Utilización de SAR para la estimación de biomasa forestal en el Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Chaco semiárido Informe Final Informe Final 1 M.R.Iglesias Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Contenido Introducción 7 Materiales y métodos 10 Área de estudio 10 Datos de campo de la región 13 Utilización de imágenes SAR para la estimación de biomasa 14 Imágenes SAR adquiridas 15 Introducción al tratamiento con imágenes SAR 17 Pre-procesamiento de imágenes SAR 19 Procesamiento 23 Resultados y discusión 25 Preprocesamiento 25 Elección de imágenes 25 Selección del número de looks 26 COSMO Skymed modalidad Wide region (WR) COSMO Skymed modalidad hugh región (HR) COSMO Skymed modalidad PingPong. (PP) 26 30 31 ALOS PALSAR:Modalidad polarizada 33 Procesamiento 37 ALOS PALSAR :Clasificación no supervisada 37 Clasificacion supervisada 38 Clasificación no supervisada, ALOS y COSMO 42 Relación entre el backscattering y las variables biométricas medidas a campo 43 2 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Generación de modelo de estimación de biomasa 47 Generación de modelo de estimación de biomasa a partir de ALOS PALSAR y COSMO Skymed 47 Conclusión 51 Referencias 53 Anexo 59 3 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Índice de tablas Tabla 1: Características de las imágenes COSMO Skymed adquiridas 16 Tabla 2: Características de las imágenes ALOS PALSAR adquiridas 17 Tabla 3: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO Skymed WR. 26 Tabla 4: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO Skymed modalidad HR 31 Tabla 5: Valores de media, desvío estándar e Equal number of looks para las tres formaciones con COSMO skymed modalidad Pingpong 31 Tabla 6: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR 34 Tabla 7: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR de mayo 2005 utilizando distintos filtros. 35 Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y altura max (H max) 44 4 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Indice de Figuras Fig.1: Ubicación geográfica de la Reserva Natural Chancaní 13 Fig.2:Backscattering: Dispersión volumétrica Dispersión superficie-volumen 18 Fig.3: Esquema representativo realizados con SarScape de los pasos de pre-procesamiento 22 Fig.4: COSMO Skymed WR con multilooking de 1, 3, 5, 9 27 Fig.5: Filtros aplicados a imagen COSMO Skymed WR Fig.6: Filtros aplicados a imagen COSMO Skymed HR 29 30 Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas polarizaciones (multilooking y Geocodificada) 32 Fig. 8: Imagen ALOS PALSAR polarizadas de mayo 2009 33 Fig. 9: distribución de la frecuencia de las tres clases (en decibel). 36 Fig. 10: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos usando imagen Cosmo Skymed modalidad PingPong 37 Fig. 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones HH, HV, y la razón HH/HV. 38 Fig. 12: Clasificación supervisada de la Reserva Chancaní con ALOS PALSAR 40 Fig 13: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos usando imagen Cosmo Skymed modalidad PingPong y ALOS PALSAR 41 Fig. 14; Clasificación no supervisada con ALOS PALSAR y Cosmo Skymed 43 Fig. 15: Clasificación de bosques a partir de los rangos de backscattering 45 Fig. 16.Saturacion de la banda L a partir de diagrama de dispersión de biomasa y backscattering en decibeles mayo 46 Fig. 17: Análisis de componente principales utilizando valores de backscattering de las imágenes ALOS PALSAR de mayo 2009 48 Fig. 18:Análisis de Cluster o conglomerado 48 Fig. 19: Biplot de analisis discriminate 50 5 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Fig. 20: Mapa de cobertura de Carbono a partir de análisis discriminante 51 ¡Error! Marcador no definido.Anexo Tablas Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO skymed con multilooking de 1 x 1 59 Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed con multilooking de 3 x 3 61 Figuras Fig. 1A: Diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura arbustal 59 Fig. 2A: Diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura bosque secundario 60 Fig. 3A: Diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura bosque maduro 60 Fig. 4A: Diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura arbustal 61 Fig. 5A: Diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura bosque secundario 62 Fig. 6: Diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura bosque maduro 62 6 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Utilización de SAR para la estimación de biomasa forestal en el Chaco semiárido Introducción Los bosques desempeñan un papel importante en el ciclo global de carbono (C), ya que estos absorben aproximadamente un doceavo del stock CO2 atmosférico, almacenándolo en la biomasa leñosa y el suelo. En general, los ecosistemas forestales representan aproximadamente el 72% del almacenamiento de C terrestre (Malhi et al., 2002, Woomer et al., 2004; Keith et al., 2009). Por estos motivos, conocer la distribución y almacenaje de C por parte de la vegetación leñosa, contribuye a mitigar problemáticas de interés global como son el cambio climático y la desertificación. Durante las últimas décadas, la estimación de C almacenado en la biomasa leñosa ha despertado gran interés a partir de los compromisos internacionales como la Convención Marco de Naciones Unidas sobre el Cambio Climático (CMNUCC) y el Protocolo de Kyoto (Lucas et al 2010). Si bien existen numerosos métodos para estimar dichos los montos de C, estos varían en la precisión de la estimación y en los costos para llevarlos a cabo. Las áreas protegidas, constituyen zonas de referencia para los estudios de desertificación y cambio climáticos (Reynolds y Stafford Smith, 2002; Reynolds et al., 2005; Paruelo et al., 2005; Verón et al., 2006), ya que mantienen su estructura y funcionamiento en ausencia de 7 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias perturbaciones antropogénicas (Illera et al., 1998; Alcaláz-Segura et al., 2008) y conservan grandes cantidades de carbono en su biomasa (Woomer et al., 2004; Keith et al., 2009). Sin embargo, muchas áreas protegidas, sufren disturbios naturales y antrópicos antes de su creación como Reservas Naturales (Carranza et al., 1992; Cabido y Pachá, 2002; Bonino y Araujo, 2005; Villagra et al., 2009). Por tales motivos, es posible encontrar dentro de las áreas protegidas sectores alterados, con pérdida de la biodiversidad y disminución de los almacenajes de C (Gandía y Meliá, 1993; Reynolds et al., 2005; Iglesias et al., 2012). Poco se conoce acerca de los montos de C que conserva la vegetación leñosa en zonas áridas y semiáridas (Gasparri et al., 2007; Bonino, 2006; Padrón y Navarro-Cerrillo, 2007; Iglesias, 2010, Iglesias et al., 2012). Estas áreas abarcan el 40 % de la superficie mundial (Dregne, 1991; Verón et al., 2006), de los cuales los bosques cubren aproximadamente 6 % (o sea unas 230 millones de hectáreas) (Malagnoux, 2007). En Argentina, las regiones áridas y semiáridas abarcan aproximadamente el 70 % del territorio (Roig et al., 1991; Fernández y Busso, 1997), donde el 76 % de esta superficie están afectadas por procesos de desertificación (SRNyDS, 2002). Actualmente existen diversos métodos para la estimación de la biomasa. Las estimaciones basadas en inventarios forestales adquiridos a partir de muestreos de campo y posterior elaboración de modelos matemáticos basados en métodos destructivos, es considerado como un método preciso de estimación a nivel local (Iglesias, 2010). Sin embargo, esta metodología es intensiva, costosa, consume mucho 8 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias tiempo y presenta un carácter local que es impreciso llevarlo a otras escalas (Ghasemi et al., 2011). Dada estas limitaciones en la estimación de biomasa de forma tradicional, los sensores remotos han sido ampliamente usados con este objetivo en las últimas décadas. Dentro de estas herramientas, en los últimos años se ha estudiado la potencialidad de las imágenes de radar de apertura sintética (SAR) para este fin (Nguyen, 2010; Lucas et al., 2010), a partir de la intensidad del coeficiente de retrodisperción del SAR de las distintas longitudes de onda, polarizaciones y su relación con la biomasa. Estudios indican que a las longitudes de onda mayores (banda L y P) son las que presentan mayor sensibilidad a la biomasa (Ghasemi et al 2011) mientras que las longitudes de onda menores (banda X) retrodispersa los componentes del dosel superior. Esta característica hace que las imágenes de radar sean muy interesantes para estudiar propiedades intrinsicas de la estructura vertical del bosque. Otra característica positiva del radar es su relativa independencia de la situación meteorológica y, que, al ser un sistema activo que emite su propia señal, aporta un conjunto de datos más controlado. Sin embargo, también debe tenerse en cuenta que la señal requiere un procesado más complejo que la de los sistemas ópticos puesto que están más influidas por la topografía y la humedad del suelo, sin olvidar que se trata de un tipo de información distinta (Lobo Areu y Saura Martínez de Toda, 2005). Además, la estimación de la biomasa con esta herramienta, puede verse afectada por una saturación de la banda al exceder valores críticos. Por ejemplo, se ha documentado que la banda L pierde sensibilidad entre 60-120 tn*ha-1 de biomasa (Lucas et al,2010, Suzuki et al., 2013). Si bien la relación entre el coeficiente de retrodisperción y la biomasa ha sido estudiada en diversos bosques