Mejoramiento Calidad Imagen Hinestroza 2012

MEJORAMIENTO DE LA CALIDAD DE IMÁGENES MODIS POR MEDIO DE
SERIES DE TIEMPO USANDO LA HERRAMIENTA TiSeG.
CARLOS ANDRÉS HINESTROZA GÓMEZ
UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN
FACULTAD DE INGENIERÍAS
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA
MEDELLÍN
2012
SERIES DE TIEMPO USANDO LA HERRAMIENTA TiSeG.
CARLOS ANDRÉS HINESTROZA GÓMEZ
Trabajo de grado presentado para optar al título de Especialista en Sistemas

de Información Geográfica.
Asesor
Ing. German Mauricio Valencia Hernández
UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN
FACULTAD DE INGENIERÍAS
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA
MEDELLÍN
2012
Nota de aceptación
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
Firma del jurado
__________________________
Firma del jurado
Medellín, 13 de diciembre de 2012

AGRADECIMIENTOS
A mi asesor el Ingeniero German Mauricio Valencia Hernández por su ayuda y

aportes en todo el proceso.
A la Universidad de San Buenaventura, especialmente a la Facultad de

Ingenierías por la oportunidad de terminar esta especialización.
CONTENIDO
INTRODUCCIÓN ..................................................................................................... 9
1. OBJETIVO ...................................................................................................... 10
2. ESTADO DEL ARTE ...................................................................................... 10
3. MARCO TEÓRICO ......................................................................................... 19
3.1 SENSOR MODIS. ..................................................................................... 19
3.1.1 Especificaciones sensores MODIS. .................................................... 20
3.1.2 Datos MODIS. ........................................................................................ 21
3.1.3 Nomenclatura datos MODIS. ............................................................... 23
3.2 SERIES DE TIEMPO. ................................................................................... 24
3.2.1 TimeSat. ............................................................................................ 25
3.2.2 Hants. ................................................................................................ 25
3.2.3 TiSeG. .................................................................................................... 26
3.2.4 TimeStats. ............................................................................................. 28
3.3 ENFOQUES PARA LA GENERACIÓN DE SERIES DE TIEMPO. .............. 28
3.3.1 Composición y apilado de la información. .................................... 29
3.3.2 Filtrado. ............................................................................................. 29
3.3.3 Datos auxiliares. ............................................................................... 29
3.4 MANUAL PROGRAMA TiSeG. ................................................................ 30
3.4.1 Carga de la información MODIS. ..................................................... 30
3.4.2 Análisis de Calidad. ......................................................................... 33
3.4.3 Interpolación en TiSeG. ................................................................... 43
3.4.4 Análisis Armónico en TiSeG. .......................................................... 46

3.4.5 Otros temas TiSeG. .......................................................................... 46
3.4.6 Post proceso..................................................................................... 46
3.5 PROGRAMA MRT (MODIS Reprojection Tool). .................................... 47
3.5.1 Plataformas. ...................................................................................... 47
3.5.2 Interfaces. ......................................................................................... 47
3.5.3 Datos. ................................................................................................ 48
3.5.4 Formato de archivos. ....................................................................... 48
3.5.5 Tipos de datos. ................................................................................. 48
3.5.6 Proyección de mapas. ..................................................................... 48
3.5.7 Remuestreo. ..................................................................................... 49
3.5.8 Conversión de formato. ................................................................... 49
3.5.9 Herramienta mosaico. ...................................................................... 50
3.5.10 Conversión del Datum. .................................................................... 50
3.5.11 Configuración espectral. ................................................................. 50
3.5.12 Configuración espacial. ..................................................................... 50
3.5.13 Tamaño de los pixeles de salida. .................................................... 51
3.5.14 Metadata. ........................................................................................... 51
4. METODOLOGÍA. ............................................................................................ 52
4.1 DESCARGA DE IMÁGENES MODIS....................................................... 52
4.2 GENERACIÓN DE MOSAICOS Y CAMBIO DE PROYECCIÓN POR

MEDIO DE LA HERRAMIENTA MRT (MODIS REPROJECTION). ................... 60
4.3 GENERACIÓN DE SERIES DE TIEMPO USANDO LA HERRAMIENTA

TiSeG. ................................................................................................................ 64
5. RESULTADOS. ............................................................................................... 75
5.1 Mosaicos MOD13A1 para los años 2006 y 2011. .................................. 75
5.2 Series de Tiempo (MVC) ó valor máximo de composición para pixeles
inválidos y Max gap para el producto MOD13A1. .......................................... 77
5.3 Archivo GEOTIFF de referencia para convertir de HFD a GEOTIFF. .. 91
5.4 Imágenes producto MODIS MOD13A1 Interpoladas para los años

2006 y 2011, ....................................................................................................... 92
6. CONCLUSIONES Y RECOMENDACIONES. ................................................ 99

7. BIBLIOGRAFÍA. ........................................................................................... 101
LISTA DE FIGURAS ........................................................................................... 103
INTRODUCCIÓN
La tierra es un sistema dinámico muy complejo en el cual ocurren intercambios de

materia y energía, los cuales son parcialmente entendidos por el hombre. Los
procesos antropogénicos y el crecimiento desmedido de las fronteras agrícolas
han modificado los hábitats naturales, provocando en muchos de los casos la
pérdida de la diversidad biológica de algunas regiones, cambiando drásticamente
los tipos de coberturas vegetales tanto en extensión como composición. Por esta
razón surge la necesidad de realizar estudios sobre los cambios de cobertura y el
uso de los suelos, los cuales puedan ayudar en la toma de decisiones y a la
planeación futura del territorio.
Unas de las herramientas de mayor importancia que han sido utilizadas en las
últimas tres décadas para el estudio y el análisis de las coberturas vegetales y el
uso del suelo, son las técnicas de teledetección; esta tecnología ha sido de gran
utilidad al momento de monitorear los diferentes fenómenos ya sean naturales o
antrópicos que modifican las coberturas de las diferentes regiones a través de un
periodo de tiempo. Los sensores remotos tienen el potencial de monitorear la
superficie terrestre y toda su dinámica. Con frecuencia, los satélites que observan
la tierra desde el espacio son el único medio que de manera exhaustiva adquiere
información de grandes extensiones para ser empleadas para la valoración del
estado de la superficie del suelo [3].
9
SERIES DE TIEMPO USANDO LA APLICACIÓN TiSeG.
1. OBJETIVO
Utilizar las series de tiempo generadas por la aplicación TiSeG como herramienta
que permita mejorar la calidad de las imágenes MODIS para los índices de
vegetación EVI y NDVI en Colombia, para los años 2006 y 2011.
2. ESTADO DEL ARTE
Entre las imágenes satelitales de baja resolución utilizadas para análisis de

coberturas se encuentran las capturadas por el sensor MODIS (Moderate
Resolution Imaging Spectroradiometer), este sensor fue creado por un equipo
interdisciplinario de científicos con una avanzada experiencia en sensores remotos
[7]. Este sensor se encuentra montado sobre dos plataformas, TERRA y AQUA,
las cuales hacen parte del programa EOS (Earth Observing System) de NASA y
fueron lanzadas en 1999 y 2002 respectivamente. Sus datos cuentan con una alta
sensibilidad radiométrica, buena calidad geométrica y una alta resolución
temporal, características por las cuales las imágenes MODIS se han convertido en
una herramienta importante para el monitoreo de los procesos de cambio de la
tierra. Este tipo de imágenes incluyen los principales índices de vegetación como:
el NDVI (Índice de Vegetación Normalizada), SAVI (Índice de Vegetación Ajustado
al Suelo) y el EVI (Índice de Vegetación Mejorado), este último se utiliza para
minimizar las variaciones del dosel de fondo y mantener la sensibilidad sobre las
condiciones de la vegetación densa, además utiliza la banda azul para eliminar la
contaminación atmosférica producto del humo y las nubes. Las imágenes MODIS
son distribuidas de manera gratuita en algunos portales de internet [7].
10
Con base en los sensores MODIS se elaboran gran variedad de productos como
son el MOcena, para el estudio de los océanos; el MODIS Atmosphere, para el
estudio de la atmosfera; y el MODLAND, para el estudio de la criósfera y las
coberturas terrestres [9]. Estos productos pueden clasificarse en tres grandes
grupos de acuerdo a la variable de interés.
Uno de estos productos está relacionado con el balance de energía, en el cual se

incluyen variables como la reflectancia de la superficie (MOD09), la cobertura de
nieve (MOD10), la temperatura y la emisividad de la superficie de la tierra
(MOD11), el albedo y la función de la distribución de la reflectancia bidireccional
(MOD43).
Un segundo producto incluye variables biofísicas relacionadas con la vegetación

que comprenden los índices de vegetación (MOD13), el índice foliar (o LAI por sus
siglas en inglés) y la fracción de radiación activa fotosintética FPAR (MOD15) y la
producción primaria.
Por ultimo un producto que involucra las características de cobertura terrestre,

entre las cuales se encuentran coberturas del suelo (MOD12), puntos de calor e
incendios forestales (MOD14), conversión de cobertura vegetal en fracción vegetal
(MON44) y áreas quemadas (MOD45).
Los sensores MODIS proporcionan una resolución radiométrica alta, de 12 bits, en

