outline · 2009. 12. 12. · sensor ikonos imagery from february 19 2006imagery from february 19,...

Carmen C. Zayas-Santiago

UPR-M GEOL 6225

Outline

IntroductionB k d Background

Objectives

Sensor description

Study Site

Methods Methods

Results and discussion

Conclusion

Recommendations

Introduction: Background

What are endmembers?- Pure spectrums

What is spectral unmixing?

= +60% 40%

Why is it important?

Objectives

Understand spectral unmixing

Apply the unmixing model to IKONOSimagery for estimating cover fractions ofseagrass, sand and mangrove within thepixels

Complete and compare supervised andunsupervised classification after LSUfrom Enrique Reef

Sensor IKONOS Imagery from February 19 2006 Imagery from February 19, 2006

Contains 3 bands:

○ Red: (0.632-0.698 µm)

○ Green: (0.506-0.595 µm)

○ Blue: (0.445-0.516 µm)

Study SitePuerto Rico

La Parguera

18° N

67° W Enrique Reef

Methods

Calibration and

correctionMNF Pixel Purity

Index Endmembers

LSU

Unsupervised Classification

Supervised Classification

Methods: Linear Spectral Methods: Linear Spectral UnmixingUnmixing(LSU)(LSU)

N

Fi F1 F2 ... FN 1i1

DN F1DN,1 F2DN,2 ... FN DN,N E

Fi= fraction of endmember i in pixel (usually 0≤Fi≤1)DN= the pixel reflectance for band DN,i= the reflectance for band of endmember IE= error term

Results: Fraction coverFraction cover image for sand

Results: Fraction coverPixel Sand Seagrass Mangrove SUM

5495 982 0.76 0.74 ‐1.89 1.5

5553 1177 0.98 0.65 ‐0.07 1.63

4894 1111 0.97 0.83 ‐0.07 1.8

4959 998 ‐0.41 ‐0.5 0.31 ‐0.91

5300 927 0.15 ‐0.01 ‐0.82 0.14

5429 1130 1 04 6 78 3 11 7 825429 1130 ‐1.04 ‐6.78 3.11 ‐7.82

5147 1109 ‐0.27 3.77 1.12 3.5

5048 957 0.6 ‐1.15 ‐1.06 ‐0.55

5416 894 0.89 1.89 ‐2.3 2.78

5593 817 0.42 ‐0.34 ‐1.03 0.08

Results: Supervised Classification

Maximum LikelihoodMinimum distance

New MethodNEW Endmembers : Sand,

Seagrass and SOFT CORAL

Calibration and


Index Endmembers

LSU



Results: Fraction cover #2Pixel Sand Seagrass Soft coral SUM

5495 982 ‐0.7 ‐2.43 0.54 ‐2.6

5553 1177 3.05 3.16 ‐0.61 5.6

4894 1111 2.97 3.09 ‐0.65 5.41

4959 998 ‐0.59 ‐0.3 0.28 ‐0.6

5300 927 ‐0.71 ‐1.48 0.48 ‐1.7

5429 1130 0 0 0 05429 1130 0 0 0 0

5147 1109 0 0 0 0

5048 957 0.62 ‐0.49 0.71 0.84

5416 894 ‐1.24 ‐3.26 0.37 ‐4.1

5593 817 ‐0.12 ‐1.12 0.55 ‐0.7

Results: Supervised Classification #2

Minimum DistanceMaximum Likelihood

New Method #3

NEW Endmembers : Sand, Seagrass and SOFT

Calibration and


Index Endmembers

LSU


Seagrass and SOFT CORALNEW Correction: Lyzenga

LSU


Classification

Results: Fraction cover #3Pixel Sand Seagrass Soft coral SUM

5495 982 1.37 0.14 ‐0.54 0.97

5553 1177 2.09 0.33 ‐1.52 0.9

4894 1111 2.08 0.34 ‐1.52 0.9

4959 998 0.58 0.38 ‐0.03 0.93

5300 927 1.04 0.19 ‐0.27 0.96

5429 1130 0 0 0 0

5147 1109 0 0 0 0

5048 957 1.51 0.15 ‐0.72 0.94

5416 894 1.38 0.16 ‐0.55 0.99

5593 817 0.21 ‐0.29 1.01 0.93

5046 956 ‐0.11 0.09 1.11 1.09

Results: Supervised Classification #3

Minimum distanceMaximum Likelihood

Conclusion

The mangrove, seagrass and sandendmembers did not worked asendmembers did not worked asexpected.

The best classification was supervisedmaximum likelihood.

The fraction cover values are not correctunless a water column correction isapplied.

Recommendations

Field data to compare the fraction covers.

Field data to choose better endmembers.

Apply MNF to Lyzenga corrected images to check if the fraction cover data improved.

Use a hyperspectral image.

THANKS!!!

La Parguera, Lajas

por : Jorge I. Wichy

GEOL 6225 ‐ Advanced Geological Remote Sensing

Objetivos Detectar por medios remotos la presencia de diversas descargas hacia

la Bahía de San Juan.

Id tifi l i d d di t did / Identificar la ocurrencia de descargas con sedimentos suspendidos y/o aguas residuales termales.

Definir la dinámica de estas descargas dentro y fuera de la bahía.

