Professional Documents
Culture Documents
Los materiales biofísicos y las características hechas por el hombre en la superficie de la Tierra se
inventan utilizando técnicas de detección remota e in situ. Algunos de los datos son bastante
estadísticos; cambian muy poco con el tiempo. A la inversa, algunos materiales biofísicos y
características hechas por el hombre son dinámicas y cambian rápidamente. Es importante que
dichos cambios se realicen en inventario de manera precisa para que los procesos físicos y humanos
en el trabajo puedan entenderse mejor (por ejemplo, Miller et al., 2003; Leprince et al., 2007; Jensen
et al., 2012; Kit y Ludeke, 2013). No es sor- premiación, por lo tanto, que el esfuerzo significativo ha
entrado en el desarrollo de métodos de detección de cambios de teledetección (por ejemplo, Patra
et al, 2013; Zhu y Woodcock, 2014; Rokni et al., 2015).
El cambio en el uso del suelo / cobertura del suelo es una variable importante que afecta al cambio
climático global (Foley et al., 2005). Esta es una de las razones por las que los socios de las
Características de la tierra de resolución múltiple (MRLC) que guían la creación de los productos de
la Base de datos nacional de cobertura terrestre (NLCD, por sus siglas en inglés) de los Estados
Unidos han cambiado el énfasis de caracterizar la cobertura terrestre cada diez años al monitoreo
del cambio de la cobertura terrestre cada cinco años. años (Fry et al., 2011).
Visión General
Este capítulo revisa cómo la información de cambio se extrae de los datos de detección remota
utilizando técnicas de procesamiento de imágenes digitales. Resume el sistema del sensor remoto
y los parámetros ambientales que deben considerarse al realizar la detección de cambios. Se
presentan y demuestran varios de los algoritmos de detección de cambios más utilizados.
Los pasos generales requeridos para realizar la detección de cambios digitales utilizando datos de
sensores remotos se resumen en la Figura 12-1. Es instructivo revisar las características de estos
pasos.
Se requiere una identificación clara de los atributos o indicadores de interés. Quizás esté interesado
en documentar el cambio en la distribución de las especies de vegetación a través del tiempo o en
monitorear la expansión urbana en áreas rurales. Quizás desee monitorear de inmediato la
ubicación de las áreas inundadas por las aguas de la inundación o la ubicación de los árboles
afectados a medida que una enfermedad migra a través de un bosque. En la Tabla 12-1 (Kennedy et
al., 2009) se resumen los atributos o indicadores comunes de recursos naturales y hechos por el
hombre que son a menudo el foco de la planificación del uso de la tierra y el monitoreo de los
recursos naturales.
Junto con la especificación del atributo temático o indicador de interés, las dimensiones de la región
de interés de detección de cambios (ROI) deben identificarse cuidadosamente y mantenerse
constantes a lo largo de un proyecto de detección de cambios. El ROI geográfico (por ejemplo, un
condado, estado, región o cuenca) es especialmente importante en un estudio de detección de
cambios porque debe estar completamente cubierto por n fechas de imágenes. Si no se asegura de
que cada una de las imágenes de fecha múltiple cubra los resultados del área geográfica de interés
en los mapas de detección de cambios con vacíos de datos que son problemáticos al calcular las
estadísticas de cambios.
TABLA 12–1 Atributos o indicadores comunes de recursos humanos y naturales que son a menudo el foco de
los programas de planificación del uso de la tierra y de monitoreo de los recursos naturales (expandido de
Kennedy et al., 2009).
Seleccione un sistema apropiado de clasificación de uso del suelo / cobertura del suelo
• Sistema de Clasificación de Cobertura Terrestre / Uso de la Tierra del Servicio Geológico de EE.
