martes, 14 de junio de 2011

Clasificando imagenes Landsat con SAGA GIS

Hola Comunidad!!!

Siguiendo con nuestra serie de entradas sobre el análisis y detección de áreas propensas a inundaciones usando imágenes Landsat y software libre, en esta entrada veremos como hacer un clip a nuestra área de interés y aplicar un algoritmo de clasificación para extraer los cuerpos de agua. Como habíamos dicho en la entrada anterior, es muy pesado trabajar con la imagen completa de Landsat (alrededor de 7800 x 6900 pixeles por cada banda) por lo que usaremos el comando [Raster -> Clipper] para recortar la imagen. Partiremos de los virtual rasters (Rio2010 y Rio2011) generados anteriormente para hacer el corte directamente sobre las 7 bandas para los dos casos. El siguiente video ilustra el proceso:


Como se puede apreciar en los videos de la serie, las entradas del menu [Raster] son interfaces que nos ayudan a construir debidamente un comando de la librería GDAL y sus respectivos parámetros. Las líneas que se forman en la parte inferior de la interface las podríamos ejecutar perfectamente en la consola de línea de comandos. Es importante guardar la extensión del clip que hacemos para posteriores análisis. Es posible que se tenga acceso a una nueva imagen en el futuro (ya sea Landsat o de otro proveedor) y estas coordenadas resultarán útiles para continuar el estudio en la misma área de interés.

Ahora que hemos limitado la región de estudio podremos efectuar la clasificación de manera más ágil. Los algoritmos de clasificación se basan en los valores que registra un objeto en particular en cada una de las 7 bandas (o en general sobre el espectro electromagnético). Por ejemplo, la vegetación en general tendrá bajos valores en la bandas azul y rojo pero reflejará más el verde (lo que explica su coloración característica). Sin embargo, lo que más caracteriza la vegetación es el fuerte cambio entre la banda roja e infraroja, esto se conoce como el 'Red Edge'. Por otro lado, el agua se caracteriza por sus bajos valores en las bandas infrarojas. En términos generales, los valores característicos de un determinado objeto en el espectro electromagnético generan lo que se conoce como su firma espectral (o spectral signature). Los algoritmos de clasificación usarán la firma espectral de cada pixel para agrupar píxeles similares en una misma categoría y diferenciarlos de los otros. El siguiente es un corto video que muestra los valores que tienes diferentes objetos en las 7 bandas de la imagen Landsat usando el plugin 'Value Tool':


Para hacer la clasificación de la imagen vamos a usar la herramienta SAGA. En el siguiente video se puede ver como cargar nuestro clip de la imagen Landsat, configurar los parametros y ejecutar el algoritmo de clasificacion y guardar de vuelta la imagen clasificada para trabajarla desde QGIS. Aunque el video solo muestra el proceso para la imagen del 2010, el procedimiento es el mismo para el clip del 2011.


Como se puede apreciar, la clasificación de la imagen puede tomar mucho tiempo, es aquí donde toma relevancia el clip a la zona de interés. Sin embargo, los principales cambios ocurren en las primeras iteraciones y, si el nivel de cambio es aceptable, es posible deterner el proceso al ejecutar de nuevo el módulo de clasificación. El resultado de la clasificación será una nueva imagen donde cada píxel tendrá uno de 4 valores posibles (0,1,2 o3) dependiendo del cluster (o grupo) al que pertenece.

Bueno, en la siguiente entrega veremos como visualizar correctamente las imágenes clasificadas en QGIS, extraer los cuerpos de agua para cada imagen e identificar que áreas estan cubiertas por agua en el 2011 y no lo estaban en el 2010.

jueves, 2 de junio de 2011

Visualizando imágenes Landsat en Quantum GIS...

Hola comunidad!!!

Continuando con la serie de tutoriales dedicadas al análisis de áreas propensas a inundaciones vamos a ver algunas herramientas para visualizar y manipular imágenes Landsat. Existen varias alternativas para manipular imágenes satelitales y hacer análisis geográfico. En el mundo del open source/software libre podemos nombrar GRASS, SAGA, SPRING, Monteverdi, gvSIG, OpenJump, Quantum GIS (QGIS), entre otros. Las características y ventajas de cada uno son diversas y dependerá de los gustos cual escoger. En este pequeño tutorial vamos a introducir algunas ideas sobre el uso de QGIS. QGIS ha logrado combinar varias técnicas y métodos en una interfáz de fácil uso. La gran ventaja que distingue a QGIS del resto es la gran disponibilidad de plugins de terceros. Es así como, desde la interfaz de QGIS, tenemos acceso a útiles librerias como GDAL (para manipulación de imágenes raster), fTools (para manipulación de imagenes vectoriales), una gran mayoria de comandos GRASS y análisis estadístico con R.

