producción del Índice de clasificaciones de agua

Producción del Índice de Clasificaciones de Agua Superficial desde el EspacioICASELandsat

Documento metodológico

Conociendo México

800 111 4634 www.inegi.org.mx

[email protected]

INEGI Informa @INEGI_INFORMA

Registro en trámite

2021, Instituto Nacional de Estadística y Geografía

Edificio Sede

Avenida Héroe de Nacozari Sur 2301

Fraccionamiento Jardines del Parque, 20276 Aguascalientes,

Aguascalientes, Aguascalientes, entre la calle INEGI,

Avenida del Lago y Avenida Paseo de las Garzas.

Catalogación en la fuente INEGI:

623.893 Instituto Nacional de Estadística y Geografía (México).

Producción del índice de clasificaciones de agua superficial desde el espacio :

ICASE : Landsat : documento metodológico / Instituto Nacional de Estadística y

Geografía.-- México : INEGI, c2021.

21 p.

1. Sistema de posicionamiento global - México. 2. Satélites artificiales en

navegación - Metodología.

Instituto Nacional de Estadística y Geografía

Producción del índice de clasificacionesde agua superficial desde el espacio

ICASELandsat

Documento metodológico

2

Presentación

Este documento describe la metodología para la generación del producto geográfico experimental Índice de Clasificacio-nes de Agua Superficial desde el Espacio (ICASE) Landsat. El ICASE Landsat es un producto de análisis geoespacial expe-rimental que proporciona información sobre la presencia de agua superficial en el territorio mexicano. El producto consiste en una colección mosaicos nacionales que corresponden a distintos pe-riodos, principalmente anuales, desde 1984 hasta 2020. Cada mosaico ICASE es un mapeo del nivel de la presencia de agua identificada en imágenes satelitales Landsat mediante un árbol de decisión que considera las bandas espectrales, así como ra-zones de diferencias normalizadas.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

Producción del Índice de Clasificacionesde Agua Superficial desde el Espacio

ICASE LandsatDocumento metodológico

3

Índice

Introducción................................................................................ 4

1. Metodología para la generación del indicador WOfS......... 5

1.1 Criterios de calidad............................................................. 6

1.2 Método de clasificación...................................................... 7

1.3 Cómputo del indicador WOfS.............................................. 8

2. Construcción del ICASE......................................................10

2.1 Imágenes Landsat en el CDGM...........................................10

2.2 Cálculo del ICASE Landsat................................................. 12

2.3 Colección de mosaicos nacionales.....................................13

3. Casos de uso...................................................................... 15

3.1 Uso al interior del INEGI..................................................... 15

3.2 Generación de estadística oficial........................................ 17

3.3 Potencial uso para la prevención de riesgos...................... 18

3.4 Áreas de oportunidad del ICASE........................................ 19

Referencias............................................................................... 21

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

4

Introducción

Los métodos de detección de agua a partir de imágenes de satélites ópticos generalmente aprovechan la capacidad de absorción que tiene el agua sobre las longitudes de onda más largas de luz, especialmente las partes infrarrojas de onda corta y cercana del espectro electromag-nético. Muchos de estos métodos han demostrado ser confiables a escalas locales y regionales. El Índice de Clasificaciones de Agua Su-perficial desde el Espacio (ICASE) Landsat es un producto de análisis geoespacial experimental a nivel pixel, que proporciona información sobre la presencia de aguas superficiales a lo largo de todo el territorio nacional.

El método propuesto para la construcción del ICASE Landsat aprovecha el árbol de decisiones y los criterios de calidad, a nivel pixel utilizados para el producto conocido como Observaciones de Agua desde el Espacio o WOfS (Water Observations from Space). Des-pués de clasificar cada observación, es decir, cada pixel dentro de las imágenes satelitales, se calcula la frecuencia relativa como porcentaje de presencia de agua en un periodo determinado.

