Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
MemoriasMemorias
La Geoinformaciónal Servicio de la Sociedad
Medellín, Colombia29 de Septiembre al 3 de Octubre de 2014
Sociedad Latinoamericana enPercepción Remota y Sistemasde Información EspacialCapítulo Colombia
Evaluación de los resultados de corrección del modelo Landsat Ecosystem
Disturbance Adaptive Processing System (LEDAPS), implementado en una zona
Boscosa del Norte de Antioquia-Colombia
Evaluation of the results of model correction Landsat Ecosystem Disturbance Adaptive
Processing System (LEDAPS), implemented in a wooded area of Northern Antioquia-
Colombia
Autores:
Germán M. Valencia-Hernández
Profesor Asistente, Universidad de San Buenaventura, Cra 56C Nº 51 – 90, Medellín,
Colombia, [email protected]
Jesús A. Anaya-Acevedo
Profesor Asociado, Universidad de Medellín, Cra 87 Nº 30 – 65, Medellín, Colombia,
Francisco José Caro Lopera
Profesor Asociado, Universidad de Medellín, Cra 87 Nº 30 – 65, Medellín, Colombia,
RESUMEN
En este trabajo se presentan los resultados de la evaluación de la calidad en términos de
las diferencias en reflectividad de 40 escenas Landsat a la cuales se les implementó el
modelo de corrección Landsat Ecosystem Disturbance Adaptive Processing System
(LEDAPS). Estas escenas corresponden a los barridos desarrollados por los sensores
TM y ETM de los satélites Landsat 5 y 7 en diferentes momentos entre los años (1986 y
2013), con un porcentaje de nubes menor al 30%. A estas escenas se les proceso con
dicho modelo en una proporción de 24 del sensor TM y 16 del sensor ETM, en una
región de la zona Norte de Antioquia-Colombia, con valores de Path 8 y 9, y Row 55 y
56.
Palabras clave: LEDAPS, Landsat, evaluación de la calidad, corrección radiométrica,
Correlación de Spearman.
ABSTRACT
This paper presents the results of the evaluation of the quality in terms of differences in
reflectivity of 40 Landsat scenes to which correction Landsat Ecosystem Disturbance
Adaptive Processing System (LEDAPS) model was implemented them. These scenes
correspond to sweeps developed by sensors TM and ETM of satellites Landsat 5 and 7
at different times between the years (1986 and 2013), with less of 30% percentage of
clouds. These scenes process it with this model correspond of 24 of the TM sensor and
16 of the ETM sensor, in a region of the area north of Antioquia-Colombia, with Path
and Row values 8,9 and 55, 56 respectly.
Key words: LEDAPS, Landsat, evaluation of the quality, radiometric correction,
Spearman correlation.
INTRODUCCIÓN
Programa Landsat
El programa satelital Landast desde sus inicios en los años 70 se ha convertido en una
de las fuentes de información más importantes en estudios relacionados con el cambio
global a escala media o regional (Deputy, Leader, & Irons, 2001; Irons, Dwyer, &
Barsi, 2012; Loveland & Dwyer, 2012a; Markham & Helder, 2012a; UNEP, 2012;
Wulder, Masek, Cohen, Loveland, & Woodcock, 2012a) y como fuente de información
utilizada por científicos de diferentes áreas del conocimiento por todo el mundo
(Kovalskyy & Roy, 2013; Wulder, Masek, Cohen, Loveland, & Woodcock, 2012b).
Gracias a sus importantes avances hoy en día contamos con una fuente de información
invaluable sobre la reflectividad de la cubierta del suelo y la atmosfera de más de 40
años.
Las primeras imágenes del programa Landsat fueron tomadas en el año 1972. Hoy, 42
años después de dicho suceso han sido variados los cambios en las características de los
sensores. La tabla 1 presentada por Wulder, Masek, Cohen, Loveland, & Woodcock,
(2012) en su trabajo titulado “Opening the archive: How free data has enabled the science
and monitoring promise of Landsat” muestra una recopilación de forma evolutiva de los
objetivos planteados con cada una de las misiones con los posteriores satélites puesto en
órbita la cual puede ser vista de forma gráfica en la Figura 1 presentada en este trabajo.
El conocimiento adquirido en este tiempo; ha permitido mejorar en variados aspectos
como la exactitud radiométrica y espacial de los diferentes sensores a bordo de los
diferentes satélites Landsat, los métodos de calibración de las imágenes, la calidad de
los productos, ampliar el conocimiento en las diferentes aplicaciones, conocer a mayor
detalle los efectos del cambio ante diferentes eventos no programados (cambio
climáticos, erupción de volcanes, cambio en cobertura y usos del suelo, seguridad
alimentaria, entre otras), gestionar mejor los recursos ambientales, disminución en los
costos de los proyectos; al contar con un dato gratuito; después de la liberación del
Banco de imágenes en el año 2008 (ver Política de acceso a datos del programa Landsat
http://landsat.usgs.gov/documents/Landsat_Data_Policy.pdf) etc.
Perturbación por parte de la atmosfera
Este avance en la tecnología de los sensores, y el uso de la misma en diferentes
programas sobre cubierta y usos del suelo, permitió el desarrollo de trabajos en la
evaluación de las escenas crudas y en las escenas procesadas, mediante técnicas de
corrección radiométrica, atmosférica, geométrica, y topográfica (Hantson et al., 1988;
Salinero & Stijn Hantson, 2010) que permitan contar con un dato de reflectividad de la
superficie mejorada en relación al dato crudo entregado por el distribuidor. Estos
grandes volúmenes de datos de disponibilidad gratuita, aumenta la necesidad de
algoritmos de corrección robustos y eficientes aplicables a grandes conjuntos de datos
Landsat (Zhu, Woodcock, & Olofsson, 2012).
