miércoles, 1 de abril de 2015

Aplicaciones de Teledetección con el QGIS y el plugin Semi-Automatic Classification

En esta oportunidad y motivado por una conversación con alguien sobre éstos temas, voy a dedicarme a mostrarles lo que se puede hacer con el plugin Semi-Automatic Classification (SCP), creado por Luca Congedo, sobre todo en su última versión 4.3, el cual desde su propia página podemos encontrar una guía de usuario bastante completa.
Nuestro objetivo va ser además de conocer sobre las funcionalidades del plugin SCP, poder realizar la descarga directa de imágenes del Landsat y luego estimar la temperatura de la superficie de la tierra empleando la banda TIRS del Landsat 8.


Conociendo el entorno del Semi-Automatic Classification Plugin (SCP)

En resumen este complemento está compuesto por una barra de herramientas (The Toolbar), dos paneles móviles integrados en QGIS (The ROI Creation dock y Classification dock) y una ventana de la interfaz principal, juntos permiten realizar una clasificación supervisada de imágenes de manera fácil y rápida, con funciones de pre-procesamiento y post-procesamiento para los datos. Por otra parte, los gráficos de firmas espectrales y de dispersión se muestran en ventanas separadas.


1. Una barra de herramientas (The Toolbar)

El cual permite la selección de la imagen de entrada, e incluye varios botones para la apertura de las principales funciones de la ventana de la interfaz principal.



Figura 1: Barra del SCP


2. Panel para creación de Regiones de Interés (The ROI Creation dock)

Permite la definición de un archivo Shapefile de entrenamiento, y para la creación de los ROIs usando un algoritmo crecimiento de regiones (1) o por dibujo manual.


Figura 2: El panel para crear ROIs


3. Panel de Clasificación (Classification dock)

Está diseñado para gestionar las firmas espectrales, y clasificar las imágenes del satélite (o un conjunto de bandas). El proceso de clasificación requiere de las firmas espectrales que definen las clases de cobertura del suelo. Adicionalmente, es posible importar las firmas espectrales de otros proyectos o desde la pestaña USGS Spectral Library.



Figura 3: El panel de Clasificación

4.  La Ventana de Interfaz Principal

Se compone de varias pestañas agrupadas en secciones. Cada sección contiene varias funciones que son útiles principalmente para el proceso de clasificación. En primer lugar se cuenta herramientas (Tools) específicas para la teledetección, en la última versión se cuenta con la facilidad para descargar directamente imágenes Landsat,  del mismo modo existen opciones para realizar trabajo de pre- procesamiento de imágenes, de procesamiento posterior, para realizar operaciones con las bandas (Band calc), para lograr definir el grupo o conjunto de bandas como valores de entrada y el centro de las longitudes de onda de las bandas esto último requerido para calcular mejor las firmas espectrales (Band set).

Figura 4: Interfaz principal del plugin SCP


A. Descargando imágenes del Landsat 8 con SCP.


Ahora vamos a realizar un ejercicio, para ello necesitamos descargar una imagen proveniente del satélite Landsat 8, además de poder hacerlo por EarthExplorer, lo vamos a realizar desde el SCP para demostrar que es muy sencillo y práctico.

Paso 1: Instalar el complemento
Para ello  verificamos que tenemos instalado el complemento Semi-Automatic Classificaction Plugin (SCP), si no lo tenemos, tenemos que instalarlo desde ComplementosàAdministrar e instalar complementos, realizamos la búsqueda por nombre y lo instalamos.

Figura 5: Zona de instalación del plugin SCP

  
Paso 2: Realizar la búsqueda de las imágenes del Landsat
Una vez que Ahora ya estamos listos para iniciar con el ejercicio, para ello nos vamos a la barra de menú del QGIS y en SCP buscamos Tools y luego Download Landsat.

Figura 6: Herramienta del SCP para descargar imágenes del Landsat.


Una vez realizado esto, nos aparecerá un entorno en donde vamos a poder realizar la búsqueda de nuestra imagen, teniendo en cuenta que para nuestro caso solamente buscaremos una imagen del Landsat 8 y debido a que vamos a realizar un ejercicio empleando la banda termal (B10), la fecha de adquisición no debe ser actual debido a los problemas con dichas bandas, según la USGS.

