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y
altura max (H max)
44
4
Informe Final
M.R.Iglesias
Indice de Figuras
Fig.1: Ubicación geográfica de la Reserva Natural Chancaní
13
Fig.2:Backscattering: Dispersión volumétrica Dispersión superficie-volumen 18
Fig.3: Esquema representativo
realizados con SarScape
de
los
pasos
de
pre-procesamiento
22
Fig.4: COSMO Skymed WR con multilooking de 1, 3, 5, 9
27
Fig.5: Filtros aplicados a imagen COSMO Skymed WR
Fig.6: Filtros aplicados a imagen COSMO Skymed HR
29
30
Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas
polarizaciones (multilooking y Geocodificada)
32
Fig. 8: Imagen ALOS PALSAR polarizadas de mayo 2009
33
Fig. 9: distribución de la frecuencia de las tres clases (en decibel).
36
Fig. 10: Clasificación supervisada de la Reserva Chancaní, con los distintos
algoritmos usando imagen Cosmo Skymed modalidad PingPong
37
Fig. 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones
HH, HV, y la razón HH/HV.
38
Fig. 12: Clasificación supervisada de la Reserva Chancaní con ALOS PALSAR 40
Fig 13: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos
usando imagen Cosmo Skymed modalidad PingPong y ALOS PALSAR
41
Fig. 14; Clasificación no supervisada con ALOS PALSAR y Cosmo Skymed
43
Fig. 15: Clasificación de bosques a partir de los rangos de backscattering
45
Fig. 16.Saturacion de la banda L a partir de diagrama de dispersión de biomasa
y backscattering en decibeles mayo
46
Fig. 17: Análisis de componente principales utilizando valores de
backscattering de las imágenes ALOS PALSAR de mayo 2009
48
Fig. 18:Análisis de Cluster o conglomerado
48
Fig. 19: Biplot de analisis discriminate
50
5
Informe Final
M.R.Iglesias
Fig. 20: Mapa de cobertura de Carbono a partir de análisis discriminante
51
¡Error! Marcador no definido.Anexo
Tablas
Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para
las tres formaciones vegetales presentes en la Reserva en imagen
COSMO skymed con multilooking de 1 x 1
59
Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para
las tres formaciones vegetales presentes en la Reserva en imagen
COSMO Skymed con multilooking de 3 x 3
61
Figuras
Fig. 1A: Diferencias entre la media sin aplicación de filtro con
multilooking de 1 y los valores medios filtrados con distintas ventanas
para la cobertura arbustal
59
para la cobertura bosque secundario
60
para la cobertura bosque maduro
60
para la cobertura arbustal
61
para la cobertura bosque secundario
62
Fig. 6: Diferencias entre la media sin aplicación de filtro con multilooking
de 3 y los valores medios filtrados con distintas ventanas para la
cobertura bosque maduro
62
6
Informe Final
M.R.Iglesias
Chaco semiárido
Introducción
Los bosques desempeñan un papel importante en el ciclo global de
carbono (C), ya que estos absorben aproximadamente un doceavo del
stock CO2 atmosférico, almacenándolo en la biomasa leñosa y el suelo.
En general, los ecosistemas forestales representan aproximadamente el
72% del almacenamiento de C terrestre (Malhi et al., 2002, Woomer et
al., 2004; Keith et al., 2009). Por estos motivos, conocer la distribución
y almacenaje de C por parte de la vegetación leñosa, contribuye a
mitigar problemáticas de interés global como son el cambio climático y
la desertificación. Durante las últimas décadas, la estimación de C
almacenado en la biomasa leñosa ha despertado gran interés a partir de
los compromisos internacionales como la Convención Marco de Naciones
Unidas sobre el Cambio Climático (CMNUCC) y el Protocolo de Kyoto
(Lucas et al 2010). Si bien existen numerosos métodos para estimar
dichos los montos de C, estos varían en la precisión de la estimación y
en los costos para llevarlos a cabo.
Las áreas protegidas, constituyen zonas de referencia para los
estudios de desertificación y cambio climáticos (Reynolds y Stafford
Smith, 2002; Reynolds et al., 2005; Paruelo et al., 2005; Verón et al.,
2006), ya que mantienen su estructura y funcionamiento en ausencia de
7
Informe Final
M.R.Iglesias
perturbaciones antropogénicas (Illera et al., 1998; Alcaláz-Segura et al.,
2008) y conservan grandes cantidades de carbono en su biomasa
(Woomer et al., 2004; Keith et al., 2009). Sin embargo, muchas áreas
protegidas, sufren disturbios naturales y antrópicos antes de su creación
como Reservas Naturales (Carranza et al., 1992; Cabido y Pachá, 2002;
Bonino y Araujo, 2005; Villagra et al., 2009). Por tales motivos, es
posible encontrar dentro de las áreas protegidas sectores alterados, con
pérdida de la biodiversidad y disminución de los almacenajes de C
(Gandía y Meliá, 1993; Reynolds et al., 2005; Iglesias et al., 2012).
Poco se conoce acerca de los montos de C que conserva la
vegetación leñosa en zonas áridas y semiáridas (Gasparri et al., 2007;
Bonino, 2006; Padrón y Navarro-Cerrillo, 2007; Iglesias, 2010, Iglesias
et al., 2012). Estas áreas abarcan el 40 % de la superficie mundial
(Dregne, 1991; Verón et al., 2006), de los cuales los bosques cubren
aproximadamente 6 % (o sea unas 230 millones de hectáreas)
(Malagnoux, 2007). En Argentina, las regiones áridas y semiáridas
abarcan aproximadamente el 70 % del territorio (Roig et al., 1991;
Fernández y Busso, 1997), donde el 76 % de esta superficie están
afectadas por procesos de desertificación (SRNyDS, 2002).
Actualmente existen diversos métodos para la estimación de la
biomasa. Las estimaciones basadas en inventarios forestales adquiridos
a partir de muestreos de campo y posterior elaboración de modelos
matemáticos basados en métodos destructivos, es considerado como un
método preciso de estimación a nivel local (Iglesias, 2010). Sin
embargo, esta metodología es intensiva, costosa, consume mucho
8
Informe Final
M.R.Iglesias
tiempo y presenta un carácter local que es impreciso llevarlo a otras
escalas (Ghasemi et al., 2011). Dada estas limitaciones en la estimación
de biomasa de forma tradicional, los sensores remotos han sido
ampliamente usados con este objetivo en las últimas décadas. Dentro
de estas herramientas, en los últimos años se ha estudiado la
potencialidad de las imágenes de radar de apertura sintética (SAR) para
este fin (Nguyen, 2010; Lucas et al., 2010), a partir de la intensidad del
coeficiente de retrodisperción del SAR de las distintas longitudes de
onda, polarizaciones y su relación con la biomasa. Estudios indican que
a las longitudes de onda mayores (banda L y P) son las que presentan
mayor sensibilidad a la biomasa (Ghasemi et al 2011) mientras que las
longitudes de onda menores (banda X) retrodispersa los componentes
del dosel superior. Esta característica hace que las imágenes de radar
sean muy interesantes para estudiar propiedades intrinsicas de la
estructura vertical del bosque. Otra característica positiva del radar es
su relativa independencia de la situación meteorológica y, que, al ser un
sistema activo que emite su propia señal, aporta un conjunto de datos
más controlado. Sin embargo, también debe tenerse en cuenta que la
señal requiere un procesado más complejo que la de los sistemas
ópticos puesto que están más influidas por la topografía y la humedad
del suelo, sin olvidar que se trata de un tipo de información distinta
(Lobo Areu y Saura Martínez de Toda, 2005). Además, la estimación de
la biomasa con esta herramienta, puede verse afectada por una
saturación de la banda al exceder valores críticos. Por ejemplo, se ha
documentado que la banda L pierde sensibilidad entre 60-120 tn*ha-1 de
biomasa (Lucas et al,2010, Suzuki et al., 2013). Si bien la relación entre
el coeficiente de retrodisperción y la biomasa ha sido estudiada en
diversos bosques naturales e implados de regiones templadas, tropicales
y boreales (Rahman y Sumantyo, 2011, Morel et al., 2012, Suzuki et
9
Informe Final
M.R.Iglesias
al.,2013), son escasos los estudios que indican de manera exitosa la
utilidad de esta herramienta en regiones semiáridas (Imhoff, 1995;
Lucas et al., 2010), como en Chaco semiárido argentino.
Frente a esto, el propósito general de esta estancia se enfoca en
analizar la potencialidad de las distintas imágenes SAR para su uso en
la estimación de biomasa. Para ello, y a fin de adoptar conocimientos
básicos para el enfoque de la tesis de maestría "Máster en Atención
Temprana y Emergencias Aplicaciones Espaciales de respuesta", será
necesario: 1) Pre-procesar y procesar de imágenes SAR (Synthetic
Aperture
Radar),
2)
Generar
procedimientos
adecuados
para
la
detección de diferentes tipos de cobertura con distintos valores de
almacenamiento de biomasa aérea, 3) Analizar la relación entre la
respuesta del SAR con los valores de biomasa y otras variables biofísicas
de la región, 4) Generar un modelo de estimación de biomasa a partir
de imágenes SAR.
Materiales y métodos
Área de estudio:
La Reserva Natural Chancaní (31º 22’ S y 65 º 29’ W) y abarca
una superficie de 4.920 ha al oeste de las sierras de Pocho, en las
10
Informe Final
M.R.Iglesias
Planicies Occidentales en la provincia de Córdoba, Argentina (Fig. 1). La
precipitación media anual es de 513 mm, promedio de 30 años
registrados dentro de
la Reserva. De acuerdo al Índice de Aridez, el
clima es árido–semiárido, con un régimen de lluvias estival, presentando
entre 7 u 8 meses de estación seca (Torres Guevara, 2007) y una
temperatura media anual de 20ºC (Capitanelli, 1979). Los suelos son
entisoles y aridisoles (Jarsun et al., 1989), y su vegetación corresponde
al Chaco Árido dentro del Bosque Chaqueño Occidental (Luti et al.,
1979; Morello et al., 1985). La Reserva se extiende a lo largo de un
desnivel altitudinal de proximadamente 800 m sobre el nivel del mar,
comprendiendo parte del abrupto de falla de la vertiente occidental de la
Sierra de Pocho-Guasapampa (desde los 1.150 msnm), y el contacto
entre la bajada de dicho cordón con el llano occidental de Córdoba (a
unos 330 msnm). El paisaje de esta área protegida es heterogéneo.
Antes de su creación como reserva, algunos sectores se vieron
afectados por la tala, el pastoreo y fuego, generando una fragmentación
del paisaje (Alessandria et al, 1977; Bonino y Araujo, 2005 ; Bonino,
2006). Frente a esto, las formaciones 3 vegetales presentes son:
-Bosque maduro de A. quebracho-blanco: La fisonomía de esta
comunidad es de un bosque abierto con un dosel de copas discontinuas
a muy localmente continuas. El estrato arbóreo alcanza hasta 15 m de
altura
y
además
ejemplares
de
del
―quebracho
algarrobo
dulce
blanco‖,
y
se
Ziziphus
presentan
mistol
escasos
(―mistol‖),
generalmente más bajos (5-7m). El estrato arbustivo alcanza hasta 4 m
de altura cuyas especies más frecuentes son:
Larrea divaricata
(―jarilla‖), Mimozyganthus carinatus (―lata‖) y Acacia gilliesii (―garabato
11
Informe Final
M.R.Iglesias
macho‖) con altos valores de abundancia y cobertura (Carranza et al.,
1992; Iglesias, 2010).
-Bosque secundario de A. quebracho-blanco: similar al anterior con
menor cobertura de árboles y mayor abundancia del estrato arbustivo
(Carranza et al., 1992). Se trata de un bosque en general abierto y más
bajo que el anteriormente descripto. Se distingue un estrato arbóreo con
cobertura variable entre 10 y 40 % en el que predominan P. flexuosa y
A. quebracho-blanco. El estrato arbustivo presenta valores de cobertura
generalmente superiores al 60%, lo que transforma en un sotobosque
casi impenetrable. La especies más abundante es L. divaricata, Celtis
pallida (―tala churqui‖), M. carinatus y A. gilliesii. También son
frecuentes Capparis atamisquea (―atamisqui‖), Condalia microphyla
(―piquillin‖), Lycium elongatum (―lycium‖)
y Parkinsonia praecox
(―brea‖) (Carranza et al., 1992; Bonino y Araujo, 2005; Chebez, 2007;
Iglesias et al., 2011).
-Arbustal: Es una formación de arbustos de baja cobertura dominada
por L. divaricata, M. carinatus y A. gilliesii (Carranza et al., 1992), con
escasos representantes arbóreos (Iglesias, 2010)
En el presente informe, solo se tendrá en cuenta la región propia del
llano y se excluirá la vegetación serrana.
12
Informe Final
M.R.Iglesias
Figura 1: Ubicación geográfica de la Reserva Natural Chancaní, provincia de Córdoba.
Mapa de coberturas basado en Alessandria y col (1977)
Datos de campo de la región
La información propia de las distintas comunidades presentes en la
Reserva Natural Chancaní, fue obtenida a partir de trabajos de campo
previos realizados durante la tesis doctoral (Iglesias, 2010; Iglesias et
al., 2011). Este se basó en la realización de inventarios sobre diversas
transectas de 250 m2 georeferenciadas donde se relevó datos de
diámetro a la base y a la altura del pecho y altura de cada individuo
presente y cobertura sobre la línea. A estas variables alométricas
censadas se le aplicaron ecuaciones alométricas basadas es métodos
destructivos para estimar la biomasa de dicha transecta expresada en
13
Informe Final
toneladas por hectárea (Tn*ha
-1
M.R.Iglesias
.). Se realizaron aproximadamente 25
transectas en diversos sectores de la Reserva
Utilización de imágenes SAR para la estimación de biomasa
Los estudios sobre estimación de biomasa aéreas con imágenes de
radar comenzaron en la década de 1980, sin embargo no fue hasta
después de 1990 cuando se comenzó a experimentar con diferentes
tipos
de
imágenes,
en
diferentes
polarizaciones
y
ángulos
de
observación (Vasquez Lule, 2012). Dentro de los primeros trabajos
realizados para estimar la biomasa vegetal en vegetación tropical con el
coeficiente de retrodispersión, destaca los de Luckman, y col. (1997) en
Amazonia. Actualmente existen esta clase de estudios para diversos
ambientes, como también estudios donde relacionan variables biofísicas
de los bosques (volumen foresta, altura media, cobertura) con los
valores de retrodispersión o backscattering. La principal limitación de
estos estudios es la perdida de sensibilidad o saturación de la banda
luego de pasar un valor crítico de biomasa. Aunque existe controversias
sobre este valor crítico.
14
Informe Final
M.R.Iglesias
Imágenes SAR adquiridas
Tipos de imágenes adquiridas
