Análisis y extracción de información - UV...SAR (retrodispersión radar): Terremoto de magnitud...

9 - Detección de cambios9.- Detección de cambios

Análisis y extracción de información

Javier García Haro20102010--20112011

1111

ÍNDICE Detección de cambios

Requisitos para el estudio multitemporalNormalización de efectos: topográficos, direccionalesp g ,Homogeneización radiométrica: detección multivariante de alteraciones (MAD)

Técnicas para la detección de cambioRepresentaciones en color.Operaciones algebraicasOperaciones algebraicas.Regresión bi-temporal.Anomalías de índices temporales.Análisis de Cambio Vectorial. Clasificación multitemporal.Comparación post-clasificaciónComparación post clasificación. PCA bitemporal.MAD.

22Ejemplos representativos

2

Requisito: Obtener una secuencia de imágenes {X1, X2 ,...}, co-

Detección de cambioDetección de cambioq g { 1, 2 , },

registradas y homogeneizadas radiométricamente correspondientes a la misma zona y adquiridas en fechas diferentes {t1, t2,...}.Detección de cambios: discriminar cambios en la superficie terrestreDetección de cambios: discriminar cambios en la superficie terrestre (cobertura, composición, estado) durante un periodo de estudioAplicable a otras disciplinas: medicina, robótica

í íTendencia creciente: productos biofísicos vs. índices, cobertura total (gap filling), seguimiento de procesos dinámicos (fenología, actualización de mapas)p )

Situación ideal en un estudio multitemporal: imágenes adquiridas por mismo sensor, misma resolución (espacial,

é í óespectral y radiométrica), misma geometría de adquisición, misma horay periodo del año (si estudio multi-annual), registradas entre sí con el menor error posiblep

Problema principal: Distinguir entre el cambio real y el causado por:dif i d il i ió ( f t l li )diferencias de iluminación (efectos angulares, relieve)condiciones atmosféricas, nubosidad alteraciones ambientales (fenología, densidad, humedad)

3

Tipos de cambiosTipos de cambiosFenómenos episódicos (cambios bruscos):

Inundaciones, Incendios, Vertidos, deslizamientos...

Ciclo muy corto: Ciclones tropicales, MovimientoCiclo muy corto: Ciclones tropicales, Movimiento del fuego.Ciclo anual o multianual: Crecimiento de la

t ió “El Niñ ”vegetación, “El Niño”Tendencias: crecimiento urbano, cambios agrícolas, regeneración post-incendio,

Marea negra (vertido de petróleo)ENVISAT ASAR (20 Nov’02)

g , g p ,Desertificación, deforestación

Adaptado de Bodin, 19984

Desarrollo agrícola (Arabia Saudita)

Ejemplos de detección de cambiosEjemplos de detección de cambiosDesarrollo agrícola (Arabia Saudita)

1972 1986

Abandono agrícola (Chernobil)

1986 1992

5

Ejemplos de detección de cambiosEjemplos de detección de cambios

Transformación de rías en zona agrícola (Holanda)

Landsat TM previa a la inundación (3 Abril 1998)zona agrícola (Holanda)

19641964

Rádar SAR chino: máximo nivel de inundación (2 Agosto 1998)

1987

6

Etapas para el estudio temporalEtapas para el estudio temporal

Selección del conjunto de datos más adecuado

Cobertura nubosa, resolución,…

Reducir la influencia de factores externos

Realzar el cambio (ej. fechas que discriminen superficies de interés)interés)

Corrección geométrica (georectificación)

Co ecciones adiomét icas (cálc lo de magnit des físicas)Correcciones radiométricas (cálculo de magnitudes físicas)

Homogeneización radiométrica

T f i lti t lTransformaciones multiespectrales

Índices de vegetación, Tasseled Cap, spectral “mixing”, MADs, PCAs…PCAs…

Aplicación de técnicas de análisis multitemporal

Verificación de los resultadosVerificación de los resultados

7

Requisitos para el estudio temporalRequisitos para el estudio temporal

1. Corrección geométricaEfectos panorámicosMovimiento de la plataforma operación del sensorMovimiento de la plataforma, operación del sensorRotación y Curvatura terrestre

Requiere una alta precisión geométrica (ej. < 0.5 pixels) ruido en q p g ( j p )cambios detectados (carreteras,etc.)Generalmente, los datos deben estar georeferenciados

E i i lEn ocasiones, se precisa el remuestreo

8

º Instrumento XInstrumento Y

imagen original imagen georeferenciada

Requisitos previos para el estudio temporalRequisitos previos para el estudio temporal

TRASCENDENCIA DEL AJUSTE GEOMÉTRICOTRASCENDENCIA DEL AJUSTE GEOMÉTRICO

Ejemplo: Comparación post-clasificaciónEjemplo: Comparación post clasificación El cambio aparente al desplazar un pixel al E y S es de 17.8%

al aumentar el número de clases o la heterogeneidad: incluso mayorg ySe puede reducir aplicando técnicas de contexto (ej. filtro de moda)

Clasificación originalca

ción

azad

aS F VS VV Fila(Fi)

S 15202 1355 88 337 16982F 1241 10340 2625 1615 15821

Cla

sific

desp

la VS 59 30 1475 361 24134VV 360 1515 417 13239 15531

Col (Ci) 16862 13240 4605 15552 72468

Precisión: 82.2±0.2

S=Suelo desnudo / F=Forestal / VS=Veg. Seca / VV=Veg.Verde

Índice Kappa: 76.6±0.29

Requisitos para el estudio temporalRequisitos para el estudio temporal2. Correcciones radiométricas