naturales e implados de regiones templadas, tropicales y boreales (Rahman y Sumantyo, 2011, Morel et al., 2012, Suzuki et 9 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias al.,2013), son escasos los estudios que indican de manera exitosa la utilidad de esta herramienta en regiones semiáridas (Imhoff, 1995; Lucas et al., 2010), como en Chaco semiárido argentino. Frente a esto, el propósito general de esta estancia se enfoca en analizar la potencialidad de las distintas imágenes SAR para su uso en la estimación de biomasa. Para ello, y a fin de adoptar conocimientos básicos para el enfoque de la tesis de maestría "Máster en Atención Temprana y Emergencias Aplicaciones Espaciales de respuesta", será necesario: 1) Pre-procesar y procesar de imágenes SAR (Synthetic Aperture Radar), 2) Generar procedimientos adecuados para la detección de diferentes tipos de cobertura con distintos valores de almacenamiento de biomasa aérea, 3) Analizar la relación entre la respuesta del SAR con los valores de biomasa y otras variables biofísicas de la región, 4) Generar un modelo de estimación de biomasa a partir de imágenes SAR. Materiales y métodos Área de estudio: La Reserva Natural Chancaní (31º 22’ S y 65 º 29’ W) y abarca una superficie de 4.920 ha al oeste de las sierras de Pocho, en las 10 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Planicies Occidentales en la provincia de Córdoba, Argentina (Fig. 1). La precipitación media anual es de 513 mm, promedio de 30 años registrados dentro de la Reserva. De acuerdo al Índice de Aridez, el clima es árido–semiárido, con un régimen de lluvias estival, presentando entre 7 u 8 meses de estación seca (Torres Guevara, 2007) y una temperatura media anual de 20ºC (Capitanelli, 1979). Los suelos son entisoles y aridisoles (Jarsun et al., 1989), y su vegetación corresponde al Chaco Árido dentro del Bosque Chaqueño Occidental (Luti et al., 1979; Morello et al., 1985). La Reserva se extiende a lo largo de un desnivel altitudinal de proximadamente 800 m sobre el nivel del mar, comprendiendo parte del abrupto de falla de la vertiente occidental de la Sierra de Pocho-Guasapampa (desde los 1.150 msnm), y el contacto entre la bajada de dicho cordón con el llano occidental de Córdoba (a unos 330 msnm). El paisaje de esta área protegida es heterogéneo. Antes de su creación como reserva, algunos sectores se vieron afectados por la tala, el pastoreo y fuego, generando una fragmentación del paisaje (Alessandria et al, 1977; Bonino y Araujo, 2005 ; Bonino, 2006). Frente a esto, las formaciones 3 vegetales presentes son: -Bosque maduro de A. quebracho-blanco: La fisonomía de esta comunidad es de un bosque abierto con un dosel de copas discontinuas a muy localmente continuas. El estrato arbóreo alcanza hasta 15 m de altura y además ejemplares de del ―quebracho algarrobo dulce blanco‖, y se Ziziphus presentan mistol escasos (―mistol‖), generalmente más bajos (5-7m). El estrato arbustivo alcanza hasta 4 m de altura cuyas especies más frecuentes son: Larrea divaricata (―jarilla‖), Mimozyganthus carinatus (―lata‖) y Acacia gilliesii (―garabato 11 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias macho‖) con altos valores de abundancia y cobertura (Carranza et al., 1992; Iglesias, 2010). -Bosque secundario de A. quebracho-blanco: similar al anterior con menor cobertura de árboles y mayor abundancia del estrato arbustivo (Carranza et al., 1992). Se trata de un bosque en general abierto y más bajo que el anteriormente descripto. Se distingue un estrato arbóreo con cobertura variable entre 10 y 40 % en el que predominan P. flexuosa y A. quebracho-blanco. El estrato arbustivo presenta valores de cobertura generalmente superiores al 60%, lo que transforma en un sotobosque casi impenetrable. La especies más abundante es L. divaricata, Celtis pallida (―tala churqui‖), M. carinatus y A. gilliesii. También son frecuentes Capparis atamisquea (―atamisqui‖), Condalia microphyla (―piquillin‖), Lycium elongatum (―lycium‖) y Parkinsonia praecox (―brea‖) (Carranza et al., 1992; Bonino y Araujo, 2005; Chebez, 2007; Iglesias et al., 2011). -Arbustal: Es una formación de arbustos de baja cobertura dominada por L. divaricata, M. carinatus y A. gilliesii (Carranza et al., 1992), con escasos representantes arbóreos (Iglesias, 2010) En el presente informe, solo se tendrá en cuenta la región propia del llano y se excluirá la vegetación serrana. 12 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 1: Ubicación geográfica de la Reserva Natural Chancaní, provincia de Córdoba. Mapa de coberturas basado en Alessandria y col (1977) Datos de campo de la región La información propia de las distintas comunidades presentes en la Reserva Natural Chancaní, fue obtenida a partir de trabajos de campo previos realizados durante la tesis doctoral (Iglesias, 2010; Iglesias et al., 2011). Este se basó en la realización de inventarios sobre diversas transectas de 250 m2 georeferenciadas donde se relevó datos de diámetro a la base y a la altura del pecho y altura de cada individuo presente y cobertura sobre la línea. A estas variables alométricas censadas se le aplicaron ecuaciones alométricas basadas es métodos destructivos para estimar la biomasa de dicha transecta expresada en 13 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final toneladas por hectárea (Tn*ha -1 M.R.Iglesias .). Se realizaron aproximadamente 25 transectas en diversos sectores de la Reserva Utilización de imágenes SAR para la estimación de biomasa Los estudios sobre estimación de biomasa aéreas con imágenes de radar comenzaron en la década de 1980, sin embargo no fue hasta después de 1990 cuando se comenzó a experimentar con diferentes tipos de imágenes, en diferentes polarizaciones y ángulos de observación (Vasquez Lule, 2012). Dentro de los primeros trabajos realizados para estimar la biomasa vegetal en vegetación tropical con el coeficiente de retrodispersión, destaca los de Luckman, y col. (1997) en Amazonia. Actualmente existen esta clase de estudios para diversos ambientes, como también estudios donde relacionan variables biofísicas de los bosques (volumen foresta, altura media, cobertura) con los valores de retrodispersión o backscattering. La principal limitación de estos estudios es la perdida de sensibilidad o saturación de la banda luego de pasar un valor crítico de biomasa. Aunque existe controversias sobre este valor crítico. 14 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Imágenes SAR adquiridas Tipos de imágenes adquiridas A fin de analizar la potencialidad de estas imágenes para el objetivo propuesto, se adquirieron distintos productos de COSMO Skymed (banda X) y ALOS PALSAR (banda L). La fecha, el modo de adquisición y demás detalles de cada imagen fueron especificados en la tabla 1 y 2. Dichas imágenes fueron provistas por CONAE en el contexto de la Maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias. De acuerdo a la modalidad adquirida, los sistemas radar utilizados pueden emitir y recibir la energía en forma: HH (emisión horizontal con recepción del backscattering horizontal), VV (emisión vertical con recepción vertical), HV (emisión horizontal con recepción vertical) y VH (emisión vertical con recepción horizontal). El sistema COSMO-SkyMed (COnstellation of Small Satellites for Mediterranean basin Observation) es un sistema financiado por el Ministerio de Investigación y el Ministerio de Defensa de Italia y llevado a cabo por la Agencia Espacial Italiana (ASI), para uso tanto militar como civil. La constelación consiste en cuatro satélites de tamaño medio ubicados en órbitas polares helio-sincrónicas a la misma altura pero en distintos planos orbitales, los cuales obtienen datos en banda X (λ =3 cm). Cada satélite presenta una revisita de 16 días y todos los satélites siguen la misma trayectoria terrestre (Agenzia Spaziale Italiana, 2007). 15 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 1: Características generales de las imágenes COSMO Skymed adquiridas CSK Produ Instru.mod Polari- Look Dirección Satellite ct o de uso en zación Side de la type la Look Angulo fecha orbita adquisición CSKS2 SCS HR HH derecha Descen. 29.5 2008/09/26 CSKS1 SCS WR HH derecha Descen. 27.5 2008/10/20 CSKS2 SCS HR HH derecha Descen. 29.5 2008/11/13 CSKS2 SCS HR HH derecha Ascen 29.4 2008/12/15 CSKS1 SCS WR HH derecha Descen. 27.44 2009/01/08 CSKS1 SCS WR HH derecha Descen. 38.5 2009/01/19 CSKS1 SCS WR HH derecha Ascen 27.5 2009/01/24 CSKS1 SCS WR HH derecha Descen. 34.4 2009/02/14 CSKS4 SCS WR HH derecha Descen. 33.6 2011/03/15 CSKS4 SCS PP HH/HV derecha Descen. 42.4 2013/01/28 El satélite ALOS PALSAR es un sistema radar de apertura sintética desarrollado por el Ministerio Internacional de Comercio e Industria de Japón (METI). ALOS fue puesto en órbita en el 2006, con una órbita sub-sincrónica y sub- recurrente a una altitud de 691.65 km sobre el ecuador. El satélite ALOS pasa por un mismo punto de la tierra cada 46 días y su sistema PALSAR (Radar de Apertura Sintética con Arreglo de Fases en Banda-L) presenta un sensor de microondas activo que opera en polarización completa (HH, VV, VH y HV). Con una frecuencia de 1270 MHz a una longitud de onda de ~23.5 cm (PALSAR user´s guide, 2012). 