Estimados lectores,
Ante todo mis cordiales saludos. Han pasado algunos meses desde que blogueé algunas de mis ideas. Como excusa tengo el hecho que por primera vez desde hace 3 años fui a mi ciudad en Venezuela, Mérida. Alli tuve la oportunidad de reunirme con familiares y amigos y al mismo tiempo ver una de las formaciones montañosas del planeta que jamás dejarán de fascinarme, Los Andes!. Lo primero que noté al caminar por las laderas fue la recurrencia de los movimientos de tierra que se presentan en diferentes localidades como una función del terreno, tipo de suelos, cobertura vegetal, pero tambien producto de la intervención humana
Una de esas zonas, entre otras estan representadas por el sector Las Calaveras. Localizado entre la ciudad de Mérida y Tabay (aldea), este sector fue afectado por una avanlancha de flujos detritos, en la cual 4 personas perdieron sus vidas, 12 casas fueron destruidas y el tráfico vial interrrumpido durante varias horas (ver imágenes).

Flujo de detritos, sector Las Calaveras. Mérida- Venezuela. Nov. 2007. Tomada por Rengifo Ortega.

 

A  10 años de la ocurrencia de este  evento es casi imposible ver en que zona el  mismo ocurrió. Esto se debe en gran parte al rápido creciemiento de la vegetación en los trópicos, pero también a la falta  de inventarios  multitemporales sistematizados, que permita el seguimiento de estos eventos en espacio y tiempo. A ello se le suma l a falta de una memoria colectiva persistente que se pueda transmitir de generación a generación con el objetivo de aumentar la capacidad de recuperación de las comunidades afectadas por estos eventos.

Un decada después de la ocurrencia de esta tragédia ,le dedico esta reflexión a  las vicitmas del Sector Las Calaveras.

Me despido cordialmente hasta la próxima.


Estimados lectores,

Ante todo espero que hayan tenido un felíz año nuevo. En esta oportunidad les escribo brevemente para demostrar como crear un mapa de relieve coloreado de acuerdo a la altura. Básicamente se trata crear un RGB con relieve.

Lo primero que necesitan es tener instalado el GRASS GIS 6.4 que es  la version que uso en este caso , y la libreria  GDAL.También va a necesitar un MED o tif que contenga los valores de altura.

El  primero paso es que crear una escala que comprenda los nivel de altura  observados en el MED/tif.

En este caso usé un MED de 25 metros del Archipielago de Svalbard, archipielago localizado entre Noruega y el polo Norte.

De acuerdo al MED  de Svalvard el mismo tiene alturas máximas de  1700 msnm (sobre el nivel del mar). Asi que usando  notepad u otro editor de texto simple  cree una tabla de colores con los niveles de altura y los codigo de los colores deseados en código RGB. La misma la guardé   en formato txt. (tabla_colores.txt) en el mismo lugar donde tenía el MED/tif.

0 110 220 110
700 240 250 160
1200 230 220 170
1500 220 220 220
1700 250 250 250

Una vez hecho esto  abrí gdal en la consola de comando del dos (cmd) y navegé  al lugar donde tenía el  MED og Tif.

Dentro de la línea de comando escribí el siguiente  comando:

gdaldem color-relief svalvard.tif tabla_colores.txt svalvard_color_relieve.tif

Vamos descomponer el comando para que sea más fácil entenderlo:

“gdaldem color-relief”: es una utilidad  de  gdal y dice que tiene tomar el svalvard.tif(input), ver la altura y asignarle los colores definido en la tabla_colores.txt y  guardarlo en un nuevo tif llamado svalvard_color_relieve.tif.

Una vez hecho  esto pueden ver la imágen y ver si están satisfechos con la distribución de los colores con respecto a la altura. De otra manera pueden modificar  la tabla y correr el comando de nuevo el tif anterior será resescrito. (Ver imágen 1)

Posteriormente se importa  svalvard.tif(input) y svalvard_color_relieve.tif  en GRASS GIS. Al importar svalvard_color_relieve.tif  GRASS GIS descompone el .tif en  RGB (rojo, verde y azul). Usando  el comando r.composite en GRASS GIS  se combina los 3 canales  y se restituye como la imágen producida por gdal anteriormente. (ver imágen 1 )

 

 

sv

Imagen 1: Muestra el tif original a la izuierda y  el tif(RGB) creado a con  GDAL a la derecha.