Figura 1. Evolución histórica del programa Landsat (adaptado de (Wulder et al., 2012))
Donde además, el estudio de estos problemas ha permitido conocer mejor la interacción
Luz solar (foton), tierra, sensor. Y la aparición de teorías, que alrededor del proceso de
Sensoramiento Remoto nos llevan a entender el efecto de los gases partículas, y
moléculas dentro de este proceso.
Este ruido en las imágenes; como lo llaman algunos autores al proceso de absorción y
dispersión de la atmosfera, es para muchos investigadores que trabajan con series da
datos Landsat dentro de estudios multitemporales, la principal barrera para conocer con
precisión los posibles cambios en la superficie del suelo. Por lo cual, la tarea de
desarrollar un modelo de reflectividad de la superficie mejorada en relación al dato
crudo entregado por el distribuidor, ha permitido el desarrollo de algoritmos de
trasferencia radiativa como el MODTRAN (Moderate resolution Trasnsmittanca) (Berk
et al., 1999), HITRAN ( High Resolution Transmittance) (Hill, Gordon, Rothman, &
Tennyson, 2013), LOWTRAN (Low Resolution Transmittance) (Isaacs & Vogelmann,
1988), S6 (Second simulation os Satellite Signal in the Solar Spectrum)(E F Vermote et
al., 1997), entre otros.
Ledaps
La NASA, teniendo en cuenta la importancia de este proceso de corrección, desarrolló
el modelo Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS)
(Feng et al., 2013; Hansen & Loveland, 2012; Ju, Roy, Vermote, Masek, & Kovalskyy,
2012; J.G Masek et al., 2012; Jeffrey G Masek et al., 2006; Report, 2013; Wulder et al.,
2012b; Zhu et al., 2012) que tenía por objeto evaluar la perturbación, el crecimiento, y
la conversión de bosques permanentes en todo Norte América (Masek et al., 2006). El
modelo LEDAPS es aplicable a imágenes Landsat para conocer la reflectividad de la
superficie, utilizando rutinas de corrección atmosférica desarrolladas para el
instrumento MODIS Terra (J.G Masek et al., 2012; Vermote et al., 1997).
El sistema de procesamiento de información del Servicio Geológico de los Estados
Unidos – USGS (http://www.usgs.gov/) construido para ayudar a abordar problemas
del Registro de Datos Climáticos (CDR) a través de sus estrategías científicas"... el
desarrollo de la calidad, las aplicaciones de las series temporales de variables
terrestres a partir de datos históricos y actuales de Landsat (Dwyer, T, & Muchoney,
2011) ". Permitió el desarrolló del modelo LEDAPS para la corrección atmosférica
escenas Landsat basado en cuatro principios: primero, la base algoritmo debía estar
bien establecida y documentada. En segundo lugar, la producción de la rutina del
LEDAPS debía de ser demostrable con datos de la década del 2000 (J.G Masek et al.,
2012; Jeffrey G Masek et al., 2006; Masek, J.G., E.F. Vermote, N. Saleous, R. Wolfe,
F.G. Hall, F. Huemmrich, F. Gao, J. Kutler, 2013; E F Vermote et al., 1997; E F
Vermote & Vermeulen, 1999; E Vermote, Tanré, Deuzé, & Herman, 2006; E. F.
Vermote et al., 1997; Vermote, Santer, Deschamps, & Herman, 1992; Eric Vermote,
2007). En tercer lugar, dado que los productos Landsat han encontrado una comunidad
de usuarios en diferentes aplicaciones en todo el mundo, este código debía ser de libre
acceso. Y en cuarto lugar, las mejoras en el esquema de corrección debían ser
demostrables con en el uso de perfiles atmosféricos de productos MODIS (Ju, Roy,
Vermote, Masek, & Kovalskyy, 2012), lo cual se logró con Landsat a partir de esta
corrección.
El esquema del modelo de corrección LEDAPS se aplica a las bandas de reflectividad
para ajustar los efectos de dispersión molecular y absorción debida al ozono, vapor de
agua, aerosoles, y otras partículas, así como para la dispersión de Rayleigh (Ouaidrari
& Vermote, 1999). En el flujo de procesamiento, de datos estándar Landsat 5 y 7 Nivel-
1 se calibra primero en la parte superior de la atmósfera (TOA) de reflectancia y de la
temperatura de brillo mediante coeficientes de calibración publicados (Chander et al.,
2009). Cómo con el procesamiento de MODIS SR estándar, en el Ledaps, la segunda
simulación de una señal de satélite en el espectro solar (6S) del modelo de transferencia
radiativa se utiliza para derivar las tablas de búsqueda dentro de la corrección. El
modelo LEDAPS se basa en gran medida en fuentes de datos auxiliares independientes
como la presión del aire, temperatura del aire, el ozono y la topografía, y también utiliza
un enfoque del modelo de Densidad de la Vegetación Oscura (DDV) (Kaufman et al.,
1997) para la recuperación de aerosol. La estimación del Espesor Óptico de Aerosoles
(AOT) utiliza un modelo de aerosol continental fijo, dentro de la corrección final. Los
algoritmos LEDAPS no corrigen en función de la distribución bidireccional de
reflectancia (BRDF), adyacencia, o efectos fenologicos.
