INDICE DE CONTENIDOS -...
34
Transcript of INDICE DE CONTENIDOS -...
INDICE DE CONTENIDOS
RESUMEN ......................................................................................................................................... 5
PRIMERA PARTE ............................................................................................................................ 5
Definición de la región de estudio ......................................................................................... 5
Base de datos SAR .................................................................................................................... 7
ALOS PALSAR ........................................................................................................................ 7
COSMO SkyMed...................................................................................................................... 8
Imágenes Modo ScanSAR .................................................................................................... 9
ALOS PALSAR ScanSAR WB1 ........................................................................................... 9
Imágenes COSMO SkyMed modo ScanSAR HugeRegion. ....................................... 10
Imágenes para información complementaria. .............................................................. 10
Imagen ALOS PALSAR PLR (Polarimetric). .................................................................. 10
PARTE 2 .......................................................................................................................................... 11
PROPUETA METODOLOGICA PARA LA CLASIFICACION DE DATOS SAR
POLARIMETRICOS. ...................................................................................................................... 11
RESUMEN ....................................................................................................................................... 11
INTRODUCCIÓN ............................................................................................................................ 11
MATERIALES Y METODOS. ....................................................................................................... 12
Área de estudio. .......................................................................................................................... 12
Datos Utilizados. ......................................................................................................................... 13
Procesamiento de la imagen. ................................................................................................... 14
Descomposición polarimétrica de los blancos. ........................................................... 14
Corrección de terreno y geocodificación ...................................................................... 14
Método de Clasificación ..................................................................................................... 15
Selección de los parámetros significativos ...................................................................... 15
Extracción de los datos de entrenamiento .................................................................... 17
Descripción de los datos de entrenamiento ................................................................. 17
Selección del mejor subconjunto de variables ............................................................ 17
Clasificación supervisada ...................................................................................................... 19
A partir del mejor subconjunto de parámetros ............................................................ 19
Clasificación supervisada de Wishart. ........................................................................... 19
RESULTADOS. ............................................................................................................................... 20
Mejor subconjunto de variables. .......................................................................................... 20
Clasificación por árbol de decisión ..................................................................................... 21
Comparación de métodos de clasificación ....................................................................... 22
PASOS A SEGUIR. ........................................................................................................................ 23
TERCERA PARTE ......................................................................................................................... 23
COMPARACIÓN DE CARTOGRAFÍAS DE COBERTURA TERRESTRE GENERADAS A
PARTIR DE DATOS ScanSAR DE BANDA X Y L, USANDO CLASIFICACIÓN DE
IMÁGENES ORIENTADA AL OBJETO, PARA TRES SECTORES DE LA PATAGONIA
NORTE ............................................................................................................................................. 23
INTRODUCCIÓN ............................................................................................................................ 23
MATERIALES Y METODOS. ....................................................................................................... 24
AREA DE ESTUDIO. ................................................................................................................. 24
BASE DE DATOS ...................................................................................................................... 25
Datos SAR. ............................................................................................................................. 25
Datos auxiliares. ................................................................................................................... 26
PRE-PROCESAMIENTO DE LAS IMÁGENES. ................................................................... 27
Corregistro de las imágenes. ............................................................................................ 27
PROCESAMIENTO DE LAS IMÁGENES. ............................................................................. 28
Segmentación. ........................................................................................................................ 28
Selección de áreas de entrenamiento y generación de la leyenda. ........................ 29
Clasificación basada en el objeto. ................................................................................... 29
RESULTADOS Y DISCUSIÓN ..................................................................................................... 31
PASOS A SEGUIR. ........................................................................................................................ 31
BIBLIOGRAFIA ............................................................................................................................... 31
INDICE DE FIGURAS. Fig. 1: "Patagonia", según delimitaciones revisadas. ......................................................... 6
Fig. 2: Área de estudio ....................................................................................................... 6
Fig. 3: muestra las imágenes ALOS PALSAR ScanSAR obtenidas. .................................. 9
Fig. 4: muestra las huellas aproximadas de las imágenes COSMO SkyMed modo
ScanSAR que se espera obtener. .................................................................................... 10
Fig. 5: ubicación y quickloock de la imagen PALSAR PLR del sector de Villa Angostura,
Argentina. ........................................................................................................................ 11
Fig. 6: área de estudio. .................................................................................................... 13
Fig. 7: Bandas de la imagen ALOS PALSAR PLR analizada en este estudio.. ................ 13
Fig. 8: ASTER GDEM para la cobertura de la imagen PALSAR PLR sector Villa La
Angostura. ....................................................................................................................... 15
Fig. 9: Flujo de trabajo general para el método de clasificación. ...................................... 15
Fig. 10: Flujo metodológico implementado para la selección de variables. ...................... 18
Fig. 11: Grafico de mejores modelos según índice de Cp Mallows. ( “ * ” señala el modelo
óptimo y las variables incluidas en él.) ............................................................................. 20
Fig. 12: Árbol de decisión, generado a partir de la función “ctree” del paquete “rparty”. ... 21
Fig. 13: Imagen ALOS PALSAR PLR clasificada por árbol de decisión. .......................... 22
Fig. 14: Comparación de las imágenes clasificadas con el método de árbol de decisión y
de Wishart. ...................................................................................................................... 23
Fig. 15: Área de estudio ................................................................................................... 25
Fig. 16: Imágenes utilizadas. ........................................................................................... 26
Fig. 17: Segmentación con SegSAR a partir de la imagen ALOS ScanSAR, para un área
del sector de la Patagonia Extra Andina oriental. ............................................................. 28
INDICE DE TABLES Tabla 1: Características ALOS-PALSAR............................................................................ 7
Tabla 2: definición de los niveles de procesamiento para productos ALOS-PALSAR. ....... 7
Tabla 3: Características COSMO-SkyMed. ........................................................................ 8
Tabla 4: definición de los niveles de procesamiento para productos COSMO SkyMed. ..... 8
Tabla 5: Muestra el set de parámetros utilizados. ............................................................ 16
Tabla 6: Características de las imágenes adquiridas. ...................................................... 25
RESUMEN
El presente informe final se enmarca dentro de la tutoría de investigación realizada en el Centro Nacional Patagónico (CENPAT), perteneciente al Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), ubicado en la ciudad de Puerto Madryn, provincia de Chubut, Argentina. Durante el periodo que abarcó dicha tutoría, el trabajo se dividió en tres partes, la primera correspondiente en una revisión bibliográfica del uso de datos radar con programas para el procesamiento digital de imágenes de libre distribución, pero no de código abierto, como NEST, MAPREADY y POLSARPRO y la recopilación de una base de datos para el desarrollo de los siguientes partes. . La segunda se enfocó en una clasificación a partir de datos polarimétricos y la última se enfocó en el procesamiento de datos ScanSAR de polarización singlé para la obtención de cartografía de cobertura terrestre.
PRIMERA PARTE
INTRODUCCIÓN
La Patagonia, al sur de continente sudamericano, se presenta como un territorio de gran extensión y de características particulares que hacen que muchos de sus lugares aún se encuentren poco explorados y documentados. Desde el punto de vista científico, también existe una diferencia en cuanto a la densidad de estudios en comparación con otras zonas más pobladas del continente.
Los sensores remotos y los Sistemas de Información Geográfica (SIG) representan un importante sustento para el análisis geoespacial. El uso de la teledetección para el mapeo de cobertura y uso de suelo, es una de las aplicaciones más antigua y recurrente dentro de esta disciplina. Muchas de estas cartografías de escalas globales, continentales y regionales se han producido a partir de datos satelitales en los últimos años (Youhua Ran et al., 2008), muchas de ellas se basan el uso de datos satelitales obtenidos a partir de sensores ópticos, no obstante, los datos ópticos entregan mediciones de la parte superficial de la cobertura terrestre y son fuertemente dependientes de las condiciones atmosféricas (V. Liesenberg., 2012). Por su parte los sensores de microondas, son independientes de estas últimas y nos ofrecen una sensibilidad física, en contraste a la sensibilidad biológica de los sensores ópticos.