UU. Para su uso con datos de sensores remotos;
• Esquema de clasificación del Conjunto de datos nacionales de cobertura terrestre (NLCD, por sus
siglas en inglés) de los EE. UU.
esquema de clasificación;
Los cambios en la cobertura del suelo pueden variar desde ninguna alteración del paisaje, a través
de modificaciones de intensidad variable, hasta una transformación completa o conversión a una
clase completamente nueva (por ejemplo, consulte el ejemplo de Denver, CO, más adelante en este
capítulo). Los científicos ahora creen que reemplazar los mapas de clasificación dura de Date n y
Date n + 1 que se usan típicamente en un proyecto de detección de cambios con mapas de
clasificación difusos puede dar como resultado información de cambio de la cobertura del suelo más
informativa y precisa (Foody, 2001; NRC, 2010) . Sin embargo, como se explicó en el Capítulo 13, es
más difícil determinar la precisión de los productos de mapas de detección de cambios suaves
(difusos).
Seleccionar por píxel o detección de cambios basada en objetos (OBCD)
La detección exitosa del cambio de detección remota requiere una cuidadosa atención a:
• Características ambientales.
Resolución temporal
Siempre que sea posible, es deseable utilizar datos obtenidos por teledetección adquiridos en
fechas de aniversario; por ejemplo, 1 de junio de 2012 y 1 de junio de 2013. El uso de imágenes de
fecha de aniversario minimiza la influencia del ángulo estacional del Sol y las diferencias fenológicas
de las plantas que pueden impactar negativamente en un proyecto de detección de cambios
(Dobson et al., 1995; Jensen, 2007; Chen et al., 2012). Además, todas las sombras encontradas en
las imágenes de fecha de aniversario obtenidas por el mismo sistema de sensores aproximadamente
a la misma hora del día tienen la misma orientación y longitud de sombra. Esto es muy importante
cuando se extrae información de cambio de imágenes de alta resolución espacial porque los
cambios en la longitud y orientación de las sombras pueden introducir muchos artefactos de cambio
imprecisos en el estudio (Jensen et al., 2012).
Por supuesto, las imágenes de fecha de aniversario no son prácticas cuando se monitorean cambios
dinámicos asociados con incendios forestales, inundaciones, huracanes, erupciones volcánicas y
cuando se monitorea vegetación estacional (por ejemplo, agricultura) (Chen et al., 2012). También
es importante tener en cuenta que, si bien muchos proyectos de detección de cambios tratan solo
con dos imágenes a la vez, también hay estudios que utilizan pilas de tiempo densas de imágenes
de fecha múltiple en el proceso de detección de cambios (por ejemplo, Lunetta et al., 2006 ;
Schneider, 2012).
Una revisión de las imágenes disponibles para el hipotético estudio de detección de cambios de San
Francisco, California, que se resume en la Tabla 12-2, revela que existen diferencias significativas
entre los ángulos máximos de aspecto off-Nadir. Tres de los años (2005, 2007 y 2011) tienen ángulos
de aspecto de> 13o. Sólo las imágenes de 2009 tienen ángulos de aspecto <10o. El analista que
realiza el estudio de detección de cambios tendría que ponderar cuidadosamente la importancia del
ángulo de la vista junto con las otras variables al seleccionar las imágenes que se analizarán.
Resolución espacial
El registro espacial preciso de al menos dos imágenes es esencial para la detección de cambios
digitales (Roy, 2000; Kennedy et al., 2009; Klemas, 2011). Idealmente, los datos obtenidos por
teledetección son adquiridos por un sistema de sensores que recopila datos con el mismo campo
de visión instantáneo (IFOV) en cada fecha. Por ejemplo, los datos del Mapeador temático Landsat
recopilados a una resolución espacial de 30 × 30 m en dos fechas son relativamente fáciles de
registrar entre sí. Sin embargo, es posible realizar la detección de cambios utilizando datos
recopilados de dos sistemas de sensores diferentes con diferentes IFOV, por ejemplo, datos Landsat
TM (30 × 30 m) para la fecha 1 y SPOT HRV XS (20 × 20 m) para la fecha 2 En tales casos,
generalmente es necesario decidir sobre una unidad de mapeo mínima representativa (por ejemplo,
20 × 20 m) y luego volver a muestrear ambos conjuntos de datos a este
deberíamos esperar poder extraer detalles espaciales adicionales del conjunto de datos TM).