16 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 2: Características generales de las imágenes ALOS PALSAR adquiridas Alos Palsar Product Polari- Swath Angulo Angulo de fecha producto Nivel zación width Off nadir Incidencia Polarimetry (PLR) L 1.1 HH/HV + 30 KM 21.5 8-30 2009/11/07 30 KM 21.5 8-30 2009/05/07 70 KM 34.5 7.5-60 2008/10/11 VV/VH Polarimetry (PLR) L 1.1 HH/HV + VV/VH Fine beam double L 1.1 HH/HV polarisation (FBD) Introducción al tratamiento con imágenes SAR En los sistemas SAR, la onda electromagnética es emitida en forma de pulsos, y el retorno de las mismas es detectado y almacenado para su posterior procesamiento. A partir de los pulsos crudos, un algoritmo denominado procesador SAR produce la imagen SAR (Salvia, 2010). Los datos contenidos en las imágenes SAR deben calibrarse para poder relacionar los valores digitales de cada pixel con los correspondientes valores de coeficiente de backscattering sigma nought (σ0) (Frulla et al., 1998). Dicho coeficiente representa la reflectividad media de una muestra de material horizontal, normalizada con respecto al área sobre el plano de la tierra. Es una fracción que describe la cantidad de potencia promedio retrodispersada en comparación con la potencia del campo incidente. Los valores de dicho coeficiente dependen de diversos factores. La señal devuelta al sensor radar después de haber impactado sobre contribuciones: (i) la la superficie terrestre es dispersión volumétrica 17 la y suma (ii) de dos la dispersión Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias superficie-volumen o efecto rebote (double bounce effect) (Beaudoin et al., 1994). En la figuras 2 se puede observar estos procesos para una versión forestal simplificada. En el caso de una superficie vegetal, la señal radar retrodispersada depende de dos tipos de factores: (i) factores geométricos relativos a la estructura del suelo y de la cubierta vegetal y, (ii) factores dialéctricos principalmente controlados por la humedad del suelo y del dosel (Dobson et al., 1995). Figura 2: Izquierda: Dispersión volumétrica: (a) suelo, (b) tronco, (c) copa. Derecha: Dispersión superficie-volumen: (a) copa-suelo (b) tronco-suelo. Figura extraída de Merino de Miguel y Gutiérrez. En general, las áreas boscosas presentan eventos de múltiples rebotes (retrodispersión múltiple), considerando la interacción que la energía radiada por el radar presenta con el canopeo, el fuste, las ramas y las hojas. Estos efectos provocan mayor retrodispersión. Por otro lado la constante dieléctrica se refiere a las propiedades de los materiales para transportar energía eléctrica, en función de su contenido de humedad y conductividad (Vázquez Lule, 2012) 18 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias La potencia que recoge la antena (y que es la magnitud directamente medida por el sensor) está relacionada con el coeficiente de backscattering (σ0). Por otra parte, la teoría electromagnética explica que la intensidad de una onda electromagnética es proporcional al flujo promedio de energía por unidad de tiempo (potencia), o sea al valor cuadrático medio del campo eléctrico. Entonces la potencia es proporcional al cuadrado de la amplitud de la onda. Finalmente, los datos en decibeles se obtienes a partir de la relación logarítmica (producto del logaritmo del coeficiente de backattering por diez). La tabla siguiente indica las correspondencias mencionadas. . Pre-procesamiento de imágenes SAR El pre-procesamiento de las imágenes SAR utilizadas, se llevó a cabo utilizando el módulo SARscape 4,3 del programa ENVI 4.8. El primer paso a realizar es importar las imágenes. Para las imágenes adquiridas de COSMO Skymed y ALOS PALSAR, las imagen se importan utilizando la opción de Import data (SARscape basic ->import data -> standard format). 19 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Todas las imágenes radar se ven afectadas en mayor o menor grado por un cierto ruido, llamado generalmente speckle, que aparece como una textura granulada en toda la imagen o como un efecto de ―sal y pimienta‖. Este es debido a la suma de ondas electromagnéticas con diferentes fases que provoca constantes interferencias constructivas y destructivas debidas a las continuas difracciones de la señal recibido en un píxel. En general, es un ruido indeseado que degrada la calidad final de la imagen y dificulta la interpretación de la misma. Las imágenes producidas por un sistema SAR, pueden ser de un solo look y datos complejos (Single Look Complex, SLC) o de uno o varios looks y datos reales. En el caso de imágenes de un solo look, la relación señal ruido (Signal to Noise Ratio, SNR) es baja, lo que suele dificultar tanto el análisis visual como el automático. Para mejorar la SNR, se utilizan varias técnicas, entre las cuales la más importante es el procesamiento multilook. Este proceso se refiere a la división del haz del radar en varios haces más angostos angularmente. Cada sub-haz provee una ―mirada o look‖ independiente de la escena iluminada. El promediado píxel a píxel de cada uno de los looks genera una imagen multilook que posee un ruido speckle menor, mejorando la resolución radiométrica a expensas de la resolución espacial (Salvia, 2010). El nivel de reducción del ruido está directamente relacionado con el número de look (Henderson and Xia, 1998). Este proceso de generación de múltiples vistas permite obtener imágenes con píxeles aproximadamente cuadrados en base a tres distancias: espacio entre los píxeles en dirección azimutal, espacio entre las adquisiciones de píxeles en dirección de rango y el ángulo de incidencia (Henderson y Lewis, 1997). Dependiendo del objetivo de estudio, es necesario determinar el número de looks a utilizar. 20 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Para cuantificar el incremento en el número de looks, se calcula la media y la desviación estándar para las tres cobertura representativas de la Reserva forestal, considerando zonas homogéneas tomadas de la clasificación anterior (Iglesias, 2011). Número equivalente de look, se define como la inversa de la varianza normalizada de la intensidad de la señal en la imagen de un blanco homogéneo. Se calcula de la siguiente manera: ENL = 1 / qr2, qr = σ / µ , Siendo µ y σ, la media y el desvío estándar de la intensidad de la señal en la imagen de un blanco homogéneo, y qr es la desviación estándar normalizada. Por otro lado, en los últimos años una gran cantidad de filtros han sido diseñados con el fin de reducir el ruido. La reducción del speckle se basa en mover una ventana (de dimensión 3x3, 5x5, o mayor) sobre cada pixel de la imagen aplicando una operación matemática que utiliza los valores de pixel presentes en la ventana, sustituyendo el valor del pixel central por el nuevo valor. Se mueve la ventana en filas y columnas, un pixel por vez hasta completar toda la escena. Las operaciones posibles a realizar son: medias, medianas y otros filtros adaptativos. Estos filtros se basan en modelos apropiados para el backscatter y propiedades estadísticas del ruido. Además, hay que tener en cuenta que las variables de entrada de los distintos filtros, como son el tamaño de la ventana, el desvío estándar del speckle y el factor de 21 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias damping, deben ajustarse al objetivo de estudio (Frulla et al., 1998). Por ejemplo, regiones heterogéneas con variaciones grandes en los tonos, es preferible tratarlas con pequeñas ventana. Con respecto a la variación del factor de damping, valores grandes, preserva los bordes mejor, pero reduce el efecto de suavizado. Al contrario, valores pequeños aumenta el efecto de suavizado, pero no mantiene los bordes de forma correcta (Schreier, 1993). Para finalizar el pre-procesamiento, se realiza la calibración geométrica a partir del módulo Geocoding & Radiometric Calibration. Esta realiza la transformación de imágenes de radar (dirección rangoazimut) a un sistema de coordenadas (en este caso Lat Long). Si es necesario, se realiza una corrección geométrica de las imágenes de radar considerando puntos control tomados a campo o en base a google earth y puntos georeferenciados tomados a campo. La figura 3 sintetiza los pasos mencionado en el pre-procesamiento de imágenes SAR. Import data Imagen Geocodificada (potencia y decibel) Multilooking (EqnL) Geocoding & Radiometric Calibration Filtros Imagen en Potencia Figura 3: Esquema representativo de los pasos de pre-procesamiento realizados con SarScape 22 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias En el caso de ALOS-PALSAR modalidad pol., también se realizó la co-registración (sarscape/basic/coregistration) que implica superponer dos o más imágenes SAR con la misma orbita y modo de adquisición. Procesamiento Luego de realizar el pre-procesamiento de las imágenes, se selecciona diversas escenas para analizar su potencial uso en la estimación de biomasa. Primero, se recorta el área de interés y se realiza la corrección de las coordenadas geográficas. Se obtiene así, imágenes de la Reserva Chancaní filtradas de cada instrumento, con su polarización particular. En caso de las imágenes con más de una polarización (ALOS PALSAR y COSMO Skymed modalidad pingpong), se generan además, por medio de operadores matemáticos del gis (matematical operator/image operator), imágenes correspondiente a la razón hh/hv y vv/vh. A partir de datos de campo previos, obtenidos durante la tesis doctoral (Iglesias, 2010), se generan una serie de puntos georeferenciados con su respectivo valor de biomasa expresada en toneladas de carbono. Los valores máximos encontrado se encuentra en el rango de 110 tn/ha y los mínimos corresponden a valores de suelo desnudo y arbustales. De cada punto mencionado se realiza un punto vector. Este se lo transforma a raster y se genera un