2. MATERIALES Y METODOS
Este trabajo, desarrollado entre investigadores de las Universidades de San Buenaventura y
Medellín, presenta los resultados de calibración radiométrica, y la evaluación de la calidad en
términos de las diferencias en reflectividad de una serie de escenas Landsat a la cuales se les
implementó el modelo de corrección Landsat Ecosystem Disturbance Adaptive Processing
System (LEDAPS). Estas escenas corresponden a los barridos desarrollados por los sensores
TM y ETM de los satélites Landsat 5 y 7 en diferentes momentos entre los años (1986 y 2013),
y que tuvieran un porcentaje de nubes menor al 30%. A estas escenas se les proceso con dicho
modelo en una proporción de 24 del sensor TM y 16 del sensor ETM, y de las cueles se
identificó una zona común en cobertura en bosque en la región Norte de Antioquia-Colombia.
2.1 Delimitación espacial
El estudio fue desarrollado en una zona de la Cordillera de los Andes, en el Departamento de
Antioquia - Colombia, con la referencia espacial Path 9 con Row 56, Path 9 con Row 58, Path 8
con Row 56, y Path 8 con Row 55 referente al Worldwide Reference System (WRS). Esta zona
puede ser visualizada de color gris en la Figura 2, donde además se observa la extensión
geográfica de Colombia y sus fronteras.
Figura 2. Ubicación de zona de estudio.
2.1 Datos utilizados
En el estudio fueron utilizadas 50 escenas Landsat de los sensores TM y ETM+ a bordo de los
satélites Landsat 5 y Landsat 7. De estas 50 escenas, 10 fueron descartadas por problemas en la
geometría, o cantidad de nubes. Las escenas utilizadas fueron:
Tabla 1. Escenas Landsat utilizadas.
Escenas Landsat Escenas Landsat
LE709562002207 LE7090552000234
LE709562013189 LE7090552001188
LT5090551986219 LE7090552002207
LT5090551986251 LE7090552002287
LT5090551996199 LE7090552011248
LT5090551997201 LE7090552013189
LT5090551997297 LE7090562000234
LT5090551998140 LE7090562001188
LT5090551999111 LE7090562002223
LT5090551999143 LE7090562002287
LT5090551999191 LE7090562011248
LT5090561986219 LE7080562013198
LT5090561986251 LE7080562011241
LT5090561996199 LE7080562000227
LT5090561997201 LE7080552013198
LT5090561997249 LE7080552011241
LT5090561998140 LT5080561986196
LT5090561999111 LT5080551986196
LT5090561999143 LE7080552000227
La nomenclatura de cada una de las escenas requeridas mediante el aplicativo web Glovis
(http://glovis.usgs.gov/) corresponden según la tabla 1, como: las tres primeras letras y número
al satélite o sensor utilizado LE7 Landsat 7 ETM+ y LT5 al Landsat 5 TM, los siguientes dos
números a la ubicación respecto a la Norte o Path (08 o 09), los siguientes tres números a la
ubicación respecto a la Este o Row (055 o 056), los siguientes cuatro números al año (de 1986 a
2013) y los restantes tres números al día juliano.
2.3 Implementación del modelo de corrección Ledaps
El modelo Ledaps fue aplicado a cada una de las 40 escenas con el fin de obtener información
de reflectividad superficial, para lo cual fue necesario contar con el metadato respectivo en cada
fecha. Los datos de entrada del modelo son:
- Información en ND (niveles digitales) de cada una de las bandas y del producto a
procesar (descargadas del Glovis)
- Archivo con el metadado (MTL) para la fecha específica a procesar
- Archivo con los puntos de control (GCP) para la fecha respectiva
- Modelo Digital de elevación
- Datos de Reanalisis georreferenciados en la columna de aire (Vapor de agua,
Temperatura del aire y Presión)
- Datos de Ozono georreferenciados (TOMS/TOVS 1994-1996)
Los datos externos requeridos por el modelo Ledaps son provenientes de diferentes programas
en el mundo para el monitoreo de las variables ambientales:
- National Centers for Environmental Prediction (NCEP), (http://www.ncep.noaa.gov/)
- NASA GSFC Ozone Monitoring Instrument (OMI),( http://ozoneaq.gsfc.nasa.gov/)
- NASA GSFC Meteor-3 and Nimbus-7 Total Ozone Mapping Spectrometer (TOMS),(
http://disc.sci.gsfc.nasa.gov/acdisc/TOMS)
- National Oceanic and Atmospheric Administration (NOAA) Television and Infrared
Observation Satellite (TIROS) Operational Vertical Sounder (TOVS),(
http://science.nasa.gov/missions/tiros/)
(http://www.ozonelayer.noaa.gov/action/tovs.htm)
- Global Climate Model (GCM) DEM. (http://www.giss.nasa.gov/tools/modelii/)
2.4 Método de evaluación
Los datos resultantes (bandas 1-5 y 7) de la calibración de la reflectividad superficial con el
modelo Ledaps, fueron llevados a un stack en cada una de las 40 fechas. Luego de esto se
procedió a la comparación de los resultados con 3 métodos diferentes:
1. Se comparó el resultado de cuatro de las fechas con la implementación del modelo
Ledaps, con los resultados de la corrección implementando los modelos de corrección
COST, Flassh (Modtran) en una fecha. La comparación se realizó a partir de la
construcción de la firma para la clase bosque.
2. Se evaluó de forma visual, el comportamiento de los datos al superponer en un Mosaico
generado de fechas aledañas para cuatro escenas correspondientes al conjunto de datos
P9R56, P9R55, P8R56, y P8R55.