Imágenes utilizadas IKONOS

Imágenes ERDAS de 6,800 x 7,300 pixeles

4 bandas (3 Visible / 1 IR ) (BSQ) 4 bandas (3‐Visible / 1‐IRn) (BSQ)

1 metros de resolución

AVIRIS (19‐agosto‐2004)

Imágenes ENVI de 629 x 1,183 pixeles

224 bandas (37‐Visible / 64‐IRn / 123‐IRm ) (BIP)

17 metros de resolución7

Landsat 7 ETM+ (24‐julio‐2000, 11‐mayo‐2002 )

Imágenes GeoTIFF de 8,000 x 7,000 pixeles

8 bandas ( 3‐Visible / 1‐IRn / 2‐IRm / 1–IRf / 1‐Pan)

30/60 metros de resolución

Metodología

IKONOS Landsat 7 ETM+

AVIRIS

Mosaicking R t tMosaicking(Pixel Based)

Resize Data(Subset)

Rotate(270º CW)

Enhance(Interactive Stretching, ENVI Color Tables)

Grayscale / True Color / False Color

(Suspended Sediments)

Grayscale(Thermal Discharges)

(Suspended Sediments)

ROI’s(Known Principal Areas)

Supervised Classification(Minimum Distance, 7-classes)

Unsupervised Classification(K-Means, 5-classes, 2-iterations)

Enhance(Interactive Stretching, ENVI Color Tables)

Color Verdadero

AVIRIS (R=B33, G=B20 & B=B10)

IKONOS (R=B1, G=B2 & B=B3)

Color Falso

AVIRIS (R=27, G=33 & B=37)

IKONOS (R=B3 G=B2 & B=B1)IKONOS (R B3, G B2 & B B1)

Escala de Grises

AVIRIS (B20=verde-rojo)

IKONOS (B2=verde)IKONOS (B2 verde)

Escala de Grises(ENVI COLOR TABLE = RAINBOW)( )

AVIRIS (B20=verde-rojo)

IKONOS (B2=verde)2

Clasificación Supervisada(Minimum Distance, 6‐classes)( )

AVIRIS

IKONOSIKONOS

Imagen Termal(Landsat 7 ‐ Escala de Grises)

11-mayo-2002

24-julio-200024 julio 2000

Imágenes de B62 ajustadas a:-Interactive Stretching=149:197-Lineal-Sharpen [18]

Imagen Termal(Landsat 7 – ECT‐Red Temperature)

11-mayo-2002

24-julio-2000


Imagen Termal(Landsat 7 – ECT‐Rainbow)

11-mayo-2002

24-julio-2000


Imagen Termal(Landsat 7 – K‐Means: 5c, 2it)

11-mayo-2002

24-julio-2000

Resultados

Las descargas con sedimentos, provienen principalmente de:

Río Bayamón (antiguo cauce)

Río Puerto Nuevo y Caño de Martin Peña

Caño de San Fernando y Ciénaga de las Cucharillas

Las descargas residuales termales, claramente se identifican en:

Río Bayamón (antiguo cauce)

Universidad de Puerto RicoRecinto de Mayagüez

Departmento de Geología

La utilización de imágenes de Landsat TM para cuantificar áreas de deforestación en la región de Mato Grosso, Brazil.

YomayraA. RománColónGeol 6225

Prof. Fernando Gilbes

Introducción

Área de estudio

Objectivos

Metodología

Resultados

Referencias

Ocupa una superficie de 906.806,9km²

El estado de Mato Grosso posee la mayor superficie cultivada de soja de Brasil (representando un 24% del total).

La agricultura ha aumentado un 50% entre 1980a 1995 (Cardille, 2002).

Causas principales de la deforestación:

Cultivo de soja

í d d

Cuiabá ‐MatoGrosso, Brazil

cría de ganado

urbanización

construcción de carreteras

actividad de las empresas madereras

Basado en CONAB (Avaliação Safra Agrícola2003/04).

Deforestación en el estado de Mato Grosso, Brazil.

El Brazilian National Institute for S R h Space Research Monitoring the Gross Deforestation in the

Amazon Project

El estudio incluye segmentación de la imagen, clasificación no supervisada Deforestación

Bosques

Nubes

Hidrosfera (ríos y humedales)

Mapa con resolución espacial de 120m x 120m (anual)

213 imagenes de Landsat

Monitorear la deforestación en el Bosque Tropical del Amazonas utilizando imágenes de alta resolución.

Generar clasificaciones no supervisadas (IsoData).

Determinar el Índice de Vegetación de la Diferencia Normalizada (NDVI)Normalizada (NDVI).

Cuantificar el área afectada causadas por la deforestación en la provincia de Mato Grosso, Brazil a través de la década del (1999‐presente).

Adquisición de ImágenesUSGS Global Visualization Viewer (GloVis)USGS Global Visualization Viewer (GloVis)

http://glovis.gov/

Adquisición de imágenes LandsatTM 4-5

Imagen Landsat

ENVI Procesamiento de Imágenes

Clasificación de ImagenAlgoritmo de NDVI

Pre-Procesamiento

g

Distribución de clases

No-Supervisada

IsoData

Imagen NDVICálculo del área desforestada

Cálculo del áreade vegetación

Swath 185 x 185 kmLandsat TM 4-5Path 227 – Row 71

Landsat TM 4-5Path 227 – Row 71

Swath 185 x 185 km

Landsat TM 4-5Path 227 – Row 71

Swath 185 x 185 km

NDVI

El índice de vegetación (NDVI) es una medida cuantitativa, basadaen valores digitales para medir biomasaen valores digitales, para medir biomasa.

Combinación de valores espectrales que indican la reflectancia de la vegetación dentro de un pixel Banda roja #3 (0.63‐0.69 μm)

Banda IR‐ cercano #4 (0.76‐0.90 μm)

Valores altos indican alta concentración de vegetación

Global Vegetation Index (GIV)

NDVI = __(Cercano IR banda ‐ Roja banda)_(Cercano IR banda + Roja banda)

Área823,308 Acres333 182 h tá333,182 hectáreas3,331 km2

Clase Número de Puntos Porciento

1 133,984 3.593%

2 9,011,410 24.174%

3 1,363,496 36.567%

4 4,533,809 12.170%

5 185,672 4.979%

6 129 419 3 471%6 129,419 3.471%

7 560,994 15.045%

Imagen Landsat TM ‐Mato Grosso, Brazil 1988

Total de puntos: 3,728,784


1 610,117 16.362%

2 1,149,659 30.832%

3 280,199 7.514%

4 205,199 5.503%

5 230,455 6.180%

6 292 501 7 844%6 292,501 7.844%

7 960,654 25.763%




1 833,259 22.347%

2 937,449 25.141%

3 223,018 5.981%

4 200,823 5.386%

5 235,776 6.323%

6 329 604 8 839%6 329,604 8.839%

7 968,855 25.983%




1 1,294,527 34.717%

2 455,724 12.222%

3 185,449 4.973%

4 183,892 4.932%

5 214,331 5.748%

6 314 617 8 438%6 314,617 8.438%

7 1,080,244 28.970%




1 897,418 24.067%

2 848,938 22.767%

3 233,806 6.270%

4 212,511 5.699%

5 244,973 6.570%

6 324 681 8 707%6 324,681 8.707%

7 966,457 25.919%



* 4,189 hectáreas anuales

BroichMark., Stehman Stephen V., Hansen Matthew C., Potapov Peter d Shi b k Y i E A i f li d i f and ShimabukuroYosio E., 2009. A comparison of sampling designs for

estimating deforestation from Landsat imagery: A case study of Brazilian Legal Amazon: Remote Sensing of Environment 113, 2448‐2454p.

Duveveiller G., Defourny P., DscléeB., Mayaux P., 2007. Deforestation in Central Africa: Estimates at regional, nation and landscape levels by advanced processing of systematically‐distributed Landsat extracts: Remote Sensing of Environment 112, 1969‐1981p.g , 9 9 9 p

V ó Te e Variación Termal en la Superficie Oceánica del

Caribe

Samuel Pacheco Cherena

GEOL6225

Agenda• Objetivos

• Introducción

• Metodología

• Resultados

• Discusion

• Investigaciones Futuras

• Referencias

• Agradecimientos

Objetivos

D i i bilid d l l d l Determinar variabilidad termal para la zona delCaribe.

Demostrar la aplicación del programa ENVI, en elproceso de imágenes con índices termales.

Probar la efectividad del censor AVHRR en Probar la efectividad del censor AVHRR enaplicaciones termales para zonas tropicales.

IntroducciónENVI (Environmental Visualization Images)

A li ió i f áti i l d ll d ITT l• Aplicación informática comercial desarrollada por ITT para elprocesamiento de imágenes de satélite o fotografía aérea, asícomo análisis multiespectral y trabajos de teledetección.

AVHRR (Advance Very High Resolution Radiometer)

E á d b d h l l i di l di ió • Es un escáner de banda ancha, el cual permite medir la radiación terrestre en diferentes longitudes de onda del espectro electromagnético y cuya resolución espacial es de 1.09 km.

El NOAA‐18 es parte de una nueva serie de satélites, denominada "KLM", con importantes mejoras tecnológicas en su instrumentación, que les permiten trabajar zonas nubosas, donde los instrumentos, que habitualmente trabajan en las zonas espectrales, de la luz visible e infrarroja, tienen problemas de operación. Es el primer satélite “POES” en usar un “Microwave Humidity Sounder”

http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html

Propiedades de AVHRR

Canal Resolución espacial Largo de Onda (μm) Uso típico

1 1.09 km 0.58‐0.68 Mapeo de nubes & temperatura de superficie de tierra (día)

2 1.09 km 0.725‐1.00 Bordes entre agua‐tierra

3A 1.09 km 1.58‐1.64 Detectar nieve ‐ hielo

3B 1.09 km 3.55‐3.93 Mapeo de nubes & temperatura de superficie p pdel océano (noche)

4 1.09 km 10.30‐11.30 Mapeo de nubes & temperatura de superficie del océano (noche)

5 1.09 km 11.50‐12.50 Temperatura superficie del océano


Adquisición de imágenes Procesamiento Plan 2

Metodología

imágenes

(wipe.uprm.edu)

Procesamiento Plan 2

Aplicación del algoritmo (SST)

Error

Selección de imágenes (estación del año)

Solicitud de imágenes

(Univ. of South Florida) Procesamiento

Producto final

Aplicación del algoritmo (SST)

Georeferenciación

Subset

Sea Surface Temperature Algorithm

Coastline

Color

Discusión Se demostró y comprobó:

El manejo de imágenes con índices termales para en el El manejo de imágenes con índices termales para en elprograma ENVI.

Efectividad del censor AVHRR en zonas tropicales.

Por medio de esta investigación se pudo determinar lavariabilidad termal sobre la superficie del océano en lavariabilidad termal sobre la superficie del océano en lazona del Caribe relacionadas al cambio estacionario.

Discusion

Investigaciones Futuras

Relación entre temperaturas de la superficie oceánica y desarrollo de fenómenos atmosféricos en la región del Caribe.

Referencias Hale, R., et. Al., 2003, Use of AVHRR‐derived surface temperatures in evaluating a

land‐atmosphere model, International Journal of Remote Sensing, Vol. 24, Is. 22,p. 4527‐4541p 45 7 454

Hernandez, J., 2000, Atmosphere‐Ocean energy an N2O exchange and mixed layerdynamics in the Caribbean sea and neighboring atlantic ocean, Tesis Doctoral, GC190.2.H47

Melo, N., Cerdeira, P., Near‐surface phytoplankton distribution in the western Intra‐Americas Sea: The Influence of El Nin ˜o and weather events, International Journal ofRemote Sensing, Vol. 105, p. 14,029‐14,043

Romaguera, M., et. al., 2006, Estimation of sea surface temperature from SEVIRIdata: algorithm testing and comparison with AVHRR products, International Journalof Remote Sensing, Vol. 27, Is. 22, p. 5081‐5086.

Red cibernética: http://nsidc.org/data/avhrr/index.html


http://science.nasa.gov/Realtime/jtrack/3d/JTrack3D.html

http://imars.usf.edu/sst/index.html

http://wipe.uprm.edu

Agradecimiento

Un agradecimiento especial a Samuel (CID), Gilbes, F. (GERS Lab), Douglas M. & Frank E. (Univ. of South Florida),Soto, Y. (UPRM Graduate Student).

William J Hernandez

GEOL 6225

UPRM

Objectives Evaluate the differences in the vertical attenuation coefficient of waters around Puerto Rico and US Virgin Islands.