área de influencia alrededor del punto, a partir de un buffer, lo que crea una máscara correspondiente a un área de 420 m2. Estos buffers se utilizan para 23 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias obtener el valor medio del backscattering en decibel de un área conocida y se aplican a cada una las polarizaciones de las imágenes SAR. Al ser un área muy heterogénea dichos buffers no pueden ser de mayor dimensión. Posteriormente, se genera una base de datos con los valores medios de backscattering de cada polarización junto con los valores de biomasa, cobertura y valores de altura media y máxima del canopeo, correspondiente a los mismos. En el caso de las imágenes ALOS PALSAR, se añade la relación HH/HV y VV/VH. A fin de analizar la relación de estos valores medios de backscattering y los valores de Biomasa y cobertura tomadas a campo, se realizan correlaciones (utilizando correlación de Pearson) y análisis multivariado. La estimación de la biomasa se realizara de dos formas. Por un lado, se generan clasificaciones supervisadas y no supervisadas del área, utilizando distintos algoritmos. Para las primeras se utilizaron algoritmo de máxima verosimilitud, de mínima distancia y paralelepípedos, con la finalidad de discriminar las diferentes cubiertas vegetales. Para esto, se definieron áreas de entrenamiento, que responden a dichas cubiertas, en puntos conocidos de la imagen obtenidos mediante un relevamiento a terreno con apoyo de un GPS (iglesias, 2010). Las áreas de entrenamiento corresponden a las siguientes formaciones vegetales: áreas de baja cobertura vegetal (arbustal y suelo desnudo), áreas de cobertura media (bosques secundarios) y áreas de cobertura máxima (bosques maduros). En el caso de las clasificación no supervisada, se utilizó el algoritmo k-mean. 24 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias En todos los casos se realizó un ―layer stacker” de las distintas combinaciones de polarizaciones como también, combinación de imágenes de mayo y noviembre. A dichas coberturas se les asigna un valor medio de biomasa expresada en Tn de C * ha-1 extraídos de Iglesias y col. 2012. Por otro lado, se intenta generar un modelo para le estimación de biomasa utilizando SAR. Para ellos se definen como variables los valores de backscattering y la cobertura vegetal (expresada en porcentaje) y se realiza un Análisis de Componentes Principales para reducir estas variables a las más explicativas. Posteriormente, a partir de un Análisis Discriminante con esta selección de variables, se crea un modelo de estimación de biomasa. Este análisis, nos permite elaborar una ecuación a partir de una transformación lineal del espacio multiespectral original en ejes discriminantes, de modo que optimiza la relación entre la varianza interior a las clases y la varianza entre clases distintas (Infostat, 2008). Resultados y discusión Pre-procesamiento Elección de imágenes 25 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Selección del número de looks Imagen COSMO Skymed modalidad Wide Region (WR) Al aumentar el número de looks en la imagen WR de COSMO Skymed, disminuyen los valores extremos y en consecuencia, la media y el desvío estándar. Si bien esta acción provoca la disminución del speckle, dicho tratamiento genera un filtrado que homogeniza la imagen, imposibilitando diferenciar las distintas coberturas vegetales (figura 4). En la tabla 3 se observa que no existen diferencias marcadas entre las medias de las tres formaciones vegetales. Tabla 3: Valores de media, desvío estándar (DS) e Equal number of looks para las tres formaciones vegetales presentes en la Reserva con COSMO Skymed WR. 10 X 10m Media -11.17 Arbustal DS 4.76 EqnL 5.5 Bosque secundario Media DS EqnL -10.82 4.76 5.2 Bosque maduro Media DS EqnL -10.66 4.77 5 30 x 30m -9.952 2.50 15.8 -9.39 2.20 18.5 -9.38 2.45 14.28 50 x 50m -9.58 1.63 34.5 -9.05 1.38 43.5 -9.01 1.58 35.7 90 x 90m -9.02 1.58 50 -8.88 0.75 138 -8.83 0.98 83.3 26 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 4: Imagenes COSMO Skymed WR con multilooking de 1, 3, 5, 9 10 X 10 m 30 x 30 m 50 x 50 m 90 x 90 m La elección del procesamiento adecuado para la imagen COSMO Skymed depende de objeto de estudio. En este caso, se necesita resaltar la heterogeneidad del ambiente para poder distinguir las 27 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias distintas coberturas vegetales y por otra parte, disminuir el spekle de la misma. Por este motivo, el multilooking más adecuado sería el de 1 x 1 o 3 x 3, con un filtro adaptativo. A modo ilustrativo, se tomó como ejemplo una imagen COSMO Skymed modalidad WR, del 2 de octubre del 2008 donde se analizaron los distintos filtros (figura 5). Posteriormente se calcularon los valores medios, el desvío estándar y el coeficiente de variación (razón desvío sobre media) de las tres coberturas características de la reserva, en las imágenes con 1 y 3 multilooking. Luego se aplicaron los diversos filtros y se calcularon los mismos estadísticos con distintos tamaños de ventana. En todos los casos, se convirtieron los valores de potencia a decibeles. Además se calculó el valor de equal number of looks para analizar la influencia del speakle en la imagen. Los resultados se observan en las tablas 1 y 2 del anexo, como también las figuras desde 1-6 del mismo. Los resultados indican que el aumento de la ventana en esta área con características heterogéneas, afecta los valores de pixel. Por lo cual, se recomienda el uso de ventanas de dimensiones menores (3x3). En líneas generales, el filtro Lee presentó un buen ajuste para todas las coberturas. Este filtro se basa en que el valor del píxel sin speackle es una suma ponderada del valor de píxel observado (central) y el valor medio. El filtro de Lee suaviza los datos de imagen, sin la eliminación de bordes afilados o características en la imagen (Vyjayanthi et al., 2008). Específicamente para la región del arbustal, fueron los Refined Lee y Enhanced Frost los que menor diferencia de media y varianza presentaron. Para las coberturas 28 Boscosas (bosque maduro y Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias secundario) el filtro Lee fue el que más se acercó a la media y con menor desvío. Multilooking Defined Lee Frost Anisotropic EPC Lee Media Median Figura 5: Filtros aplicados a imagen COSMO Skymed WR 29 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Por otro lado, tanto en las imágenes con 1 o 2 multilooking, el EqnL indica que todavía el nivel de speakle es grande y que a su vez las clases no presentan una diferencia marcada entre ellas. COSMO Skymed modalidad hugh región (HR) Las imágenes HR fueron tratadas con un multilooking de 2 x 2. Debido a que se quiere conservar la heterogeneidad del ambiente, los filtros adaptativos aplicados (Frost, Lee, defined Lee) se realizaron con una ventana pequeña de 3 x 3. A simple vista, es difícil distinguir las tres clases de cobertura vegetales (Fig.6), siendo la diferencia máxima ente estas de 0.4 decibeles (tabla 4). Los valores de EqnL también indican que en cada clases es speackle interfiere de forma significativa. Frente a estos resultados sugerimos que estas imágenes no son apropiadas para el objetivo del estudio. Sin filtro Frost Lee Figura 6: Filtros aplicados a imagen COSMO Skymed HR 30 Defined Lee Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 4: Valores de media, desvío estándar (DE) e Equal number of looks (EqnL) para las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed modalidad HR Media Sin filtro Arbustal DE EqnL Bosque maduro Media DE EqnL 3,44 9,65 -10,26 3,41 9,03 -10,28 3,46 8,8 -10,08 2,1 23,15 -9,62 1,95 24,15 -9,66 2,06 21,8 -10,1 2,08 23,48 -9,64 1,95 24,44 -9,68 2,05 22,22 -10,5 2,02 26,86 -10 1,85 28,98 -10,04 2,01 Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee) 24,86 Frost 3x3 Lee 3x3 -10,7 Bosque secundario Media DE EqnL Re –Lee 3x3 COSMO Skymed modalidad PingPong (pp) Al igual que con las otras modalidades, se realizó el pre-procesing estándar para las imágenes COSMO Skymed de modalidad Pingpong (Fig. 7). Se analizaron los valores medios, desvío estándar y el equal number of looks de las tres coberturas vegetales (tabla 5), para las imágenes con y sin filtros en ambas polarizaciones. Tabla 5: Valores de media, desvío estándar (DE) e Equal number of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO skymed modalidad Pingpong con multilooking de 12 (azimut looks) y 2 (range looks) Arbustal Media Bosque secundario DE EqnL Media DE Bosque maduro EqnL Media DE SF HH -15,83 5,9 7,16 -14,55 5,81 6,26 -15,16 5,83 SF HV -23,12 6,64 12,13 -21,95 6,5 11,4 -21,87 6,65 Frost HH -13,81 2,49 30,51 -12,82 2,46 27,02 -13,12 2,45 Frost HV -20,8 2,62 62,88 -19,52 2,3 71,77 -19,41 2,3 Lee HH -13,82 2,52 29,98 -12,83 2,48 26,72 -13,13 2,5 Lee HV -21,13 3,16 44,46 -19,85 2,92 46 -19,75 2,91 Re-Lee HH -13,82 2,36 34,14 -12,84 2,3 30,92 -13,13 2,31 Re-Lee HV -21,13 3,01 49,12 -19,85 2,79 50,51 -19,76 2,74 Sin filtro (SF), filtro Frost (Frost), filtro Lee (Lee), filtro Refined Lee (Re –Lee) 31 EqnL 6,76 10,81 28,47 71,19 27,67 45,91 32,09 51,7 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final HH M.R.Iglesias HV Figura 7: Imagen COSMO Skymed Pingpong con multilooking de 1 para ambas polarizaciones (multilooking y Geocodificada) Aquí diferencia tambien, entre las el coeficiente coberturas de backscattering boscosas. Con no una muestra diferencia aproximada de un decibel se podrían separar la cobertura arbustiva de las de bosque. Esta mayor diferencia se encuentra con la polarización HV. Por otro lado, los filtros Lee y Refined Lee son los que mejor explican las coberturas disminuyendo el ruido. 