andy j deforestation in colombia terra-i model medellin acodal sept 2010
DESCRIPTION
Presentation on deforestation trends and patterns in Colombia using the Terra-i monitoring tool. Presented in the 53rd ACODAL congress in Medellin 15th September 2010.TRANSCRIPT
Terra-iAn eye on Habitat Change
Monitoreo en Tiempo Real de Cambios en el Habitat
usando Redes Neuronales y Datos Satelitales
1. Una nueva mirada a la
deforestacion: REDD, cambio
climatico
2. Revolucion en monitoreo:
Modelo Terra-i
3. Implementación del modelo en
Colombia y en América latina.
4. Calibración y Validación de
resultados y pasos a seguir.
Contenido
1. El reporte Stern
2. REDD y REDD+:
Mecanismo para reducir
deforestación
3. Requerimientos de línea
base y monitoreo de
bosques
Deforestación de
moda
Objetivos de
• Proveer monitoreo de conversión de hábitats naturales en casi tiempo real (<2 meses de demora)
• Cobertura continental-global, cubriendo todotipo de hábitat
• Regularidad en actualizaciones – cada 16 días
• Nueva acercamiento: usando imágenes de alta frecuencia temporal y moderado resolución espacial para llegar a tener tendencias
La intensidad del verde de la vegetación sigue un ciclo natural que depende de
factores climáticos (precipitación, temperatura), variables de sitio (tipo de
vegetación, características del suelo) y de las alteraciones.
Terra-i es un modelo capaz de predecir la evolución de la intensidad
verde de la vegetación, con base a medidas de verde anteriores y a
medidas climáticas actuales para detectar cambios significativos en el
habitad.
Enfoque Conceptual
• NDVI
– Normalized Difference Vegetation Index
– Resolución de 250m
– Frecuencia de las medidas de 16 días
• TRMM
– Tropical Rainfall Measuring Mission
– Resolución de 28km
– Frecuencia de las medidas de 3 horas
Enfoque Conceptual
Metodología de Detección de Cambios
• Procedimiento básico de detección:
NDVI Pasado
TRMM
…
NDVI
Actual
Diferencia
con la
predicción
Esta en el
intervalo de
confianza ?
Cambio
Normal
No
Si
Detección de Cambios
Entradas:
NDVI (MODIS 13Q1)
Precipitación (TRMM)
Temperatura (WorldClim)
Metodología - Los Modelos
NDVIt
Precipitation (t)
Temperature(t)
…
…
w0
w1
w2
NDVI(t-1)
NDVI(t-2)
NDVI(t-n)
wp1
wp2
wp3
wo1
wo2
wo3
Salida:
Predicción de la medida NDVI al tiempo T.
Para la detección de cambios, las Redes Neuronales Bayesianas generan
tres indicadores: el valor predicho , la desviación estándar de las
predicciones del modelo sobre la función real, el nivel de ruido (Gausiano)
de la medida del satélite.
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
1 2 3 4 5 6 7 8 9Time
ND
VI
Measurments
Predictions
Interval max
Interval min
4500
5000
5500
6000
6500
7000
7500
8000
8500
9000
1 2 3 4 5 6 7 8 9Time
ND
VI
Measurments
Predictions
Interval max
Interval min
Cambio
Detección de Cambios
• Predicciones
– Bayesian Neural Network (BNN)
• Entrenamiento y aproximación del ruido
– Scaled Conjugate Gradient (SCG)
– Bayesian evidence function
– Gaussian noise
• Selección de las entradas del modelo
– Automatic relevance determination (ARD)
• Clustering
– Algoritmo de K-Means modificado, para ser distribuido en varios
procesadores.
– De cada uno de los clústers se selecciona aleatoriamente 1000 pixeles con
los cuales se entrenan 10 modelos….Reduciendo así el tiempo de
proceso.
