andy j deforestation in colombia terra-i model medellin acodal sept 2010

Terra-iAn eye on Habitat Change

Monitoreo en Tiempo Real de Cambios en el Habitat

usando Redes Neuronales y Datos Satelitales

1. Una nueva mirada a la

deforestacion: REDD, cambio

climatico

2. Revolucion en monitoreo:

Modelo Terra-i

3. Implementación del modelo en

Colombia y en América latina.

4. Calibración y Validación de

resultados y pasos a seguir.

Contenido

1. El reporte Stern

2. REDD y REDD+:

Mecanismo para reducir

deforestación

3. Requerimientos de línea

base y monitoreo de

bosques

Deforestación de

moda

Objetivos de

• Proveer monitoreo de conversión de hábitats naturales en casi tiempo real (<2 meses de demora)

• Cobertura continental-global, cubriendo todotipo de hábitat

• Regularidad en actualizaciones – cada 16 días

• Nueva acercamiento: usando imágenes de alta frecuencia temporal y moderado resolución espacial para llegar a tener tendencias

La intensidad del verde de la vegetación sigue un ciclo natural que depende de

factores climáticos (precipitación, temperatura), variables de sitio (tipo de

vegetación, características del suelo) y de las alteraciones.

Terra-i es un modelo capaz de predecir la evolución de la intensidad

verde de la vegetación, con base a medidas de verde anteriores y a

medidas climáticas actuales para detectar cambios significativos en el

habitad.

Enfoque Conceptual

• NDVI

– Normalized Difference Vegetation Index

– Resolución de 250m

– Frecuencia de las medidas de 16 días

• TRMM

– Tropical Rainfall Measuring Mission

– Resolución de 28km

– Frecuencia de las medidas de 3 horas

Enfoque Conceptual

Metodología de Detección de Cambios

• Procedimiento básico de detección:

NDVI Pasado

TRMM

…

NDVI

Actual

Diferencia

con la

predicción

Esta en el

intervalo de

confianza ?

Cambio

Normal

No

Si

Detección de Cambios

Entradas:

NDVI (MODIS 13Q1)

Precipitación (TRMM)

Temperatura (WorldClim)

Metodología - Los Modelos

NDVIt

Precipitation (t)

Temperature(t)

…

…

w0

w1

w2

NDVI(t-1)

NDVI(t-2)

NDVI(t-n)

wp1

wp2

wp3

wo1

wo2

wo3

Salida:

Predicción de la medida NDVI al tiempo T.

Para la detección de cambios, las Redes Neuronales Bayesianas generan

tres indicadores: el valor predicho , la desviación estándar de las

predicciones del modelo sobre la función real, el nivel de ruido (Gausiano)

de la medida del satélite.

4500

5000

5500

6000

6500

7000

7500

8000

8500

9000

1 2 3 4 5 6 7 8 9Time

ND

VI

Measurments

Predictions

Interval max

Interval min

4500

5000

5500

6000

6500

7000

7500

8000

8500

9000

1 2 3 4 5 6 7 8 9Time

ND

VI

Measurments

Predictions

Interval max

Interval min

Cambio

Detección de Cambios

• Predicciones

– Bayesian Neural Network (BNN)

• Entrenamiento y aproximación del ruido

– Scaled Conjugate Gradient (SCG)

– Bayesian evidence function

– Gaussian noise

• Selección de las entradas del modelo

– Automatic relevance determination (ARD)

• Clustering

– Algoritmo de K-Means modificado, para ser distribuido en varios

procesadores.

– De cada uno de los clústers se selecciona aleatoriamente 1000 pixeles con

los cuales se entrenan 10 modelos….Reduciendo así el tiempo de

proceso.