A fin de analizar la potencialidad de estas imágenes para el
objetivo propuesto, se adquirieron distintos productos de COSMO
Skymed (banda X) y ALOS PALSAR (banda L). La fecha, el modo de
adquisición y demás detalles de cada imagen fueron especificados en la
tabla 1 y 2. Dichas imágenes fueron provistas por CONAE en el contexto
de la Maestría en Aplicaciones Espaciales de Alerta y Respuesta
Temprana a Emergencias. De acuerdo a la modalidad adquirida, los
sistemas radar utilizados pueden emitir y recibir la energía en forma: HH
(emisión horizontal con recepción del backscattering horizontal), VV
(emisión vertical con recepción vertical), HV (emisión horizontal con
recepción vertical) y VH (emisión vertical con recepción horizontal).
El sistema COSMO-SkyMed (COnstellation of Small Satellites for
Mediterranean basin Observation) es un sistema financiado por el
Ministerio de Investigación y el Ministerio de Defensa de Italia y llevado
a cabo por la Agencia Espacial Italiana (ASI), para uso tanto militar
como civil. La constelación consiste en cuatro satélites de tamaño medio
ubicados en órbitas polares helio-sincrónicas a la misma altura pero en
distintos planos orbitales, los cuales obtienen datos en banda X (λ =3
cm). Cada satélite presenta una revisita de 16 días y todos los satélites
siguen la misma trayectoria terrestre (Agenzia Spaziale Italiana, 2007).
15
Informe Final
M.R.Iglesias
Tabla 1: Características generales de las imágenes COSMO Skymed adquiridas
CSK
Produ
Instru.mod
Polari-
Look
Dirección
Satellite
ct
o de uso en
zación
Side
de la
type
la
Look
Angulo
fecha
orbita
adquisición
CSKS2
SCS
HR
HH
derecha
Descen.
29.5
2008/09/26
CSKS1
SCS
WR
HH
derecha
Descen.
27.5
2008/10/20
CSKS2
SCS
HR
HH
derecha
Descen.
29.5
2008/11/13
CSKS2
SCS
HR
HH
derecha
Ascen
29.4
2008/12/15
CSKS1
SCS
WR
HH
derecha
Descen.
27.44
2009/01/08
CSKS1
SCS
WR
HH
derecha
Descen.
38.5
2009/01/19
CSKS1
SCS
WR
HH
derecha
Ascen
27.5
2009/01/24
CSKS1
SCS
WR
HH
derecha
Descen.
34.4
2009/02/14
CSKS4
SCS
WR
HH
derecha
Descen.
33.6
2011/03/15
CSKS4
SCS
PP
HH/HV
derecha
Descen.
42.4
2013/01/28
El satélite ALOS PALSAR es un sistema radar de apertura sintética
desarrollado por el Ministerio Internacional de Comercio e Industria de
Japón (METI). ALOS fue puesto en órbita en el 2006, con una órbita
sub-sincrónica y sub- recurrente a una altitud de 691.65 km sobre el
ecuador. El satélite ALOS pasa por un mismo punto de la tierra cada 46
días y su sistema PALSAR (Radar de Apertura Sintética con Arreglo de
Fases en Banda-L) presenta un sensor de microondas activo que opera
en polarización completa (HH, VV, VH y HV). Con una frecuencia de
1270 MHz a una longitud de onda de ~23.5 cm (PALSAR user´s guide,
2012).
16
Informe Final
M.R.Iglesias
Tabla 2: Características generales de las imágenes ALOS PALSAR adquiridas
Alos Palsar
Product
Polari-
Swath
Angulo
Angulo de
fecha
producto
Nivel
zación
width
Off nadir
Incidencia
Polarimetry (PLR)
L 1.1
HH/HV +
30 KM
21.5
8-30
2009/11/07
30 KM
21.5
8-30
2009/05/07
70 KM
34.5
7.5-60
2008/10/11
VV/VH
Polarimetry (PLR)
L 1.1
HH/HV +
VV/VH
Fine beam double
L 1.1
HH/HV
polarisation (FBD)
Introducción al tratamiento con imágenes SAR
En los sistemas SAR, la onda electromagnética es emitida en
forma de pulsos, y el retorno de las mismas es detectado y almacenado
para su posterior procesamiento. A partir de los pulsos crudos, un
algoritmo denominado procesador SAR produce la imagen SAR (Salvia,
2010). Los datos contenidos en las imágenes SAR deben calibrarse para
poder
relacionar
los
valores
digitales
de
cada
pixel
con
los
correspondientes valores de coeficiente de backscattering sigma nought
(σ0) (Frulla et al., 1998). Dicho coeficiente representa la reflectividad
media de una muestra de material horizontal, normalizada con respecto
al área sobre el plano de la tierra. Es una fracción que describe la
cantidad de potencia promedio retrodispersada en comparación con la
potencia del campo incidente. Los valores de dicho coeficiente dependen
de diversos factores. La señal devuelta al sensor radar después de haber
impactado
sobre
contribuciones:
(i)
la
la
superficie
terrestre
es
dispersión volumétrica
17
la
y
suma
(ii)
de
dos
la dispersión
Informe Final
M.R.Iglesias
superficie-volumen o efecto rebote (double bounce effect) (Beaudoin et
al., 1994). En la figuras 2 se puede observar estos procesos para una
versión forestal simplificada. En el caso de una superficie vegetal, la
señal radar retrodispersada depende de dos tipos de factores: (i)
factores geométricos relativos a la estructura del suelo y de la cubierta
vegetal y, (ii) factores dialéctricos principalmente controlados por la
humedad del suelo y del dosel (Dobson et al., 1995).
Figura 2: Izquierda: Dispersión volumétrica: (a) suelo, (b) tronco, (c) copa. Derecha:
Dispersión superficie-volumen: (a) copa-suelo (b) tronco-suelo. Figura extraída de
Merino de Miguel y Gutiérrez.
En general, las áreas boscosas presentan eventos de múltiples
rebotes (retrodispersión múltiple), considerando la interacción que la
energía radiada por el radar presenta con el canopeo, el fuste, las ramas
y las hojas. Estos efectos provocan mayor retrodispersión. Por otro lado
la
constante dieléctrica se refiere a las propiedades de los materiales
para transportar energía eléctrica, en función de su contenido de
humedad y conductividad (Vázquez Lule, 2012)
18
Informe Final
M.R.Iglesias
La potencia que recoge la antena (y que es la magnitud
directamente medida por el sensor) está relacionada con el coeficiente
de backscattering (σ0). Por otra parte, la teoría electromagnética explica
que la intensidad de una onda electromagnética es proporcional al flujo
promedio de energía por unidad de tiempo (potencia), o sea al valor
cuadrático
medio
del
campo
eléctrico.
Entonces
la
potencia
es
proporcional al cuadrado de la amplitud de la onda. Finalmente, los
datos en decibeles se obtienes a partir de la relación logarítmica
(producto del logaritmo del coeficiente de backattering por diez). La
tabla siguiente indica las correspondencias mencionadas.
.
Pre-procesamiento de imágenes SAR
El pre-procesamiento de las imágenes SAR utilizadas, se llevó a
cabo utilizando el módulo SARscape 4,3 del programa ENVI 4.8.
El primer paso a realizar es importar las imágenes. Para las
imágenes adquiridas de COSMO Skymed y ALOS PALSAR, las imagen se
importan utilizando la opción de Import data (SARscape basic ->import
data -> standard format).
19
Informe Final
M.R.Iglesias
Todas las imágenes radar se ven afectadas en mayor o menor
grado por un cierto ruido, llamado generalmente speckle, que aparece
como una textura granulada en toda la imagen o como un efecto de ―sal
y pimienta‖. Este es debido a la suma de ondas electromagnéticas con
diferentes fases que provoca constantes interferencias constructivas y
destructivas debidas a las continuas difracciones de la señal recibido en
un píxel. En general, es un ruido indeseado que degrada la calidad final
de la imagen y dificulta la interpretación de la misma.
Las imágenes producidas por un sistema SAR, pueden ser de un
solo look y datos complejos (Single Look Complex, SLC) o de uno o
varios looks y datos reales. En el caso de imágenes de un solo look, la
relación señal ruido (Signal to Noise Ratio, SNR) es baja, lo que suele
dificultar tanto el análisis visual como el automático. Para mejorar la
SNR, se utilizan varias técnicas, entre las cuales la más importante es el
procesamiento multilook. Este proceso se refiere a la división del haz del
radar en varios haces más angostos angularmente. Cada sub-haz
provee una ―mirada o look‖ independiente de la escena iluminada. El
promediado píxel a píxel de cada uno de los looks genera una imagen
multilook que posee un ruido speckle menor, mejorando la resolución
radiométrica a expensas de la resolución espacial (Salvia, 2010). El nivel
de reducción del ruido está directamente relacionado con el número de
look (Henderson and Xia, 1998). Este proceso de generación de
múltiples
vistas
permite
obtener
imágenes
con
píxeles
aproximadamente cuadrados en base a tres distancias: espacio entre los
píxeles en dirección azimutal, espacio entre las adquisiciones de píxeles
en dirección de rango y el ángulo de incidencia (Henderson y Lewis,
1997). Dependiendo del objetivo de estudio, es necesario determinar el
número de looks a utilizar.
20
Informe Final
M.R.Iglesias
Para cuantificar el incremento en el número de looks, se calcula la
media y la desviación estándar para las tres cobertura representativas
de la Reserva forestal, considerando zonas homogéneas tomadas de la
clasificación anterior (Iglesias, 2011). Número equivalente de look, se
define como la inversa de la varianza normalizada de la intensidad de la
señal en la imagen de un blanco homogéneo. Se calcula de la siguiente
manera:
ENL = 1 / qr2,
qr = σ / µ ,
Siendo µ y σ, la media y el desvío estándar de la intensidad de la
señal en la imagen de un blanco homogéneo, y qr es la desviación
estándar normalizada.
Por otro lado, en los últimos años una gran cantidad de filtros han
sido diseñados con el fin de reducir el ruido. La reducción del speckle se
basa en mover una ventana (de dimensión 3x3, 5x5, o mayor) sobre
cada pixel de la imagen aplicando una operación matemática que utiliza
los valores de pixel presentes en la ventana, sustituyendo el valor del
pixel central por el nuevo valor. Se mueve la ventana en filas y
columnas, un pixel por vez hasta completar toda la escena. Las
operaciones posibles a realizar son: medias, medianas y otros filtros
adaptativos. Estos filtros se basan en modelos apropiados para el
backscatter y propiedades estadísticas del ruido. Además, hay que tener
en cuenta que las variables de entrada de los distintos filtros, como son
el tamaño de la ventana, el desvío estándar del speckle y el factor de
21
Informe Final
M.R.Iglesias
damping, deben ajustarse al objetivo de estudio (Frulla et al., 1998).
Por ejemplo, regiones heterogéneas con variaciones grandes en los
tonos, es preferible tratarlas con pequeñas ventana. Con respecto a la
variación del factor de damping, valores grandes, preserva los bordes
mejor, pero reduce el efecto de suavizado. Al contrario, valores
pequeños aumenta el efecto de suavizado, pero no mantiene los bordes
de forma correcta (Schreier, 1993).
Para finalizar el pre-procesamiento, se realiza la calibración
geométrica a partir del módulo Geocoding & Radiometric Calibration.
Esta realiza la transformación de imágenes de radar (dirección rangoazimut) a un sistema de coordenadas (en este caso Lat Long). Si es
necesario, se realiza una corrección geométrica de las imágenes de
radar considerando puntos control tomados a campo o en base a google
earth y puntos georeferenciados tomados a campo. La figura 3 sintetiza
los pasos mencionado en el pre-procesamiento de imágenes SAR.
Import data
Imagen
Geocodificada
(potencia y decibel)
Multilooking
(EqnL)
Geocoding &
Radiometric
Calibration
Filtros
Imagen en
Potencia
Figura 3: Esquema representativo de los pasos de pre-procesamiento realizados con
SarScape
22
Informe Final
M.R.Iglesias
En el caso de ALOS-PALSAR modalidad pol., también se realizó la
co-registración (sarscape/basic/coregistration) que implica superponer
dos o más imágenes SAR con la misma orbita y modo de adquisición.
Procesamiento
Luego de realizar el pre-procesamiento de las imágenes, se
selecciona diversas escenas para analizar su potencial uso en la
estimación de biomasa. Primero, se recorta el área de interés y se
realiza la corrección de las coordenadas geográficas. Se obtiene así,
imágenes de la Reserva Chancaní filtradas de cada instrumento, con su
polarización particular. En caso de las imágenes con más de una
polarización (ALOS PALSAR y COSMO Skymed modalidad pingpong), se
generan además, por medio de operadores matemáticos del gis
(matematical operator/image operator), imágenes correspondiente a la
razón hh/hv y vv/vh.
A partir de datos de campo previos, obtenidos durante la tesis
doctoral
(Iglesias,
2010),
se
generan
una
serie
de
puntos
georeferenciados con su respectivo valor de biomasa expresada en
toneladas de carbono. Los valores máximos encontrado se encuentra en
el rango de 110 tn/ha y los mínimos corresponden a valores de suelo
desnudo y arbustales. De cada punto mencionado se realiza un punto
vector. Este se lo transforma a raster y se genera un área de influencia
alrededor del punto, a partir de un buffer, lo que crea una máscara
correspondiente a un área de 420 m2. Estos buffers se utilizan para
23
Informe Final
M.R.Iglesias
obtener el valor medio del backscattering en decibel de un área conocida
y se aplican a cada una las polarizaciones de las imágenes SAR. Al ser
un área muy heterogénea dichos buffers no pueden ser de mayor
dimensión.
Posteriormente, se genera una base de datos con los valores
medios de backscattering de cada polarización junto con los valores de
biomasa, cobertura y valores de altura media y máxima del canopeo,
correspondiente a los mismos. En el caso de las imágenes ALOS
PALSAR, se añade la relación HH/HV y VV/VH. A fin de analizar la
relación de estos valores medios de backscattering y los valores de
Biomasa y cobertura tomadas a campo, se realizan correlaciones
(utilizando correlación de Pearson) y análisis multivariado.
La estimación de la biomasa se realizara de dos formas. Por un
lado, se generan clasificaciones supervisadas y no supervisadas del
área, utilizando distintos algoritmos. Para las primeras se utilizaron
algoritmo
de
máxima
verosimilitud,
de
mínima
distancia
y
paralelepípedos, con la finalidad de discriminar las diferentes cubiertas
vegetales. Para esto, se definieron áreas de entrenamiento, que
responden a dichas cubiertas, en puntos conocidos de la imagen
obtenidos mediante un relevamiento a terreno con apoyo de un GPS
(iglesias, 2010). Las áreas de entrenamiento corresponden a las
siguientes formaciones vegetales: áreas de baja cobertura vegetal