Conversión a magnitudes físicas (reflectividad, radiancia)Calibrado del sensorCorrección de efectos atmosféricos, topográficos y direccionalesDetección y eliminación de nubes, utilizando compuestos temporales (MVC modelos kernel-driven)(MVC, modelos kernel driven)Filtrado de ruido temporal (requerido en análisis de series temporales)

Normalización radiométrica

Ejemplo: Corrección atmosférica CHRIS/PROBA de Barrax (12 Julio 2003).

reflectividad aparente reflectividad real10


li ió áfiNormalización topográficaRequiere disponer de un modelo digital de elevación

del terreno (MDT), del cual extraemos pendiente y orientación (de cada pixel)

Ejemplo: Modelo de Minnaert ie

θ s

L(i,e) = a cosk (i) cosk−1(e)

1. Linearizar el modelo y calcular k (para cada banda)ln(L(i,e)cos (e)) = ln(a) + k . ln(cos (i) cos (e))

1. Linearizar el modelo y calcular k (para cada banda)

2. Dividir cada pixel por el factor c

sk

kk

ss

eiL

eiLeicθθ

θcos

)(cos)(cos)0,(),(),,(

1−

==

p p

11


Ejemplo: normalización topográfica de una imagen Landsat-5 TM (Norte de Alicante) ca te)

12

Requisitos para el estudio temporalRequisitos para el estudio temporalEfectos direccionales: por la variación de ángulos de observación/iluminaciónp g /

diferencias en reflectividad, efectos espúreos en cambios detectados

MISR / TERRAMISR / TERRA

Variación de la geometría de iluminación

- en estudios multitemporales (ej. órbita polar),

- a lo largo del día (Meteosat)

Variación de la geometría de observación

- Visión oblicua cambiante (órbita polar)

- campo de visión grande (MSG)

li- relieve

13


óEjemplo: Efecto de la variación del ángulo de observación

FVC=0.3

FVC=0.9

Red NIR14


Ejemplo: Simulación del ciclo diurno SEVIRI/MSG

N

Ejemplo: Simulación del ciclo diurno SEVIRI/MSG (ángulo de iluminación variable)

N

Ciclo diurno SEVIRI (pixel simulado)

NIR

SWIRSummer W E

Red

Autumn

View (Lisbon pixel)

Autumn

S

Azimuth

15

Normalización de efectos direccionalesNormalización de efectos direccionalesSolución: Referir a una misma geometría, ajustando a un modelo de BRDF g , jobservaciones (compuesto temporal)

θv=40º, φ= 180º Nadir-cenit θv=20º, φ= 0º

Ejemplo 1: ImágenesEjemplo 1: Imágenes POLDER (Barrax)

Reflectividad k0 : geometría con

0 Reflectance (670 nm) 50(%)

0 gsol al cenit y sensor al nadir

Ejemplo 2: MODIS NBAR (Nadir BRDF-Adjusted Reflectance) (http://geography.bu.edu/brdf/userguide/nbar.html)

AVHRR Bandas 1 & 2 originales

Corregidas SZA = 45° VZA = 0 ° 16

Requisitos para el estudio temporalRequisitos para el estudio temporalHomogeneización radiométricaHomogeneización radiométricaEl objetivo es minimizar las variaciones entre escenas adquiridas en fechas distintas (normalización ‘escena-respecto-escena’)

alteraciones atmosféricasángulo de iluminación degradación temporal del sensordegradación temporal del sensor

Aplicaciones: cambio bi-temporal y a series temporalesRelación lineal entre reflectividades aparentes de 2 fechas:Relación lineal entre reflectividades aparentes de 2 fechas:

ba += 21 ρρSe basan en la invariancia estadística de la reflectividad de elementos dentro de la escena (PIF, Pseudo Invariant Features)

σσ

(imagen de fecha 2 normalizada a las condiciones de la fecha 1)

22

112

2

12ˆ ρσ

σρρσσρ −+=2

2

11

2

1 ρσσρ

σσ

−== ba

(imagen de fecha 2 normalizada a las condiciones de la fecha 1)Requiere solo conocer la media y dispersión de los PIFs en las 2 fechas17

Requisitos para el estudio temporalRequisitos para el estudio temporalHomogeneización radiométricagMétodos para elegir las PIFs1. Manualmente de la imagen (digitalización manual, utilización de reglas)

asfalto (carreteras, zonas urbanas), arena de playa, barbecho

2. Detección multivariada de alteraciones (Multivariate Alteration (Detection, MAD) (Canty & Nielsen, 2008)

Método automático y que da mejores resultados

18

Técnicas para la detección de cambioTécnicas para la detección de cambio

Enfoques posibles1. Interpretar cada fecha separadamente y comparación posterior

Variables continuas (ej NDVI abundancias Tasseled Cap)Variables continuas (ej. NDVI, abundancias, Tasseled Cap)Variables categorizadas (ej. Clasificaciones)

2. Análisis multitemporal2. Análisis multitemporalClasificación multitemporalPCA multitemporalTécnicas de “mixing” (SMA) multitemporalTécnicas de análisis de series temporales

Y1=f(X1)