Es otras palabras, el producto ICASE Landsat muestra la fre-cuencia con la que el clasificador indicó presencia de agua a lo largo de un periodo particular. Las imágenes utilizadas para la generación de este producto tienen una resolución de 30 m por pixel, y forman parte del acervo de imágenes del Cubo de Datos Geoespaciales de Méxi-co (CDGM), presentado en (INEGI, 2020). A continuación, se detallan los distintos aspectos técnicos y metodológicos incorporados para la construcción del ICASE.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



5

1. Metodología para la generación del indicador WOfS

El proceso computacional implementado para obtener el producto ICASE Landsat se basa en el algoritmo WOfS propuesto en (Mueller, N. et al., 2016); en esta propuesta se elige como clasificador un árbol de decisiones que ofrece una alta precisión en muchos entornos al tiempo que permite un procesamiento rápido, adecuado para aplicaciones a gran escala

El punto de partida de este algoritmo es un árbol de decisiones que clasifica cada pixel de las imágenes en dos clases que dan cuenta de la presencia o ausencia de agua en la superficie {W, NW}. El algo-ritmo original fue desarrollado con la finalidad de clasificar todos los pixeles de imágenes Landsat disponibles, que correspondían al conti-nente australiano. Por esta razón, se tuvieron las siguientes considera-ciones generales para el algoritmo:

• Robustez respecto a condiciones climatológicas y efi-cacia en la identificación de cuerpos de agua intermi-tentes: Australia presenta multiplicidad de climas tales como tropical, subtropical, desértico, semidesértico y templado.

• Eficiencia computacional: dada la intención inicial de procesar una basta colección de imágenes conside-rando la extensión de Australia (7 656 127 km2) y la cobertura temporal de capturas (28 años en el caso del ejercicio presentado en (Mueller, N. et al., 2016).

• Facilidad de interpretación: representación compren-sible incluso para personas no expertas.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

6

1.1 Criterios de calidad

Para producir el indicador WOfS se consideran cuatro criterios que de-terminan si una observación dada tiene una calidad adecuada para ser considerada válida. Dado un pixel en una imagen Landsat, una ob-servación válida es aquella que cumple cada uno de los siguientes criterios:

C1. Saturación de pixel: se descarta todo pixel que se identifi-que como sobresaturado o subsaturado de acuerdo con el análisis de las bandas espectrales, considerando produc-tos L1 definidos en el Product Generation System (LPGS).

C2. Contigüidad de las bandas: solo se considera el pixel que presente valores válidos en cada banda.

C3. Nubes y sombras de nubes: se excluye todo pixel que co-rresponda a nubes o sombras de nubes de acuerdo con su metadato.

C4. Sombras de terrenos: se excluye todo pixel que presente características propias de las sombras inducidas por el re-lieve del terreno.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



7

1.2 Método de clasificación

El clasificador es el resultado de entrenar un árbol de regresión que uti-liza como conjunto de entrenamiento 20 imágenes de 4 000 x 4 000pixeles, del continente australiano, etiquetadas manualmente de acuer-do con lo reportado en (Mueller, N. et al., 2016). Para cada imagen se consideran todas sus bandas espectrales, así como razones de dife-rencias normalizadas.

El arbol de regresión determina una función ѱ(°) que asigna a cada observación alguna de las dos posibles clases {W, NW}; estas clases hacen referencia a la presencia de agua superficial (W) o a su au-sencia (NW). Posteriormente, las clases se codifican con valores {1, 0}respectivamente, i.e. dado un pixel x el clasificador ѱ(°) lo codifica de la siguiente manera:

( ) = 1 0 {

El código del clasificador ѱ(°) de la metodología de WOfS se puede encontrar en la siguiente liga: https://github.com/GeoscienceAustralia/wofs.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

8

1.3 Cómputo del indicador WOfS

Dado un pixel x, supongamos que se tienen {xt} observaciones váli-das con tϵ{1, …, N}, para distintos momentos durante el periodo de estudio. Para cada observación válida xt, se tiene ѱt= ѱ (xt) ϵ {0,1}, de manera que para cada pixel se puede calcular:

( ) = 1 ∑ ∈{1,…, } .

Adicionalmente, el método para generar el indicador WOfS considera diversos índices previamente propuestos para la identifica-ción de agua superficial {f1, f2, … , fM} que se utilizan para la determi-nación de la presencia de agua mediante una regresión logística de la forma:

( ) = ( 1 1 + ⋯+ + 1 1 + ⋯+ )

Finalmente, el indicador WOfS para el pixel x se determina de la siguiente manera:

( ) = ( ) > > 0

0 {

Al aplicar este procedimiento a todos los pixeles de las imágenes disponibles de un área se obtiene una capa que compendia la presen-cia de agua durante el periodo de estudio.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



9

FIGURA 1Esquema de elementos utilizados para el cómputo del ICASE. Cada pixel de cada tesela es clasificado. Al final se calcula la

capa ICASE como un promedio de las clasificaciones obtenidas en un periodo determinado.