32 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias ALOS PALSAR Modalidad polarizada La figura 8, muestra las cuatro distintas polarizaciones presentes en la imagen ALOS PALSAR de modalidad Polarizada de noviembre del 2009, luego de realizar el multilooking adecuado y geocodificación. Posteriormente se calculó el EqnL de cada polarización con los distintos filtros, para las fechas noviembre y mayo del 2009 (tabla 6 y 7). HH HV VH Figura 8: Imagen ALOS PALSAR polarizadas de mayo 2009 33 VV Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 6: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR de noviembre 2005 utilizando distintos filtros arbustal Sin filtro Lee Refined Lee Frost Media bosque secundario bosque maduro pol Media DE Eqnl Media DE Eqnl Media DE Eqnl hh -11,92 2,24 28,33 -10,86 1,83 35,09 -11,53 2,23 26,76 hv -18,28 2,52 52,62 -17,22 1,91 81,28 -18,19 2,56 50,48 vh -18,41 2,47 55,55 -17,39 1,86 87,41 -18,32 2,55 51,61 vv -12,48 2,1 32,94 -11,55 1,89 37,18 -12,23 2,17 31,67 hh -11,67 1,6 53,09 -10,61 1,05 102,89 -11,29 1,57 51,42 hv -18,02 1,92 88,08 -16,97 1,05 261,2 -17,92 1,99 81,09 vh -18,15 1,88 93,2 -17,14 1,03 276,91 -18,06 1,97 84,04 vv -12,23 1,5 66,57 -11,3 1,1 104,81 -11,98 1,5 63,55 hh -11,94 1,75 48,36 -10,87 1,23 78,07 -11,5 1,73 44,18 hv -18,28 2,04 80,29 -17,16 1,2 204,49 -18,23 2,11 74,64 vh -18,43 1,99 85,7 -17,35 1,21 205,6 -18,32 2,05 79,86 vv -12,48 1,61 60,07 -11,54 1,27 81,74 -12,21 1,66 53,91 hh -11,68 1,63 50,86 -10,63 1,1 93,05 -11,3 1,61 49,1 hv -18,03 1,95 85,5 -16,97 1,1 238 -17,94 2,02 78,87 vh -18,16 1,91 90,4 -17,15 1,07 256,89 -18,07 2 81,63 vv -12,23 1,53 63,32 -11,31 1,15 96,5 -11,99 1,55 59,71 hh -11,94 1,5 62,88 -10,87 0,93 134,98 -11,53 1,49 59,4 hv -17,94 1,76 103,9 -16,9 0,79 457,63 -17,86 1,83 95,25 vh -18,08 1,72 110,5 -17,08 0,77 492,03 -17,98 1,81 98,67 vv -12,15 1,31 85,12 -11,24 0,86 168,67 -11,91 1,33 79,54 34 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 7: Valores de media, desvío estándar (DE) e Equal number of looks (Eqnl) para las tres formaciones vegetales presentes en la Reserva en imagen ALOS PALSAR de mayo 2005 utilizando distintos filtros arbustal bosque secundario bosque maduro sin filtro Sin filtro Lee Refined Lee Frost Media Media DE Eqnl Media DE Eqnl Media DE Eqnl hh -11,83 2,23 28,00 -11,31 1,95 33,43 -11,27 2,09 28,95 hv -18,43 2,43 57,49 -17,60 2,07 71,81 -17,68 2,30 58,74 vh -18,57 2,40 59,57 -17,78 2,06 74,00 -17,85 2,29 60,69 vv -12,64 2,16 34,07 -12,25 1,98 38,28 -12,20 2,05 35,37 hh -11,68 1,58 54,42 -10,01 2,02 24,47 -11,51 1,67 47,35 hv -18,35 1,75 109,99 -16,19 1,78 82,66 -18,11 2,05 78,03 vh -18,48 1,75 111,16 -16,37 1,77 85,56 -18,26 2,03 80,49 vv -12,50 1,48 71,39 -10,79 2,24 23,23 -12,41 1,58 61,54 hh -11,94 1,67 51,13 -10,29 2,08 24,26 -11,76 1,75 45,11 hv -11,76 1,75 45,11 -16,43 1,84 78,97 -18,41 2,16 72,46 vh -18,77 1,84 103,74 -16,60 1,83 81,52 -18,52 2,12 75,98 vv -12,76 1,57 65,97 -11,07 2,25 24,13 -12,69 1,69 55,86 hh -11,69 1,62 52,28 -10,01 2,04 23,88 -11,53 1,71 45,41 hv -18,36 1,77 106,75 -16,20 1,81 79,89 -18,12 2,08 75,637 vh -18,50 1,78 107,49 -16,37 1,80 82,48 -18,27 2,07 77,67 vv -12,50 1,51 68,62 -10,80 2,27 22,64 -12,43 1,62 58,37 hh -11,61 1,39 68,95 -16,11 1,64 96,06 -18,18 1,87 93,60 hv -9,90 1,91 26,62 -18,04 1,90 90,05 -12,41 1,27 95,24 vh -11,45 1,49 58,53 -18,41 1,57 137,65 -10,68 2,16 24,43 vv -18,27 1,56 136,53 -16,28 1,63 99,44 -12,35 1,41 75,92 Al igual que en caso anteriores, la diferenciación de clases no es precisa, ya que el desvío estándar presente en las clases es relativamente grande. En el gráfico siguiente (figura 9) se observa claramente la existencia de una superposición de las clases de bosques. La diferencia entre los valores de backscattering de las formaciones de 35 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias bosque y arbustal, puede ser atribuida en parte, a los distintos montos de biomasa, como también a la presencia de diversos estratos. Figura 9: distribución de la frecuencia de las tres clases (en decibel). A partir de los resultados del pre procesamiento, se selecciona para este estudio las imágenes COSMO-Skymed modalidad pingpong con filtro Lee y las imágenes ALOS PALSAR modalidad polarizada con filtro Lee como las que mayor potencialidad presentan para distinguir clases dentro de la reserva como también se evalúa la potencialidad de estas variables para estimar la biomasa. 36 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Procesamiento Estimación de biomasa de un área a partir de una clasificación. COSMO Skymed modalidad pingpong. Se realizaron clasificaciones supervisada de la reserva con dichas imágenes. Las clasificaciónes supervizada fueron realizadas con los algoritmos de máxima verosimilitud (Maxlike), distancias mínimas (Minidist) y por el método de paralelepípedos. Los resultados se observan en la figura 10. Maxlike minidist paralelepipedo Clasificación supervisada de la Reserva Chancaní con distintos algoritmos de clasificación con imagen COSMO Skymed modalidad PingPong (enero 2013). Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro Figura 10: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos usando imagen COSMO Skymed modalidad PingPong Las tres clasificaciones mostraron distintos mapas de cobertura. Los valores de Kappa fueron muy pequeños en todos los casos, siendo 37 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final 0.23, 0.15 y 0.028 para maxlike, minidist y M.R.Iglesias paralelepípedos respectivamente. En esta última se observa una sobrevaloración de las áreas arbustivas en toda la reserva. Estos bajos valores de kappa concuerdan con los resultados encontrados previamente en el preprocesamiento, donde se observó una marcada confusión entre las clases. ALOS PALSAR Clasificación no supervisada Al realizar la clasificación no supervisada utilizando las polarizaciones hh, hv, y la razón entre ambas con el algoritmo k-mean (Fig. 11), se observó un mejor ajuste del mapa de coberturas. Figura 11: Clasificación no supervisada de la Reserva utilizando las polarizaciones HH, HV, y la razón HH/HV con COSMO Skymed modalidad Pingpong. Arbustal (verde), bosque abierto (verde) y bosque maduro (azul). 38 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Según esta clasificación, las áreas que ocupan el arbustal, el bosque secundario y el bosque maduro son de 1088, 1246 y 1480 hectáreas respectivamente. Clasificación supervisada Posteriormente se realizaron las clasificaciones supervisadas utilizando los distintos algoritmos: maxlike, minidist y paralelepípedos generando tres mapas de cobertura. Se probaron diversas combinaciones de bandas para dicha clasificación. En la fig 12 se observa las clasificación producto la unión de las polarizaciones HH, HV, VH, VV y la razón HH/HV, mediante una ―layerstack‖. Según lo observado, la clasificación que más se ajusta es la de distancia mínimas (minidist), el resto sobrevalora una de las clases con respecto a las demás. Si bien los valores de kappa en la clasificación con ALOS PALSAR fueron más elevado que con la clasificación de COSMO SkyMed modalidad pingpong, aun dichos valores son considerados bajos, siendo 0.42 (maxlike), 0.59 (minidist) y 0.04 (paralelepípedos). También se probó la clasificación con los meses de mayo y noviembre (previa registración), pero dicha clasificación no mostró mejoras relevantes. 39 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final Maxlike minidist M.R.Iglesias paralelepipedo Clasificación supervisada de la Reserva Chancaní con distintos algoritmos de clasificación con imagen ALOS PALSAR (mayo 2009). Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro Figura 12: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos La clasificación de distancias mínimas, mostró una cobertura del arbustal de 574 ha, bosque abierto de 1467 y bosque maduro 1775. La diferencia de esta clasificación supervisada con la anteriormente realizada con óptico (Iglesias et al-. 