Metodología - Los Modelos
• Elimina todas las variaciones a corto plazo (< 3 meses)
• Ajuste iterativo de curvas limpias usando:
Los datos de calidad de MODIS
Análisis de Fourier
Ajuste de mínimos cuadrados con valores de alta calidad
Limpieza de los Datos
Metodología – El Software
Metodología – El Software
Tenemos una metodología eficiente usando tecnologías bio-
inspiradas y estadísticas Bayesianas.
La metodología es flexible y toda la aplicación de modelos es
automática.
Es posible manejar una gran cantidad de datos, y la
implementación en otras partes del mundo puede hacerse
rápidamente.
Reporte continental cada 16 días, 6 semanas después de la fecha
de la toma del imagen -> casi tiempo real, resolución 250m
Metodología – Conclusión
Terra-iAn eye on Habitat Change
Colombia
Monitoreo en Tiempo Real de Cambios en el Hábitat
usando Redes Neuronales y Datos Satelitales
Calibración del Modelo en Colombia
Datos de Calibración
Se seleccionaron 24 ímágenes para el
proceso de calibración de
Colombia, teniendo en cuenta que estas
cumplieran con las siguientes
características:
Para garantizar una buena detección se
seleccionaron imágenes con un máximo
de 10% de cobertura de nubes.
Los tiles seleccionados para el año
2004 y 2009 deben ser de la misma
epoca del año, y en el caso de que sea
posible la misma fecha del año.
1. Calibración radiométrica y corrección atmosférica
de las imágenes satelitáles usando información
MODIS de areosoles y vapor de agua y usando el
modelo Second Simulation of the Satellite Signal
in the Solar Spectrum model (6S).
2. Análisis cuantitativo a nivel de sub-pixel pixel donde
clasifica cada pixel en tres clases: porcentaje de
vegetación viva, vegetación muerta y superficie
descubierta usando el modelo Monte Carlo
Automated y una biblioteca de datos espectrales.
3. Enmascaramiento de nubes y cuerpos de agua
4. Mapas de cambio en el bosque, donde se obtienen
dos mapas uno de deforestación y otro de
perturbación forestal.
Detección de la Deforestación usando CLASlite.
Amazonas Colombiano
Para que sirve claslite
Detección de la Deforestación usando CLASlite.
• Mediante este algoritmo es
posible identificar diferentes tipos
de coberturas, tales como:
nubes, cuerpos de
agua, vegetación
primaria, vegetación
secundaria, areas sin cobertura
vegetal, sombra de
nubes, sombra de montañas y
areas urbanas.
Detección de Deforestation usando ERDAS
Image.
Luego se utiliza el software ArcGIS para mezclar la
clasificación inicial en tres grandes clases: Vegetación
primaria, areas sin cobertura vegetal y NoData.
Y se calcula la diferencia entre la pareja de imágenes
clasificadas, obteniendo asi una imágen final con tres
valores:
Incremento(+1),
Decremento(-1) y
Sin cambio (0).
Finalmente, los resultados obtenidos son revisados de manera
detallada, superponiendolos a las imágenes satelitales crudas de los años 2004 y
2009, con el fin de encontrar errores en la deteccion, ocasionados principalmente por
agricultura intensiva y mal enmascaramiento de nubes.
Detección de Deforestation usando ERDAS
Image.
Al realizar la detección de
cambios usando los
programas computacionales
CLASlite en el Amazonas y
ERDAS en el resto del
territorio nacional, se obtiene
un mapa final con el cual se
hara la primera calibración de
los datos en Colombia.
Puerto Concordia -Meta
Resultados Terra-i
Tasa de Deforestacion
151,754 Ha/año
Caqueta, Jan 2004 – May 2009Date
Tasa de Deforestación
21,300 Ha/año
La región oriental presenta una creciente pérdida
de los bosques, debido principalmente a
ampliación de la frontera agrícola, colonización en
las riberas de los ríos, ganadería y explotación
maderera.
