METODOLOGÍA PARA EL MAPEO DE TIPOS DE BOSQUES EN EL CONTEXTO DE LA CUANTIFICACIÓN DE LA BIOMASA Y EL CARBONO FORESTAL

Transcripción

1 METODOLOGÍA PARA EL MAPEO DE TIPOS DE BOSQUES EN EL CONTEXTO DE LA CUANTIFICACIÓN DE LA BIOMASA Y EL CARBONO FORESTAL Abner Jimenez Componente de Monitoreo Forestal Programa REDD-CCAD/GIZ XIV Conferencia Iberoamericana de Sistemas de Información Geográfica Tegucigalpa, 3 de Julio de Seite 1

2 Objetivo Automatizar procesos para reducir el tiempo en los procesos de clasificación de imágenes satelitales Seite 2

3 Datos 1. Imágenes satelitales RapidEye de 5m de resolución espacial, entre los años Mapas de cobertura forestal de los años 2000 y 2005, elaborados con imágenes Landsat. Imágenes RapidEye Mapa 2000 Landsat Mapa 2005 Landsat Fuente: Programa REDD-CCAD/GIZ Fuente: Programa REDD-CCAD/GIZ Seite 3

4 Imágenes RapidEye 1. Resolución temporal: diario. 2. Resolución espacial: 6.5 (original Producto 1B) y 5m ortorectificada (Producto 3A). 3. Resolución espacial: Fuente: 4. Tamaño escena producto 3A: 25 x 25 Km Seite 4

5 Clasificación Latifoliado 2. Pino denso 3. Pino abierto 4. Bosque mixto 5. Mangle (costa) 6. Mangle (interior) 7. Guamil o Café 8. Matorral 9. Pastos y/o cultivos 10.Cultivos intensivos 11.Agua 12.Urbano Seite 5

6 Latifoliado Seite 6 Seite 6

7 BOSQUES DE PINO Denso Ralo UNAH. MOGT/CTE-541 Abner Jimenez Seite 7

8 Mixto Mangle UNAH. MOGT/CTE-541 Abner Jimenez Seite 8

9 Guamiles y/o Cafe Matorrales Seite 9 Seite 9

10 Pastos y/o Cultivos Cultivos intensivos Seite 10 Seite 10

11 Concepto Usar mapas de cobertura de la tierra existentes para extraer muestras para el entrenamiento de imágenes satelitales RapidEye. Aplicar filtros a los mapas existentes para descartar muestras que tienen alta probabilidades de estar mal clasificadas o que podrían corresponder a otras categorías en la fecha de la nueva imagen a clasificar. Automatizar el proceso de extracción de muestras y clasificación en ArcGis Seite 11

12 Filtros 1. Extraer las categorías coincidentes entre mapas de diferentes fechas o diferentes fuentes. 2. Filtrar muestras en segmentos de la imagen a clasificar conformados por una sola clase. 3. Filtrar muestras de bosque que estén por encima del promedio de NDVI de la imagen a clasificar. 4. Filtrar muestras de no bosque que estén por debajo del promedio de NDVI de la imagen a clasificar. 5. Filtro por número de pixeles de cada muestra Seite 12

13 1er Filtro: Coincidencia de clases Extraer las categorías coincidentes entre mapas de diferentes fechas o diferentes fuentes. Mapa 2000 Mapa 2005 Zonas coincidentes (Clases de Referencia) Seite 13

14 2do. Filtro: Segmentos Filtrar muestras en segmentos de la imagen a clasificar conformados por una sola clase Seite 14

15 Imagen RapidEye Seite 15

16 Segmentos Seite 16

17 Segmentos y Clases de Referencia Seite 17

18 Segmentos con 1 sola clase (segmentos puros ) Seite 18

19 Clases dentro de segmentos puros Seite 19

20 3er. Filtro: NDVI Filtrar muestras de bosque que estén por encima del promedio de NDVI de la imagen a clasificar y por debajo del NDVI para no bosque Seite 20

21 Clases dentro de segmentos puros y NDVI Seite 21

22 Clases dentro de segmentos puros y NDVI Seite 22

23 Media de NDVI de cada clase Seite 23

24 Clases de bosque > NDVI medio (de cada clase) Seite 24

25 Clases de no bosque < NDVI medio (de cada clase) Seite 25

26 Muestras filtradas por NDVI Seite 26

27 4to. Filtro: Cantidad de pixeles por muestra Filtros por número de pixeles de cada muestra: a 200 pixeles a 800 pixeles 3. 1,200 a 2,000 pixeles Seite 27

28 Muestras de 20 a 200 pixeles Seite 28

29 Muestras de 400 a 800 pixeles Seite 29

30 Muestras de 1,200 a 2,000 pixeles Seite 30

31 Usar cada grupo de muestras para generar 3 clasificaciones a 200 pixeles a 800 pixeles 3. 1,200 a 2,000 pixeles Seite 31

32 Combinar las 3 clasificaciones resultantes y para cada pixel obtener la clase de mayor frecuencia Seite 32

33 Clasificación con muestras de 20 a 200 pixeles Seite 33

34 Clasificación con muestras de 400 a 800 pixeles Seite 34

35 Clasificación con muestras de 1,200 a 2,000 pixeles Seite 35

36 Obtener clase de mayor frecuencia en cada pixel Seite 36

37 EVALUACIÓN Y MEJORAS 1. Evaluar las clasificaciones resultantes y escoger la que presente los mejores valores de separabilidad y menor error. 2. Trasladar las firmas y/o clasificación a un software de tratamiento de imágenes satelitales y corregir las clasificación Seite 37

