Graduado en Ingeniería Informáticaoa.upm.es/54220/1/TFG_ABEL_ANTON_RODRIGUEZ.pdfii. ABSTRACT The...

1

Graduado en Ingeniería Informática Universidad Politécnica de Madrid

Escuela Técnica Superior de Ingenieros Informáticos

TRABAJO FIN DE GRADO

ANALISIS EVALUATIVO DE INDICES

ESPECTRALES EN IMÁGENES DE SATELITE

Autor: Abel Antón Rodríguez v130123 Director: Estibaliz Martínez

MADRID, ENERO 2019

2

INTRODUCCIÓN .............................................................................................................. 4

TELEDETECCION ............................................................................................................... 4

SENSORES ............................................................................................................................. 4

RESOLUCIÓN DE UN SENSOR ....................................................................................... 6

OBJETIVOS............................................................................................................................ 7

ESTADO DEL ARTE ....................................................................................................... 8 INDICES ESPECTRALES ................................................................................................... 8

ASPECTOS METODOLOGICOS .......................................................................... 14 RESULTADOS .................................................................................................................. 16 CONCLUSIONES ............................................................................................................ 56 BIBLIOGRAFIA ............................................................................................................... 57

3

i. RESUMEN

El objetivo general de este proyecto es establecer y desarrollar una metodología de evaluación de índices espectrales específicos para discriminar cubiertas inundadas. comparación de estas. Para ello se quiere establecer un proceso metodológico basado en técnicas de procesado de las imágenes que de manera tradicional estén contempladas en software comercial y de libre distribución. Las imágenes de estudio deberán tener un antes y un después para la posterior comparación entre ellas. Mediante el uso del espectro espectral obtendremos una información completa sobre los pixeles de las imágenes. Esto nos permitirá diferenciar zonas anegadas por el agua de zonas secas. Con ello se establece una serie de pasos que se deben de llevar a cabo para el estudio de estas imágenes y el empleo de diversas técnicas para la detección de inundaciones. Estas técnicas serán puestas en práctica y se definirá dependiendo del caso de estudio aquellas que sean óptimas. Palabras clave: sensores, NDVI, NDWI, SWIR, procesamiento de imágenes.

ii. ABSTRACT

The general objective of this project is to establish and develop a methodology for the evaluation of specific spectral indices to discriminate flooded roofs. comparison of these. For this purpose, we want to establish a methodological process based on image processing techniques that are traditionally contemplated in commercial software and free distribution. The study images should have a before and after for subsequent comparison between them. Through the use of the spectral spectrum we will obtain complete information about the pixels of the images. This will allow us to differentiate areas flooded by water from dry areas. This establishes a series of steps to be carried out for the study of these images and the use of various techniques for flood detection. These techniques will be put into practice and those that are more optimal will be defined depending on the case study. Key words: sensors, NDVI, NDWI, SWIR, image processing

4

1. INTRODUCCIÓN Se define Teledetección como la observación a distancia mediante diversas técnicas, de un objeto o terreno. La observación de la corteza terrestre es uno de los objetivos prioritarios de esta tecnología. El análisis de la información obtenida a partir de los registros terrestres de sensores de teledetección derivará en mapas de usos de suelo mediante procesos de clasificación o mapas de cambios ante los distintos cambios que se pueden dar en una zona determinada a lo largo del tiempo (Ilustración 1).

Ilustración 1. Proceso de Teledetección.

Tomado de http://laotraopinion.net/tecnologia/teledeteccion/

TELEDETECCION Los sistemas de teledetección funcionan de la siguiente manera:

1. Necesitan de una fuente de energía natural en caso de ser pasivos o artificial si son activos.

2. El objeto emite una radiación que atraviesa las distintas capas de la atmosfera.

3. Esta radiación es captada por los sensores. 4. Los sensores tras recibirla la transmiten a los ordenadores donde se

procesará la información. 5. Ordenadores y software especializado interpretan y abalizan los datos

obtenidos. 6. Utilización de la información obtenida.

SENSORES Hay dos tipos de teledetección: pasiva y activa, dependiendo de la fuente de iluminación, si se trata del sol o no.