Resultados Terra-i
Deforestation Rate
12,600 Ha/año
Las prácticas de tala selectiva en el departamento de
Santander, ocurren principalmente en la zona del
Magdalena Medio santandereano y el bajo Rionegro.
Esta deforestación pone en peligro las fuentes
hídricas de muchos municipios de este
departamento.
Resultados Terra-i
Parque Nacional Tinigua
1,300 Ha deforestado entre 2004 y 20090.5% del área total deforestado en 5 años
0
200
400
600
800
1000
1200
1400
1/1
/2004
7/1
/2004
1/1
/2005
7/1
/2005
1/1
/20
06
7/1
/2006
1/1
/2007
7/1
/20
07
1/1
/2008
7/1
/2008
1/1
/2009
Hecta
res
Time
Cumulative detections in hectares
Series1
Se observa el acercamiento de los eventos de deforestación al parque natural, detectando en el 2009 6,825 hectáreas con cambios en la cobertura vegetal entre los 50 y 75km de distancia.
Entre los 125 y 150km de radio influencia al parque Serranía del Chiribiquete se detecto en promedio 15,448 hectáreas anualmente con una tendencia creciente.
• Bosques tropicalesson los ecosistemasmas afectadas
• Areas protegidas no estan a salvo
0
40000
80000
120000
160000
200000
2004 2005 2006 2007 2008 2009
He
ctár
eas
(H
a)
Tiempo
Deteccion por tipos de hábitat
Desiertos y Formaciónes Xéricas
Manglares
Pastizales Montanos
Bosque Seco Tropical y subtropical
Sabanas y Pastizales, Tropicales y Subtropicales
Bosque Humedo Tropical y Subtropical
0
1000
2000
3000
4000
5000
6000
2004 2005 2006 2007 2008 2009
He
ctár
eas
De
tect
adas
(H
a)
Año
Detección por Areas Protegidas en ColombiaMayores Tasas de cambios detectadas a nivel nacional
CAHUINARI LA PAYA PUINAWAI SIERRA DE LA MACARENA TINIGUA
Validacion
0
0.2
0.4
0.6
0.8
1
9_59 6_58 6_59 7_58 7_59 8_59 8_60
Zonas de validación
Resultado de validación en Amazonia Colombiana
% de pixeles de validación detectados por terra-i % de pixeles de terra-i no detectado en los datos de validación
Chile
0
100000
200000
300000
400000
500000
600000
2004 2005 2006 2007 2008 2009
Hec
tare
as
Tiempo
Detección de cambios en el hábitat
en Chile
Anual Accumulated
Tasa de cambio
promedio anual
91.349 Ha/año
0
200000
400000
600000
800000
1000000
2004 2005 2006 2007 2008 2009
Hec
tare
s (H
a)
Year
Detección de cambios en el
hábitat en Paraguay
Per Year Acummulated
ParaguayTasa de cambio
promedio anual
149.000 Ha/año
Terra-i Results
Deforestation Rate
3,062,064 Ha/año
http://www.terra-i.org/
Lo que PARASID es….
• Primera nivel herramienta de monitoreo paraanalisis de patrones de conversion a escalagruesa
• Plataforma para medida a niveles nacional y regional, consistente, y capaz de entregar unalinea base
• Sistema de alerta temprano por ser de casitiempo real
• Importante para influri politicas publicas y privadas
Lo que no es…..
• Herramienta de monitoreo detallado, nivellocal, para implementacion de REDD se requiere monitoreo de segunda y tercera nivel
• Un sistema para monitorear degradacion
• Terra-i es una metodología robusto para monitoreo a escalas
gruesas la deforestación
• Para Colombia, la tasa de deforestación va en aumento:
• Promedio 150,000Ha/año 2004-2009
• Duplico la tasa anual durante ese época (actualmente
200,000Ha/año)
• Gran frente de deforestación en el Caquetá y Meta
• Resultados de detecciones en Latino-América disponibles de
manera gratuita en nuestro sitio web www.terra-i.org
Conclusiones
Gracias!