(arbustal y suelo desnudo), áreas de cobertura media (bosques
secundarios) y áreas de cobertura máxima (bosques maduros). En el
caso de las clasificación no supervisada, se utilizó el algoritmo k-mean.
24
Informe Final
M.R.Iglesias
En todos los casos se realizó un ―layer stacker” de las distintas
combinaciones
de
polarizaciones
como
también,
combinación
de
imágenes de mayo y noviembre. A dichas coberturas se les asigna un
valor medio de biomasa expresada en Tn de C * ha-1 extraídos de
Iglesias y col. 2012.
Por otro lado, se intenta generar un modelo para le estimación de
biomasa utilizando SAR. Para ellos se definen como variables los valores
de backscattering y la cobertura vegetal (expresada en porcentaje) y se
realiza un Análisis de Componentes Principales para reducir estas
variables a las más explicativas. Posteriormente, a partir de un Análisis
Discriminante con esta selección de variables, se crea un modelo de
estimación de biomasa. Este análisis, nos permite elaborar una ecuación
a partir de una transformación lineal del espacio multiespectral original
en ejes discriminantes, de modo que optimiza la relación entre la
varianza interior a las clases y la varianza entre clases distintas
(Infostat, 2008).
Resultados y discusión
Pre-procesamiento
Elección de imágenes
25
Informe Final
M.R.Iglesias
Selección del número de looks
Imagen COSMO Skymed modalidad Wide Region (WR)
Al aumentar el número de looks en la imagen WR de COSMO
Skymed, disminuyen los valores extremos y en consecuencia, la media y
el desvío estándar. Si bien esta acción provoca la disminución del
speckle, dicho tratamiento genera un filtrado que homogeniza la
imagen, imposibilitando diferenciar las distintas coberturas vegetales
(figura 4). En la tabla 3 se observa que no existen diferencias marcadas
entre las medias de las tres formaciones vegetales.
Tabla 3: Valores de media, desvío estándar (DS) e Equal number of looks para las tres
formaciones vegetales presentes en la Reserva con COSMO Skymed WR.
10 X 10m
Media
-11.17
Arbustal
DS
4.76
EqnL
5.5
Bosque secundario
Media
DS
EqnL
-10.82
4.76
5.2
Bosque maduro
Media
DS
EqnL
-10.66
4.77
5
30 x 30m
-9.952
2.50
15.8
-9.39
2.20
18.5
-9.38
2.45
14.28
50 x 50m
-9.58
1.63
34.5
-9.05
1.38
43.5
-9.01
1.58
35.7
90 x 90m
-9.02
1.58
50
-8.88
0.75
138
-8.83
0.98
83.3
26
Informe Final
M.R.Iglesias
Figura 4: Imagenes COSMO Skymed WR con multilooking de 1, 3, 5, 9
10 X 10 m
30 x 30 m
50 x 50 m
90 x 90 m
La elección del procesamiento adecuado para la imagen COSMO
Skymed depende de objeto de estudio. En este caso, se necesita
resaltar la heterogeneidad del ambiente para poder distinguir las
27
Informe Final
M.R.Iglesias
distintas coberturas vegetales y por otra parte, disminuir el spekle de la
misma. Por este motivo, el multilooking más adecuado sería el de 1 x 1
o 3 x 3, con un filtro adaptativo. A modo ilustrativo, se tomó como
ejemplo una imagen COSMO Skymed modalidad WR, del 2 de octubre
del 2008 donde se analizaron los distintos filtros (figura 5).
Posteriormente se calcularon los valores medios, el desvío
estándar y el coeficiente de variación (razón desvío sobre media) de las
tres coberturas características de la reserva, en las imágenes con 1 y 3
multilooking. Luego se aplicaron los diversos filtros y se calcularon los
mismos estadísticos con distintos tamaños de ventana. En todos los
casos, se convirtieron los valores de potencia a decibeles. Además se
calculó el valor de equal number of looks para analizar la influencia del
speakle en la imagen. Los resultados se observan en las tablas 1 y 2 del
anexo, como también las figuras desde 1-6 del mismo.
Los resultados indican que el aumento de la ventana en esta área
con características heterogéneas, afecta los valores de pixel. Por lo cual,
se recomienda el uso de ventanas de dimensiones menores (3x3). En
líneas generales, el filtro Lee presentó un buen ajuste para todas las
coberturas. Este filtro se basa en que el valor del píxel sin speackle es
una suma ponderada del valor de píxel observado (central) y el valor
medio. El filtro de Lee suaviza los datos de imagen, sin la eliminación de
bordes afilados o características en la imagen (Vyjayanthi et al., 2008).
Específicamente para la región del arbustal, fueron los Refined Lee y
Enhanced Frost los que menor diferencia de media y varianza
presentaron.
Para
las
coberturas
28
Boscosas
(bosque
maduro
y
Informe Final
M.R.Iglesias
secundario) el filtro Lee fue el que más se acercó a la media y con
menor desvío.
Multilooking
Defined Lee
Frost
Anisotropic
EPC
Lee
Media
Median
Figura 5: Filtros aplicados a imagen COSMO Skymed WR
29
Informe Final
M.R.Iglesias
Por otro lado, tanto en las imágenes con 1 o 2 multilooking, el
EqnL indica que todavía el nivel de speakle es grande y que a su vez las
clases no presentan una diferencia marcada entre ellas.
COSMO Skymed modalidad hugh región (HR)
Las imágenes HR fueron tratadas con un multilooking de 2 x 2.
Debido a que se quiere conservar la heterogeneidad del ambiente, los
filtros adaptativos aplicados (Frost, Lee, defined Lee) se realizaron con
una ventana pequeña de 3 x 3. A simple vista, es difícil distinguir las
tres clases de cobertura vegetales (Fig.6), siendo la diferencia máxima
ente estas de 0.4 decibeles (tabla 4). Los valores de EqnL también
indican que en cada clases es speackle interfiere de forma significativa.
Frente a estos resultados sugerimos que estas imágenes no son
apropiadas para el objetivo del estudio.
Sin filtro
Frost
Lee
Figura 6: Filtros aplicados a imagen COSMO Skymed HR
30
Defined Lee
Informe Final
M.R.Iglesias
Tabla 4: Valores de media, desvío estándar (DE) e Equal number of looks (EqnL) para
las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed
modalidad HR
Media
Sin filtro
Arbustal
DE
EqnL
Bosque maduro
Media
DE
EqnL
3,44
9,65
-10,26
3,41
9,03
-10,28
3,46
8,8
-10,08
2,1
23,15
-9,62
1,95
24,15
-9,66
2,06
21,8
-10,1
2,08
23,48
-9,64
1,95
24,44
-9,68
2,05
22,22
-10,5 2,02 26,86
-10
1,85
28,98
-10,04 2,01
Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee)
24,86
Frost 3x3
Lee 3x3
-10,7
Bosque secundario
Media
DE
EqnL
Re –Lee 3x3
COSMO Skymed modalidad PingPong (pp)
Al igual que con las otras modalidades, se realizó el pre-procesing
estándar para las imágenes COSMO Skymed de modalidad Pingpong
(Fig. 7). Se analizaron los valores medios, desvío estándar y el equal
number of looks de las tres coberturas vegetales (tabla 5), para las
imágenes con y sin filtros en ambas polarizaciones.
Tabla 5: Valores de media, desvío estándar (DE) e Equal number of looks para las tres
formaciones vegetales presentes en la Reserva en imagen COSMO skymed modalidad
Pingpong con multilooking de 12 (azimut looks) y 2 (range looks)
Arbustal
Media
Bosque secundario
DE
EqnL
Media
DE
Bosque maduro
EqnL
Media
DE
SF HH
-15,83
5,9
7,16
-14,55
5,81
6,26
-15,16
5,83
SF HV
-23,12
6,64 12,13 -21,95
6,5
11,4
-21,87
6,65
Frost HH
-13,81
2,49 30,51 -12,82
2,46
27,02 -13,12
2,45
Frost HV
-20,8
2,62 62,88 -19,52
2,3
71,77 -19,41
2,3
Lee HH
-13,82
2,52 29,98 -12,83
2,48
26,72 -13,13
2,5
Lee HV
-21,13
3,16 44,46 -19,85
2,92
46
-19,75
2,91
Re-Lee HH
-13,82
2,36 34,14 -12,84
2,3
30,92 -13,13
2,31
Re-Lee HV
-21,13
3,01 49,12 -19,85
2,79
50,51 -19,76
2,74
Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee)
31
EqnL
6,76
10,81
28,47
71,19
27,67
45,91
32,09
51,7
Informe Final
HH
M.R.Iglesias
HV
Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas
polarizaciones (multilooking y Geocodificada)
Aquí
diferencia
tambien,
entre
las
el
coeficiente
coberturas
de
backscattering
boscosas.
Con
no
una
muestra
diferencia
aproximada de un decibel se podrían separar la cobertura arbustiva de
las de bosque. Esta mayor diferencia se encuentra con la polarización
HV. Por otro lado, los filtros Lee y Refined Lee son los que mejor
explican las coberturas disminuyendo el ruido.
32
Informe Final
M.R.Iglesias
ALOS PALSAR
Modalidad polarizada
La figura 8, muestra las cuatro distintas polarizaciones presentes
en la imagen ALOS PALSAR de modalidad Polarizada de noviembre del
2009, luego de realizar el multilooking adecuado y geocodificación.
Posteriormente se calculó el EqnL de cada polarización con los distintos
filtros, para las fechas noviembre y mayo del 2009 (tabla 6 y 7).
HH
HV
VH
Figura 8: Imagen ALOS PALSAR polarizadas de mayo 2009
33
VV
Informe Final
M.R.Iglesias
noviembre 2005 utilizando distintos filtros
arbustal
Sin filtro
Lee
Refined
Lee
Frost
Media
bosque secundario
bosque maduro
pol
Media
DE
Eqnl
Media
DE
Eqnl
Media
DE
Eqnl
hh
-11,92
2,24
28,33
-10,86
1,83
35,09
-11,53
2,23
26,76
hv
-18,28
2,52
52,62
-17,22
1,91
81,28
-18,19
2,56
50,48
vh
-18,41
2,47
55,55
-17,39
1,86
87,41
-18,32
2,55
51,61
vv
-12,48
2,1
32,94
-11,55
1,89
37,18
-12,23
2,17
31,67
hh
-11,67
1,6
53,09
-10,61
1,05
102,89
-11,29
1,57
51,42
hv
-18,02
1,92
88,08
-16,97
1,05
261,2
-17,92
1,99
81,09
vh
-18,15
1,88
93,2
-17,14
1,03
276,91
-18,06
1,97
84,04
vv
-12,23
1,5
66,57
-11,3
1,1
104,81
-11,98
1,5
63,55
hh
-11,94
1,75
48,36
-10,87
1,23
78,07
-11,5
1,73
44,18
hv
-18,28
2,04
80,29
-17,16
1,2
204,49
-18,23
2,11
74,64
vh
-18,43
1,99
85,7
-17,35
1,21
205,6
-18,32
2,05
79,86
vv
-12,48
1,61
60,07
-11,54
1,27
81,74
-12,21
1,66
53,91
hh
-11,68
1,63
50,86
-10,63
1,1
93,05
-11,3
1,61
49,1
hv
-18,03
1,95
85,5
-16,97
1,1
238
-17,94
2,02
78,87
vh
-18,16
1,91
90,4
-17,15
1,07
256,89
-18,07
2
81,63
vv
-12,23
1,53
63,32
-11,31
1,15
96,5
-11,99
1,55
59,71
hh
-11,94
1,5
62,88
-10,87
0,93
134,98
-11,53
1,49
59,4
hv
-17,94
1,76
103,9
-16,9
0,79
457,63
-17,86
1,83
95,25
vh
-18,08
1,72
110,5
-17,08
0,77
492,03
-17,98
1,81
98,67
vv
-12,15
1,31
85,12
-11,24
0,86
168,67
-11,91
1,33
79,54
34
Informe Final
M.R.Iglesias
mayo 2005 utilizando distintos filtros
arbustal
bosque secundario
bosque maduro
sin
filtro
Sin filtro
Lee
Refined
Lee
Frost
Media
Media
DE
Eqnl
Media
DE
Eqnl
Media
DE
Eqnl
hh
-11,83
2,23
28,00
-11,31
1,95
33,43
-11,27
2,09
28,95
hv
-18,43
2,43
57,49
-17,60
2,07
71,81
-17,68
2,30
58,74
vh
-18,57
2,40
59,57
-17,78
2,06
74,00
-17,85
2,29
60,69
vv
-12,64
2,16
34,07
-12,25
1,98
38,28
-12,20
2,05
35,37
hh
-11,68
1,58
54,42
-10,01
2,02
24,47
-11,51
1,67
47,35
hv
-18,35
1,75
109,99
-16,19
1,78
82,66
-18,11
2,05
78,03
vh
-18,48
1,75
111,16
-16,37
1,77
85,56
-18,26
2,03
80,49
vv
-12,50
1,48
71,39
-10,79
2,24
23,23
-12,41
1,58
61,54
hh
-11,94
1,67
51,13
-10,29
2,08
24,26
-11,76
1,75
45,11
hv
-11,76
1,75
45,11
-16,43
1,84
78,97
-18,41
2,16
72,46
vh
-18,77
1,84
103,74
-16,60
1,83
81,52
-18,52
2,12
75,98
vv
-12,76
1,57
65,97
-11,07
2,25
24,13
-12,69
1,69
55,86
hh
-11,69
1,62
52,28
-10,01
2,04
23,88
-11,53
1,71
45,41
hv
-18,36
1,77
106,75
-16,20
1,81
79,89
-18,12
2,08
75,637
vh
-18,50
1,78
107,49
-16,37
1,80
82,48
-18,27
2,07
77,67
vv
-12,50
1,51
68,62
-10,80
2,27
22,64
-12,43
1,62
58,37
hh
-11,61
1,39
68,95
-16,11
1,64
96,06
-18,18
1,87
93,60
hv
-9,90
1,91
26,62
-18,04
1,90
90,05
-12,41
1,27
95,24
vh
-11,45
1,49
58,53
-18,41
1,57
137,65
-10,68
2,16
24,43
vv
-18,27
1,56
136,53
-16,28
1,63
99,44
-12,35
1,41
75,92
Al igual que en caso anteriores, la diferenciación de clases no es
precisa,
ya
que
el
desvío
estándar
presente
en
las
clases
es
relativamente grande. En el gráfico siguiente (figura 9) se observa
claramente la existencia de una superposición de las clases de bosques.
La diferencia entre los valores de backscattering de las formaciones de
35
Informe Final
M.R.Iglesias
bosque y arbustal, puede ser atribuida en parte, a los distintos montos
de biomasa, como también a la presencia de diversos estratos.
Figura 9: distribución de la frecuencia de las tres clases (en decibel).
A partir de los resultados del pre procesamiento, se selecciona
para este estudio las imágenes COSMO-Skymed modalidad pingpong
con filtro Lee y las imágenes ALOS PALSAR modalidad polarizada con
filtro Lee como las que mayor potencialidad presentan para distinguir
clases dentro de la reserva como también se evalúa la potencialidad de
estas variables para estimar la biomasa.
36
Informe Final
M.R.Iglesias
Procesamiento
Estimación de biomasa de un área a partir de una clasificación.
COSMO Skymed modalidad pingpong.
Se realizaron clasificaciones supervisada de la reserva con dichas
imágenes. Las clasificaciónes supervizada fueron realizadas con los
algoritmos de máxima verosimilitud (Maxlike), distancias mínimas
(Minidist) y por el método de paralelepípedos. Los resultados se
observan en la figura 10.
Maxlike
minidist
paralelepipedo
Clasificación supervisada de la Reserva Chancaní con distintos algoritmos de
clasificación con imagen COSMO Skymed modalidad PingPong (enero 2013).
Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro
Figura 10: Clasificación supervisada de la Reserva Chancaní, con los distintos
algoritmos usando imagen COSMO Skymed modalidad PingPong
Las tres clasificaciones mostraron distintos mapas de cobertura.
Los valores de Kappa fueron muy pequeños en todos los casos, siendo
37
Informe Final
0.23,
0.15
y
0.028
para
maxlike,
minidist
y
M.R.Iglesias
paralelepípedos
respectivamente. En esta última se observa una sobrevaloración de las
áreas arbustivas en toda la reserva. Estos bajos valores de kappa
concuerdan con los resultados encontrados previamente en el preprocesamiento, donde se observó una marcada confusión entre las
clases.
ALOS PALSAR
Clasificación no supervisada
Al
realizar
la
clasificación
no
supervisada
utilizando
las
polarizaciones hh, hv, y la razón entre ambas con el algoritmo k-mean
(Fig. 11), se observó un mejor ajuste del mapa de coberturas.
Figura 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones HH,
HV, y la razón HH/HV con COSMO Skymed modalidad Pingpong. Arbustal (verde),
bosque abierto (verde) y bosque maduro (azul).
38
Informe Final
M.R.Iglesias
Según esta clasificación, las áreas que ocupan el arbustal, el
bosque secundario y el bosque maduro son de 1088, 1246 y 1480
hectáreas respectivamente.
Clasificación supervisada
Posteriormente
se
realizaron
las
clasificaciones
supervisadas