Figura 7: Ajustes antes de realizar la búsqueda de la imagen.


De acuerdo a la Figura 7, debemos primero marcar la casilla de "only Landsat 8", luego generar un directorio para la base de datos, que permite guardar las listas de las búsquedas realizadas, luego determinar los límites de la zona que nos interesa, para ello haremos clic tanto para determinar las coordenadas del límite superior izquierdo (UL) como las del límite inferior derecho (UR). Para nuestro caso estoy seleccionando una zona del territorio peruano y como ayuda superpuse una capa vectorial de los límites de departamento.

Figura 8: Ajustando nuestra zona de interés 


Ahora nos queda elegir el rango de fechas y también podemos indicarle un valor al valor máximo de cobertura de nubes (Max cloud cover), una vez hecho esto hacemos clic en "Find images". Como producto de ello nos van a salir una lista de imágenes, para lo cual escogemos la que nos interesa, inclusive podemos hacer una vista preliminar. Luego se debe remover de la lista las imágenes que no vamos a emplear.

Figura 9: Eligiendo la imagen y mostrando una pre-visualización


Paso 3: Realizar la descarga de la imagen del Landsat seleccionada
Como paso siguiente debemos realizar la descarga de la imagen (LC80080672014353LGN00), para nuestro caso solamente necesitaremos las bandas 2, 3, 4, 5, 6, 7 y la banda termal 10. 

Figura 10: Eligiendo las bandas que vamos a descargar


Existe también la opción de realizar el pre-procesamiento de las mismas activando la casilla respectiva, como resultado de ello vamos a tener la conversión automática de los DN (es decir, los números digitales) de las bandas 2 al 7 del Landsat para la medida física de la reflectancia de la parte superior de la atmósfera (TOA) y para las bandas del sensor TIRS (Thermal Infrared Sensor) serán convertidas desde la radiancia espectral a la temperatura de brillo usando las constantes térmicas previstas en el archivo de metadatos (LC80080672014193LGN00_MTL). Además, el SCP implementa un simple corrección atmosférica basada en imágenes utilizando el método DOS1 (Resta del Objeto Oscuro-1). Para mayor detalle de éstos temas revisar aquí
Una vez realizado este paso tendremos el siguiente resultado.

Figura 11: Resultados de la descarga


Como se activó la casilla para abrir las imágenes en el QGIS se obtendrá la siguiente figura.

Figura 12: Visualización de la imagen descargada y luego del pre-procesamiento


Finalmente los resultados obtenidos del pre-procesamiento se van a guardar en una carpeta distinta.

Figura 13: Carpeta generada luego del pre-procesamiento


Para ver una demostración recomiendo ver el vídeo realizado por el mismo creador del plugin: 

Download Landsat 8 Images with Semi-Automatic Classification Plugin v.4 for QGIS


B. Estimación de la temperatura de la superficie de la tierra empleando la banda TIRS del Landsat.



Para lograr realizar este ejercicio tendremos que realizar primero una clasificación supervisada de las coberturas presentes en la imagen, esto es para definir la emisividad de la superficie, requerido para el cálculo de la temperatura de la superficie del terreno.

Paso 1: Preparar nuestros datos de entrada

Debido a que no se requiere emplear toda la imagen vamos a recortar nuestra zona de interés, para ello tenemos varias opciones, para nuestro caso vemos que dentro de la pestaña del SCP dedicado al pre-procesamiento encontramos la opción que dice "Clip multiple rasters". Pero antes de realizar el corte podemos fijarnos los metadatos de las imágenes y comprobamos que tienen como SRC (Sistema de referencia de coordenadas) WGS 84 / UTM zone 18N (EPSG: 32618), por lo tanto debemos realizar una reproyección de coordenadas para pasarlo a un SRC: WGS 84 / UTM zone 18S (EPSG: 32718).

Figura 14: Realizando una reproyección de nuestra imagen


Ahora vamos a realizar el corte de la zona de interés, en esta oportunidad se generó un polígono que abarca la zona en donde se ubica la ciudad de "Carhuaz". Solo debemos seleccionar las bandas que van a ser recortadas y el polígono que se preparó, también lo pueden hacer generando sus propias coordenadas.

