REDD y REDD+. Es un mecanismo cuyo objetivo es mitigar el cambio climático reduciendo los gases invernadero a través de la administración de recursos forestales.
Para que estos programas sean viables se requiere de la capacidad de monitorear de manera certera y continua los recursos forestales y la biodiversidad de los países.
Todo análisis debe poder reproducirse facilmente.
Manejo de archivos: LUSTRE.
Datos abiertos: imágenes MODIS y Landsat.
1 servidor Dell R720 con 2 procesadores Intel XEON de 10 cores a 2.5GHz, 64 GB de RAM.
2 servidores Dell R720 con 2 procesadores Intel XEON de 10 cores a 2.5GHz, 256 GB de RAM.
4 servidores Dell R720 con 2 procesadores Intel XEON de 10 cores a 2.5GHz, 128 GB de RAM.
2 servidores Dell R720 con 2 procesadores Intel XEON de 10 cores a 2.5GHz, 256 GB de RAM.
8 servidores Dell R720 con 2 procesadores Intel XEON de 10 cores a 2.5GHz, 128 GB de RAM.
Sistema operativo CentOS 6.5, Linux.
Sistema de archivos distribuido (capacidad 500 TB): LUSTRE.
Administrador de tareas: Sun Grid Engine.
Contenedores que aislan modulos de software para evitar conflictos de dependencias y tener control de los requerimientos de cada módulo: Docker.
Explotamos datos de diversos orígenes que en general están: espacial y temporalmente referenciados. Es así que podemos clasificar nuestras fuentes en:
Información recolectada en campo.
Información satelital.
Productos de terceros de origen mixto (satélite + campo).
Se lleva a cabo en ciclos de 5 años.
En cada ciclo se muestrean más de 22,000 puntos (en un grid regular con espaciado de alrededor de 5 km).
El sistema consta de dos esquemas de muestreo:
En el muestreo se colecta información de manera manual:
Y se colecta información a través de sensores:
Grabaciones acústicas (paisaje sonoro) y grabaciones ultrasónicas
Imágenes y videos a través de trampas cámara.
Percepción remota es una de las pocas fuentes de información disponibles para llevar a cabo monitoreo ecosistémico a gran escala. Las imágenes de distintos satélites se caracterizan por la resolución espacial, espectral y temporal.
Resolución espacial. Es el objeto más pequeño que se puede distinguir en una imagen y se le conoce como pixel. La resolución espacial está determinada por el tamaño del pixel, medido en metros sobre el terreno, esto depende de la altura del sensor con respecto a la Tierra, el ángulo de visión, la velocidad de escaneo y las características ópticas del sensor.
Resolución espectral. Se refiere al número y ancho de bandas espectrales que puede captar un sensor. Si el sensor tiene la capacidad de registrar radiación electromagnética en varias longitudes de onda, se dice que es multiespectral.
Entre las bandas más utilizadas están el azul, verde y rojo que conforman la luz visible, el infrarrojo cercano, el infrarrojo medio, el infrarrojo lejano o térmico y las microondas
Satélites. Los satélites con los que trabajamos principalmente son MODIS, Landsat y Rapideye.
Fuente | R. espacial (m) | # Bandas | R. temporal |
---|---|---|---|
MODIS | 250-1000 | 36 | Diarias, semanales,…, anuales |
Landsat | 30 | 8 | Cada 16 días |
Rapideye | 5 | 5 | 2 por año |
quizá podemos cortar/reducir esto
Las imágenes MODIS y Landsat se encuentran disponibles de forma gratuita, sin embargo, la descarga de estas imágenes requiere de varios pasos.
Cada producto esta compuesto de distintas capas de información, en nuestro ejemplo existe la siguiente información:
Índices de vegetación (EVI, NDVI) y reflectancias de distintas bandas.
Medidas control de calidad. El control de calidad esta relacionado principalmente a condiciones atmosféricas que pueden afectar la imagen (hielo, nieve, nubes).
La resolución espacial de la imagen y la frecuencia temporal con la que se colectan también varía con el producto de estudio.
Descargar la información, esto puede ser manualmente conectándose a su red y usando el protocolo FTP. También se puede conectar a la red de MODIS a través de R usando el paquete MODIS.
Reproyectar los datos y pasarlos a formato tif. Para esto es necesario instalar la herramienta MRT (Modis Reproyection Tool), esta herramienta tiene una interfaz propia pero también puede ser llamada desde R. El paso de reproyección requiere conocimiento del elipsoide que se quiere utilizar, la proyección cartográfica y las coordenadas de los extremos asociadas a las esquinas del área de interés.