Si bien en la literatura internacional y local es bastante profusa en trabajos sobre uso de suelo y cartografía de cobertura terrestre, es importante destacar que en los enfoques prima con mayor frecuencia el uso de datos ópticos que radar
El presente trabajo pretende revisar algunos sensores SAR (Synthethic Aperture Radar) disponibles en la actualidad, sus características con el objetivo de reunir una base de datos que permita el desarrollo de estudios de cobertura terrestre en la Patagonia.
Definición de la región de estudio
La región de interés para este estudio, corresponde a la Patagonia, ubicada en el extremo austral del continente sudamericano, más específicamente en el sur de los países de Chile y Argentina. Su nombre fue creado por Hernando de Magallanes en el año 1520 quien bautizo al pueblo Tehuelche como “Patagones” debido a sus grandes pies
y Patagonia al lugar físico donde habitaban. En la actualidad no existe acuerdo respecto a los límites de la Patagonia, incluso el concepto mismo de “Patagonia” varía según las disciplinas (Coronato. F. 2010), por lo tanto, podemos encontrar variadas hipótesis y propuestas que van desde delimitaciones históricas, étnicas, culturales hasta geológicas.
En el presente trabajo se considerarán los límites más usados actualmente, desde una mirada genérica y que contiene la mayoría de las delimitaciones del territorio revisadas, ésta considera el límite norte de la Patagonia argentina como la línea formada por los ríos Colorado y Barrancas, desde el océano atlántico hasta la cordillera de los Andes, por su parte en la Patagonia chilena, el límite norte se forma con la línea que une el punto norte del seno de Reloncaví y la cordillera de los andes. Por el Este y el Oeste, los océanos Atlántico y Pacifico respectivamente y al sur con Cabo de Hornos en el lado chileno y el sur de tierra del fuego por Argentina.
Fig. 1: "Patagonia", según delimitaciones revisadas.
Debido a la vasta extensión de la región de la Patagonia y a la baja densidad de imágenes de archivo disponibles en el área de estudio y las diferencias de fechas y características de obtención, se trabajó solo con un sector de la Patagonia que cruza desde la costa del Pacífico hasta la costa del Atlántico, de tal manera de obtener una transecta longitudinal de un sector más acotado de la Patagonia.
Fig. 2: Área de estudio
Base de datos SAR
ALOS PALSAR
El satélite ALOS (Advance Land Observing Satellite) de la agencia espacial japonesa (JAXA) , cuenta con 3 sensores abordo, uno de mapeo estéreo de alta resolución (PRISM), radiómetro de espectro visible y infrarrojo (AVNIR-2) y radar de apertura sintética en banda L (PALSAR). PALSAR es un instrumento polarimétrico que puede operar en modo fine-beam con polarización cuádruple, doble y simple y modo ScanSAR con polarización simple. La frecuencia central que se utiliza para el modo ScanSAR es de 14 MHz.
Tabla 1: Características ALOS-PALSAR
Caracteristicas FBS FBD Direct
downlink ScanSAR Polarimetric
Polarización HH,VV HH+HV,VV+V
H HH,VV HH,VV
HH+VV+HV+VH
Angulo incidente 8 -60 deg
8 -60 deg 8 -60 deg
18 - 43 deg 8 - 30 deg
Resolución en el alcance
7 - 44 m 14 - 88 m 14 - 88
m 100 m (multi
look) 24 - 89 m
Resolución en el acimut
10 m(2 looks) 20m(4 looks) 100 m 10 m(2 looks) 20m(4 looks)
Ancho de barrido 40 - 70
km 40 - 70 km
40 - 70 km
250 - 350 Km 20 - 65 Km
JAXA (Aerospace Exploration Agency) ofrece distintos niveles de procesamiento para sus productos, desde niveles con datos más crudos, hasta niveles mayormente calibrados.
Tabla 2: definición de los niveles de procesamiento para productos ALOS-PALSAR.
Nivel Definición
1.0
Los datos del área de 1 escena son extraídos de los datos recibidos. El tipo de dato es 8 bit.
El número de los archivos SAR es el mismo que el número de polarizaciones y modos polarimetricos.
Los datos en modo ScanSAR no se dividen en escaneos individuales.
1.1
Los procesos de la compresión en el alcance y en el acimut ya se realizaron.
Los datos están en formato complejo en coordenadas del Slant Range.
La historia de la fase está incluida.
1.5
Después de que la compresión en el alcance y el acimut fueron realizadas, Las correcciones radiométricas y geométricas fueron generadas de acuerdo a las proyecciones de mapa.
El espaciado del pixel puede ser seleccionado para el modo fino.
COSMO SkyMed
COSMO SkyMed de la Agencia Italiana del Espacio (ASI), es una constelación de 4 satélites de tamaño medio, cada uno equipado con un radar de apertura sintética de alta resolución operando en banda X. El sistema puede operar en 3 modos de adquisición, Spotlight, Stripmap y ScanSAR. El modo ScanSAR posee dos formas de implementación, WideRegion y HugeRegion. En la primera la adquisición se agrupa sobre 3 sub-barridos (Subswaths) adyacentes, permitiendo una cobertura cercana a los 100 km en la dirección del rango. En HugeRegion la adquisición se agrupa en 6 sub-barridos adyacentes que logran una cobertura de 200 km en la dirección del rango.
Tabla 3: Características COSMO-SkyMed.
Características Spotlight HIMAGE
(Stripmap) WideRegion (ScanSAR)
HugeRegion (ScanSAR)
Ping Pong(Stripmap)
Polarización HH or
VV
HH or HV or VH or
VV
HH or HV or VH or VV
HH or HV or VH or VV
HH,VV or HH,HV or
VV,VH
Angulo incidente 20 - 60
deg 20 - 60
deg 20 - 60 deg 20 - 60 deg 20 - 60 deg
Resolución en el alcance
< 1m 3-15 m 30 m 100 m 15 m
Resolución en el acimut
1 m 3-5 m 27-30 m 100 m 15-20 m
Ancho de barrido 10 Km x 10 Km
40 Km 100 Km 200 Km 30 Km x 30 Km
Los productos COSMO-SkyMed primero que todo son divididos en 3 clases mayores: Productos estándar, productos de alto nivel y productos de servicio. En este documento solo nos concentraremos en los productos estándar.
Tabla 4: definición de los niveles de procesamiento para productos COSMO SkyMed.
Nivel Definición
Nivel 0 (RAW)
Los procesos realizados para la señal RAW en banda X son: Marco de Sincronización; Eliminación del protocolo de transmisión. Paquete de archivos re-ensamblados; descompresión de datos. Estimación estadística; Formato de datos.
Nivel 1A
Los procesos realizados sobre los datos de entrada nivel L0 son: Compensación de ganancia recibida; Calibración interna; Enfoque de datos; Estimación estadística de los datos de salida; Formato de
datos en la salida
Nivel 1B
Los procesos realizados sobre los datos de entrada nivel L1A son: Multi looking para reducción de speckle; Detección de imagen (amplitud); Proyección del elipsoide; Evaluación de estadísticas formato de datos.
Nivel 1C
Los procesos realizados sobre los datos de entrada nivel L1B son: Reducción de speckle; Proyección de elipsoide Evaluación estadística; Formato de datos
Nivel 1D Este producto también toma como datos de entrada L1B. Está orientado a obtener el producto “Geocoded Terrain Corrected”
Imágenes Modo ScanSAR
ScanSAR (Scanning SAR) es un radar de apertura sintética con un ancho de barrido (Swath), en “slant range”, que es más grande que los sistemas SAR convencionales. Esta cobertura se logra mediante el escaneo de diferentes swaths y del cambio de diferentes ángulos de mirada de la antena durante la marcha (Guarnieri et al., 1996). Debido a estas características, el uso de datos obtenidos a partir de sistemas ScanSAR se presentan apropiados para el monitoreo de extensas áreas.
En el presente estudio se utilizarán imágenes obtenidas de los sensores ALOS PALSAR ScanSAR y COSMO SkyMed ScanSAR con banda L y X respectivamente.
ALOS PALSAR ScanSAR WB1
Se adquirieron 3 imágenes ALOS PALSAR modo ScanSAR WB1 de archivo, de orbita ascendente, polarización HH y con nivel de procesamiento L 1.5, este último debido principalmente a que puede ser trabajado en la última versión disponible del software NEST 4C-1.1 sin presentar problemas, no así el nivel L 1.1. Las fechas de las imágenes solicitadas son noviembre de 2010, Septiembre de 2007 y Octubre de 2007, de Oeste a Este respectivamente.