2012) fue de un 13 % de diferencia con el arbustal (514 ha), 5.8 % en el bosque secundario (221 ha) y 7 % (295 ha). Si bien estas diferencias no fueron muy elevada, hay que tener en cuenta que el valor de Kappa es relativamente bajo para una clasificación supervisada. En la figura 13 se observa la clasificación a partir de la unión de las polarizaciones HH, HV y las razones HH/HV combinando las imágenes ALOS PALSAR de noviembre y la imagen HV de COSMO SKYMED de enero 2013. Este última combinación mejora la clasificación, siendo los valores de kappa de 0.71, 0.70, y 0.09 para los algorimos maxlike, minidist y paralelepípedos respectivamente. Este mejor ajuste a partir de dicha combinación, posiblemente se deba a que ambas 40 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias bandas penetran a distintas alturas, permitiendo observar distintos parámetros de la vegetación. La energía del radar de onda corta como la banda X, presenta una fuerte interacción con la superficie del canopeo, dispersando la energía a partir de los componentes de escala pequeña de las copas (hojas y ramas pequeñas). Por el contrario, la energía radar con longitudes de onda relativamente largas (banda L) penetrará en el dosel y reflejan a partir de componentes de mayor escala del dosel (grandes ramas, fuste), y la superficie del terreno (Andersen et al., 2006). Se considera que esta longitud de onda más larga, interactúan sólo débilmente con la capa superficial del dosel superficial, ya que pasa dos veces por ella antes de que la señal se haya registrado en la antena receptora. Maxlike minidist paralelepipedo Clasificación supervisada de la Reserva Chancaní con distintos algoritmos de clasificación con imagen COSMO Skymed HV modalidad PingPong (enero 2013) e imágenes ALOS PALSAR HH HV y HH/HV de los meses de mayo y noviembre. Referencias: rojo, arbustal, verde, bosque secundario, azul, bosque maduro Figura 13: Clasificación supervisada de la Reserva Chancaní, con los distintos algoritmos usando imagen COSMO Skymed modalidad PingPong y ALOS PALSAR En el caso de la clasificación con distancia mínimas, las áreas cubiertas por arbustal, bosque secundario y bosque maduro fueron de 434, 1800 y 1529 respectivamente. Teniendo en cuenta los valores de biomasa de esta área obtenidos de estudios previos (Iglesias et al., 41 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias 2012) son: 95 Tn*ha-1 para los bosques maduros, 43 Tn*ha-1 para los bosques abiertos y 19 Tn*ha-1 para los matorrales, el aporte de esta reserva seria de 145.328, 77.360 y 8.248 toneladas de C, para las mismas categorías, mostrando un total de 230.936 toneladas de C en la Reserva, alrededor de 15000 toneladas menos de C que la clasificación supervisada anterior, sin el aporte de la banda HV de COSMO SkyMed. Comparando dicha clasificación con la realizada en trabajos previos con imágenes ópticas, los bosques maduros ocupa una mayor extensión en la primera. En la clasificación con Landsat 5 del año 2009 del área de estudio, el bosque maduro solo presento 823 ha, los bosques abiertos fueron la comunidad más abundante con 2188 ha y la menor diferencia se encontró en la comunidad arbustal donde los valores alcanzaron 752 ha. Esto podría estar vinculado con una saturación de la imagen radar. Clasificación no supervisada con ALOS PALSAR (pol)y COSMO SkyMed (pp) Cabe destacar la clara distinción entre el arbustal y las comunidades boscosas. A diferencia de la realizada solamente con la imágenes ALOS PALSAR, en esta clasificación se observa una mayor cobertura del arbustal y una unica cobertura de bosque (figura 14). 42 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 14; Clasificación no supervisada con imagen COSMO Skymed modalidad PingPong y ALOS PALSAR Relación entre el backscattering y las variables biométricas medidas a campo Se analizó la relación del backscattering de cada polarización con los valores de biomasa, cobertura sobre la línea, valor medio de altura y valor máximo de altura, a partir de un análisis de correlación de Pearson. Cada polarización de la imágenes ALOS PALSAR modalidad polarizada mostró valores relativamente bajos y positivos de correlación, sin embargo la razón de hh/hv evidenció una alta correlación negativa (-0.78 para los valores de mayo del 2009 y -0.76 para noviembre del 2009), indicando que a bajos valores de dicha relación le corresponde mayores los valores de biomasa (Tabla 8). Por otro lado, se encontró alta correlación entre el coeficiente de backscattering y la altura media de cada transecta, alcanzando valores de correlación de 0.89 con la polarización VH. Debido a que la altura es 43 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias uno de los componentes necesarios para obtener el volumen forestal, es coherente encontrar dicha fuerte correlación, ya que existen evidencias de la alta relación entre el volumen y el coeficiente de backscattering (Santoro et al.,2002, Suzuki et al, 2013). Suziki et al.(2013) encuentra valores de coeficiente de determinación mayores de 0.8 entre la altura media y HV y HH en bosques de Alaska. Dicho autor también indica que los niveles de saturación para esta variable es de 18.8 m y 13.6 para HH y HV respectivamente, valores de altura media muy per debajos a la altura máxima encontrada en el área. También la cobertura vegetal sobre la línea evidenció valores de correlación mayores a 0.7, para las polarizaciones HH, HV y VH. Finalmente, la altura máxima del canopeo no evidencio correlación con el backscattering. Tabla 8: Correlación de Pearson entre las distintas polarizaciones de ALOS PALSAR de mayo 2009 y los valores de Carbono (tn/ha) , cobertura, altura media ( H media) y altura max (H max) Pearson hh hv vh vv vv/vh hh/hv carbono cob H media H max 0.67 0.75 0.75 0.58 0.54 0.7 0.78 0.53 0.49 0.76 0.89 0.63 0.27 0.46 0.7 0.39 0.21 0.26 0.07 0.2 -0.78 -0.53 -0.3 -0.46 44 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Teniendo encuentra la alta correlación entre HH/HV y el backscattering, se generó un mapa del area, considerando 3 rangos de backscattering y atribuyéndole un valor de biomasa a cada uno (Fig. 9). Dicha clasificación a modo de árbol de decisión, no generó el mapa de coberturas esperado. Se observa confusión entre las clases de bosques. Esto puede deberse a que el mismo valor de backscattering puede responder a distintas estructuras que por las propiedades dialécticas del ambiente (por ejemplo humedad del suelo) distintos volúmenes responden de la misma forma. También puede deberse a una saturación de la banda L. De acuerdo a este mapa, el área correspondiente a un promedio de 75 tn de C, ocupan un 1865 hectáreas, las áreas con alrededor de 40 tn dC, ocupan 345 hectáreas y las áreas con aproximadamente 15 toneladas de C, posiblemente arbustales, 1490 hectáreas (figura 15). Estos resultados mostraron grandes diferencias con las clasificaciones antes mencionadas. Figura 15: Clasificación de los bosques a partir de los rangos de 45 backscattering Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Frente a este resultado, se analiza la saturación de la banda L con respecto a la biomasa. En la figura 16, se corrobora que existe una saturación del coeficiente de backscattering a valores de biomasa por debajo de los 40 Tn de C (80 Tn de C), para todas las polarizaciones. HH Biomasa B K VV Biomasa -10 -10 0 50 100 150 -11 -11 0 50 100 150 -12 -12 -13 -14 -13 HV Biomasa B K VH Biomasa -16 -16 0 50 100 150 0 -17 -17 -18 -18 -19 -19 50 100 150 -20 -20 Figura 16.: Diagrama de dispersión entre Bimasa y valores de mayo 46 backscattering de Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Generación de modelo de estimación de biomasa Con la finalidad de generar un modelo matemático que permita estimar la biomasa a partir de los valores de backscattering se efectuó un Análisis de Componentes Principales (PCA). Esto permitió analizar cuáles son las polarizaciones que más información aportan a la estimación de la biomasa aérea en la reserva y así reducir el número de bandas para generar dicho modelo. Como se observa en la figura 17., los primeros dos ejes del Análisis de Componentes Principales (ACP) explicaron el 77.8 % de la varianza total (Fig. 12). El primer componente principal explicó el 46.2 %, observándose allí que las variables HH/HV y HH son las que más explican esta separación. Esto permitió separar las coberturas de menor stock de carbono (izquierda) de aquellas que presentan valores mayores (derecha). El segundo componente principal explicó el 31 % de la varianza total, donde la variable VV y VV/VH, fueron las que mostraron mayor inercia. Si bien se observa que las muestras con bajo valores de carbono se agrupan juntas, a partir de los 40 tn/ha (80 Tn de biomasa), no es clara la diferenciación entre ellas. Lo mismo se observa en el análisis de cluster utilizando distancia Euclídia (Fig. 18), donde a una distancia del 70% podemos distinguir dos grupos. El primero con un rango de toneladas de carbono de 9-18, y el segundo de 26 a 112. Este último grupo, no muestra un orden jerárquico entre los valores de carbono que presentan las muestras tomadas previamente a campo, posiblemente a causa de un efecto de saturación de las bandas. 47 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final Figura 17: Análisis de componente principales utilizando valores de M.R.Iglesias backscattering de las imágenes ALOS PALSAR de mayo 2009 Figura 18: Análisis de Cluster o conglomerado utilizando valores de de las imágenes ALOS PALSAR de mayo 2009 48 backscattering Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Generación de modelo de estimación de biomasa a partir de ALOS PALSAR y COSMO Skymed Del analisis previom se seleccionaron las polarizaciones HH, HV, la relacion HH/HV de ALOS PALSAR (pol) y HV de COSMO Skymed (pp) para realizar el analisis discriminante. Dicho analisis arrojo con un 10% de error en la clasificacion cruzada la siguiente ecuacion que permite clasificar en 5 clases, suelo desnudo o de poca cobertura (menos a 1 Tn/ha), areas con valores medios de biomasa de 12 Tn*ha -1 , 20 Tn*ha -1 , 50 Tn*ha -1 y 90 Tn*ha -1. La fórmula generada es la siguiente: F=-24 +11.29*(HH)-6.14(HV)+69.57(HH/HV) Siendo HH y HV, los valores de backscattering de la imagen ALOS PALSAR y HH/HV, los valores de la razón entre ambos valores. 49 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 19:Biplot de analisis discriminate En la figura 19. se observa que la cobertura de suelo desnudo se aleja mucho de las otras coberturas. El resto de las coberturas se dispusieron en el espacio respetando un orden jerarquico. A partir de dicho modelo se genera un mapa de las distintas toneladas de carbono en la Reserva (Figura 20). Si bien existe una relación entre este mapa y las clasificaciones supervisadas realizadas anteriormente, no esperamos que esta sea igual, ya que aquí no clasificamos las distintas coberturas vegetales y le asignamos un valor a la cobertura, sino que visualizamos directamente las toneladas de carbono a partir de la relación del backscattering y la biomasa. 