Figura 15: Realizando un recorte de la imagen.


Para quienes desean seguir la metodología, comparto los datos obtenidos después de realizar el recorte junto con la metadata de la imagen y el polígono de recorte.


La imagen resultante del recorte se debe apreciar como la siguiente figura.

Figura 16: Resultado del recorte de la imagen



Paso 2: Clasificación de las coberturas del área de estudio.

Con nuestros datos de entrada tenemos que generar nuestro conjunto de bandas, para lo cual nos vamos a la pestaña "Band set", antes que todo vamos a refrescar la lista (Refresh list), hay que tener en cuenta que son imágenes recortadas y eso se debe mostrar en la lista, luego de ello seleccionamos todos y hacemos clic en "Add rasters to set", pero no hay olvidarse de remover la banda 10. Luego ordenamos las bandas de menor a mayor, a continuación seleccionamos el sensor Landsat 8 OLI del cuadro combinado Quick wavelength settings", con el fin de ajustar automáticamente la longitud de onda central de las bandas. 

Figura 17: Definición de las bandas de entrada para la clasificación supervisada


Para apoyarnos en el desarrollo de la clasificación vamos a generar una imagen virtual empleando tres bandas para crear una composición, para lograr esto nos vamos a la barra de menú dentro de Ráster--> Miscelánea--> Construir ráster virtual (catálogo), luego seleccionamos las bandas 3, 4 y 5 e indicamos el nombre de salida, en este caso es "rgb.vrt".

Figura 18: Generando una imagen virtual componiendo 3 bandas


Con el resultado obtenido se ajustaran las bandas para resaltar sobre todo la vegetación, realizando un RGB 5-4-3, también si deseamos podemos superponer una imagen del google earth.

Figura 19: Imagen virtual compuesta RGB: 543


Con esta imagen ya podemos iniciar la creación del archivo Shapefile de las zonas de entrenamiento. Dentro del panel de creación ROI hacer clic en el botón “New Shp”, y seleccionar dónde desea guardar el archivo Shapefile (ROI_CARH.shp).

Figura 20: Generando el polígono para la creación de ROIs


Dentro del panel de Clasificación “SCP: Classification” hacer clic en el botón Guardar “Save" con el fin de crear un archivo de lista de firmas espectrales (sig1.xml).

Figura 21: Generando el archivo para guardar las firmas espectrales


Una vez realizado estos pasos podemos iniciar la recolección de las áreas de interés. Los ROI (regiones de interés) son polígonos que se pueden crear de forma automática tal como se indicó anteriormente mediante un algoritmo de crecimiento de regiones (es decir, la imagen es segmentada en torno a una semilla de píxeles), haciendo clic en un píxel de la imagen. De esta manera, los ROI creados incluyen píxeles espectralmente homogéneos.  
El SCP permite la definición de un identificador de Macroclases (es decir, MC ID) y un identificador de Clase (es decir, C ID) para cada ROI o firma espectral, que son los códigos de identificación de las clases de cobertura del terreno. Las Macroclases permiten la clasificación de los materiales que tienen diferentes firmas espectrales (por lo tanto, son procesados de forma individual), pero pertenecen a la misma clase de cobertura del terreno (por lo tanto el mismo MC ID se asigna a estos píxeles). Por ejemplo podríamos clasificar pastos asignándole C ID = 1 y MC ID = 1 y árboles asignándole C ID = 2 y MC ID = 1, todo esto como una Macroclase de vegetación (es decir, MC ID = 1). Cada ROI (o firma espectral) deben tener un C ID único, mientras que el MC ID puede ser compartido con otros ROIs. En el panel de Clasificación es posible elegir entre la clasificación MC ID y C ID. 
Con el fin de crear un ROI, en la panel de creación ROI hacer clic en el botón “+” junto a “ROI creation”  y, a continuación, hacer clic en cualquier píxel de la imagen; acercar el mapa lo suficiente para ayudarse en la identificación de las coberturas.
En “ROI signature definition” escriba una breve descripción del ROI dentro del campo de C ID (Información de Clase) y también dentro de la Información de Macroclases (MC ID),  es decir asignar un ID Macroclass y un  ID Clase (es posible cambiar el nombre y cambiar estos códigos después desde “ROI list”, el cual  también cambia los valores en el archivo Shapefile de entrenamiento).

