CLASliteINTRODUCCION Bienvenido al Monitoreo de Bosques con CLASlite. En este curso le entrenaremos en el uso del programa CLASlite, y le enseñaremos la ciencia detrás de él. Le mostraremos cada una de las funciones principales del programa, y revisaremos el resultado de cada una. Al finalizar, estará listo para correr CLASlite para una serie de imagenes, y responder preguntas sobre sus resultados en cada paso. Nuestra meta es equiparle con las herramientas necesarias para enfrentar de forma eficiente y efectiva el monitoreo de bosques para su organización Dicho esto, entremos directo en los materiales del curso. RESUMEN DE CLASlite En esta sección le mostraremos un panorama general de lo que es CLASlite, por qué es importante y cómo se originó. CLASlite es un paquete de software creado por mi equipo del Departamento de Ecología Global de la Institución Carnegie para la Ciencia. Está diseñado para la identificación altamente automatizada de la deforestación y degradación de bosques usando imágenes de sensores remotos. Nuestra misión es proporcionar a gobiernos, organizaciones no gubernamentales e instituciones académicas una tecnología avanzada y científicamente sólida para el monitoreo de bosques Nuestra meta es que, algun día, el monitoreo de bosques con satélites sea una actividad cotidiana para personas no expertas. Esperamos que CLASlite sea una herramienta común para mejorar la conservación y manejo de los bosques y para el desarrollo de políticas. Los bosques tropicales cubren menos del 5% de toda el área terrestre, pero albergan cerca de la mitad de las especies de la Tierra. Además de ser el hogar de la biodiversidad más rica del planeta, los bosques proveen combustible y sustento a los habitantes humanos. También almacenan cantidades masivas de carbono, que de otra forma acelerarían el calentamiento global. Estos son solo algunos ejemplos del papel tan importante que tienen los bosques en la regulación de los ambientes naturales e intervenidos. Pero los bosques están amenazados. Cada año, varios millones de hectareas son destruidas, pues los bosques compiten con la expansión agrícola, la exploltación forestal, la minería, la construcción de vías, y otros usos de la tierra. Nos adentraremos en nuestra definición técnica de cobertura boscosa mas adelante en este curso. Por ahora, cuando hablemos de cobertura boscosa, nos referiremos al area terrestre dominada por el dosel. Definimos deforestación como la conversión de tierras forestadas en tierras sin bosque, y definimos perturbación como la disminución difusa de la cobertura boscosa. Esto podría ocurrir si algunos árboles viejos en un parche de bosque mueren, o si son talados para madera. Definimos la degradación del bosque como la persistencia temporal o espacial de una perturbación. Algunos ejemplos de degradación son incendios repetidos y tala selectiva. Note que ninguna de estas definiciones de cambio del bosque especifica la causa del cambio. CLASlite detecta los cambios naturales y antropogénicos, es decir, causados por el hombre. Ante esta desalentadora pérdida del bosque, nosotros en la Institución Carnegie, desarrollamos el Sistema de Análisis Landsat de Carnegie, o CLAS. CLAS fue nuestro programa original para monitorear el estado de los bosques usando imágenes de satélite. Corría en super computadores durante varios días. A partir de esta tecnología, desarrollammos CLASlite, un software mas rápido, preciso, versatil y amigable. Solo hay que ingresar los archivos de entrada y la metadata. CLASlite es altamente automatizado en el sentido de que corre cada paso por si mismo. cuatro: Detección del cambio Esta es una ilustración de un procesamiento de CLASlite y su salida para cada uno de los cuatro pasos. Y finalmente. aclaremos algunos de los aspectos confusos acerca de qué es y qué no es CLASlite. veamos un panorama de alto nivel sobre los procesos y salidas de CLASlite. Son las siguientes. explicaremos cada una en su propia sección de este curso. a los fines de este curso. y ha tenido grandes mejoras en el tiempo de procesamiento y funcionalidad. Ahora. no es que le genere todas las respuestas que busca. cada una armada sobre las precedentes. En los raros casos en que hablemos de un proceso de CLASlite que sea único para data de Landsat. Dicho esto. la versión actual de CLASlite es mucho más accesible para usuarios no expertos para uso rutinario. se le haremos saber. y para que pueda ajustar cualquiera de las configuraciones personalizables de CLASlite. empleando una variedad de satélites. pero los principios que discutiremos son generales y deben aplicarse a todos los sensores satelitales compatibles. CLASlite realiza su mapeo con base en algoritmos diseñados para trabajar en todo el mundo. Note que. Ahora. CLASlite ejecuta cuatro funciones principales. Tres: Clasificación de la cobertura boscosa. .CLASlite ya va por su tercera versión. debe saber cómo interpretar las salidas de CLASlite para que le sean de utilidad. Esta tabla muestra el desarrollo. La primera: Calibración Dos: Análisis espectral. las imagenes de ejemplo que proporcionaremos serán de la serie de satélites Landsat. Basicamente. Puede usar estos resultados para inferir propiedades importantes del paisaje. A medida que producimos nuevas y mejores versiones para la comunidad nos retroalimentamos de los usuarios de CLASlite de diferentes geografías y para diferentes aplicaciones. sin hacer contacto directo. primero le daremos una muy breve introducción a la ciencia de donde se originó CLASlite: Detección con Sensores Remotos. parte de ella se absorbe por los suelos y los océanos. Así.Por ello. Esta retroalimentación guía la investigación para el desarrollo técnico. pero CLASlite no hará esto por usted. o reservas de carbono. a medida que construimos la capacidad para hacerlo más ampliamente accesible. continuamente mejoramos nuestra tecnología para apoyar el monitoreo forestal globalmente MONITOREO FORESTAL DESDE EL ESPACIO En esta clase. puede que no capture la intricada dinámica de un bosque en particular. Para ello. CLASlite evoluciona constantemente. ¿qué es detección con sensores remotos? Es la ciencia que se ocupa de colectar información acerca de la superficie terrestre. varios de estos pasos funcionarán para cualquier ubicación del mundo. El tercer punto es que las salidas de CLASlite son una serie de imágenes con significado ecológico. Entonces. Esto se debe a que seguimos trabajando en el desarrollo técnico del software. Usamos la energía solar reflejada de la superficie de la Tierra para generar conocimientos acerca de la cobertura terrestre. Pero como los algoritmos de CLASllite están enfocados en las características de los bosques tropicales. . como biodiversidad. le enseñaremos cómo usar CLASlite y le daremos los información científica detrás de cada una de sus funciones. No toda la energía que entra se refleja. llamada banda de la imagen. Para cada píxel. Cada una de estas imágenes se divide en muestras de igual tamaño. esta es energía en forma de partículas cargadas que viajan a través del espacio en ondas a la velocidad de la luz. Estos satélites pasan sobre la superficie durante un período fijo. el sensor percibe una cierta área de la superficie que está debajo. Las ondas cortas están en el extremo izquierdo del espectro. En su nivel más