36 bandas del espectro electromagnético que abarcan longitudes de onda desde
0.4 a 14.4 µm. Dos de estas bandas poseen una resolución espacial nominal (en
el nadir) de 250 metros; cinco de 500 metros, y las 29 bandas restantes, de 1
kilómetro. Además posee espejo rotatorio de doble cara que proporciona un FOV
(Field Of View) de ±55°.
Por otro lado es importante tener en cuanta que la órbita del satélite TERRA está
diseñada para pasar el ecuador por las mañanas de norte a sur, mientras que la
del satélite AQUA lo cruza de sur a norte por las tardes. Ambas se sitúan a unos
11
705 kilómetros de altura y proporcionan un ancho de barrido de 2330 kilómetros.
Esto permite observar toda la superficie terrestre cada uno o dos días. Por tanto,
poseen unas características muy adecuadas para mejorar el conocimiento de los
procesos y de la dinámica global que experimenta nuestro planeta [6].
La alta resolución espacial que poseen los sensores MODIS permite la generación
de series de tiempo, ya que es posible obtener imágenes de cualquier punto de la
tierra con intervalos temporales de un día. Herramientas como TimeSat, Hants,
TiSeG y TimeStats fueron diseñadas para la generación de series de tiempos con
datos satelitales, aunque también es posible utilizar otros programas de
estadística que incluyen módulos para el análisis de series de tiempo [9].
La distribución mundial de tierras para cultivar es un interés fundamental para un

amplio grupo de personas. Diferentes cultivos tienen su propia representatividad
de etapas fenológicas durante las estaciones de crecimiento, con diferencias
considerables frente a otros tipos de vegetación natural. Durante la ultima década
las imágenes MODIS se han convertido en una herramienta clave para el
monitoreo de la vegetación por presentar una alta resolución espectral, amplio
alcance y rápida disponibilidad de varios productos. Sin embargo, la mezcla de
pixeles ocasionadas por la resolución espectral moderada produjo errores
significativos en la estimación de áreas de cultivo. Este estudio propuso un Índice
de Cultivo de Proporción Fenológica (CPPI) para expresar cuantitativamente la
relación entre las series de tiempo de índice de vegetación de imágenes MODIS y
el área de cultivo de trigo en invierno. La utilidad de este índice fue probada en
dos áreas experimentales en China. Una alrededor de Tongzhou y otra alrededor
de Shuyang, como distritos representativos alrededor de una Metrópoli y un área
rural. El CPPI presentó un buen desempeño en esas dos regiones, con un error
medio cuadrático (RMSE) en áreas de cultivos fraccionados con predicciones que
van más o menos desde 15% en los pixeles individuales a 5% por encima de 6,25
km2. Las muestras de control contienen mezclas de los tipos de cultivo mitigando
los desafíos en la selección de los miembros finales en un análisis de mezclas
12
espectrales. Un pequeño número de muestras de control son suficientes para
generar el CPPI, que es adaptable a otro tipo de cultivos en grandes regiones. La
estimación de parámetros del CPPI a través de mayores escalas espaciales ayudó
a mejorar la estabilidad del modelo [10].
En el la llanura del norte de China se realizó un estudio para la clasificación de las

coberturas vegetales usando las series de tiempo con imágenes MODIS, las
características fenológicas provenientes de los índice de vegetación EVI y algunos
otros parámetros como son la temperatura de la superficie terrestre y las
características topográficas. Gracias a la alta resolución temporal de las imágenes
MODIS se emplearon las series de tiempo para mejorar la calidad de la
clasificación de las coberturas vegetales. En este estudio se usaron series de
tiempo de análisis armónico (HANTS) relacionadas con series de tiempo de
imágenes MODIS y el índice de vegetación EVI para reducir las nubes y otros
efectos de ruido que presentan las imágenes. La mejor serie de tiempo obtenida
con imágenes MODIS e índice EVI fue la clasificada en 100 grupos por la técnica
de análisis de datos auto organizados iterativamente (ISODATA). Para identificar
las posibles ambigüedades en la clasificación de coberturas del suelo se construyo
un árbol de decisión con cinco características fenológicas derivadas del perfil del
índice EVI, de la temperatura de la superficie de la tierra (LST) y la pendiente
topográfica. La precisión general del mapa final de cobertura del suelo fue del
75.5% con un coeficiente de Kappa de 0,68% confirmando las ventajas que posee
el uso de las series de tiempo con imágenes MODIS, el índice EVI y los arboles de
decisión para la clasificación de amplias coberturas del suelo [13].
En el occidente de Kansas en los Estados Unidos, donde se evaluó el efecto del

cambio climático en las diferentes coberturas vegetales por medio del análisis de
las series de tiempo de imágenes MODIS 250m EVI y NDVI, con lo cual se logró
realizar una clasificación de cultivos relacionados con las coberturas y usos del
suelo (LULC). Los índices EVI y el NDVI generaron mapas de clasificación de los
diferentes tipos de cultivos. Los resultados obtenidos produjeron una clasificación
13
equivalente gracias a los dos índices EVI y NDVI (del 85% a 90%) y a los patrones
de cultivo, siendo consistente con los reportados en el área de estudio. La
precisión de la clasificación entre los mapas por lo general varía en un 3% y su
coincidencia temática del nivel de pixel fue generalmente mayor al 90%. La gran
diferencia entre los patrones de clasificación en el EVI y el NDVI derivados de los
mapas se restringió a un solo píxel o un pequeño grupo de píxeles, los cuales
tuvieron poca influencia en los patrones de cultivo clasificados derivados de los
mapas de los cultivos. El índice EVI produjo resultados comparables a los del
NDVI para las clasificaciones basadas principalmente en observaciones de índices
de vegetación de los períodos en que la mayoría de los cultivos cuentan con
biomasa baja o intermedia. Se debe tener en cuenta que este estudio se limitó a
un solo año y no se probó la utilidad del índice de vegetación a través de una serie
tiempo de años durante los cuales las condiciones del cultivo pueden variar
ampliamente debido a la variabilidad climática [12].
En el estado de Sao Paulo Brasil, se estudio las plantaciones de Eucalipto de

rápido crecimiento utilizando índices de vegetación y las series de tiempo en
imágenes MODIS, se analizaron parámetros como la estructura, absorción de luz
y la producción de tallos, permitiendo la estimación de las características biofísicas
y estructurales de bosques en diferentes escalas temporal y espacial. Para este
estudio se usaron series de tiempo de los índices de vegetación normalizada
(NDVI), a partir de imágenes MODIS, tomando como referencia una red de 16
puntos en plantaciones de Eucalipto de rápido crecimiento. El objetivo de
examinar la relación entre el índice NDVI y series de tiempo en estos ecosistemas
de bosque simple, abarca rotaciones enteras y puntos con características
estructurales como volumen, altura dominante, incremento medio anual, entre
otros. Un segundo objetivo fue examinar variaciones temporales y espaciales de
uso eficiente de luz para producción de madera, por comparación de series de
tiempo de la Radiación Activa Fotosintéticamente Absorbida (APAR) con
inventario de datos. La relación fue calibrada entre el índice NDVI y la fracción de
14
radiación interceptada difusa y la directa, usando fotografías hemisféricas tomadas
en dos estaciones en los puntos de estudio. La Radiación Activa
Fotosintéticamente Absorbida (APAR) fue calculada desde la serie de tiempo del
índice NDVI usando estas relaciones. El volumen del tallo y la altura dominante se
correlaciona fuertemente con valores evaluados por el índice de vegetación NDVI
entre los datos inventariados y los datos planeados. El punto de productividad se
correlaciono con valores medios del índice NDVI. La Radiación Activa
Fotosintéticamente Absorbida durante los dos primeros años de crecimiento fue
variable entre puntos y estuvo bien correlacionado con la producción de tallos de
madera. En contraste, la APAR durante los siguientes años fue menos variable y
no se correlaciono significativamente con incrementos de la biomasa de tallos. En
general vario la producción de madera por unidad de luz absorbida con relación a
la edad de la plantación y el índice de sitio. En este estudio un mejor índice de sitio
fue acompañado por los incrementos de la APAR durante los primeros dos años
de crecimiento y por una mayor eficiencia en el uso de la luz de los tallos de
madera durante la producción y toda la rotación [8].
En la sabana de Madagascar África, se analizo la degradación de la cobertura