Figura 22: Generando  las Clases de los ROIs


Con el fin de salvar el ROI del archivo shapefile de entrenamiento, hacer clic en el botón “Save ROI”; si la casilla de verificación “Add sig. list” está marcada, entonces las firmas espectrales son calculadas (la media de los valores de los píxeles del ROI para todas las bandas) y se añade a la tabla de la lista de firmas; también, es posible añadir firmas más tarde, resaltando los ROIs de la lista y haciendo clic en “Add to Signature” (si dos o más regiones de interés (ROI)  tienen el mismo MC ID y C ID, una firma espectral única se calcula considerando todos los píxeles que están alrededor de esas regiones de interés).

Figura 23: Grabando la lista de los ROIs generados por clases

Dentro del panel SCP: Classification podemos definir el color de las clases que se utilizarán en la clasificación, para ello hacer doble clic sobre la columna de color en la lista de firmas “Signature list” (la lista de firmas se guarda automáticamente cuando se guarda el proyecto de QGIS, o al hacer clic en el botón “Save” ).

Figura 24: La lista de las firmas espectrales generados ajustando los colores

Debemos repetir los pasos anteriores para cada clase de cobertura del terreno y asignar a cada ROI una nueva ID de clase de manera incremental, y de las siguientes ID de Macroclases:

  • Suelo (por ejemplo, desnudo, rocoso): MC ID = 1
  • Vegetación (por ejemplo, árboles, cultivos): MC ID = 2
  • Agua (por ejemplo, río): MC ID = 3
  • Construcción (por ejemplo, viviendas, asfalto): MC ID = 4

El SCP  permite realizar vistas previas de clasificación, a fin de evaluar muy rápidamente los resultados de la clasificación. Estas vistas previas de Clasificaciones son útiles durante la recolección de ROIs, y para la selección de las firmas espectrales más precisas. Si los resultados de las vistas previas se consideran buenas (es decir, las clases se identifican correctamente), la clasificación de la totalidad de la imagen se puede realizar. Por otra parte, es posible eliminar una o más firmas espectrales, o añadir nuevas firmas espectrales creando otros ROIs tal como se describe en los pasos anteriores.
En el panel de Clasificación, dentro “Classification Preview” puedes colocar por ejemplo Set size = 200 (es decir, al lado de la vista previa de clasificación en unidades de píxeles), y luego seleccionar uno de los algoritmos disponibles, para nuestro caso consideramos que “Minimum Distance” obtuvo los mejores resultados; hacer clic en el botón +, a continuación, hacer clic en una zona de la imagen; después de unos segundos, se mostrará la vista previa de clasificación. 

Figura 25: Pre-visualización del resultado de clasificación


Para llevar a cabo la clasificación final, hacer clic en el botón “Perform Classification” y seleccionar dónde desea guardar la salida. Para nuestro caso se optó que el resultado se mostrara a nivel de Macroclases, por lo tanto la pestaña que indica "Macroclass ID", estaba activada. Finalmente se obtuvo lo siguiente:

Figura 26: Resultado final de la Clasificación de coberturas



Paso 3: Reclasificación de los valores de clasificación de coberturas por sus valores de emisividad.

Los valores de emisividad (e) se presentan en la siguiente tabla (éstos valores son indicativos ya que se deben obtener de estudios de campo):

Superficie de la tierra
Emisividad (e)
Suelo
0.93
Vegetación
0.98
Construcción (Brick: masonry)
0.94
Agua
0.98


Con estos datos se requiere realizar la reclasificación, para lo cual vamos a trabajar con la "Caja de herramientas de procesado", empleando uno de los algoritmos de SAGA "Reclassify grid values".