3. En las zonas de traslape de las imágenes corregidas, se generaron polígonos semillas (o
regiones de interés) que tuvieran continuidad en el tiempo y el espacio sin presencia de
nubes. A estas regiones se le determinaron estadísticos de que permitieran conocer las
tendencias de los datos. Las primeras fueron estadísticas descriptivas para evaluar el
comportamiento de los datos (media, desviación estándar “sd”, coeficiente de variación
“cv”, “IQR” coeficiente de variación entre quatil 1 y 3, y Quantiles a 0 %, 25%, 50% y
50%, también se aplicaron pruebas de normalidad y de correlación, como:
Prueba de normalidad:
Shapiro-Wilk:
𝑊 =(∑ 𝑎𝑖𝑥(𝑖)
𝑛𝑖=1 )
2
∑ (𝑥𝑖−�̅�)2𝑛𝑖=1
Ecuación 1. Prueba de Normalidad de Shapiro Wilk
Dónde: 𝑥(𝑖) (con el subíndice 𝑖 entre paréntesis) es el número que ocupa la i-
ésimaposición en la muestra, �̅� = (𝑥1 + . . . + 𝑥𝑛) / 𝑛 es la media maestral , y las
variables 𝑎𝑖 se calcula según ecuación 2.
(𝑎1,……….,𝑎𝑛) =𝑚𝑇𝑉−1
(𝑚𝑇𝑉−1𝑉−1𝑚)1
2⁄ Ecuación 1. Calculo de 𝒂𝒊
𝑚 = (𝑚1, … … … , 𝑚𝑛)𝑇 Ecuación 2. Valor medio de estadístico ordenado
Siendo 𝑚1, … … … , 𝑚𝑛 son los valores medios del estadístico ordenado, de variables
aleatorias independientes e identicamente distribuidas, muestreadas de distribuciones
normales. 𝑉 es la matriz de covarianzas de ese estadístico de orden.
Dada la alta varianza en los datos se aplicó también la prueba para datos no
paramétricos.
Prueba de Correlación de Spearman:
𝝆 = 𝟏 −𝟔 ∑ 𝑫𝟐
𝑵(𝑵𝟐−𝟏) Ecuación 3. Correlación de Spearman
Donde 𝐷 es la diferencia entre los correspondientes estadísticos de orden
de 𝑥 − 𝑦. 𝑁 es el número de parejas. Se tiene que considerar la existencia de datos
idénticos a la hora de ordenarlos, aunque si éstos son pocos, se puede ignorar tal
circunstancia.
Igualmente para comparar las diferentes bandas en las diferentes fechas se aplicó la
matriz de correlación:
La matriz de correlación 𝑅 es una matriz cuadrada 𝑛 𝑥 𝑛 cosntituida por los coeficientes
de correlación de cada pareja de variables; de manera que tendrá unos en su diagonal
principal, y en los elementos no diagonales (𝑖, 𝑗) los correspondientes coeficientes de
correlación 𝑟𝑖𝑗 . La matriz de correlación será, obviamente, simétrica, y conservará las
propiedades de ser definida-positiva y tener un determinante no negativo, (además el
determinante será siempre menor o igual que 1). Puede considerarse como la matriz de
varianzas entre las variables tipificadas. Esta prueba fue graficada utilizando el método
de 𝑆𝑐𝑎𝑡𝑡𝑒𝑟𝑃𝑙𝑜𝑡 comparando pares de datos y colocando líneas de tendencia por
mínimos cuadrados y regresiones lineales.
3. RESULTADOS
1. Para comparar los resultados de los diferentes modelos de corrección; se procedió
con la construcción de las firmas espectrales en una semilla en bosque para las
cuatro fechas, y comparadas con los resultados del modelo COST, Flassh
(MODRAN).
Dado que la escala de los modelos es diferente fue necesario reescalarlos a un
mismo rango. La Figura 3, muestra que las principales variaciones se observan en
la B1, B2, y B4 y especialmente hay una variación más significativa entre el
modelo Modtran y Cost con los correspondientes de corrección del modelo Ledaps.
Figura 3. Comparativo de Firmas en Bosque para diferentes modelos de corrección atmosférica
2. La correspondencia entre los datos modelados con Ledaps, y evaluada visualmente
a través del traslape o Mosaico generado para los años 1986,2000,2011,2013. Dio
como resultado que las imágenes correspondientes al barrido en una misma fecha,
luego de su respectiva corrección no muestran diferencias, mientras que lo contrario
es evidente en fechas diferentes ya que como se observa en los años 1986 y 2000,
queda un bandeado en las zonas de traslape. (Ver figura 4).
Los mosaicos de los años 2011 y 2013 presentan un bandeado más fuerte en la zona
de traslape que está relacionado con el problema del Scan Line Corrector generado
en el sensor desde Mayo 31 del 2003 (Storey, Scaramuzza, Schmidt, & Barsi,
2005).
0
500
1000
1500
2000
2500
3000
3500
B1 B2 B3 B4 B5 B7
Ref
lect
ivid
ad
Bandas Landsat
LEDAPS - LT0090551986219 LEDAPS - LT0090561986219
LEDAPS - LE0090552000234 COST - LE0090552000234
MODTRAN - LE0090552000234 LEDAPS - LE0090562000234
LEDAPS - LE0090552011248 LEDAPS - LE0090562011248
LEDAPAS - LE0090552013189 LEDAPS - LE0090562013189
Mosaico de imágenes corregidas con
modelo Ledaps. P9R55, P9R56, P8R55, y
P8R55. Año 1986.Cañon de colores 5/4/3
Mosaico de imágenes corregidas con modelo
Ledaps. P9R55, P9R56, P8R55, y P8R55.
Año 2000. Cañon de colores 5/4/3
Mosaico de imágenes corregidas con
modelo Ledaps. P9R55, P9R56, P8R55, y
P8R55. Año 2011. Cañon de colores 5/4/3.