básico. Entonces. pues la radiación electromagnética se clasifica por la longitud de onda. que se refleja. Note que en este curso nos referimos a los sensores simplemente por los nombres de los satélites en los que están colocados. La luz visible por el ojo humano es solo un pequeño sector del espectro. El sensor mide y registra la cantidad de energía reflejada en la banda. que son los instrumentos de colección de información que usa CLASlite. La energía de la que hablamos se encuentra en forma de radiación electromagnética. CLASlite usa la radiación desde el infrarrojo visible al térmico.Pero la energía que si se refleja. Esto es importante. puede detectarse por satélites. A medida que el satélite viaja alrededor de la Tierra. es útil saber que la longitud de onda es la distancia en la cual se repite la forma de la onda. Para detección con sensores remotos. ¿cómo exactamente se registran estos datos? Por los sensores de los satélites que están en órbita alrededor de la Tierra. Los sensores colectan datos para una serie de imágenes de la superficie de la Tierra. El número digital del pixel representa la cantidad . llamadas pixeles. y las ondas largas a la derecha. la energía que mide el sensor se almacena como un número digital. También incluye el infrarrojo de onda larga. llamado infrarrojo térmico porque se emite como calor de la superficie terrestre. La radiación infrarroja incluye el infrarrojo de onda corta. Es decir. y monitorear la dinámica del bosque en el tiempo. tiene un papel importante en la luz reflejada. Con múltiples imágenes. para vegetación fotosintéticamente activa. CLASlite puede determinar cómo la cobertura forestal cambia. En esta etapa. Primero. muestran patrones característicos de absorción y reflectancia en diferentes longitudes de onda. por favor detenga esta sesión y regrese a su paquete de entrenamiento para hacerlo.física de radiación detectada en ese píxel. PASO 0: PREPARACIÓN DE IMÁGENES PARA CLASLITE En esta sección. CLASlite ofrece un enfoque específico para el análisis de imágenes usando la data de cada pixel para detectar y mapear la cobertura boscosa. En el infrarrojo de onda corta. generan los bultos y ondulaciones que ve aqui. los enlaces moleculares de las proteínas. podemos producir mapas de cobertura terrestre. Y en el infrarrojo. vibración y otras interacciones entre moléculas y diferentes materiales. ya debería haber descargado CLASlite. Con información adicional relacionada con factores biofísicos y socioeconómicos. Si no lo ha hecho. El análisis espacial de data detectada con sensores remotos. podemos generar conclusiones sobre la causas del cambio del bosque así como de sus impactos. Cada tipo de cobertura de la superficia tiene una firma espectral. celulosa y otros materiales de las plantas. Estos patrones son una función de la composición química del tipo de cobertura superficial. Usando estas relaciones entre la data detectada con sensores remotos y sus firmas espectrales. . Por ejemplo. Específicamente. doblamiento. revisaremos los pasos que debe tomar antes de correr CLASlite. El estiramiento. ligninas. determinan cómo reflejan esta luz. discutiremos los factores a tomar en cuenta al seleccionar y descargar las imágenes de satélite. consideremos las imágenes y sensor satelital a usar. la clorofila y otros pigmentos son responsables de la fuerte absorción de luz en el espectro visible. se ha usado por décadas para mapear y monitorear la deforestación en el Amazonas y en todo el mundo. el contenido de agua y su interacción con el aire. Todos tienen un intervalo espectral que abarca longitudes de onda desde el visible al infrarrojo de onda corta. . Dicho esto. Landsat 4 y 5.CLASlite soporta entradas de ocho diferentes sensores satelitales. cuanto mas alto sea el porcentaje de cobertura de nubes. puede que requiera imágenes de SPOT 5. Sus necesidades como usuario determinarán cuál sensor escoger para obtener imágenes. ASTER. y algunos tienen bandas termales adicionales. probablemente se encontrará limitado por la escasa disponibilidad de imágenes con poca cobertura de nubes. es mejor trabajar con imágenes que tengan la menor cantidad de cobertura de nubes posible. Si necesita imágenes múltiples dentro del mismo período corto de tiempo. Todos estos ocho sensores satelitales proveen cobertura global de la Tierra. Landsat 7. puede optar por un sensor con cobertura global relativamente rápida. SPOT 5. Esto nos trae una pregunta muy importante: ¿Qué hace que una imagen o serie de imágenes sea buena? Hay muchos factores que influencian la calidad de una imagen. En contraste. pero el criterio más importante es que la data sea realmente utilizable. si desea imágenes con alta resolución espacial. ¿Qué frecuencia de disponibilidad de imágenes requiere su proyecto? ¿Qué resolución espacial? ¿Qué intervalo espectral requiere que sus imágenes abarquen? Estas necesidades dependerán de la región y fenómenos de cambios terrestres que esté investigando. Advanced Land Imager y Landsat 8. más adelante. SPOT 4. Siendo realistas. problablemente estará limitado a seleccionar las imágenes de cualquier fuente que tenga buenas imágenes disponibles. más datos se perderán en las salidas de CLASlite Por lo tanto. La principal barrera para esto es la cobertura de nubes. A veces. tendrá que cambiar baja cobertura de niubes por una secuencia de tiempo deseable. Este problema es particularmente desafiante en las regiones tropicales para las que está diseñado CLASlite. como Landsat o ASTER. Hablaremos más acerca de cómo CLASlite enmascara las nubes de una imagen. Básicamente. Los ocho sensores tienen una alta resolución espacial. Esto es. Como puede ver. la cobertura fraccional de la vegetación es mas alta en la época de lluvia de una región que en su época de sequía. Esto puede querer decir mapear una serie de imágenes instantaneas que correspondan a eventos de perturbación conocidos o sospechados. necesitará preparar estas imágenes para CLASlite. Esto varía por sensor y por el nivel de pre-procesamiento de data por el proveedor. O. Para una secuencia dada de tiempo.¿Qué hace que una secuencia de tiempo sea deseable? Bueno. Otro obstáculo para obtener imágenes de buena calidad que debe tomar en cuenta es la falla en el mecanismo corrector de la linea de escaneo a bordo de Landsat 7. afectando a todas las imágenes subsiguientes. hay muchas decisiones que tomar al seleccionar las imágenes. Aqui se puede ver claramente esta disparidad en la miagnitud de pérdida de data a lo largo de una imagen de Landsat 7. Seleccionar la llamada secuencia de fecha de aniversario minimiza los efectos de los cambios estacionales en la fenología del bosque. En su ausencia. está ausente debido a estos vacíos. también es importante encontrar imágenes tomadas en la misma época del año. cuanto más lejos esté del centro de una imagen. si por ejemplo está haciendo un monitoreo de rutina. el sensor escanea en un patrón de zig-zag. De lo contrario. Falló el 31 de mayo de 2003. de modo que probablemente no tiene sentido evaluar la cobertura boscosa bajo condiciones tan diferentes. Una vez que ha seleccionado las imágenes a estudiar. Puede ver en estos diagramas que el porcentaje de cobertura de vegetación fotosintética en áreas secas de Hawai está fuertemente correlacionado con la precipitación. peor será la pérdida de