Download
1 / 27
270 likes | 644 Views
Objetivo de la ponencia. Presentar los avances de un estudio realizado para comparar el uso de diferentes sensores remotos y m?todos de clasificaci?n de im?genes, para la obtenci?n de informaci?n cartogr?fica de humedales.Este estudio se realiza en apoyo a los trabajos del Grupo Interinstitucional para el Inventario Nacional de Humedales..
E N D
1. Aplicación de sensores remotos para la delimitación de humedales en México Nora Esquivel
Convención Nacional de Geografía
Manzanillo, Colima 16 de junio de 2005
2. Objetivo de la ponencia Presentar los avances de un estudio realizado para comparar el uso de diferentes sensores remotos y métodos de clasificación de imágenes, para la obtención de información cartográfica de humedales.
Este estudio se realiza en apoyo a los trabajos del Grupo Interinstitucional para el Inventario Nacional de Humedales.
3. Señales espectrales de diferentes clases de coberturas de la superficie terrestre
4. Zonas de estudio
El Lago de Cuitzeo, Michoacán
Ejemplo de humedal interior (continental)
La cuenca del Lago de Cuitzeo se localiza en la porción centro-occidental del Sistema Volcánico Transversal.
Permanece como el segundo mayor lago de agua dulce del país.
El lago está expuesto a desecación cíclica: en periodos de secas, la parte Este del lago permanece cubierta de agua, mientras que la parte Oeste sufre una reducción considerable.
5. Zonas de estudio Los Petenes, Campeche
Ejemplo de humedal costero:
Se localizan al Noroeste de la Península de Yucatán
El área está ocupada por una ciénega a lo largo de la cual se desarrollan islas de vegetación de forma circular llamadas Petenes.
La roca calcárea permite que las filtraciones de agua dulce provenientes del manto freático afloren dentro de la ciénega salina formando cenotes, permitiendo la presencia de especies de hidrófilas de agua dulce entre las de agua salobre y salina.
6. Sensores Landsat ETM+
espacial: 15, 30, 60 m; espectral: 7 bandas;
temporal: 16 días
Spot 2,4,5
espacial: 10, 20 m; espectral: 1, 3, 4 bandas
temporal: 26 días
Fotografía aérea
7. Métodos de clasificación de imágenes
Clasificación visual (fotointerpretación)
Clasificación vía clustering
Clasificación “supervisada”:
Máxima Verosimilitud
Clasificación por objetos (Algoritmo SMAP -- Bouman y Shapiro, 1994-- integrado a GRASS GIS, 2003
8. Sistema de Clasificación de Humedales Se consideraron tres sistemas de clasificación de humedales:
Cowardin modificado por CONABIO (1998)
DUMAC (2003)
EPOMEX (1998)
Y las descripciones de Abarca (2002)
9. Sistema de Clasificación de Humedales Se integró un sistema de clasificación jerárquico en 4 niveles: sistema, subsistema, clase y tipo
Se basa en la estructura del sistema de Cowardin
A esta estructura se agregaron tipos de humedales contemplados en los otros sistemas de clasificación existentes en México y no incluidos en el sistema de Cowardin
10. Clases cartografiables
11. Clases cartografiables
12. Clases cartografiables
13. Pasos del procesamiento Análisis de sistemas clasificatorios e integración
Corrección Geométrica
Generación de campos de entrenamiento
Clasificación de las imágenes utilizando los métodos mencionados
14. Resultados de la clasificación Procesamiento Digital
Clustering
Máxima Verosimilitud
Clasificación orientada a Objetos
Interpretación Visual
15. Clasificación vía clustering Se realizó una clasificación (y etiquetamiento visual) con el método ISODATA con el fin de conocer las clases espectrales que puede discriminar el sensor sin un modelo predeterminado
Para una imagen Landsat ETM+ de la zona de los Petenes, se pudieron discriminar 11 clases relacionadas con los humedales
16. Clasificación por clustering (Petenes)
21. Clasificación supervisada
22. Clasificación supervisada
23. Conclusiones La complejidad es inherente al humedal y no al nivel escalar de que se trate: el sistema de clasificación de humedales debe ser sensible a esta característica
Al comparar la clasificación visual con la clasificación digital (Por Objetos) se observa:
La clasificación digital requiere de un trabajo adicional para depurar el mapa
La superioridad de la clasificación visual para definir las clases con mayor exactitud
24. Conclusiones En las clases de Vegetación Acuática, Lecho Acuático y Agua Abierta, los sensores Landsat y SPOT presentan resultados similares. En este caso, la resolución espectral parece ser más importante que la resolución espacial
La estrategia de clasificación (Máxima Verosimilitud vs Por Objeto) no parece ser relevante para las clases de interés
25. Conclusiones Para las clases de interés: vegetación acuática, lecho acuático y agua abierta:
Los sensores Landsat y SPOT presentan resultados similares (número de pixeles clasificados por clase). En este caso, la resolución espectral parece ser más importante que la resolución espacial
La estrategia de clasificación (Máxima Verosimilitud vs Por Objeto) no parece ser relevante
26. Conclusiones Una forma de mejorar las clasificaciones es utilizar una método híbrido. Esto consiste en presentar al fotointérprete una preclasificación (preferentemente por objeto) lo que permite identificar mas fácilmente zonas con el mismo comportamiento espectral y textural.
El análisis debe ser complementado con estudio estacional de los humedales
27. Conclusiones Un sensor de resolución media (Landsat, SPOT) permite la delimitación de los humedales, lo esencial es contar con un sistema de clasificación de humedales adecuado