Metodología - Los Modelos

• Elimina todas las variaciones a corto plazo (< 3 meses)

• Ajuste iterativo de curvas limpias usando:

Los datos de calidad de MODIS

Análisis de Fourier

Ajuste de mínimos cuadrados con valores de alta calidad

Limpieza de los Datos

Metodología – El Software

Metodología – El Software

Tenemos una metodología eficiente usando tecnologías bio-

inspiradas y estadísticas Bayesianas.

La metodología es flexible y toda la aplicación de modelos es

automática.

Es posible manejar una gran cantidad de datos, y la

implementación en otras partes del mundo puede hacerse

rápidamente.

Reporte continental cada 16 días, 6 semanas después de la fecha

de la toma del imagen -> casi tiempo real, resolución 250m

Metodología – Conclusión

Terra-iAn eye on Habitat Change

Colombia

Monitoreo en Tiempo Real de Cambios en el Hábitat

usando Redes Neuronales y Datos Satelitales

Calibración del Modelo en Colombia

Datos de Calibración

Se seleccionaron 24 ímágenes para el

proceso de calibración de

Colombia, teniendo en cuenta que estas

cumplieran con las siguientes

características:

Para garantizar una buena detección se

seleccionaron imágenes con un máximo

de 10% de cobertura de nubes.

Los tiles seleccionados para el año

2004 y 2009 deben ser de la misma

epoca del año, y en el caso de que sea

posible la misma fecha del año.

1. Calibración radiométrica y corrección atmosférica

de las imágenes satelitáles usando información

MODIS de areosoles y vapor de agua y usando el

modelo Second Simulation of the Satellite Signal

in the Solar Spectrum model (6S).

2. Análisis cuantitativo a nivel de sub-pixel pixel donde

clasifica cada pixel en tres clases: porcentaje de

vegetación viva, vegetación muerta y superficie

descubierta usando el modelo Monte Carlo

Automated y una biblioteca de datos espectrales.

3. Enmascaramiento de nubes y cuerpos de agua

4. Mapas de cambio en el bosque, donde se obtienen

dos mapas uno de deforestación y otro de

perturbación forestal.

Detección de la Deforestación usando CLASlite.

Amazonas Colombiano

Para que sirve claslite

Detección de la Deforestación usando CLASlite.

• Mediante este algoritmo es

posible identificar diferentes tipos

de coberturas, tales como:

nubes, cuerpos de

agua, vegetación

primaria, vegetación

secundaria, areas sin cobertura

vegetal, sombra de

nubes, sombra de montañas y

areas urbanas.

Detección de Deforestation usando ERDAS

Image.

Luego se utiliza el software ArcGIS para mezclar la

clasificación inicial en tres grandes clases: Vegetación

primaria, areas sin cobertura vegetal y NoData.

Y se calcula la diferencia entre la pareja de imágenes

clasificadas, obteniendo asi una imágen final con tres

valores:

Incremento(+1),

Decremento(-1) y

Sin cambio (0).

Finalmente, los resultados obtenidos son revisados de manera

detallada, superponiendolos a las imágenes satelitales crudas de los años 2004 y

2009, con el fin de encontrar errores en la deteccion, ocasionados principalmente por

agricultura intensiva y mal enmascaramiento de nubes.

Detección de Deforestation usando ERDAS

Image.

Al realizar la detección de

cambios usando los

programas computacionales

CLASlite en el Amazonas y

ERDAS en el resto del

territorio nacional, se obtiene

un mapa final con el cual se

hara la primera calibración de

los datos en Colombia.

Puerto Concordia -Meta

Resultados Terra-i

Tasa de Deforestacion

151,754 Ha/año

Caqueta, Jan 2004 – May 2009Date

Tasa de Deforestación

21,300 Ha/año

La región oriental presenta una creciente pérdida

de los bosques, debido principalmente a

ampliación de la frontera agrícola, colonización en

las riberas de los ríos, ganadería y explotación

maderera.

Resultados Terra-i

Deforestation Rate

12,600 Ha/año

Las prácticas de tala selectiva en el departamento de

Santander, ocurren principalmente en la zona del

Magdalena Medio santandereano y el bajo Rionegro.

