Post on 16-Oct-2021
TRATAMIENTO DE DATOS SATELITALES PARA ESTUDIOS AMBIENTALES
Doctores Raúl Rivas y Facundo Carmona
Miembros del Instituto de Hidrología de LlanurasComisión de Investigaciones CientíficasConsejo Nacional de Investigaciones Científicas y TécnicasUniversidad Nacional del Centro de la provincia de Buenos Aires Instituto de Hidrología de Llanuras
Dr. Eduardo Jorge Usunoff
Tandil, Buenos Aires, Argentina
Curso elaborado para la Doctorado en Ciencias Aplicadas al Ambiente y la Salud
Tandil, 9 - 13 de setiembre de 2019
http://teledeteccion.wix.com/gtihlla
Contoactowww.ihlla.org.arTe 00 54 249 438 5520 ext. 3
2UNCPBA, DCAAS, R. Rivas 2019
Curso TDSEA
1. Definición. Conceptos básicos – espectros de superficies específicas
2. Espectro solar y térmico
3. Ventanas atmosféricas
4. Escalas – desde la hoja a la cuenca
5. Índice de vegetación
6. Ejemplo de extracción de información a partir del espectro
7. Uso de programa de tratamiento
Temas día 1, R. Rivas
CONCEPTOS BÁSICOS
Desarrollo teórico y revisión
3UNCPBA, DCAAS, R. Rivas 2019
Definición de teledetección
4
Es el medio de conocer un objeto, o conjunto de objetos distribuidos espacialmente en función de:i) un conjunto de señales electromagnéticas en distintas bandas de diferentes longitudes de ondaii) la evolución de la señal electromagnética en el tiempo (día, estación, año...)iii) la repartición de los objetos en el espacio geográficoiv) la relación temporal de los objetos con otros de diferente naturaleza
UNCPBA, DCAAS, R. Rivas 2019
Conceptos relevantes en teledetección
• Seguramente gran partes delos conceptos de bases físicasde la teledetección fuerondesarrollados en cursosprevios que tomaron duranteel grado o el posgrado. Hoy yhasta el miércoleshablaremos de ellos con unavisión práctica que nospermita cuantificar variablesbiofísicas de superficie (porejemplo la temperatura de lasuperficie). Animamos austedes a seguirnos en lacomprensión de las leyesfísicas y su utilidad práctica.
• El espectro solar y térmico en valores de radiancia (L)
5
Espectro solar
0
200
400
600
800
0 1 2 3 4 5
(m)
L0
(T)
(W/m
2 s
r
m)
Espectro terrestre
0
2
4
6
8
10
12
0 10 20 30 40 50
(m)
L0
(T)
(W/m
2 s
r
m)
UNCPBA, DCAAS, R. Rivas 2019
Radiación emitida por el sol y por la tierra
6UNCPBA, DCAAS, R. Rivas 2019
El espectro electromagnético
7
Es necesario conocer el espectro, la longitud de onda (λ) en la que se trabaja, las características deéstas o mejor dicho su comportamiento para diferentes condiciones atmosféricas y cómo sonafectadas éstas (o no). La atmósfera modifica las ondas electromagnéticas (por absorción y difusión)y es fundamental la comprensión de los efectos para una adecuada valoración de los resultados delproceso de corrección atmosférica. No es solo conocer una ley física, sino que, lo importante esvalorar la utilidad que tiene cuando se trabaja en teledetección. A veces es mejor usar un modelo decorrección atmosférica sencillo que uno complejo en el que no se tienen elementos para valorar lacalidad del mismo ni se conocen las ecuaciones que lo gobiernan.
UNCPBA, DCAAS, R. Rivas 2019
Bases elementales para una mejor comprensión
• La comprensión de las leyes físicas que gobiernan los diferentesprocesos a nivel de la superficie y de la atmósfera sonfundamentales para una adecuada cuantificación de variables.