data. . El proceso de preparar la data para CLASlite depende del formato en que esté la data. resultando en grandes vacíos de data en las imágenes. pero los efectos son mas pronunciados a una distancia desde el punto directamente debajo del sensor. es util solo para estudiar cambios en el bosque si mapeamos el estado de la cobertura boscosa en intervalos de tiempo que tengan sentido. El corrector de la linea de escaneo era un componente del sensor que compensaba el movimiento hacia adelante de Landsat 7. idealmente en el mismo mes o tan cerca de la misma fecha como sea posible. tales cambios podrían resultar en una detección engañosa de cambio de bosque. Se ha estimado que cerca del 22% de lo que normalmente se ve. A saber. puede querer decir mapear instantaneas en intervalos regulares. PASO 1: CALIBRACIÓN A REFLECTANCIA El objetivo de este primer paso es convertir la data registrada por el sensor satelital en cada pixel de cobertura terrestre en valores de reflectancia que podamos usar para mapear. el usuario no vería esto. En cambio. Aqui está una tabla que compara las diferentes consideraciones que el usuario debe tomar en cuenta al preparar las imágenes para CLASlite dependiendo del sensor de donde provengan. las estadísticas de las imágenes son claramente diferentes. en números enteros que van de cero a 10.000 equivale al 100%. las opciones incluyen ENVI. expresada en vatios por metro cuadrado por ángulo sólido. El segundo proceso que corre en CLASlite en el Paso 1 es la corrección atmosférica. necesitará hacer ese paso manualmente antes de ingresar su data en CLASlite. para convertir unidades de números digitales en unidades de radiancia. CLASlite usa factores de conversión llamados ganancia. Esta data representa la intensidad de energía solar reflejada de la superficie terrestre y de la atmósfera antes de llegar al sensor. Este es un archivo crudo al lado de su salida de radiancia. que se obtienen de los proveedores de los sensores satelitales.000. ERDAS e IDRISI. . pues no es la salida final del Paso 1. Los requerimientos de la data varían para cada sensor satelital. Otro requerimiento general es que las bandas estén colocadas de menor a mayor. Algunos aspectos comunes son que la data debe estar georeferenciada y que no haya tenido corrección atmosférica antes de CLASlite. Note que puede preparar sus imagenes usando casi cualquier programa de procesamiento de imágenes. Aunque no avalamos ningún programa en particular. donde 10. convertimos la data registrada en cada pixel en unidades que podemos usar de forma cuantitativa. En este curso usaremos ENVI. La Radiancia es una medida de la energía irradiada por el sol que llega al sensor. Como puede ver. Este primer paso es la calibración radiométrica. En este paso. Si bien la imagen cruda y la de radiancia se ven iguales. la data cruda se almacena en unidades de números digitales que van de cero a 255. la data de radiancia se almacena como un porcentaje. Ahora discutiremos los requerimientos de data para cada sensor satelital.Si su imágen no viene georeferenciada a la elipsoide WGS84 de la proyección UTM. Normalmente. Si bien las dos imágenes pueden parecer iguales. porque nos permite estudiar los cambios que ocurren en la vegetación y otras coberturas de la superfice de la Tierra. tanto como sea posible. usa las medidas promedio mensuales que corresponden a la fecha de la imagen. La reflectancia. que proporciona una cobertura global casi diaria. verde y azul para caualquier pixel. En algunos casos. En cambio. varían. se expresa como un porcentaje. Este es el valor con el que queremos trabajar. Por ejemplo. al igual que la radiancia. Busca tablas de referecia de data del sensor MODIS. El equipo de CLASlite ha automatizado esta integración de data de vapor de agua y aerosoles atmosféricos en el código 6S. el valor de reflectancia puede resultar negativo. La reflectancia superficial es una medida de la fracción de la energía radiante entrante proveniente del sol que se refleja de la superficie de la Tierra. Esto puede suceder si el modelo de corrección atmosférica falla al remover la radiación reflejada de la atmósfera. el modelo de corrección atmosférica no funciona perfectamente. . Estos constituyentes se dispersan y absorben la energía irradiada en diversos grados en diferentes logitudes de onda. Los principales actores atmosféricos son los aerosoles. el resultado es la imagen corregida atmosféricamente en unidades de reflectancia superficial. CLASlite usa el modelo de transferencia riadiativo 6S. en comparación con la superficie terrestre. Esto quiere decir que el sensor no puede detectar todo lo que se refleja de la superficie de la Tierra. desarrollado por Eric Vermote y su equipo para simular la amosfera de la Tierra en cada imágen de satélite. podemos ver que los valores de las bandas roja. cuando CLASlite procesa una imagen. la meta es minimizar esta influencia eliminando los efectos de estas interacciones. algunos pixeles pueden exceder 100%.A medida que la energía irradiada pasa a través de la atmósfera. tenemos nuestra salida de reflectancia. en las áreas sombreadaas o en áreas obstruidas por un pesado contenido de aerosoles. Luego elimina de la imagen el modelo mejor estimado de la atmósfera. interactúa con los constituyentes atmosféricos de manera que influencian el valor de reflectancia registrado para cada pixel. Aqui. Luego de que se ha completado la corrección atmosférica. Así. vapor de agua y otros gases como el oxígeno y el ozono. el mapeo de la cobertura terrestre a partir de imágenes de sensores remotos se ha logrado a través de un tipo de mapeo en el cual cada píxel está definido como una clase de cobertura terrestre. agua. radica en que los diferentes tipos de cobertura de la superficie de la Tierra reflejan la radiación solar de forma diferente en las diferentes longitudes de onda. queremos convertir nuestro producto de reflectancia en un mapa de cobertura de vegetación. Tradicionalmente. Estas figuras ilustran los tipos de firmas espectrales que pueden mostrar el suelo. Específicamente. . tomemos un breve receso de CLASllite. Discutiremos esto en detalle más adelante.Además de la atmósfera. la vegetación y el agua. Para entender la innovación de CLASlite para lograr esto. Los juicios hechos por el usuario en este tipo de mapeo introducen una subjetividad inherente. Es decir. tamaño y distribución geográfica. Más aún. es difícil producir resultados consistentes con la clasificación de pixeles enteros. La esencia del mapeo de la cobertura terrestre usando imágenes de satélite. PASO 2: REFLECTANCIA A COBERTURA FRACCIONAL En este paso. CLASlite atiende estas barreras enmascarándolas en varios pasos. En esencia. tiene limitaciones que CLASlite logra mejorar. Discutamos cómo la cobertura terrestre ha sido mapeada históricamente desde los años 60. matorrales o bosque. Este es un ejemplo de este tipo de clasificacion. las parcelas de campo que inevitablemente varían en calidad. Algunos ejemplos son áreas urbanas. nuestra meta es determinar la cobertura terrestre a nivel de sub-pixel en toda nuestra imagen. hay otras barreras para la capacidad de colección de información del sensor satelital sobre la energía radiante reflejada de la superficie de la Tierra. en donde Puerto Rico se divide en dos clases: bosque y áreas urbanas. A