1˚ tesela

Tesela de observacionesen el tiempo

Caparesumen

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

10

2. Construcción del ICASE

Como ya se ha indicado al lector, la colección de mosaicos ICASE Landsat se basa en la metodología presentada en (Mueller, 2016).

Para la primera edición del producto ICASE Landsat (2021), se analizaron 132 030 imágenes Landsat compuestas que cubren los años 1984 a 2020 a una resolución de 30 m en el suelo, con las que se generaron 30 mosaicos, anuales en su mayoría.

2.1 Imágenes Landsat en el CDGM

El análisis espacio-temporal a escala nacional requerido para la ge-neración de este producto plantea una serie de desafíos de acceso de datos e infraestructura. Primero, se deben recolectar suficientes observaciones asociadas a la región geográfica y periodo de interés. Posteriormente, se requiere contar con la capacidad de cómputo su-ficiente para procesar estos grandes volúmenes de datos. El CDGM proporciona una cobertura consistente de imágenes satelitales Land-sat, a largo plazo y de todo el territorio nacional (INEGI, 2020), así como los recursos de cómputo requeridos para su análisis.

Para la construcción del ICASE se utilizaron todas las imágenes Landsat disponibles que datan de 1982 hasta 2020. Estas imágenes cubren repetidas veces la totalidad del país. En los últimos años, el territorio nacional es cubierto cuarenta veces al año en promedio. En otras palabras, de cada pixel de una imagen Landsat reciente, se tie-nen en promedio cuarenta observaciones anuales; siendo este pixel la representación de una región cuadrangular de 30 m por lado del territorio.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



11

FIGURA 2El principal insumo del ICASE es la colección de imágenes

Lansat que datan de 1982 hasta 2020.

Las imágenes se encuentran almacenadas y son consumidas desde el CDGM (INEGI, 2020). El CDGM es una instancia del Open Data Cube (www.opendatacube.org) desarrollado por Geoscience Aus-tralia. El CDGM permite la gestión y el procesamiento de las imágenes Landsat, necesarios para la generación del producto ICASE Landsat. A continuación, se detalla el cálculo realizado para la generación de este producto.

FIGURA 3Principales elementos del ecosistema en torno al CDGM.

Ejemplos:

Datossatelitales

Dependiendo de tu aplicación el Open Data Cube puede ser desplegado en plataformas de cómputode alto rendimiento, infraestrucura en la nube oinstalaciones locales. Las instalaciones normalmentecorren en sistemas Linux, MacOS, and Windows.

Desarrolloflexible

Ejemplos:

∙ Deforestación.∙ Calidad del agua.∙ Mineria ilegal.

Desicionesinformadas

Núcleo Algoritmos Aplicaciones

Software para el manejo y análisis de datos geoespaciales

∙ Landsat.∙ Sentinel.∙ MODIS.

Ecosistema de la herramienta ODC

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

12

2.2 Cálculo del ICASE Landsat

El cáculo del ICASE Landsat sigue algunos de los procedimientos en la metodología de WOfS. El código implementado para el ICASE ejecuta el criterio de calidad C3 de dicha metodología, descrito previamente. Además, se aplican criterios de calidad para evitar defectos de proyec-ción de las imágenes no identificados en los metadatos. En la figura 4 se aprecia el efecto de las correcciones mencionadas.

Supóngase que para cada pixel x se tienen {xt} observaciones válidas con tϵ{1, …, N} en distintos momentos durante el periodo dado. Para cada pixel x se calculan {xt} observaciones válidas con tϵ{1, …, N} y para cada xt observación válida, se calcula ѱt= ѱ (xt) ϵ {0,1} donde ѱ(°) es el clasificador de WOfS, previamente descrito. De manera que, para cada pixel se tiene una serie de valores {ѱ1, ѱ2, … , ѱN}. Finalmente, el ICASE se calcula de la siguiente manera:

( ) = 1 ∑ ∈{1,…, } .

(a) (b)

FIGURA 4En (a) se muestra la capa ICASE previo a la aplicación de correcciones; se observa

la figura del lago de Chapala como una sombra en la parte superior. En (b) ya se han aplicado las correcciones; se muestra el valor S(x) .