Esta deforestación pone en peligro las fuentes

hídricas de muchos municipios de este

departamento.

Resultados Terra-i

Parque Nacional Tinigua

1,300 Ha deforestado entre 2004 y 20090.5% del área total deforestado en 5 años

0

200

400

600

800

1000

1200

1400

1/1

/2004

7/1

/2004

1/1

/2005

7/1

/2005

1/1

/20

06

7/1

/2006

1/1

/2007

7/1

/20

07

1/1

/2008

7/1

/2008

1/1

/2009

Hecta

res

Time

Cumulative detections in hectares

Series1

Se observa el acercamiento de los eventos de deforestación al parque natural, detectando en el 2009 6,825 hectáreas con cambios en la cobertura vegetal entre los 50 y 75km de distancia.

Entre los 125 y 150km de radio influencia al parque Serranía del Chiribiquete se detecto en promedio 15,448 hectáreas anualmente con una tendencia creciente.

• Bosques tropicalesson los ecosistemasmas afectadas

• Areas protegidas no estan a salvo

0

40000

80000

120000

160000

200000

2004 2005 2006 2007 2008 2009

He

ctár

eas

(H

a)

Tiempo

Deteccion por tipos de hábitat

Desiertos y Formaciónes Xéricas

Manglares

Pastizales Montanos

Bosque Seco Tropical y subtropical

Sabanas y Pastizales, Tropicales y Subtropicales

Bosque Humedo Tropical y Subtropical

0

1000

2000

3000

4000

5000

6000

2004 2005 2006 2007 2008 2009

He

ctár

eas

De

tect

adas

(H

a)

Año

Detección por Areas Protegidas en ColombiaMayores Tasas de cambios detectadas a nivel nacional

CAHUINARI LA PAYA PUINAWAI SIERRA DE LA MACARENA TINIGUA

Validacion

0

0.2

0.4

0.6

0.8

1

9_59 6_58 6_59 7_58 7_59 8_59 8_60

Zonas de validación

Resultado de validación en Amazonia Colombiana

% de pixeles de validación detectados por terra-i % de pixeles de terra-i no detectado en los datos de validación

Chile

0

100000

200000

300000

400000

500000

600000

2004 2005 2006 2007 2008 2009

Hec

tare

as

Tiempo

Detección de cambios en el hábitat

en Chile

Anual Accumulated

Tasa de cambio

promedio anual

91.349 Ha/año

0

200000

400000

600000

800000

1000000

2004 2005 2006 2007 2008 2009

Hec

tare

s (H

a)

Year

Detección de cambios en el

hábitat en Paraguay

Per Year Acummulated

ParaguayTasa de cambio

promedio anual

149.000 Ha/año

Terra-i Results

Deforestation Rate

3,062,064 Ha/año

http://www.terra-i.org/

Lo que PARASID es….

• Primera nivel herramienta de monitoreo paraanalisis de patrones de conversion a escalagruesa

• Plataforma para medida a niveles nacional y regional, consistente, y capaz de entregar unalinea base

• Sistema de alerta temprano por ser de casitiempo real

• Importante para influri politicas publicas y privadas

Lo que no es…..

• Herramienta de monitoreo detallado, nivellocal, para implementacion de REDD se requiere monitoreo de segunda y tercera nivel

• Un sistema para monitorear degradacion

• Terra-i es una metodología robusto para monitoreo a escalas

gruesas la deforestación

• Para Colombia, la tasa de deforestación va en aumento:

• Promedio 150,000Ha/año 2004-2009

• Duplico la tasa anual durante ese época (actualmente

200,000Ha/año)

• Gran frente de deforestación en el Caquetá y Meta

• Resultados de detecciones en Latino-América disponibles de

manera gratuita en nuestro sitio web www.terra-i.org

Conclusiones

Gracias!