Mosaico de imágenes corregidas con modelo
Ledaps. P9R55, P9R56, P8R55, y P8R55.
Año 2013. Cañon de colores 5/4/3.
Figura 4. Cada imagen representa el comportamiento visual de la superposición de las bandas 5/4/3 en imágenes
corregidas mediante el modelo Ledaps en los años 1986, 2000, 2011, y 2013. Zona P9R55, P9R56, P8R55, y P8R55
3. Las pruebas estadísticas descriptivas arrojaron resultados importantes al permitir
identificar por medio de la desviación estándar un problema en los datos procesados
en algunas fechas del año 1999; donde se disparan la proporción de cada uno de los
estadísticos, una revisión detallada de estos arrojo problemas de georreferenciación
en las escenas. Las celdas resaltadas de la tabla 2 son aquellas donde se
identificaron problemas de geometría.
Igualmente las figuras 5 y 6 reflejan las tendencias en los resultados, que están bien
descritas a partir de los estadísticos aplicados (tanto la Media, como la desviación
estandar y el Quantil 50 están altamente relacionados).
Tabla 2. Estadísticos descriptivos.
Escena Media Sd IQR CV 0% 25% 50
%
75% 100%
%
B3_L709562002207 273,60 15,56 18.0 0.0568714
3
242 261.0 278 279.0 296
B3_L709562013189 201,60 21,00 25.5 0.1041632
9
184 184.5 185 210.0 236
B3_L509055198621
9
291,33 32,86 47.5 0.1127858
6
249 265.0 282 312.5 343
B3_L509055198625
1
327,20 16,26 14.5 0.0496874
9
304 318.5 333 333.0 362
B3_L509055199619
9
401,73 25,69 31.0 0.0639522
8
356 387.0 388 418.0 449
B3_L509055199720
1
270,93 18,63 15.0 0.0687612
9
245 260.0 275 275.0 304
B3_L509055199729
7
311,20 17,06 29.0 0.0548320
9
290 290.0 319 319.0 347
B3_L509055199814
0
366,67 20,99 29.0 0.0572418
0
328 357.0 357 386.0 415
B3_L509055199911
1
593,20 119,2
0
158.
5
0.2009437
5
388 517.5 589 676.0 762
B3_L509055199914
3
334,87 27,09 43.5 0.0809040
9
275 320.5 335 364.0 365
B3_L509055199919
1
657,47 315,8
0
320.
5
0.4803248
8
411 442.0 503 762.5 1507
B3_L509056198621
9
575,80 37,66 33.0 0.0654055
5
525 556.0 589 589.0 652
B3_L509056198625
1
327,00 21,12 30.5 0.0645832
2
304 305.0 335 335.5 365
B3_L509056199619
9
406,47 22,81 31.0 0.0561161
8
359 390.0 420 421.0 452
B3_L509056199720
1
280,13 17,13 15.0 0.0611466
0
256 271.0 286 286.0 318
B3_L509056199724
9
333,13 14,26 28.0 0.0427971
6
321 322.0 322 350.0 350
B3_L509056199814
0
369,73 20,41 14.5 0.0551971
2
333 362.0 362 376.5 420
B3_L509056199911
1
588,80 126,7
6
159.
5
0.2152858
2
360 506.0 593 665.5 766
B3_L509056199914
3
332,73 27,70 44.0 0.0832609
8
272 318.0 333 362.0 363
B3_L509056200019
4
308,80 19,14 30.0 0.0619676
4
265 295.0 324 325.0 325
B3_L709055200023
4
575,27 31,29 44.5 0.0543922
4
516 560.5 569 605.0 623
B3_L709055200118
8
237,20 17,19 17.0 0.0724832
3
209 227.0 244 244.0 279
B3_L709055200220
7
278,40 15,83 26.5 0.0568554
1
247 263.0 281 289.5 298
B3_L709055200228
7
246,53 15,31 26.0 0.0620839
9
227 228.0 253 254.0 279
B3_L709055201124
8
208,67 21,29 25.0 0.1020419
0
159 206.0 207 231.0 232
B3_L709055201318
9
219,27 17,68 25.5 0.0806395
9
200 201.0 225 226.5 251
B3_L709056200023
4
576,60 29,57 46.0 0.0512880
2
511 555.0 583 601.0 618
B3_L709056200118
8
241,60 19,51 17.0 0.0807733
0
211 229.0 246 246.0 300
B3_L709056200222
3
419,40 30,35 28.0 0.0723705
7
358 403.0 430 431.0 466
B3_L709056200228
7
249,60 15,39 25.0 0.0616741
8
233 233.0 258 258.0 283
B3_L709056201124
8
211,07 18,61 24.0 0.0881919
6
182 206.0 206 230.0 231
Figura 5. Análisis comparativo entre las medias muestréales de los diferentes años correspondientes a la banda 3.