pesar de que la clasificación de pixeles enteros es útil para algunos de los objetivos del mapeo de cobertura terrestre. cada tipo de cobertura tiene su propia firma espectral única. Esta figura muestra que se puede detrerminar hasta tipos de minerales específicos con base en sus firmas espectrales. se usan como base para este mapeo. Como cada pixel debe asignarse a una única clase. llamamos esto clasificación de píxel entero. Ahora. procesos que ocurren generalmente a nivel de sub-pixel. es que sólo se le puede asignar un tipo de cobertura terrestre a cada pixel. el área representada por un solo píxel generalmente incluye varios tipos de cobertura terrestre. Pero estamos mapeando deforestación y perturbación. y períodos de tiempo. CLASlite fue diseñado para superar este problema. Entonces. Otra falla de la clasificación de pixeles enteros. en la clasificación de píxel entero. En este caso. el SMA descompone cada píxel en las clases de cobertura que lo integran. o SMA El SMA es otro enfoque para mapear cobertura terrestre a partir de data de reflectancia. queremos determinar la cobertura fraccional de los diferentes tipos de cobertura terrestre dentro de un píxel. ofrece un enfoque muy consistente. Entonces. Como puede ver. de manera que los resultados de la clasificación de los pixeles enteros son dificiles de replicar en las diferentes imágenes. ¿cómo funciona el SMA? Para descomponer un píxel necesitamos decidir primero. primero necesitamos entender el concepto de análisis de mezcla espectral. un píxel heterogeneo como este estaría asignado a la clase de cobertura terrestre que ocupe la mayor parte. en cambio. el píxel abarca más que todo bosque pero tambien contiene una carretera en un parche deforestado. Es importante notar que lo que el usuario ve en realidad no es un píxel multicolor. Y este es el mismo píxel ampliado. qué clases de cobertura nos interesan. Esta imagen fue tomada de un paisaje de la región de Madre de Dios. En vez de asignar pixeles a la clase de cobertura más dominante. en Perú. estaría clasificado como bosque. Pero ¿cómo podemos determinar cuáles componentes de nuestros pixeles corresponden a estas clases? . geografías. Como puede verse. Esto nos lleva a la función AutoMCU de CLASlite. sino un píxel cuyos matices representan la fracción de cada color. En la realidad. Para entender este proceso.Esta variación puede llevar a un error. Este gráfico es una ilustración de lo que sucede. En breve le mostraremos como CLASlite. este píxel está compuesto tanto de bosque como por el aclaramiento para una vía. Ahora que entendemos lo que es el SMA.o vegetación fotosintética. podemos discutir cómo se usa en este paso. Ahora. PV representa la vegetación viva. el contenido de agua del dosel y la cantidad de follaje en el dosel. La vegetación viva tiene propiedades espectrales únicas asociadas con los pigmentos fotosintéticos de las hojas. necesitamos ver de qué forma nuestra data se compara con las propiedades de reflectancia característicsa de las clases de cobertura terrestre. NPV. para cada banda espectral en cuestión.Bueno. la fracción de vegetación viva está correlacionada con propiedades biofísicas como biomasa. supone que la reflectancia de un píxel está relacionada de forma lineal con la fracción y reflectancia de cada caracter espectral puro. Una vez que tenemos los caracteres espectrales puros. de modo que debemos descomponer cada píxel en clases que nos ayuden a entender qué está sucediendo con la vegetación en nuestra imagen. El SMA parte de unas suposiciones que hay que tener en cuenta. . Por ejemplo. o endmembers. mientras que el SMA genera un mapa continuo de cobertura superficial terrestre. CLAslite usa las siguientes tres clases para lograr esta meta: PV. volvamos a CLASlite. Para esto. aplicar SMA es bastante sencillo. nos referimos a los caracteres espectrales puros. Esto puede no ser cierto para un píxel que contenga componentes que no aparezcan en ninguna otra parte de la imagen. la suma combinada de la reflectancia del caracter espectral puro debe resultar en 100% Hay muchas ventajas del enfoque SMA. o vegetación no fotosintética y S. No siempre es esto cierto. espectros que son representantes puros de sus correspondientes clases de cobertura. Principalmente. En la clasificación de píxel entero se generan cambios abruptos de un píxel al siguiente. tienen significado ecológico. sustrato expuesto. entre otras. También supone que cada píxel contiene el caracter espectral puro seleccionado. En ultima instancia. La restricción es que. Esto nos permite observar las transiciones en la cobertura terrestre antes de un cambio importante. Más aún. las propiedades físicas dentro de un píxel reveladas por el SMA. la reflectancia se fija por una combinación lineal de la reflectancia de cada caracter espectral puro. lo que queremos es mapear bosques y cambios. Para cada banda espectral en un pixel. con diversos niveles de materia orgánica de diferentes condiciones de humedad del suelo En contraste con estas observaciones de campo. Esto se debe a que el grado de variación en estos tres tipos de caracteres espectrales puros es igual al de todos los tipos de vegetación del planeta. Estos espectros de caracteres espectrales puros son representaciones exhaustivas de sus respectivas clases. A pesar de que estas bibliotecas provienen de bosques tropicales. S generalmente representa el suelo mineral expuesto y materia orgánica. los espectros de PV se colectaron con el sensor Earth Observing-1 Hyperion. OK. CLASlite incluye colecciones de espectros de caracteres espectrales puros para cada clase . incluyen puntos de data de una amplia gama de especies y de estados de descomposición. También puede incluir rocas o infraestructura humana. El Hyperion es un generador de iimagenes que suministra observaciones detalladas de la superficie. Por último. los residuos de la deforestación por tala y los pastos senescentes. Incluye la hojarasca superficial. Los espectros de NPV y S fueron colectados usando un espectrómetro portátil. Para la NPV. combinados. como ladrillo o concreto.000 caracteres espectrales puros. . NPV y S. La firma espectral de este tipo de vegetación está asociada con compuestos de carbono seco en hojas muertas y madera expuesta.NPV representa la vegetación muerta o senescente. atmósfera y biomasa de la Tierra. incluyen tipos de suelo. Captura 220 bandas espectrales en el visible y el infrarrojo de onda corta. necesitamos enormes colecciones de caracteres espectrales puros que incluyan toda la variabilidad espectral dentro de una clase dada. entonces ya hemos hablado de las tres clases que nos interesan. necesitamos los caracteres espectrales puros como referencia. Pero para poder desagregar nuestros pixeles en estas tres clases. Esto podría tomar la forma de hojas viejas o secas o de ramas. funcionan tambien para otros tipos de bosque. de campo. Las llamamos Bibliotecas de Caracteres Espectrales Puros Estas bibliotecas están compuestas por observaciones aéreas y de campo que en total abarcan mas de 250.PV. Para S. Y para asegurar la precisión. que detecta data hiperespectral. Luego la data se calibra con el uso de un disco de calibración con propiedades de reflectancia conocidas. o vieja. Luego se combinan con los valores de reflectancia en una serie de ecuaciones. pues generalmente