Compare seasonal changes in the vertical attenuation coefficient focusing on coastal waters and how this affects the marine life.

Evaluate differences in K490 products with other products Evaluate differences in K490 products with other products from the MODIS sensor@ Aqua including KPAR, Euphotic depth (Lee), and Euphotic depth (Morel).

Study Area

Vertical atenuation coefficient (Kd) The (Kd) provides information of The (Kd) provides information of

how visible light in the blue‐green region of the spectrum is attenuated by the water column.

Applications in ocean optics related to the presence of scattering particles in the water column, either organic or inorganic

Indicator of water clarity as it quantifies the presence of light and depth of the euphotic zone.

http://www.eeb.ucla.edu/test/faculty/nezlin/Lecture7/LightAttenuation.jpg

Vertical atenuation coefficient (Kd) It’s described exponential decrease with depth of the p pdownwelling irradiance Ed (z,λ),(Mobley, 1994).

For clear oligotrophic waters, the value of K490 is an i i f h fi i l d h i l h integration of the first optical depth, or approximately the upper 20 m of the water column.

MODIS sensor @ Aqua The Moderate‐resolution Imaging

Spectroradiometer (MODIS) on EOS Aqua

Products

Land, ocean, cryosphere and atmosphere

Specs

36 spectral bands

400 to 14,400 nm

12 bits

spatial resolutions: 250 m (bands 1–2), 500 m (bands 3–7), 1000 m (bands 8–36)

temporal resolution of 1‐2 days.

MODIS K490 The diffuse attenuation coefficient at 490 nm (K490) 49 ( 49 )indicates the turbidity of the water column and how visible light in the blue to green region of the spectrum penetrates within the water column.

K490 represents the rate which light at 490 nm is attenuated with depth.

K(490) = K + A [ L (λ )/ L (λ )]BK(490) = Kw + A [ Lw (λ1)/ Lw (λ2)] λ1= 490 : λ2=555 : A=0.1853 : B=‐1.349

Kw is the diffuse attenuation for pure water (=0.016/m)

Methods Data AcquisitionData Acquisition

The values of K490 were obtained from MODIS L2 images.

K490 is the diffuse attenuation coefficient of Band 3 of MODIS (490 nm)

MODIS Level‐2 daily images were downloaded

L l i f d 8 Level 2 images from 2004 and 2008

1 kilometer spatial resolution.

Sensor swath covers Puerto Rico and USVI

HDF format

Methods Image ProcessingImage Processing

ENVI 4.5

Import image Ocean Color Toolkit L2 routine

Georeference MODIS imagery

NAD 83 State Plane PR‐USVI3

Create monthly and seasonal averages from images

Minimize cloud cover

Layer stacking

Statistics >>Sum Data Bands routine

Methods Image ProcessingImage Processing

ENVI 4.5

Open images and evaluate data trends

Evaluate results statistics in Excel

Compare images from other MODIS attenuation products:KPAR, Euphotic depth p p p(Lee, et.al. 2005), and Euphotic depth (Morel, et.al. 2007).

Results A total of 184 MODIS K490

MODIS Aqua (1 km) K490 Images Processed

Month (2008) Images Total Season Season Total4 49(1 Km)images were processed for 2008.

Basic unit selected was monthly average.

Seasonal average were computed:

Month (2008) Images Total Season Season Total

Dec 17 Dry

Jan 16 Dry

Feb 13 Dry 89

Mar 15 Dry

Apr 15 Dry

May 13 Dry

Jun 14 Rainy

Jul 15 Rainycomputed:

Dry season (Dec‐Apr)

Rainy season (May‐Nov)

Jul 15 Rainy

Ago 18 Rainy 95

Sep 14 Rainy

Oct 18 Rainy

Nov 16 Rainy

TOTAL 184

Results

K 490 (1/m) from January 8, 2008

Results

Results

Dry Season 2008 (Dec-May)

Rainy Season 2008 (Jun-Nov)

Discussion The seasonal variability was present in the K490 The seasonal variability was present in the K490 values for the study area.

The K490 values were higher in the rainy season and lower in the dry season.

The values in the dry season for 2008 ranged from

0.206 (1/m) to 0.666 (1/m), with a mean of 0.482 (1/m)

The values in the rainy season for 2008 ranged from

0.516 (1/m) to 0.860 (1/m) with a mean of 0.698 (1/m)

DiscussionMonthly averages of Monthly averages of K490 values were higher for the month of December (0.206 1/m)

Monthly averages of K490 values were lower 49for the month of June (0.860 1/m).

Discussion Comparison with Lee, Morel

algorithms could not be assessed effectively due to the spatial resolution of these products (4 Km).

The use of other software and techniques were needed obtain MODIS 1 km images of th d t

Morel, et. al. 2007Kd(490) = 0.0166 + 0.0773 Chl[] 0.6715

these products.

Lee, et.al. 2005 algorithm was also evaluated, but the spatial resolution was a limiting factor. MODIS K490 Standard Algorithm

K(490) = Kw + A [ Lw (λ1)/ Lw (λ2)]B

λ1= 490 : λ2=555 : A=0.1853 : B=-1.349

Conclusion There is seasonal variability in the k490 values in the waters y 49around Puerto Rico and the USVI.

The seasonal and monthly averages estimates demonstrate the rainy/dry season influences on the K490 values, especially in coastal waters.

MODIS K490 @ 1 km provides the necessary resolution to evaluate the coastal land influence in the values of K490 at evaluate the coastal land influence in the values of K490 at this geographic extent.

Cloud cover can be minimized by using monthly averages.

As with Chlorophyll‐a concentration values , MODIS sensor derived K490 values were overestimated for coastal waters.

ConclusionMorel, et.al. 2007 algorithm is not suitable for Case Morel, et.al. 2007 algorithm is not suitable for Case 2 waters, so overestimation of values is possible even with better spatial resolution.

Future work Improve methods to minimize the bottom effects to Improve methods to minimize the bottom effects to the water leaving signal on the K490 values in coastal water pixels.

Obtain other satellite derived Kd products with similar spatial resolution (1 Km) by processing MODIS images using SEADAS software to compare with K490 values.

Develop batch image processing routines using IDL.

References Deepak R. Mishra, DR, Narumalani, S, Rundquist, D and Lawson, M. 2005. Characterizing the vertical diffuse

attenuation coefficient for downwelling irradiance in coastal waters: Implications for water penetration by high g p p y gresolution satellite data. ISPRS Journal of Photogrammetry & Remote Sensing 60 (2005) 48–64.

Gibbs, MT, Hobday, AJ, Sanderson , B, Hewitt, CL. 2006. Defining the seaward extent of New Zealand’s coastal zone. Estuarine, Coastal and Shelf Science 66 (2006) 240e254

Lee, ZP, Du, KP, Arnone, R. 2005. A model for the diffuse attenuation coefficient of downwelling irradiance. Journal of Geophysical Research Vol.. 110, C02016, doi:10.1029/2004JC002275, 2005

Lohrenz, SE, Cai, WJ, Chen, X, Tuel, M. 2008. Satellite Assessment of Bio‐Optical Properties of Northern Gulf of Mexico Coastal Waters Following Hurricanes Katrina and Rita. Sensors 2008, 8, 4135‐4150; DOI: 10.3390/s8074135

Mobley, C.D., 1994. Light and Water: Radiative Transfer in Natural Waters. Academic Press, San Diego.

Morel, A, Huot, Y, Gentili, A, Werdell, PJ, Hooker, SB, Franz, BA. 2007. Examining the consistency of products derived from various ocean color sensors in open ocean (Case 1) waters in the perspective of a multi‐sensor approach. Remote Sensing of Env.ironment 111 (2007) 69–88

Corredor, JE, Morell, JM, Lopez, JM, Capella, JE, Armstrong, RA. 2004. Cyclonic Eddy Entrains Orinoco River Plume in Eastern Caribbean. EOS, Transactions, American Geophysical Union .Eos,Vol. 85, No. 20, 18 May 2004

Belitza A. Brocco

Trabajo Final

Geol 6225

Bosquejo IntroducciónIntroducción

Objetivos

Metodología

Resultados y Discusión

Conclusión

Recomendaciones Recomendaciones

Preguntas

Introducción Río Orinoco

Se origina en Venezuela 3ro mas grande 3.6 x104 m3 s‐1

Mayor descarga: junio – octubre

Entra al Caribe El espectro de radian a del El espectro de radianza del agua es afectado por:

la materia orgánica coloreada disuelta

pigmentos fitoplanctónicos

Google Map

Objetivos Observar el desplazamiento de la pluma del Río OrinocoObservar el desplazamiento de la pluma del Río Orinoco hacia el Caribe utilizando imágenes del color del océano.

Comparar datos de clorofila a ( Chl a)

Utilizar las imágenes obtenida para determinar el lugar en la pluma en la que se realizaron estudios previos.

Utilizar el programa ENVI para el procesamiento de las imágenes obtenidas

Metodología Datos MODIS Aqua : Nivel 2q

Imágenes corregidas

calibradas

1Km de resolución

Imágenes de septiembre de 2006

Datos de Chl a

Datos del coeficiente de atenuación a 490nm (Kd490)

Metodología ENVI Usando las imágenes de MODISUsando las imágenes de MODIS

Georeferenciación usando la aplicación para MODIS

Crea una región de interés (ROI, latitud y longitud de estaciones muestreadas)

Crear una lista de vectores (Export ROI to EVF)

Overlay vector

Extracción del valor del pixel para comparar con datos in situ

Color a la imagen

Generar una imagen en formato jpeg

Resultados y DiscusiónImagen datos Chl a Imagen datos Kd 49020 de septiembre de 2006 20 de septiembre de 2006

Estación MODIS (mg m3) In situ (mg m3 )

1 0.12 0.02

2 0 12 0 03

Comparación Chl a

2 0.12 0.03

3 ‐1 0.12

4 0.24 0.14

5 0.51 0.14

6 1.50 0.17

7 1.45 0.10

8 1.65 0.45

.

..

... ..

8 1.65 0.45

9 1.04 0.64

10 3.94 0.82

11 ‐1 1.06

12 ‐1 2.76

13 ‐1 0.71

.

. ....

...

Estación MODIS (mg m3) In situ (mg m3)

1b ‐1 2.03

2b 2.28 0.33

3b 0.93 0.01

4b 1.61 0.12

5b ‐1 0

6b 0.25 0.06

.

..

... ..

7b 0.11 0.03.. .

......

21 de septiembre de 2006p

Estación 6

MODIS: ‐1 mg m3

In situ: 0.17 mg m3

Conclusión El estudio de la dispersión de la pluma de un río es posible p p pusando imágenes del color del océano generadas de imágenes de satélites.

El uso de imágenes de MODIS Aqua nos permite analizar el desplazamiento de la pluma del Orinoco y la localización exacta de las estaciones muestreadas.

La diferencia en valores de Chl a es asociada a la resolución delLa diferencia en valores de Chl a es asociada a la resolución del sensor.

Recomendaciones Utilizar sensores con mayor resolución espacialUtilizar sensores con mayor resolución espacial

MAPA DE RIESGO DE EROSIÓN DE SUELO PARA LA CUENCA DEL RIO YAGÜEZ EN PUERTO RICO

NELSON MARTIN ANAYA ARCHILA

UNIVERSIDAD DE PUERTO RICO – MAYAGÜEZDEPARTAMENTO DE GEOLOGIA

PERCEPCIÓN REMOTADICIEMBRE 09 DE 2009

TEMAS

Introducción Objetivos ObjetivosMetodología Resultados y discusión ConclusionesRecomendacionesReferencias

Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez

f Preguntas

INTRODUCCIÓN

LA ENERGÍA EXTERNA DEL PLANETA MODIFICA EL RELIEVE

La dinámica de la Hidrosfera y de la Atmósfera sobre la superficie terrestre Producen un lento cambio que conocemos con el nombre de

PROCESOS GEOLÓGICOS EXTERNOS

PROCESOS GEOLÓGICOS EXTERNOS

ErosiónMeteorización Transporte Sedimentación

Proceso de destrucciónd l

Desgaste superficial d bid l f d l

Desplazamiento de l tí l

Acumulación en los iti b j d l


de las rocas:

Puede ser:

FÍSICA, QUÍMICA y BIOLÓGICA

debido a la fuerza de la lluvia o del agua en movimiento, del viento, de la fuerza gravitacional o debido a actividades humanas.

las partículas resultantes de la meteorización. El AGUA y el VIENTO son los principales agentes

sitios bajos de los materiales arrastrados. La GRAVEDAD ejerce de selectora del “grano”

INTRODUCCIÓN

LA ENERGÍA EXTERNA DEL PLANETA MODIFICA EL RELIEVE


Transporte De Materiales En Los Rios

FlotaciónSentido de la

Rodadura

Suspensión

Flotación

Corrasión y

corriente


ArrastreSaltación

Arrastre

CUENCAS HIDROGRÁFICAS (Watershed)

Una cuenca hidrográfica es la superficie dedrenaje natural, donde convergen las aguasque fluyen a través de valles y quebradas,f d d t d d d jformando de esta manera una red de drenajeso afluentes que alimentan a un desagüeprincipal, que forma un río.

Watch Watershed Animation


Las cuencas están regidas porel ciclo hidrológico.

Cuantificación de sedimentos‐ecuación universal de perdida de suelos revisada ‐RUSLE

Es unmodelo empírico simple basado en el análisis de regresión de las razonesde perdida de suelo a partir de gráficas de erosión en Estados Unidos.

Sirve para estimar las tasas de erosión anual a largo plazo y ha sido aplicada

Ecuación Universal de Pérdida de Suelos Revisada (RUSLE)

A=R x K x L S x C x P(R) = Erosividad de la lluvia (K) = Susceptibilidad de erosión del suelo(L) = Largo de la pendiente(S) = Magnitud de la pendiente

Sirve para estimar las tasas de erosión anual a largo plazo y ha sido aplicadaen zonas de diferentes escalas.


(S) ag tud de a pe d e te(C) = Cubierta y manejo de cultivos (P) = residuos prácticas de conservación

(A) = Pérdida de suelos promedio por el período de tiempo representado por R, generalmenteun año.

OBJETIVOS

Construir un mapa de erosión de la cuenca delrio Yagüez para correlacionarlo con cambios en elrio Yagüez, para correlacionarlo con cambios en eluso del terreno

Comparar los datos de erosión generados condatos históricos.


Utilizar el modelo de RUSLE para cuantificar lossedimentos generados en la cuenca de estudio.

Zona de Estudio

El río Yagüez nace en las montañas Urayoán al suroeste del municipio de Las Marías.

Tiene una altura de 1,200 pies (366 metros) sobre el nivel del mar.

Este río tiene una longitud aproximada de 13 millas (20.8 kilómetros) desde su nacimiento hasta que desemboca en el Pasaje


de Mona al oeste de Puerto Rico

La cuenca tiene un áreaaproximada de 13millas cuadradas

Zona de Estudio

450

500

550

600

650

700

750

800

850

900

950

340360380400420440460480500

0

50

100

150

200

250

300

350

400

Unidades = m020406080100120140160180200220240260280300320340

340360380400420440460480500


020406080100120140160180200220240260280300320340

A=R x K x L S x C x P(R) = Erosividad de la lluvia FORMULA DE ARNOLDS EN f

(precipitación promedio mensual y anual)

METODOLOGÍA

(K) = Susceptibilidad de erosión del suelo se preparó a partir del mapa del uso de suelos obtenido de SSURGO

(LS) = Largo y Magnitud de la pendiente se realizó con la ayuda de GIS o DEM

(C) = Cubierta y manejo de cultivos Se realizaron clasificaciones supervisadas‐ 8 clases y 5 interacciones

(P) = residuos prácticas de conservación se encuentra implícito en el anterior ítem


A= x K x L S x C x P(R) = Erosividad de la lluvia FORMULA DE ARNOLDS EN f


Factor R

Se utilizaron 14 estaciones de lluvia , para crear el mapa de precipitación media anual y mensual, mediante el algoritmo geo‐ estadístico de Krigging.

Station lat long W R

Adjuntas 1 nw 18 10' 66 43' 832.687

Adjuntas substation 18 10' 66 48' 765.126

Borinquen airport 18 30' 67 07' 278.152

Lares 18 16' 66 50' 1005.82

Maricao fish 18 10' 66 58' 1234.13

Maricao 2 18 08' 66 58' 758.432

R= 0.032*(RI)^1.9

RI = Σ(MR)^2 / AR


Mayaguez airport 18 15' 67 09' 682.112

Mayaguez city 18 10' 67 07' 734.657

Mayaguez island 17 58' 67 03' 189.674

Puerto real 18 04' 67 10' 319.224

Sabana Grande 18 04' 66 55' 523.86

San sebastian 2 wnw 18 21' 67 01' 1027.09

Utuado 18 16' 66 40' 638.485

MR: Lluvia mensual (mm)AR: Lluvia anual (mm)

A= x K x L S x C x P(R) = Susceptibilidad de erosión del suelo FORMULA DE ARNOLDS EN f


Factor R

Unidades = MJ*ha‐1*mm*hr‐1

400

450

500

550

600

650

700

750

800

850

900

950

1000

1050

1100

1150

1200

8809009209409609801000102010401060


250

300

350

640660680700720740760780800820840860

A= R x x L S x C x P(K) = Erodibilidad de la lluvia se preparó a partir del mapa del uso de suelos

obtenido de SSURGOEs la medida de la suceptividad de las partículas de cierto suelo a desprenderse y

Factor K

Es la medida de la suceptividad de las partículas de cierto suelo a desprenderse y transportarse