La teledetección pasiva es aquella que recoge la radiación reflejada o emitida de fuentes naturales (Ilustración 2). Está puede tener distintos tipos de sensores:

5

Sensores de Barrido: El mecanismo se compone de un espejo móvil que lleva una oscilación perpendicular a la dirección de la trayectoria permitiendo explorar el terreno que cubre ambos lados del satélite. La ventaja de estos sensores es su posibilidad de calibración y la corrección radiométrica, además de la capacidad de cubrir grandes extensiones de terreno.

Sensores Fotográficos: Son aquellos que emplean una escala de grises (se componen de dos colores blanco y negro), la cantidad de objetivos que puede albergar puede variar, pues puede emplear cámaras de una sola banda o varias a la vez.

Sensores de empuje: sensores con la capacidad de modificar la resolución respecto de los de barrido, entre ellos están los sensores microondas y las cámaras de video.

Ilustración 2. Sensor Pasivo.

Tomado dehttps://es.slideshare.net/andreadrozd/introduccin-a-la-teledeteccin

En cambio, la teledetección activa es aquella que utiliza fuentes artificiales que porta el propio sensor (Ilustración 3).

Los radares emiten una onda energética en la región de microondas del espectro que mediante el fenómeno de la reflexión recibe la información. Una gran ventaja de estos sensores es la capacidad que tiene para trabajar en cualquier tipo de condición meteorológica.

Los otros son los Lídar, sensor que emite pulsos de luz comprendidos entre los intervalos del ultravioleta y el NIR (infrarrojo cercano). Se caracteriza por el estudio minucioso de las partículas terrestres.

6

Ilustración 3. Sensor Activo.

Tomado de https://es.slideshare.net/andreadrozd/introduccin-a-la-teledeteccin

RESOLUCIÓN DE UN SENSOR Los sistemas de teledetección emplean una serie de sensores para registrar la información. Los sensores emplean distintos intervalos de longitud de onda del espectro electromagnético para captar la información (Ilustración 4). Este registro se recopila en imágenes digitales.

Los sensores se caracterizan por la resolución espacial, espectral, radiométrica y temporal.

La resolución espacial corresponde a las dimensiones geográficas del espacio de terreno al que representa un píxel.

El otro tipo de resolución es la espectral, que se basa en el número de bandas que componen la imagen multiespectral. Estas bandas corresponden a los intervalos del espectro electromagnético en que el sensor recoge la información.

La resolución radiométrica o dinámica son los distintos niveles de gris que se puede expresar una imagen tomada por él sensor. Cuantos más niveles de grises posea el sensor mayor definición de la imagen. Por ejemplo, sensores como el del LANDSAT-5registran las imágenes que son codificadas en 8 bits, es decir pueden llegar a tomar 256 valores de grises. Hay otros ejemplos con mayor resolución radiométrica, como 16 bits en SENTINEL-2.

Por último, la resolución temporal, que corresponde a la periodicidad que tiene el satélite, de revista del mismo punto geográfico del terreno.

La imagen digital registrada por los sensores de teledetección es una imagen multibanda (Ilustración 5) de acuerdo con la resolución espectral del sensor.

Ilustración 4. Imagen Digital Bandas.

7

Tomado de http://desktop.arcgis.com/es/arcmap/10.3/manage-data/raster-and-images/raster-bands.html

Ilustración 5. Descomposición imagen en grises.

Basado en http://desktop.arcgis.com/es/arcmap/10.3/manage-data/raster-and-images/raster-bands.htm

Para detectar cambios entre diferentes fechas de registro de datos de imagen se pueden aplicar varias estrategias y una de las más frecuentes es la de aplicar operaciones algebraicas entre las diferentes bandas. Estas operaciones se denominan índices espectrales. Estos índices permiten estudiar diferentes características de una cobertura de terreno dada y realizar análisis de su posible modificación temporal.

OBJETIVOS A continuación, se plantea como objetivo de este trabajo, establecer una serie de etapasy con ellos una metodología para la detección de inundaciones mediante el satélite SENTINEL-2. Para ello se pretende emplear algoritmos y análisis de las imágenes tomadas por el satélite estableciendo unas dimensiones previas para optimizar los resultados. Esta información deberá de ser comparada con la misma toma de imágenes en un futuro no muy lejano.