con 50 iteraciones es suficiente para converger en una solucion estable. VCF. La media. montones de follaje o ramas. Como puede ver. En resumen. . Ahora. Lo que sucede en verdad es un poco más complicado. Este proceso se repite varias veces para obtener los mejores resultados. CLASlite hace esto usando la cobertura de data a nivel de sub-pixel llamada Campos Continuos de Vegetación. nos introduciría grandes errores. Cada una tiene un valor diferente de longitud de onda y usa la reflectancia de un caracter espectral puro aleatorio en esa longitud de onda. y nuestra salida es una imagen de cobertura fraccional con siete bandas. Por último. pues CLASlite usa un enfoque Monte Carlo.Mientras que los espectrómetros de campo son suficientes para NPV y S. que repite el proceso de selección del caracter espectral puro aleatorio hasta que la solución converge en un valor promedio. de MODIS. discutamos el algoritmo de AutoMCU que nos genera nuestra salida de cobertura fraccional. CLASlite genera hasta 50 posibles combinaciones de espectros de caracteres espectrales puros. Este proceso se calcula para cada píxel. Estos efectos son muy variables y podrían ser muy difíciles de capturar sin una gran cantidad de data. Colectar los espectros en primer plano de hojas individuales. o RMSE. que resolvemos para la cobertura fraccional. Es decir. se seleccionan las combinaciones de caracteres espectrales puros de las tres clases de cobertura. Este es un diagrama de flujo del proceso de AutoMCU. se calculan luego para cada uno de estos valores. Para cada fracción de cobertura superficial. necesitamos capacidad visual aérea para los espectros de PV para poder colectar los caracteres espectrales puros a nivel de dosel. Las condiciones de visión aérea también sobrepasan los efectos del sombreado dentro de y entre las coronas sobre las firmas espectrales del dosel. Usamos una serie de estas ecuaciones para resolver la cobertura fraccional. necesitamos estandarizar las estimaciones de cobertura fraccional para asegurar la consistencia a lo largo de las diferentes ubicaciones geográficas. desviación estandar y el error cuadrático medio. NPV y S. el AutoMCU de CLASlite es una poderosa herramienta para determinar la cobertura fraccional de la PV. encontramos que un píxel con bosque casi siempre tiene un porcentaje de cobertura fraccional de 80 o mas. Luego ajusta las fracciones de PV a lo largo de la imagen de cobertura fraccional de forma que la fracción media de PV corresponda con el valor promedio a lo largo de la imagen de VCF.CLASlite toma en cuenta cada píxel en la data de VCF con mas de 80% de cobertura de árboles y lo compara con la correspondiente ubicación geográfica en la imagen de cobertura fraccional. El siguiente árbol de decisiones simple se usa para convertir en una estimación de la cobertura boscosa. Aqui. . Ciertas parcelas con agricultura o pastos pueden tener un PV alto también. el árbol de decisiones está diseñado para bosques tropicales. Estos ajustes por defecto están diseñados para ser lo suficientemente generales como para acomodar una amplia gama de bosques tropicales. De nuevo. PASO 3: CLASIFICACIÓN DE LA COBERTURA BOSCOSA Aqui tomaremos nuestra imagen de cobertura fraccional y la convertiremos en un mapa de cobertura boscosa y no boscosa. Además de la condición de que PV sea mayor que 80. pero no son bosque. Este tipo de coberturas típicamente tienen fracciones de S más altas que los bosques intactos. la vegetación sucesional y las gramineas pueden tener una PV alta. mientras que el Paso 1 y el Paso 2 se pueden correr en imágenes de bosques de cualquier parte del mundo. Por ejemplo. pero no son bosques. ¿Cómo llegamos a estos criterios? A través del análisis de muchas imágenes de áreas de bosque tropical y nuestros espectros de caracteres espectrales puros. El objetivo es evitar que la vegetación no boscosa se clasifique como bosque. tambien está la condición de que S sea menor que 20. estos tipos de cobertura generalmente tienen fracciones de S mayores que los bosques intactos. Es importante saber que este es el primer paso de CLASlite que solo trabaja con bosques tropicales. La salida del Paso 3 es un mapa de cobertura boscosa. un pico alto de NPV señala deforestación.No están afinados para un tipo de bosque en particular. Si el árbol de decisiones arroja una cantidad notable de pixeles de bosque verdadero. Ahora corramos este sencillo paso PASO 4: DETECCIÓN DEL CAMBIO DEL BOSQUE En esta paso. con base en si sus valores de cobertura fraccional cumplen con ciertos criterios. Discutiremos los pixeles enmascarados mas tarde. siempre debe validar de forma independiente los mapas de clasificación de cobertura boscosa que produzca. Este mapa tiene tres clases. Por eso. Aqui se muestra deforestación seguida poco después por recrecimiento. . Es importante notar que CLAslite no puede determinar si el cambio es de origen natural o antropogénico. También debe ajustar los umbrales si el árbol de decisiones clasifica muchas areas no boscosas como bosques. CLASlite primero aplica árboles de decisión a cada par de imágenes en la serie de tiempo. Estos árboles de decisión se determinaron a través de observaciones y pruebas con muchas imágenes diferentes. El siguiente criterio indica que un píxel está deforestado si comienza con una fracción baja de S. Los pixeles se clasifican como deforestación o perturbación. la meta es detectar el cambio del bosque en una localidad en el tiempo. Por último. y luego incrementa fuertemente la fracción de S. los pixeles de bosque en gris y los pixeles de áreas no boscosas se muestran en blanco. Usando dos o más imágenes. Esto requiere del conocimiento del área de estudio por parte del usuario. CLASlite puede mapear la pérdida del bosque en forma de deforestación y perturbación. Solo dice que si un píxel pierde 25% o mas de su fracción de PV. Los pixeles enmascarados se muestran en negro. Para correr este paso. está deforestado. La primera condición comprende la mayoría de la deforestación. debe ajustar los umbrales. Esto es. S y RMSE. necesitamos limpiar los mapas de salida. Por ello. Bueno. aplicaremos una nueva serie de criterios para excluir los falsos positivos. Para hacer esto. En la próxima sección discutiremos un poco mas sobre esto. tenga en cuenta que esta eliminación de artefactos se hace de forma diferente para sensores Landsat que para otros sensores. Notará que este es un criterio mas riguroso que el del Paso 3: Clasificación de la Cobertura Boscosa. no estamos diciendo que todos los pixeles definitivamente no son bosque si S1 es mayor o igual a 15. solo consideramos que los pixeles a bosque si S1 es mayor que 20. pues la perturbación es una forma mas sutil de la pérdida de bosque. En estos pixeles. Para imágenes diferentes a Landsat. nubes. El árbol de decisión de perturbación fue ideado con las mismas ideas acerca de cambios en los valores de PV. hay seis criterios. Solo decimos que somos escépticos ante un pool de pixeles que se clasifiquen como deforestación y que también cumplan con las condiciones en esta linea.Esto comprende deforestación causada por vegetación viva en proceso de muerte. Se preguntará por qué es diferente ahora. elimina los falsos positivos que corresponden a agua. Los primeros dos criterios especifican pixeles que ya se han enmascarado del