Fig. 3: muestra las imágenes ALOS PALSAR ScanSAR obtenidas.
Imágenes COSMO SkyMed modo ScanSAR HugeRegion.
Se adquirieron 3 imágenes COSMO SkyMed modo ScanSAR HugeRegion, orbita ascendente, polarización HH y nivel de procesamiento L1D, estas imágenes son de programación y se espera que estas sean capturadas antes de Mayo del año en curso. Estas imágenes calzan con la cobertura de las imágenes ALOS ScanSAR obtenidas, no obstante, el ancho de barrido de las HugeRegion es inferior.
Fig. 4: muestra las huellas aproximadas de las imágenes COSMO SkyMed modo
ScanSAR que se espera obtener.
Imágenes para información complementaria.
Gracias a la disponibilidad de imágenes aportadas por CONAE, se solicitaron dos imágenes radar de mayor resolución espacial con el objetivo de usarlas como información complementaria y comparativa. Además se realizó una búsqueda de datos radar de similares características a los utilizados en este estudio, de distribución gratuita y disponible a través de la web, con el propósito de sumar información auxiliar que pueda ser útil en las etapas posteriores.
Imagen ALOS PALSAR PLR (Polarimetric).
Se obtuvo una escena del sector de Villa Angostura, Argentina correspondiente a una imagen ALOS PALSAR PLR, polarización cuádruple, de orbita ascendente y nivel de procesamiento L 1.1. La fecha de dicha imagen es de Noviembre de 2009.
Fig. 5: ubicación y quickloock de la imagen PALSAR PLR del sector de Villa Angostura,
Argentina.
PARTE 2
PROPUETA METODOLOGICA PARA LA CLASIFICACION DE DATOS SAR POLARIMETRICOS.
RESUMEN
La segunda parte, corresponde a una clasificación supervisada a partir de datos ALOS PALSAR de polarización cuádruple del sector de Villa la Angostura (Argentina), utilizando parámetros obtenidos de la descomposición polarimétrica de dichos datos utilizando el software PolSARPro v4.2.0, junto con una propuesta metodológica estadística para la elección del mejor subconjunto de parámetros, posteriormente se utilizó un método de asignación a través de un modelo markoviano de árbol de decisión mediante el software R estadística v2.15.3.
INTRODUCCIÓN
La Patagonia, ubicada al sur del continente sudamericano, posee dentro de su
vasto territorio importantes variaciones climáticas, morfológicas y orográficas que dan
paso a una configuración de coberturas terrestres que comparativamente con otras zonas
del continente se encuentran menormente documentadas.
La cartografía de las coberturas terrestres y uso del suelo (land cover and land
use, LCLU) ha sido identificada como un componente crucial para muchos aspectos de
los estudios de cambio global y aplicaciones ambientales (Pan et al., 2009). El desarrollo
de la teledetección en los últimos años ha convertido a ésta en una valiosa fuente de
información para el monitoreo de las coberturas terrestres y uso del suelo. La cartografía
de LCLU es un elemento intrínseco de la mayoría de los análisis en teledetección (Aplin,
2004), no obstante, la extracción de información temática a partir de datos satelitales no
es trivial. La cartografía temática a partir de datos teledetectados se basa normalmente
sobre una clasificación de la imagen (Foody., 2001), proceso para el cual existe una
extensa base bibliográfica, sin embargo, cabe destacar que en el desarrollo de
metodologías y estudios de este tipo se ha privilegiado el uso de los datos ópticos en
desmedro de los datos radar.
Las imágenes SAR de polarización completa muestran ventajas sin precedentes
en la identificación y clasificación de distintos tipos de LCLU comparados con los
resultados de análisis de imágenes SAR de un canal (Entezari et al., 2010). Una amplia
variedad de parámetros pueden ser extraídos a partir de datos de polarización completa
para representar la información contenida en la escena. Estos parámetros son
principalmente derivados de análisis SAR complejos y técnicas de descomposición de los
blancos (Mansouri et al., 2010). Muchos de estos parámetros presentan información
similar por lo que frecuentemente podemos encontrar redundancia en un grupo de
parámetros de este tipo.
El objetivo general del presente informe es presentar una propuesta metodológica para la
selección de los parámetros polarimétricos significativos dentro de un conjunto de datos
obtenido a partir de la descomposición polarimétrica de una imagen ALOS PALSAR de
polarización cuádruple y la clasificación supervisada de dichos parámetros, orientada a la
generación de una cartografía de LCLU de un sector de Villa La Angostura, Patagonia
Argentina.
MATERIALES Y METODOS.
Área de estudio.
El área de estudio corresponde a un sector aledaño a Villa La Angostura ubicado
entre del departamento de Los Lagos y Lacar, en la provincia de Neuquén, Patagonia
Argentina, específicamente entre los -40°11'40'' y -40°44'39'' de latitud sur y los -71°45'04''
y -71°13'46'' de longitud oeste, cubriendo una superficie total de 174202 Has. El área se
encuentra inserta en la eco-región de los Andes Patagónicos. A pesar de su amplitud,
esta eco-región muestra uniformidades naturales y en el uso del suelo, así como es
afectada por eventos climáticos similares que generan episodios de inundación con
diversas consecuencias sobre el medio natural y socioeconómico (Sarandón et al.,2009).
La cordillera de los Andes representa el principal sistema orográfico en los Andes
Patagónicos (Garibotti and Villalba., 2009) y además juega un importante rol como barrera
de las masas de nubes precipitables, generando un importante gradiente de precipitación
con dirección Oeste-Este, alcanzando la precipitación anual los 1500 mm anuales. El
clima es Frio-Templado con una temperatura media anual de 8° C. El sector se encuentra
caracterizado por un importante sistema hidrológico, incluyendo lagos de grandes
dimensiones como el Lacar y el Traful. La vegetación corresponde a bosques patagónicos
andinos, representados en las costas de los lagos principalmente por las especies
Nothofagus dombeyi (Mirb) Blume y Austrocedrus chilensis (D.Don) Florin et Boutleje
(Perez et al., 2006).
Fig. 6: área de estudio.
Datos Utilizados.
Se usaron datos obtenidos por el satélite ALOS (Advance Land Observing
Satellite), perteneciente a la agencia espacial japonesa (JAXA), a través de su sensor
SAR (Synthetic Aperture Radar) en banda L (PALSAR). La escena analizada
corresponde al modo PALSAR PLR (Polarimetric) del 19 de Noviembre del año 2009, con
polarización cuádruple (HH+VV+HV+VH), adquirida con un ángulo de incidencia de
25,58° (para el centro de la escena) y dirección de órbita ascendente. El producto posee
un nivel de procesamiento 1.1.
Fig. 7: Bandas de la imagen ALOS PALSAR PLR analizada en este estudio..
Procesamiento de la imagen.
Descomposición polarimétrica de los blancos.
Los datos SAR de polarización completa proveen una matriz de dispersión de la superficie del terreno. La matriz de dispersión consiste en la magnitud y la fase de cuatro polarizaciones, HH, HV, VH y VV. Estas ondas polarizadas son enviadas y recibidas horizontalmente (H) y verticalmente (V) por la antena radar (C. Yonezawa et al., 2012). Los teoremas de descomposición de los blancos fueron primero formalizados por Huynen y luego muchos métodos de descomposición fueron propuestos por otros investigadores (Z. Qi et al., 2010). Este estudio se enfocó en el método de descomposición H/A/Alpha, también conocido como descomposición basada en autovalores-autovectores. La ventaja de este método de descomposición es que está libre de limitaciones físicas impuestas por modelos multivariables de una determinada distribución estadística subyacente (Qi et al., 2010).