ModisDownload(x = "MOD13A1", # modis product name
h = h, v = v, # h/v code related to the position (can be a vector)
date = date, # string aaaa.mm.dd
MRTpath = mrtpath, # path to the bin folder where MRT is installed
Spath = getwd(), # path place to save files
mosaic = TRUE, # if more than one tile TRUE means you want single image
proj = TRUE, # TRUE means you want to reproject the images
delete = FALSE, # if mosaic=TRUE, whether original HDF files should be deleted
UL = c(850000, 2410000), # upper left coord. (x,y) in output coordinate system
LR = c(4150000,250000), # lower right coord. (x,y)
resample_type = "NEAREST_NEIGHBOR", # CUBIC_CONVOLUTION, NEAREST_NEIGHBOR, or
# BILINEAR
proj_type="LCC", # projection type *
proj_params = "0 0 17.5 29.5 102 12 2500000 0 0 0 0 0 0 0 0", # Output
# projection parameters
datum='WGS84', # output projection datum
pixel_size=1000 # output pixel size
)
Se busca generar mapas de parámetros de diversidad estructural para todo México (altura de árboles, diámetro a la altura del pecho, …), para esto se realiza interpolación espacial a partir de información recolectada en campo y utilizando covariables de percepción remota, climatológicas y topográficas.
INFyS: Mediciones medias por conglomerado de las variables de interés colectadas en campo entre 2004 y 2014. Incluye mediciones como altura de árboles, número total de árboles, presencia de árboles con parásitos, presencia de árboles muertos en pie.
MODIS: Se generaron variables con base en las series de tiempo MODIS, por ejemplo, rango de intensidad del pixel (fig. izquierda).
SMAP: Variables creadas a partir de la fusión de un sensor activo y pasivo, ejemplo humedad en el suelo (fig. derecha).
Las fuentes de información se encuentran en diferentes resoluciones, por ejemplo, los mapas de elevación tienen una escala muy fina (15 m), mientras que el objetivo era generar mapas con una resolución de \(1 km^2\). Es así que para poder ajustar los modelos se armonizó la información, en la figura de abajo se muestra un ejemplo donde se pasó de una resolución de 15m (izquierda) a 1km (derecha) usando la media.
Por otra parte, la frecuencia con que se colectan los productos de MODIS también varía por lo que se debieron generar resúmenes anuales distintos para cada variable.
Finalmente se creó una base de datos de entrenamiento usando para cada punto del INFyS la variable observada y asociando como covariables variables MODIS y de elevación correspondientes a la ubicación del punto, es así que se interpolaron 17 variables continuas y 3 categóricas, para cada modelo se incluyeron 281 covariables. Se utilizó un modelo de bosque aleatorio.
Sistema automático de monitoreo satelital para cobertura de suelo (MAD-Mex).
Procesamiento y clasificación supervisada de imágenes satelitales que resulta en una estimación de áreas forestales.
Imágenes Landsat y Rapideye.
Clasificación de uso de suelos INEGI.
Se realizó una clasificación de usos de suelos supervisada donde las etiquetas para cada región se obtienen de la clasificación de uso de suelos de INEGI.
Fmask: Detección de nubes, sombras de nubes y nieve.
LEDAPS: Elimina efectos atmosféricos usando información auxiliar como ozono y vapor de agua para corregir la absorción y dispersión molecular.
Crear polígonos homogéneos mediante segmentación de imágenes.
Asignar clases a los polígonos. A cada polígono se le asigna la clase más prevalente (con mayor porcentaje de área) de la clasificación de INEGI.
Crear una base de datos de entrenamiento. Para crear el conjunto de entrenamiento se seleccionan todos aquellos polígonos donde la clasificación de INEGI no presentó cambios a lo largo de los 5 años de análisis.
Asociar a cada polígono la serie de tiempo de escenas Landsat que le corresponde, el satélite Landsat visita una escena cada 16 días por lo que para cada polígono tendremos poco más de 20 imágenes anuales.
Crear variables anuales. La clasificación es anual por lo que se crearon resúmenes dentro de cada polígono utilizando la media anual, mínimo, máximo, mediana y desviación estándar de cada variables.
Ajustar un árbol C5 para cada escena y cada año.
Clasificación de suelos 1995, 2000, 2005, 2010.
Los sonidos son característicos de un lugar y pueden llegar a revelear información importante acerca de la salud de un ecosistema.
Los sonidos que puede escuchar el hombre conforman el paisaje acústico: antropofonías, geofonías y biofonías.
Construcción de índices a partir de grabaciones acústicas que pueden ayudar a generar estimaciones de biodiversidad muy crudas.
Grabaciones audibles colectadas en el SNMB.