utilizando los distintos algoritmos: maxlike, minidist y paralelepípedos
generando
tres
mapas
de
cobertura.
Se
probaron
diversas
combinaciones de bandas para dicha clasificación. En la fig 12 se
observa las clasificación producto la unión de las polarizaciones HH, HV,
VH, VV y la razón HH/HV, mediante una ―layerstack‖. Según lo
observado, la clasificación que más se ajusta es la de distancia mínimas
(minidist), el resto sobrevalora una de las clases con respecto a las
demás. Si bien los valores de kappa en la clasificación con ALOS PALSAR
fueron más elevado que con la clasificación de COSMO SkyMed
modalidad pingpong, aun dichos valores son considerados bajos, siendo
0.42 (maxlike), 0.59 (minidist) y 0.04 (paralelepípedos). También se
probó la clasificación con los meses de mayo y noviembre (previa
registración), pero dicha clasificación no mostró mejoras relevantes.
39
Informe Final
Maxlike
minidist
M.R.Iglesias
paralelepipedo
clasificación con imagen ALOS PALSAR (mayo 2009). Referencias: rojo, arbustal,
verde, bosque secundario, azul, bosque maduro
algoritmos
La clasificación de distancias mínimas, mostró una cobertura del
arbustal de 574 ha, bosque abierto de 1467 y bosque maduro 1775. La
diferencia de esta clasificación supervisada con la anteriormente
realizada con óptico (Iglesias et al-. 2012) fue de un 13 % de diferencia
con el arbustal (514 ha), 5.8 % en el bosque secundario (221 ha) y 7 %
(295 ha). Si bien estas diferencias no fueron muy elevada, hay que
tener en cuenta que el valor de Kappa es relativamente bajo para una
clasificación supervisada.
En la figura 13 se observa la clasificación a partir de la unión de
las polarizaciones HH, HV y las razones HH/HV combinando las
imágenes ALOS PALSAR de noviembre y la imagen HV de COSMO
SKYMED de enero 2013. Este última combinación mejora la clasificación,
siendo los valores de kappa de 0.71, 0.70, y 0.09 para los algorimos
maxlike, minidist y paralelepípedos respectivamente. Este mejor ajuste
a partir de dicha combinación, posiblemente se deba a que ambas
40
Informe Final
M.R.Iglesias
bandas penetran a distintas alturas, permitiendo observar distintos
parámetros de la vegetación. La energía del radar de onda corta como la
banda X, presenta una fuerte interacción con la superficie del canopeo,
dispersando la energía a partir de los componentes de escala pequeña
de las copas (hojas y ramas pequeñas). Por el contrario, la energía
radar con longitudes de onda relativamente largas (banda L) penetrará
en el dosel y reflejan a partir de componentes de mayor escala del dosel
(grandes ramas, fuste), y la superficie del terreno (Andersen et al.,
2006). Se considera que esta longitud de onda más larga, interactúan
sólo débilmente con la capa superficial del dosel superficial, ya que pasa
dos veces por ella antes de que la señal se haya registrado en la antena
receptora.
Maxlike
minidist
paralelepipedo
clasificación con imagen COSMO Skymed HV modalidad PingPong (enero 2013) e
imágenes ALOS PALSAR HH HV y HH/HV de los meses de mayo y noviembre.
Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro
algoritmos usando imagen COSMO Skymed modalidad PingPong y ALOS PALSAR
En el caso de la clasificación con distancia mínimas, las áreas
cubiertas por arbustal, bosque secundario y bosque maduro fueron de
434, 1800 y 1529 respectivamente. Teniendo en cuenta los valores de
biomasa de esta área obtenidos de estudios previos (Iglesias et al.,
41
Informe Final
M.R.Iglesias
2012) son: 95 Tn*ha-1 para los bosques maduros, 43 Tn*ha-1 para los
bosques abiertos y 19 Tn*ha-1 para los matorrales, el aporte de esta
reserva seria de 145.328, 77.360 y 8.248 toneladas de C, para las
mismas categorías, mostrando un total de 230.936 toneladas de C en la
Reserva, alrededor de 15000 toneladas menos de C que la clasificación
supervisada anterior, sin el aporte de la banda HV de COSMO SkyMed.
Comparando dicha clasificación con la realizada en trabajos
previos con imágenes ópticas, los bosques maduros ocupa una mayor
extensión en la primera. En la clasificación con Landsat 5 del año 2009
del área de estudio, el bosque maduro solo presento 823 ha, los
bosques abiertos fueron la comunidad más abundante con 2188 ha y la
menor diferencia se encontró en la comunidad arbustal donde los
valores alcanzaron 752 ha. Esto podría estar vinculado con una
saturación de la imagen radar.
Clasificación no supervisada con ALOS PALSAR (pol)y COSMO SkyMed
(pp)
Cabe
destacar
la
clara
distinción
entre
el
arbustal
y
las
comunidades boscosas. A diferencia de la realizada solamente con la
imágenes ALOS PALSAR, en esta clasificación se observa una mayor
cobertura del arbustal y una unica cobertura de bosque (figura 14).
42
Informe Final
M.R.Iglesias
Figura 14; Clasificación no supervisada con imagen COSMO Skymed modalidad
PingPong y ALOS PALSAR
Relación entre el backscattering y las variables biométricas medidas a
campo
Se analizó la relación del backscattering de cada polarización con
los valores de biomasa, cobertura sobre la línea, valor medio de altura y
valor máximo de altura, a partir de un análisis de correlación de
Pearson. Cada polarización de la imágenes ALOS PALSAR modalidad
polarizada
mostró
valores
relativamente
bajos
y
positivos
de
correlación, sin embargo la razón de hh/hv evidenció una alta
correlación negativa (-0.78 para los valores de mayo del 2009 y -0.76
para noviembre del 2009), indicando que a bajos valores de dicha
relación le corresponde mayores los valores de biomasa (Tabla 8).
Por otro lado, se encontró alta correlación entre el coeficiente de
backscattering y la altura media de cada transecta, alcanzando valores
de correlación de 0.89 con la polarización VH. Debido a que la altura es
43
Informe Final
M.R.Iglesias
uno de los componentes necesarios para obtener el volumen forestal, es
coherente encontrar dicha fuerte correlación, ya que existen evidencias
de la alta relación entre el volumen y el coeficiente de backscattering
(Santoro et al.,2002, Suzuki et al, 2013). Suziki et al.(2013) encuentra
valores de coeficiente de determinación mayores de 0.8 entre la altura
media y HV y HH en bosques de Alaska. Dicho autor también indica que
los niveles de saturación para esta variable es de 18.8 m y 13.6 para HH
y HV respectivamente, valores de altura media muy per debajos a la
altura máxima encontrada en el área.
También la cobertura vegetal sobre la línea evidenció valores de
correlación mayores a 0.7, para las polarizaciones HH, HV y VH.
Finalmente, la altura máxima del canopeo no evidencio correlación con
el backscattering.
Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de
mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y
altura max (H max)
Pearson
hh
hv
vh
vv
vv/vh
hh/hv
carbono
cob
H media
H max
0.67
0.75
0.75
0.58
0.54
0.7
0.78
0.53
0.49
0.76
0.89
0.63
0.27
0.46
0.7
0.39
0.21
0.26
0.07
0.2
-0.78
-0.53
-0.3
-0.46
44
Informe Final
M.R.Iglesias
Teniendo encuentra la alta correlación entre HH/HV y el
backscattering, se generó un mapa del area, considerando 3 rangos de
backscattering y atribuyéndole un valor de biomasa a cada uno (Fig. 9).
Dicha clasificación a modo de árbol de decisión, no generó el mapa de
coberturas esperado. Se observa confusión entre las clases de bosques.
Esto puede deberse a que el mismo valor de backscattering puede
responder a distintas estructuras que por las propiedades dialécticas del
ambiente
(por
ejemplo
humedad
del
suelo)
distintos
volúmenes
responden de la misma forma. También puede deberse a una saturación
de la banda L. De acuerdo a este mapa, el área correspondiente a un
promedio de 75 tn de C, ocupan un 1865 hectáreas, las áreas con
alrededor de 40 tn dC, ocupan 345 hectáreas y las áreas con
aproximadamente 15 toneladas de C, posiblemente arbustales, 1490
hectáreas (figura 15). Estos resultados mostraron grandes diferencias
con las clasificaciones antes mencionadas.
Figura 15: Clasificación de los bosques a partir de los rangos de
45
backscattering
Informe Final
M.R.Iglesias
Frente a este resultado, se analiza la saturación de la banda L con
respecto a la biomasa. En la figura 16, se corrobora que existe una
saturación del coeficiente de backscattering a valores de biomasa por
debajo de los 40 Tn de C (80 Tn de C), para todas las polarizaciones.
HH
Biomasa
B
K
VV
Biomasa
-10
-10
0
50
100
150
-11
-11
0
50
100
150
-12
-12
-13
-14
-13
HV
Biomasa
B
K
VH
Biomasa
-16
-16
0
50
100
150
0
-17
-17
-18
-18
-19
-19
50
100
150
-20
-20
Figura 16.: Diagrama de dispersión entre Bimasa y valores de
mayo
46
backscattering de
Informe Final
M.R.Iglesias
Generación de modelo de estimación de biomasa
Con la finalidad de generar un modelo matemático que permita
estimar la biomasa a partir de los valores de backscattering se efectuó
un Análisis de Componentes Principales (PCA). Esto permitió analizar
cuáles son las polarizaciones que más información aportan a la
estimación de la biomasa aérea en la reserva y así reducir el número de
bandas para generar dicho modelo. Como se observa en la figura 17.,
los primeros dos ejes del Análisis de Componentes Principales (ACP)
explicaron el 77.8 % de la varianza total (Fig. 12). El primer
componente principal explicó el 46.2 %, observándose allí que las
variables HH/HV y HH son las que más explican esta separación. Esto
permitió separar las coberturas de menor stock de carbono (izquierda)
de aquellas que presentan valores mayores (derecha). El segundo
componente principal explicó el 31 % de la varianza total, donde la
variable VV y VV/VH, fueron las que mostraron mayor inercia. Si bien se
observa que las muestras con bajo valores de carbono se agrupan
juntas, a partir de los 40 tn/ha (80 Tn de biomasa), no es clara la
diferenciación entre ellas. Lo mismo se observa en el análisis de cluster
utilizando distancia Euclídia (Fig. 18), donde a una distancia del 70%
podemos distinguir dos grupos. El primero con un rango de toneladas de
carbono de 9-18, y el segundo de 26 a 112. Este último grupo, no
muestra un orden jerárquico entre los valores de carbono que presentan
las muestras tomadas previamente a campo, posiblemente a causa de
un efecto de saturación de las bandas.
47
Informe Final
Figura 17: Análisis de componente principales utilizando valores de
M.R.Iglesias
backscattering
de las imágenes ALOS PALSAR de mayo 2009
Figura 18: Análisis de Cluster o conglomerado utilizando valores de
de las imágenes ALOS PALSAR de mayo 2009
48
backscattering
Informe Final
M.R.Iglesias
Generación de modelo de estimación de biomasa a partir de ALOS
PALSAR y COSMO Skymed
Del analisis previom se seleccionaron las polarizaciones HH, HV, la
relacion HH/HV de ALOS PALSAR (pol) y HV de COSMO Skymed (pp)
para realizar el analisis discriminante. Dicho analisis arrojo con un 10%
de error en la clasificacion cruzada la siguiente ecuacion que permite
clasificar en 5 clases, suelo desnudo o de poca cobertura (menos a 1
Tn/ha), areas con valores medios de biomasa de 12 Tn*ha -1 , 20 Tn*ha
-1
, 50 Tn*ha -1 y 90 Tn*ha -1. La fórmula generada es la siguiente:
F=-24 +11.29*(HH)-6.14(HV)+69.57(HH/HV)
Siendo HH y HV, los valores de backscattering de la imagen ALOS
PALSAR y HH/HV, los valores de la razón entre ambos valores.
49
Informe Final
M.R.Iglesias
Figura 19:Biplot de analisis discriminate
En la figura 19. se observa que la cobertura de suelo desnudo se
aleja mucho de las otras coberturas. El resto de las coberturas se
dispusieron en el espacio respetando un orden jerarquico.
A partir de dicho modelo se genera un mapa de las distintas
toneladas de carbono en la Reserva (Figura 20). Si bien existe una
relación entre este mapa y las clasificaciones supervisadas realizadas
anteriormente, no esperamos que esta sea igual, ya que aquí no
clasificamos las distintas coberturas vegetales y le asignamos un valor a
la cobertura, sino que visualizamos directamente las toneladas de
carbono a partir de la relación del backscattering y la biomasa.
50
Informe Final
M.R.Iglesias
Figura 20:Mapa de cobertura de Carbono a partir de análisis discriminante
Conclusión
-En general, las imágenes COSMO Skymed por si solas, no son
recomendadas
para
estimar
biomasa,
por
su
dificultad
en
la
discriminación de las coberturas. Dentro de estas imágenes, fue la
modalidad Pingpong, la que evidenció mayor potencialidad en la
distinción de clases. Sin embargo la clasificación supervisada con dicha
imágen mostró valores bajos de kappa.
- ALOS PALSAR mostró una mejor discriminación de las coberturas. La
diferencia entre las clases arbustal y bosques, no solo se deben a los
montos de biomasa que estas contienen, sino a los distintos estratos
que estos presentan.
51
Informe Final
M.R.Iglesias
- Existe una alta correlación negativa entre HH/HV y la biomasa.
También se encontró una fuerte correlación positiva entre las cuatro
polarizaciones y la altura media.
-La combinación de imágenes ALOS PALSAR y COSMO Skymed en la
clasificación supervisada con el algoritmo de distancia mínimas, mostró
altos valores de kappa (0.71)
-Los análisis multivariados mostraron que las variables que mejor
explica la biomasa son la relación entre hh y hv (hh/hv), hh, hv de
imagen ALOS PALSAR y hv de COSMO Skymed (mod pingpong).
-Existe una saturación de la banda L aproximadamente a los 80 tn de
biomasa (40 Tn de C), razón principal que dificulta la estimación de
biomasa.
Para finalizar, se concluye que las imágenes ALOS PALSAR y su
combinación con COSMO-Skymed presentan potencialidad y limitaciones
para la estimación de biomasa. Si bien es necesario un análisis más
detallado, este estudio es el primero que se realiza con esta herramienta
para dicho fin en la región del Chaco semiarido, incorporando valores de
campo
como
también
variables
intrínsecas
de
las
comunidades
presentes en la Reserva Natural Chancaní. Una vez ajustado, el modelo
generado podrá extrapolarse a áreas similares dentro de la región del
Chaco arido-semiarido argentino.
52
Informe Final
M.R.Iglesias
Referencias