Con el  .tif original se genera un relieve de sombras (shade) usando el comando r.relief y se  fusiona con el RGB usando el comando r.shade
El resultado de la fusion  se exporta usando el comando r.out.tiff (ver imagenes 2,3,4,5,6)

2016-01-08 10_44_10-

Imágen 2 : Ejecutando el comando r.relies desd GRASS GIS

 

2016-01-08 10_44_58-GRASS GIS 7.0.0 Map Display_ 1  - Location_ svalvard@PERMANENT

Imágen 3: Fusionando el RGB y el hillshade con el comando r.shade

 

 

2016-01-08 09_02_21-Untitled - ArcMap

Imágen  4: Exportando el   el relieve coloreado usando el comando r.out.tiff en GRASS GIS 6.4

 

2016-01-08 09_02_33-Untitled - ArcMap

Imágen 5: definiendo las opciones de exportacion, es importante * crear un world file de otra manera el tif pierde la proyección .

 

2016-01-08 12_44_24-GRASS GIS 6.4.4 Map Display_ 1  - Location_ svalvard

Imágen 6: Mapa de relieve coloreado

Es  importante  remarcar que en el caso de Svalvard  habria que ajustar los colores para reflejar la existencia de los glaciales, como se muestra en el mapa de GEBCO (ver imagen 7).

 

2016-01-08 11_13_25-QGIS 2.8.1-Wien

Imagen 7: Extraida del  servicio de mapas en linea (WMS) de GEBCO.

Espero  haberles despertado la curiosidad respecto al uso combinado de GDAL y GRASS GIS. Para personas que dominen el inglés se encuentra algo parecido en en este blog.

Me despido cordialmente hasta la proxima vez.

Ps: disculpa por la falta de acentos.. por alguna razón no funciona en wordpress hoy.

 

 

 

 

 

 

 

 


Estimado lectores,

Los he tenido algo abandonados. Como siempre por razones de tiempo. En esta oportunidad  me gustaria discutir  sobre los efectos que  el uso de una técnica equivocada de interpolación tiene sobre  la calidad del MED. Para ello uso un MED de 20 metros de resolución en una zona en Noruega aleatoriamente selecionada (ver imágen 1 ).

2015-12-09 16_46_26-Microsoft PowerPoint - [DTManalyseESRIKon2 .pptm].png

Imágen 1: Zona de estudio

Para ello uso dos MED de la zona en cuestión: Un MED reproyectado de la zona  utm 32 a  la zona utm 33 usando el método de las celdas más cercanas ( nearest neighbor resampling ; NNR) y un MED  reproyectado  de igual manera , pero  usando el método bilinear (bilinear resampling; BIR). A simple vise ambos MEDs  parecen ser iguales. Ambos parecen presentar la misma distribución de altura (ver imagen 2).

DTM20(NNRBIR)

Imágen 2: MED  con 20 metros de resolución. A la izquierda MED  reproyectado usando  el  método de neareast neighbor (NNR). A la derecha MED reproyectado a la zona utm33 usando el método bilinear (BIR)

Sin  embargo el cálculo de la pendiente y de la orientación de la pendiente,  comienzan a revelar que los dos MED difieren uno del otro en la forma como las celdas fueron reorganizadas al ser  reproyectadas de una zona utm 32 a la zona utm 33 (ver imágen 3).

helding_samlet

Imágen 3: Cálculo de la pendiente de ambos MED en grados

Igualmente el cáculo de de la orientacíon de la pendiente  muestra más claramente lo que se conoce como artefactos (errores sistemáticos introducidos por un  algorítmo)  (ver imágen 4).

heldingorientering_samlet

Imágen 4: Cálculo de la  orientación de la pendiente en grados

Asi que surge la primera pregunta: Que genera esos artefactos en el MED  reproyectado con  el método NNR?  Para responder esta pregunta, importé ambos MEDs  a la base de datos  PostgreSQL /PostGIS usando el  siguiente comando:

raster2pgsql -s 32633 -d -I -C -M -R -l 4 c:\MEDNNR.tif -F -t 1×1 medNNR |psql -U postgres -d postgres

raster2pgsql -s 32633 -d -I -C -M -R -l 4 c:\MEDBIR.tif -F -t 1×1 medBIR |psql -U postgres -d postgres

Posteriormente, después de haber  importado ambos MEDs , usé siguiente SQL comando en QGIS:

SELECT rid,rast::geometry
FROM medNNR

y

SELECT rid,rast::geometry
FROM medNNR

para generar un indice espacial  de cada celdas de ambos MED para asi poder  extraer el punto central (centroid) de cada celda mediante  el uso de QGIS.