• Ejemplos son: la transmisión de la atmósfera, la emisión de lasuperficie, la reflexión de las superficies….etc
Tomado del programa Modtran (para una atmósfera de latitud media de verano).
Efectos de los principales componentes de la atmósfera.
Transferencia radiativa al tope de la atmósfera, a nivel del mar y cuerpo negro (5900 K).
UNCPBA, DCAAS, R. Rivas 2019 8
Miremos en detalle el efecto de la atmósfera sobre la radiación solar
9
Transferencia radiativa al tope de la atmósfera, a nivel del mar y cuerpo negro (5900 K).
2500 W m-2 µm
La radiación solar media para el conjunto del espectro al TOA es de 1390 W m-2 µm. Es un valor interesante de conocer, me da idea para valorar lo que llega a la superficie teniendo en cuenta la transmisividad() de la atmósfera.
Recuerde este valor para cuando realice la corrección atmosférica.
UNCPBA, DCAAS, R. Rivas 2019
Unidades a tener en cuenta
10
Tomado de Liou 2002 [la simbología puede diferir de la indicada en las transparencias previas, solo se desea recordar las unidades].
UNCPBA, DCAAS, R. Rivas 2019
Transmisión atmosférica y bandas Landsat
11
Bandas de LANDSAT 7 y 8* (LDCM) sensores (ETM+, OLI/TIRS). *Lanzado en febrero de 2013.
UNCPBA, DCAAS, R. Rivas 2019
12
Tomado de
UNCPBA, DCAAS, R. Rivas 2019
LA FIRMAS ESPECTRALESRespuesta espectral de suelo, vegetación, nieve y agua
13UNCPBA, DCAAS, R. Rivas 2019
Energía que ingresa en un día despejado, analicemos
14UNCPBA, DCAAS, R. Rivas 2019
Realizo una medida con espectroradiómetro de terreno
Comportamiento espectral de vegetación
Medidas en terreno sobre
cultivos con alta cobertura vegetal
Espectro tomado por PA M. Bayala (CIC-IHLLA)
Calculamos NDVI de los cultivos
NDVICebada42-442+4NDVITrigo36-1236+12NDVIGirasol54-454+4
=0,83
=0,50
=0,86
NIR
R
Medidas realizadas con un espectrorradiómetrode mano Spectral Vista Corporation HR-1024i de (350 – 2500 nm, resolución de 1,5 nm)
15UNCPBA, DCAAS, R. Rivas 2019
Espectro y bandas misión sentinel
Diferentes cubiertas de suelo y suelo
desnudo
Espectro tomado por PA M. Bayala (CIC-IHLLA)
Medidas realizadas con un espectrorradiómetrode mano Spectral Vista Corporation HR-1024i de (350 – 2500 nm, resolución de 1,5 nm)
Propuesta de exploración de la relación R-NIR con los datos disponibles.
16UNCPBA, DCAAS, R. Rivas 2019
Espectro de suelo seco y húmedo
0
5
10
15
20
25
30
35
1,8
0
42
5,1
0
49
7,0
0
56
7,4
0
63
6,2
0
70
3,3
0
76
8,6
0
83
1,7
0
89
2,2
0
95
0,3
0
1.0
44
,20
1.2
33
,20
1.4
20
,10
1.6
04
,00
1.7
84
,30
1.9
47
,60
2.0
80
,40
2.2
06
,60
2.3
25
,90
2.4
38
,60
Ref
lect
ivid
a %
Longitud de onda nm
SM 32%
SM 17 %
NDVI17%SM11-811+8NDVI32%5-45+4
=0,16
=0,11
LST=30,3 °C
SM (humedad de suelo), LST temperatura de la superficie
LST=23,7 °C
Medidas realizadas con un espectrorradiómetro de mano Spectral Vista Corporation HR-1024i de ancho 350 – 2500 nm, resolución de 1,5 nm. Espectro tomado por PA M. Bayala (CIC-IHLLA)
17UNCPBA, DCAAS, R. Rivas 2019
Escalas de espacio y de tiempo
De nuestro interés
S: segundos
18UNCPBA, DCAAS, R. Rivas 2019
Escalado hacia arriba (scaling up)
19UNCPBA, DCAAS, R. Rivas 2019
Procesos – uso – límites de la datos de satélite
en relación a los usos
20UNCPBA, DCAAS, R. Rivas 2019
Firmas espectrales
21
0
20
40
60
80
100
0,3 0,8 1,3 1,8 2,3 2,8
R %
um
Vegetación Suelo Agua Nieve
UNCPBA, DCAAS, R. Rivas 2019
Firma espectral de la vegetación• Firmas espectrales de vegetación, suelo, agua y nieve
obtenidas en laboratorio. Cada superficie natural tiene un comportamientos espectral propio. En el caso de la vegetación es variable, dependiendo principalmente de los factores: estado fenológico, forma y contenido en humedad.