Figura 27: Ubicación del algoritmo de SAGA para realizar una Reclasificación


Una vez que definimos el ráster de entrada que sería el resultado de nuestra clasificación de coberturas, dentro de las opciones sobre los métodos que nos presenta vamos a elegir "Simple table", para lo cual vamos a requerir rellenar una tabla (5x3) con los valores de la clasificación para ser cambiados con los valores de emisividad.

Figura 28: Generando una tabla 5x3 para realizar la reclasificación


Con todo ello obtendremos el siguiente resultado en el QGIS:

Figura 29: Resultado final de la reclasificación.


Paso 4: Convertir la temperatura de brillo del satélite (brightness temperature) a la temperatura de la superficie de la tierra.


La emisividad corregida por las temperaturas de la superficie del suelo  (The emissivity-corrected land surface temperatures - LST), puede ser calculado con la siguiente formula desarrollado por: Artis and Carnahan 1982 (2), Weng et al. 2004 :



Donde:

TB = The radiant surface temperature (K)
λ = Wavelength of emitted radiance (ver tabla)
ρ = h x c/ σ (1.4386 10-2 mK)
σ = Boltzmann’s constant (1.38 x 10-23 J K-1)
h = Planck’s constant (6.626 x 10-34 Js)
c = the velocity of light (2.998 x 108 m s-1)
ε = Emisividad espectral


Los valores de λ para las bandas termales del satélite Landsat están listados en la siguiente tabla:


Satellite
Band
Center wavelength (µm)
Landsat 4, 5, and 7
6
11.45
Landsat 8
10
10.8
Landsat 8
11
12
Para profundizar en el tema recomiendo revisar la siguiente investigación:



Para nuestro caso vamos a trabajar con la Calculadora ráster del QGIS, en donde introduciremos la siguiente formula:

b / (1 + (10.8 * b / 14380) * ln(a))

Donde a  es el ráster obtenido de la reclasificación y b es el ráster de la temperatura de brillo.

Figura 30: Empleo de la calculadora ráster del QGIS



Finalmente obtendremos el siguiente mapa como resultado de este cálculo, el cual para una mejor visualización se hizo algunos ajustes al estilo.

Figura 31: Resultado final para el cálculo de la temperatura de la superficie de la tierra.



Bueno espero que puedan desarrollar la metodología con los datos presentados o con sus propios datos y de ser posible comenten al respecto. A continuación voy a indicar las referencias que se han revisado y son la fuente principal de la presente entrada y en donde seguro encontraran mayores detalles.

Referencias:









(1) El crecimiento de regiones es un proceso de segmentación contextual tendiente a separar objetos específicos de la imagen.
(2) Artis, D. A., & Carnahan, W. H. (1982). Survey of emissivity variability in thermography of urban areas. Remote Sensing of Environment, 12, 313– 329

21 comentarios:

Unknown dijo...

Excelente post. Estoy preparando un tutorial para clases sobre el plugin y quisiera pedirte si es posible adaptar el contenido que has creado, obviamente reconociéndote como autor y dando la atribución correspondiente.

carlos carbajal dijo...

Hola Daniel, me da gusto que puedas difundir sobre las ventajas de este plugin, adelante y éxitos.

Anónimo dijo...

Hola! en el momento que intento hacer un raster clipped el proceso se interrumpe y no puedo seguir con la práctica. El error es debido a phyton...mi versión de qgis de la Pisa 2.10.
Muy buenos tutoriales!! lastima que esta última práctica no haya podido hacerla...

carlos carbajal dijo...

De acuerdo a lo que me indicas no lograste realizar la fase de pre-procesamiento de imágenes al no poder hacer el recorte simultáneo de la zona de interés, te recomiendo intentar hacerlo empleando otras herramientas del QGIS para que luego puedas trabajar con el plugin.

Anónimo dijo...

Ya se porque era....tenía un acento en una carpeta....escribir bien y la informática no se llevan...

Pablo Caparrós dijo...

Hola Carlos, disculpas soy nuevo en esto y no entiendo de donde esta sacando las coordenadas? Como se de donde sacarlas?

carlos carbajal dijo...

Hola Pablo, con respecto a las coordenadas, la misma herramienta te permite seleccionar coordenadas en relación a una cobertura de fondo, esto se aprecia mejor en la Figura 8, debes seleccionar los extremos superior izquierdo (UL) e inferior derecho (LR).

