Resumen
Tradicionalmente el monitoreo del fenómeno de inundaciones se ha basado en el análisis de modelos climatológicos derivados de los datos registrados por las estaciones climáticas. Sin embargo, algunas de las limitaciones en el uso exclusivo de estos datos radican en que los mismos pueden ser escasos, discontinuos o simplemente estar incompletos.
Desde hace varios años, las técnicas de Percepción Remota han posibilitado la obtención y distribución rápida de información espacial en áreas extensas mediante el procesamiento digital de datos de sensores satelitales dispuestos en diferentes regiones espectrales. El rápido desarrollo de tecnologías de análisis espacial como los Sistemas de Información Geográfica (SIG) en conjunto con la Percepción Remota (PR), han agilizado el procesamiento y transformación de la información contenida en las imágenes a mapas de diferentes temáticas, permitiendo la visualización espacial de la información. La integración de la información derivada de sensores remotos junto con el empleo de otros datos, proveen un potencial enorme para la identificación, monitoreo y evaluación de inundaciones presentes y futuras.
De este modo y con el fin de responder con los requerimientos de información espacial para la prevención, monitoreo y mitigación del riesgo por eventos climáticos extremos en Colombia, la Corporación Colombiana de Investigación Agropecuaria (Corpoica) en conjunto con el grupo de Percepción Remota del Centro de Investigación y Desarrollo en Información Geográfica (CIAF) perteneciente al Instituto Geográfico Agustín Codazzi (IGAC), se dieron a la tarea de formular un proyecto para la identificación de aquellas áreas con mayor riesgo a inundaciones empleando para ello imágenes de satélite. Y es así como derivado del mismo se expone a continuación una práctica recomendada que tiene por objetivo generar información sobre la dinámica de expansión y contracción de cuerpos de agua, mediante el análisis multitemporal de índices espectrales, generados a partir de imágenes RapidEye y SPOT 5, seleccionadas de acuerdo a las fechas oficiales de ocurrencia de eventos climatológicos “Niño” y “Niña” (Información de entidades meteorológicas como IDEAM: “Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia“). En este proceso también se involucró la cartografía oficial de cuerpos de agua a escala 1:25.000, existente en el Instituto Geográfico Agustín Codazzi, a partir de la cual se calcularon las áreas de expansión y contracción de cuerpos de agua.
Requerimientos
A continuación se detallan todos los requisitos necesarios para el desarrollo de la práctica recomendada en el “Monitoreo de Expansión y Contracción de Cuerpos de Agua a Escala 1:25.000”:
Datos empleados:
La consulta y descarga de imágenes disponibles se realizó en las diferentes bases de datos disponibles en internet como: el Servicio Geológico de los Estados Unidos (USGS, http://earthexplorer.usgs.gov/), el Banco Nacional de Imágenes para Colombia (BNI, http://bni.igac.gov.co:81/home/srv/es/main.busqueda) del Instituto Geográfico Agustín Codazzi (IGAC) y la Universidad de Maryland (http://glcfapp.glcf.umd.edu:8080/esdi/).
Nivel de procesamiento:
El tratamiento de los datos se realizó a partir de diferentes niveles de procesamiento:
- Para imágenes RapidEye: el nivel de procesamiento fue 1B. Los cuales son datos brutos con información auxiliar como coeficientes de calibración, corrección geométrica básica, los cuales fueron procesados a unidades físicas en el sensor.
- Para las imágenes Spot 5: El nivel de procesamiento empleado fue a partir de datos en 1A.
Software empleado:
Principalmente el trabajo fue desarrollado bajo el software de tratamiento digital de imágenes PCI Geomatica 2013 (http://www.pcigeomatics.com/). A través de sus módulos de análisis:
FOCUS: Módulo de procesamiento de Imágenes, SIG/Análisis Espacial, y de Edición Cartográfica
ATCOR: Módulo de corrección atmosférica del programa de procesamiento digital de imágenes PDI.
MODELER: Módulo para generar funciones adaptadas a las necesidades del usuario
EASI: Módulo de lenguaje de programación en macros.