En este proyecto se plantean una serie de pasos que se deben de llevar a cabo para la finalización con éxito de este:

1. Determinar cuál/es de los algoritmos presentes en la literatura, pueden ser más adecuados para aplicar en el proceso metodológico propuesto.

2. Establecer el tipo fuentes de información de acuerdo con las imágenes disponibles en cuanto a su resolución, que resulten más adecuadas para realizar el proyecto.

3. Establecer las dimensiones de imagen más adecuadas para realizar el estudio. 4. Evaluar y analizar resultados. 5. Elaboración de informe final.

8

2. ESTADO DEL ARTE Los sistemas de teledetección registran información en intervalos de longitudes de onda que se codifican en imágenes para observar los cambios en un objetivo dado. Dentro de estos intervalos los más comunes y que se usarán serán el infrarrojo cercano (NIR), el rojo (R), el verde (G) y el azul (B) (Ilustración 6). La distancia espectral de los niveles de gris entre las bandas en distintas fechas será muy útil, y aplicando una serie de algoritmos se podrá identificar la transformación de los entornos.

Ilustración 6. Espectro electromagnético Tomadodehttps://sites.google.com/site/ondaselecmag/espectro-electromagnetico

INDICES ESPECTRALES Un índice espectral frecuentemente utilizado para detectar cambios en vegetación es el denominado índice de vegetación de la diferencia normalizada (Normalized Difference Vegetation Index, NDVI). Para este índice se emplean las bandas NIR y roja (R). La banda NIR es muy sensible al cambio en los pigmentos clorofílicos en la vegetación.

La utilización de índices espectrales es una estrategia basada en métodos de detección de cambios denominados preclasificación, es decir, métodos no supervisados, donde los cambios que se producen no están referidos a cambios en las coberturas temáticas del terreno. El resultado final es un mapa binario B/N (Blanco/Negro) donde uno de los colores indicara las zonas de cambios y el otro las de no cambio.

Por el contrario, los métodos supervisados implican clasificación previa de las imágenes multitemporales y por lo tanto a los errores en la detección de cambios se pueden unirlos errores en la clasificación. Estos métodos se suelen denominar post-clasificación y tienen como desventaja un alto coste computacional.

Muchos de los estudios realizados han comparado la eficacia y los beneficios de usar diferentes métodos de detección de cambios para una misma situación. Los resultados de estos estudios mostraron que la aplicación de dos o más métodos de detección de cambios conduce a una mejor precisión de los resultados y una mejor comparación de los métodos, pero esto conlleva un coste de tiempo de trabajo. Además del NDVI, existe otro índice espectral denominado el RVI (Ratio Vegetation Index) presenta una gran ventaja, pues

9

permite diferenciar con mayor exactitud el suelo de la vegetación. Sin embargo, este índice es más sensible a las influencias atmosféricas.

Para la discriminación espacial de una zona de vegetación en una imagen de teledetección se puede utilizar el NDVI, modificado de acuerdo con dos selecciones diferentes de bandas. Las dos expresiones siguientes permiten calcular el RNDVI (Red NDVI) y el GDNVI (Green NDVI) que permiten calcular dos aspectos diferentes de la vegetación. El RNDVI da idea de la cantidad de vegetación (ec. 1) y el GNDVI indicará el verdor de la vegetación (ec. 2).

ec. 1

ec. 2

Donde

RED: Es la banda roja.

NIR: Es la banda infrarroja cercana.

GREEN: Es la banda verde.

Los valores de NDVI varían con la absorción de la luz roja por la clorofila de la planta y el reflejo de la radiación infrarroja por las células foliares llenas de agua. El grado de verdor es igual a la concentración de clorofila. Un alto porcentaje de clorofila puede resultar un problema que puede llegar a causar saturación sobre determinadas bandas además de una disminución de la reflectancia sobre la región del visible.

Para resolver los problemas de saturación, sobre las bandas rojas e infrarrojas, se implementaron nuevas metodologías como el índice re-normalizado de la vegetación de la diferencia (RDVI), el índice de vegetación de rango dinámico amplio (WDRVI).