primer y/o segundo momento. Por ahora. La diferencia es que sus umbrales comprenden muchos mas pixeles. S y NPV. En ese paso. Este pool representa una serie muy estrecha de pixeles: pixeles que técnicamente eran bosque en la imagen 1. pero que estaban muy cercanos al umbral de no bosque. sombras de nubes y topografía. NPV. el cuadro de diálogo del Paso 4 nos pedirá que especifiquemos de qué sensor proviene nuestra imagen. CLASlite elimina todos los artefactos reconocibles. El valor de cero o menos representa data faltante. Estos pixeles están excluidos de la salida de deforestación. Una vez que CLASlite ha detectado el cambio del bosque. Estos son falsos positivos que lograron entrar en el mapa de deforestación que probablemente han sido pixeles de áreas no boscosas en la imagen 1. . Los árboles de decisión de exclusión son una serie de valores de umbral para PV. El siguiente criterio especifica una serie de pixeles en el primer momento. CLASlite es conservador y no identifica un cambio tan marginal como deforestación. Como puede ver aqui. Para el caso de perturbación. elimina pixeles de vegetación con recrecimiento reciente en áreas deforestadas. sombras y agua. en principio. La idea es que la pérdida de bosque raramente ocurre de forma totalmente aislada. Esto tenía que ver principamente con áreas perturbadas con recrecimiento reciente. de manera que cualquier píxel en el primer momento no habría sido clasificado como deforestación. que no requieren otros sensores. ¿Por qué solo en el segundo momento? Porque los aros de nubes son espectralmente similares al sustrato expuesto. Hemos notado que estos umbrales adicionales podrían remover aún mas falsos positivos de las imágenes Landsat. debe ser uno de al menos cinco pixeles de deforestación dentro de una ventana de 3x3. somos escépticos ante este pool de resultados de deforestación. Al igual que antes. el siguiente paso es correr los resultados por filtros que eliminen pixeles aislados de los mapas. Finalmente. excepto que hay una condición adicional que involucra valores de reflectancia en dos momentos. agregamos otra cláusula a esta condición . Para que un pixel de deforestación permanezca clasificado como tal. encontramos que la condición NPV2 menos NPV1 que se muestra abajo. S y RMSE. a veces elimina demasiado. el quinto criterio remueve los pixeles del segundo momento que tienen semejanza espectral con aros de nubes. Para evitar la eliminación de esta deforestación. Encontramos que esta condición ayudaba a recuperar pixeles eliminados por error. . Eliminan pixeles que tienen una semejanza espectral con nubes. todo es igual. esta puede ser una condición bastante conservadora. como pastos para ganado. Por ejemplo. así que los pixeles de cambio del bosque deben tener cerca a otros pixeles de cambio de bosque. Luego de enmascarar los artefactos. Los criterios cuatro y cinco eliminan los pixeles en momentos donde hay semejanza espectral con nubes. Para que se preserven.la condición de reflectancia que ve aqui. los pixeles Landsat tienen que cumplir con estos umbrales para las bandas de reflectancia 1 y 4 además de las bandas de PV. Los árboles de decisión para Landsat incluyen un criterio adicional. NPV. Aquellos pixeles que no superen este filtro pasan al filtro de perturbación.Así. Realmente. y sombras causadas por nubes y topografía. Esto se debe a que los pixeles de perturbación generalmente se asocian a un mismo evento de pérdida de bosque. se selecciona la opción en el diálogo del Paso 4. hacerlo puede causar que termine con áreas de deforestación con vacíos. En este subconjunto de nuestra imagen. Los pixeles color cian indican pixeles de perturbación que fueron compilados porque estaban dentro de la zona de amortiguación de 120 metros de un evento de deforestación cercano. no todos los pixeles de perturbación caen dentro del área de amortiguación de 120 metros. es la que se compila. Estos vacíos se clasificarían como pixeles de perturbación no asociados. vemos que ha ocurrido una pérdida importante del bosque. Por ejemplo.Como la perturbación se define como la reducción difusa del bosque. un píxel de perturbación debe ser uno de al menos cinco pixeles de perturbación dentro de una ventana de 7x7. Como puede ver en la imagen de reflectancia. por defecto. llamada Función de Compilación. sino parte del mismo cambio del bosque. En cualquier momento. La Función de Compilación encuentra pixeles de perturbación cercanos a un evento de deforestación y los agrega al mapa de deforestación. Así. que se muestran en color cian. aqui vemos que los pixeles de perturbación que han sido agregados. la Función de Compilación está haciendo su trabajo. a pesar de que claramente hay una relación entre los eventos. En otras partes de la imagen. un porcentaje mucho más alto de pixeles superan este filtro en comparación con el anterior. se puede apagar la Función de Compilación. Sin embargo. . Notará que. Están claramente relacionados con la deforestación que está ocurriendo. son eliminados. son pixeles que literalmente rellenan los espacios en blanco. Para poder superar el filtro. Aquellos pixeles que no superern este filtro. CLASlite hace esto creando una zona de amortiguación de 120 metros alrededor de los pixeles de deforestación y compilando pixeles de perturbación que queden dentro de la zona de amortiguación. Veamos un ejemplo. El punto es mostrar que esta perturbación no es un fenómeno aislado. solo la perturbación que está realmente asociada con la deforestación. el filtro de perturbación es mucho mas indulgente. Como puede ver. no podemos ver el panorama completo. y si no los vemos juntos en el mismo mapa. serán designados al primer momento en que ocurrió el cambio. debería tener otra data complementaria. se duplica cuando se enciende la Función de Compilación. humedales o corredores cambiantes de ríos. En general. . la Función de Compliación agregará muchos pixeles a su mapa de deforestación. En esos lugares. tomado de la región del Pando. este efecto no será deseable. El cambio neto puede no existir. Si los dos momentos están suficientemente separados. en este caso. al noroeste de Bolivia. CLASlite produce los resultados de estos momentos individuales como un mapa de una sola deforestación y una sola perturbación para la serie completa de tiempo. A los pixeles de cambio de cada período se les asigna un tono de grís específico. por ejemplo. Si selecciona mapear el cambio detectado mas reciente. los pixeles que hayan sufrido cambio en varios períodos de tiempo.A veces hay que ser cauteloso con la Función de Compliación. Puede ver que lo que era originalmente una área pequeña de deforestación natural en el corredor de un río. Idealmente. Si selecciona mapear el primer cambio detectado. pero la deforestación si ocurrió. por lo tanto. CLASlite calcula el cambio neto. El Paso 4 puede correr hasta con 10 momentos de una imagen a la vez. recomendamos que sus momentos no estén muy separados. como imágenes aéreas o data de parcelas de campo. Veamos esto. Es importante notar que los cambios netos no son iguales a los cambios brutos cuando se hace la detección del cambio. Usted puede especificar qué método quiere que CLASlite use para indicar cuándo ocurre el cambio en el píxel. Algunos ejemplos incluyen áreas con impacto de incendios. Un escenario de este tipo