Wed. Sep 28th, 2022

Cree aplicaciones de series temporales NDVI + EVI para sus bosques favoritos

Foto de Geran de Klerk en Unsplash Las olas de calor de 2022 han estado abrasando la tierra. América del Sur, Estados Unidos, Europa, India, China y Japón se han visto afectados por las altas temperaturas. En esta tierra que se calienta rápidamente, la vegetación es nuestro aliado natural. Pero también soporta la peor parte del cambio climático. En 2022, los incendios forestales se han extendido por todo el mundo. Grandes áreas de bosque se incendiaron. Esta serie de eventos hace sonar la última alarma sobre el cambio climático. Y debemos prestar mucha atención a la salud de nuestra vegetación. Para proteger las plantas, primero debemos saber más sobre ellas. Y los satélites pueden ayudar. Con imágenes satelitales, podemos monitorear los cambios de área y la salud de las plantas. Además, podemos calcular los riesgos de incendios forestales de forma preventiva. Y cuando ocurren incendios forestales, podemos detectarlos rápidamente y evaluar los daños después con este ojo en el cielo. Y con Google Earth Engine, podemos hacerlos gratis para uso no comercial y de investigación. Además, no necesitamos instalar software ni descargar imágenes en nuestro disco duro local. En mi artículo anterior Supervisión de los cambios en el uso de la tierra con Google Earth Engine, mostré cómo utilizar Google Earth Engine para supervisar la cobertura del uso de la tierra (LULC) en una ubicación determinada. En este artículo, le mostraré cómo crear dos nuevas aplicaciones para monitorear la vegetación basadas en el mismo código (Figura 1). calcularemos el índice de vegetación de diferencia normalizada (NDVI) y el índice de vegetación mejorado (EVI) para cualquier superficie terrestre entre 2017 y 2022.Figura 1. La aplicación NDVI+EVI basada en Google Earth Engine. Imagen del autor. El código para este proyecto está alojado en mi repositorio de GitHub aquí. Y los tengo a ambos en aplicaciones web. Desde la ventana de su avión, diría que un área está cubierta por plantas cuando la ve verde. Pero curiosamente, las imágenes satelitales no funcionan de esa manera. Las plantas absorben luz roja (620–750 nm) para la fotosíntesis. Pero reflejan la luz del infrarrojo cercano (NIR, 700–1100 nm) para evitar daños en los tejidos porque la energía del fotón en esas longitudes de onda es demasiado grande. Como resultado, un área cubierta por plantas es oscura en el canal rojo pero brillante en el canal infrarrojo cercano. Por el contrario, lo contrario es cierto para la nieve y las nubes. NDVI explota este fenómeno. Y se define de la siguiente manera:NIR y Red representan la reflectancia de la superficie roja e infrarroja cercana, respectivamente. El valor de NDVI está entre -1 y 1. Como su nombre indica, EVI es la versión mejorada de NDVI. Según Wikipedia,

(it) mejora la señal de la vegetación con una mayor sensibilidad en las regiones de alta biomasa y un mejor control de la vegetación a través de un desacoplamiento de la señal de fondo del dosel y una reducción de las influencias atmosféricas. Mientras que el índice de vegetación de diferencia normalizada (NDVI) es sensible a la clorofila, el EVI responde más a las variaciones estructurales del dosel, incluido el índice de área foliar (LAI), el tipo de dosel, la fisonomía de la planta y la arquitectura del dosel. Los dos índices de vegetación se complementan entre sí en los estudios de vegetación global y mejoran la detección de cambios en la vegetación y la extracción de parámetros biofísicos del dosel…. Y en presencia de nieve, el NDVI disminuye, mientras que el EVI aumenta.