Otro de los factores que puede llegar a modificar los valores del NVDI son las condiciones atmosféricas, para ello se desarrolló el Índice de Resistencia Atmosférica. Es te índice se encarga de ajustar el valor del NDVI a las condiciones atmosféricas, teniendo en cuenta la diferente dispersión de las bandas azul y roja.

Para el desarrollo de este trabajo se opta por la utilización de las imágenes tomadas por el satélite SENTINEL-2 que con una buena resolución espacial de 10 x10m presenta 4 bandas en las zonas del azul (B), verde (G), rojo (R) y NIR. Además de estas bandas presenta bandas situadas en la zona del infrarrojo con otras resoluciones espaciales menos adecuadas (Ilustración 7). Además, son de libre distribución.

10

Ilustración 7. Bandas del sensor SENTINEL-2

Tomado de http://www.inta.es/opencms/export/sites/default/INTA/es/blogs/copernicus/BlogEntry_1522932160499 El satélite SENTINEL-2 se encuentra dentro de una flota de satélites diseñados por la ESA (European SpaceAgency). Estos se encargan de recopilar gran cantidad de datos dentro del programa COPERNICUS. Los datos que recopila el satélite son de índole medio ambiental. Abordando temas tan importantes como el cambio climático. El satélite cuenta con sensores de última generación capaz de trabajar con hasta 13 bandas espectrales y un gran angular capaz de obtener imágenes de casi 300 Km. (Ilustración 8)

El programa Copernicus mediante la asociación de varias agencias espaciales, está diseñado para la gestión del medio ambiente y combatir los efectos del cambio climático de una manera más precisa y acceso más sencillo. En el programa se distribuyen las imágenes tomadas por el grupo de satélites SENTINEL.

Ilustración 8. SENTINEL-2

Tomado de https://www.efefuturo.com/noticia/instrumento-sentinel2-escanear-recursos/

11

La combinación de bandas para obtener los índices espectrales clásicos ha sido objeto de diversos estudios encaminados a mejorar los resultados. Este es el caso de Gao et al. (Gao, 1996). Se propone modificar el NDWI. Al igual que en el caso del índice de vegetación NDVI, los potenciales valores obtenidos a partir del NDWI oscilan entre -1 y 1 cuyos valores describirán superficies de agua y vegetación con contenido en agua o zonas terrestres y con ausencia de humedad. En este caso, la relación de bandas multiespectrales a analizar estará basadas en la banda NIR y la banda SWIR- Short Wavelength-InfraRed (infrarrojo corto). La ecuación estará basada en la relación entre sus diferencias y sumas ( ec. 3):

NDWI = (NIR-SWIR)/(NIR+SWIR) ec. 3

Otro de los planteamientos posibles para la modificación del NDWI (McFeeters, 1996) se basa en la sustitución de la banda SWIR por la banda visible del verde (GREEN) quedando resaltadas las masas de agua. En este caso, la relación de análisis de bandas multiespectrales será (ec. 4):

NDWI = (GREEN-NIR)/(GREEN+NIR) ec. 4

La relación entre bandas permite maximizar la reflectancia del agua al trabajar con longitudes de ondas en el verde, maximiza la reflectancia de la vegetación y minimiza la reflectancia de masas de agua gracias al NIR.

Existe una nueva modificación (Xu, 2006) que contempla una sistemática análoga a la de McFeeters et al. En este caso, la relación entre bandas no contempla el manejo de la banda NIR sino la SWIR. Es más conocido como el Índice de Agua de Diferencia Normalizada Modificado o MNDWI (ec. 5).

NDWI = (GREEN-SWIR)/(GREEN+SWIR) ec. 5

UMBRALIZADORES (Calero, 2018)

Para obtener un mapa binario (Blanco, Negro) de cambio/no cambio, se requiere utilizar estrategias de umbralización de las imágenes que muestran los cambios. A continuación, se resumen algunos umbralizadores utilizados en este trabajo y que están disponibles en ImageJ.

