DATOS DESDE EL ESPACIO, INFORMACIÓN DESDE LA NUBE Teledetección satelital y procesamiento remoto para la generación de información geoespacial
DATOS DESDE EL ESPACIO, INFORMACIÓN DESDE LA NUBE Teledetección satelital y procesamiento remoto para la generación de información geoespacial
Por Carolina S. Ramos, José L. Seco, Ana P. Micou.
Introducción
La producción y el uso de la información espacialmente referenciada se han diversificado considerablemente en las últimas décadas, impulsados por avances tecnológicos y la creciente disponibilidad de datos abiertos (Coetzee et al., 2020). El dato geográfico ya no se limita a la producción de cartografía, y sus fuentes se han ampliado más allá del levantamiento in situ. Destaca la teledetección satelital, en particular los programas Landsat (USGS) y Sentinel (ESA) que ofrecen gratuitamente millones de imágenes. En este contexto de gran disponibilidad de datos, se vuelve esencial la capacidad de transformar los datos en información. Desde el área de Investigación y Desarrollo (I+D) del Instituto Geográfico Nacional (IGN) trabajamos en metodologías para generar información geoespacial a partir de estos insumos.
La teledetección permite cubrir áreas extensas y de difícil acceso de forma continua (Pettorelli et al., 2018), lo que facilita el estudio de fenómenos territoriales variables. Los análisis multitemporales mejoran la precisión y permiten un monitoreo sostenido, aunque requieren procesar grandes volúmenes de datos. Google Earth Engine (GEE) resuelve esta limitación, al brindar acceso a imágenes ópticas, de radar e información de reanálisis, junto con herramientas para procesarlas y visualizar resultados mediante aplicaciones web (Gorelick et al., 2017). De esta manera combinar la teledetección con el procesamiento remoto aparecen como una de las herramientas clave para cumplir los objetivos del área de I+D. En este artículo presentamos dos proyectos desarrollados con esta plataforma: uno sobre detección de agua superficial y otro sobre clasificación de humedales.
Dada la importancia estratégica de los recursos hídricos, resulta clave conocer la ubicación y disponibilidad del agua superficial. A su vez dada la necesidad de mantener actualizada esta información el área de I+D del IGN trabajó en su detección mediante imágenes satelitales y procesamiento en la nube (Seco et al., 2023). En una segunda etapa nos propusimos desarrollar aplicaciones web que ayuden a visualizar la dinámica del agua superficial de la Argentina.
Por otro lado, la necesidad de contar con información geográfica actualizada sobre humedales se ha ido consolidando en el país, impulsando iniciativas como el inventario nacional, la regionalización de humedales y experiencias piloto de cartografía (Benzaquén et al., 2017; Fabricante et al., 2022).
Estos ecosistemas, donde interactúan lo terrestre y lo acuático, presentan desafíos para su reconocimiento y delimitación (Fabricante et al., 2022). Los humedales son ecosistemas esenciales para la vida, ya que brindan servicios como la purificación del agua, la regulación de sequías e inundaciones y el almacenamiento de carbono. También poseen valor cultural y albergan una gran biodiversidad. A pesar de su importancia, han sido históricamente desvalorizados y transformados por la agricultura y la urbanización, lo que ha generado una fuerte degradación, agravada por el cambio climático. Se destaca así la necesidad de generar información geoespacial estandarizada para su identificación y monitoreo, según los criterios del catálogo de datos institucional, permitiendo así mantener actualizada la base de datos geográfica del Instituto.
Metodología
Identificación de humedales
Se desarrollaron dos aplicaciones para detectar agua superficial. Una permite establecer un periodo temporal y seleccionar un área de interés sobre la cual se estiman las zonas cubiertas por agua. La otra permite realizar una comparación visual entre fechas seleccionadas y el estado actual del curso de agua. Para la estimación de coberturas se utilizaron imágenes multiespectrales de Sentinel 2A, corregidas radiométricamente a reflectancia de superficie (“COPERNICUS/S2_SR”). Sobre estas imágenes se calculó el índice Automated Water Extraction Index (AWEI), diseñado para mejorar la clasificación en áreas con sombras y superficies oscuras (Feyisa et al., 2014).
La clasificación en agua/no agua se realizó mediante la técnica de umbralización. Esta consiste en aplicar uno o más valores umbral sobre datos espectrales. En este caso de estudio, para la determinación del valor del umbral se tomaron 480 muestras espectrales de píxeles que representan el agua superficial. La extensión de la muestra fue para todo el territorio argentino y se determinó el umbral a partir de la media. Se consideró como agua a todos los pixeles con valores espectrales superiores a ésta media muestral.