• Presenta reducida reflectividad en las bandas del visible,con un máximo relativo en la región del verde (0.55 µm).Esto es debido al efecto absorbente de los pigmentosfotosintéticos de las hojas. De entre estos, la clorofilaabsorbe en la zona del rojo. Por eso, en vegetación novigorosa la clorofila no absorbe tanto y la hoja presentaun color amarillo (verde + rojo).
22UNCPBA, DCAAS, R. Rivas 2019
Firma espectral de la vegetación
• La estructura celular interna da la elevada reflectividad en el IRC que luego va reduciéndose paulatinamente hacia el infrarrojo medio.
• La alta reflectividad en el IRC (50 %) permite notar el contraste más nítido que presenta, en comparación, con las bandas visibles (especialmente rojo) y en menor medida en el verde del espectro. Cuanto mayor resulte el contraste, mayor será el vigor de la vegetación.
• Los parámetros cantidad de pigmentos, estructura celular y contenido en agua, manifestados por la respuesta espectral de esa masa de vegetación de la que forman parte, puede servir para discernir entre unas especies y otras, su nivel de desarrollo e incluso su estado sanitario.
23UNCPBA, DCAAS, R. Rivas 2019
Firma espectral del suelo
▪ Los suelos desnudos, presentan un comportamientoespectral más uniforme que el de la vegetación. La curvaespectral que presentan es bastante plana y de carácterligeramente ascendente.
▪ Los principales factores que intervienen en este caso son lacomposición química del suelo, su textura y estructura y elcontenido en humedad. Por ejemplo, un suelo de origencalcáreo tiende al color blanco, indicando alta reflectividaden todas las bandas visibles, mientras que los arcillososofrecen una mayor reflectividad en el rojo, comoconsecuencia de su contenido en óxido de hierro.
24UNCPBA, DCAAS, R. Rivas 2019
Firma espectral del suelo
▪ La reflectividad espectral presenta mayores valores ensuelos de textura gruesa (por ejemplo los suelos con altocontenido de arena), planchados, secos y con bajocontenido de materia orgánica.
▪ El contenido en humedad es uno de los elementosdestacados en la reflectividad en longitudes de onda largas(SWIR) y así suelos con alto contenido en humedad daránuna reflectividad baja en esas longitudes de onda (ejemploson los suelos de las cuencas del Langueyú y del Azul entreotras) (reflectividad menor al 10 %). Cuanto más seco yplanchado resulte un suelo, mayor será su reflectividad.
25UNCPBA, DCAAS, R. Rivas 2019
Firma espectral del agua - nieve
▪ El agua absorbe o transmite la mayor parte de laradiación visible que recibe. Por lo tanto presentaráuna curva espectral plana, baja y de sentidodescendente hacia longitudes de onda del SWIR. Detodas formas, en aguas poco profundas, la reflectividadaumenta. Los factores que afectan el comportamientodel agua son: profundidad, contenido de material ensuspensión (clorofila, arcillas y nutrientes) y rugosidadde la superficie (factor extremadamente importante).