Análisis de cada fechaSelección de fechas Detección de cambios

X1

Análisis multi-temporal

X1

Selección de fechas

Y1=f(X1)

Análisis de cada fechaSelección de fechas Detección de cambios

X1

Análisis multi-temporal

X1

Selección de fechas

1 ( 1)

Y2=f(X2)

Y3=f(X3)

ComparaciónY1 ,Y2 ,,Y3

1

X2X3

1

X2X3

Y=f(X1,X2,X3)1 ( 1)

Y2=f(X2)

Y3=f(X3)

ComparaciónY1 ,Y2 ,,Y3

1

X2X3

1

X2X3

Y=f(X1,X2,X3)

Fusión de productos Fusión de imágenesFusión de productos Fusión de imágenes

19

Técnicas para la detección de cambioTécnicas para la detección de cambio1. Técnicas de análisis visual (Representaciones RGB multitemporales)

(t1,t2,t3) (R,G,B)La pureza de un color primario indica un claro aumento de la magnitud en una de las fechasde las fechas Los tonos grises corresponden a zonas sin cambiosLa mezcla de 2 colores (magenta, cian, amarillo) indica

aumento de la magnitud en 2 fechas

Ejemplo 1:T t d it d 7 4 (Ri ht )

Ejemplo 2:SAR (retrodispersión radar):Terremoto de magnitud 7.4 (Richter)

Izmit (Turkía), Agosto’99

SAR (retrodispersión radar): condiciones de viento en la superficie del mar

daños severos zonas sumergidas viento

20

Técnicas para la detección de cambioTécnicas para la detección de cambio2 Operaciones aritméticas F y G: imágenes multiespectrales de fechas distintas2. Operaciones aritméticas

Diferencia entre bandas

F y G: imágenes multiespectrales de fechas distintas

(n=número de bandas)niGFY iii ,...2,1=−=

Simple, fácil de interpretar (ej. cambio en variable biofísica o índice)Requiere especificar un umbral de cambio/no cambio

Generalmente, se determina empíricamente (con un soporte estadístico, gaussiano)

Ejemplo: Ola de calor enverano de 2003

ΔT(ºC) 2003-2001 en Julio (datos MODIS/TERRA)21

Técnicas para la detección de cambioTécnicas para la detección de cambio2 Operaciones aritméticas F y G: imágenes multiespectrales de fechas distintas2. Operaciones aritméticas

Cociente entre bandas

F y G: imágenes multiespectrales de fechas distintas

niGFY iii ,...2,1/ == (n=número de bandas)

Se reduce el efecto de la iluminaciónFácil interpretación: valores próximos a 1 corresponden a “no cambio”

DESVENTAJASSe pierde la información de los valores originalesSe pierde la información de los valores originalesDeben ser escaladasComportamiento estadístico alejado de distribución gaussianap j g

22


GF

2. Operaciones aritméticas

niG

GFYi

iii ,...2,1100 =×

−=Cambio relativo (%):

Ejemplo: ΔNDVI (%) 1976-1993 a partir de NDVI (Landsat)ó á C á ( í )región ártica de Canadá (Bahía Hudson)

23


3. Operadores basados en secuencias multitemporales

Se basan en la diferencia respecto al valor típico de la variable a estudiar (T, P, NDVI,…)

Anomalías

Diferencias normalizadas condiciones extremas)

Anomalía del NDVI (Agosto 1993) Precipitación en 199324

Técnicas para la detección de cambioTécnicas para la detección de cambio3 Operadores basados en secuencias multitemporales

AnomalíasEjemplo: Anomalías de NDVI anual a partir de datos AVHRR


Anomalías anual a partir de datos AVHRRFuente: González-Alonso et al. (2004).

Se basan en la diferencia respecto al l tí i d l i bl t divalor típico de la variable a estudiar

Requieren disponer de una serie relativamente larga de imágenesrelativamente larga de imágenes

Fácil interpretación (ej. sequía, condiciones extremas)

ttt XXXAnomalía −=)( ttt )(

t

ttt

XXXdarizadaesAnomalíaσ−

=)(tan

25t

ttt X

XXXrelativaAnomalía −=)(


100NDVINDVI

NDVINDVIVerdordeÍndicemínmáx

mín ×−

−=(%)Diferencias normalizadas


Se basan en extremos históricos (max,min) de magnitud de estudio (T, NDVI, etc)( , , )

Requieren disponer series largas

Valores entre 0 (extremo deterioro) y 100 (excelente estado). ( ) y ( )

0 verdor(%) 100Índice de verdor en Abril a partir de serie AVHRR

26


Índices basados en distribuciones estadísticas3. Operadores basados en secuencias multitemporales

Standardised Precipitation Index (SPI)

Se basa en la función de distribución estadístico de la precipitación

SPI-12 meses (Jul’04-Jun’05) SPI-24 meses (Enero’07-Dic’08)

Permite cuantificar la sequía a diferentes escalas de tiempo

( ) ( )

27

Técnicas para la detección de cambioTécnicas para la detección de cambio4 Análisis del vector de cambio

Sea un pixel, representado por un vector n-dimensional ( )n1 xx ,,L=x4. Análisis del vector de cambio