Identificación de humedales
Para el caso de la detección de humedales se comenzó, como prueba piloto, a trabajar en la región de humedales altoandinos y de la puna. Se utilizó una aproximación basada en clasificación supervisada por píxeles, con un clasificador de árboles aleatorios (Random Forest). En esta primera etapa, se definieron para el área de estudio 6 coberturas/usos de interés: humedal tipo vega, agua, cultivos, vegetación espontánea, suelo desnudo, hielo-nieve permanente. Se tomaron 30 puntos de verdad de campo para cada cobertura a partir de interpretación visual sobre imágenes satelitales de alta resolución espacial; un 80% se usó para entrenar el modelo y un 20% para validarlo. Se utilizó también, imágenes multiespectrales Sentinel 2A, corregidas radiometricamente a reflectancia de superficie (“COPERNICUS/S2_SR”). A partir de estas se seleccionaron imágenes sin nubes para el periodo 2022-2023 (bandas 2, 3, 4, 8, 11 y 12) y se obtuvo la mediana y el desvío.
Se realizaron sub-selecciones para el invierno de 2022 y el verano de 2022-2023 y partir de estos se calculó la mediana del invierno y del verano, y la amplitud anual como la resta de las medianas del verano y el invierno. A su vez se calculó el Índice de Vegetación de Diferencia Normalizada (NDVI, del inglés normalized difference vegetation index) para la mediana anual y las dos medianas estacionales. También se aplicó la técnica de desmezclado espectral a partir de datos tabulados sobre la mediana anual para extraer las fracciones de vegetación sana, vegetación no fotosintética y suelo, obteniéndose así 3 variables más. Además, se obtuvieron datos históricos de precipitación y temperatura (Fick & Hijmans, 2017) y se derivaron variables topográficas, pendiente y elevación, a partir de un modelo digital de elevaciones (Jarvis et al., 2008). Se conformó entonces un apilado o stack conteniendo todas las variables en formato raster y se remuestrearon todas las capas a una resolución de 20x20 m.
Resultados y discusión
Detección de agua superficial
Para la clasificación de agua superficial por la metodología de umbralización se estimó un valor umbral de -0.4 (-0.4+0.5). El análisis visual mostró una buena precisión. Se destaca en particular que son detectados los cuerpos níveos presentes en la cordillera, esto es debido a que el índice realza la respuesta de las bandas SWIR1, SWIR2 y GREEN, las cuales se utilizan típicamente también para detectar nieve, ya que ésta última es altamente reflectiva en dichas bandas.
La aplicación de visualización de pantalla doble permite comparar una máscara de agua calculada para una fecha determinada por el usuario y la imagen sin enmascarar. Esto permite comparar visualmente dos capas o imágenes, en este caso una máscara y una imagen, de manera simultánea. Ayuda a visualizar cambios en la región en fechas diferentes, una de ellas configurada por el usuario y la otra actual (FIGURA 1)¹ . La aplicación que realiza una máscara de agua en función de la fecha y el área seleccionadas permite realizar un seguimiento de la variabilidad estacional y la identificación de cambios en la disponibilidad de agua. Además, permite identificar zonas inundadas y realizar un monitoreo de las mismas a través del tiempo (FIGURA 2)² .
FIGURA 1. Aplicación web en donde se establece el rango de fechas y el área de interés
Como resultado se obtiene una máscara de agua superficial para el periodo seleccionado
FIGURA 2. Visualizador de pantalla doble
A la izquierda se puede observar un mosaico de imágenes de Sentinel 2 del año seleccionado; a la derecha se observa la máscara de agua generada a partir de las imágenes multiespectrales seleccionadas de la izquierda.
Identificación de humedales
Se obtuvo una capa de coberturas/usos que resultó tener una precisión de 0.69 y un índice kappa de 0.61, el análisis visual mostró una detección de los humedales de tipo vega (FIGURA 3) relativamente buena. Sin embargo, se destaca un error de comisión bastante alto para esta clase, dado que se incluyen grandes áreas de cultivos como humedal. A su vez en el análisis visual se destaca la confusión del clasificador de las áreas de sombra a las que clasifica como clase de cobertura de agua.
FIGURA 3. Imagen ilustrativa sobre la detección de vegas
En verde: zona del Salar de Antofalla en Catamarca, Argentina.