Los algoritmos de rectificación geométrica (Capítulo 6) se utilizan para registrar las imágenes en una
proyección de mapa estándar o un sistema de coordenadas (por ejemplo, Universal Transverse
Mercator). La rectificación debe dar como resultado que las dos imágenes tengan un error
cuadrático medio (RMSE) de <0.5 píxeles. El mal registro de las dos imágenes puede dar lugar a la
identificación de áreas espurias de cambio entre los conjuntos de datos (Klemas, 2011). Por ejemplo,
solo un registro incorrecto de píxeles puede hacer que un camino estable en las dos fechas se
muestre como un camino nuevo en la imagen de cambio.
Resolución espectral
Resolución radiométrica
Idealmente, los datos de los sensores remotos se recopilan en varias fechas utilizando el sistema de
detección remota idéntico, que mantiene constante la variable de resolución radiométrica. Sin
embargo, si una de las fechas de las imágenes tiene una resolución radiométrica más baja que la
otra (por ejemplo, una consiste en datos de 8 bits y otra consiste en datos de 10 bits), entonces es
una práctica general transformar la resolución inferior. Datos de lución (p. ej., 8 bits con valores de
0 a 255) al mismo nivel radiométrico que la resolución radiométrica superior (p. ej., 10 bits con
valores de 0 a 1.023). Por supuesto, las características radiométricas de los datos de 8 bits no se
mejoraron durante este proceso. Pero los datos transformados de 8 bits ahora tienen un rango de
valores que es compatible con los datos de 10 bits.
Una solución aún más elegante es convertir los datos de 8 bits a la reflectancia porcentual escalada
(valores de 0 a 100%) y convertir los datos de 10 bits a la reflectancia porcentual escalada (valores
de 0 a 100%). Esta es una práctica común cuando se monitorean variables biofísicas continuas como
el índice de área de la hoja (LAI) o la biomasa a través del tiempo. Sin embargo, el uso de datos de
reflectancia porcentual escalada no siempre es obligatorio al realizar la clasificación de imágenes
urbanas y la detección de cambios. De manera similar, la mayoría de las imágenes digitales de
múltiples fechas analizadas utilizando técnicas fotogramétricas de copia electrónica no se
transforman en valores de reflectancia porcentuales escalados antes del procesamiento (Jensen et
al., 2012).
Condiciones atmosféricas
Idealmente, el cielo tiene un 0% de cobertura de nubes y hay una humedad relativa baja en las
fechas en que se recopilan las imágenes para detectar cambios. Cuando las condiciones
atmosféricas no son ideales, puede ser necesario a) eliminar algunas de las imágenes y / o b) aplicar
varias correcciones atmosféricas a los datos del sensor remoto para que no se identifiquen cambios
espurios debidos a las condiciones atmosféricas (Jensen et al., 2012).
Nubes: la detección de cambio óptico de imagen a imagen más precisa se realiza mediante fotografía
aérea o datos de sensores remotos de satélites digitales que se adquieren con una cobertura de
nubes del 0% (por ejemplo, Figura 12-2a, c de Charleston, SC). Las nubes introducen problemas
extremadamente serios para cambiar los estudios de detección. Cada nube en una sola imagen
oculta el terreno debajo de la investigación (Figura 12-2b, d). Causa serios problemas durante la
detección de cambios porque no hay información de cobertura del suelo o estructural disponible
donde estaba presente la nube, lo que resulta en una detección de cambios ambiguos en esta área.
Todo lo que el usuario puede hacer es crear una máscara e identificar ciertas áreas como
incompletas debido a los "problemas de cobertura de la nube" (Jensen et al., 2012).