0.140.150.160.170.180.190.20.210.220.230.240.25

Unidades = Ton*ha*hr*ha‐1*MJ*mm‐1


00.010.020.030.040.050.060.070.080.090.10.110.120.13

A= R x K x x C x P(LS) = Largo y magnitud de la pendiente se preparó a partir de los DEM con la

metodología de SSURGOLS (L/22)^0 5*(O O65+0 045*S+0 0065*S^2) L 30 y [S] %

Factor K

LS = (L/22)^0.5*(O.O65+0.045*S+0,0065*S^2), L=30 y [S] = %

Unidades (S) = %

556065707580859095100105


5101520253035404550

A= R x K x x C x P(LS) = Largo y magnitud de la pendiente se preparó a partir de los DEM con la

metodología de SSURGOLS (L/22)^0 5*(O O65+0 045*S+0 0065*S^2) L 30 y [S] %

Factor K

LS = (L/22)^0.5*(O.O65+0.045*S+0,0065*S^2), L=30 y [S] = %

40

45

50

55

60

65

70

75

80

85

90


5

10

15

20

25

30

35

40

Unidades = Ton*ha‐1*yr‐1

A= R x K x L S x x (C ) = Cubierta y manejo de cultivos Se realizaron clasificaciones supervisadas‐ 8 clases y

5 interacciones

Factor K

Se usaron imágenes satelitales, de sensores: MSS, TM y ETM y se asignaron los siguientes valores por clase

CATEGORIA CCuerpos de agua 0Bosque Denso 0.002Bosque Medio 0.006


(P) = residuos prácticas de conservación se encuentra implícito en el anterior ítem

Pasto 0.12Cultivos 0.1Ciudad 0

Descripción de los sensores

MSS TM ETM+

10 feb‐82 Fecha 20 sep‐96 13 Nov‐00

5

10 feb‐82

47 Row

Path

Fecha 20 sep‐96 13 Nov‐00

5 5

47 47


79*79m

7+PAN4 Bandas

Res. espacial

7

30*30m 30*30m

Clasificación MSS


Clasificación TM


Clasificación ETM+


(C) MSS

0 060.0650.070.0750.080.0850.090.0950.10.1050.110.115

00.0050.010.0150.020.0250.030.0350.040.0450.050.0550.06

0.08

0.09

0.1

0.11

0.12

0.13


0

0.01

0.02

0.03

0.04

0.05

0.06

0.07

(C) TM

0 070.0750.080.0850.090.0950.10.1050.110.115

00.0050.010.0150.020.0250.030.0350.040.0450.050.0550.060.0650.07

0.08

0.09

0.1

0.11

0.12

0.13


-0.01

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07

(C) ETM+

0 0650.070.0750.080.0850.090.0950.10.1050.110.115

00.0050.010.0150.020.0250.030.0350.040.0450.050.0550.060.065

0 08

0.09

0.1

0.11

0.12

0.13


-0.01

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

RESULTADOS ‐MSS

100010501100115012001250

2002503003504004505005506006507007508008509009501000


050100150200

RESULTADOS ‐MSS

FRECUENCY DISTRIBUTION

10,000

8,000

No de celdas

1,2001,1001,0009008007006005004003002001000

6,000

4,000

2,000

0

CUMULATIVE FRECUENCY DISTRIBUTION1

0.9

0.80.7

0.60.5

0 4


1,2001,1001,0009008007006005004003002001000

0.40.3

0.20.1

0

Ton/ha*year

RESULTADOS ‐ TM

1150120012501300

150200250300350400450500550600650700750800850900950100010501100


-50050100150

RESULTADOS ‐ TM

FRECUENCY DISTRIBUTION12,000

10,000

8 000

No de celdas

1,3001,2001,1001,0009008007006005004003002001000

8,000

6,000

4,000

2,000

0


0.9

0.80.7

0.60.5

0 4


1,3001,2001,1001,0009008007006005004003002001000

0.40.3

0.20.1

0

Ton/ha*year

RESULTADOS – ETM+

1150120012501300

2503003504004505005506006507007508008509009501000105011001150


050100150200250

RESULTADOS – ETM+

FRECUENCY DISTRIBUTION

18,000

16,000

14,000

12 000

No de celdas

1,3001,2001,1001,0009008007006005004003002001000

12,000

10,000

8,000

6,000

4,000

2,000

0


0.9

0.80.7

0 6


1,3001,2001,1001,0009008007006005004003002001000

0.60.5

0.40.3

0.20.1

0

Ton/ha*year

CONCLUSIONES

Con la imagen de ETM+ se observan los valores con mayor riesgode erosión, estos corresponden a 530 ton/ha*año y permiteevidenciar que cerca del 85% de la cuenca presenta perdida de sueloq p pcategoría muy baja moderada

Intensidad Rango MSS(%) TM(%) ETM+(%)Muy Baja 0-5 55 50 78

Baja 5-12 7 5 4

Moderada 12-25 8 15 3

Alt 25 60 10 12 6


Alta 25-60 10 12 6

Muy Alta 60-150 10 22 4

Extremadamente Alta

> 150 10 8 5

CONCLUSIONES

“The Average Annual Soil Erosion by Water on Cultivated Croplandas a Portion of the Tolerable Rate, 1997.” muestra valores promediopara Puerto Rico entre 2 y 4 ton/hec/año, observando que un 62% enpromedio de la cuenca se encuentra dentro de ese rango.


RECOMENDACIONES

Evitar recalibrar y utilizar imágenes de un mismo sensor durante ellapso de tiempo a analizar para obtener resultados con mayorconfiabilidad y menor porcentaje de error.


REFERENCIAS

WWW.landsat.org

www.ssurgo.usgs.govwww.gers.uprm.eduL d /L d f t bi l i t b i P t RiLand use/Land cover of two bioluminescent bays in Puerto Rico.Yadira Soto. Departamento de Geologia. Universidad de PuertoRico.2007.Using ASTER Imagery in Land Use/cover Classification of EasternMediterranean Landscapes According to CORINE Land Cover Project.Alaaddin Yuksel, A. E. Akay and R. Gundogan. Sensors. Agosto, 2009. Sampling Design for an integrated socioeconomic and ecologicalsurvey by using satellite remote sensing and ordination. Binford, M.


y y g g f ,W., T. J. Lee and R. M. Townsend. 2004. Erosion de suelo y mapa de riesgo para la cuenca del Rio Grandede Añasco, Puerto Rico. Departamento de Geologia. Universidad dePuerto Rico.2007.