)()( 12 tt xxv −=Vector de cambio entre t1 y t2:

x xx x2/1

⎟⎞

⎜⎛∑

n2vv

Su norma (distancia Euclídea entre 2 puntos) indica la magnitud de cambio

x2

v

)( 2txx2

)(t

x2

v

)( 2txx2

)(t

1⎟⎠

⎜⎝

= ∑=i

ivv

H “ bi ” iÁngulo del cambio

v

)( 1txUmbral de decisión del cambio

)( 1txrÁngulo del

cambio

v

)( 1txUmbral de decisión del cambio

)( 1txr

Hay “cambio” sir>v

x1 x1x1 x1

r: umbral a definir empíricamente

La dirección (ángulo) indica la naturaleza del cambio 28

Técnicas para la detección de cambioTécnicas para la detección de cambio4 Análisis del vector de cambio

Explota la información de múltiples bandas (ej. proporciones derivadas

4. Análisis del vector de cambio

Explota la información de múltiples bandas (ej. proporciones derivadas del “mixing”, Tasseled Cap)Permite obtener información detallada de cambioInconveniente: las trayectorias del vector cambio pueden ser difíciles de interpretar

Ejemplo: Tipos de cambio a detectar (Zhan et al. 2000)

Zhan, X., Defries, R., Townshend, J.R.G., Dimiceli, C., Hansen, M. Huang, C. and R. Sohlberg, & Kauffman, (2000), The 250m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA’s Earth Observing System, Int. J. Remote sensing, 21: 1433-1460

29

Técnicas para la detección de cambioTécnicas para la detección de cambio5. Regresión bi-temporal

Regresión de 2 variables continuas (índices, parámetros biofísicos, etc.) Residuo de la regresión: Y(t2) - (a Y(t1) + b)

g p

g ( 2) ( ( 1) )Permite analizar la magnitud y el tipo de cambio (ej. regeneración, deforestación)Mi i i f t bi t l t fé i lib dMinimiza factores ambientales, atmosféricos y errores en calibrado

y2y1

ŷ2= a + b y1

y1y2

Cambio : y2 - ŷ2 30


5. Regresión bi-temporal

Ejemplo: Fracción de cobertura vegetal (FVC) en 2 fechas

No CambioRegeneración

FVCt1

Ct1

Regeneración

FVC

Deforestación

FVCt2

FVCt2

t2

31

Técnicas para la detección de cambioTécnicas para la detección de cambio6. Análisis multitemporal de variables categorizadas Generalmente, se basa en la comparación de 2 clasificaciones o mapas temáticos (obtenidos independientemente) de fechas distintas

p g

Permite obtener la matriz de cambio entre clasesEs menos dependiente de condiciones atmosféricas/iluminaciónINCONVENIENTES:INCONVENIENTES:Requiere disponer de información “verdad-terreno” Muy dependiente de la exactitud de las clasificaciones puede ser unaMuy dependiente de la exactitud de las clasificaciones puede ser una causa de cambio dominante

32

Técnicas para la detección de cambioTécnicas para la detección de cambio6. Análisis multitemporal de variables categorizadas

Clasificación (t2)

Clase 1 Clase 2 … Clase N Total Fila

p g

Clase 1 a1Na12a11

n (t 1

) 1KN

K=1

a∑N

Clase 2

… ………

a2Na22a21

sific

ació

n

2K

K=1

a∑

Clase N aN1 aN2 aNN

Cla

s

2K

N

K=1a∑

TotalColumna

K2

N

K=1a∑

K=1

K1

N

K=1a∑ KN

N

K=1a∑ iK

N

i,K=1N a= ∑

,

Matriz o Tabla de cambio (A): aij =tasa de transición entre cada par de clases, ci y cj

Permite conocer las tendencias del cambio (para cada una de las clases)ENVI: Basic Tools > Change Detection > Change Detection Statistics

33


7 Cl ifi ió ltit lPermite caracterizar cada superficie en base a los cambios espectrales-temporales

7. Clasificación multitemporal

temporales Seguir la evolución de una determinada variable (Crecimiento del cultivo, Temperatura del suelo, Contenido de agua en la vegetación)El caso mas habitual es multi-estacional: mejor diferenciación de cada superficie

Cultivos de secano / regadíoCultivos de secano / regadíoCaducifolios / perennifolios.

La selección/extracción de características es determinante/

34

Técnicas para la detección de cambioTécnicas para la detección de cambio7. Clasificación multitemporal7. Clasificación multitemporal

Ejemplo: detección de cambio basado en clasificación multitemporal de parámeros biofísicos

1996 TMEndmemberEvaluation

AccuracyAssessmentClassification

Ch M

1990 TM1990 TMImage

EndmemberSelection

Change Map

ReflectanceRetrieval

Classification

fReferenceEndmember

Δ SoilΔ Shade

Δ GVΔ NPV

Reference Spectra

SelectionSelection

EndmemberE l ti

Derive ChangeFractionsSoil T1

Shade T1GV T1

Soil T2Shade T2

GV T2 NPV T2

SMA

Evaluation

FractionAnalysis

GV T1 NPV T1

35

Técnicas para la detección de cambioTécnicas para la detección de cambio8. Análisis de Componentes Principales bi-temporal8. Análisis de Componentes Principales bi temporal

Zonas sin cambio: los datos multitemporales están muy correlacionados2 causas de variación fundamentales en las imágenes multitemporales2 causas de variación fundamentales en las imágenes multitemporales

(i) La que afecta a la mayor parte de la escena (transmisividad atmosférica, contenido en humedad)(ii) La que se restringe a partes locales de la escena (ej. cambios del uso de suelo o atribuibles a incendios).