- Huang (Huang, 1995): se basa en la teoría de conjuntos difusos para encontrar el valor

umbral adecuado. A partir de un determinado valor umbral, se define el grado de pertenencia de un píxel a una de las dos regiones, objeto o fondo, de la imagen analizada como una función inversamente proporcional a la diferencia entre el brillo del píxel y el brillo medio de la región. Lo más conveniente es que cada píxel tenga el mayor grado de pertenencia a su región posible. Por lo que, para que esto suceda se establece una medida

12

para la difusión de la imagen (existen varias alternativas) y se minimiza obteniendo así el valor umbral óptimo.

- IJ_IsoData: implementa el umbral como el promedio de valores superiores e inferiores

de G (donde G es el valor buscado).

- Intermodes (Prewitt, 1966): en este método el histograma se suaviza de manera iterativa usando un promedio de ejecución de tamaño 3, hasta que solo queden dos valores máximos locales, j y k. Por lo que, el valor umbral t se calcula como ( + ) /2. Las imágenes con histogramas que tienen picos considerablemente desiguales no son adecuadas para este método.

- IsoData (Ridler, 1978): este método emplea una técnica iterativa para la obtención del

umbral. Se segmenta el histograma de la imagen en dos partes utilizando un umbral inicial, el valor del umbral inicial pertenece a la mitad del máximo valor de intensidad, y a continuación se calcula la media de cada segmento del histograma, m1 y m2. Con esos valores se obtiene un nuevo valor de umbral mediante el siguiente cálculo: = ( 1+ 2) /2.

- Li (Li, 1998): se basa en un método iterativo para la minimización de la entropía cruzada

entre imágenes segmentadas y originales. La entropía cruzada es una alternativa de medida al error cuadrado alternativo.

- MaxEntropy (Kapur, 1985): consiste en distinguir como dos señales diferentes el fondo

y la imagen en primer plano. Para cada una de las clases se calcula y se suma la entropía, de manera que en el momento en que su valor es máximo el umbral se considera óptimo.

- Mean (Glasbey, 1993): este método consiste en establecer el umbral como una media de

los valores de gris. A veces, es utilizado por algunos otros métodos como un valor de umbral de inicio de conjetura.

- MinError: se basa en Kittler& Illingworth (Kittler, 1986), y el valor del umbral se deriva

asumiendo la distribución normal de los valores de nivel de gris. Es un método muy adecuado para emplear con imágenes de múltiples umbrales. Sin embargo, en ocasiones el algoritmo no encuentra una solución. Por ello, en ese caso, el resultado se predetermina a la estimación inicial del umbral, calculado utilizando el método Mean.

- Minimum (Prewitt, 1966): es similar al método Intermodes. El histograma se suaviza iterativamente usando un promedio de ejecución de tamaño 3, hasta que solo haya dos máximos locales. El umbral t se obtiene mediante el siguiente cálculo: −1> ≤ +1. Pero este método es inadecuado emplearlo con imágenes que tienen histogramas donde hay picos extremadamente desiguales.

- Moments (Tsai, 1985): se centra en la preservación de momentos, ya que elige un umbral

de manera que la imagen binaria tenga los mismos primeros tres momentos que la imagen de nivel gris. Es decir, estima el umbral de una manera en que los momentos de la imagen de entrada se conservan en una imagen de salida.

- Otsu (Otsu, 1979): este método de umbralización consiste en iterar a través de todos los

posibles valores del umbral y calcular una medida de dispersión para los niveles de píxel a cada lado del umbral, es decir, los píxeles que caen en primer plano (objeto) o en segundo plano (fondo). El objetivo es encontrar el valor umbral en el que la suma de los márgenes del primer y segundo plano se halla en su mínimo.

13

- Percentile (Doyle, 1962): se centra en el conocimiento del área del histograma que ocupan los objetos que se quieren detectar, suponiendo que, para una aplicación dada, los objetos ocupan sobre un p% del área de la imagen. Mediante el análisis de esa partición de la imagen, pueden ser elegidos uno o más umbrales asignando a los objetos un determinado porcentaje de píxeles. Como vemos, este método tiene un uso muy limitado, ya que tan solo algunas aplicaciones permiten estimar el área de forma general.

- Renyi: se basa en la entropía de Renyi, es decir, en las distribuciones de probabilidad de

las clases binarias (0,1), y maximiza la suma de las diferentes entropías, así como la correlación entrópica (C (T)) y depende de un umbral T.