vegetal por medio del análisis de las series de tiempo con imágenes MODIS de
16 días y el índice de vegetación NDVI con 250 metros de resolución espacial
(MOD13Q1), con lo cual se logrando cuantificar y localizar dicha degradación.
Para este fin se uso el método STL o método de descomposición de medidas de
tendencia entre los años 2000 y 2007, dos indicadores fenológicos que se derivan
del índice NDVI de las series de tiempo MODIS y la caracterización de la actividad
de la vegetación en la estación de crecimiento. Al final del estudio se observaron
tres tipos de tendencias (nula, positiva y negativa) con el cual se pudo determinar
el estado de degradación de la cobertura vegetal y el grado de desertificación de
la misma. En los países africanos los ecosistemas de sabana son de gran
importancia económica, agrícola y ambiental. Dado el aumento de la degradación
en la cobertura vegetal en estos ecosistemas, existe una urgente necesidad de
15
calcular cualitativamente este fenómeno para desarrollar políticas que permitan
asegurar la conservación de los recursos naturales y la disponibilidad de
alimentos para la población. Los cambios en este ecosistema de sabana pueden
clasificarse en tres grupos, estacionales, graduales y abruptos. El fenómeno de la
degradación de la cobertura vegetal resulta de la modificación a nivel de la
vegetación a lo largo del tiempo los cuales pueden ser medidos través de estudios
de tendencias en los índices de vegetación o algunos indicadores fenológicos.
Para este estudio se asumió un grado de degradación gradual ya que se asume
que los cambios de tendencia multianual eran muy sutiles y por esta razón se
modelo con una ecuación polinómica de primer grado. En este caso se definieron
dos requerimientos para seleccionar el método de análisis de las imágenes de
series de tiempo, poder identificar específicamente un ciclo fenológico del
ecosistema de sabana de donde el indicador fenológico fue derivado, y permitir la
caracterización del cambio gradual en el ecosistema de sabana derivada de la
dirección del cambio dentro de las tendencias de las series de tiempo y sin
necesidad de definir el cambio de trayectoria o de identificar los puntos de inflexión
[4].
En Asia se evaluó la producción primaria bruta (PPB) usando el espectrómetro de

imágenes de resolución moderada (MODIS) a partir del producto (MOD17).
Mediante el uso de la CPE estimado, a partir de mediciones de flujo de covarianza
de Eddy sobre tres tipos de cobertura, un cultivo de trigo en la estación de
invierno, un campo de maíz en la llanura del norte de China en 2003-2004, y una
pradera alpina en la meseta tibetana en el período 2002-2003. El GPP media
anual de MOD17 representó 01.02 a 02.03 de la superficie media estimada GPP
anual de la pradera alpina, pero sólo alrededor de 01.05 a 01.03 para el cultivo.
Esta subestimación se atribuyó en parte a las estimaciones bajas de índice de
área foliar por un producto MODIS (MOD15), ya que se utiliza para calcular la
radiación absorbida fotosintéticamente activa en el algoritmo de MOD17. La razón
principal es que la luz de parámetros de máxima eficiencia en el uso Emax en el
16
algoritmo de MOD17 fue subestimado por los dos biomas, en especial para las
tierras de cultivo. En contraste con el valor por defecto, Emax se optimizó
utilizando mediciones de la superficie. El Emax optimizado para el trigo de
invierno, maíz y pastos fue de 1.18, 1.81 y 0.73 g C / MJ, respectivamente.
Mediante el uso de las mediciones de la superficie y optimizado Emax, el algoritmo
MOD17 ha mejorado significativamente la exactitud de las estimaciones de GPP.
Los resultados indican que MOD17 no parece proporcionar una estimación
correcta de la CPE / CN para un cultivo mixto o del sistema de doble cultivo. Datos
de uso del suelo con una resolución fina se debe combinar con el algoritmo
MOD17 con el fin de mejorar la precisión de los productos MOD17 [14].
La clasificación de usos y coberturas del suelo usando datos SOM (Mapas Auto
Configurados) de redes neuronales indica que un gran conjunto de datos fueron
construidos a partir de imágenes MODIS, el índice de vegetación EVI, y las series
de tiempo derivados del sensor MODIS. Los mapas auto configurados (SOM) con
técnicas de redes neuronales puede reducir la dimensionalidad de datos con alta
dimensión, sin embargo, después de la reducción de la dimensión se pueden
mantener las mismas características topológicas en los espacios de baja
dimensión. En este sentido, primero emplearon técnicas de redes neuronales
SOM para clasificar tipos de usos del suelo utilizando un conjunto dimensional de
17 datos que fueron generados en intervalos de 16 días con datos del Índice
Vegetal Mejorado (EVI) en imágenes MODIS con una resolución espacial de 500
metros en el oriente de China durante el periodo de crecimiento de plantas. Luego
definieron una clase neuronal sin etiqueta. Pixeles igualados de este tipo neuronal
fueron considerados como tipos de cobertura sin clasificación. Finalmente, los
resultados clasificados fueron comparados con estos métodos de clasificación de
Probabilidad Máxima (MLC). La comparación mostro que la precisión en esta
última es superada por un conjunto de datos con clasificación de alta
dimensionalidad. Este estudio llega a una conclusión importante que la red
neuronal SOM es un método mas efectivo para la clasificación del uso del suelo
17
en comparación con el método MLC por uso de datos de imágenes MODIS en
series de tiempo de alta dimensionalidad. La precisión de la clasificación para el
coeficiente Kappa es de 91,1043% y 0,8998 para el método SOM, mientras que
83,6401% y 0,816 para el método MLC respectivamente. Esto indica que el
método SOM mejora la precisión de la clasificación [1].
Los índices de vegetación (EVI) y el índice de vegetación de diferencia

normalizada (NDVI) son ampliamente utilizados para la evaluación de la cobertura
vegetal, por eso se pretendió evaluar el estado de la vegetación en la presencia de
humo por quema de biomasa mediante la aplicación del Índice de Vegetación de
Aerosol Libre (AFRI) en las imágenes MODIS, donde el AFRI se le aplico a los
canales 2.1 um SWIR (correlación entre el infrarrojo de onda corta) del sensor
MODIS a bordo del sistema de observación de la tierra (EOS) satélites TERRA y
AQUA, a fin de evaluar su funcionalidad en estas plataformas de imagen. El
rendimiento de AFRI se comparo con los de NDVI y EVI, todos los Índices de
Vegetación se calcularon en las imágenes con y sin humo por tres casos de
estudios de incendios en Arizona, California y Zambia. Aunque una buena
correlación se observaron entre todos los Índices de Vegetación en la ausencia de
humo, bajo condiciones de humo se mantuvo una alta correlación entre el NDVI y
el EVI, mientras que una baja correlación se encontró para la AFRI-EVI y NDVI
AFRI. Una serie temporal de imágenes MODIS registradas en Zambia durante el
verano de 2000 fue probada y demostró las grandes fluctuaciones de NDVI
durante el período de estudio debido a las oscilaciones en los valores de espesor
óptico de aerosoles, a pesar de la aplicación de correcciones de aerosol en las
imágenes. En contraste, la AFRI mostró variaciones más suaves y logró evaluar
mejor la condición de la vegetación. Se concluye que, bajo el humo de la quema
de biomasa, la AFRI es más eficaz en la observación de las condiciones de la
vegetación [2].
18
3. MARCO TEÓRICO
3.1 SENSOR MODIS.
El sensor MODIS (Moderate Resolution Imaging Spectroradiometer), es un

instrumento que se encuentra a bordo de os satélites TERRA y AQUA del sistema
de observación terrestre de la NASA, los satélite TERRA y AQUA orbitan de sur a
norte cruzando, el primero cruza el ecuador en las horas de la mañana y el
segundo en la horas de la tarde, ambos poseen una trayectoria orbital polar, el
cubrimiento total de la superficie terrestre por estos dos satélites se realiza en un
periodo de uno a dos días, capturando 36 diferentes bandas espectrales, los datos
obtenidos del MODIS se utilizan para el entendimiento de los procesos dinámicos
globales ocurridos en la tierra, océanos y baja atmosfera [11].
En diciembre 18 de 1999, la NASA lanzo el satélite TERRA al espacio, como parte

del Sistema de Observación Terrestre (EOS). En febrero del 2000, TERRA entro
en funcionamiento realizando observaciones de la superficie terrestre. El satélite
TERRA es una misión que involucra las agencias aeroespaciales de Canadá y
Japón y es administrado por el Centro Aeroespacial GODDARD de la NASA y
además es asesorado por el Laboratorio de Propulsión y Centro de Investigación
LANGLEY [11].
El satélite AQUA fue lanzado en mayo de 2004, y hace parte del programa para
percepción remota administrada por la Empresa de Ciencia de la Tierra (ESE
Earth Science Enterprise) de la NASA para el estudio a largo plazo de la dinámica
del cambio global. Este satélite viaja en una orbita de 705 km. Y ofrece una
cobertura total de la superficie de la tierra cada 16 días, suministra una serie
continua de datos sobre el planeta y sus procesos, con el objetivo de proveer
respuestas sobre los cambios sobre la cobertura terrestre a largo plazo por causas
naturales o antrópicas y ayudando a la generación de modelos de predicción. El
satélite AQUA posee un servicio de transmisión directa (DB Direct Broadcast) con
19
el propósito de proveer en tiempo real los datos obtenidos con la tecnología del
Laboratorio de Lectura de Salida Directa (DRL Direct Readout Lab) del Goodard
Spaice Flight Center) [11].
El sensor MODIS se caracteriza por poseer una alta resolución radiométrica de 12