Agenzia
Spaziale
Italiana
(2007).
COSMO-SkyMed
System
Description & User Guide, Doc No: ASI-CSM-ENGRS-093-A. Roma,
Italy: ASI, Agenzia Spaziale Italiana.
Alcaraz-Segura D., Baldi G., Durante P. y Garbulsky M. F. 2008.
Análisis de la dinámica temporal del NDVI en áreas protegidas: tres
casos de estudio a distintas escalas espaciales, temporales y de
gestión. Ecosistemas 17(3): 108-117.
Alessandría E. Luti R. Karlin U. Sipowicz .1977, Informe solicitado por
el poder judicial de la provincial de Cordoba sobre el estado de los
bosques de la futura Reserva provincial Chancani- unpublished
Andersen, H.-E., Reutebuch, S. and McGaughey, R. (2006). Active
remote sensing: 43-66
Beaudoin, A., Le Toan, T, Goze, S., Nezry, E., Lopes, A., Mougin,
E.,et.al 1994. Retrieval of forest biomass from SAR data.
International Journal of Remote Sensing. Vol. 15. Nº 14. pp. 27772796.
Bonino E. E. 2006. Change in carbon pools associated with a landuse gradient in the dry Chaco, Argentina. Forest ecology and
management 223: 183-189.
Bonino E.E and Araujo P. 2005. Structural differences between a
primary and a secondary forest in the Argentine Dry Chaco and
management implications Forest Ecology and Management 206:
407–412.
Cabido M. R. y Pachá M. J. 2002. Vegetación y flora de la Reserva
Natural Chancaní Gobierno de la Provincia de Córdoba; Agencia
Córdoba Ambiente. Sociedad del Estado, Córdoba, Argentina, 50 pp.
Capitanelli, R., 1979. Geomorfología y Clima. In: Miatello, R., Roqué,
M., Racagni, T., Oddone, H., Capitanelli, R., et al. (Eds.), Geografía
física de la provincia de Córdoba. Banco Provincia de Córdoba.
Buenos Aires, Argentina
Carranza M. L., Cabido M. R., Acosta A. y Páez S. A. 1992. Las
comunidades vegetales del Parque Natural Provincial y Reserva
Forestal Natural Chancaní, Provincia de Córdoba. Lilloa 38: 75-92.
Chebez J. C. 2007. Zona Centro: Guía De Las Reservas Naturales De
La Argentina. Plaza Edición. Buenos Aires, pp. 98-99
Dobson, M.C., Ulaby, F.T., Ierce, L.E., Sharik, T.L., Bergen, K.M.,
Kellndorfer, J., Kendra, J.R., Li, E., Lin, Y.C., Nashashibi, A.,
Sarabandi, K., Siqueira, P. 1995. Estimation of Forest Biophysical
53
Informe Final