- Shanbhag (Shanbhag, 1994): este método se basa en la teoría de la lógica difusa, y tiene

en cuenta un coeficiente difuso de pertenencia, que indica el grado de pertenencia de cada píxel en cada una de las categorías 0 y 1 (255). Cuanto mayor sea la distancia del valor del píxel al umbral, mayor será el grado de pertenencia a una categoría determinada. Sin embargo, cuanto menos difiera, mayor es la incertidumbre.

- Triangle (Zack, 1977): su técnica se basa en lo siguiente: se traza una línea entre el valor

máximo del histograma (bmax) y el valor más bajo (bmin= (p=0) %). La distancia que separa la línea y el histograma h(b) se calcula para todos los valores de b, desde b=bminhasta b=bmax. El valor de luminosidad b0, donde la distancia que existe entre h(b0) y la línea es máxima, es el valor umbral elegido (b0). Es un método muy efectivo en los casos donde los píxels de los objetos producen un pico suave en el histograma.

- Yen (Yen, 1995): este método tiene en cuenta dos factores, la discrepancia entre el umbral

y la imagen original evaluada y el número de bits necesarios para representar dicha imagen umbralizada.

INDICE COMPARADOR (SSIM, Structural Similarity Index).

Para el desarrollo del trabajo se ha empleado el índice de similitud estructural. Los valores que puede tomar este índice son [0,1]. Siendo 0 completamente diferentes y el 1 completamente iguales. Este índice se calcula mediante la correlación de la luminosidad (l) (ec. 6), el contraste (c) (ec. 7) y la estructura (s) (ec. 8). Estos tres factores se emplean en el cálculo:

l (i1, i2) = ec. 6

c (i1, i2) = ec. 7

s (i1, i2) = ec. 8

: medios de las muestras

: Constantes que evitan problemas cuando el denominador tiende a 0.

14

: Covarianza.

La fórmula que emplea el algoritmo del SSIM es (ec. 9):

SSIM (I1, I2): ec. 9

, β, son los parámetros que definen a cada componente.

3. ASPECTOS METODOLOGICOS

SOFTWARE IMAGEJ

Para el desarrollo del trabajo se ha empleado el software de imageJ. El programa

es libre y está basado en java. El programa esta implementado para todas las

distribuciones tanto de Mac como de Windows además de para Linux. Permite

analizar, procesar y editar imágenes de tamaños que partes desde los 8 bits hasta

32. Acepta una gran cantidad de formatos además del uso de un plugins. En este

caso se ha utilizado el plugin de SSIM Índex el cual, ha servido para comparar los

índices de dos imágenes con distinta formula, para comprobar el grado de

similitud entre ellas.

DIAGRAMA DE FLUJO

El diagrama de flujo que se ha empleado ha consistido en la toma de una imagen

del sensor SENTINEL 2, los días antes de la catástrofe, y otra imagen captada con

las inundaciones, que presentan las características indicadas anteriormente.

(Ilustración 9. Diagrama de Flujo).

15

Ilustración 9. Diagrama de Flujo

CASOS DE USP

El caso de estudio que se realizará serán las inundaciones que se produjeron en Zaragoza, concretamente en el desbordamiento del Ebro a su paso por esta. Estas inundaciones se produjeron entre el 6 y 18 de abril de 2018, provocando grandes destrozos, sobre todo en los cultivos situados en la rivera del rio.

Las pruebas las hemos realizado sobre 4 puntos del paso del Ebro por Zaragoza. Estos puntos son Corte 1 la Ribera Alta, Corte 2 Cuenca del rio, Corte 3 Zaragoza y Corte 4 Ribera baja. Las imágenes SENTINEL- 2 son los productos denominados (https://sentinel.esa.int/web/sentinel): S2A_MSIL2A_20170409T105651_N0204_R094_T30TXM_20170409T110529 y

S2A_MSIL1C_20180414T105651_N0206_R094_T30TXM_20180414T112338.

16

4. RESULTADOS Los resultados obtenidos en este estudio de acuerdo con la metodología establecida se muestran a continuación dentro de este apartado.