Comparando los centroids de cada celda en ambos MED, pude determinar que los artefactos en el MED reproyectado usando el método NNR, son generado por el desplazamiento de  las celdas hacia el Este. Dicho desplazamiento es generado por el  algorítmo implementado en el método NNR para efecto de reproyección y es de 3, 385 metros en este caso (imágen 5).

 

2015-12-10 14_35_16-Microsoft PowerPoint - [DTManalyseESRIKon2 .pptm]

Imágen 5: muestra el desplazamiento relativo del MED reproyectado con NNR  (rojo) con referencia al MED reproyectado con BIR (azul).

 Los artefactos conforman bloques artificiales de celdas de 10*10 metros y se diferencian uno del otro por cambios abruptos de la altura, pendiente  y la orientación de la pendiente, que  no reflejan la variación real del terreno (ver imágen  6).

2015-12-10 14_46_14-PowerPoint-lysbildefremvisning - [DTManalyseESRIKon2 .pptm].png

Imágen 6: Diferencia relativa de la altura (metros) a la izquierda  y   diferencia relativa de la pediente (grados ) a la derecha.

A de notarse que la diferencia de altura relativa muestra  que los bloques artificiales de celdas (10*1o metros)  presentan una variación de la altura sistemática  con valores negativos  en la esquina superior izquierda de cada bloque y valores positivos en la esquina inferior de cada bloque.

Esto es cierto solo para  pendiente orientadas al suroeste. Para  las pendiente orientadas al sureste, esta relación se invierte. En las zonas planas la diferencia es cero.

Al observar la diferencia relativa de la pendiente se hace aún más claro el efecto del  NNR sobre el MED. Los artefactos verticales presenta valores negativos de  pendiente, mientras que los artefactos horizontales presenta valores positivos. Esta relación al igual que en la diferencia relativa de altura se  invierte en función a la orientación de la pendiente y llega a ser cero en las zonas planas.

Mediante el uso de SAGA GIS hice un zoom de  ambos MEDs y de la  diferencia relativa de la pendiente .   Alli se puede  ver numéricamente el efecto que se  describo anteriormente (ver imágen 7).

2015-12-10 15_17_20-PowerPoint-lysbildefremvisning - [DTManalyseESRIKon2 .pptm].png

Imágen 7: Zoom en la zona los bloques  se diferencia por cambios abruptos de pendiente. Las dos imágenes  superiores muestras ambos MED . La imágen  inferior muestra una zona entre dos bloques de celdas.

Si el NNR  tiene efecto sobre la altura, la pediente y la orientación de la pediente es de esperarse que tenga  efectos sobre otros derivativos como por ejemplo  los derivativos usado en cálculos hidrológicos, especialmente cáculo de dirección del agua (aDir) y la acumulación del agua (aAcc). Asi surge la  segunda pregunta: Cual es el efecto numérico de  NNR sobre aAcc?

Primero calculé  el aDir  para derivar  aAcc usando  ArcGIS (por razones de trabajo). aAcc fue calculada usando  el algorítmo de fluido sencillo (single flow algorithm, SFA). Para ello, no se estableció ninguna restricción  para determinar la dirección del fluido del agua (ver imágen 8).

flowAcc_samlet

Imágen 8: Comparación de aAcc  calculada con SFA en ArcGIS y restrigida a valores entre  1000 y 7000 celdas para efectos de visualización.

Hay que notar que a simple vista ambos aAcc parecen diferir poco uno del otro. Uno estaría tentado a asegurar que el  aAcc calculado a partir del MED (NNR) es el correcto, ya que parece captar mejor la naturaleza del los rios.

Pero un vistazo cercano ala estadística de cada una de las direcciones  de drenajes asignadas  a los cada uno de los  aAccs por parte de ArcGIS,  revelan otra realidad (ver imágen 9).

2015-12-10 15_54_13-Microsoft PowerPoint - [DTManalyseESRIKon2 .pptm]

Imágen 9: La parte superior muestra una representación esquemática de como ArcGIS asigna los valores de la accumulación de agua y como posteriormente los codifica en direciones cardinales, comenzando con 1 en el este y terminando con 128 en noreste. La tabla en la parte inferior, muestra la substracción de los valores de la dirección del agua entre ambos MED.