Los datos PALSAR PLR fueron analizados mediante el software PolSARPro v4.2. Los datos fueron transformados a una matriz de coherencia de 3x3 [T3], que se define como:
Donde representa la traspuesta del operador conjugado
Se aplicó un filtro de speckle mediante el algoritmo “J.S. Lee Refined Speckle Filter” con una ventana de tamaño 7 (pixeles). Posteriormente se extrajeron los parámetros de acuerdo al método de descomposición H/A/Alpha. Este método propuesto por Cloude y Pottier en 1997, extrae los siguientes parámetros principales:
i) Parámetro Entropía (H): La entropía de dispersión polarimétrica se define como el grado estadístico de desorden para cada tipo de dispersor dentro del conjunto. Los valores de este parámetro se encuentran en el rango entre 0 y 1.
ii) Parámetro Anisotropía (A): Este parámetro indica la importancia del segundo y tercer autovalor de la descomposición. La anisotropía suele ser muy útil cuando se quiere discriminar entre mecanismos de scattering con diferentes autovalores pero con similar entropía (principalmente cuando H>0.7), debido a que para entropías bajas, el segundo y tercer autovalor se encuentran muy afectados por el ruido.
iii) Parámetro Alpha (α): El ángulo α es definido como el parámetro más importante para identificar el mecanismo de dispersión dominantes al ser un parámetro invariante por rotación.
Corrección de terreno y geocodificación
Debido principalmente a la apertura sintética de los sistemas SAR, las imágenes presentan 3 distorsiones geométricas características, acortamiento (foreshortening), inversión (layover) y efecto de sombra (shadowing effect), por lo tanto es necesario aplicar una corrección de terreno mediante el uso de modelos de elevación digital (DEMs).
Para la corrección de terreno y la geocodificación se utilizó el software MapReady v3.1.22 de Alaska Facility y se usó el modelo de elevación ASTER GDEM V2 de 30 metros de resolución espacial, disponible en el sitio http://gdem.ersdac.jspacesystems.or.jp/.
Fig. 8: ASTER GDEM para la cobertura de la imagen PALSAR PLR sector Villa La
Angostura.
Método de Clasificación
Este estudio separa el flujo de trabajo en dos partes fundamentales, la selección de parámetros (que propone una metodología estadística para cumplir con dicho objetivo), y la ejecución de un método de asignación para la clasificación automática de la imagen a partir de los parámetros seleccionados.
Selección de los parámetros significativos
Se utilizaron los parámetros obtenidos de la descomposición polarimétrica H/A/Alpha además de algunos elementos de la matriz de coherencia, generando un set de 28 parámetros.
Fig. 9: Flujo de trabajo general para el método de clasificación.
Tabla 5: Muestra el set de parámetros utilizados.
Nº Parámetro Nº Parámetro Nº Parámetro
1 Span_Db 11 E. Shannon_Norm 20 l1
2 Serd_Norm 12 Derd_Norm 21 l2
3 RVI 13 Comb_HA 22 l3
4 Polarization Fraction 14 Comb_H1mA 23 T33_Db
5 Pedestal 15 Comb_1mHA 24 T23_Db
6 Alpha 16 Comb_1mH1mA 25 T22_Db
7 Beta 17 Asymetry 26 T13_Db
8 Gamma 18 Anisotropy Luneburg 27 T12_Db
9 Lambda 19 Anisotropy 28 T11_Db
10 Entropy
Dónde:
1) Span DB: corresponde a la sumatoria de los elementos diagonales de la matriz de coherencia [T3].
2) SERD (Single-Bounce Eingenvalue Relative Difference): Está asociado con los mecanismos de dispersión simple, sensible a las características del medio natural, puede ser utilizado para inversiones cuantitativas de parámetros bio y geofísicos.
3) RVI (Radar Vegetation Index): es un indicador de la aleatoriedad observada en la dispersión
4) Polarization fraction: Se encuentra en un rango entre 0 y 1, donde 0 es un retorno totalmente polarizado y valores mayores a 0 nos dicen que la polarización decae.
5) Pedestal: El peso pedestal es un indicador de la presencia del componente de dispersión no polarizada en la señal recibida, así como también está relacionado con el grado de polarización de la onda dispersada.
6) Alpha (α): El ángulo α es definido como el parámetro más importante para identificar el mecanismo de dispersión dominantes al ser un parámetro invariante por rotación.
7) Beta: Este ángulo denota la orientación del objeto de acuerdo a la línea de visión
8) Gamma: representa la diferencia de fases entre HH+VV y HV.
9) Entropy (H): La entropía de dispersión polarimétrica se define como el grado estadístico de desorden para cada tipo de dispersor dentro del conjunto. Los valores de este parámetro se encuentran en un rango entre 0 y 1.
10) Shannon Entropy: En una forma de cuantificar el desorden de variables aleatorias. Variables aleatorias cuasi determinísticas tienen bajo valor de Entropía de Shannon.
11) DEDR (Double.bounce Eingevalue Relative Difference): Está asociado con los mecanismos de dispersión doble, es sensible a las características del medio natural, puede ser utilizado para inversiones cuantitativas de parámetros bio y geofísicos.
12) Combination 1H1A: corresponde a la presencia de un solo proceso de dispersión dominante.
13) Combination H1A: Caracteriza un proceso de dispersión aleatoria en la imagen.
14) Combination HA: Está relacionada con la presencia de dos mecanismos de dispersión con la misma probabilidad.
15) Combination 1HA: Corresponde a la presencia de dos mecanismos de dispersión, con un proceso dominante y un segundo con probabilidad media.
16) Anisotropy (A): Este parámetro indica la importancia del segundo y tercer autovalor de la descomposición. La anisotropía suele ser muy útil cuando se quiere discriminar entre mecanismos de scattering con diferentes autovalores pero con similar entropía (principalmente cuando H>0.7). La razón es que para entropías bajas, el segundo y tercer autovalor se encuentran muy afectados por el ruido.
17) L1, L2 y L3: Corresponden al primer, segundo y tercer autovalor respectivamente.
18) T33_Db, T23_Db, T22_Db, T13_Db, T12_Db, T11_Db: Corresponden a los elementos de la Matriz de coherencia en decibeles.
Extracción de los datos de entrenamiento
Las áreas de entrenamiento fueron generadas visualmente para las clases agua, suelo desnudo y vegetación, para lo cual se realizó un layer stack con los 28 parámetros polarimétricos y se obtuvieron las estadísticas de las áreas de entrenamiento con el software ENVI 4.8.
Descripción de los datos de entrenamiento
La base de datos generada posee 29 variables, compuesta por la variable dependiente “Clase” y por las 28 variables independientes o predictoras que corresponden a los parámetros polarimétricos mencionados previamente. Las variables regresoras son del tipo continuo y la variable independiente es categórica con 3 clases, por lo que se habla de modelos de respuesta múltiple.
Selección del mejor subconjunto de variables
El problema de la selección de variables para la inducción de un modelo clasificatorio, se denomina FSS (Feature Subsets Selection) y surge motivado por la no monoticidad de los modelos clasificatorios en relación con el número de variables predictoras, así como por la existencia de ciertas variables predictoras que pueden llegar a ser irrelevantes o incluso redundantes. Debido a la larga listas de parámetros obtenidos, donde podría existir redundancia y correlación entre los datos, surge la necesidad de seleccionar las mejores variables con el objetivo de generar un modelo de clasificación más parsimonioso, guiado por el principio que en estadística se denomina “Occam’s razoe” y que en aprendizaje automático se conoce como KISS (Keep It Simple, Stupid). Para lograr lo expuesto anteriormente se consideró el siguiente flujo de trabajo:
Fig. 10: Flujo metodológico implementado para la selección de variables.
Para el análisis estadístico se utilizó el software R Estadística v_2.15.3. R es un software libre y de código abierto, resultado de la implementación GNU del lenguaje S. Este se ha convertido en uno de los lenguajes más usado en investigación por la comunidad estadística. Una de las mayores ventajas de R es la posibilidad de cargar diferentes librerías o paquetes con capacidades específicas de cálculo o gráficas.
El paquete “Leaps” (Regression subset selection) es una librería con la capacidad de realizar una exhaustiva búsqueda para el mejor subconjunto de variables predictoras de una determinada variable independiente en una regresión lineal, usando eficientes algoritmos de búsqueda de modelos óptimos (Branch-and-bound). Una de las funciones disponibles en esta librería es “regsubsets” que permite realizar selección de modelos mediante métodos de búsqueda exhaustiva, progresiva, hacia atrás y reemplazo secuencial.