Sombra de la nube: Además, casi todas las nubes proyectan una sombra que es visible en las
imágenes, excepto cuando la nube está en Nadir en relación con el sistema de sensores. Por lo
general, la sombra de la nube está a un ángulo de la nube real en la imagen debido a a) las
condiciones de la geometría de visualización del sensor (p. Ej., El sensor está apuntado a 10o fuera
de Nadir), o b) el ángulo del Sol, que es una función de la época del año (p. ej., el 21 de junio, el
solsticio de verano) y la latitud del área de estudio (p. ej., 30o N. Latitud). El terreno en el área de la
sombra puede ser visible en las imágenes, pero generalmente tiene un tono mucho más oscuro
debido a la cantidad reducida de iluminación solar que llega al terreno (Figura 12-2b, d). Esto hace
que la misma característica (p. Ej., Construcción, camino, grupo de árboles) tenga características de
reflectancia espectral sustancialmente diferentes que la misma característica observada en una
fecha diferente (p. Ej., El día siguiente) usando los parámetros de recolección de datos de detección
remota idénticos con 0% Cubierto de nubes. Cuando es absolutamente necesario extraer
información de un área geográfica que se encuentra en la sombra de la nube, es mejor estratificar
esta área (es decir, enmascararla) y clasificarla por separado utilizando sus propiedades espectrales
únicas. Una vez clasificado, el área enmascarada se puede volver a unir digitalmente en el conjunto
de datos de la fecha final y luego usarse en el procedimiento de detección de cambios (Jensen et al.,
2012).
FIGURA 12–2 a, c) Cero por ciento de cobertura de nubes en Landsat 8 scene Path 16 / Row 37 el 14 de mayo
de 2013 y el 17 de mayo de 2014, respectivamente. Estos datos son excelentes para fines de detección de
cambios. b, d) 30% de cobertura de nubes el 30 de mayo de 2013 y masiva de 80% de cobertura de nubes el
20 de julio de 2014. El uso de estas imágenes para la detección de cambios arrojaría resultados deficientes
(imágenes cortesía de la NASA).
Humedad relativa y otros constituyentes atmosféricos: a menudo, las imágenes utilizadas para la
detección de cambios están libres de nubes, pero hay un vapor de agua sustancial en la atmósfera
que resulta en una alta humedad relativa o en ciertas áreas puede haber cantidades elevadas de
neblina o smog en la atmósfera. Cuando esto ocurre, puede ser necesario aplicar la corrección
atmosférica a las fechas individuales de los datos del sensor remoto antes de la detección de
cambios. Esto se realiza utilizando a) las técnicas de normalización radiométrica atmosférica relativa
(Jensen et al., 1995; Coulter et al., 2011), o b) la corrección radiométrica absoluta analizada en el
Capítulo 6.
Idealmente, la humedad del suelo en el área de estudio es la misma (se mantiene constante) en las
dos imágenes utilizadas para detectar cambios. Por desgracia, este no suele ser el caso. Los sistemas
frontales a menudo se mueven hacia un área y dejan caer una cantidad relativamente constante de
precipitación en el paisaje. Cuando esto ocurre, toda el área bajo investigación podría tener
condiciones similares de humedad del suelo. A la inversa, a veces las tormentas eléctricas dejan caer
precipitaciones sobre áreas ubicadas al azar en un patrón en forma de lóbulo. Esto da como
resultado áreas ubicadas al azar que tienen mayor humedad del suelo que las áreas circundantes o
adyacentes. Por supuesto, la ausencia de humedad del suelo durante condiciones de sequía también
puede crear un paisaje que es extremadamente seco (Jensen et al., 2012).
Las áreas geográficas con humedad del suelo extremadamente bajas, típicamente exhibirán una
reflectancia espectral sustancialmente mayor en todas las partes visibles y en el infrarrojo cercano
del espectro que el mismo terreno cuando está saturado y tiene un alto contenido de humedad del
suelo. Por lo tanto, las imágenes de terreno de fecha múltiple que son muy húmedas o muy secas
pueden ser problemáticas cuando se las somete a algoritmos de detección de cambios, lo que
resulta en la identificación de regiones espurias de cambio debido a las diferencias en la humedad
del suelo en lugar de cambios reales en las características. Si las dos imágenes bajo examen
muestran diferencias sustanciales en la humedad del suelo, puede ser posible aplicar una
normalización radiométrica a una de las imágenes para que tenga aproximadamente las mismas
características de reflectancia espectral que la otra imagen (por ejemplo, Jensen et al., 1995; 2009).