⇒Es presumible que alguna PC constituirá el eje de cambio de la⇒Es presumible que alguna PC constituirá el eje de cambio de la variación de tipo (ii)

Pasos:Generar una imagen bi-temporal

l lAplicar el ACPInterpretación heurística de la PC asociada al cambio de interés

Limitaciones: muy dependiente de la escena interpretación subjetivaLimitaciones: muy dependiente de la escena, interpretación subjetivaUmbralización de la PC asociada al cambio 36

Técnicas para la detección de cambioTécnicas para la detección de cambio8. Análisis de Componentes Principales bi-temporal8. Análisis de Componentes Principales bi temporal

Limitaciones del ACP bi-temporal tradicional: los ejes principales están dominados por superficies sin cambio

Solución: PCA bi temporal iterativo (iterated PCA)Solución: PCA bi-temporal iterativo (iterated PCA)Pasos:1. Aplicar PCA bi-temporal e identificar la PC asociada a cambio de interés1. Aplicar PCA bi temporal e identificar la PC asociada a cambio de interés (PC2?)Iterar varias veces:

2. Aplicar una clasificación blanda ⇒ probabilidad de pertenencia a la clase asociada al cambio3 Aplicar PCA-bitemporal asignando un peso proporcional a la3. Aplicar PCA-bitemporal asignando un peso proporcional a la probabilidad de cambio

Mejoran la identificación de cambiosMejoran la identificación de cambiosCanty 2006: proporciona software IDL (iterated PCA)

extiende la funcionalidad ENVIextiende la funcionalidad ENVI

Image Analysis, Classification and Change Detection in Remote Sensing, with algorihms forENVI/IDL, M.J. Canty, Taylor & Francis, 2006, 348 pp.

37

Cartografía automática de incendios forestalesSérie de imágenes intercomparablesSérie de imágenes intercomparables radiométricamente (11 fechas )

imágenes de NDVI ( 92, 93, 94) Imágenes TM

García-Haro et al. 2001• Inventario multi-anual

de áreas quemadas

( 92, 93, 94) g(92,93)

Análisis de Componentes

ACE: Fracciones de suelo, bosque y matorral (92, 93)

Diferencias de NDVI ( 93-92, 94-93) de áreas quemadas

• Imágenes Landsat-5 TM• Evaluación de 3

pPrincipales (método PCA)

Cambio Vectorial (método CV)

( , )

Clasificación Multitemporal de NDVI (método CMN)

técnicas diferentes

Tres cartografías diferentes de lasTres cartografías diferentes de las áreas quemadas en 1992

Información verdad-terreno

Selección del método más adecuado

Inventario de las áreas quemadas durante el

3838

Inventario de las áreas quemadas durante el periodo 1984-1994

García-Haro, F. J., Gilabert, M.A. & Meliá, J., (2001). Monitoring fire-affected areas using TM data.Int.Journal Rem. Sensing, 22, 533-549.

38

Método A: Basado en ACP bi-temporal

Cartografía automática de incendios forestales{TM3t1, TM4t1, TM5t1 ,TM3t2.,TM4t2, TM5t2}pInterpretación heurística de la PC asociada al cambio de interés

visualmente y a partir de los y pcoeficientes (negativos en fecha 1, positivos en fecha 2)Umbralización basada en CP3 conUmbralización basada en CP3 con información contextual

39

Cartografía automatica de incendios forestalesMétodo B. basado en la distancia a ejes ortogonales1. Aplicar técnicas de “mixing”, para generar las fracciones de 3

componentes, su, (suelo) ma (matorral), bo (bosque) en 2 fechas

)( 222111 ffffff ),,,,,( 222111 bomasubomasu ffffff

Post-incendioPre-incendio

Hipótesis: Las zonas estables (sin cambios) presentarán composiciones idénticas en las 2 fechas.

2 C l l l bi di t i ( t l) l b i f d l2. Calcular el cambio: distancia (ortogonal) al subespacio formado por los vectores s1=(1,0,0,1,0,0), s2=(0,1,0,0,1,0) y s3=(0,0,1,0,0,1),

3. Binarización (quemado/no quemado) a partir de técnicas de umbrales y contextuales

4 Id tifi ( li i ) bi d d ( j ió d é4. Identificar (y eliminar) cambios no deseados (ej. regeneración después de incendios previos).

Cambios deseados:

4040• (0,1,0,1,0,0) (cambio matorral suelo)• (0,1,0,1,0,0) (cambio bosque suelo)

40

Cartografía automatica de incendios forestalesMétodo C. Basado clasificación multitemporal de NDVIMétodo C. Basado clasificación multitemporal de NDVI

1 Calcular 2 imágenes de variación del NDVI entre fechas sucesivas: • R1: NDVIt2 - NDVIt1 ⇒ Brusca disminución tras el incendio• R2: NDVIt3 - NDVIt2 ⇒ Regeneración de la masa forestal