Notese que en la dirección noroeste (código 8)  hay menos celdas que drenan  en esa dirección. Mientras que hacia el sur (código 4)  y  oeste (código 16) la contribución es positiva. Para evaluar el efecto de los artefactos  hice uso análisis direccional de superficies y estadística circular. Para ello usé GIS GRASS para generar gráficos polares (ver imágen 10).

LogFlowaccNNR

imágen 10: La imágen superior muestra el logaritmo de la accumulación del agua (aAcc), basada  en el MED (NNR). La imágen inferior muestra un  gráfico circular de la orientación de la pendiente de celdas que drenan hacia el noroeste (código 8), la misma fue generada con el comando d.polar en GRASS GIS .

Como se puede observar en la imágen 10 (superior) los artefactos generan lineas transversal  en la pendiente que dan la impresón que los rios se desplazan en forma de zigzag a los largo del pendiente. Si recuerdan el perfíl de  altura en la imágen 1, se darán cuenta que el terreno es de pendientes moderada. El algorítmo de fluido sencillo (single flow algorithm, SFA) que se utiliza para calcular aAcc, debería mostrar en pendiente moderadas un fluido del agua laminar y no en forma de zigzag.

En la imágen 10 (inferior) se puede observar que el promedio de la orientación del las celdas de drenaje es en dirección suoreste (azul). pero tambien se puede ver (rojo) que el efecto zigzag genera en una propagación de la acumulación de agua hacia el sur y el oeste que no es real. Esto se hace evidente si comparamos la imágen 10 con el aAcc calculado a partir del MED (BIR) (ver imágen 11)

LogFlowaccBIR

imágen 11: La imágen superior muestra el logaritmo de la accumulación del agua (aAcc), basada en el MED (BIR). La imágen inferior muestra un gráfico circular de la orientación de la pendiente de celdas que drenan hacia el noroeste (código 8), la misma fue  generada con el comando d.polar de GRASS GIS.

Observando la imágen 11 se puede observar que la dirección promedio coincide (azul) con la imágen 10, pero  no presenta mucha propagación de la accumulación del agua hacia el oeste o al sur (rojo).  La imágen 11 muestra un fluido laminar en la pendiente, que es la manera como el SFA debería comportarse en en este tipo de  terreno de pendientes moderadas.

De esta manera se puede concluir que:

  • El método NNR (stándar en ArcGIS)  para la reproyección  de   modélos  de elevación  no es apto para reproyectar datos continuos, ay que introduce errrores de altura mediante el desplazamiento del as celdas hacia el este.
  • El método NNR  reorganiza  la extructura interna del MED y bloque artificiales de celdas de 10*10 metros, llamados aretefactos. Es bloques artificiales se diferencian uno del otro por marcadas variaciones de altura y pendiente y da origen errores en la calculación de la dirección y acumulación de agua a partir de un MED.
  • La cantidad de celdas, hacia las cuales se drenan varia  dependiendo de la altura,  la pendiente y la orientación de la pendiente.
  • Desplazamiento lateral de la accumulación del agua en terreno moderado indica que los artefactos infuencia la forma  como el algorítmo de fluido sencillo (single flow algorithm, SFA).
  • Con excepción de los casos donde ya existe una red hidrológica calculada con anterioridad, que se pueda pueda usar para forzar el SFA a seguir una dirección específica, no se  recomienda usar MED reproyectado con el método NNR para ningún  análisis de terreno. En su lugar, deberia usarse el MED reproyectado con el método bilinear (BIR).

 

Espero haberle despertado la curiosidad. Abajo lagunas referencias de la literatura que use para  escribir el papel original de donde saqué las imágenes e ideas.

Les deseo una feliz navidad y un próspero año nuevo !!

 

Referencias

 

ESRI ArcGIS Resources: how flow accumulation works, http://resources.arcgis.com/EN/HELP/MAIN/10.1/index.html#//009z00000062000000 last accessed 03.11.2015.

Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., and Böhner, J. (2015). System for Automated Geoscientific Analyses (SAGA) v. 2.1.4, Geosci. Model Dev., 8, 1991-2007, doi:10.5194/gmd-8-1991-2015.

Neteler, M. and Mitasova,H., 2008, Open Source GIS: a GRASS GIS Approach. Springer, New York.