Bits en las 36 bandas espectrales, con longitudes de banda que varían de 0.4 um
hasta 14.4 um. Las bandas se clasifican de la siguiente forma: dos de las bandas
poseen una resolución espacial de 250 m, cinco bandas poseen una resolución
espacial de 500 m y las otras 29 bandas poseen una resolución espacial de 1 km,
todas con un ángulo de 55 grados a una distancia de 705 km, cubriendo la
superficie de la tierra cada 1 o 2 días.
3.1.1 Especificaciones sensores MODIS.

El sensor MODIS fue diseñado y desarrollado desde el modelo de ingeniería (EM)
completado a mediados de 1995, desde entonces las dos unidades, el ProtoFlight
(PF) a bordo del satélite TERRA y el FligthModel (FM) a bordo del satélite AQUA
han sido construidos con las especificaciones de la NASA, las cuales presentan el
mejor diseño de hardware de ingeniería espacial creado para sensores remotos
[11].
• Orbita: 705 km, 10:30 am nodo descendente (TERRA), o 1:30 pm nodo

ascendente (AQUA), sincronización con el sol circular cercana a la polar.
• Rata de exploración: 20.3 rpm.
• Escuadra de captura de datos: 2330 km, por 10 km. (a lo largo de la huella
del nadir).
• Dimensiones del telescopio: 17.78 cm de diámetro afocal fuera del eje con
parada de campo intermedio.
• Medidas: 1m x 1.6m x 1m
• Peso: 228.7 kg.
• Potencia: 162.5 W (promedio orbital).
20
• Tasa de datos: 10.6 Mbps (pico en el día), 6.1 Mbps (promedio orbital).
• Sensibilidad radiométrica: 12 bits.
• Resolución espacial: 250m (bandas 1,2), 500m (bandas 3-7), 1000m (bandas
8-36).
• Periodo de diseño: 6 años.
3.1.2 Datos MODIS.

MODIS observa la totalidad de la superficie de la tierra cada 1 o 2 días. Sus
sensores capturan la información de 36 bandas espectrales en los 0.405 y 14.385
um y en tres resoluciones espaciales [11].
Hay 44 productos MODIS estándar, los cuales son utilizados para el estudio de los
cambios globales en disciplinas como la oceanográfica, biología, y ciencias
atmosféricas. Los 44 productos MODIS disponibles son:
• Calibración:
o MOD01: Nivel 1A Registros de Radiación.
o MOD02: Nivel 1B Calibración de Radiaciones Geolocalizadas.
o MOD03: Conjunto de datos de Geolocalización.
• Atmosfera:
o MOD04: Productos de Aerosol.
o MOD05: Agua Precipitable (vapor de agua).
o MOD06: Producto de nubes.
o MOD07: Perfiles Atmosféricos.
o MOD08: Productos Atmosféricos en Grillas
o MOD35: Masa Nubosas.
21
• Tierra:
o MOD09: Reflectancia de la Superficie.
o MOD11: Temperatura y Emisividad de la superficie de la tierra.
o MOD12: Cobertura de la tierra y sus cambios.
o MOD13: Índices de vegetación en grillas. (NDVI e EVI).
o MOD14: Anomalías termales, fuegos y biomasas ardientes.
o MOD15: Índice de área de hoja y FPAR.
o MOD16: Evapotranspiración.
o MOD17: Fotosíntesis neta y producción primaria.
o MOD43: Reflectancia de la superficie.
o MOD44: Conversión de la cobertura de la vegetación.
• Criósfera:
o MOD10: Cobertura de nieve.
o MOD29: Cubrimiento de hielo en el mar.
• Océano:
o MOD18: Radiación normalizada del agua.
o MOD19: Concentración de pigmentos.
o MOD20: Clorofila fluorescente.
o MOD21: Concentración de clorofila y pigmentos.
o MOD23: Concentración de solidos suspendidos.
o MOD24: Concentración de materia orgánica.
o MOD27: Productividad primaria del océano.
o MOD28: Temperatura de la superficie del océano
o MOD31: Concentración de Phycoerythin.
o MOD36: Coeficiente total de absorción.
o MOD39: Valor de épsilon en el agua.
22
3.1.3 Nomenclatura datos MODIS.
La nomenclatura usada para identificar las imágenes MODIS siguen una
convención específica para cada uno de los productos, a continuación se muestra
un ejemplo de la convención para un producto [7]. (Ver figura 1)
Figura 1. Nomenclatura de los productos MODIS [7].
23
3.2 SERIES DE TIEMPO.
Una serie de tiempo se define como una colección de observaciones hechas

secuencialmente a través de un periodo de tiempo, uno de los requerimientos
principales para la realización de una serie de tiempo es que el sensor utilizado
tenga la característica de cubrir repetidamente la misma área a través del tiempo,
en otras palabras que el sensor tenga una alta resolución temporal para poder
determinar los cambios en la cobertura vegetal. Por este motivo las imágenes
MODIS son muy utilizadas para este proceso [3].
La generación de una acertada serie de tiempo es uno de los procesos más

importantes al momento de trabajar con información obtenida de sensores
remotos, ya que niveles de ruido y múltiples fuentes de error requieren de un
análisis antes o durante la generación de la series de tiempo. Además de las
características de los sensores, las nubes, gases y aerosoles atmosféricos son
algunas de las mayores fuentes de error presentes en datos multiespectrales, los
cuales deben ser removidos o interpolados especialmente cuando se trabaja con
índices de vegetación como el EVI, NDVI, FPAR, entre otros [3].
Las series de tiempo deben ser consideradas como un requisito adicional al

momento de procesar los datos, ya que los resultados de éstas son los datos que
van a ser analizados teniendo presente que preprocesos inexactos alteran
significativamente los resultados de los análisis y probablemente conceda
resultados erróneos o de baja calidad.
Los sensores remotos, en especial la información proveniente de sensor MODIS,

contienen una gran cantidad de información adicional, como son, indicadores de
calidad de los datos y bases de datos angulares a nivel del pixel [3].
24
3.2.1 TimeSat.
El TimeSat es una aplicación con código abierto que se usa para generar series
de tiempo, específicamente para los índices de vegetación, esta aplicación utiliza
además del código en Fortran 90, una interfaz gráfica para Matlab, programa que
es de libre acceso en internet [9].
Esta aplicación contiene tres métodos para la corrección de los datos. Uno de los
métodos consta de un filtro local que utiliza funciones de los polinomios que
podrían ser clasificados como un filtro adaptativo de Savitzky-Golay. También
utiliza técnicas de análisis armónico y funciones de Gauss asimétrica, los cuales
pueden ser aplicados a toda la serie de tiempo, y en ocasiones a un ciclo completo
[9].
La aplicación TimeSat incluye datos adicionales como índices de la presencia de

nubes. Las técnicas empleadas tienen como base la presunción siendo la máxima
intensidad de la señal valida para índices de vegetación. El número de ciclos esta
determinado por un modelo que compara la fracción de la segunda amplitud
máxima con la primera. Además de la generación de series de tiempo corregidas,
el TimeSat genera indicadores de la fenología para cada ciclo en tiempo e
intensidad. Los parámetros de tiempo indican el principio, la cresta y el final del
ciclo, duración de crecimiento y una estimación final del crecimiento y el principio
del decrecimiento. Los parámetros de la intensidad son proporcionados por el
valor de la cresta y la amplitud, mientras para cada estación la integral y la
asimetría de la curva [9].
3.2.2 Hants.
El HANTS o análisis armónico de las series de tiempo (harmonic analysis of time
series, HANTS, por sus siglas en inglés) es un método utilizado para generar,
corregir y suavizar series de tiempo especialmente para los productos de índices
de vegetación ENVI y IDL, ya que supone que la máxima señal es un valor válido
25
en los índices. Este código es libre y está disponible en internet [9]. El algoritmo
parte de la idea que el desarrollo de la vegetación es estacional, excepto en las
regiones tropicales. Matemáticamente este desarrollo se puede describir con
funciones de baja frecuencia del seno con diferentes fases y amplitudes de las
ondas. La suposición se basa en que el ruido generado por nubes o sombras, esta
distribuido aleatoriamente y es representado por frecuencias altas. Por lo anterior
el algoritmo esta basado en el análisis de Fourier [9].
A diferencia de la transformada de Fourier en general, HANTS utiliza una forma