0,00
100,00
200,00
300,00
400,00
500,00
600,00
700,00
L50
905
519
8621
9
L50
905
519
8625
1
L50
905
519
9619
9
L50
905
519
9720
1
L50
905
519
9729
7
L50
905
519
9814
0
L50
905
519
9914
3
L50
905
619
8621
9
L50
905
619
8625
1
L50
905
619
9619
9
L50
905
619
9720
1
L50
905
619
9724
9
L50
905
619
9814
0
L50
905
619
9914
3
L50
905
620
0019
4
L70
905
520
0023
4
L70
905
520
0118
8
L70
905
520
0220
7
L70
905
520
0228
7
L70
905
520
1124
8
L70
905
520
1318
9
L70
905
620
0023
4
L70
905
620
0118
8
L70
905
620
0222
3
L70
905
620
0228
7
L70
905
620
1124
8
L70
956
200
2207
Media Sd
0,00
100,00
200,00
300,00
400,00
500,00
600,00
700,00
L50
905
519
8621
9
L50
905
519
8625
1
L50
905
519
9619
9
L50
905
519
9720
1
L50
905
519
9729
7
L50
905
519
9814
0
L50
905
519
9914
3
L50
905
619
8621
9
L50
905
619
8625
1
L50
905
619
9619
9
L50
905
619
9720
1
L50
905
619
9724
9
L50
905
619
9814
0
L50
905
619
9914
3
L50
905
620
0019
4
L70
905
520
0023
4
L70
905
520
0118
8
L70
905
520
0220
7
L70
905
520
0228
7
L70
905
520
1124
8
L70
905
520
1318
9
L70
905
620
0023
4
L70
905
620
0118
8
L70
905
620
0222
3
L70
905
620
0228
7
L70
905
620
1124
8
L70
956
200
2207
L70
956
201
3189
Comparación de la Media y el Quantil 50
Media 50 Porciento
Figura 6. Comparación de la Media con Quantil 50, correspondientes a la banda 3.
El análisis de Normalidad en los datos aplicando la prueba de Shapiro Wilk arrojo
positiva para la hipótesis nula en una 67 % de las muestras en cada fechas, con lo
cual, se puede afirmar que tienen comportamiento normal en la mayoría de los
casos.
Por otro lado implementando la correlación utilizando el estadístico de Spearman,
se encontró alta correlación entre los datos tomados en el barrido en una misma
fecha; pero correlaciones variantes en fechas diferentes, y aunque la prueba de
normalidad aplicando del modelo de Shapiro Will arrojo en la mayoría de los caso
normalidad positiva con p-value manor a 0.05, la prueba gráfica de correlación con
el scatterplot matricial por densidad, muestra el comportamiento no paramétrico
como se observa en la diagonal con las tendencias de los datos Ver figura 7.
Figura 7. Prueba de correlación de Spearman. Banda 3.
A esta afirmación mediante la prueba gráfica, se le suma el análisis estadístico de
los datos con la prueba de correlación matricial donde se observaron variaciones en
la región definida anteriormente que van desde un 65 % a un 99 % de correlación
cuando las imágenes comparadas corresponden al barrido del sensor en un mismo
día (ejemplo P9R55 a P9R56). En busca de relaciones de temporalidad entre las
escenas se obtuvieron: correlaciones positivas y negativas con valores de 17% a
85% entre escenas de diferentes fechas, y correlaciones positivas y negativas con
valores de 35% a 57 % entre pares de escenas de diferentes fechas y diferentes
regiones traslapadas Path 9 Row 56 con Path 8 Row 56, como se observa en la tabla
3.
Tabla 3. Ejemplo de matriz de correlación aplicada sobre muestra de escenas en Banda 3, para diferentes fechas.
4. DISCUSIÓN Y VALORACIÓN DE HALLAZGOS
Comparando las diferencias en reflectividad superficial a través de la composición de la firma
de escenas de una misma fecha a las cuales se les implementaron el modelo COST, Flassh
(Modtran), y Ledaps (que incluye el modelo de transferencia radiativa 6sV), se observa que los
modelos COST y Flassh arrojan resultados de reflectividad similares, y superiores a los
reportados por el modelo Ledaps en las primeras bandas. Lo cual, en una análisis detallado en
la Banda 4 muestra que la tendencia del Flassh (Modtran) es a estar por debajo de los otros
modelos , el COST por encima y el Ledaps en el medio, lo cual, tal y como los argumenta
(Vicenteserrano, Perezcabello, & Lasanta, 2008) está altamente relacionado por el efecto del
ESCENAS L709562002207L709562013189 L5090551986219 L5090551986251 L5090551996199 L5090551997201 L5090561986219 L5090561986251 L5090561996199 L5090561997201 L7090552002207 L7090552013189
L709562002207 1 0.02846305 0.15982677 0.16634660 0.29517516 -0.18136410 -0.31444885 0.4298153 0.20602516 -0.32936627 0.88456776 -0.10875485
L709562013189 0.02846305 1 0.13765590 0.49665440 0.04549781 0.10550820 0.12677531 0.2545512 -0.06220770 0.14999630 0.21797682 0.82512658
L5090551986219 0.15982677 0.13765590 1 -0.05582261 0.39592086 -0.46291448 -0.75772854 0.0263964 0.12627936 -0.51991651 -0.14504054 -0.12202020
L5090551986251 0.16634660 0.49665440 -0.05582261 1 -0.04764093 -0.09477702 -0.01327008 0.6487598 0.24127197 0.07922078 0.20114557 0.41256138
L5090551996199 0.29517516 0.04549781 0.39592086 -0.04764093 1 0.05163015 -0.42924605 0.4122325 0.79512542 -0.06979951 0.23165772 -0.04550383
L5090551997201 -0.18136410 0.10550820 -0.46291448 -0.09477702 0.05163015 1 0.33836647 -0.1199863 0.10558566 0.86669590 -0.01965095 0.19429476
L5090561986219 -0.31444885 0.12677531 -0.75772854 -0.01327008 -0.42924605 0.33836647 1 -0.2990672 -0.24296606 0.45118281 0.01332138 0.20391780
L5090561986251 0.42981531 0.25455117 0.02639640 0.64875983 0.41223251 -0.11998625 -0.29906715 1 0.54465479 -0.16330851 0.49951900 0.31314286
L5090561996199 0.20602516 -0.06220770 0.12627936 0.24127197 0.79512542 0.10558566 -0.24296606 0.5446548 1 0.04737303 0.16684151 -0.09326618
L5090561997201 -0.32936627 0.14999630 -0.51991651 0.07922078 -0.06979951 0.86669590 0.45118281 -0.1633085 0.04737303 1 -0.21008537 0.26125259
L7090552002207 0.88456776 0.21797682 -0.14504054 0.20114557 0.23165772 -0.01965095 0.01332138 0.4995190 0.16684151 -0.21008537 1 0.17515384
L7090552013189 -0.10875485 0.82512658 -0.12202020 0.41256138 -0.04550383 0.19429476 0.20391780 0.3131429 -0.09326618 0.26125259 0.17515384 1
vapor del agua en el modelo. Esto dado que le modelo de corrección COST no contempla este
dato, el Flassh a través de su base de datos del Modtran lo simula, y el Ledpas lo integra a través
de los datos de Reanalisis obtenidos de los productos del NCEP, NOAA, y GCM descritos
anteriormente.