Parker, J.A., Kenyon R.V. and Troxel, D.E. Comparison of interpolating methods for image resampling, IEEE transactions of medical imaging, vol, MI-2, No.1 ,1983, pp.31-39.

R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org.

Posteado por: rengifo | octubre 13, 2015

Exportando un raster desde Grass Gis a Arcgis.


Estimados lectores,
ante todo mis más cordiales saludos esta vez desde Holanda, por razones de trabajo. Hace algunos dias tuve que exportar un raster con información de elevación a Arcgis de una zona en Noruega, después de una serie de procesamientos de Grass Gis. Con frustación descubrí rápidamente que no era tan facil. Ya a pesar que los valores eran correctos, los mismo no se mostraban en en la leyenda en Arcgis. La razón es que la forma como gdal que es el driver que GRASS GIS usa, crea las estadísticas del raster de una manera que no puede se correctamente por Arcgis.

La mejor forma de solucionar el problema es de la siguiente forma:
-Exportar el raster desde grass como un tiff usando la siguiente syntaxis
r.out.gdal input=in_image.tif output=out_image.tif format=GTiff type=UInt16 createopt=compress=lzw,predictor=2

Una vez esto hecho, van a las herramientas de arcgis y generan las estadísticas y de esta manera se corrigen los errores. Es decir los valores contenidos en el raster de representan en la leyenda.
Saludos y hasta la próxima
aqui la fuente de esta información


2015-07-31 23_21_11-Home_ Open Foris

Estimados lectores,

En esta oportunidad me gustaría hacer mención a una iniciativa llamada Floris, creada por la FAO (Food and Agriculture Organization). Floris consiste en una  colección de herramientas de software abierto para la collección, análisis y reporte de inventarios multipropositos. Entre las aplicaciones más comúnes de esta colección de herramientas se encuentran: Inventario de vegetación, reportes de cambios climáticos,análisis de la biodiversidad, cambios en el uso de la tierra, monitoreo de desertificación, entres otras aplicaciones. Las herramientas de Open Floris puede ser usadas desde cualquier sistema operativo. saludos hasta la próxima.

 

Posteado por: rengifo | abril 27, 2015

Herramienta para el modelaje geoespacial (GME).


Estimados lectores,

En esta oportunidad les quiero hablar sobre un software que aunque no es nuevo es poco conocido, a pesar de su gran utilidad . Me refiero a “Geospatial Modelling Enviroment (GME). El creador de esta herramienta describe en su página, que GME permite crear tanto pequeños proyectos de análisis como proyectos más complejos (Hawthorne L. Beyer, 2009). Por questiones de trabajo me enteré también que GME se puede usar en conjunto con R (unos de los softwares abiertos de estadísticas más avanzados que existe hoy día), lo cual hace de GME una herramienta muy versátil . Tal vez la única desventaja de este programa es que el mismo solo funciona en sistema operativo windows y que no es software abierto (es decir no se puede ver el código y hacerle cambios).

Imagen 1 : Geospatial Modelling Environment (GME)

GME aparte de ofrecer las herramientas correspondiente al campo del álgebra de mapas, ofrece también varias herramientas estadísticas como muestreo y simulación, entre otras. GME es fácil de usar con una excelente estructura de comandos y bien documentados. Finalmente, cabe decir que GME también ofrece la posibilidad de interactuar con los porductos de ESRI.

Lo único que pide al autor es que sea citado correctamente cuando se use su software, como se describe aqui: [Geospatial Modelling Environment (Version 0.7.3.0) (c) Hawthorne L. Beyer 2009-2012 www.spatialecology.com, email: hawthorne@spatialecology.com

Cordiales saludos y hasta la próxima.


Estimados lectores

Ante todo mis mejores deseos para el año que recién comienza. Que todas sus planes se realicen en el año 2015. Quiero comenzar este año una excelente noticia. El instituto geológico de los EEUU (conocido por sus siglas en inglés USGS), decidió el año pasado poner a disposición del público su modelo de elevación digital global de 30 metros de resolución.Como muchos de Uds recordarán hasta hace solo unos meses atrás el único modélo de elevación digital que se encontraba disponible a nivel global era el SRTM90m( 3 arc-second). Debido a su baja resolución de 90 metros el mismo presentaba una serie de limitaciones espaciales que solo permitían su uso a nivel regional.