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



13

2.3 Colección de mosaicos nacionales

La primera entrega del producto de análisis geoespacial experi-mental ICASE Landsat consiste en una colección de mosaicos nacionales raster, cada uno de los cuales contiene una capa con el índice que fue calculado para la serie de tiempo {xt}, de cada pixel x.

Adicionalmente, a lo largo del análisis de la serie de tiempo {xt}, se genera un conteo del número de pixeles clasificados y del número de veces en los que se clasificó un pixel en la clase (W). Dichos valores se incluyen en los mosaicos como información complementaria, el to-tal de pixeles que fueron clasificados como agua se incluye en la capa 2, y el total de pixeles que fueron clasificados, sin importar el resultado de su clasificación, se incluye en la capa 3.

Cada mosaico se construye con las observaciones válidas en distintos periodos. Los primeros dos mosaicos corresponden a perio-dos multianuales, el primer periodo es de 1984 a 1989 y el segundo periodo de 1990 a 1992 y posteriormente, para cada año desde 1993 a 2020 se genera un mosaico nacional.

En la figura 5 se muestra una tesela del ICASE Landsat por cada uno de los periodos considerados. Para producir el ICASE Landsat con todas la imágenes almacenadas en el CDGM, para un año completo, el tiempo de procesamiento es de 20 horas en promedio. El resultado final tiene un tamaño de 3.5 GB aproximadamente.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

14

FIGURA 5Porción del ICASE en los productos en cada periodo disponible.

La escena corresponde a la presa Presidente Calles de San José de Gracia, Aguascalientes.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



15

3. Casos de uso3.1 Uso al interior del INEGI

La Dirección de Recursos Naturales (DRN), adscrita a la Dirección General de Geografía y Medio Ambiente (DGGMA), utilizará el ICASE Landsat como un insumo auxiliar en el seguimiento y monitoreo de cuerpos de agua en el país, especialmente aquellos en los que la re-solución espacial permite detectar variaciones en extensión superficial (vaso de la presa, lagos, lagunas, ríos, entre otros) ver figura 6.

Para ello, se hace uso de la capa 1 (ICASE) para identificar la dinámica de las aguas superficiales; y de las capas 2 y 3, como capas de verificación de lecturas de agua en cada pixel.

Con el uso del ICASE como insumo principal y la Geomediana (Geomediana Landsat (2020)) como apoyo visual para verificación, es posible hacer análisis temporales, de manera regional o individual, de cuerpos de agua, con el fin de evaluar y entender su comportamien-to, tomando como parámetros elementos morfológicos, estadísticos y estacionales.

A su vez, el ICASE ayuda en los trabajos de revisión conceptual en áreas de la DRN, especialmente proyectos relacionados con el pro-ducto Datos de Cuerpos de Agua, escala 1:50 000 de 2010. Se usa en procesos de interpretación visual y en técnicas de análisis y procesa-miento de datos de sensores remotos y otras imágenes. Dentro de los usuarios internos se encuentran los especialistas de la Subdirección de Geohidrología, que lo usan como complemento en proyectos relacio-nados con agua, por ejemplo, humedales.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

16

(a)

(b)

(c)

FIGURA 6(a) Lago Cuitzeo, Michoacán de Ocampo 2015; (b) Lago Yuriria,

Guanajuato 2015; (c) Río Usumacinta, Tabasco 2015.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



17

3.2 Generación de estadística oficial

En concordancia con la estrategia propuesta por la ONU en la genera-ción de indicadores de Objetivos de Desarrollo Sostenible, en (Ornelas et al., 2019) se propone el uso del indicador WOfS para el cómputo del indicador SDG 6.6.1.

En esta propuesta se hace una distinción entre aquellos pixeles que muestran una clara presencia de agua y se excluyen aquellos pixeles con valores no representativos o que no corresponden a ubica-ciones dentro de los cuerpos de agua registrados.

Considerando aquellos pixeles con clara presencia de agua se puede calcular la extensión de cuerpos de agua en la superficie. La siguiente fórmula se puede aplicar a cada año de estudio, para calcular el cambio porcentual en la extensión espacial (PCSE) del agua superficial:

=−

∗ 100

donde γ es la extensión observada en el año de estudio y β es el prome-dio de la extensión espacial en los cinco años anteriores.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

18

3.3 Potencial uso para la prevención de riesgos

La Coordinación Nacional de Protección Civil, el CENAPRED y las dependencias estatales de Protección Civil podrían utilizar este producto como un auxiliar para la detección de áreas que en al-gún momento han estado inundadas. El ICASE, acompañado de procesos de validación, podrá ser un insumo importante a activi-dades o proyectos de prevención, atención y caracterización de áreas susceptibles a desastres por inundaciones (ver figura 7).