2 Clustering: Identificar clases espectrales de interés R1 ↓↓ y R2↑2. Clustering: Identificar clases espectrales de interés. R1 ↓↓ y R2↑3. Identificar clusters de áreas quemadas: diferentes severidades de

incendio y capacidad regenerativa• Se ordenan los clusters de acuerdo a nuevo índice, llamado “fire

effect”, Efecto Del Incendio (EDI): PRRREDI 112 −=

• P: factor negativo (pondera mas R1), a determinar empíricamente

RR 112 +

g (p ), ppara cada fecha

• Los clusters con EDI mayor se atribuyen a incendios.4 Cl ifi ió i d b d t dí ti d l l t (

4141

4. Clasificación supervisada basada en estadística de los clusters (para nivel de significación prefijado) + técnicas contextuales 41

Cartografía automatica de incendios forestalesComparación de los distintos métodosComparación de los distintos métodos

4242A,B,C: magnitudes relacionadas con los incendios (3 métodos diferentes)D: superposición de las cartografías (rojo indica coincidencias) 42

Cartografía automatica de incendios forestales

Resultados finales: inventario de incendiosResultados finales: inventario de incendios

AÑO 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 TOTALSuperficie (ha)

4343

Superficie (ha) 1.284 540 2.970 230 380 750 8.490 4.550 5.160 1.820 26.180

Superficie quemada durante el período de estudio (zonas no naturales enmascaradas)43


Requiere disponer de información “verdad-terreno” multitemporal (factor limitante)Si se basa en método supervisado ⇒ método validación-testeo (parte de las muestras se usan para entrenamiento, el resto para validación)de las muestras se usan para entrenamiento, el resto para validación)Se evalua de forma análoga a los métodos de clasificación:

precisión global, matriz de confusión, precisión de usuario, precisión de productor, índice Kappa, etc.

No clasif No cambio Cambio Total N l if 0 0 0 0a

mbi

o

Verdad-terreno

No clasif 0 0 0 0 No cambio 8 1730 0 1738 Cambio 0 0 26 26

apa

de c

a

Total 8 1730 26 1764

Ma

44

Verificación de los resultadosVerificación de los resultadosEjemplo: Guild et al (2004)• Clasificación basada en componentes Tasseled Cap 3, fechas (1984,86,92)• Usa CPs y diferencias bi-temporales

Guild, L.S., Cohen, W.B and Kauffman, (2004), Detection of deforestation and land conversion in Rondonia, Brazil using change detection techniques, Int. J. Remote sensing, 25: 731-750

45


Ejemplo: Guild et al (2004)

46

MultivariateMultivariate AlterationAlteration detectiondetection (MAD)(MAD)MultivariateMultivariate AlterationAlteration detectiondetection (MAD), (MAD), Nielsen et al, 1998( ),( ), ,Crear una combinación lineal de las intensidades de los N canales de laimagen adquirida en la fecha t1,

TU = aTX= a1 X1 + a2 X2 + ... +an XnHacer lo mismo con la imagen adquirida en t2,V = bTY= b Y b Y + +b YV = bTY= b1 Y1 + b2 Y2 + ... +bn YnSe obtiene una nueva banda U-Va y b se eligen de manera que la correlación (positiva) entre U y V seaa y b g d a a qu a o a ó (po a) U y amínima, con la condición adicional

var(U) = var(V) = 1La imagen de diferencias U-V se denomina MAD

MAD presenta la mayor dispersión (varianza) posibleσ2(MAD)= var(U V) = var(U) var (V) 2 cov(U V)=2(1 ρ)σ2(MAD)= var(U-V) = var(U) – var (V) – 2 cov(U,V)=2(1-ρ)Minimizar la correlación equivale a maximizar la dispersión(cambio)

Caso más general: se genera una secuencia de nuevos canales Ui e Vi(i=1,..N), mutuamente ortogonales y tales que ρ1 ≤ ρ2 ≤ .... ≤ ρn

47

MultivariateMultivariate AlterationAlteration detectiondetection (MAD)(MAD)

Ejemplo

48

Lecturas recomendadas (MAD)Lecturas recomendadas (MAD)Libros relacionados (incluyen algoritmos ENVI/IDL)Libros relacionados (incluyen algoritmos ENVI/IDL)

Canty, M. J. (2006). Image Analysis, Classification and Change Detection inRemote Sensing, with algorithms for ENVI/IDL. Taylor & Francis, 348 pp.---- (2010). Second revised edition.( 0 0) Seco d e sed ed t o

Versión actual de los programas:http://mcanty.homepage.t-online.de/software.html

MAD,MAD, MADMAD iterativoiterativoNielsen A A (2007) The regularized iteratively reweighted MAD method forNielsen, A. A. (2007). The regularized iteratively reweighted MAD method forchange detection in multi- and hyperspectral data. IEEE Transactions on ImageProcessing, 16(2), 463-478.

AplicaciónAplicación MADMAD:: normalizaciónnormalización radiométricaradiométrica dede formaforma automáticaautomáticaAplicaciónAplicación MADMAD:: normalizaciónnormalización radiométricaradiométrica dede formaforma automáticaautomáticaCanty, M. J. and Nielsen, A. A. (2008). Automatic radiometric normalization ofmultitemporal satellite imagery with the iteratively re-weighted MADtransformation Remote Sensing of Environment 112(3) 1025 1036transformation. Remote Sensing of Environment, 112(3), 1025-1036.