Las imágenes Sentinel originales en composición color verdadero y falso color se muestran a continuación (Ilustración 10. Imágenes RGB y NIR_R_G de las zonas de estudio)

R-G-B pre R-G-B post NIR-R-G pre NIR-R-G post CORTE 1

CORTE 2

CORTE 3

CORTE 4

Ilustración 10. Imágenes RGB y NIR_R_G de las zonas de estudio

Composición color verdadero (432, RGB) y falso color (843, NIRRG) de las imágenes en estudio anterior (pre, abril 2017) y posterior a la inundación (post, abril 2018).

A continuación, se muestran los resultados obtenidos al aplicar las ecuaciones de cálculo de los índices espectrales.

17

Zona1-No Inundada

NDVI NDWI SWIR Green-SWIR

Zona1-Inundada


Zona2-No Inundada


Zona2-Inundada


18

Zona 3 - No Inundada


Zona 3 - Inundada


Zona 4 - No Inundada


Zona 4 - Inundada


A continuación, se exponen las imágenes umbralizadas mediante los procedimientos descritos.

19

Corte 1 NDVI No Inundado

Defult Huang Intermodes IsoData

IJ_IsoData Li MaxEntropy Mean

MinError Minimun Moments Otsu

Percentile RenyiEntropy Shanbhag Triangle

Yen

20

Corte 1 NDVI Inundado





Yen

21

Corte 1 NDWI No inundado





Yen

22

Corte 1 NDWI Inundado





Yen

23

Corte 1 NDWI-SWIR No inundado





Yen

24

Corte 1 NDWI-SWIR Inundado





Yen

25

Corte 1 Green-SWIR No inundado





Yen

26

Corte 1 Green-SWIR Inundado





Yen

27






Yen

28






Yen

29






Yen

30






Yen

31






Yen

32






Yen

33






Yen

34






Yen

35






Yen

36






Yen

37






Yen

38






Yen

39






Yen

40






Yen

41






Yen

42






Yen

43






Yen

44






Yen

45

Corte 4 NDWI No Inundado





Yen

46






Yen

47






Yen

48






Yen

49






Yen

50






Yen

51

A continuación, se muestra unas tablas comparativas (Tabla 1) de los resultados de los resultados de la aplicación del SSIM.

Tabla 1. Comparativa de los índices SSIM que relaciona dos índices entre sí.

Comparación de imágenes inundadas

NDVI-NDWI NDVI-NDWI(SWIR)

NDVI-NDWI(SWIR-GREEN)

NDWI(SWIR)- NDWI

NDWI(SWIR)- NDWI(SWIR-GREEN)

NDWI- NDWI(SWIR-GREEN)

Corte 1 -0.10 0.42 -0.03 0.16 0.44 0.75

Corte 2 -0.12 0.23 -0.04 0.35 0.63 0.59

Corte 3 -0.37 0.31 -0.14 0.35 0.63 0.62

Corte 4 -0.25 0.36 -0.08 0.16 0. 44 0.75

Los índices que están más correlacionados entre sí son aquellos que se encuentran situados en la última columna de la tabla anterior. Las áreas mostradas como inundadas son más parecidas en extensión y en situación en las imágenes obtenidas a partir del cálculo del NDWI y NDWI (SWIR-GREEN).

Para delimitar las áreas inundadas, a continuación, se realizan las diferencias entre las imágenes índices anterior y posterior en cada una de las zonas seleccionadas. Una vez realizadas estas diferencias se procede a realizar un umbralizado. A continuación, se muestran los mejores resultados en las cuatro zonas.

Tras varias pruebas con los distintos índices e umbralizadores, el NDWI (Green-SWIR) junto con el tipo de umbralización, Shanbhag, es la que muestra los datos más claros y precisos (Ilustración 11. Resultados del estudio del Corte 1, Ilustración 12. Resultados del estudio del Corte 2, Ilustración 13. Resultados del estudio del Corte 3, Ilustración 14. Resultados del estudio del Corte 4)

52

Corte 1

Diferencia NDVI Diferencia NDWI

Diferencia NDWI (Green-SWIR) Diferencia NDWI (SWIR)

Ilustración 11. Resultados del estudio del Corte 1

53

Corte 2




54

Corte 3




55

Corte 4




Tras la umbralización de cada uno de los cortes en sus dos estados, no inundados e inundados, se analiza cual es el mejor umbraliador para que las zonas inundadas queden mejor representadas. Cabe decir que umbralizadores como el Huang, MaxEntrophy, MinError, Shanbhag y Triangle han dado muy buenos resultados individualmente. Pero en conjunto el umbralizador que mejores resultados ha dado ha sido el denominado como Shanbhag, permitiendo distinguir con mayor facilidad el cauce del rio y las zonas anegadas por el agua.