El SRTM30 por su parte ofrece la oportunidad de hacer analisis más detallados a nivel de cuencas,ya que permite identificar carácterísticas del paisaje a mayor resolución. Al igual que el SRTM90 , el SRTM30 necesita ser pre-procesado antes de usarlo en el análisis.

Para rellenar los espacios en blanco use SAGA GIS (imagen 1) y posteriormente apliqué un filtro gaussian para remover el ruido de alta frequencia que hace que el DTM se vea un poco granular (ver imagen 2).

Imagen 1: SRTM30 sin procesar.

Imagen 2: SRTM30 después de ser procesado con SAGA GIS

Una vez realizado en el pre-procesamiento reproyecté en srtm30 al sistema de coordenadas UTM y lo exporté en formato ascii para visualisarlo en GRASS GIS (imagen 3 ). Para aquellos que no conocen la zona, nos econtramos en la Cordillera de los Andes Venezolanos, compuesta por la Sierra de la Culata al norte y la Sierra Nevada al sur. Las ciudades más grandes en la zona son Ejido y Mérida (capital del Estado).

Imagen 3. Visualización en 3D en GRASS GIS a lo largo del río Chama.

Imagen 3. Visualización en 3D en GRASS GIS, a lo largo del rio Chama.

A primer vista, en la imagen 3 se pueden apreciar varias características gemorfológicas a lo largo del valle del rio Chama, que se no podian apreciar anteriormente con el SRTM 90 . sobre todo el nivel disección del paisaje en pequeñas unidades gemorfológicas. Como se puede apreciar en la imagen 4, con el SRTM30 es posible diferenciar con mayor detalle el cono de deyección, sobre el cual se encuentra localizada la ciudad de Ejido (ver imagen 4)

Cono de deyección sobre el cual se situa la ciudad de ejido.

Imagen 4: Cono de deyección sobre el cual se situa la ciudad de Ejido.

Otro ejemplo de la utilidad del SRTM30 es la identificación de pequeñas microcuencas, que pueden ser fuente de procesos gemorfológicos , entre ellos flujo de detritos (ver imagen 5)

Microcuencas con potencial  de generar flujo de detrítos bajo condiciones pluvioméricas extremas.

Imagen 5 : Microcuencas con potencial de generar flujo de detrítos bajo condiciones pluvioméricas extremas.

En zonas de bajo relieve el SRTM30 no posee niguna ventaja comparativa sobre SRTM90., excepto en zonas de pie de monte andino, donde algunas de las formas geomorfológicas pueden ser indentificadas con mayor resolución.

Sin embargo, ninguno de los modelos de elevación presentados pueden ser usados para hacer análisis de inundaciones, ya que para ello se necesitan modelos con resolución de 2 metros generados por ejemplo a partir de datos de laser.

Finalmente, queda decir que para bajar el SRTM30 hay que registrarse en la página del USGS.

Me despido con un cordial saludo hasta la próxima .


Estimados lectores en el marco de la conferencia del clima que realizó en Sept de este año la República de China donó a las Naciones Unidas  la cobertura global de 30 metros (globeLand30). Asi que decidí hacerle una pequeña evaluación y aqui mis resultados.

Para la evaluación use los siguientes datos :

Imagenes

  • Quickbird 0.6 x 0.6 metros Dec., 2006

  • Aster Terra image 30×30 metros Feb., 2004

  • Cobertura de 30×30 metros,descargada Oct. 2014

Capas de vectores

  • Vialidad de OpenStreetMap descargada Oct., 2014

De acuerdo a la documentación que describe el producto por sus siglas en inglés GlobeLand30, el mismo tiene una exáctitud de acuerdo al coeficiente de Kappa de 83,51%, sin incluir la vegetación de tundra, lo cual se considera una exáctitud bastante alta, tomando en cuenta la resolución de 30 metros.

Sin embargo, al momento de usar este tipo de covertura global es necesario tomar en cuenta los criterios usado para agregar las 10 categorías existentes.

En este caso, las categorias que me interesan y donde encontré desde mi punto de vista algunas divergencias cuando las comparé con otras imágenes mayor resolución son dos, la categoría de superficies artificiales y la de selva.

De acuerdo a la documentación en inglés:

“las coberturas artificiales son superficies modificadas por el ser humano incluyendo todo uso residencial, minero, industrial,vias de transporte, zonas verdes urbanas y cuerpos de agua en areas urbanas.