El programa puede acceder, sin necesidad de conversión, a diversos archivos raster (Erdas IMG y LAN; Idrisi; Envi HDR; Arc-Info E00, archivos binarios genéricos, etc.), pero si se quiere abordar análisis más detallados, es necesario importar las imágenes al formato nativo del programa (PIX).
Tanto las generación de los polígonos, el almacenamiento de la información en bases de datos GDB, así como las salidas gráficas de los resultados fueron desarrollados en el software de tratamiento de información geoespacial ArcGIS® en su versión 10.2., bajo la Interfaz de ArcMap y ArcCatalog.
Requerimientos de Hardware:
Para el desarrollo del proyecto se emplearon estaciones de trabajo y cómputo “Precisión T3500-Dell”, las cuales contaban con las siguientes características o recursos de hardware:
- Sistema operativo: Microsoft Windows 7 Profesional
- Versión operativo: 6.1.7601 Servipack 1 Compilacion 7601
- Tipo de sistema: PC basado en x64
- Procesador: Intel® Xeon® CPU de 3.20Ghz
- Versión de SMBIOS: 2.5
- Memoria física instalada (RAM): 12.0GB
- Memoria Virtual Total: 15.9 GB
- Disco de Almacenamiento Interno: 1TB
Habilidades requeridas:
Esta metodología fue diseñada teniendo en cuenta que el profesional posea una formación base referida a los siguientes temas:
- Fundamentos de percepción remota
- Fundamentos en el procesamiento digital de imágenes
- Interpretación visual diferentes tipos de imágenes
- Fundamentos de sistemas de información geográfica
Aplicaciones
- Las inundaciones son desastres naturales que pueden afectar un amplio rango de actividades relacionadas con la actividad humana y las economías locales. Por este motivo se hace necesario acudir a distintas fuentes de información que permitan generar información rápida y acertada del impacto de futuros eventos climáticos extremos.
- Esta práctica recomendada a través de técnicas de percepción remota hace posible la captura y distribución de datos rápidamente en áreas extensas, empleando imágenes de satélite RapidEye y Spot 5 a través de índices espectrales que permiten identificar y monitorear los cuerpos de agua asociados a inundaciones.
- El cálculo de las superficies de expansión y contracción de cuerpos de agua a partir del procesamiento de imágenes de satélite multiespectrales RapidEye y Spot 5 de alta resolución y la combinación de técnicas de análisis espacial, permiten la generación de cartografía a escala municipal (1:25.000) que puede ser integrada a los análisis y zonificación de las amenazas por inundaciones y condiciones secas que suelen ser frecuentes durante la ocurrencia de eventos niña y niño.
- Aunque existen varios métodos de procesamiento digital de imágenes para realizar los análisis mencionados, este trabajo sugiere que el empleo de índices espectrales es el método de más fácil implementación y de mayor rapidez. Por tal razón se hace indispensable incluir el cálculo de índices como el NDWI o el NDVI a partir de imágenes con moderada-alta resolución espacial en futuros análisis de eventos climáticos extremos.
- Los resultados de este trabajo pueden ser empleados como una base técnica para eventuales manejos del riesgo agroclimático, puesto que permiten identificar aquellas zonas con mayor riesgo a inundaciones tanto a nivel municipal como regional, dependiendo de la escala de trabajo seleccionada. De esta manera se complementa una adecuada preparación de los planes de contingencia mediante la generación de alertas que informen del posible impacto al sistema productivo establecido en la zona.
Ventajas y limitaciones
A continuación se exponen las principales potencialidades y limitaciones de la práctica para la generación de mapas a escala 1:25.000 de la expansión y contracción de cuerpos de agua con imágenes Rapideye y Spot 5.
Potenciales ventajas:
Con un registro histórico considerable de imágenes multiespectrales en áreas que han presentado diferentes niveles de afectación por inundaciones o escasez de agua, la utilización de esta práctica permite identificar de forma aproximada en que épocas se presentó una mayor intensidad de estos eventos, así como también permite confrontar si en los procesos de expansión y contracción de cuerpos de agua pueden estar involucradas actividades antrópicas que han generado cambios relevantes en la cobertura y uso del suelo, como es el caso de la expansión de la frontera agrícola.