El EVI se puede calcular de la siguiente manera.Como muestra la fórmula, EVI no solo tiene en cuenta NIR y rojo, sino también la reflectancia azul. En otras palabras, si tiene suficiente información para calcular EVI, puede calcular NDVI. Y los cuatro coeficientes son G (factor de ganancia) = 2,5, C1 = 6, C2 = 7,5 y L=1. El EVI normalmente fluctúa entre 0,2 y 0,8 para una vegetación saludable, pero puede tener valores fuera del rango entre -1 y 1. Sin embargo, recorté sus valores a -1 y 1 en las miniaturas de mis aplicaciones. En este proyecto, tengo implementado dos aplicaciones. Se basan en los conjuntos de datos COPERNICUS/S2_SR (licencia Creative Commons CC BY-SA 3.0 IGO) y MODIS/061/MOD13A1 (los datos y productos MODIS adquiridos a través del LP DAAC no tienen restricciones sobre el uso, la venta o la redistribución posteriores). respectivamente. COPERNICUS/S2_SR es proporcionado por la Unión Europea/ESA/Copernicus. Contiene las tres bandas necesarias para EVI y NDVI. Además, contiene una banda llamada Mapa de Clasificación de Escenas (SCL). Cada píxel del conjunto de datos se ha clasificado en una de las once clases (vegetación, suelo descubierto, etc.). Estos resultados de clasificación se almacenan en el archivo SCL.MODIS/061/MOD13A1 proporcionado por el Centro de Archivo Activo Distribuido de Procesos Terrestres de la NASA en el Centro EROS del USGS. MODIS significa espectrorradiómetro de imágenes de resolución moderada. A diferencia de COPERNICUS/S2_SR, MODIS/061/MOD13A1 solo almacena el NDVI y el EVI precalculados en lugar de las bandas electromagnéticas. Y Google usa este conjunto de datos en su tutorial para el gráfico de líneas. Los dos conjuntos de datos tienen resoluciones diferentes. MODIS/061/MOD13A1 solo puede resolver 500 metros. Por el contrario, las resoluciones de las bandas azul, roja y NIR en COPERNICUS/S2_SR son de 10 metros. Como resultado, podemos ver muchos más detalles en sus imágenes. Además, MODIS/061/MOD13A1 visita el mismo lugar cada 16 días. Aunque COPERNICUS/S2_SR tiene una frecuencia de revisión de cinco días, necesito componer sus imágenes para obtener mejores calidades de píxeles. Aun así, todavía tiene lagunas en sus compuestos mensuales. Pero sus compuestos trimestrales parecen ser continuos para algunas regiones europeas. Ambas aplicaciones tienen las mismas estructuras que mi aplicación de monitoreo de área LULC. Tienen cuatro componentes principales: generar_colección, control, gráfico de líneas y miniaturas. Como su predecesor en la aplicación de monitoreo de área, la función generate_collection genera una serie de colecciones de imágenes entre una fecha de inicio y una de finalización. En cada colección de imágenes, NDVI y EVI se calculan o se extraen del conjunto de datos correspondiente. Estos valores se envían a la función de gráfico de líneas ya la función de miniaturas. El gráfico de líneas brinda a los lectores una descripción general rápida, mientras que una miniatura presenta detalles. El primero documenta los cambios en NDVI y EVI a lo largo del tiempo. Y este último es, de hecho, un mapa de calor espacial. La intensidad NDVI o EVI de cada píxel está representada por cuatro colores: rojo (bajo), naranja (medio-bajo), azul acero (medio-alto) y verde (alto). El componente de control los coordina y gestiona el diseño. Las últimas tres funciones son más o menos las mismas que en la aplicación LULC. Por favor, consulte mi artículo para más detalles. En otras palabras, solo la función generar_colección se ha implementado recientemente para este proyecto. Las dos aplicaciones se basan en dos conjuntos de datos y tienen diferentes bandas. Como resultado, las dos aplicaciones tienen diferentes funciones de generate_collection.

3.1 La aplicación COPERNICUS

En la aplicación COPERNICUS, primero preproceso las imágenes. Se conservan las imágenes con porcentajes de píxeles nublados inferiores al 20 % (Línea 48). Luego enmascaro la nube y conservo solo la vegetación y los píxeles del suelo desnudo modificando el código de esta publicación (Líneas 1–17 y 50–51). Luego calculo el NDVI y el EVI con los datos de la banda (Líneas 19–44 y 53–54). Luego, agrupo las imágenes en contenedores temporales y calculo sus compuestos medios (Líneas 56–65). Estos compuestos, a su vez, forman una nueva colección de imágenes (líneas 56 a 74) y la función las devolverá. Si no hay una composición para un período de tiempo dado, lleno ese período con una imagen vacía (Líneas 69-70).

3.2 La aplicación MODIS

El código en la aplicación MODIS es más simple porque MODIS/061/MOD13A1 ha almacenado los dos índices como bandas NDVI y EVI. Entonces solo necesito seleccionar (Línea 4) y normalizarlos (Línea 7). Mi código está inspirado en el ejemplo de Google. Ahora es el momento de probar las dos aplicaciones. Los valores de COPERNICUS son compuestos mensuales, mientras que los datos de MODIS son mediciones de fechas de muestreo individuales. Además, se preprocesan de manera diferente. Finalmente, las resoluciones son diferentes. Por lo tanto, los resultados no serán exactamente los mismos entre las dos aplicaciones, incluso si provienen de la misma región de destino. La primera pregunta es si las dos aplicaciones pueden generar tendencias similares a largo plazo.