iterativa. La transformación inversa sólo usa algunas frecuencias, normalmente
frecuencias: unimodal, bimodal y trimodal durante un año. Posteriormente esta
serie de tiempo suavizada es comparada con la serie original. Si los valores son
menores que el umbral especificado por el usuario, se substituye el valor original
por el filtrado. Sin embargo, el proceso se tiene que repetir porque el promedio de
la serie cambió. El algoritmo termina cuando no hay substituciones de los valores.
Para ejecutar HANTS es necesario especificar cinco parámetros obligatorios: la
tolerancia entre la transformación inversa y los valores del índice, las frecuencias
que deberían ser seleccionadas de la transformación de Fourier inversa, el
margen de los valores válidos (máximo y mínimo), el máximo de observaciones de
NDVIs que puede desechar y el máximo número de interacciones. Adicionalmente
es necesario incluir una máscara de tierra/agua para procesar únicamente pixeles
que se encuentren sobre la tierra [9].
3.2.3 TiSeG.
El TiSeG o generador de series de tiempo (Time Series Generator, TiSeG, por sus
siglas en inglés) construye series de tiempo utilizando datos adicionales como
estimaciones de calidad. La misma implementación actual funciona solamente
para productos terrestres de los niveles 2G, 3 y 4 del sensor MODIS. A diferencia
del Timesat y Hants, el TiSeG puede procesar cualquier producto, no solo los
26
índices de vegetación, ya que este no trabaja con la presunción de las
características de la curva antes del análisis, esta aplicación corre con la maquina
virtual IDL (IDL-VM) y está disponible libremente en internet [9]. El proceso básico
del TiSeG es interactivo, empleando datos de la calidad a nivel pixel, que viene en
cada imagen o compuesto (quality assesment scence data set, QA-SDS, por las
siglas en ingles). TiSeG analiza los datos de calidad y genera dos índices sobre la
disponibilidad de datos, el primero indica el número de pixeles validos, y el
segundo vacío máximo sin datos válidos. El último índice es importante para
evaluar el periodo máximo que se tiene que interpolar. Ambos índices se pueden
visualizar en forma espacial y temporal. El usuario puede aplicar y visualizar
ejemplos de la interpolación temporal para pixeles, grupos o estratos. También se
puede cambiar las especificaciones temporales para observar cambios
estacionales y espaciales para regiones específicas, el resultado es una máscara
binaria que indica si el valor es válido y posteriormente se sustituyen los datos
inválidos por un valor fijo o interpolado, utilizando técnicas temporales y espaciales
[9].
Las aplicaciones TiSeG usan algoritmos genéricos para realizar la interpolación

temporal, estos son: spline, lineal, o funciones polinomiales.
Recientemente el TiSeG se ha ampliado para generar series de tiempo

automáticamente. Este proceso usa una categorización de la calidad. Este
proceso iterativo ha sido implementado para los productos NDVI y EVI generados
con datos MODIS, pero es posible aplicarlo para otros datos y sensores [9].
Adicionalmente, TiSeG contiene una opción para análisis armónico el cual permite
generar curvas suavizadas necesarias para modelos o caracterizaciones
estacionales. El usuario selecciona el número de armónicos máximos y un
porcentaje máximo de la variancia explicada para terminar el proceso de la
transformación. Además de las curvas nuevas suavizadas los resultados
contienen el número del armónico y el porcentaje de la varianza explicada
27
suficiente para la transformación y opcionalmente la fase, la amplitud y la varianza
explicada para cada armónico [9].
3.2.4 TimeStats.
El TimeStats es una aplicación que incluye funciones para analizar series de
tiempo que se pueden encontrar en muchos paquetes generales de estadística.
Esta aplicación tiene la ventaja de seleccionar los algoritmos más usados para
datos satelitales y su funcionamiento directamente con el índice de vegetación
ENVI. El programa esta disponible sin costo en internet [9].
La aplicación contiene diferentes módulos para leer, guardar, pre-procesar,

realizar análisis básicos y de tendencias, regresión múltiple en forma lineal y no
lineal, así como el análisis de las frecuencias. El proceso de limpieza incluye la
detección y corrección de valores anómalos y filtros para eliminar el ruido en los
datos. El módulo de pre-procesamiento contiene opciones para generar
compuestos, analizar anomalías, calcular estadísticas globales y estacionales,
agregar datos y modelaje. Las estadísticas básicas y tendencias calculan varias
pruebas de significancia. La regresión puede ser ejecutada en varias formas, por
ejemplo en modo del desplazamiento (distributed lags model) o regresión múltiple
con o sin limitación. Los modelos de las frecuencias incluyen la auto-correlación,
análisis de wavelets y cross-spectral analysis [9].
3.3 ENFOQUES PARA LA GENERACIÓN DE SERIES DE TIEMPO.
La generación de series de tiempo para información obtenida de sensores remotos

como imágenes MODIS en aplicaciones terrestres se puede clasificar en tres
categorías principales [3].
28
3.3.1 Composición y apilado de la información.
La más común y frecuente aproximación aplicada a la generación de las series de
tiempo es el valor máximo de composición y apilado (MVC), para composites de
múltiples días [3]. Este método consiste en almacenar en un composite el valor
más alto para cada pixel analizado individualmente de toda la serie de tiempo. El
método MVC ha sido aplicado principalmente en índices de vegetación NDVI y
LST. Muchos estudios han sido basados en series de tiempo MCV, incluyendo
derivaciones de parámetros biofísicos, mapas de cobertura, análisis fenológicos y
detección de cambios [3].
3.3.2 Filtrado.
La función de Filtrado es otra posibilidad para la generación de series de tiempo
para observaciones individuales o composites generados previamente. Este
proceso asume características de filtrado constantes para las series de tiempo.
Usualmente se asume que los datos son muestreados en intervalos iguales, pero
algunas aproximaciones como la de filtrado constante pueden también realizarse
con muestreos de datos no equidistantes [3].
3.3.3 Datos auxiliares.

La tercera categoría general para la generación de series de tiempo evalúa la
información auxiliar como por ejemplo los indicadores de calidad de los datos. Si la
calidad de los datos en muy baja para unas observaciones dadas, el pixel es
excluido del análisis y puede ser interpolado espacial o temporalmente. La
respectiva calidad de los datos son también derivados de los mismos datos, o por
el análisis de la coherencia y comparación con otros datasets [3].
29
3.4 MANUAL PROGRAMA TiSeG.
3.4.1 Carga de la información MODIS.
• especificar el directorio de trabajo:

• File – Directorio de trabajo (Direccionar a la carpeta donde se almacenó los
datos MODIS).
File List.
• Cargar la lista de composites MODIS por File – Add Files:
Figura 2. Lista de composites MODIS.
Shoulders:
Para cada serie de tiempo se requieren adicionar tres composites del año anterior
y tres del año posterior con respecto al año de estudio o del cual se va a realizar la
serie de tiempo, estos composites serán removidos después del procesamiento.
Justificación:
En el caso en que el primer o último composite de la serie de tiempo necesite ser

interpolado, Shoulders es la única forma posible de realizarlo, la razón de esto es
permitir la interpolación de los dados del inicio y del final y garantizar la correcta
interpolación de los mismos. Ver figura x.
30
Figura 3. Explicación uso de Shoulders en las series de tiempo.
Composites faltantes:
Si hay composites faltantes para la realización de la serie de tiempo, se deben
crear composites falsos o de prueba, esto se realiza con el comando Create Empy
Files, que se encuentra en la herramienta TiSeG.
File – Create Empty Files
Se abren los composites existentes del año que se va a procesar, el cual tiene
composites faltantes. Ver figura xx.
Presionar Create.
Cambie el número de composite del nombre del archivo por el número del archivo
faltante cuando grave y adicione el archivo faltante en la lista de archivos.
31
Figura 4. Creación de composites falsos o de prueba.
Chequear el orden de los archivos:

Revisar si los archivos están ordenados en orden cronológico, si no, se requiere
corregir el orden.
Gravar lista de archivos y cerrar la ventana:

Como ultimo paso de la creación de composites faltantes o de prueba, grabamos
la lista de archivos y cerramos la ventana.
32
3.4.2 Análisis de Calidad.
Analysis – Quality Analysis
Vista general de la ventana de Análisis de Calidad.
Figura 5. Ventana Análisis de Calidad programa TiSeG.
1. Time series: al dar clic aquí se puede desplazar por las bandas disponibles
para seleccionar dependiendo del producto MODIS que se cargue, por ejemplo
NDVI o EVI, para el producto MOD13A1.
33
2. Load Spatial: aquí se puede cargar un archivo tipo shape polígono, y así
poder aplicar configuraciones de calidad fiables solo para polígonos
seleccionados de el archivo shape.
3. Method: siempre se debe usar el método 1.
4. Samplin Factor: siempre se debe usar el factor de muestreo 1.
5. Settings: en esta ventana puede elegirse la configuración de calidad, la
disponibilidad de las variables de configuración depende específicamente de
cada producto MODIS.
Todas las configuraciones que se

quieren aplicar deben ser señaladas,
de lo contrario solo los pixeles con
Intermediate Usefulness se
mostraran como validos, pero no
aquellos con Perfect Usefulness.
Figura 6. Ejemplo configuración (MOD13Q1).
6. List of composites: los composites que se les aplica la configuración de

calidad pueden ser seleccionados (uno por uno, todos o ninguno con los
botones mostrados en 7).
34
7. Buttons:
o Sellect all / select none: sirve para seleccionar o no seleccionar
composites de la lista (6).
o Clear / sabe text: para borrar o guardar los mensajes de texto que arroja
el programa.
o Apply settings: para aplicar la configuración especificada en (5) para los
composites seleccionados.
o Show settings: las configuraciones que fueron aplicadas a los
composites seleccionados serán mostradas en configuraciones (5).
o Load / sabe settings: cargar / guardar configuraciones desde / hacia
archivos.
o Display: muestra las configuraciones en (8) y (10) que fueron
especificadas en (5) para los composites seleccionados (este proceso
debe tomar algún tiempo, mayo a 10 minutos).
o Cancel: cancela la ventana de análisis de calidad.
o Save plots: guarda las graficas en formato .emf.
o Save analysis: cuando se han encontrado las configuraciones
apropiadas el análisis puede ser guardado y es llamado “data_cube”
para el siguiente proceso de interpolación.
8. Espatial visualisation: es la visualización espacial de la configuración de

calidad para los composites seleccionados en (6).
a. Spatial mode: seleccione entre:

o General Quality: Se muestra la calidad de la información resumida entre
los composites seleccionados, ya sea para pixeles inválidos o para largo
gap máximo, los cuales pueden ser seleccionados en (b) (ver b en figura
xxx).
o Quality per composite: muestra la calidad para un solo composite, el
cual puede ser seleccionado en (b).
35
o Imput data: se muestra un composite de entrada (el cual puede ser
seleccionado en (b), con los valores originales de entrada.
b. Spatial analysis: las opciones dependen de (a).
o For General Quiality in (a):
- Invalid pixels: el número de pixeles inválidos es resumido entre
los composites seleccionados en la lista (6) y mostrados en el
Zoom (d) y en la ventana de vista general (h).
- Maximun gap legth: muestra la longitud (numero de intervalos de
tiempo inválidos) del espació de información mas largo por
pixeles inválidos en Zoom (d) y en la ventana de vista general (h)
para los composites seleccionados en la lista (6).
o Quality per composite and Imput data en (a):
- Seleccione el la fecha deseada que desea que se muestre. Para
calidad por composite solo muestra la fecha que fue seleccionada
en (6) y se muestra en (7), para Input Data esta disponible todas
las fechas de la lista.
c. Save image: guarda la imagen mostrada en (h) y puede ser guardada en
formato .emf o .tiff.
d. Zoom window: la ventana de visualización principal. Poniendo el cursor en
la ventana mostrara los valores de X y Y para un pixel en la parte inferior de
la ventana, también muestra el valor de calidad para el pixel dependiendo
que se esté mostrando (seleccionado a/b).
e. Zoom slider: factor de zoom (entre 1 y 20) para la imagen en (d), el
subconjunto puede ser elegido dando clic en la ventana general (h).
f. Color table: hay diferentes colores de visualización disponibles.
g. Legend: (depende de (a) o (b): número de pixeles inválidos, máxima
longitud del hueco, o valor del dato de entrada.
h. Ventana de vista general.
36
9. Visualización temporal:
a. Temporal mode: aquí usted puede escoger que se va a graficar en la

ventana (9d) y/o en el visualizador de texto.
o Overal quality: el porcentaje de pixeles inválidos por composite (dentro
toda el área) es mostrada. Algunas veces se pueden ver tendencias
estacionales ejemplo (nubes en temporadas de lluvia producen alto
numero de pixeles inválidos con configuración de calidad general
seleccionada en buena o aceptable, aquí los intervalos temporales 10-
14 equivalen a las fechas 23.4 hasta 26.6, muestra un numero
extremadamente alto de pixeles inválidos).
En 10, el número absoluto de pixeles inválidos en cada intervalo de tiempo va a
ser mostrado.
o Pixel selection: cuando se selecciona un pixel en la ventana de
visualización general (8d), el numero de intervalos de tiempo inválidos
para el pixel se mostrara en (10) (forma: PIXEL VALUE, X: 2647, Y: 472,
Value: 19).
o Overal interpolation (linear/spline):cuando seleccionamos un pixel en la
ventana de visualización general (8d), el valor para el pixel o la ventana
alrededor del pixel seleccionado (dependiendo de la opción
seleccionada en (b)), para los composites seleccionados (6) serán
mostrados en (9d). los pixeles validos son mostrados en rojo y la
interpolación (linear o spline), que podrían estar con la configuración
dada, se mostrara en color azul (ver ejemplos adelante).
b. Temporal Analysis: opciones dependen de (9a).

- Para overall quality en (a):
Pixeles inválidos. (invalid pixel)
Hueco máximo. (maximun gap)
- Para selección de pixeles en (a): sin opciones.
37
- Para interpolación promedio en (a).
• Pixel:
o El valor original para un pixel en el composite
seleccionado (6) y la interpolación, será mostrada
en (9d).
o Los parámetros original mean e interpolated mean
se mostraran en (10), los valores son listados para
cada composite.
• 3x3, 5x5, 7x7, 9x9:
o El valor de pixel de una ventana significa (3x3, 5x5,
7x7, 9x9). Alrededor del pixel seleccionado (rojo) y
la posible interpolación en (azul) serán mostrados
en (9d), y adicionalmente, la desviación estándar
también va a ser mostrada. Ambas serán mostradas
en el cuadro de texto (10) para cada composite.
c. Check min/max: para mejor visualización en (9d), el rango Y será

seleccionado del rango de la información.
d. Temporal visualization window:
10. Ventana de texto:

• Dependiendo de (9a y 9b) (Temporal mode/Analysis) y (8a y 8b) (Sapatial
mode/analysis), los valores serán mostrados.
• El texto puede ser guardado con el botón (7) save text and display, y puede
ser borrado con el botón (7) clear text.
38
Orden para seleccionar la configuración de calidad más apropiada.
• Use diferentes configuraciones en (5).

• Selecciones composites en (6).
• Aplique las configuraciones seleccionadas a los composites seleccionados con
el botón Apply Settinigs en (7), el numero de configuraciones aparecerá en la
lista (6).
• Muestra las configuraciones con el botón Display (7) y verifique los efectos
temporales y espaciales en (8/9).
• Cuando la configuración apropiada es encontrada, aplíquelas a todos los datos
en (7): primero seleccione toda y luego Apply settings, y luego guarde el
resultado del análisis con Save analysis. El análisis se guardara con el nombre
de “data_cube”, el cual se usara para realizar la interpolación en el siguiente
paso.
o Ejemplos:
MOD15A2, año 2008, Tile h17v07 (West África), series de tiempo: FPAR.
Ejemplo para un buen grafico de interpolación:

• Configuración: General Quality: Buena, Cloudstate: Claro.
• Modo temporal: Interpolación conjunta (linear), pixel.
• Numero de pixeles inválidos: 4
Los dos picos negativos durante la temporada de lluvias (24=20th julio.; 28=21st
Agosto.) los que podrían representar situaciones de nubosidad, son bien
interpolados.
39
Figura 7. Grafica interpolación buena.
Ejemplo para configuración de calidad muy estrictas:
• Configuración: General Quality: Buena, Cloudstate: Claro, detección de

aerosoles, / Cirrus clouds/ Clouds: No.
• Modo temporal: Interpolación conjunta (linear), pixel.
Sobre el periodo de tiempo de 15 composites (20-35), los cuales corresponden a
comienzos de Junio hasta finales de Septiembre, todos los valores son
interpolados. La fenología para este periodo es confusa o tergiversada.
Figura 8. Grafica interpolación muy estricta.
40
Ejemplo para configuración de calidad débil:
• Configuración: General Quality: Buena.