Desventajas y Limitaciones:
Disponibilidad de Imágenes con resolución espacial adecuada para generar cartografía a escala 1:25.000, y con temporalidad suficiente para analizar la dinámica de expansión y contracción de cuerpos de agua, en diferentes períodos extremos, particularmente antes del año 2005. Mascaras de nubes: No se puede aplicar los umbrales en diferentes contextos, es necesario definir el umral de nuevo para cada escena por ensayo y error. Además las mascaras de nubes no incluyen las sombras de nubes.
Sensibilidad del modelo:
Teniendo en cuenta las características de los sensores ópticos - electrónicos, varias de las imágenes disponibles presentaron problemas de nubosidad sobre algunas de las áreas de interés, por lo tanto se integraron alternativas como las imágenes de sensores radar disponibles en el BNI (Banco nacional de imágenes), administrado por IGAC.
Exactitud y fiabilidad:
La precisión de los resultados depende en gran medida de la corrección geométrica de las imágenes, a partir de las cuales se generan los índices y las coberturas de agua. De igual forma, es necesario corroborar con trabajo de campo y registros de áreas expuestas a inundaciones, mediante los sistemas nacionales para la gestión de riesgos.
Bibliografía
Allen, R., Pereira, L., Raes, D., & Smith, M. (1998). Crop evapotranspiration - Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56.
Boken, V. (2005). Monitoring and Predicting Agricultural Drought: A Global Study. Cary, NC, USA: Oxford University Press, Incorporated.
Bryant, R., & Rainey, M. (2002). Investigation of flood inundation on playas within the Zone of Chotts, using a tome-series of AVHRR, Remote Sensing of Environment.
Chandler, G., Markham, B., & Helder, D. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+ and EO-1 ALI Sensors. Remote Sensing of Environment, 893-903. (disponible en landsathandbook.gsfc.nasa.gov)
Chavez, P. (1996). Image-based atmospheric corretion - revisited and improved. Photogrametric Engineering and Remote Sensing, 1025-1036. (disponible en unc.edu)
Chen, X., Li, Y., Liu, Z., Yin, K., Li, Z., Wai, O. W., & King, B. (2004). Integration of multi-source data for water quality classification in the Pearl River estuary and its a adjacent coastal waters of Hong Kong, Continental Shelf Research.
Chipman, J. W., & Lillesand, T. M. (2007). Satellite-based assessment of the dynamics of new lakes in southern Egypt. International Journal of Remote Sensing.
Chuvieco, E. (2010). Teledetección Ambiental. Ariel.
Colwell, J. (1974). Vegetation canopy reflectance. Remote Sensing of Environment, 175–183.
Corpoica. (2013). Mapas de suceptibilidad territorial a eventos climaticos extremos, Departamento de Atlántico. Grupo de Agroclimatología CORPOICA.
Corpoica. (2013). Mapas de susceptibilidad territorial a eventos climáticos extremos. Departamento de Bolívar.
Deering, D. (1978). Rangeland reflectance characteristics measured by aircraft and spacecraft sensor. Ph. D. Dissertation, Texas A&M University, 338p.
Hung, M., & Wu, Y. (2005). Mapping and visualizing the Great Salt Lake landscape dunamics using multi-temporal satellite images, 1972 - 1996. International Journal of Remote Sensing.
IDEAM. (2011). Informe del Estado del Medio Ambietne y de los Recursos Naturales Renovables. Bogotá - Colombia: Instituto de Hidrologia, Meteorologia y Estudios Ambientales - IDEAM.
IGAC. (2004). Adopción del marco geocéntrico nacional de referencia magna-sirgas como datum oficial de Colombia. Instituto Geografico Agustin Codazzi.
IGAC, I. g. (2014). Banco Nacional de Imágenes. Retrieved Enero 2014, from http://bni.igac.gov.co:81/home/srv/es/main.busqueda
IGAC (2014). Generación de información temática para gestión del riesgo y distribución en web. http://www.un-spider.org/sites/default/files/IGAC.pdf
Jain, S. K., Singh, R., Jain, M., & Lohani, A. K. (2005). Delineation of flood-prone areas using remote sensing technique, Water Resources Management.