50 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 20:Mapa de cobertura de Carbono a partir de análisis discriminante Conclusión -En general, las imágenes COSMO Skymed por si solas, no son recomendadas para estimar biomasa, por su dificultad en la discriminación de las coberturas. Dentro de estas imágenes, fue la modalidad Pingpong, la que evidenció mayor potencialidad en la distinción de clases. Sin embargo la clasificación supervisada con dicha imágen mostró valores bajos de kappa. - ALOS PALSAR mostró una mejor discriminación de las coberturas. La diferencia entre las clases arbustal y bosques, no solo se deben a los montos de biomasa que estas contienen, sino a los distintos estratos que estos presentan. 51 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias - Existe una alta correlación negativa entre HH/HV y la biomasa. También se encontró una fuerte correlación positiva entre las cuatro polarizaciones y la altura media. -La combinación de imágenes ALOS PALSAR y COSMO Skymed en la clasificación supervisada con el algoritmo de distancia mínimas, mostró altos valores de kappa (0.71) -Los análisis multivariados mostraron que las variables que mejor explica la biomasa son la relación entre hh y hv (hh/hv), hh, hv de imagen ALOS PALSAR y hv de COSMO Skymed (mod pingpong). -Existe una saturación de la banda L aproximadamente a los 80 tn de biomasa (40 Tn de C), razón principal que dificulta la estimación de biomasa. Para finalizar, se concluye que las imágenes ALOS PALSAR y su combinación con COSMO-Skymed presentan potencialidad y limitaciones para la estimación de biomasa. Si bien es necesario un análisis más detallado, este estudio es el primero que se realiza con esta herramienta para dicho fin en la región del Chaco semiarido, incorporando valores de campo como también variables intrínsecas de las comunidades presentes en la Reserva Natural Chancaní. Una vez ajustado, el modelo generado podrá extrapolarse a áreas similares dentro de la región del Chaco arido-semiarido argentino. 52 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Referencias Agenzia Spaziale Italiana (2007). COSMO-SkyMed System Description & User Guide, Doc No: ASI-CSM-ENGRS-093-A. Roma, Italy: ASI, Agenzia Spaziale Italiana. Alcaraz-Segura D., Baldi G., Durante P. y Garbulsky M. F. 2008. Análisis de la dinámica temporal del NDVI en áreas protegidas: tres casos de estudio a distintas escalas espaciales, temporales y de gestión. Ecosistemas 17(3): 108-117. Alessandría E. Luti R. Karlin U. Sipowicz .1977, Informe solicitado por el poder judicial de la provincial de Cordoba sobre el estado de los bosques de la futura Reserva provincial Chancani- unpublished Andersen, H.-E., Reutebuch, S. and McGaughey, R. (2006). Active remote sensing: 43-66 Beaudoin, A., Le Toan, T, Goze, S., Nezry, E., Lopes, A., Mougin, E.,et.al 1994. Retrieval of forest biomass from SAR data. International Journal of Remote Sensing. Vol. 15. Nº 14. pp. 27772796. Bonino E. E. 2006. Change in carbon pools associated with a landuse gradient in the dry Chaco, Argentina. Forest ecology and management 223: 183-189. Bonino E.E and Araujo P. 2005. Structural differences between a primary and a secondary forest in the Argentine Dry Chaco and management implications Forest Ecology and Management 206: 407–412. Cabido M. R. y Pachá M. J. 2002. Vegetación y flora de la Reserva Natural Chancaní Gobierno de la Provincia de Córdoba; Agencia Córdoba Ambiente. Sociedad del Estado, Córdoba, Argentina, 50 pp. Capitanelli, R., 1979. Geomorfología y Clima. In: Miatello, R., Roqué, M., Racagni, T., Oddone, H., Capitanelli, R., et al. (Eds.), Geografía física de la provincia de Córdoba. Banco Provincia de Córdoba. Buenos Aires, Argentina Carranza M. L., Cabido M. R., Acosta A. y Páez S. A. 1992. Las comunidades vegetales del Parque Natural Provincial y Reserva Forestal Natural Chancaní, Provincia de Córdoba. Lilloa 38: 75-92. Chebez J. C. 2007. Zona Centro: Guía De Las Reservas Naturales De La Argentina. Plaza Edición. Buenos Aires, pp. 98-99 Dobson, M.C., Ulaby, F.T., Ierce, L.E., Sharik, T.L., Bergen, K.M., Kellndorfer, J., Kendra, J.R., Li, E., Lin, Y.C., Nashashibi, A., Sarabandi, K., Siqueira, P. 1995. Estimation of Forest Biophysical 53 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Characteristics in Northern Michigan with SIR-C/X-SAR. IEEE Transactions on Geoscience and Remote Sensing. Vol. 33. Nº 4. pp. 877-895. Dregne H. E. 1991. Global status of desertification. Annals of Arid Zone. 30: 179–185 du Plessis W. P. 1999. Linear regression relationships between NDVI, vegetation and rainfall in Etosha National Park, Namibia. Journal of Arid Environments 42: 235-260. Fernandez O. A. and Busso C. A. 1997. Arid and semi-arid rangelands: two thirds of Argentina. Rangeland Desertification Report No. 200: 41-60. Disponible online en: www.rala.js/radelralaveport/default.htm Frulla, L.A; Milovich, J.A; Karszenbaum, H.& P. Kandus. 1998. Metodologías de Pre- procesamiento y Procesamiento Utilizadas en el Tratamiento Cuantitativo de Datos SAR Para el Estudio de Ambientes en el Bajo Delta del Río Paraná, Argentina. Anais IX Simpósio Brasileiro de Sensoriamento Remoto, Santos, Brasil, INPE: 10751086. Gandía, S., Meliá, J., 1993. La teledetección en el seguimiento de los fenómenos naturales: Climatología y Desertificación. Curso de postgrado de la Unidad de Teledetección, Departamento de Termodinámica, Universitat de Valencia, Valencia, España, 409pp. Gasparri, N.I., Parmuchi, M.G., Bono, J., Karszenbaum, H., Montenegro, C.L., 2007. Utilidad de imágenes Landsat 7 ETM+ de diferentes fechas para la estimación de biomasa aérea en bosques subtropicales secos de Argentina. In: XII Congreso de la Asociación Española de Teledetección Ghasemi N, Sahebi M.R., Mohammadzadeh A . 2011. A review on biomass estimation methods using synthetic aperture radar data. International Journal of Geomatics and Geosciences 1(4):776-778. Henderson F.M. and Xia Z. 1998. Radar applications in urban analysis, settlement detection and population Estimation. Chapter 15 in Principles and Applications of Imaging Radar, Manual of Remote Sensing, Third Edition, Volume 2, ASPRS, John Wiley and Sons Inc., Toronto. Henderson, F. M., y Lewis, A. J., 1997, Principles and applications of Imaging Radar, Manual of Remote sensing, 3era ed, vol. 2. John Wiley &Sons, Inc. EUA, 866 p. Iglesias M.R. 2010. Evaluación de la vegetación leñosa como depósito de carbono en un gradiente árido – semiárido argentino‖. Tesis Doctoral. Escuela para graduados de la Facultad de Ciencias Agropecuarias. Universidad Nacional de Córdoba.125 pp. 54 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Iglesias MR, Barchuk A, Grilli MP .2012. Carbon storage, community structure and canopy cover: A comparison along a precipitation gradient. Forest Ecology and Management 265:218-229. InfoStat, 2008. Manual del usuario. Grupo Infostat. Primera Edición. Editorial Brujas Argentinas. FCA. Universidad Nacional de Córdoba, Córdoba, Argentina. 334p Illera P., Delgado J. A., Fernández-Manso A. A. y Fernández-Unzuela A. 1998. Sistema de información geográfica agrometeorológica para el seguimiento de la vegetación en Castilla y León: diseño y primeras aplicaciones. Revista de teledetección 10: 1-12.Fernández y Busso, 1997 Imhoff, M. (1995). Radar backscatter and biomass saturation: Ramifications for global biomass inventory. IEEE Transactions on Geoscience and Remote Sensing, 33(2), 511–518. Keith H., Mackey B. G. and Lindenmayer D. B. 2009. Re-evaluation of forest biomass carbon stocks and lessons from the world’s most carbon-dense forests. PNAS, 106(28): 11635-11640.. Lobo Areu, A. y Saura Martínez de Toda, S.; (2005). Apoyo de los sensores ópticos y de radar de apertura sintética a la información forestal; Cuad. Sociedad Española de Ciencias Forestales; 19: 135140Luckman, et al, (1997) Lucas R., Armston J., Fairfax R., Fensham R., Accad A., Carreiras, Kelley J., Peter Bunting P. et al. 2010. An Evaluation of the ALOS PALSAR L-Band Backscatter—Above Ground Biomass Relationship Queensland, Australia: Impacts of Surface Moisture Condition and Vegetation Structure. EEE Jornal of Selected Topics in Applied Earth Observations and Remote Sensing, 3 (4):576-593. Luti R., Bertran de Solís M. A., Galera M. F, Muller de Ferreira N., et al ., 1979. Vegetación. En Vázquez J., Miatello R. y Roqué M. (dirs.) Geografía Física de la Provincia de Córdoba. Editorial Boldt. Buenos Aires, Argentina, pp. 297-368. Magnusson, M.; Fransson, J. E S; Eriksson, L. E B; Sandberg, G.; Smith-Jonforsen, G.; Ulander, L. M H, "Estimation of forest stem volume using ALOS PALSAR satellite images,"Geoscience and Remote Sensing Symposium, 2007. IGARSS 2007. IEEE International , vol., no., pp.4343,4346, 23-28 July 2007 doi: 10.1109/IGARSS.2007.4423813 Malagnoux, M. 2007. Arid Land Forests of the World Global Environmental Perspectives. Afforestation and Sustainable Forests as a Means to Combat Desertification 16–19 April 2007, Jerusalem, Israel. <ftp://ftp.fao.org/docrep/ fao/010/ah836e/ah836e00.pdf>. Malhi, Y. P. 2002. Forests, carbon and global climate. Philosophical Transactions of the Royal Society of London A , pp 1567-1591. 