FIGURA 7

Inundaciones en Tabasco (a) 2007, (b) 2018 y (c) 2020.

(a) (b)

(c)

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



19

3.4 Áreas de oportunidad del ICASE

Se hacen las siguientes consideraciones para atenuar las áreas de oportunidad identificadas. En cuanto a la resolución del producto ICASE, se puede dar una recomendación muy concreta, que es to-mar en cuenta un nivel de pertinencia congruente con la resolución del producto; es decir, aplicar los análisis a todo lo que sea superior en un promedio a la resolución espacial de Landsat (30 m).

Es posible considerar que la mayoría de los ríos van a ser repre-sentados deficientemente. Para el caso de la observación en zonas de ríos de cauces menores, se recomienda utilizar una capa control que se considere conveniente (red hidrográfica nacional, capa de cuencas de CONAGUA, entre otras).

FIGURA 8Errores de bandeo heredados de imágenes Landsat 7.

Tabasco, México, 2007.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

20

Otra potencial herramienta para asistir en zonas de pendientes pronunciadas es el considerar un Modelo Digital de Elevación, que en algunos casos podría ser útil. Sin embargo, es importante considerar que el MDE se construyó sobre un año específico y, aunque el relieve no cambia mucho, lo que sí cambia es la distribución del agua a través del terreno.

Por lo tanto, esta no es una estrategia prudente o eficiente para todos los casos, ya que hay muchas zonas en las que existen presas en sistemas montañosos, y si se aplicara un filtro de pendiente podría ocurrir que se descarten esos cuerpos de agua.

FIGURA 9Falsos positivos causados por pendientes elevadas,

sombras o zonas urbanas. Sierra Madre Oriental, Monterrey, Nuevo León, 2010.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.



21

Referencias

Adam Lewis et al., The Australian Geoscience Data Cube — Foundations and lessons learned, Remote Sensing of Environment, Volume 202, 2017, Pages 276-292, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2017.03.015.

Huang, C., Chen, Y., Zhang, S., & Wu, J. (2018). “Detecting, extracting, and moni-toring surface water from space using optical sensors: A review”. Reviews of Geophysics, 56(2), 333-360. https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2018RG000598

INEGI, Cubo de Datos Geoespaciales de México (CDGM (2020), https://www.inegi.org.mx/contenidos/investigacion/geomediana/doc/cubo_de_datos.pdf

INEGI, Producción y publicación de la Geomediana Nacional a partir de imágenes del Cubo de Datos Geoespaciales de México. Documento metodológico (Geome-diana Landsat (2020)), https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/bvinegi/productos/nueva_estruc/702825198763.pdf

Isikdogan F., Bovik A. C. and Passalacqua P., "Surface Water Mapping by Deep Learning," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 11, pp. 4909-4918, Nov. 2017, https:// ieeexplore.ieee.org/document/8013683.

Pekel, JF., Cottam, A., Gorelick, N. et al., “High-resolution mapping of global surface water and its long-term changes”. Nature. 540, 418-422 (2016), https://doi.org/10.1038/nature20584.

Michael A. Wulder et al., “Current status of Landsat program, science, and applica-tions”, Remote Sensing of Environment, Volume 225, 2019, Pages 127-147, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2019.02.015.

Mueller, N. et al., “Water observations from space: Mapping surface water from 25 years of Landsat imagery across Australia”, Remote Sensing of Environment, Volume 174, 2016, Pages 341-352, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2015.11.003.

Ornelas De Anda José Luis, Camacho Pérez Juan Carlos, and Sánchez Miranda Hugo Alfredo. Open Data Cube for Natural Resources Mapping in Mexico. Proceedings of the 1st International Conference on Geospatial Information Sciences. Vol. 13. 2019.

INEG

I. Pr

oduc

ción

del

Índi

ce d

e C

lasi

ficac

ione

s de

Agu

a Su

perfi

cial

des

de e

l Esp

acio

. IC

ASE.

Lan

dsat

. Doc

umen

to m

etod

ológ

ico.

producción del Índice de clasificaciones de agua

Documents