Si solo una parte de la imagen muestra condiciones de humedad del suelo más altas o más bajas
que las normales debido a la precipitación por tormentas eléctricas o condiciones de sequía, es
mejor estratificar (enmascarar) esta área y analizarla por separado para extraer información sobre
la cobertura del suelo. Esta área estratificada se reinserta luego en la base de datos de clasificación
de la cubierta terrestre antes de realizar la detección de cambios.
Los ecosistemas naturales pasan por ciclos predecibles de desarrollo. Los seres humanos a menudo
modifican el paisaje en etapas repetibles y predecibles. Estos ciclos de desarrollo predecible a
menudo se denominan ciclos fenomenológicos o fenológicos. Los analistas de imágenes utilizan
estos ciclos para identificar cuándo deben recopilarse los datos de detección remota para obtener
la cantidad máxima de información de cambio utilizable. Por lo tanto, los analistas deben estar
íntimamente familiarizados con las características biofísicas de la vegetación, los suelos y los
constituyentes del agua de los ecosistemas y sus ciclos fenológicos. Del mismo modo, es imperativo
que comprendan los ciclos fenológicos asociados con el desarrollo hecho por el hombre, como la
expansión residencial en la franja urbana / rural.
Los ecosistemas de vegetación natural, como humedales, bosques y pastizales, tienen ciclos
fenológicos únicos. Por ejemplo, considere el ciclo fenológico de coletas y nenúfares encontrados
en lagos en el sureste de los Estados Unidos (Figura 12-4). La totora persiste durante todo el año en
los lagos y generalmente se encuentran en aguas poco profundas adyacentes a la costa (Jensen et
al., 1993b). Comienzan a ponerse verdes a principios de abril y, a menudo, tienen un dosel verde
lleno a finales de mayo. Los colmillos senescentes desde finales de septiembre hasta principios de
octubre, sin embargo, están físicamente presentes y parecen marrones durante los meses de
invierno. A la inversa, los nenúfares y otras especies no persistentes no viven durante el invierno.
Los nenúfares aparecen en el borde más exterior de las colmenas a mediados de abril y alcanzan la
emergencia completa de 6 a 8 semanas después. Los lechos de agua generalmente persisten sobre
el agua hasta principios de noviembre, momento en el que mueren.
Los ciclos fenológicos de totora y nenúfares dictan los tiempos más apropiados para la adquisición
de datos de teledetección. Por lo general, es difícil discriminar entre coletas y nenúfares de junio a
agosto porque sus características espectrales son muy similares. Este es también el momento de
máxima cobertura de nubes y alta humedad, lo que reduce la disponibilidad de imágenes útiles. A
la inversa, desde mediados de abril hasta mediados de mayo, las colmenas están bien desarrolladas,
mientras que los nenúfares están empezando a establecerse. Esto da como resultado diferencias de
reflectancia espectral entre cataratas y nenúfares, como lo sugiere la flecha roja en la Figura 12-4.
Muchos estudios de detección de cambio de detección remota han fallado porque el analista no usó
información fenológica precisa de vegetación cuando seleccionó las imágenes de detección remota
para analizar.
Ciclos fenológicos urbano-suburbanos: los paisajes urbanos y suburbanos también tienden a tener
ciclos fenológicos predecibles. Por ejemplo, considere el desarrollo residencial de 1976 a 1978 en la
porción 6-mi2 del cuadrángulo de 7.5 minutos de Fitzsimmons cerca de Denver, CO. Las fotografías
aéreas obtenidas el 8 de octubre de 1976 y el 15 de octubre de 1978 revelan cambios dramáticos
en el paisaje (Figura 12-5).