Jain, S., Saraf, A. K., Goswami, A., & Ahmad, T. (2006). Flood inundation mapping using NOAA AVHRR data, Water Resources Management.
Ji, L., Zhang, L., & Wylle, B. (2009). Analysis of dynami thresholds for the normalized difference water index. Photogrammetric engineering & remote sensing, 1307-1317.
Jiménez, N. (2010). Evaluación del impacto de la sequía sobre la vegetación natural mediante teledetección en el SE español. Valencia, España: Gandia.
Jupp, D. L., Tim, R., MCVicar, Qin, Y., & Li, F. (1998). Final report Australia - China Joint Science and Technology Commission Project. CSIRO Austria.
Li, J., & Narayanan, R. (2003). A shape-based approach to change detection of lakes using time series remote sensing images. IEEE Transactions on Geoscience and Remote Sensing.
Liang, S. (2004). Quantitative Remote Sensing of Land Surfaces. Jonh & Sons, INC. Hoboken, NJ.
Lira, J. (2006). Segmentation and morphology of open water bodies from multispectral images. International Journal of Remote Sensing.
Liu, H., & Huete, A. (1995). A feedback based modification of the NDV I to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing, 457-465.
Maathuis, B., & Westen, C. V. (2003). Flood hazard monitoring using multitemporal SPOT-XS imagery. ITC, Department of earth resources survey.
Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qiu, G. (2007). Sensitivity of the enhanced
vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic
effects: a case study in high-density cypress forest. Sensors 7, 2636-2651.
McFeeters, S. K. (1996). The use of normalized difference water index (NDWI) in the delineation of open water features, International Journal of Remote Sensing.
Mingwei, Z., Qingbo, Z., Zhongxin, C., Jia, L., Yong, Z., & Chongfa, C. (2008). Crop discrimination in Northern China with double cropping systems using Fourier analysis of time-series MODIS data.
Muñoz, L. (2007). Aplicaciones geomáticas en teledetección . Madrid. Plisnier, P., Serneels, S., & Lambin*R, E. (2000). Impact of ENSO on East African ecosystems: a multivariate analysis based on climate and remote sensing data (Vol. 9). Global Ecology & Biography.
Pons, X., & Sole, L. (1994). A simple radiometric correction model to improve automatic mapping of vegetation from multispectral satellite data. Remote Sensing of the Environment, 191-204. (disponible en researchgate.net)
Ren, J., Chen, Z., Zhou, Q., & Tang, H. (2008). Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. Int J. Appl. Earth Observ. Geoinform. doi:10.1016/j.jag.2007.11.003.
Rogers, A., & Kearney, M. (2004). Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices. International Journal of Remote Sensing.
Sakamoto, T., Nguyen, N., Kotera, A., Ohno, H., Ishitsuka, N., & Yokozawa, M. (2007). Detecting temporal changes in the extent of annual flooding within the Cambodia and the Vietnamese Mekong Delta from MODIS time-series imagery, Remote Sensing of Environment.
Sethre, P., Rundquist, B., & Todhunter, P. (2005). Remote detection of prairie pothole ponds in the Devils Lake Basin, North Dakota, GIScience and Remote Sensing.
Universidad de Maryland. (2014). Retrieved Enero 2014, from http://glcfapp.glcf.umd.edu:8080/esdi/
USGS. (2005). Geological Survey Fact Sheet. Retrieved Noviembre 13, 2008, from http://landsat.usgs.gov/documents/Landsat_Fact_Sheet.pdf
USGS. (2014). Retrieved Enero 2014, from http://earthexplorer.usgs.gov/
Wang, Q., & Tenhunen, J. (2004). Vegetation mapping with multitemporal NDVI in North Eastern China Transect (NECT). International Journal of Applied Earth.
Wardlow, B. D., & Egbert, S. (2008). Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the U.S. Central Great Plains. Remote Sensing of Environment.
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing.