Algunos de los argumentos más importantes de esta función son:
nbest : Especifíca cuantos modelos por cada tamaño se guardaran en el objeto resultante, el valor predefinido es nbest = 1
nvmax : Especifíca el tamaño máximo de cada modelo (el número de variables a incluir), el valor predefinido es nvmax = 8
La salida de la función “regsubsets” corresponde a gráficos que nos muestran los mejores modelos para cada tamaño y las variables incluidas en cada uno de ellos. El eje de las abscisas contiene cada una de las variables predictoras y el eje de las ordenadas contiene el indicador de la calidad del modelo, que puede ser, Mallows’Cp, Schartz information criterion, R cuadrados y R cuadrados ajustados. En este estudio se consideró el uso del índice Mallows Cp y se configuró la función “regsubsets” con un nbest = 4 y nvmax = 8. El método utilizado fue el de reemplazo secuencial, que utiliza una combinación del método progresivo y hacia atrás.
Clasificación supervisada
A partir del mejor subconjunto de parámetros
Se utilizaron los parámetros seleccionados en el mejor modelo según lo expuesto previamente, para la generación una clasificación supervisada a partir de un método de árbol de decisión, del tipo markoviano, mediante el paquete “party” (A Laboratory for Recursive Partytionnig) del software R estadística v2.15.3, el cual a través de su función “ctree” (Conditional Inference Trees) permite estimar una relación de regresión mediante particiones binarias recursivas en un marco de inferencias condicionales.
Clasificación supervisada de Wishart.
Los parámetros alpha y de entropía, proveen importante información de las propiedades polarimétricas de la escena y pueden ser utilizadas para clasificar una imagen de una manera bastante sencilla. Se usaron estos parámetros para la generación de una clasificación supervisada utilizando el algoritmo de wishart.
Se utilizó el software PolSarPro v4.2 para la implementación de la clasificación supervisada con el algoritmo “Wishart supervised clasification”, es importante mencionar que este algoritmo realiza un proceso de segmentación de la imagen, por lo que es un tipo de clasificación basada en objetos. La finalidad de esta clasificación es poder comparar el resultado de las clasificaciones generadas en base a la selección del mejor subconjunto de parámetros (basada en pixeles) y esta clasificación obtenida a partir del algoritmo incluido en el software PolSARPro v4.2
RESULTADOS.
Mejor subconjunto de variables.
La salida de la función “regsubsets”, nos permitió visualizar a través de un gráfico, cuáles fueron los las variables incorporadas en el modelo óptimo
Fig. 11: Grafico de mejores modelos según índice de Cp Mallows. ( “ * ” señala el modelo
óptimo y las variables incluidas en él.)
El criterio Cp Mallows está relacionado con el promedio total del cuadrado del error de los valores n ajustados para cada subconjunto de modelos de regresión. El modelo óptimo seleccionado tiene un valor de Cp cercano a (p+1), donde, p es el número de variables regresoras. Un valor de Cp Mallows mayor que (p+1) indica que el modelo tiene variables innecesarias, mientras que un Cp menor que (p+1) indica que hubo omisión de variables importantes. Como podemos observar en la Fig. 6, el mejor modelo es aquel que tiene un valor de 17, ya que nuestro p en ese modelo es de 9, por lo tanto (p+1) es igual a 10, de esta manera este modelo es el que presentó la menor diferencia con el (p+1), sin embargo, podemos decir que aún existen variables que podrían ser prescindible para el modelo, por lo que es posible mejorar este resultado y una opción sería modificar los argumentos con que ejecutamos la función “regsubsets”, no obstante, ya se ha
reducido el tamaño de nuestro set de datos, eliminando información redundante, lo que nos permitirá contar con un modelo de clasificación más parsimonioso. Las variables incluidas en el modelo óptimo, fueron Pedestal, Beta, Lambda, Entropía, Entropía de Shannon normalizada, Combinación HA, Anisotropía de Luneburg y el primer autovalor.
Clasificación por árbol de decisión
El árbol de decisión resultante posee un total de 17 nodos y utilizó siete de las ocho variables ingresadas en el modelo, excluyendo al parámetro del primer autovalor de la matriz de coherencia. Cabe mencionar que el árbol fue podado de forma manual, eliminando aquellos nodos terminales hermanos que conducían a la misma clase.
Fig. 12: Árbol de decisión, generado a partir de la función “ctree” del paquete “rparty”.
Como se observa en la Fig. 7, el parámetro E.Shannon.N (Entropía de Shannon Normalizada), separa en la primera partición la clase vegetación, de las clases agua y suelo desnudo. El algoritmo asignará a la clase vegetación, a todos aquellos pixeles cuyos valores en la E.Shannon.N sean mayores a 0.457. El análisis y la interpretación de las particiones conducente a obtener las clases de agua y suelo, poseen un mayor nivel de complejidad, sin embargo, ilustra que la separabilidad de dichas clases es menor.
Fig. 13: Imagen ALOS PALSAR PLR clasificada por árbol de decisión.
Las clases agua y suelo presentan confusiones, sobre todo sectores de cuerpos de agua, donde hay pixeles de suelo erróneamente asignados. El recuadro A de la Fig. 8 muestra el error de clasificación mencionado previamente. El recuadro B de la misma figura, muestra también asignación de pixeles erróneos, sin embargo, en este caso el error puede estar asociado al ruido inherente a la imagen SAR (Synthetic Aperture Radar).
Comparación de métodos de clasificación
La Clasificación de Wishart, presentó una mejor definición de los cuerpos de agua en comparación con la obtenida a partir del árbol de decisión, esto podría estar asociado a que Wishart es una clasificación basada en objetos (OBIA siglas en ingles), técnica que utiliza información contextual para generar dichos objetos. El número de pixeles asignados a la clase Suelo desnudo en la clasificación de árbol de decisión representa el 21% de la totalidad de los pixeles de la escena, mientras que para en la clasificación de Wishart solo un 11,85%, mostrando una importante diferencia en la asignación de pixeles a dicha clase. La clase vegetación presenta porcentajes de 79,88% y 71,84% para Wishart y el método de árbol de decisión respectivamente, lo que indica que las clases suelo y vegetación presentan las mayores diferencias entre clasificaciones, ya que la clase agua varia solo de 7,15% a 8,2%.
Fig. 14: Comparación de las imágenes clasificadas con el método de árbol de decisión y
de Wishart.
PASOS A SEGUIR.
i) Obtener información de terreno para el área de estudio o información de cartografía analógica para ser usados como datos de validación.
ii) Calcular índices de confianza para cada clasificación y compararlos.
iii) Reforzar las discusiones del presente informe, con datos comparativos robustos y concretos.
TERCERA PARTE COMPARACIÓN DE CARTOGRAFÍAS DE COBERTURA TERRESTRE GENERADAS A
PARTIR DE DATOS ScanSAR DE BANDA X Y L, USANDO CLASIFICACIÓN DE IMÁGENES ORIENTADA AL OBJETO, PARA TRES SECTORES DE LA PATAGONIA
NORTE
COMPARISON LAND COVER CARTOGRAPHY GENERATED FROM ScanSAR DATA OF X AND L BANDS, USING OBJECT BASED IMAGE CLASSIFICATION, FOR THREE
SECTORS OF NORTH PATAGONIA INTRODUCCIÓN
La Patagonia, al sur del continente sudamericano, posee dentro de su vasto territorio, importantes variaciones climáticas, morfológicas y orográficas que dan paso a una configuración de coberturas terrestres que comparativamente con otras zonas del continente se encuentran menormente documentadas.
La cartografía de las coberturas terrestres y uso de suelo (land cover and land use, LCLU) ha sido identificada como un componente crucial para muchos aspectos de los
estudios de cambio global y aplicaciones ambientales (Pan et al., 2009). Los sensores remotos representan un importante sustento para el análisis y monitoreo de la superficie terrestre. La cartografía de LCLU es un elemento intrínseco de la mayoría de los análisis de teledetección (Aplin, 2004), no obstante, la extracción de la información temática a partir de datos satelitales no es trivial. La cartografía de datos temática a partir de datos teledetectados se basa normalmente sobre una clasificación de la imagen (Foody., 2001), proceso para el cual existe una extensa bibliografía, sin embargo, cabe destacar que en el desarrollo de metodologías y estudios de este tipo se ha privilegiado el uso de los datos ópticos en desmedro de los datos radar. Los datos ópticos entregan mediciones de la parte superficial de la cobertura terrestre y son fuertemente dependientes de las condiciones atmosféricas (V. Liesenberg., 2012). Por su parte los sensores de microondas son independientes de estas últimas y ofrecen una sensibilidad física en contraste con la sensibilidad biológica de los sensores ópticos.