Para (Vicenteserrano et al., 2008) quien compara diferentes modelos de corrección atmosférica,
el mejor rendimiento físico del modelo de transferencia radiativa de la atmosfera 6S, incluido en
el modelo Ledaps en su forma evolutiva en 6SV, está relacionado con la buena simulación del
AOT para las imágenes Landsat (cercana al 81 %) (Jeffrey G Masek et al., 2006; Song,
Member, & Woodcock, 2003) , las cuales fueron comparadas con datos MODIS calibrados en
tierra con información captada con el AERONET, y a la inclusión de datos de ozono que tienen
una alta influencia en la reflectividad en las primeras bandas.
Se encontró además, que el modelo Ledaps, tienen diferencias en la estimación de la
reflectividad de un mismo punto en la superficie en la zona de traslape de escenas continuas
(P9R55 y P9R56), dentro del proceso de barrido del sensor en una misma fecha. Lo cual, puede
estar relacionado con los procesos de interpolación que genera el modelo desde el centro de la
imagen hacia el resto de ella de variables como la presión y la temperatura. Este análisis puede
ser comprobado, dentro de la correlación observada entre los datos muestreados que se observan
en la tabla 3.
5. CONCLUSIONES
El algoritmos de corrección radiométrica y atmosférica con el cual se fundamenta el modelo
Ledaps tiene avances importantes respecto a otros, dado que incluye un modelo de transferencia
radiativa dinámico que incluye fuentes de datos en días específicos en los cuales las imágenes
Landsat son captadas por el sensor dado que satélites como el Modis tienen un paso por el lugar
del Landsat con diferencias de pocos minutos, lo cual favorece el conocimiento de la atmosfera
al momento de la toma de la escena Landsat.
Autores como Cheng, Wei, & Chang, 2004; Lu, Mausel, Brondizio, & Moran, 2002; Paolini,
Grings, Sobrino, Jiménez Muñoz, & Karszenbaum, 2006; Richter, 1998, tratan en sus artículos
las dificultades en la implementación de modelos de corrección radiométrica y atmosférica en
zonas de alta montaña para desarrollar estudios Multitemporales. En este estudio, se evaluó las
potencialidades de la implementación del modelo Ledaps, como forma de corrección en
reflectividad superficial en una zona de montaña dentro de los Andes Colombianos, llegando a
buenos resultados.
Teniendo en cuenta la variación anual que tiene la interacción Sol-Sensor-Superficie en zonas
de montaña como es el caso de la mayoría del territorio Colombiano, para estudios
multitemporales es necesario normalizar los datos (Canty et al., 2004) teniendo en cuenta las
recomendaciones de autores como Sergio M. Vicenteserrano (2008), dado que la corrección
atmosférica por sí sola no garantiza el ajuste de la serie de tiempo, debido a que se ha
encontrado que el mayor aporte en la diferencia de los datos en el tiempo está relacionada a la
interacción antes mencionada en el relieve y a la falta de ajuste en geometría dentro del dato
entregado por el distribuidor. Sería ideal el acceso a datos crudos que permitan mejorar el efecto
del con la corrección geométrica utilizando Modelos Digitales de Elevación con la misma
resolución espacial de las imágenes Landsat.
REFERENCIAS BIBLIOGRÁFICAS
Berk, A., Anderson, G. P., Bernstein, L. S., Acharya, P. K., Dothe, H., Matthew, M. W.,
… Hoke, M. L. (1999). MODTRAN4 radiative transfer modeling for atmospheric
correction. In Proceedings of SPIE - The International Society for Optical
Engineering (Vol. 3756, pp. 348–353). Retrieved from
http://www.scopus.com/inward/record.url?eid=2-s2.0-
0033334835&partnerID=40&md5=a313bcf61b8fd0bdb0d068148a69c73c
Canty, M. J., Nielsen, A. a, & Schmidt, M. (2004). Automatic radiometric
normalization of multitemporal satellite imagery. Remote Sensing of Environment,
91(3-4), 441–451. doi:10.1016/j.rse.2003.10.024
Chavez, P. S. (1996). Image-Based Atmospheric Corrections - Revisited and Improved.
Photogrammetric Engineering & Remote Sensing, 62(9), 1025–1036.
Cheng, K. S., Wei, C., & Chang, S. C. (2004). Locating landslides using multi-temporal
satellite images. Advances in Space Research, 33(3), 296–301. doi:10.1016/S0273-
1177(03)00471-X
Dwyer, J., T, D., & Muchoney, D. (2011). Developing Climate Data Records and
Essential Climate Variables from Landsat Data. In Proceedingd of thr 34th
International Synposium on Remote Sensing of Environmental.