“La categoría de selva son superficies cubierta de arboles, con cobertura vegetal que supere el 30%, incluyendo coniferas, caducifolias asi como, cobertura de arboles escazas (entre 10% y 30%)”

Para mayor información sobre los métodos usado para generar la cobertura les recomiendo la lectura del la descripción del producto. GlobeLand30

En la figura 1 muestro la cobertura sobre la ciudad de Mérida al Suroestede la ciudad. Verde obscuro representa selva; rojo representa superficies urbanas y verde claro representan pastos.

Cobertura global 30 m (GlobeLand30).

Fig 1: Cobertura global 30 m (GlobeLand30).

A primera vista pareciera que la ciudad se encuentra dividida por una selva siempre verde, lo cual resulta ilógico al ver la infraestructura que atraviesa esa covertura. La razon para esto deben buscarse la definición de la categoria de selva explicada anteriormente. Si la cobertura tiene entre 30% y 10% de arboles ( coniferas o caducifolias) el area sera asignada a la la categoría de selva.

Observando la Fig 2 que consiste en una imagen Aster Terra de 30×30 metros (Feb., 2004)se puede algunas otras coberturas que difieren de lo planteado por GlobLand30.

Fig 2: Aster Terra image 30x30 metros Feb., 2004. La imagen se procesó a través de la ecualización del histograma para alcazar una mejor distribucion de los colores. Rojo obscuro son coniferas o caducifolias , Azul es el casco urbano o suelo, gris son pastos

Fig 2: Aster Terra image 30×30 metros Feb., 2004. La imagen se procesó a través de la ecualización del histograma para alcazar una mejor distribucion de los colores. Rojo obscuro son coniferas o caducifolias , Azul es el casco urbano o suelo, gris son pastos

Cuando se compara la fig 1 con la fig. 2 dos no se puede evitar observar gran divergencia entre las dos imágenes zonas de de pastos en el lado izquierdo de la imágen fueron clasificado imcompletamente, mientras que coberturas que parece ser uso de tierra de subsistencia a la izquierda y el centro de la imágen fueron clasificadas como selva.

Una razón para ello se puede encontrar en el limite de pixels usados para de generar las máscara de las categorias, también conocida como MUM (minima unidad de mapeo). GlobeLand30 usa 6*6 pixels para la categoria de cultivo, 8*8 pixels para la categoria de selva 10*10 pixels para la covertura del pastos.

Este limite de MUM es problemático especialmente en zonas donde se practica cultivo de subsistencia donde alguna de las parcelas no llega a representar esa cantidad de pixel para ser clasificada como una categoría de cultivo. Sobre todo porque cada pixel son 30 metros.

Este limite y la condición del 10 a 30 % de selva puede generar falsos resultados cuando se trata de mapear cultivo de café en sombra, ya que esta técnica de cultivar café hace uso de árboles frondosos dentro de la selva para generar sombra a las plantas de café. De esta manera más del 10% de la vegetación de árboles se conserva, haciendo que una cobertura de cobertura de cultivo se clasifique como una cobertura de selva.

Estas divergencias se hacen cada vez más obvias al usar imágenes de mayor resolución como por ejemplo imágenes de Quickbird (ver fig 3 y 4).

Fig 3: Quickbird 0.6 x 0.6 metros superpuesta sobre imagen de ASTER

Fig 3: Quickbird 0.6 x 0.6 metros superpuesta sobre imágen de ASTER

Fig 4: GlobeLand30 (transparencia al 41%) superpuesta sobre imágen de Quickbird mencionada anteriormente.

Fig 4: GlobeLand30 (transparencia al 41%) superpuesta sobre imágen de Quickbird mencionada anteriormente.

En conclusión podria decir que el GlobeLand30 se puede usar para análisis regionales, pero aun deja mucho que desear para analisis a nivel local. Sin embargo debo admitir que esta cobertura global es un gran paso en la dirección correcta, si se compara con la cobertura global de 1km x 1km anteriormente existente.

Me despido de Uds cordialmente hasta la próxima

Posteado por: rengifo | mayo 13, 2014

Whitebox Geospatial Analysis Tools


Estimados lectores,

Después de una larga pausa, les quiero contar de un nuevo software que se encuentra disponible en las páginas de la Universidad de Guelph, Canada.  Este software se llama Whitebox geospatial analysis tools (Whitebox GAT).