La retrodispersión de las ondas emitidas por los sensores radares, se encuentra influenciada por varios factores, dentro de ellos podemos mencionar la frecuencia y longitud de la onda, el contenido de humedad de los elementos, la polarización, entre otras.
ScanSAR (Escaneo de radar de apertura sintética) es un radar de apertura sintética de resolución espacial moderada y con un ancho de barrido (Swath) más grande que los sistemas SAR convencionales Esta cobertura se logra mediante el escaneo de diferentes Swaths y del cambio de diferentes ángulos de mirada de la antena durante la marcha (Guarnieri et al., 1996), por lo tanto, la imágenes obtenidas a partir de este modo de SAR tienen la ventaja de cubrir extensas áreas en solo una escena, permitiendo un mapeo eficiente de la cobertura terrestre y sus cambios a bajo costo, característica que podría presentar potencialidades adecuada para la situación que presenta hoy en día la Patagonia.
El objetivo del presente trabajo es elaborar una propuesta metodológica para la generación de cartografías de cobertura terrestre a partir de datos ScanSAR de banda X y L en tres regiones naturales de la Patagonia norte, usando un método de clasificación de imágenes orientada a objetos, comparando los resultados y cuantificando las diferencias en la discriminación de coberturas que origina cada banda. MATERIALES Y METODOS. AREA DE ESTUDIO.
El área de estudio corresponde a una transecta longitudinal al norte de la Patagonia, específicamente entre los 39º 05’ y 42º 50’ de latitud sur y los 73º 55’ y 62º 05’ de longitud oeste. Políticamente el área comprende el sector sur de la provincia de Neuquén, gran parte de la provincia de Rio Negro y el sector norte de la provincia de Chubut por el territorio de Argentina y parte de la región de los Ríos y de los Lagos por el lado Chileno. El área de estudio está inserta dentro de las regiones naturales de Patagonia Andina, Patagonia Extra Andina y Patagonia Extra Andina Oriental. Desde el océano Pacifico hacia el Atlántico, los hitos geográficos más importantes son La Cordillera de la Costa que en esta zona se presenta baja y ondulada, La depresión intermedia que está caracterizada por la interrupción de numerosos cuerpos de agua, donde destacan los Lagos Calafquén, Panguipulli, Ranco y Llanquihue. La cordillera de los Andes posee una fuerte presencia volcánica en este sector, con alturas que superan los 2000 m.s.n.m como los volcanes Puyehue (2240 m.s.n.m.), Puntiagudo (2498 m.s.n.m.), Osorno (2652 m.s.n.m.) y Lanín (3776 m.s.n.m). En el descenso del sector andino encontramos importantes lagos transversales de origen tectónico glaciario como el Nahuel Huapi, Traful
y Lacar. El sector central y este, está compuesto principalmente por valles y mesetas, donde la Meseta de Somuncurá se abre paso como una unidad geográfica sobresaliente dentro de dicha área, para luego terminar con la península Valdés como el ultimo hito geográfico en la costa atlántica.
De todo el sector descrito anteriormente, se eligieron 3 sectores acotados distribuidos en cada región natural presente en el sector descrito anteriormente.
Fig. 15: Área de estudio
BASE DE DATOS Datos SAR.
Se utilizaron imágenes ALOS PALSAR (Advanced Land Observation Satellite - Phased Array Type L Band Synthetic Aperture Radar) y COSMO SkyMed (Constellation Of Small Satellites For The Mediterranean Basin Observation) de modo ScanSAR de banda L y X respectivamente. Las primeras corresponden a imágenes de archivo, mientras que las segundas fueron programadas para el presente estudio. Todas las imágenes se solicitaron con formatos de alto nivel de procesamiento, polarización HH, similares ángulos de incidencia y obtenidas a partir de orbitas ascendentes.
Tabla 6: Características de las imágenes adquiridas.
Nº Sensor Modo Fecha
Orb
ita
Án
gu
lo d
e
incid
en
cia
al
ce
ntr
o d
e la
escen
a (
º)
Po
larizació
n
Tam
año
pix
el
(m)
Niv
el d
e
Pro
cesa
mie
nt
o
Form
ato
λ (c
m)
ƒ (
GH
z)
1 ALOS PALSAR
ScanSAR WB1
26/11/2010
Asce
nd
en
te
33,98
HH
100
1.5 CEOS
25 1.2 2 07/09/2007 34,02
3 13/10/2007 33,99
4 COSMO SkyMed
ScanSAR HR
18/03/2013
1D HDF5
3.1
9.6
5 18/03/2013
6 18/03/2013
Los anchos de barrido de las imágenes son de 350x350 Km y 250x250 Km para ALOS PALSAR ScanSAR WB1 y COSMO SkyMed ScanSAR HugeRegion de manera respectiva. Todas las imágenes poseen corrección geométrica y se encuentran proyectadas UTM (Universal Transversa Mercator), datum WGS84. Las imágenes fueron obtenidas gracias a la Agencia Espacial Argentina (CONAE) y la Agencia Espacial Italiana (ASI) en el marco de la Maestría en Aplicaciones Espaciales en Alerta y Respuesta Temprana a Emergencias (AEARTE). Datos auxiliares.
Se utilizó el modelo de elevación digital (DEM) de SRTM (Shuttle Radar Topography Mission) v4.1, el cual posee una resolución espacial de 90 m y que se encuentra disponible de manera gratuita en la página web del Consorcio para la información espacial CGIAR-CSI (www.cgiar-csi.org/data/srtm-90m-digital-elevation-database-v4-1).
También se usaron los mosaicos ortorectificados Landsat 7 ETM (Enhanced Thematic Mapper) Geocover de 100 m. de resolución espacial, disponibles en la página web de “Global Land Cover Facility (GLCF)” de forma gratuita (www.glcf.umd.edu/data/mosaic/).
Con el objetivo de recopilar mayor información del área de estudió y comprender mejor su comportamiento, cobertura y topografía, se usó la capa vectorial de suelos del Instituto Nacional de Tecnología Agropecuaria (INTA), que se encuentra a una escala de 1:500000 descargable a través del servidor WEB-SIG de dicha institución (geointa.inta.gov.ar) y también se revisaron las cartografías analógicas de sistemas fisiográficos y de vegetación para la zona de Río Negro elaboradas por Jacobacci – Maquinchao (1982) y de unidades geomorfológicas elaborado por Gonzales Díaz y Malagnino (1981).
Fig. 16: Imágenes utilizadas.
PRE-PROCESAMIENTO DE LAS IMÁGENES.
Como se muestra en la tabla 1, las imágenes ALOS PALSAR poseen un nivel de procesamiento 1.5 y en el caso de COSMO SkyMed el 1D, dichos niveles corresponden a productos de alto nivel de procesamiento, por lo tanto, los pre procesos aplicados a las imágenes fueron básicamente convertir los valores desde niveles digitales a unidades físicas como lo es el coeficiente de retrodispersión en intensidad (“backscattering Coefficient, Sigma-Nought, (σº)”).
Las imágenes COSMO SkyMed ScanSAR 1D, fueron calibradas a intensidad a
través del software ENVI 4.8 y específicamente a partir del módulo “Cosmo SkyMed images calibration” desarrollado por Sofía Lanfri (2012) y se encuentra disponible en la página WEB de Exelis (www.exelivis.com). Dicho modulo, se compila a través de IDL (Interface Definition Languaje) y permite calibrar las imágenes y obtener valores en coeficiente de retrodispersión en intensidad (Sigma Nought) para cualquier modo de adquisición y nivel de procesamiento de datos COSMO SkyMed. Posteriormente y con el objetivo de disminuir el ruido de la imagen, se aplicó un filtro de speckle con el algoritmo Gamma y con una ventana de 3x3 pixeles. Mientras que las imágenes ALOS PALSAR ScanSAR L 1.5, fueron calibradas a partir del software gratuito ASF MapReady v 3.1, disponible en la página de la ASF (Alaska Satellite Facility, www.asf.alaska.edu). Se calibraron dichas imágenes, convirtiendo los valores a coeficiente de retrodispersión en intensidad (Sigma Nougth) y también se aplicó una corrección de terreno utilizando el MED de SRTM, este último proceso solo fue aplicado a la imagen correspondiente al sector de la Patagonia Andina, debido a que es un sector montañoso de fuertes pendientes. Corregistro de las imágenes.