Si estas interesado en compilar desde las fuentes la última versión en desarrollo de QGIS (1.7.0 Wroclaw) aqui hay un excelente tutorial. También se puede descargar desde la página web (Windows) o instalar desde repositorios (Linux), pero en el momento solo esta disponible la version estable (1.6.0 Copiapó). La Open Source Geospatial Foundation compila desde hace un par de años una distribución Live DVD o Live USB basada en Linux con varias de las herramientas mencionadas aqui ya preinstaladas, incluyendo sus instaladores para windows.

Para activar los plugins en QGIS accedemos al menú [Plugins -> Manage Plugins]. Los plugins contenidos en Manage Plugins podriamos decir que son los plugins oficiales pero existe uno particularmente útil, llamado Plugin Installer, que permite instalar los plugins de terceros. Una vez instalado este plugin se puede acceder a la lista de repositorios y plugins externos a través del menú [Plugins -> Fetch Python Plugins] (Para tener acceso a los plugins se debe tener instalado Python). Entre los más útiles para activar/instalar yo recomiendo: GdalTools, RGB Composition, RasterCalc, Statist, OpenStreetMap plugin, Value Tool, fTools y manageR. La lista es muy extensa, desde plugins para la conexión a bases de datos georeferenciales como PostGIS hasta visualización de imágenes desde Google Maps. Hay para escoger.


Después de instalar los plugins GdalTools y fTools deberían aparecer dos nuevos menús (Raster y Vector). La gran mayoria de plugins aparecerán como nuevos iconos en la barra de herramientas o estarán disponibles en el menú Plugins.

Hay algunos plugins y funciones de QGIS que aparecen como paneles en la interfáz. Haciendo click derecho en un área libre de la barra de herramientas se puede escoger u ocultar que paneles desplegar.


Bueno, la idea de esta entrada será usar algunos de los plugins y herramientas de QGIS para analizar y preparar las imágenes que descargamos desde el repositorio de Landsat en la entrada anterior. Para eso ya hemos descomprimido las imágenes JPEG y GeoTIFF en carpetas diferentes para el año 2010 y 2011. Por facilidad, vamos a seguir el siguiente video para ver como cargar las imagenes y hacer una comparación inicial usando las True-Colour composite (JPEG) de las escenas (En lo posible, mira los videos en HD y pantalla completa).


Como dijimos, las imágenes JPEG son utiles para hacer un primer análisis y escoger el área de interés. Después de revisar las tomas, es hora de usar las 7 bandas de la imagen Landsat para preparar nuestro conjunto de datos para un analísis más detallado. Trabajar las 7 bandas en archivos GeoTIFF separados es incómodo y tomará más tiempo por lo que siempre es buena práctica construir un catalogo que integre las 7 tomas en una sola imagen. Para eso utilizaremos el comando [Raster -> Build Virtual Raster].

Después podremos efectuar diferentes combinaciones de las bandas, o composites, para obtener diferentes visualizaciones. La más comun es conocida como True-Colour composite y es la que asigna las Bandas 3, 2 y 1 a los canales RGB de la visualización respectivamente (como en el caso de las imágenes JPEG). De esta manera logramos un efecto real tal cual lo percibirían nuestros ojos o una cámara fotográfica cualquiera. Otro composite muy útil es el False-Colour composite, este asigna las bandas 4, 3 y 2 a los canales RGB. De esta manera el canal 4 (Infrarojo) se pintará de rojo en nuestra visualización permitiendo ver los objetos que reflejan la radiación infraroja, como la vegetación saludable, en un color rojo intenso. Por el contrario, los objetos que absorben la luz infraroja, como el agua, se verán muy oscuros. Como dijimos, las bandas infrarojas resultan extremadamente utiles si queremos categorizar cuerpos de agua. El siguente video explica los pasos:


Como pueden ver, trabajar con las imágenes completas de Landsat, y aún más con las 7 bandas, puede ser muy pesado. En el próximo post veremos como recortar la escena para limitar nuestra área de interés (el cauce bajo del Rio Magdalena) y efectuar una clasificación de los cuerpos de agua para cada toma.