Hill, C., Gordon, I. E., Rothman, L. S., & Tennyson, J. (2013). A new relational
database structure and online interface for the HITRAN database. Journal of
Quantitative Spectroscopy and Radiative Transfer, 130, 51–61.
doi:10.1016/j.jqsrt.2013.04.027
Isaacs, R. G., & Vogelmann, A. M. (1988). Multispectral sensor data simulation
modeling based on the multiple scattering LOWTRAN code. Remote Sensing of
Environment, 26(1), 75–99. doi:10.1016/0034-4257(88)90120-4
Ju, J., Roy, D. P., Vermote, E., Masek, J., & Kovalskyy, V. (2012). Continental-scale
validation of MODIS-based and LEDAPS Landsat ETM+ atmospheric correction
methods. Remote Sensing of Environment, 122, 175–184.
doi:10.1016/j.rse.2011.12.025
Lu, D., Mausel, P., Brondizio, E., & Moran, E. (2002). Assessment of atmospheric
correction methods for Landsat TM data applicable to Amazon basin LBA
research. International Journal of Remote Sensing, 23(13), 2651–2671.
doi:10.1080/01431160110109642
Masek, J. ., Vermote, E. F., Saleous, N., Wolfe, R., Hall, F. G., Huemmrich, F., … Lim,
T. K. (2012). LEDAPS Calibration, Reflectance, Atmospheric Correction
Preprocessing Code, Version 2. Oak Ridge National Laboratory Distributed Active
Archive Center, (August), 2010–2013. Retrieved from http://daac.ornl.gov
Masek, J. G., Vermote, E. F., Saleous, N. E., Wolfe, R., Hall, F. G., Huemmrich, K. F.,
… Lim, T. (2006). A Landsat Surface Reflectance Dataset. IEEE Geoscience and
Remote Sensing Letters, 3(1), 68–72.
Masek, J.G., E.F. Vermote, N. Saleous, R. Wolfe, F.G. Hall, F. Huemmrich, F. Gao, J.
Kutler, and T. K. L. (2013). LEDAPS Calibration, Reflectance, Atmospheric
Correction Preprocessing Code. Tennessee, U.S.A. Retrieved from
http://dx.doi.org/10.3334/ORNLDAAC/1146
Ouaidrari, H., & Vermote, E. F. (1999). Operational Atmospheric Correction of Landsat
TM Data, 15(February 1998), 4–15.
Paolini, L., Grings, F., Sobrino, J. a., Jiménez Muñoz, J. C., & Karszenbaum, H. (2006).
Radiometric correction effects in Landsat multi‐date/multi‐sensor change detection
studies. International Journal of Remote Sensing, 27(4), 685–704.
doi:10.1080/01431160500183057
Richter, R. (1998). Correction of Satellite Imagery Over Mountainous Terrain. Applied
Optics, 37(18), 4004. doi:10.1364/AO.37.004004
Song, C., Member, A., & Woodcock, C. E. (2003). Monitoring Forest Succession With
Multitemporal Landsat Images : Factors of Uncertainty, 41(11), 2557–2567.
Storey, J., Scaramuzza, P., Schmidt, G., & Barsi, J. (2005). LANDSAT 7 SCAN LINE
CORRECTOR-OFF GAP-FILLED PRODUCT GAP-FILLED PRODUCT
DEVELOPMENT. Global Priorities in Land Remote Sensing, p. 13. South Dakota.
Vermote, E. (2007). LEDAPS surface reflectance product description, (January), 1–21.
Vermote, E. F., El Saleous, N., Justice, C. O., Kaufman, Y. J., Privette, J. L., Remer, L.,
… Tanré, D. (1997). Atmospheric correction of visible to middle-infrared EOS-
MODIS data over land surfaces: Background, operational algorithm and validation.
Journal of Geophysical Research, 102(D14), 17131. doi:10.1029/97JD00201
Vermote, E. F., Tanré, D., Deuzé, J. L., Herman, M., & Morcrette, J.-J. (1997). Second
simulation of the satellite signal in the solar spectrum, 6s: an overview. IEEE
Transactions on Geoscience and Remote Sensing, 35(3), 675–686. Retrieved from
http://www.scopus.com/inward/record.url?eid=2-s2.0-
0031139633&partnerID=40&md5=695a69108480933e79b7497fd93ce1c1
Vermote, E. F., & Vermeulen, A. (1999). Algorithm Technical Background Document
ATMOSPHERIC CORRECTION ALGORITHM : SPECTRAL
REFLECTANCES ( MOD09 ) NASA contract NAS5-96062. Physics, (April), 1–
107.
VERMOTE, E., SANTER, R., DESCHAMPS, P. Y., & HERMAN, M. (1992). In-flight
calibration of large field of view sensors at short wavelengths using Rayleigh
scattering. International Journal of Remote Sensing, 13(18), 3409–3429.
doi:10.1080/01431169208904131
Vermote, E., Tanré, D., Deuzé, J. L., & Herman, M. (2006). Second Simulation of a
Satellite Signal in the Solar Spectrum - Vector ( 6SV ) (pp. 1–55).
Vicenteserrano, S., Perezcabello, F., & Lasanta, T. (2008). Assessment of radiometric
correction techniques in analyzing vegetation variability and change using time
series of Landsat images. Remote Sensing of Environment, 112(10), 3916–3934.
doi:10.1016/j.rse.2008.06.011
Wulder, M. a., Masek, J. G., Cohen, W. B., Loveland, T. R., & Woodcock, C. E.
(2012). Opening the archive: How free data has enabled the science and
monitoring promise of Landsat. Remote Sensing of Environment, 122, 2–10.
doi:10.1016/j.rse.2012.01.010