4.1 La región de Rappbodetalsperre

En la Figura 3, puede ver la serie temporal generada para la región de Rappbodetalsperre en Alemania entre 2017 y principios de 2022 (Figura 2).Figura 2. La región de Rappbodetalsperre. Imagen del autor.Figura 3. Las series temporales de NDVI y EVI de la región de Rappbodetalsperre entre 2017 y principios de 2022 generadas por mis aplicaciones COPERNICUS y MODIS. Izquierda: COPERNICUS/S2_SR; Derecha: MODIS/061/MOD13A1. Imagen del autor. En la Figura 3, puede ver que la aplicación COPERNICUS tiene varias lagunas en su serie temporal, mientras que las curvas en la aplicación MODIS son continuas. Sin embargo, las dos aplicaciones ofrecen resultados similares en términos de rangos de valores y tendencias. Por ejemplo, los aumentos anuales de verano y las caídas de invierno de ambos índices son claramente visibles en ambas aplicaciones. Sus valores numéricos también son comparables. Por ejemplo, el valor de NDVI en junio de 2017 fue 0,9 en la aplicación COPERNICUS y 0,875 en la aplicación MODIS. Finalmente, NDVI y EVI se sincronizan bien en este caso de prueba.Figura 4. Instantáneas de NDVI y EVI de la región de Rappbodetalsperre entre septiembre de 2020 y enero de 2021 por mis aplicaciones COPERNICUS y MODIS. Izquierda: COPERNICUS/S2_SR; Derecha: MODIS/061/MOD13A1. Imagen del autor. En la Figura 4, puedes ver las diferencias en sus resoluciones. COPERNICUS no solo muestra el contorno de la masa de agua, sino también las formas de varias tierras de cultivo en el extremo sur. Por el contrario, la aplicación MODIS tiene alrededor de 40 píxeles cuadrados grandes en toda la región. La silueta del cuerpo de agua se pierde por completo.

4.2 La región de Daxing’anling

Debido a que no se puede acceder a Google en China, me preocupaba que Google Earth Engine no funcionara en la región china. Para probar esa hipótesis, utilicé las aplicaciones para monitorear la región de Daxing’anling en la provincia de Heilongjiang, junto a la frontera chino-rusa.Figura 5. Las series temporales de NDVI y EVI de la región de Daxing’anling entre 2017 y principios de 2022 por mis aplicaciones. Izquierda: MODIS/061/MOD13A1; Derecha: COPERNICUS/S2_SR. Imagen del autor. En este caso, MODIS tiene más datos que COPERNICUS. Sus datos cubren todo el período de tiempo entre abril de 2017 y principios de 2022. En comparación, los datos de COPERNICUS solo se remontan a enero de 2019. También es obvio que las imágenes de COPERNICUS no siempre cubrieron toda la región objetivo. A pesar de estas diferencias, todavía podemos ver los ciclos anuales de ambos índices en esta área forestal. Luego probé las aplicaciones en otras áreas de China y me alegró ver que también funcionaban.

4.3 La selva amazónica

En mi tercera prueba, monitoreé la selva amazónica. Seleccioné una región próxima a Carauari.Figura 5. La serie temporal de NDVI y EVI de la selva amazónica entre 2017 y principios de 2022 por mis aplicaciones. Izquierda: MODIS/061/MOD13A1; Derecha: COPERNICUS/S2_SR. Imagen del autor. Una vez más, la aplicación MODIS tiene todos los datos de todo el período de prueba. El COPERNICUS recién comienza en enero de 2019. También podemos ver cuán irregulares son las clasificaciones en los compuestos mensuales de COPERNICUS. Finalmente, la serie temporal de COPERNICUS contiene demasiadas lagunas para ser útil en este caso de prueba. También podemos hacer algunas observaciones interesantes de MODIS. En primer lugar, en comparación con Rappbodetalsperre y Daxing’anling, los períodos de oleaje en la selva amazónica fueron más largos y duraron de junio a noviembre. En segundo lugar, aunque NDVI y EVI se sincronizan bien, existen algunas pequeñas discrepancias. Por ejemplo, el 17 de noviembre de 2019, el NDVI seguía siendo alto en 0,85, pero el valor de EVI cayó a 0,4. Además, el NDVI normalmente alcanzó las mesetas altas anuales en junio. En contraste, el EVI subió en junio y luego volvió a subir para llegar a sus picos de verano entre agosto y octubre.