Cuencologos de América dijo...

Hola mucho gusto, estoy interesado en el plugins, existe algún manual en español sobre como hacer la clasificación de suelos?

carlos carbajal dijo...

Estimado, por el momento no he visto que exista un manual en español para realizar clasificación de suelos usando este plugin.

Unknown dijo...

Hola, excelente post, tengo una duda ¿en la simple table el valor correspondiente a "maximun" donde se obtiene? Gracias.

carlos carbajal dijo...

Hola Enzo, disculpa la demora en responder tu inquietud. Los valores "Maximun" simplemente corresponden al valor máximo anterior a la siguiente codificación de macroclase, acuérdate que en la clasificación se determino 4 Macroclases, pero al hacer una reclasificación debemos cambiar estos valores.

Saludos,

Unknown dijo...

Perfecto, muchas gracias, excelente blog!!

Anónimo dijo...

Hola,
Yo utilizo esta aplicación para descarga de imágenes Sentinel-2 y tengo algunas cuestiones acerca de su uso que a lo mejor me pueden resolver.
1. A la hora de realizar las descargas el apartado de "Filtro" para qué sirve exactamente.

2. Al realizar una primera búsqueda general de la zona de interés aparece una lista con diversa información de las imágenes disponibles. ¿Cómo puedo copiar esta información, o guardarla como un archivo csv o ascii?

Gracias
Un saludo,

MIKEL

carlos carbajal dijo...

Estimado Mikel,

El Filtro te puede servir si cuentas con el nombre completo de una imagen de interés particular (por ejemplo: S2A_OPER_PRD_MSIL1C_PDMC_20160419T190217_R022_V20160419T101026). Para el otro punto, he comprobado que no se puede exportar a un archivo de texto, pero si existe en la parte inferior, la opción para exportar la lista de acceso a la imágenes vía web, los cuales inician con https://scihub.copernicus.eu/apihub/odata/v1/Products...

Saludos,

Anónimo dijo...

Buenos días Carlos,

Muchas gracias. Es verdad que se puede exportar la lista de acceso, pero para mi caso en particular no es de utilidad
Muchas gracias,

Un saludo

MIKEL

Unknown dijo...

Hola Carlos,

He estado haciendo uniones de capas vectoriales, pero al parecer tienen algunos problemas, no sé si deba depurarlas antes. Hay algún correo donde podamos hacerte consultas específicas?

Gracias de antemano!

Vania Gasco

carlos carbajal dijo...

Hola Vania,

En relación a tu consulta, unir capas vectoriales que cuenten con el mismo sistema de referencia y los mismos campos de datos no debería tener mayores problemas. Pero si deseas me puedes escribir a cmcarbajal@gmail.com

saludos,

Unknown dijo...

Hola buenas noches, tengo una pregunta, como puedo hacer en el SCP, para que viendo tome una muestra ROI PUEDA VER SI HAY OTRAS MUESTRAS QUE TIENEN LAS MISMAS CARCATRTISTICAS, E EN UNA IMAGEN QUE ESTA RECORTADA?

carlos carbajal dijo...

No capto muy bien la consulta, pero al parecer quieres hacer una selección múltiple de ROI que presenten las mismas características o tipos de superficie. Hace tiempo que no vengo usando este plugin, pero no creo que exista dicha opción si es lo que estoy pensando que sea tu duda.

Unknown dijo...

Hola que tal, yo requiero trabajar en la firma espectrales de una clasificación que ya generé en otro sofware. ahora tengo las muestras para hacer la firmar pero estan en shape, aqui me lo solictan en SCPfile, mi pregunta es como puedo pasar el shape a ese formato de archivo. o si puedo importar ese shape a roi para no hacerlo manualmente.

carlos carbajal dijo...

Estimado, por lo que me indicas tienes un Shapefile que contiene digamos los datos de entrenamiento con el tipo de cobertura definida. En este caso te recomiendo que lo superpongas y sobre esos mismos redibujarlos, claro si son pocos sitios muestreados, porque estoy viendo que solo acepta SCPFiles.