Introducción

Objetivos

Materiales y Métodos

Resultados

Conclusiones

Referencias

Cambios de vegetación pueden ser atribuidos al patrón deflujo de las corrientes y varían según se presenté los tipos decorriente: perennes, transitorias y efímeras.

Fuente: http://www.mcontreras.df.gob.mx/geografia/geomorfo.html

Actualmente existen metodologías de campo para identificar lostipos de corrientes, (eje: NCDWQ 2005).

Zhangyan Jiang y otros (2006), citando a Aman y otros, (1992),

Fuente: http://www.mcontreras.df.gob.mx/geografia/geomorfo.html

Zhangyan Jiang y otros (2006), citando a Aman y otros, (1992),comenta que los cambios en la vegetación están relacionadosdirectamente con impactos en el agua superficial y flujos deenergía a través de la transpiración, así como, el albedosuperficial, emisividad y rugosidad.

Índices de vegetación mediante el uso de percepción Remotapuede ser utilizada para este Propósito. Un ejemplo similar a loque busca este trabajo fue desarrollado por Sheikh Naimullah(2007) , para detectar fugas en tuberías aplicando NDVI a imágenesSpot5

Fuente:Sheikh Naimullah (2007)

Aplicar Algoritmo de NDVI, para determinar el estado y respuesta dela vegetación en zonas aledañas a las Corrientes.

Identificar diferencias en la respuesta que puede tener la vegetacióna los posibles escenarios de corrientes perennes e intermitentes oefímeras.

Asociar los valores obtenidos por análisis de imágenes a través deAsociar los valores obtenidos por análisis de imágenes a través deRS a la existencia o no de flujo en canales naturales.

Estudios han demostrado que es posible monitorear la dinámica de la vegetación a través deluso de índices de vegetación (VI por sus siglas en ingles), derivado de imágenes satelitales dealta resolución. Un índice de vegetación muy utilizado es el comúnmente llamado índice dediferencia de vegetación normalizada NDVI (Cho-ying y Gregory (2009); Zhangyan Jiang yotros (2006)).otros (2006)).

El NDVI es un índice derivado de las medidas de los valores de la reflectancia en la Banda Roja eInfrarroja del espectro

En otras palabras una forma de caracterizar o evaluar el tipo, la condición, o la densidad de lavegetación. Un valor alto de este cociente significa mayor actividad fotosintética y un valor bajo, menosg g y y j ,actividad fotosintética presente (Rangeview.arizona.edu 2009).

Fuente: Govender Chetty y Bulcock 2007

Imagen NDVI de Arizona, sensor MODIS(fuente: http://rangeview.arizona.edu/Tutorials/intro.asp)

Fuente: Speranza F.C y Zerda 2006), tomado as u vez de Molina 1984)

Fuente: Govender, Chetty y Bulcock 2007

Zonas Ubicadas en la cuencas de los ríos Grande de Manatí (Zona Norte) y Rio Portugués (Zona Sur)

Portugués

Manatí

Fuente: Melesse y Otros 2007

4 Imágenes de Ikonos2 Zona Manatí2 Zona Portugués Proyección: SP Nad 83Resolución espacial: 1m

17 Cuadrángulos Topográficos8 Zona Manatí9 Zona Portugués Proyección :desconocidaResolución Espacial: 2.032 m

Imagen Ikonos Cuad. Topográficos

SOFTWARE

ENVI 4.5 ArcGIS 9.2

Unir bandas (Layer stacking)

MosaicoResolucion Spacial

Pre procesamiento Pre procesamientoGeoreferenciación MosaicoExtracción área

Algoritmo NDVI Delineación corrientes (shapefile)

Color mapping (verdes)

Density slice (clasification)

Export ArcGIS

Superposición Capas)

IMAGEN FINAL

Con la aplicación de NVDI se logran diferenciar diferentes estados de vegetación dentro de la zona de estudio, sin embargo se hace un poco difícil establecer algún patrón respecto a las corrientesun poco difícil establecer algún patrón respecto a las corrientes delineadas.

Al aplicar la clasificación por rangos empleando la herramienta Density slice se logra apreciar mejor una diferencia entre la vegetación

Evaluar otros índices de vegetación para saber si estos algoritmos d l d f bl l d f lpueden arrojar resultados mas favorables que logren diferenciar la

vegetación presente en los cauces.

Delimitar mejor las aéreas de estudio (por cauces) y usar imágenes de una misma temporada estacional.

ENVI Tutorial: Vegetation Analysis

Correlating Canopy Cover with NDVI. http://rangeview.arizona.edu/Reports/Canopy_Cover/index.asp

Huang, C. y., & Asner, G. (2009). Applications of Remote Sensing to Alien Invasive Plant Studies. Journal Sensors , g, y , , ( ) pp g J ,4869-4889.

Mohdi, H., Mohd, M., & Ghiyamat, A. (2006). Hyperspectral Remote Sensing of Vegetation Using Red Edge Position Techniques. American Journal of Applied Sciences , 1864-1871.

Peter, D. (2000). Global Irrigated Area Mapping. Colombo, Sri Lanka: International Water Management Institute.

Williams, J. A. (1992). Research Study Remote Sensing and Vegetation. Alberta.

Z, J., A, H., J, C., Y, C., G, Y., & Zhang, X. (2006). Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Remote Sensing of Environment 101 , 366–378.

Jensen, John R. 2000, Remote Sensing of the Environment: An Earth Resource Perspective. Prentice-Hall, New Jersey

outline · 2009. 12. 12. · sensor ikonos imagery from february 19 2006imagery from february 19,...

Documents