55 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Maurizio Santoroa M., Asknea J., Smitha G., Franssonb J.E.S. 2002. Stem volume retrieval in boreal forests from ERS-1/2 interferometry. Remote Sensing of Environment 81 (2002) 19–35 Merino de Miguel, S. & Solana Gutiérrez, J. Estimación de biomasa en masas regulares por medio de imágenes de radar. Escuela Técnica Superior de Ingenieros de Montes, Universidad Politécnica de Madrid. En http://age.ieg.csic.es/metodos/docs/doc3_5.pdf Milovich, J. A., & Kandus, P. 1998. 10_212o - Metodologías de Preprocesamiento y Procesamiento Utilizadas en el Tratamiento Cuantitativo de Datos SAR Para el Estudio de Ambientes en el Bajo Delta del Río Paraná, Argentina, 1075–1086. Morel A.C., Fisher J.B. and Malhi Y. 2012. Evaluating the potential to monitor aboveground biomass in forest and oil palm in Sabah, Malaysia, for 2000–2008 with Landsat ETM+ and ALOS-PALSAR. . International Journal of Remote Sensing Vol. 33 (11): 3614–3639 Nguyen, N.T. 2010. Estimation and mapping of above ground biomass for the assessment and mapping of carbon stocks in tropical forest using SAR data : a case study in Afram headwaters forest, Ghana. Enschede, University of Twente Faculty of Geo-Information and Earth Observation (ITC), 2010. Padrón E. y Navaro-Cerrillo R. M. 2007. Biomasa aérea en ecosistemas de Prosopis pallida (Humb. and Bonpl. ex Willd.) H. B. K. usando imágenes Landsat 7 ETM+. Rev. chil. hist. 80(1): 43-53. PALSAR User’s Guide. 2012. 2nd Edition. En: http://gds.palsar.ersdac.jspacesystems.or.jp/e/guide/pdf/U_Guide_e n.pdf visitado 22-05-2013 Paruelo J. M., Piñeiro G., Oyonarte C., Alcaraz D., Cabello J. and Escribano P. 2005. Temporal and spatial patterns of ecosystem functioning in protected arid areas in southeastern Spain. Applied Vegetation Science 8: 93-102. Malagnoux M. 2007. Arid Land Forests of the World Global Environmental Perspectives. Afforestation and Sustainable Forests as a Means to Combat Desertification 16-19 April 2007, Jerusalem, Israel. Consultado el 29 de noviembre del 2009 ftp://ftp.fao.org/docrep/fao/010/ah836e/ah836e00.pdf Rahman M.M. and Sumantyo J.T.S. 2011. Retrieval of tropical forest biomass information from ALOS PALSAR data, Geocarto International, DOI:10.1080/10106049.2012.710652 Reynolds J. F. and Stafford Smith D.M. 2002. Global Desertification: Do Humans Cause deserts? vol. 88. Dahlem University Press, Berlin, Germany. Reynolds J. F., Maestre F. T., Huber-Sannwald E., Herrick J. y Kemp P. R. 2005. Aspectos socioeconómicos y biofísicos de la desertificación. Ecosistemas. 2005/3. 56 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Rikie Suzuki R., Kim Y, Ishii R., 2013. Sensitivity of the backscatter intensity of ALOS/PALSAR to the above-ground biomass and other biophysical parameters of boreal forest in Alaska. Polar Science xx :1-13 Roig F. A., González Loyarte M. M., Abraham E. M., Méndez E., Roig V. G. and Martínez Carretero E. 1991. Maps of desertification Hazards of Central Western Argentina, (Mendoza Province). Study case. En: UNEP, "World Atlas of thematic Indicators of Desertification‖, E. Arnold, Londres, 69 pp. Salvia M. M. 2010. Aporte de la teledetección al estudio del funcionamiento del macrosistema Delta del Paraná : análisis de series de tiempo y eventos extremos. Tesis doctoral. Universidad de Buenos Aires. Facultad de Ciencias exactas y Naturales. 188pag. Santoro, M., Askne, J., Smith, G., & Fransson, J. E. S. 2002. Stemvolumeretrieval in boreal forests with ERS-1/2 interferometry. Remote Sensing of Environment, 81,19−35. Schreier, G., 1993. Geometrical properties of SAR images. In G. Schreier (ed.), SAR geocoding: Data and Systems: pp. 103-134. Karlsruhe: Wichmann SRNyDS. 2002. Informe Nacional ―Avances del PAN‖, para la Convención Internacional de Lucha contra la Desertificación y la Sequía. Inédito. Torres Guevara J. 2007. Ecosistemas áridos, semiáridos y subhúmedos secos de América Latina: conceptos y recursos naturales. CIZA- UNALM. Publicado en Internet. Disponible en: http://www.accionporlatierra.cl/accionporlatierra/publico/ftp/archivo/zonas_aridas_al_jtorres_mmendoza.pdf Activo agosto 2009. Vázquez Lule A.D. 2012. Exploración de parámetros biofísicos con series de tiempo de productos Modis y estimación de biomasa con imágenes radar en los manglares de Laguna Pom Atasta, Campeche y Laguna Brava, Nayarit, Mexico. Tesis en Maestria en Geomatica. Centro de Investigaciones en Geografía y Geomática ―Ing. Jorge L. Tamayo‖. Mexico. 151 pp. Verón S. R., Paruelo J. M., and Oesterheld M. 2006. Assessing desertification. Journal of Arid Environments 66: 751–763. Villagra P. E., Defosse´ G. E., del Valle H. F., Tabeni S., Rostagno M., Cesca E., Abraham E. 2009. Land use and disturbance effects on the dynamics of natural ecosystems of the Monte Desert: Implications for their management. Journal of Arid Environments 73: 202–211. Vyjayanthi N, Jha C. S.and Murthy M. S. R.. Forest biomass estimation and forest structure analysis of deciduous forests using SAR data. RISAT-JEP. Forestry and Ecology Division. LRG, RS & GIS 57 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias AA. National Remote Sensing Centre. Indian Space Research Organisation, Hyderabad. 140pp Woomer P. L., Tieszen L. L., Tappan G., Touré A. and Sall M. 2004. Land use change and terrestrial carbon stocks in Senegal. Journal of Arid Environments 59: 625–642. 58 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Anexo Tabla 1: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO skymed con multilooking de 1 x 1 ML 1 lee sin filtro enhanced_lee_3x3 Frost enhanced_frost_3x3 gamma arbustalal bosque secundario bosque maduro Mean Stdev enl Mean Stdev enl Mean Stdev enl -11,12162 4,702889 5,59250843 -10,482133 4,833281 4,70343603 -10,744297 4,753302 5,10934459 3 -11,146894 3,272601 11,6016998 -10,417864 3,295498 9,99344582 -10,760638 3,336757 10,3998454 5 -11,134766 3,080914 13,0618003 -10,565243 2,99258 12,4642871 -10,6456 3,088658 11,8795679 7 -11,093675 2,783836 15,8804785 -10,705942 2,186267 23,9796795 -10,725075 3,141147 11,6580028 3 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017 5 -11,134766 3,080914 13,0618003 -10,565243 2,99258 12,4642871 -10,6456 3,088658 11,8795679 7 -11,310352 0,705787 256,805862 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778 3 -11,122169 1,760951 39,8918738 -10,468137 1,677384 38,9469814 -10,735972 1,803111 35,4517612 5 -11,192442 1,097758 103,95287 -10,587846 1,024644 106,774914 -10,70213 1,114583 92,1967505 7 -11,310352 0,705 257,379533 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778 3 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017 5 -11,194645 1,073072 108,833583 -10,586271 1,006626 110,598625 -10,705575 1,093715 95,8101809 7 -11,121566 1,734761 41,1010188 -10,476321 1,659175 39,8688036 -10,736498 1,783127 36,2544017 3 -11,090719 1,836728 36,4610953 -10,461912 1,711635 37,3593927 -10,734298 1,789528 35,9807573 5 -11,194645 1,073072 108,833583 -10,586271 1,006626 110,598625 -10,705575 1,093715 95,8101809 7 -11,310352 0,705787 256,805862 -10,447761 0,713437 214,454518 -10,687396 0,809517 174,29778 Figura 1: diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura arbustal 59 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 2: diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura bosque secundario Figura 3: diferencias entre la media sin aplicación de filtro con multilooking de 1 y los valores medios filtrados con distintas ventanas para la cobertura bosque maduro 60 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Tabla 2: Valores de media, desvío estándar e Equalnumber of looks para las tres formaciones vegetales presentes en la Reserva en imagen COSMO Skymed con multilooking de 3 x 3 Ventana 3 5 7 3 5 7 3 5 7 3 5 7 3 5 7 arbustal media -9,926296 -9,922197 -9,925269 -9,926781 -9,926565 -9,927041 -9,928498 -9,92535 -9,926313 -9,927785 -9,926565 -9,927041 -9,928498 -9,926565 -9,927041 -9,928498 DS 2,477173 1,831434 1,536271 1,437586 1,389686 0,989 0,817158 1,396432 0,995112 0,821523 1,389686 0,989664 0,817158 1,389686 0,989664 0,817158 EqnL 16,0569024 29,3516923 41,73966 47,6814235 51,0228386 100,750462 147,623342 50,5186895 99,5020444 146,037797 51,0228386 100,615314 147,623342 51,0228386 100,615314 147,623342 Bosque secundario media DS -9,148617 2,423695 -9,138833 1,752525 -9,138032 1,453463 -9,135784 1,356924 -9,141446 1,250043 -9,131866 0,816987 -9,12467 0,612923 -9,139358 1,260973 -9,130764 8,2614E-07 -9,124264 0,621273 -9,141446 1,250043 -9,131866 0,816987 -9,12467 0,612923 -9,141446 1,250043 -9,131866 0,816987 -9,12467 0,612923 EqnL 14,2480345 27,1927443 39,5273217 45,3294655 53,478583 124,936337 221,626913 52,5315002 1,2215E+14 215,690355 53,478583 124,936337 221,626913 53,478583 124,936337 221,626913 Bosque maduro media -9,493389 -9,4895 -9,493358 -9,494404 -9,605708 -9,497737 -9,498079 -9,494205 -9,496456 -9,497065 -9,49577 -9,497737 -9,498079 -9,49577 -9,497737 -9,498079 DS 2,541247 1,934359 1,648806 1,543435 1,598871 1,116947 0,946599 1,513528 1,123726 0,952736 1,505686 1,116947 0,946599 1,505686 1,116947 0,946599 EqnL 13,9556091 24,0664761 33,1513027 37,8406621 36,093742 72,3061349 100,679134 39,3492347 71,4171084 99,3650532 39,773293 72,3061349 100,679134 39,773293 72,3061349 100,679134 0 Figura 4: diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura arbustal 61 Dipartimento di Ingegneria Astronautica, Elettrica e Energetica Informe Final M.R.Iglesias Figura 5: diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura bosque secundario Figura 6: diferencias entre la media sin aplicación de filtro con multilooking de 3 y los valores medios filtrados con distintas ventanas para la cobertura bosque maduro 62