• Modo temporal: Interpolación conjunta (lineal), pixel
El mismo periodo 22 al 28 es obviamente una depresión artificial en la serie de
tiempo la cual puede ser causada por nubosidades. Adicionalmente se observan
unos picos negativos en el espacio de tiempo 13th. Las depresiones mencionadas
no se interpolan, incluso esto representa registros de datos indeseables.
Figura 9. Grafica interpolación buena.
Ejemplo para grafica con configuración convidada:

A menudo la calidad de los datos varia en el tiempo, por factores como las
temporadas de lluvia o de sequia. Los datos pueden ser de mala calidad en la
temporada de lluvias debido a las nubes y de buena calidad en temporadas de
sequia. También esto resulta útil para usar configuraciones mas estrictas para las
temporadas de sequia y menos estrictas en las temporadas de lluvias.
41
• Configuración estricta: General Quality: buena, Cloudsrate: Clara,
Aerosol Detected: No.
Figura 10. Grafica interpolación combinada.
• Configuración menos estricta: General Quality: buena
Figura 11. Grafica interpolación menos estricta.
• Configuración “combinada”: periodo de tiempo estricto 0-21 (junio-

julio) y 32-44 (agosto-diciembre), menos estricto para 22-31 (junio-
agosto).
42
Figura 12. Grafica interpolación combinada.
3.4.3 Interpolación en TiSeG.

Normalmente para variables temporalmente estables con discontinuidades
espaciales, los métodos de interpolación temporal son muy usados. Este es el
caso de la mayoría de los productos MODIS.
• Proceso de interpolación:
Figura 13. Ventana de interpolación, herramienta TiSeG.
43
• Producto: seleccione la banda, la cual se quiere generar la serie de tiempo.
• Cargue los datos de calidad: seleccione el archivo data cube creado en (3).
• Guarde la interpolación: se direcciona a la carpeta donde la serie de tiempo
interpolada será guardada.
Interpolación temporal.
La interpolación temporal interpolara los datos inválidos.
• Interpolación Lineal:
o Gap length: si la longitud de la brecha mayor al que indica el gap length,
la interpolación no se realizara. En este caso, se puede seleccionar
volver a el valor original (seleccionando la opción “return original
option”), o remplazando los valores inválidos por el valor de llenado.
o Fill Value: usa el valor por defecto (extraído de la metadata).
o Block size: el valor por defecto tiene que ser cambiado. El valor debe
tiene que depender del desempeño del computador al realizar el
proceso y de la resolución de los composites (los valores entre 400-
1000 pueden ser los mas apropiados).
o Good values: el numero de valores buenos para la realización de la
interpolación, si estos no son suficientes, cualquier valor del Fill value o
el valor original será usado.
o Return original: si se selecciona, y la interpolación no es realizada (ya
sea porque el largo de la brecha es muy largo o porque los valores
buenos son muy pocos o insuficientes), el valor original será usado.
• Interpolación polinomial:
o Gap length: ver arriba.
o Fill value: ver arriba.
o Degree: indica el grado de la ecuación polinomial usada.
o Block size: ver arriba.
44
o Good values: ver arriba.
o Return original: ver arriba.
o Use best degree: el grado de la ecuación polinomial, la cual describe la
serie de tiempo más adecuada, es identificada automáticamente.
• Interpolación Spline:
o Gap length: ver arriba.
o Fill value: ver arriba.
o Degree: indica el grado de la ecuación polinomial usada.
o Block size: ver arriba.
o Good values: ver arriba.
o Return original: ver arriba.
Interpolación espacial.
Normalmente, para variables estables en el tiempo, con discontinuidades
espaciales, los métodos de interpolación espacial pueden ser erráticos. Esta es la
razón por la cual los productos MODIS, la interpolación espacial es usada solo en
casos especiales.
Figura 14. Problemas potenciales de las técnicas de interpolación espacial.
45
3.4.4 Análisis Armónico en TiSeG.
• Con la herramienta para el análisis armónico, se puede refinar la interpolación

de la serie de tiempo con el análisis armónico (Fourier).
• Proceso: análisis armónico.
• General settings:
Serie de tiempo = serie de tiempo creada en (4).
Guardar el análisis armónico en = direcciones a la carpeta donde se quiere
guardar.
Block size: el valor por defecto tiene que ser cambiado, el valor óptimo depende
de la capacidad de procesamiento del computador y de la resolución de los
composites (valores entre 200-500 son los apropiados).
3.4.5 Otros temas TiSeG.
• Layerstack: también es posible apilar un número de composites sin interpolar

todas. Esto puede hacerse con el proceso layerstack.
3.4.6 Post proceso.
• Cut off shoulders: Los shoulders, los cuales fueron adicionado anteriormente
al inicio y al final del año, tienen que ser removidos después de la interpolación
en el TiSeG. Para este propósito se puede usar:
• Spectral_batch.pro: Shoulder = o numero de “shoulder” composite en un lado
(esto significa, si se adicionan 3 composites en el comienzo y en el final, el
numero de shoulders es 3).
Select files = seleccione la serie de tiempo seleccionada.
46
• Convertir archivos HDF en otros formatos raster:
o Importar en ERDAS: funciona en ERDAS 8.7 correctamente, con el
ERDAS 9.1 funciona pero requiere corregir el tamaño del pixel
manualmente.
o Importar en ENVI: funciona incorrectamente.
o IDL-Code: geoteff_converter.pro.
3.5 PROGRAMA MRT (MODIS Reprojection Tool).
La herramienta de reproyección MODIS (MRT) fue desarrollada para los productos

MODIS los cuales son distribuidos en formato HDF-EOS con proyección
sinusoidal, esta herramienta tiene como función el cambio de formato proyección y
da la opción de cambiar los ajustes espaciales y espectrales, esta herramienta es
compatible como múltiples sistemas operativos.
3.5.1 Plataformas.
El MRT es un software con alta portabilidad ya que esta disponible para 4
plataformas, y han sido probadas para los siguientes sistemas:
• Windows NT+32 bit.

• Linux 32 bit.
• Linux 64 bit.
• Macintosh OS X 32 bit.
3.5.2 Interfaces.
Esta herramienta puede ser usada desde una interface amigable (GUI) o desde
una poderosa interface de línea de comandos. La GUI permite a los usuarios
realizar proyectos de reproyección livianos, convertir y reajustar los datos MODIS,
47
también permite inspeccionar los metadatos. La interface de línea de comandos es
usada especialmente para realizar reproyecciónes a un gran número de archivos.
3.5.3 Datos.
La herramienta MRT permite la reproyección de toda la grilla de los productos
MODIS tierra (niveles 2G, 3 y 4).
3.5.4 Formato de archivos.

MRT acepta datos binarios crudos o datos MODIS tierra en formato HDF-EOS,
como archivos de entrada. Los formatos de salida pueden ser binarios crudos,
HDF-EOS y GeoTiff.
3.5.5 Tipos de datos.

MRT soporta datos enteros de 8 bit, 16 bit y 32 bit, también datos flotantes de 32
bit. Los datos de salida son siempre de igual formato a los archivos de entrada.
3.5.6 Proyección de mapas.

El MRT usa el llamado paquete general de transformación cartográfica (GCTP) y
permite realizar proyecciones en las siguientes grillas de mapeo:
• Albers Equal Area.

• Equirectangular.
• Geographic.
• Hammer.
• Intergerized inusoidal.
• Interrupted Goode Homolosine.
• Lambert Azimuthal.
48
• Lambert Conformal Conic.
• Mercator.
• Molleweide.
• Polar Stereographic.
• Sinusiodal.
• Transverse Mercator.
• Universal Transverse Mercator.
El GCTP usado por el MRT ha sido modificado para incorporar la proyección
Intergerized Sinusoidal aplicada originalmente a la versión 001 de productos
MODIS.
3.5.7 Remuestreo.
El MRT posee tres métodos de remuestreo, el (NN) o vecino cercano, (BIL) o
bilineal y (CC) o convolución cubica.
3.5.8 Conversión de formato.

El MRT tiene la opción de convertir los archivos de entrada a diferentes formatos
sin necesidad de cambiar el tipo de proyección. Los posibles formatos de entrada
y de salida se describen en formatos de archivos arriba. El convertidor de formato
puede soportar diferentes configuraciones espectrales y espaciales. Cuando se
realicen conversión de formatos, el proceso de remuestreo puede ser omitido. El
tipo de proyección de salida y los parámetros de proyección no son necesarios y
serán ignorados si se especifican. En conversión de formato el tipo de proyección
de salida es igual al tipo de la proyección de entrada, y los parámetros de salida
son los mismos a los parámetros de entrada. El tamaño del pixel se mantiene igual
al tamaño del pixel de entrada.
49
3.5.9 Herramienta mosaico.
La herramienta MRT puede generar mosaicos de múltiples Tiles juntos antes de
realizarles la reproyección, luego los mosaicos son generados automáticamente
con los archivos de entrada seleccionados. Los mosaicos también pueden
realizarse a partir de la línea de comandos o desde la interface de entrada.
3.5.10 Conversión del Datum.