Conclusiones
En el caso de la aplicación para la detección de agua superficial, las ventajas de la utilización de GEE son clave ya que permite generar las aplicaciones presentadas. Así los datos generados sirven como insumo para actualizar la red hídrica, pero no son suficientes y se requerirían de operadores entrenados para digitalizar los cauces o cuerpos de agua con errores e imprecisiones aceptables. De todas formas, una ventaja importante es que permiten la consulta casi instantánea sobre zonas inundadas o procesos de sequía, sobre todo en áreas rurales dada la resolución espacial de las imágenes. En el caso de la detección de humedales se lograron resultados prometedores para esta primera etapa. Sin embargo, dadas las diferencias encontradas entre la precisión numérica y visual se entiende que para mejorar los resultados de la clasificación se deberá aumentar la cantidad de muestras de verdad de campo tomadas para cada una de las clases, además de una revisión sobre la clases de cobertura/uso.
La utilización de tecnologías basadas en teledetección y procesamiento en la nube resultó en una ampliación de la capacidad de cómputo y la posibilidad de proveer una aplicación fácil de implementar y utilizar, que permite consultar información a demanda en el caso la detección de agua superficial. En esta era de gran disponibilidad de datos y de necesidad de contar con información actualizada en tiempo y forma se vuelve crucial disponer de herramientas que permitan su aprovechamiento.
Notas
² : https://ee-investigacionign.projects.earthengine.app/view/deteccion-agua... .
Bibliografía
- Benzaquén, L., Blanco, D., Bó, R. F., Kandus, P., Lingua, G. F., Minotti, P., & Quintana, R. D. (Eds.). (2017). Regiones de humedales de la Argentina (1a ed adaptada). Fundación para la Conservación y el Uso Sustentable de los Humedales.
- Coetzee, S., Ivánová, I., Mitasova, H., & Brovelli, M. (2020). Open Geospatial Software and Data: A Review of the Current State and A Perspective into the Future. ISPRS International Journal of Geo-Information, 9(2), 90. https://doi.org/10.3390/ijgi9020090.
- Fabricante, I., Minotti, P., & Kandus, P. (2022). Mapping the spatial distribution of wetlands in Argentina (South America) from a fusion of national databases. Marine and Freshwater Research, 74(3), 286-300. https://doi.org/10.1071/MF22111
- Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23-35. https://doi.org/10.1016/j.rse.2013.08.029
- Fick, S. E., & Hijmans, R. J. (2017). WorldClim 2: New 1-km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302-4315. https://doi.org/10.1002/joc.5086
- Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031
- Jarvis, A., Reuter, H. I., Nelson, A., & Guevara, E. (2008). Hole-filled SRTM for the globe Version 4 [Database]. https://srtm.csi.cgiar.org.
- Pettorelli, N., Schulte To Bühne, H., Tulloch, A., Dubois, G., Macinnis‐Ng, C., Queirós, A. M., Keith, D. A., Wegmann, M., Schrodt, F., Stellmes, M., Sonnenschein, R., Geller, G. N., Roy, S., Somers, B., Murray, N., Bland, L., Geijzendorffer, I., Kerr, J. T., Broszeit, S., Nicholson, E. (2018). Satellite remote sensing of ecosystem functions: Opportunities, challenges and way forward. Remote Sensing in Ecology and Conservation, 4(2), 71-93. https://doi.org/10.1002/rse2.59.
- Seco, J. L., Ibarra, F., Micou, A. P., & Chiarito, E. (2023, agosto). Determinación de redes de drenaje mediante sensores remotos. XXVII Congreso nacional de agua. CONAGUA, Buenos Aires, Argentina.
Autores
Carolina S. Ramos.Doctora en Ciencias Biológicas. Investigadora, Área de Investigación y Desarrollo, Dirección de Planificación Investigación y Desarrollo, Instituto Geográfico Nacional. Docente, Departamento de Ecología, Genética y Evolución, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires. cramos@ege.fcen.uba.ar
José L. Seco. Magíster en Aplicaciones de Información Espacial. Área de Investigación y Desarrollo, Dirección de Planificación Investigación y Desarrollo, Instituto Geográfico Nacional. jseco@ign.gob.ar
Ana Paula Micou. Doctora en Geografía. Responsable del Área de Investigación y Desarrollo. Dirección de Planificación Investigación y Desarrollo, Instituto Geográfico Nacional. pmicou@ign.gob.ar