sería trabajar con áreas propensas a perturbación natural de gran escala. por ejemplo. Si quiere minimizar la magnitud del cambio natural en su mapa de deforestación. Algunos pixeles sufren cambios durante varios años. un momento de no mas de algunos años genera los resultados más precisos. es posible que un área haya sido deforestada y que posteriormente haya ocurrido el recrecimiento de los árboles. los pixeles que hayan sufrido cambios en varios momentos serán designados al momento mas reciente en que haya ocurrido el cambio. Los pixeles en negro indican que no hay cambios detectados Las sombras de blanco y gris corresponden a cambios ocurridos durante cada uno de los períodos de tiempo PROCESAMIENTO DE IMÁGENES IMPERFECTAS Hasta ahora. las imágenes pocas veces son perfectas. Solo para imágenes Landsat. cuando convierte la data cruda de entrada en un archivo de radiancia. el algoritmo encuentra cada combinación única de valores de bandas de infrarrojo en la imagen. Pero en realidad. también es importante seleccionar momentos tomados en la misma estación. Esto ocurre antes de aplicar los enmascaramientos. Es decir. tomada en Borneo Indonesio a mediados de los 90. CLASlite aplica una corrección para neblina en el Paso 1. Nuestra salida es un mapa de deforestación y perturbación. discutiremos las herramientas empleadas por CLASlite para minimizar la influencia de estos artefactos sobre la presición de la detección. Esto puede hacer que el pixel sea inutilizable para la identificación de la cobertura terrestre. las áreas oscuras bajo las nubes y las sombras causadas por terrenos escarpados pueden alterar o impedir la señal espectral de un pixel. Lo haremos usando una serie de tiempo como ejemplo. NPV y el suelo expuesto. Basicamente. o al menos lo mas cerca posible de la fecha de aniversario. los cambios en la fenología pueden causar que CLASlite detecte falsos positivos. Luego.Esta data puede mejorar su entendimiento de la dinámica general de cambio del bosque en el transcurso de su serie de tiempo. las imágenes de Pará que hemos usado hasta este punto están casi libres de artefactos que pudiesen dificultar la capacidad de CLASlite para detectar la PV. la corrección para neblina ecualiza los efectos del humo y de la neblina en una imagen Las longitudes de onda mas cortas en el espectro visible son mucho mas propensas a la dispersión por humo y neblina que las longitudes de onda largas en el infrarrojo. Como mencionamos en la Sección 1. En esta sección. hemos visto los Pasos 1 al 4 de CLASlite con imágenes ideales. De lo contrario. Así. Las nubes. . encuentra los valores de las bandas visibles que corresponden a estas combinaciones. Este enmascaramiento se aplica al archivo de reflectancia apenas se genera. Detecta áreas de la superficie terrestre que están oscurecidas por nubes. Esto ocurre después del AutoMCU y antes del ajuste VCF. cruda y de reflectancia. los pixeles de sombra casi siempre tienen un bajo PV y un alto RMSE. El siguiente enmascaramiento se aplica en el Paso 2. Todos los pixeles que cumplen con ciertos criterios en estas bandas se eliminan de la imagen de cobertura fraccional. Como puede ver. En el Paso 1 es donde CLASlite aplica su enmascaramiento mas general. Este es un ejemplo de lo que hace el Paso 2. y por ello debemos eliminarlas. La meta de este enmascaramiento es eliminar las sombras causadas por las nubes y la topografía Se aplica a las bandas del archivo creado por el AutoMCU. Si lo hace. Éstas pueden interferir con la firma espectral de un pixel al igual que lo haría una nube. Aqui se puede ver el efecto ecualizador de la corrección de neblina en nuestra imagen. Lo mismo ocurre con sombras causadas por la topografía en un terreno montañoso o escarpado. Por ejemplo. La forma en que CLASlite aplica estos enmascaramientos es chequeando cada pixel para ver si cae dentro de cierto umbral en las bandas térmica. sacándolas de la imagen También enmascara los cuerpos de agua. Es importante notar que solo para las imágenes Landsat. se enmascara y queda fuera de la imagen de reflectancia. Estos umbrales fueron ideados por el equipo de CLASlite con base en muchas observaciones de pixeles. se puede elegir la opción de "reducir el enmascaramiento" en este paso. el valor promedio para cada banda visible se usa como la mejor estimación de un valor libre de neblina. el Paso 1 elimina las nubes y el agua de forma efectiva. .Para todas las combinaciones únicas del infrarrojo. luego de que termina de correr el AutoMCU. lo que quiere decir que menos pixeles se enmascararán. Pero aún hay sombras debajo de las nubes que no están enmascaradas. ya que solo nos interesa los cambios en la cobertura terrestre. y las enmascara de la mejor forma posible. Entonces aqui tenemos un ejemplo de lo que hace el enmascaramiento del Paso1. Esto simplemente significa que se aplicarán menos criterios a cada pixel. Sólo tenga en cuenta que los controles pueden preservar falsos positivos y desechar verdaderos cambios del bosque si no se usan apropiadamente. Los enmascaramientos y árboles de decisión que hemos discutido no pueden eliminar la totalidad de los artefactos en la detección de cambios del bosque.Como puede ver. están unidos. Esto se debe a que los dos filtros que mencionamos en el Paso 4. Puede fijar los dos controles en 100% Como puede ver. Puede ver que los verdaderos pixeles de deforestación se consideraron como artefactos y se eliminaron con el ajuste al 100% de los controles. Hablemos ahora de cómo puede escoger que CLASlite use imágenes imperfectas usando los controles de eliminación de artefactos en el Paso 4. pasa a la consideración del filtro de perturbación. Hasta ahora. Si conoce su área de estudio lo suficientemente bien como para identificar estos problemas. esto funciona muy bien en esta escena. Por ejemplo. Le permiten decidir qué porcentaje de artefactos quiere eliminar Veamos esta área mayormente deforestada en nuestra serie temporal. se corre el riesgo de perder la verdadera deforestación y perturbación. en esta sección. vea esta parte de la imagen. Es importante saber que no tiene que aceptar este ajuste automático. hemos discutido las formas en que CLASlite excluye automáticamente ciertos pixeles de sus salidas. Logra eliminar efectivamente la falsa perturbación sin eliminar la deforestación real. Con estos valores se busca eliminar los artefactos de la forma mas exhasutiva posible sin eliminar el verdadero cambio del bosque. Esto se debe a que los resultados de deforesatación generalmente tienen que contener pocos artefactos para lograr minimizar los artefactos en el mapa de perturbación. correspondientemente. Sin embargo. cualquier cosa que el filtro de deforestación no acepte. Entonces CLASlite usa un ajuste por defecto de 50 para deforestación y de 25 para perturbación. la mayoría de las sombras de nubes se eliminan con el enmascaramiento. Vea como cuando fijamos ambos controles a cero. puede personalizar los ajustes de los controles. el umbral de deforestación sugerido incrementará o disminuirá. Recuerde. tenemos unos controles para la eliminación de artefactos que nos dan una mayor flexibilidad. puede aun resultar algunos artefactos en los mapas de deforestación y perturbación. Entonces. Si se ajusta el umbral de perturbación. . no tiene que correr cada serie de imágenes de