56

5. CONCLUSIONES

En este apartado se expondrán todas las conclusiones obtenidas sobre el trabajo y metodología.

De acuerdo con los objetivos planteados en la propuesta, se han alcanzado las siguientes conclusiones:

- Atendiendo a la petición de los objetivos, la metodología que mejor se adapta al plan de trabajo ha sido la que considera el empleo del índice espectral SWIR-Green. A pesar de que el NDVI es un índice clásicamente utilizado, se investigó la utilización de un índice modificado como el SWIR-Green, lo que dio buenos resultados.

- Todas las imágenes presentes en este trabajo fueron obtenidas a partir del registro del satélite Sentinel-2. Estas imágenes son de libre distribución por parte de la ESA (Agencia Espacial Europea). Esto ha permitido realizar los estudios sin coste alguno invertido en compra de imágenes.

- La resolución espacial de las imágenes es de 10x10m, lo que el resultado adecuado para obtener una buena delimitación geográfica de las zonas.

- ImageJ proporciona suficientes funcionalidades para realizar esta tipa de estudios.

- Respecto a la metodología de trabajo establecida en este trabajo ha sido adecuada y suficiente para alcanzar los resultados deseados.

- Se necesita un conocimiento básico en el campo de los índices espectrales y un conocimiento medio en informática para el empleo de pluggins con el programa ImageJ.

6. LINEAS FUTURAS

Seguir investigando en este tipo de relaciones algebraicas ente bandas para obtener mejores índices para detectar zonas inundadas.

Realizar este estudio con otro tipo de imágenes de diferentes resoluciones, tanto espaciales como espectrales.

57

7. BIBLIOGRAFIA

Ayanlade, A. 2017. Remote sensing vegetation dynamics analytical methods: a review of vegetation indices techniques. Geoinformatica Polonica. DOI 10.4467/21995923GP.17.001.7188.

Calero, Y. TFG de ETSIInf. UPM, junio 2018. Meera Gandhi, G.; Parthiban, S; Nagaraj T.; Christy. 2015. A. Ndvi: Vegetation change

detection using remote sensing and gis – A case study of Vellore District. Procedia Computer Science. 57, 1199 – 1210.

Viña, A.; Gitelson, A. A.; Nguy-Robertson, A. L.; Peng, Y. 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops. Remote Sensing of Environment, 115, 3468–3478.

Tipos de sensores: http://concurso.cnice.mec.es/cnice2006/material121/unidad1/i_resolucion.htm

Teledetección: https://es.slideshare.net/AnnaPuga/sistemas-de-teledeteccin www1. Satélite Sentinel-2: https://earth.esa.int/web/sentinel/user-guides/sentinel-2-

msi/resolutions/spatial http://www.gisandbeers.com/calculo-del-indice-ndwi-diferencial-de-agua-normalizado/

Este documento esta firmado porFirmante CN=tfgm.fi.upm.es, OU=CCFI, O=Facultad de Informatica - UPM,

C=ES

Fecha/Hora Wed Jan 23 17:16:48 CET 2019Emisor delCertificado

[email protected], CN=CA Facultad deInformatica, O=Facultad de Informatica - UPM, C=ES

Numero de Serie 630Metodo urn:adobe.com:Adobe.PPKLite:adbe.pkcs7.sha1 (Adobe

Signature)

Date post:	25-Jan-2021
Category:	Documents
Upload:	others
View:	0 times
Download:	0 times

Graduado en Ingeniería Informáticaoa.upm.es/54220/1/TFG_ABEL_ANTON_RODRIGUEZ.pdfii. ABSTRACT The...

Documents