La fortaleza de este  software  es el análisi de procesos hidro- geomorfológico. En la má reciente versión el Whitebox GAT tambien tiene muchas funciones para el analisis de fotos  satelitales. Este softaware es completamente libre publicado bajo linsenci GPL3.

Entre sus funciones cuentan:

-Herramienta de GIS: analisis del costo de la distancia, buffer, evaluación de multicriterios, reclasificación .

-Herramientas para el procesamiento de imágenes:  NDVI, mosaicos, clasificación, numerósos filtros espaciales

-Herramientas para la hidrologia: preprocesamiento de DEM, analisis de la corriente, flujo de masas y analisis de cuencas .

-Herramientas para el analisis de terreno: generación de derivados de supercifies (pendiente, orientación de la pendiente, curvatura), relieve, idex de humedad ,index de posicion relativa, index de la fuerza relativa de los rios.

-Herramientas para datos de laser: interpolación IDW, densidad de puntos, remoción de puntos falsos.

La lista anterior  es solo  un resumen de las posibilidades de uso que ofrece  el  Whitebox GAT. El mismo puede ser descargado gratuitamente de las páginas de la Universidad del Guelph. Aqui el link.

Además la universidad tiene un foro  donde publican algunas de las cosas que  se pueden hacer con Whitebox GAT e aqui el link

También olvidé mencionar que el Whitebox GAT tiene una guia de ayuda muy  bien documentada aqui el link

PS: para los interesados en la programación Whitebox GAT puede procesar python y Groovy

Cordiales saludos

Rengifo

 

 

 

 

Posteado por: rengifo | febrero 17, 2014

QGIS 2.0 Y SAGA Plugins


Estimado lectores,

los tengo un poco abandonados ya que por razones  de trabajo me ha quedado poco tiempo  para mi blog. Esta vez me gustaría hacer algunos comentarios  sobre el nuevo  QGIS 2.0. A primera vista, la fortaleza del nuevo QGIS reside en su capacidad de interoperar con otros software abiertos como SAGA, R y  SEXTANTE (GVSIG), entre otros. Pero en el proceso de interoperabilidad se esconden algunos detalles que  pueden ser  un poco confusos. Asi que para ilustrar a lo que me refiero tomé el módulo de análisis geomorfométrico y calculé 3 derivados  topográficos: relieve, orientación de la pendiente e inclinación de la pendiente local. Para ello, hice uso de un DEM-LIDAR con 2m de resolución.  Aqui los resultados.

En las imágenes  1 y 2 se puede observar los efectos del azimuth en la caculación de un map de relieve usando SAGA GIS plugin en QGIS . En la imágen 1 de  observa un relieve invertido donde el río es resaltado mientras que las montañas aparencen como  valles. Para corregir este  efecto, calculé el relieve de nuevo pero en vez de usar 315 grados  usé 120 grados , de esta manera obtuve el resultado deseado (ver imágen 2)

inverted_hillshade

Imágen  1. Relieve calculado usando 315 grados de azimuth .

correct_hillshade

Imágen 2. Relieve calculado usando 120 grados de azimuth

Otra particularidad  de la integración de SAGA GIS con QGIS se expresa en la forma como QGIS  presenta los resultados del geoprocesamiento, en este caso  la pendiente y  la dirección de la pendiente.  Como se puede  observar en las imágenes   3  y  4 ,  aunque los resultados del cálculo de la pendiente  es el mismo, la unidad en cada uno de los mapas difiere en la forma como se  expresa su escala. Mientras  que  SAGA GIS normaliza el resultado multiplicandolo por 100 y presentando los resultados en forma  de porcentaje , QGIS presenta el resultado sin esta normalización. Esto genera diferencia en la escala númerica y por consiguiente crea confusión. Observando los histográmas de ambas  pendientes (slope)  calculadas respectivamente en SAGA  GIS y en QGIS usando  EL SAGA GIS plugin , se darán cuenta que  aunque la escala difiere la forma del histográma de distribución es la misma.

saga_picsimágen 3. Muestra los resultados del cáculo del mapa de relieve, pendiente y dirección del pendiente con histogramas de distribución. Calculado en SAGA GIS, sin usar el plugin

qgis_pics_slope

imágen 4. Muestra la pendiente calculada  en QGIS usando el SAGA GIS plugin. Los resultados  la dirección de la pendiente es igual en ambos softwares.

Un cordial saludo a todos y hasta la próxima .

Older Posts »

Categorías