AplicaciónAplicación MADMAD:: clasificaciónclasificación automáticaautomática dede cambioscambiosCanty, M. J. and Nielsen, A. A. (2006), Visualization and unsupervisedy, , ( ), pclassification of changes in multispectral satellite imagery, Int J. Rem. Sensing,27: 3961-3975 49

Detección Detección multivariadamultivariada de alteraciones (MAD)de alteraciones (MAD)

áMatemáticamente, el problema es conoce como CanonicalCorrelation Analysis:

Técnica para identificar y cuantificar relaciones lineales entre 2Técnica para identificar y cuantificar relaciones lineales entre 2conjuntos multivariantes

En nuestro caso 2 imágenes idénticas (X e Y) con nb d d )bandas cada una)

Las imágenes transformadas, U y V, se llaman componentescanónicas (canonical variates, CVs)

x1 y1

ca ó cas (ca o ca a ates, C s)

CanonicalV i t f2

CanonicalV i t f 2

U = aTX V = bTY

Variate forthe Xs

x2 Variate forthe Ys

y2

xn yn 50


Fuente: Image Analysis, Classification and Change Detection in Remote Sensing, with algorihmsfor ENVI/IDL, M.J. Canty, Taylor & Francis, 2006, 348 pp.

51

Propiedades de las MADPropiedades de las MADOrtogonalidadLas componentes canónicas U, V son ortogonales con varianza unidadcov(Ui,Uj)=δijcov(V V ) δcov(Vi,Vj)=δijLos pares de imágenes Ui, Vi son ortogonales entre sí con covarianza:

cov(Ui,Vj)= δij ρicov(Ui,Vj) δij ρiCada una de las n imágenes de diferencias Ui-Vi ≡ MADi resalta untipo de alteración o cambio (MAD variates)Se ordenan segun correlación creciente (o varianza decreciente)

var(Ui-Vj)=σ2(MADi)=2(1-ρi)≤ ≤ ≤ρ1 ≤ ρ2 ≤ .... ≤ ρn

σ2(MAD1) ≥ σ2(MAD2) ≥... ≥ σ2(MADn)

Invarianza frente al escaladoInvarianza respecto a transformación afín: Y⇒ a1 Y + a0p 1 0Es insensible a cualquier efecto lineal en la imagen (atmosférico,iluminación, corrección del calibrado) requerido por la imagen.

52


Sea Z la suma de cuadrados de las variables MAD estandarizadas

siendo: MAD=U –V2

∑ ⎟⎟⎞

⎜⎜⎛

=n MADZ i

En ausencia de cambio, Z es una función (χ2n) (chi-cuadrado con n grados de libertad): suma de n funciones con media 0 y varianza 1

siendo: MADi=Ui Vi1

∑=

⎟⎟⎠

⎜⎜⎝

=i MADi

Zσ

grados de libertad): suma de n funciones con media 0 y varianza 1.

Aproximación válida cuando el cambio está localizado a pocas áreas)(1)Pr(

;2ZPcambiono nχ−=

Aproximación válida cuando el cambio está localizado a pocas áreas

APLICACIONES:ó1. Detección de zonas pseudo-invariantes:Identificar cambio: zonas con Pr(no cambio)>t

t: percentil pre fijado (ej 90% 95% 99%)t: percentil pre-fijado (ej. 90%, 95%, 99%)2. Usar la probabilidad de cambio

Etiquetar “no cambio” zonas con Pr(cambio)>tEtiquetar no cambio zonas con Pr(cambio) tMAD iterativo, dándole un peso diferente en función de probabilidad de cambio

53


S l ió d lt b bilid d d biSelección de zonas con alta probabilidad de cambioAplicar la transformación MADCalcular la variable Z (tipo χ2n)

Ejemplo D d i 4 b d l l l b l d t (Z )

Calcular la variable Z (tipo χ n)

Etiquetar como “cambio” los pixels con Z>ZMAX para un percentil prefijado

Ejemplo. Dada una imagen con 4 bandas, calcular el umbral de corte (ZMAX) correspondiente a Pr(cambio)= 0.95.

Función χ2n (tabulada entre n=1 y n=4)

n

Pr(Z>ZMAX)=0.05

54

Detección Detección multivariadamultivariada de alteraciones (MAD)de alteraciones (MAD)MAD iterativoMAD iterativo

Variante iterativa, regularizadaProporciona resultados mejoresp jCanty 2006: Routinas IDL para funcionalidad ENVI

Detección automáticade cambios con IR-MADMAD

55


Clustering en espacio

Ejemplo. Clasificación no supervisada de cambios

Clustering en espacio MAD1 - MAD2

29-03-1998 • IR-MAD29-03-1998 IR MAD• Clustering

Clasificación de

16-05-1998

Clasificación de cambios (5 clusters)

Canty, M. J. and Nielsen, A. A. (2006), Visualization and unsupervised classification of changes in multispectral satellite imagery, Int J. Rem. Sensing, 27: 3961-3975

56

MAD iterativoMAD iterativo

Iteratively reweighted MAD (IR-MAD)Inspirado en métodos boosting: dar un peso mayor a observaciones “difíciles” (cambio incierto)( )Se aplica el MAD iterativamente

En cada iteración, se asigna a cada pixel un peso diferentePeso= Pr(no cambio) para caracterizar mejor las áreas invariantesCondición de parada: Las correlaciones ρi no cambian apreciablemente o se alcanza el máximo nº de iteraciones

Regularized IR-MADReduce errores debidos a la alta correlación entre bandas (ej. n>20).Añade a las matrices de covarianza un término para evitar singularidades Σ⇒Σ+λΩ λ=parámetro a introducir (subjetivamente)

