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
correctionMNF Pixel Purity
Index Endmembers
LSU
Unsupervised Classification
Supervised Classification
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
correctionMNF Pixel Purity
Index Endmembers
LSU
Unsupervised Classification
Seagrass and SOFT CORALNEW Correction: Lyzenga
LSU
Supervised Classification
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
Imágenes de B62 ajustadas a:-Interactive Stretching=149:197-Lineal-Sharpen [18]
Imagen Termal(Landsat 7 – ECT‐Rainbow)
11-mayo-2002
24-julio-2000
Imágenes de B62 ajustadas a:-Interactive Stretching=149:197-Lineal-Sharpen [18]
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
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
Clase Número de Puntos Porciento
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%
Imagen Landsat TM ‐Mato Grosso, Brazil 2000
Total de puntos: 3,728,784
Clase Número de Puntos Porciento
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%
Imagen Landsat TM ‐Mato Grosso, Brazil 2003
Total de puntos: 3,728,784
Clase Número de Puntos Porciento
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%
Imagen Landsat TM ‐Mato Grosso, Brazil 2005
Total de puntos: 3,728,784
Clase Número de Puntos Porciento
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%
Imagen Landsat TM ‐Mato Grosso, Brazil 2007
Total de puntos: 3,728,784
* 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
http://noaasis.noaa.gov/NOAASIS/ml/avhrr.html
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://noaasis.noaa.gov/NOAASIS/ml/avhrr.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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
Transporte De Materiales En Los Rios
FlotaciónSentido de la
Rodadura
Suspensión
Flotación
Corrasión y
corriente
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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.
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
(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.
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
A= x K x L S x C x P(R) = Erosividad de la lluvia FORMULA DE ARNOLDS EN f
(precipitación promedio mensual y anual)
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
(precipitación promedio mensual y anual)
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
(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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
79*79m
7+PAN4 Bandas
Res. espacial
7
30*30m 30*30m
Clasificación MSS
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
Clasificación TM
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
Clasificación ETM+
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
(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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
-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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
RESULTADOS ‐MSS
100010501100115012001250
2002503003504004505005506006507007508008509009501000
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
1,2001,1001,0009008007006005004003002001000
0.40.3
0.20.1
0
Ton/ha*year
RESULTADOS ‐ TM
1150120012501300
150200250300350400450500550600650700750800850900950100010501100
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
-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
CUMULATIVE FRECUENCY DISTRIBUTION1
0.9
0.80.7
0.60.5
0 4
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
1,3001,2001,1001,0009008007006005004003002001000
0.40.3
0.20.1
0
Ton/ha*year
RESULTADOS – ETM+
1150120012501300
2503003504004505005506006507007508008509009501000105011001150
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
CUMULATIVE FRECUENCY DISTRIBUTION1
0.9
0.80.7
0 6
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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.
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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.
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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.
Nelson M. Anaya * Percepción Remota * Mapa de Riesgo Cuenca Rio Yagüez
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