Posteado por: rengifo | octubre 28, 2014

Evaluación de la cobertura global de 30 metros de resolución (GlobeLand30 )


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

Anuncios

Responses

  1. que buen reporte vivo en Colombia y quiero basar mi tesis en clasificación y extracción de edificaciones, vegetación y vías a entornos urbanos utilizando imágenes obtenidas por UAV alguna sugerencia

  2. Estimado Oscar… he trabajado poco con UAV pero aqui un par de link que te pueden ayudar. El primero es un artículo donde describen paso a paso como se georeferencian,ortoretifican y cran mosaicos usando software parcialmente software abierto
    http://www.geometh.ethz.ch/uav_g/proceedings/niethammer

    El segundo link es de un libro en parte disponible en google book que describe la metodologia de como extraer objetos hecho por los humanos de una imagen aerea, lo cual aplica a las imagenes de UAV. Aqui hacen referencia al algoritmo ‘gotcha’ que se nombre en el articulo del primer link.
    https://books.google.no/books?id=7gQGceh5AiEC&pg=PA222&lpg=PA222&dq=Gruen+-+OTto+-+CHAu+%28GOTCHA%29&source=bl&ots=e2i23z06UW&sig=mEq841lBEp9NjCUAKMEVc8JE00M&hl=de&sa=X&ei=aj3HVNzsKKL9ygPqtoKYDw&redir_esc=y#v=onepage&q=Gruen%20-%20OTto%20-%20CHAu%20%28GOTCHA%29&f=false

    y el tercer link es de las paginas de grass gis que te puede ofrecer una idea de lo que es posible en Grass gis al respecto
    http://grass.osgeo.org/grass64/manuals/i.ortho.photo.html

    exito.

  3. Hola Oscar una vez mas aqui encontré otro link que puede ser interesante para ti
    http://opensourcephotogrammetry.blogspot.it/


Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s

Categorías

A %d blogueros les gusta esto: