PARASIDParallel Analysis of Satellite data for human Impact Detection

Louis Reymondin , Andy Jarvis, Karolina Argote, Jerry Touval.

Monitoreo en tiempo real de cambios en el

habitad usando Redes neuronales y datos MODIS.

La intensidad del verde de la vegetación sigue un ciclo natural quedepende de factores climáticos (precipitación, temperatura),variables de sitio (tipo de vegetación, características del suelo) y delas alteraciones.

Enfoque Conceptual

PARASID es un modelo capaz de predecir la evolución de la

intensidad verde de la vegetación, con base a medidas de

verde anteriores y a medidas climáticas actuales para

detectar cambios significativos en el habitad.

Rondonia,

Brasil.

Año 2000

Año 2008

Imagen Tomada por

el Satélite Terra de la

NASA.

Metodología

Limpieza

Clustering

Selección aleatoria de píxeles.

Entrenamiento de los

Modelos

Medidas NDVI anteriores y

(MODIS13Q1), Precipitación

(TRMM) y Temperatura

(WorldClim).

Medida NDVI

actual

Limpieza

Diferencia entre el

NDVI actual y

la Predicción

¿Esta en el intervalo

de confianza?

Sin Cambio

en el Píxel

Cambio en

el Pixel

Mapas de las

probabilidades de

cambio

Mapas de los

Cambios Detectados

SiNo

Reglas

Predicción NDVI actual

NDVI

NDVI Limpio TRMMClúster

Quality

Probabilidades

• Predicciones

– Bayesian Neural Network (BNN)

• Entrenamiento y aproximación del ruido

– Scaled Conjugate Gradient (SCG)

– Bayesian evidence function

– Gaussian noise

• Selección de las entradas del modelo

– Automatic relevance determination (ARD)

• Clustering

– Algoritmo de K-Means modificado, para ser distribuido en variosprocesadores.

– De cada uno de los clústers se selecciona aleatoriamente 1000 pixelescon los cuales se entrenan 10modelos….Reduciendo así el tiempo deproceso.

LOS MODELOS

Limpieza de Datos

• Elimina todas las variaciones a corto plazo (< 3 meses)

• Ajuste iterativo de curvas limpias usando:

Los datos de cualidad de MODIS

Análisis de Fourier

Ajuste de mínimos cuadrados con valores de alta calidad

Para detectar los cambios, las Redes Neuronales Bayesianas dan tres

indicadores: el valor predicho , la desviación estándar de las

predicciones del modelo sobre la función real, el nivel de ruido

(Gausiano) de la medida del satélite.

Detección de Cambios

4500

5000

5500

6000

6500

7000

7500

8000

8500

9000

1 2 3 4 5 6 7 8 9Time

ND

VI

Measurments

Predictions

Interval max

Interval min

4500

5000

5500

6000

6500

7000

7500

8000

8500

9000

1 2 3 4 5 6 7 8 9Time

ND

VI

Measurments

Predictions

Interval max

Interval min

Cambio

CASOS DE ESTUDIO

Area de Cambio

3’310.198 ha/año

De los cuales 2.774.227Ha/año

corresponde a Brasil (84%) y 419.603Ha/año

a Bolivia (13%).

Detección en la Amazonía

0.0%

0.5%

1.0%

1.5%

2.0%

2.5%

3.0%

3.5%

4.0%

2004 2005 2006 2007 2008 2009Are

a D

efo

resta

da

/Are

a A

na

liza

da

Tiempo

% Deforestacion

Bolivia

Brazil

Colombia

Peru

Guyana Fran.

Venezuela

Surinam

Guyana

Ecuador

-0.05%

0.00%

0.05%

0.10%

0.15%

0.20%

0.25%

0.30%

0.35%

2004 2005 2006 2007 2008 2009

Are

a D

efo

resta

da

/Are

a A

na

liza

da

Tiempo

% Deforestacion

Colombia

Peru

Guyana Fran.

Venezuela

Surinam

Guyana

Ecuador

Detección en la Amazonía

Area de Cambio

385.490 Ha/año

Las mayores tasas de cambio corresponden a los departamentos

de Bolívar y Santander debido a eventos de

inundaciones en estos años.

Detección en Colombia

0

500000

1000000

1500000

2000000

2500000

2004 2005 2006 2007 2008 2009

Are

a d

e c

am

bio

(H

ec

táre

as)

Tiempo

Detección Deforestación en Colombia

Deteccion …Deteccion Anual

0

50000

100000

150000

200000

250000

300000

350000

2004 2005 2006 2007 2008 2009

Are

a d

e C

am

bio

(H

ec

táre

as)

Tiempo

Departamentos con Deforestación > 12000Ha/año

BOLÍVAR

SANTANDER

ANTIOQUIA

CAQUETÁ

META

MAGDALENA

CHOCÓ

CESAR

CAUCA

NARIñO

VALLE DEL CAUCA

Detección en Colombia

Objetivos a Corto Plazo…

• Uso de datos diarios de MODIS para reducir la incertidumbre por nubosidad, y

lograr una mayor cobetura.

• Validación de resultados con estudios detallados de LANDSAT, ASTER … (entre

otros de mayor resolución que MODIS) y validación usando datos de campo.

• Discriminar las inundaciones usando otras bandas de MODIS para pixeles con

agua. Y discriminar detecciones debidas a reforestación y a deforestación.

• Análisis detallados de patrones de perdida de hábitat a nivel nacional,

departamental, y en áreas protegidas en Latino América.

• Resultados de detecciones en Latino-América disponibles de manera gratuita

en nuestro sitio web www.parasid.org

Gracias!