▪ La nieve presenta un comportamiento completamentediferente al agua, con una reflectividad elevada en lasbandas visibles (próximas al 100 %), reduciéndosedrásticamente en el IRC y picos en el SWIR.
26UNCPBA, DCAAS, R. Rivas 2019
Emisividad
La temperatura promedio de la superficie terrestre es de aproximadamente 300 K y su emitanciaespectral es máxima en el intervalo 8 - 14 µm (IRT). Esto nos permite detectar la energía queprocede de las distintas superficies, pero para ello no se mide la energía reflejada, sino la emitida,en función de la temperatura.
27
0,5
0,6
0,7
0,8
0,9
1,0
2 4 6 8 10 12 14
Longitud de onda (m)
d
Su
elo
s
soi01
soi02
soi03
Soi1
Soi2
Soi3
0,5
0,6
0,7
0,8
0,9
1,0
2 4 6 8 10 12 14
Longitud de onda (m)
d
Veg
eta
ció
n
veg01
veg02
Veg1
Veg2
UNCPBA, DCAAS, R. Rivas 2019
28UNCPBA, DCAAS, R. Rivas 2019
Emisividad en Rocas
Emisividad en agua y vegetación
RELACIÓN R-NIR
Relacionando adecuadamente el sector del rojo (R) e infrarrojo cercano (NIR) se puede obtener información relevante
29UNCPBA, DCAAS, R. Rivas 2019
30
Ejemplo 2DScatterPlots
En el menú banda ir a la opción: Tools 2DScatterPlots. Aparece la ventana de la derecha. Seleccionar la banda 3 en el eje “x” y la banda 4 en el eje “y”. Esto lo hacemos sobre la imagen TM_LP_99.img
UNCPBA, DCAAS, R. Rivas 2019
Resultado del 2DScatterPlots
La Figura de la derecha muestra la dispersión de los datos B3-B4 del sector remarcado en rojo en el Scrollde la imagen de abajo.
31
Recta de suelo
Vegetación
UNCPBA, DCAAS, R. Rivas 2019
Ejemplo de dispersión 2D temporal
Ejemplo de dispersión de puntos para un área de agricultura en la que se observa la evolución temporal de los cultivos.
32UNCPBA, DCAAS, R. Rivas 2019
Ejemplo de dispersión 2DSactterPlotspara diferentes ambientes
Ejemplo de la relación R-IRC logrado con Landsat para diferentes superficies (agua, coníferas, suelo..)
33UNCPBA, DCAAS, R. Rivas 2019
Formatos de la imágenes
Formatos
• BIL, BIP, BSQ
Uso de programa de procesado
• Descripción y uso básico
34UNCPBA, DCAAS, R. Rivas 2019
35
UNCPBA, DCAAS, R. Rivas 2019
36
UNCPBA, DCAAS, R. Rivas 2019
37UNCPBA, DCAAS, R. Rivas 2019
38UNCPBA, DCAAS, R. Rivas 2019
39UNCPBA, DCAAS, R. Rivas 2019
40UNCPBA, DCAAS, R. Rivas 2019
41UNCPBA, DCAAS, R. Rivas 2019
42UNCPBA, DCAAS, R. Rivas 2019
43UNCPBA, DCAAS, R. Rivas 2019
44UNCPBA, DCAAS, R. Rivas 2019
45UNCPBA, DCAAS, R. Rivas 2019
46UNCPBA, DCAAS, R. Rivas 2019
47UNCPBA, DCAAS, R. Rivas 2019
48UNCPBA, DCAAS, R. Rivas 2019
49UNCPBA, DCAAS, R. Rivas 2019
50UNCPBA, DCAAS, R. Rivas 2019
51UNCPBA, DCAAS, R. Rivas 2019
52UNCPBA, DCAAS, R. Rivas 2019
53UNCPBA, DCAAS, R. Rivas 2019
54UNCPBA, DCAAS, R. Rivas 2019
55UNCPBA, DCAAS, R. Rivas 2019
56UNCPBA, DCAAS, R. Rivas 2019