M.R.Iglesias
Characteristics in Northern Michigan with SIR-C/X-SAR. IEEE
Transactions on Geoscience and Remote Sensing. Vol. 33. Nº 4. pp.
877-895.
Dregne H. E. 1991. Global status of desertification. Annals of Arid
Zone. 30: 179–185 du Plessis W. P. 1999. Linear regression
relationships between NDVI, vegetation and rainfall in Etosha
National Park, Namibia. Journal of Arid Environments 42: 235-260.
Fernandez O. A. and Busso C. A. 1997. Arid and semi-arid
rangelands: two thirds of Argentina. Rangeland Desertification Report
No.
200:
41-60.
Disponible
online
en:
www.rala.js/radelralaveport/default.htm
Frulla, L.A; Milovich, J.A; Karszenbaum, H.& P. Kandus. 1998.
Metodologías de Pre- procesamiento y Procesamiento Utilizadas en el
Tratamiento Cuantitativo de Datos SAR Para el Estudio de Ambientes
en el Bajo Delta del Río Paraná, Argentina. Anais IX Simpósio
Brasileiro de Sensoriamento Remoto, Santos, Brasil, INPE: 10751086.
Gandía, S., Meliá, J., 1993. La teledetección en el seguimiento de los
fenómenos naturales: Climatología y Desertificación. Curso de
postgrado de la Unidad de Teledetección, Departamento de
Termodinámica, Universitat de Valencia, Valencia, España, 409pp.
Gasparri, N.I., Parmuchi, M.G., Bono, J., Karszenbaum, H.,
Montenegro, C.L., 2007. Utilidad de imágenes Landsat 7 ETM+ de
diferentes fechas para la estimación de biomasa aérea en bosques
subtropicales secos de Argentina. In: XII Congreso de la Asociación
Española de Teledetección