38 Imagen RapidEye Seite 38

39 Clasificación automatizada Seite 39

40 Clasificación corregida Seite 40

41 Clasificación filtro 3x Seite 41

42 PROCESOS Extracción de firmas en forma automatizada en ArcGis Convertir las firmas de formato Arcgis (shape) a Erdas (AOI) Convertir el AOI a signatura (*.sig) en Erdas Clasificación supervisada en Erdas Evaluación de clasificación y corrección de inconsistencias TOTAL (aproximado) 250 imágenes que cubren el país + 20% de imágenes duplicadas TIEMPO 10 min 20 min 45 min 2 min 5 horas 6 horas Aprox. 1/día TOTAL IMÁGENES: 300 imágenes Total de meses/hombre, requeridos (20 días de trabajo por mes): Un equipo de 4 personas: 15 meses 4-5 meses Fuente: datos proporcionados por la unidad de monitoreo forestal del ICF Seite 42

43 EJEMPLOS DE RESULTADOS OBTENIDOS CON EL PROCESO AUTOMATIZADO EN ARCGIS (10 minutos por imagen) 10/19/ Seite 43

44 10/19/ Seite 44

45 10/19/ Seite 45

46 10/19/ Seite 46

47 10/19/ Seite 47

48 10/19/ Seite 48

49 10/19/ Seite 49

50 10/19/ Seite 50

51 10/19/ Seite 51

52 ASOCIACIÓN DE CLASIFICACIÓN RESULTANTE CON SEGMENTOS 1. Calculo porcentaje de cobertura en cada segmento. 2. Identificación de segmentos con clases puras. 3. Clasificar segmentos con clases mixtas Seite 52

53 Clasificación RapidEye a nivel de pixel Seite 53 Seite 53

54 Calculo de estadísticas dentro de cada segmento Seite 54 Seite 54

55 Ejemplo de porcentaje de cobertura forestal dentro de cada segmento Seite 55 Seite 55

56 Ejemplo de clase mayoritaria dentro de cada segmento Seite 56 Seite 56

57 Ventajas Se aprovechas los esfuerzos de mapeos anteriores independientemente de las escala que se utilizó en su elaboración. Reducción del tiempo en los procesos de clasificación en comparación con los métodos tradicionales. Incorporación de conceptos de densidad, bosques puros y mixtos aprovechando la alta resolución de las imágenes satelitales Seite 57

58 Limitaciones La exactitud de las clasificaciones depende de la calidad de los mapas anteriores de donde se obtienen las muestras. Los sistemas de clasificación de los mapas anteriores no coincide necesariamente con el sistemas de clasificación deseado. Las nubes y sombras de nubes se confunden con clases de no bosque y bosque en el proceso automatizado Seite 58

59 Uso de mapa de tipos de bosque en la cuantificación de la Biomasa y el Carbono Forestal Δ Extensión de bosques Sistema Satelitales Δ Contenido de carbono por tipo forestal Inventario Forestales Seite 59

60 Calculo de carbono en la biomasa viva Diámetro / Altura Volumen Fuste Biomasa Aérea: Ramas + Copa Biomasa Viva Total: Aérea + Raíces Carbono en la biomasa viva + Medición en campo Aplicación de función de volumen Factor de expansión de Biomasa Aérea Factor de expansión de Biomasa Subterranea Fracción de Carbono 19/10/ Seite 60

61 Carbono total (C): C en Biomasa Viva + C en Biomasa Muerta + C en Suelo Carbono en la Biomasa Viva Carbono en la Biomasa Muerta Carbono en el Suelo CARBONO TOTAL Copa Ramas Biomasa Viva Fuste Hojarasca Madera Muerta Biomasa Muerta Raíces Factor de Biomasa Muerta Fracción de Carbono Estimación de Carbono en el Suelo Suelo 19/10/ Seite 61

62 Especie Regeneración Madera Muerta Altura DAP Herbáceas Hojarasca Seite 62 Seite 62

63 Ejemplos Resolución Baja (>100 m) Resolución Media (10 100m) Resolución Alta (<10m) MODIS (500m) MODIS (250m) LANDSAT (30m) ASTER (15m) IKONO (1 m) 500m 250m 30m 15m 1m Monitoreo Nacional busca reducir incertidumbre en el calculo de la superficie: mayor resolución espacial Seite 63 Seite 63

64 IMAGEN RAPID EYE Seite 64

65 REGIONAL: MODIS Seite 65

66 NACIONAL: MODIS LANDSAT Seite 66

67 Seite 67

68 SUBNACIONAL: RAPIDEYE Seite 68

69 Conclusiones Los mecanismos de compensación asociados al carbono forestal exigirán mayores precisiones y exactitud en los cálculos de superficie de las áreas de bosque. Por esta razón se requiere avanzar en procesos de automatización para poder generar información cartográfica sobre los bosques de detalle en tiempos relativamente cortos. La metodología propuesta influye positivamente en la mejora de los procesos de monitoreo forestal en el contexto de la cuantificación de biomasa y carbono forestal en términos de calidad y reducción de costos Seite 69

70 Gracias! Seite 70