El corregistro es un proceso que debido al aumento de la cantidad de satélites y la diversidad de sensores existentes en la actualidad, se hace fundamental en teledetección, sobre todo cuando hablamos de fusionar imágenes obtenidas a partir de distintas fuentes. La automatización de este procedimiento, requiere el reemplazo dela selección manual de puntos de control por algoritmos automáticos para localizar puntos correspondientes en ambas imágenes (Brown, 1992). Si bien el objetivo de este trabajo no es la fusión de imágenes, será necesario que las imágenes estén bien corregistradas a la hora de comparar y de seleccionar áreas homogéneas en ambas imágenes. Cabe destacar que el corregistro de datos SAR de diferentes frecuencias y ángulos de incidencia no idénticos puede llegar a ser una tarea compleja, ya que las diferentes capacidades de penetración inherentes a cada banda permiten observar objetos diferentes en un mismo lugar y que en algunos sectores las geometrías pueden ser distintas.
Para el corregistro de las imágenes se utilizó el software Nest 5.0.11 desarrollado por la agencia espacial europea (ESA), de distribución gratuita y disponible en la página web de dicha organización (www.nest.array.ca/web/nest/Release5.0). El módulo de corregistro automático de dicho software, permitió obtener errores medios cuadráticos (RMS) inferiores a 0.5, usando transformaciones radiométricas polinómicas de grado 2 y método de resampleo bilineal. El tamaño de la ventana movible fue de 64 x 64 pixeles.
PROCESAMIENTO DE LAS IMÁGENES. Segmentación.
La segmentación es un paso clave para la interpretación de imágenes de radar de apertura sintética (SAR) (J.L.Feng et al., 2012), más aun si hablamos de imágenes de polarización simple, donde la información contextual se torna fundamental para explotar las potencialidades de este tipo de imágenes. Los algoritmos de segmentación tienen como principal objetivo obtener de forma automática una partición de la imagen (Junior. A., 2005) generando una nueva, donde la unidad mínima ya no es un pixel, sino un conjunto de pixeles con características homogéneas denominado objeto, usando características intrínsecas de la imagen, tales como la intensidad, el contraste o la textura.
Se usó el módulo de segmentación SegSAR para ENVI, desarrollado en lenguaje IDL por Manoel de Araújo Sousa Junior (2005). SegSAR es un segmentador híbrido, ya que usa técnicas de crecimiento de regiones, ajuste de bordes y separación de regiones no homogéneas. Algunos de los parámetros más importantes que se deben configurar en este software son:
i) Similaridad: Corresponde al nivel máximo de la diferencia del nivel de gris de
dos pixeles para que sean considerados como pertenecientes a una misma región (Objeto).
ii) Área Mínima: Define el menor tamaño (En número de pixeles) que puede tener cada región de la imagen segmentada resultante.
Las imágenes fueron segmentadas usando como área mínima 150 pixeles (150 Has.) y 0.02 de similaridad. Se segmentaron todas las imágenes, generando 3 salidas para cada sector, 1 para cada banda (X y L) por separado y una utilizando las dos bandas. EL objetivo de esta última fue generar áreas que fueran homogéneas en ambas imágenes y de esta manera poder elaborar áreas de entrenamiento para la posterior clasificación.
Fig. 17: Segmentación con SegSAR a partir de la imagen ALOS ScanSAR, para un área
del sector de la Patagonia Extra Andina oriental.
Selección de áreas de entrenamiento y generación de la leyenda.
Debido a la ausencia de datos de terreno y cartografía de apoyo de buena precisión, se usó la segmentación generada a partir de las dos bandas (X y L) para cada sector y se seleccionaron regiones homogéneas tratando de abarcar la variabilidad de clases identificadas de manera visual. Posteriormente se elaboró una tabla cualitativa y cuantitativa de manera de caracterizar cada unidad, usando información de distintas fuentes consultadas, tales como la altura a partir del MED SRTM, los estadísticos básicos extraídos de las imágenes en intensidad, la geoforma a partir de cartografía analógica y la cobertura a través de los mosaicos Landsat ETM ortorectificados y google earth y conocimiento experto de la zona. La leyenda se generó a partir de la tabla mencionada anteriormente. Clasificación basada en el objeto.
Las técnicas de clasificación tradicionales, basadas en rasgos de la imagen a nivel de píxel, presentan ciertas limitaciones, como lo son la aparición de un característico efecto "sal y pimienta" o su reducida capacidad para extraer objetos de interés. Éstas resultan especialmente problemáticas al aplicarse en imágenes de moderada o alta resolución. Una alternativa a dichos sistemas de clasificación pasa por un proceso previo de segmentación de la imagen. De esta forma se permite el trabajo a nivel de objeto (región homogénea), lo cual amplía notablemente la cantidad de información que se puede extraer de la misma.
La clasificación de imágenes orientada a objetos, que se basa en lógica difusa, permite la integración de un ancho espectro de características de los objetos como los valores espectrales, la forma y la textura. Así esta técnicas de clasificación incorporan información contextual y semántica (Ioannis Z et al., 2004).
Los objetos resultantes de las segmentaciones realizadas a cada banda por separado, se clasificaron usando el método de asignación denominado distancia estocástica. Este último se basa en la teoría que dice que Mediante el uso de teoría de información, un problema de discriminación entre regiones puede ser aproximado a través de la medición de distancias entre distribuciones de probabilidad.
Las herramientas de teoría de la información conocidas como medidas de divergencias son métodos para contrastar distribuciones estocásticas (Salicru1994, Nascimento2010).
Para comparar cuantitativamente dos muestras de tipos de cobertura, el siguiente procedimiento ha sido aplicado en Lanfri et al 2013:
i)_Seleccionar un modelo de distribución para datos SAR tratable y adecuado.
ii)_llevar a cabo estimación de parámetros para cada región comparada.
iii)_calcular distancias entre distribuciones como medidas de contraste.
iv)_usar estas medidas de contraste como test estadísticos para fundamentar decisiones.
Para describir y analizar imágenes con ruido speckle, se han evaluado muchos modelos de distribución de probabilidad. El modelo multiplicativo es un marco adecuado para datos SAR asumiendo que cada valor observado es el resultado de observar una variable aleatoria Z (retorno) que a su vez es el producto de dos variables aleatorias independientes, X e Y (Frery1997). La variable aleatoria X modela la retrodispersión del terreno, mientras Y modela el ruido speckle.
Áreas homogéneas en formato de intensidad (multilook) pueden ser descriptas utilizando el modelo Gamma (Gao2010, Torres2012). Torres2012 modeló la heterogeneidad usando distribución Gamma y permitiendo variar localmente el número de looks (uno de los parámetros de la distribución Gamma). Por lo tanto, la distribución de datos observados de intensidad multilook en regiones homogéneas está dada por el producto de la constante X~λ y una variable aleatoria Y ~ Γ (L,L), y se describe como Z~ \ Γ (L,L/ λ ) con densidad:
Donde Γ es la función Gamma, z, λ > 0 y L > 0 es el número equivalente de looks.
Métodos de test de hipótesis pueden ser empleados para cuantificar el contraste entre regiones. Dos muestras o regiones a comparar pueden ser modeladas según las variables aleatorias Z_1 y Z_2 con densidades ƒz1(z,θ1) y ƒz2(z,θ2) respectivamente, y parámetros θ1 =(L1,L1/ λ1) ) y θ2 =(L2,L2/ λ2). Luego se pueden derivar test estadísticos basados en distancias estocásticas para la hipótesis nula H0: θ1= θ2 (Nascimento2010). Lanfri2013 expone los test estadísticos específicos para variables aleatorias Gamma, considerando diferente número de looks entre muestras.
El test empleado en este trabajo es el de Bhattacharyya:
Cuando θ1 = θ2 el test estadístico es asintóticamente χ2M (Salicru1994).
A partir de las imágenes SAR (COSMO y ALOS) particionadas en s segmentos distintos A1,.... As. Se clasificó cada segmento A1..As como proveniente de una de las regiones de entrenamiento, de acuerdo al valor de test estadístico SB entre ambos.
Se implementó un algoritmo en el ambiente R mediante el cual se recorren los segmentos de la imagen SAR y se computa el test estadístico SB entre cada segmento y las muestras de entrenamiento seleccionadas. Se clasifica al segmento como proveniente de la muestra de entrenamiento con la cual el test estadístico presenta el menor valor.
RESULTADOS Y DISCUSIÓN Algunas diferencias preliminares (otro título).
La caracterización de las unidades homogéneas y la caracterización de estas últimas, permitieron observar interesantes diferencias de retrodispersión entre las imágenes ALOS ScanSAR de banda L y las COSMO SkyMed de banda X, inherentes a la capacidad de penetración de cada frecuencia y longitud de onda. Estas diferencias pueden ser importantes a la hora de caracterizar la potencialidad del uso de datos SAR de polarización HH en la Patagonia.
PASOS A SEGUIR.
i) Probar nuevos parámetros para la segmentación hasta obtener áreas homogéneas que se ajusten mejor a la imagen, ya que la calidad de la clasificación es muy dependiente de la clasificación.
ii) Correr el algoritmo de asignación para clasificar las imágenes segmentadas.
iii) Validar las clasificaciones obtenidas.
iv) Comparar las clasificaciones obtenidas y analizar estos resultados de tal manera de obtener conclusiones acerca del aporte de cada banda en el mapeo de coberturas terrestres para estos sectores de la Patagonia.
BIBLIOGRAFIA
Arnesen, A. S., Silva, T. S. F., Hess, L. L., Novo, E. M. L. M., Rudorff, C. M., Chapman, B. D., & Mcdonald, K. C. (2013). Remote Sensing of Environment Monitoring flood extent in the lower Amazon River floodplain using ALOS / PALSAR ScanSAR images, 130, 51–61.
Blanco, P. D., Colditz, R. R., López, G., Hardtke, L. A., Llamas, R. M., Mari, N. A., Fischer, A., et al. (2013). Remote Sensing of Environment A land cover map of Latin America
and the Caribbean in the framework of the SERENA project ☆, 132, 13–31.
Chernicoff, C. J., & Zappettini, E. O. (2003). Delimitación de los terrenos tectonoestratigráficos de la región centro-austral Argentina: evidencias
aeromagnéticas. Revista geológica de Chile, 30(2), 299–316. doi:10.4067/S0716-02082003000200009
Cihlar, J. (2000). Land cover mapping of large areas from satellites: Status and research priorities. International Journal of Remote Sensing, 21(6-7), 1093–1114. doi:10.1080/014311600210092
Del Valle, H. F., Blanco, P. D., Metternicht, G. I., & Zinck, J. a. (2010). Radar remote sensing of wind-driven land degradation processes in northeastern Patagonia. Journal of environmental quality, 39(1), 62–75. doi:10.2134/jeq2009.0071
Evans, T. L., Costa, M., Telmer, K., & Silva, T. S. F. (2010). Using ALOS/PALSAR and RADARSAT-2 to Map Land Cover and Seasonal Inundation in the Brazilian Pantanal. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 3(4), 560–575. doi:10.1109/JSTARS.2010.2089042
Grandi, G. De, Bouvet, A., & Lucas, R. (n.d.). K & C Science Report – Phase 2 A wall-to-wall PALSAR mosaic of Africa.
Liesenberg, V., & Gloaguen, R. (2013). Evaluating SAR polarization modes at L-band for forest classification purposes in Eastern Amazon, Brazil. International Journal of Applied Earth Observation and Geoinformation, 21, 122–135. doi:10.1016/j.jag.2012.08.016
Metternicht, G., Zinck, J. a, Blanco, P. D., & Del Valle, H. F. (2010). Remote sensing of land degradation: experiences from Latin America and the Caribbean. Journal of environmental quality, 39(1), 42–61. doi:10.2134/jeq2009.0127
Ramos, V. a. (2008). Patagonia: A paleozoic continent adrift? Journal of South American Earth Sciences, 26(3), 235–251. doi:10.1016/j.jsames.2008.06.002
Ran, Y., Li, X., & Lu, L. (2010). Evaluation of four remote sensing based land cover products over China. International Journal of Remote Sensing, 31(2), 391–401. doi:10.1080/01431160902893451
Road, P. (2010). Land use and land cover classification using radarsat-2 polarimetric sar image, XXXVIII, 198–203.
Whittle, M., Quegan, S., Uryu, Y., Stüewe, M., & Yulianto, K. (2012). Detection of tropical deforestation using ALOS-PALSAR: A Sumatran case study. Remote Sensing of Environment, 124, 83–98. doi:10.1016/j.rse.2012.04.027
Yonezawa, C., Watanabe, M., & Saito, G. (2012). Polarimetric Decomposition Analysis of ALOS PALSAR Observation Data before and after a Landslide Event. Remote Sensing, 4(12), 2314–2328. doi:10.3390/rs4082314
Guarnieri, A. M., Prati, C., & Vinci, P. L. (1996). ScanSAR focusing and interferometry. Geoscience and Remote Sensing, IEEE Transactions on, Volume: 34, Issue: 4, 1029-1038.
Aplin, P. (2004). Remote sensing: land cover. Progress in Physical Geography, 28(2), 283–293. doi:10.1191/0309133304pp413pr
Entezari, I., Mansouri, B., Motagh, M., & Dibaji, N. (2010). CLASSIFICATION OF FULLY POLARIMETRIC SAR SATELLITE DATA USING, 1–6.
Garibotti, I. A., & Villalba, R. (2009). Lichenometric dating using Rhizocarpon subgenus Rhizocarpon in the Patagonian Andes, Argentina. Quaternary Research, 71(3), 271–283. doi:10.1016/j.yqres.2009.01.012
Mansouri, B., Dibaji, N., Shinozuka, M., Entezari, I., & Motagh, M. (2010). Fully polarimetric sar parameters and correlation with target-sensor orientation and building height, 1–8.
Pan, X., Zhang, S., Zhang, H., Na, X., & Li, X. (2010). A variable precision rough set approach to the remote sensing land use/cover classification. Computers & Geosciences, 36(12), 1466–1473. doi:10.1016/j.cageo.2009.11.010
Sarandón, R., Novillo, M., Muschong, D., & Borges, V. (2009). Lacar Lake Demonstration Project for Ecohydrology: Improving land use policy at Lacar Lake Watershed based on an Ecohydrological approach (San Martín de los Andes - Neuquén - R. Argentina). Ecohydrology & Hydrobiology, 9(1), 125–134. doi:10.2478/v10104-009-0041-9
Yonezawa, C., Watanabe, M., & Saito, G. (2012). Polarimetric Decomposition Analysis of ALOS PALSAR Observation Data before and after a Landslide Event. Remote Sensing, 4(12), 2314–2328. doi:10.3390/rs4082314
Araujo, M. De, & Junior, S. (2007). SEGMENTAÇÃO MULTI-NÍVEIS E MULTI-MODELOS PARA.
Blanco, P. D., Metternicht, G. I., & Del Valle, H. F. (2009). Improving the discrimination of vegetation and landform patterns in sandy rangelands: a synergistic approach. International Journal of Remote Sensing, 30(10), 2579–2605. doi:10.1080/01431160802552785
Dare, P., & Dowman, I. (2001). An improved model for automatic feature-based registration of SAR and SPOT images. ISPRS Journal of Photogrammetry and Remote Sensing, 56(1), 13–28. doi:10.1016/S0924-2716(01)00031-4
Gitas, I. Z., Mitri, G. H., & Ventura, G. (2004). Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment, 92(3), 409–413. doi:10.1016/j.rse.2004.06.006
Lau, S. W. (2011). Comparison and Fusion of space borne L- , C- and X- Band SAR Images for Damage Identification in the 2008 Sichuan Earthquake, (June).
Rogan, J., & Chen, D. (2004). Remote sensing technology for mapping and monitoring land-cover and land-use change. Progress in Planning, 61(4), 301–325. doi:10.1016/S0305-9006(03)00066-7
Chapman, B., Mcdonald, K., & Hess, L. (2006a). K & C Science Report – Phase 2.
Chapman, B., Mcdonald, K., & Hess, L. (2006b). K & C Science Report – Phase 2.