Ghasemi N, Sahebi M.R., Mohammadzadeh A . 2011. A review on
biomass estimation methods using synthetic aperture radar data.
International Journal of Geomatics and Geosciences 1(4):776-778.

Henderson F.M. and Xia Z. 1998. Radar applications in urban
analysis, settlement detection and population Estimation. Chapter 15
in Principles and Applications of Imaging Radar, Manual of Remote
Sensing, Third Edition, Volume 2, ASPRS, John Wiley and Sons Inc.,
Toronto.
Henderson, F. M., y Lewis, A. J., 1997, Principles and applications of
Imaging Radar, Manual of Remote sensing, 3era ed, vol. 2. John
Wiley &Sons, Inc. EUA, 866 p.
Iglesias M.R. 2010. Evaluación de la vegetación leñosa como
depósito de carbono en un gradiente árido – semiárido argentino‖.
Tesis Doctoral. Escuela para graduados de la Facultad de Ciencias
Agropecuarias. Universidad Nacional de Córdoba.125 pp.


54
Informe Final











M.R.Iglesias
Iglesias MR, Barchuk A, Grilli MP .2012. Carbon storage, community
structure and canopy cover: A comparison along a precipitation
gradient. Forest Ecology and Management 265:218-229.
InfoStat, 2008. Manual del usuario. Grupo Infostat. Primera Edición.
Editorial Brujas Argentinas. FCA. Universidad Nacional de Córdoba,
Córdoba, Argentina. 334p
Illera P., Delgado J. A., Fernández-Manso A. A. y Fernández-Unzuela
A. 1998. Sistema de información geográfica agrometeorológica para
el seguimiento de la vegetación en Castilla y León: diseño y primeras
aplicaciones. Revista de teledetección 10: 1-12.Fernández y Busso,
1997
Imhoff, M. (1995). Radar backscatter and biomass saturation:
Ramifications for global biomass inventory. IEEE Transactions on
Geoscience and Remote Sensing, 33(2), 511–518.
Keith H., Mackey B. G. and Lindenmayer D. B. 2009. Re-evaluation of
forest biomass carbon stocks and lessons from the world’s most
carbon-dense forests. PNAS, 106(28): 11635-11640..
Lobo Areu, A. y Saura Martínez de Toda, S.; (2005). Apoyo de los
sensores ópticos y de radar de apertura sintética a la información
forestal; Cuad. Sociedad Española de Ciencias Forestales; 19: 135140Luckman, et al, (1997)
Lucas R., Armston J., Fairfax R., Fensham R., Accad A., Carreiras,
Kelley J., Peter Bunting P. et al. 2010. An Evaluation of the ALOS
PALSAR L-Band Backscatter—Above Ground Biomass Relationship
Queensland, Australia: Impacts of Surface Moisture Condition and
Vegetation Structure. EEE Jornal of Selected Topics in Applied Earth
Observations and Remote Sensing, 3 (4):576-593.
Luti R., Bertran de Solís M. A., Galera M. F, Muller de Ferreira N., et
al ., 1979. Vegetación. En Vázquez J., Miatello R. y Roqué M. (dirs.)
Geografía Física de la Provincia de Córdoba. Editorial Boldt. Buenos
Aires, Argentina, pp. 297-368.
Magnusson, M.; Fransson, J. E S; Eriksson, L. E B; Sandberg, G.;
Smith-Jonforsen, G.; Ulander, L. M H, "Estimation of forest stem
volume using ALOS PALSAR satellite images,"Geoscience and Remote
Sensing Symposium, 2007. IGARSS 2007. IEEE International , vol.,
no.,
pp.4343,4346,
23-28
July
2007
doi: 10.1109/IGARSS.2007.4423813
Malagnoux, M. 2007. Arid Land Forests of the World Global
Environmental Perspectives. Afforestation and Sustainable Forests as
a Means to Combat Desertification 16–19 April 2007, Jerusalem,
Israel. <ftp://ftp.fao.org/docrep/ fao/010/ah836e/ah836e00.pdf>.
Malhi, Y. P. 2002. Forests, carbon and global climate. Philosophical
Transactions of the Royal Society of London A , pp 1567-1591.
55
Informe Final











M.R.Iglesias
Maurizio Santoroa M., Asknea J., Smitha G., Franssonb J.E.S. 2002.
Stem volume retrieval in boreal forests from ERS-1/2 interferometry.
Remote Sensing of Environment 81 (2002) 19–35
Merino de Miguel, S. & Solana Gutiérrez, J. Estimación de biomasa en
masas regulares por medio de imágenes de radar. Escuela Técnica
Superior de Ingenieros de Montes, Universidad Politécnica de Madrid.
En http://age.ieg.csic.es/metodos/docs/doc3_5.pdf
Milovich, J. A., & Kandus, P. 1998. 10_212o - Metodologías de Preprocesamiento y Procesamiento Utilizadas en el Tratamiento
Cuantitativo de Datos SAR Para el Estudio de Ambientes en el Bajo
Delta del Río Paraná, Argentina, 1075–1086.
Morel A.C., Fisher J.B. and Malhi Y. 2012. Evaluating the potential to
monitor aboveground biomass in forest and oil palm in Sabah,
Malaysia, for 2000–2008 with Landsat ETM+ and ALOS-PALSAR. .
International Journal of Remote Sensing Vol. 33 (11): 3614–3639
Nguyen, N.T. 2010. Estimation and mapping of above ground
biomass for the assessment and mapping of carbon stocks in tropical
forest using SAR data : a case study in Afram headwaters forest,
Ghana. Enschede, University of Twente Faculty of Geo-Information
and Earth Observation (ITC), 2010.
Padrón E. y Navaro-Cerrillo R. M. 2007. Biomasa aérea en
ecosistemas de Prosopis pallida (Humb. and Bonpl. ex Willd.) H. B. K.
usando imágenes Landsat 7 ETM+. Rev. chil. hist. 80(1): 43-53.
PALSAR
User’s
Guide.
2012.
2nd
Edition.
En:
http://gds.palsar.ersdac.jspacesystems.or.jp/e/guide/pdf/U_Guide_e
n.pdf visitado 22-05-2013
Paruelo J. M., Piñeiro G., Oyonarte C., Alcaraz D., Cabello J. and
Escribano P. 2005. Temporal and spatial patterns of ecosystem
functioning in protected arid areas in southeastern Spain. Applied
Vegetation Science 8: 93-102. Malagnoux M. 2007. Arid Land Forests
of the World Global Environmental Perspectives. Afforestation and
Sustainable Forests as a Means to Combat Desertification 16-19 April
2007, Jerusalem, Israel. Consultado el 29 de noviembre del 2009
ftp://ftp.fao.org/docrep/fao/010/ah836e/ah836e00.pdf
Rahman M.M. and Sumantyo J.T.S. 2011. Retrieval of tropical forest
biomass information from ALOS PALSAR data, Geocarto International,
DOI:10.1080/10106049.2012.710652
Reynolds J. F. and Stafford Smith D.M. 2002. Global Desertification:
Do Humans Cause deserts? vol. 88. Dahlem University Press, Berlin,
Germany.
Reynolds J. F., Maestre F. T., Huber-Sannwald E., Herrick J. y Kemp
P. R. 2005. Aspectos socioeconómicos y biofísicos de la
desertificación. Ecosistemas. 2005/3.
56
Informe Final