forma independiente TOPICOS AVANZADOS En esta sección hablaremos de los pasos que animamos al usuario a tomar una vez que CLAslite termina de correr: auditoría y validación. también pueden causar estos artefactos. entonces muchos de los pixeles de perturbación que son falsos positivos se moverán a su mapa de deforestación. su imagen contendrá aún cierta cantidad de artefactos. siempre debe hacer una auditoría por falsos positivos en los mapas finales de deforestación y perturbación. . No obstante. Se puede usar para correr detección de cambio en series de imágenes multitemporales tomadas en diferentes ubicaciones geográficas en un solo paso De esta forma. Si bien no es algo obligatorio el procesamiento por lotes le permite correr la detección de cambios en la misma serie de imágenes con diferentes ajustes de los controles. los corredores cambiantes de los ríos y las lineas causadas por la falla del corrector de linea de escaneo de Landsat 7. Esta es la forma más rápida de evaluar las diferencias en sus resultados con diferentes ajustes. CLASlite hace un buen trabajo en la eliminación de artefactos de las salidas finales de cambio del bosque.Esto nos lleva al procesamiento por lotes El procesamiento por lotes es la forma más rápida de discernir cuáles son los ajustes de los controles que funcionarán mejor para su imagen. Adicionalmente. Una causa común de estos artefactos persistentes son las sombras de la nubes. Y recuerde que si procesa las imágenes con la Función de Complilación encendida. Les hemos mostrado cómo CLASlite enmascara artefactos usando los árboles de decisión de exclusión y hemos explicado la flexibilidad que tiene este proceso con el uso de los controles. como se muestra en este ejemplo. ¿Por qué? Porque sin importar lo bueno que sea el enmascaramiento. como muestra este ejemplo. El procesamiento por lotes tiene otra función conveniente. Las sombras de la topografía también pueden pasar sin detección por CLASlite. La auditoría puede ser un proceso meticuloso y lento. es más dificil ver la diferencia. no hay áreas deforestadas de origen antrópico que sugieran que en esta área hay humanos aclarando el bosque. . Como vimos en el Paso 4. Igualmente. el área del círculo podría ser una deforestación antropogénica. En este ejemplo. este es un claro ejemplo de un cambio natural del bosque. sugerimos dejar los pixeles. el error es una parte intrínseca de cualquier análisis espacial. Recomendamos auditar en varias corridas. mas bien. su formación y posición particular en las montañas sugieren que podría tratarse de un fenómeno natural. CLASlite no puede diferenciar entre el cambio natural o antropogénico del bosque. En otros casos. como un desprendimiento del suelo. un cambio en el lecho del río ha llevado a parches con manchas de cambio. Otra razón para auditar es que los resultados de CLASlite pueden ser más amplios que la información que busca. En cada corrida. donde la atención de cada una sea sólo eliminar ciertos tipos de artefactos o pixeles no deseados. aqui hay un caso claro de un aclaramiento antropogénico. pues está contenida dentro de una forma bastante definida y no está muy lejos de otra área deforestada antropogénica Sin embargo. Los árboles no han sido talados. Aun despues de auditar. En contraste. Podemos ver que los límites del aclaramiento están bien definidos y que la deforestación se extiende más allá de las áreas deforestadas existentes. Si su interés en estos mapas es evaluar el impacto humano sobre el paisaje natural. pues el cambio real del bosque y los artefactos se pueden intercalar con alguna frecuencia. deberá auditar los cambios naturales. Distinguir entre cambios naturales y antropogénicos generalmente es bastante sencillo Por ejemplo. a menos que esté totalmente seguro de que no representan el cambio que le interesa. puede funcionar. pero un buen estudio debe incluir una cuantificación de este error. Otros datos de sensores remotos pueden incluir diferentes imágenes de satélite. será data de otros sensores remotos o data de campo. Esto asegura que los cambios estacionales predecibles no estén influenciando su evaluación de la presición. Deben estar georeferenciadas para que pueda comparar las coordenadas geográficas de su . El truco es encontrar imágenes de una fecha de adquisición cercana a la de su data. Usualmente. Las imágenes aéreas son otra forma común de data de referencia. La fecha de adquisición de esta data deber ser lo mas cercana posible a la fecha de su corrida de CLASlite. Quickbird e IKONOS se usan con frecuencia para validar áreas de interés especial por su resolución ultra fina. Cualquier imagen de satélite con una resolución espacial igual o mayor que la data de su trabajo. y mantenerse los falsos positivos Alguna parte del error es inevitable. Algunos pixeles pueden ser difíciles de separar perfectamente en clases de cobertura fraccional en el Paso 2 Y en los Pasos 3 y 4.Recuerde que cada paso de CLASlite tiene el potencial de algún error. Generalmente. pueden omitirse pixeles verdaderos de interés. Veamos ambos tipos. tendrá una cantidad limitada de data de referencia a su disposición para usar como validación. La validación es el proceso de evaluar la precisión de sus resultados comparándolos con otros datos de referencia. los cambios en la fenología o en el ángulo del sol pueden llevar a pixeles clasificados con error La correccción atmosférica en el Paso 1 puede fallar al modelar correctamnte los efectos de la atmósfera. Al seleccionar una serie temporal de imágenes. Con esta data. Note que hacemos esta evaluación de precisión sobre resultados de cambio del bosque pero también podríamos haberlo hecho para resultados de cobertura fraccional o de cobertura del bosque. La validación también se puede hacer en campo tomando los puntos GPS de una localidad y marcar si el área es bosque. Esta matriz compara los valores de los pixeles de su serie de datos con los de una serie de datos de referencia Las diagonales representan los sitios clasificados de forma correcta según la data de referencia. discutamos cómo se hace esta validación. etc.imagen con las de la fotografía. matorrales. mientras que las diferentes a las diagonales son sitios mal clasificados. LiDAR. (Light Detection and Ranging). unimos LiDAR con dos espectrómetros de imagen. no bosque. puede importarlos a ArcGIS u otro programa de procesamiento de imágenes para crear un mapa con características más estéticas y una leyenda . puede generar información espectral de forma continua a lo largo de la región de estudio Esta data puede ayudar a distinguir entre los diferentes tipos de vegetación. es un instrumento que envía pulsos de laser a la Tierra desde un avión. mide la distancia a la superficie y puede generar un mapa tridimensional de la superficie terrestre. Al igual que un sensor satelital. En Carnegie. Una vez que ha auditado y validado sus resultados. De esa forma. el espectrómetro mide la radiación solar reflejada en un determinado intervalo de longitudes de onda. Ahora que hemos hablado de los tipos de data de referencia que puede usar para validar sus resultados. pastos para ganado. Como puede medir en una resolución muy alta. se puede deducir la altura de la vegetación y luego validar si el área está cubierta de bosque o no. Un enfoque común es crear iuna matriz de confusión.