Nielsen, A. A. (2007). The regularized iteratively reweighted MAD method for change detection in multi- and hyperspectral data. IEEE Transactions on Image Processing, 16: 463-478. yp p g g,

Canty, M. J. and Nielsen, A. A. (2006), Visualization and unsupervised classification of changes in multispectral satellite imagery, Int J. Rem. Sensing, 27: 3961-3975 57

S l ió t áti d i i t (PIF)

Aplicación MAD: normalización radiométricaAplicación MAD: normalización radiométrica

Selección automática de zonas invariantes (PIF)Aplicar la transformación MADCalcular la variable Z (tipo χ2n)Calcular la variable Z (tipo χ n)

Etiquetar como invariantes los pixels con Z

Aplicación MAD: normalización radiométricaAplicación MAD: normalización radiométrica

1. Identificación automática de PIF (áreas pseudo-invariantes) en la imagen (Z

Aplicación 1: estudio de deforestaciónAplicación 1: estudio de deforestación

1984

Fracción de cobertura

óarbórea (AVHRR, 8km)

1990

Tree cover

0%

1997

100%

Fuente: DeFries et al. 2004 61

Aplicación 1: estudio de deforestaciónAplicación 1: estudio de deforestación1984 1990 1997

% é did bó (1984 1997)Aglomeraciones de pérdida

% pérdida arbórea (1984-1997)g pPérdida >1 % en 10,000 km2

Fuente: DeFries et al. 200410% 80%62

Parámetros MODIS: Parámetros MODIS: landland covercover dynamicsdynamics (MOD12Q2)(MOD12Q2)MOD12Q1 Gl b l L d C TMOD12Q1: Global Land Cover TypeMOD12Q2: Land Cover Dynamics

0 60.70.8 Maturity stability Senescence onset

Duration of maturityGreenup stability

Maturity onset

Senescence stability

0 20.30.40.50.6

Dormancy onset

Dormancy stability

Duration of maturity

Maximum GreennessGreenup onset

Greenup stability

00.10.2

0 50 100 150 200 250 300 350 400Julian day

Duration of greenness

• Parámetros fenológicos: Greenup, maturity, senescence, dormancydormancy

• Valores de EVI (greenup, peak, annual integrated)• Método: Ajustar trayectoria de EVI a función logistica dcty +=)(

Modelo logístico

de

ty bta ++= +1

)(63

Parámetros MODIS: Parámetros MODIS: landland covercover dynamicsdynamics (MOD12Q2)(MOD12Q2)

• Producto global, 1km• Inputs

– 8-day EVI8 day EVI– 500-m NBAR– LST (MOD11)

• Frecuencia: 2 veces por año• Frecuencia: 2 veces por año

• Incluye 7 métricasy– Inicio de desarrollo– Madurez– senescenciaPeriodos– Dormancia– Min, max– integral

EVI

64

Detección de incendios (LSA SAF)Detección de incendios (LSA SAF)

Fuente: C. Cámara (LSA SAF)Algoritmo operacional SEVIRI/MSGMétodo optmiziado basado en umbrales + contexto

65

Técnicas para la detección de cambioTécnicas para la detección de cambioLecturas recomendadas

Bruzzone, L. y Smits, P. Eds. (2001): Analysis of multi-temporal remote sensing images, Singapore, World Scientific.

Chuvieco, E. (2002): Teledetección Ambiental, Barcelona, Ariel.Chuvieco, E. (2002): Teledetección Ambiental, Barcelona, Ariel.

Coppin, P., Jonckheere, I, Nackaerts, K., Muys, B. y Lambin, E (2004): Digital change detection methods in ecosystem monitoring: a review, International Journal of Remote Sensing, vol. 25 (9), pp. 1565-1596.g, ( ), pp

Eastman, J.R., McKendry, J. y Fulk, M. (1995): Explorations in GIS technology, vol. 1: Change and time series analysis, Geneve, United Nations Institute for Training and Research.

Hoobs, R.J., y Mooney, H.A. Eds. (1990): Remote Sensing of Biosphere Functioning, NewHoobs, R.J., y Mooney, H.A. Eds. (1990): Remote Sensing of Biosphere Functioning, New York, Springer Verlag.

Jensen, J. R. (2005): Introductory digital image processing. A remote sensing perspective, 3ª edición, Upper Saddle River N.J., Prentice-Hall.

Khorram, S. Ed. (1999): Accuracy assessment of remote sensing-derived change detection, Bethesda, American Society for Photogrammetry and Remote Sensing (ASPRS).

Lunetta, R.S. y Elvidge, C.D. Eds. (1998): Remote sensing change detection. Environmental , y g , ( ) g gmonitoring methods and applications, Chelsea, Ann Arbor Press.

Pontius, R.G., Shusas, E. Y McEachern, M. (2004): Detecting important categorical land changes while accounting for persistence, Agriculture, Ecosystems & Environment, 101, pp. 251-268.

Singh, A. (1989): “Digital change detection techniques using remotely-sensed data”, International Journal of Remote Sensing, 10 (6): 989-1003.

66

Análisis y extracción de información - UV...SAR (retrodispersión radar): Terremoto de magnitud...

Documents

Transcript of Análisis y extracción de información - UV...SAR (retrodispersión radar): Terremoto de magnitud...