M.R.Iglesias
Rikie Suzuki R., Kim Y, Ishii R., 2013. Sensitivity of the backscatter
intensity of ALOS/PALSAR to the above-ground biomass and other
biophysical parameters of boreal forest in Alaska. Polar Science xx
:1-13
Roig F. A., González Loyarte M. M., Abraham E. M., Méndez E., Roig
V. G. and Martínez Carretero E. 1991. Maps of desertification Hazards
of Central Western Argentina, (Mendoza Province). Study case. En:
UNEP, "World Atlas of thematic Indicators of Desertification‖, E.
Arnold, Londres, 69 pp.
Salvia M. M. 2010. Aporte de la teledetección al estudio del
funcionamiento del macrosistema Delta del Paraná : análisis de series
de tiempo y eventos extremos. Tesis doctoral. Universidad de Buenos
Aires. Facultad de Ciencias exactas y Naturales. 188pag.
Santoro, M., Askne, J., Smith, G., & Fransson, J. E. S. 2002.
Stemvolumeretrieval in boreal forests with ERS-1/2 interferometry.
Remote Sensing of Environment, 81,19−35.
Schreier, G., 1993. Geometrical properties of SAR images. In G.
Schreier (ed.), SAR geocoding: Data and Systems: pp. 103-134.
Karlsruhe: Wichmann
SRNyDS. 2002. Informe Nacional ―Avances del PAN‖, para la
Convención Internacional de Lucha contra la Desertificación y la
Sequía. Inédito.
Torres Guevara J. 2007. Ecosistemas áridos, semiáridos y
subhúmedos secos de América Latina: conceptos y recursos
naturales. CIZA- UNALM. Publicado en Internet. Disponible en:
http://www.accionporlatierra.cl/accionporlatierra/publico/ftp/archivo/zonas_aridas_al_jtorres_mmendoza.pdf Activo agosto 2009.
Vázquez Lule A.D. 2012. Exploración de parámetros biofísicos con
series de tiempo de productos Modis y estimación de biomasa con
imágenes radar en los manglares de Laguna Pom Atasta, Campeche y
Laguna Brava, Nayarit, Mexico. Tesis en Maestria en Geomatica.
Centro de Investigaciones en Geografía y Geomática ―Ing. Jorge L.
Tamayo‖. Mexico. 151 pp.
Verón S. R., Paruelo J. M., and Oesterheld M. 2006. Assessing
desertification. Journal of Arid Environments 66: 751–763.
Villagra P. E., Defosse´ G. E., del Valle H. F., Tabeni S., Rostagno M.,
Cesca E., Abraham E. 2009. Land use and disturbance effects on the
dynamics of natural ecosystems of the Monte Desert: Implications for
their management. Journal of Arid Environments 73: 202–211.
Vyjayanthi N, Jha C. S.and Murthy M. S. R.. Forest biomass
estimation and forest structure analysis of deciduous forests using
SAR data. RISAT-JEP. Forestry and Ecology Division. LRG, RS & GIS
57
Informe Final

M.R.Iglesias
AA. National Remote Sensing Centre. Indian Space Research
Organisation, Hyderabad. 140pp
Woomer P. L., Tieszen L. L., Tappan G., Touré A. and Sall M. 2004.
Land use change and terrestrial carbon stocks in Senegal. Journal of
Arid Environments 59: 625–642.
58
Informe Final
M.R.Iglesias
Anexo
Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para las tres
formaciones vegetales presentes en la Reserva en imagen COSMO skymed con
multilooking de 1 x 1
ML 1
lee
sin filtro
enhanced_lee_3x3
Frost
enhanced_frost_3x3
gamma
arbustalal
bosque secundario
bosque maduro
Mean
Stdev
enl
Mean
Stdev
enl
Mean
Stdev
enl
-11,12162
4,702889 5,59250843 -10,482133
4,833281 4,70343603 -10,744297
4,753302 5,10934459
3 -11,146894
3,272601 11,6016998 -10,417864
3,295498 9,99344582 -10,760638
3,336757 10,3998454
5 -11,134766
3,080914 13,0618003 -10,565243
2,99258 12,4642871
-10,6456
3,088658 11,8795679
7 -11,093675
2,783836 15,8804785 -10,705942
2,186267 23,9796795 -10,725075
3,141147 11,6580028
3 -11,121566
1,734761 41,1010188 -10,476321
1,659175 39,8688036 -10,736498
1,783127 36,2544017
5 -11,134766
3,080914 13,0618003 -10,565243
2,99258 12,4642871
-10,6456
3,088658 11,8795679
7 -11,310352
0,705787 256,805862 -10,447761
0,713437 214,454518 -10,687396
0,809517 174,29778
3 -11,122169
1,760951 39,8918738 -10,468137
1,677384 38,9469814 -10,735972
1,803111 35,4517612
5 -11,192442
1,097758 103,95287 -10,587846
1,024644 106,774914 -10,70213
1,114583 92,1967505
7 -11,310352
0,705 257,379533 -10,447761
0,713437 214,454518 -10,687396
0,809517 174,29778
3 -11,121566
1,734761 41,1010188 -10,476321
1,659175 39,8688036 -10,736498
1,783127 36,2544017
5 -11,194645
1,073072 108,833583 -10,586271
1,006626 110,598625 -10,705575
1,093715 95,8101809
7 -11,121566
1,734761 41,1010188 -10,476321
1,659175 39,8688036 -10,736498
1,783127 36,2544017
3 -11,090719
1,836728 36,4610953 -10,461912
1,711635 37,3593927 -10,734298
1,789528 35,9807573
5 -11,194645
1,073072 108,833583 -10,586271
1,006626 110,598625 -10,705575
1,093715 95,8101809
7 -11,310352
0,705787 256,805862 -10,447761
0,713437 214,454518 -10,687396
0,809517 174,29778
Figura 1: diferencias entre la media sin aplicación de filtro con multilooking de 1 y los
valores medios filtrados con distintas ventanas para la cobertura arbustal
59
Informe Final
M.R.Iglesias
valores medios filtrados con distintas ventanas para la cobertura bosque secundario
valores medios filtrados con distintas ventanas para la cobertura bosque maduro
60
Informe Final
M.R.Iglesias
Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para las tres
formaciones vegetales presentes en la Reserva en imagen COSMO Skymed con
multilooking de 3 x 3
Ventana
3
5
7
3
5
7
3
5
7
3
5
7
3
5
7
arbustal
media
-9,926296
-9,922197
-9,925269
-9,926781
-9,926565
-9,927041
-9,928498
-9,92535
-9,926313
-9,927785
-9,926565
-9,927041
-9,928498
-9,926565
-9,927041
-9,928498
DS
2,477173
1,831434
1,536271
1,437586
1,389686
0,989
0,817158
1,396432
0,995112
0,821523
1,389686
0,989664
0,817158
1,389686
0,989664
0,817158
EqnL
16,0569024
29,3516923
41,73966
47,6814235
51,0228386
100,750462
147,623342
50,5186895
99,5020444
146,037797
51,0228386
100,615314
147,623342
51,0228386
100,615314
147,623342
Bosque secundario
media
DS
-9,148617
2,423695
-9,138833
1,752525
-9,138032
1,453463
-9,135784
1,356924
-9,141446
1,250043
-9,131866
0,816987
-9,12467
0,612923
-9,139358
1,260973
-9,130764 8,2614E-07
-9,124264
0,621273
-9,141446
1,250043
-9,131866
0,816987
-9,12467
0,612923
-9,141446
1,250043
-9,131866
0,816987
-9,12467
0,612923
EqnL
14,2480345
27,1927443
39,5273217
45,3294655
53,478583
124,936337
221,626913
52,5315002
1,2215E+14
215,690355
53,478583
124,936337
221,626913
53,478583
124,936337
221,626913
Bosque maduro
media
-9,493389
-9,4895
-9,493358
-9,494404
-9,605708
-9,497737
-9,498079
-9,494205
-9,496456
-9,497065
-9,49577
-9,497737
-9,498079
-9,49577
-9,497737
-9,498079
DS
2,541247
1,934359
1,648806
1,543435
1,598871
1,116947
0,946599
1,513528
1,123726
0,952736
1,505686
1,116947
0,946599
1,505686
1,116947
0,946599
EqnL
13,9556091
24,0664761
33,1513027
37,8406621
36,093742
72,3061349
100,679134
39,3492347
71,4171084
99,3650532
39,773293
72,3061349
100,679134
39,773293
72,3061349
100,679134
0
valores medios filtrados con distintas ventanas para la cobertura arbustal
61
Informe Final
M.R.Iglesias
valores medios filtrados con distintas ventanas para la cobertura bosque secundario
valores medios filtrados con distintas ventanas para la cobertura bosque maduro
62

Utilización de SAR para la estimación de biomasa forestal en el

Transcripción

Documentos relacionados

light and commercial truck tires llantas para camión

Diapositiva 1

Descargar PDF de esta exposición