El MRT soporta un número limitado de Datums de los archivos de entrada y salida
para ser convertidos. Los Datums soportados son:
• North American Datums of 1927 (NAD27), y 1983 (NAD83).

• World Geodetic Systems of 1966 (WGS66), 1972 (WGS72) y 1984 (WGS84).
3.5.11 Configuración espectral.

Los archivos HDF-EOS contienen muchas capas de datos, los que son llamados
Science Data Sets (SDS). El termino “SDS” se cambia en este documento por
“Banda”. Cualquier configuración en las bandas del archivo de entrada puede ser
seleccionada para realizar la reproyección, por defecto el programa usa todas las
bandas para la reproyección.
3.5.12 Configuración espacial.

La configuración espacial se define por la entrada de las dos esquinas del
rectángulo, superior izquierda e inferior derecha. Estas esquinas están
especificadas también como la latitud y la longitud de las coordenadas de entrada,
o como proyección de coordenadas de salida. Por defecto la proyección es toda la
imagen de entrada, usando las coordenadas de límite rectangular de los atributos
globales de los metadatos.
50
3.5.13 Tamaño de los pixeles de salida.
Debido a que los productos MODIS poseen una resolución nativa basada en
arcosegundos en el ecuador, los pixeles de entrada no son exactamente como lo
dicen, por ejemplo, productos de 250m contienen un tamaño de pixel de 231.7m,
productos de 500m tiene pixeles de 463.3m y los productos de 1000m poseen
pixeles de 926.6m. El MRT toma estos valores por defecto a menos que se
escriba un valor diferente.
3.5.14 Metadata.
El MRT extrae información útil de los archivos de entrada la cual se puede ver en
la ventana de metadatos de la interface de la herramienta, esta muestra
información básica como son el número de bandas disponibles, tipo de datos,
numero de linear y muestras, y los valores de la esquina superior izquierda e
inferior derecha.
51
4. METODOLOGÍA.
4.1 DESCARGA DE IMÁGENES MODIS.
La descarga de las imágenes MODIS se realiza de manera gratuita desde la

página de la NASA http://glovis.usgs.gov/, para este propósito se requiere
registrarse en la página y crear una cuenta, luego de obtener su nombre de
usuario y contraseña se puede realizar todas las descargas que se requieran.
Es importante determinar que tipo de productos y que fechas específicas se

requieren para la cada estudio en particular, en este caso se obtuvieron los
productos MODIS-Terra MOD13A, MOD15A1 y MOD09A1 para los periodos de
tiempo 2000-2001, 2006-2007 y 2011-2012.
A continuación se ilustra paso a paso la forma de adquirir las imágenes:
Primero se ingresa a la pagina, www.glovis.usgs.gov . Ver Figura 15.
52
Figura 15. Pagina de inicio [5].
Estando aquí en esta pagina buscamos en la barra de herramientas la pestaña

Collectio, ésta despliega una ventana donde se pueden ver los diferentes
productos disponibles, luego vamos a la pestaña MODIS Terra, la cual despliega
todos los productos MODIS Terra que hay disponibles, estando aquí vamos a la
pestaña del producto específico que queremos obtener, en este caso escogemos
el producto MOD09A1. Ver Figura 16.
53
Se selecciona el producto
MOD09A1
Figura 16. Pestaña desplegada de productos MODIS Terra [5].
Luego de seleccionar el producto MOD09A1 observamos en la ventana izquierda

un pequeño mapa mundial el cual podemos usar para seleccionar los Tile que se
requieren, estos también se pueden seleccionar usando los campos de abajo
como H/V o Lat/Long, o también esta la posibilidad de navegar por el mapa
usando las flechas de desplazamiento, abajo podemos ver un cuadro con la
información de la imagen y las pestañas para seleccionar las fechas específicas.
Ver Figura 17.
54
Mapa para señalar la zona de la cual se
requieren las imágenes o Tiles.
Selección de imágenes o Tiles por medio

le H/V o Lat/Long, en el caso de Colombia
está compuesta por 6 Tiles 10-7, 11-7, 10-
8, 11-8, 10-9, 11-9, esta nomenclatura
para H/V.
Flechas de desplazamiento dentro del

mapa para seleccionar los Tiles
requeridos.
Cuadro de información donde se muestra

el ID de la imagen, fecha de adquisición y
el ID del granulo
Pestañas de entrada de fechas para las

imágenes requeridas.
Indica el producto seleccionado para

realizar las descargas de las imágenes
Pestañas para adicionar o eliminar Tiles y

agregar al carro de pedido de imágenes.
Figura 17. Ventana para seleccionar y descargar Tiles [5].
55
Para el caso específico de Colombia es necesario descargar los seis Tiles que
cubren toda su area, en la Figura 18 se muestra la nomenclatura de los Tiles que
conforman el área de Colombia.
Tile (10-7). Tile (11-7).
Tile (10-8). Tile (11-8).
Tile (10-9). Tile (11-9).
Figura 18. Tiles que cubren el área de Colombia [5].
56
Luego de agregar los Tiles requeridos por medio de la pestaña add, le damos clic
en la pestaña send to cart, eso adiciona todos los Tiles a la lista de pedido la cual
es enviada al servidor de la página de glovis, aquí se debe iniciar sesión, luego se
recibe un correo de confirmación de pedido, y por último se recibe un link de
donde se bajan las imágenes pedidas. Ver figura 19.
1. Iniciar sesión con el

usuario y contraseña.
2. Suministrar la orden con

los Tiles seleccionados.
3. Confirmar el pedido.
4. Listado de las imágenes

pedidas.
Figura 19. Pasos para hacer el pedido de las imágenes.
57
Posteriormente se recibe en la cuenta de correo registrada dos notificaciones, una
que confirma el pedido de las imágenes y otra con los link de descarga. Ver figura
20.
Correo de confirmación
y correo con link de
descarga.
Links de descarga
Figura 20. Correos confirmación pedido y link de descarga.
58
Las imágenes que se descargan del portal del USGS, inicialmente no poseen ni la
proyección ni el dátum requerido para este estudio, que son UTM para la zona 18
Norte en dátum WGS84, por lo que se hace necesario realizar una transformación
y conversión a los datos originales, para esto se utilizan herramientas como el
MRTools.
Para este trabajo en particular se descargaron imágenes MODIS para los años
2000, 2006 y 2011, para los productos MOD09A1, MOD13A1 y MOD15A2 para
un total de 1958 imágenes y 69.6 gigabytes.
En la figura 21 se ve la forma en que se almacenaron las imágenes por año, por

banda y por Tile.
Figura 21. Formato de almacenamiento de las imágenes MODIS.
59
4.2 GENERACIÓN DE MOSAICOS Y CAMBIO DE PROYECCIÓN POR MEDIO
DE LA HERRAMIENTA MRT (MODIS REPROJECTION).
Para la generación de los mosaicos y el cambio de proyección utilizamos la

aplicación MRT, para esto se requiere tener los 6 Tiles que conforman el área de
Colombia, ordenados por fechas y tipo de producto.
Nombre y tipo
de archivo de
Archivos de salida.
entrada.
Selección tipo de
remuestreo.
Selección tipo de
Meta data
proyección
archivos de
archivo de salida
entrada.
y parámetros.
Tamaño de pixel,
Selección de en este caso
bandas 463.3m.
disponibles
según el
producto. Ejecutar o
convertir
formato.
Figura 22. Interface se entrada programa MRTools.
Este software permite la realización de mosaicos a partir de los Tiles y al mismo

tiempo se puede realizar el cambio de la proyección, generando un archivo de
salida que puede ser en formato HDF EOS, GEO TIFF y Binario Crudo. Para el
caso especifico de Colombia, se realizó un mosaico uniendo los seis Tiles que
60
conforman el territorio continental y se realizó la transformación de la proyección
de Sinusoidal a proyección UTM zona 18, con Datum WGS84.
Formato datos de
Datos de entrada.
Tipo proyección
seleccionadas.
remuestreo.
Meta datos.
de salida.
Tipo de
Bandas
salida.
Figura 23. Carga de datos de entrada herramienta MRTool.
En el proceso se deben seleccionar las bandas que se desean transformar, las

cuales varían según el producto MODIS utilizado, también se debe especificar el
nombre y el tipo de formato de salida, método de remuestreo, tipo de proyección
61
de salida y tamaño de pixel (463.3m), en este caso se requiere de proyección
Sinusoidal ya que el TiSeG no reconoce imágenes MODIS con otro tipo de
proyección, la secuencia con los pasos se muestra en el diagrama a continuación.
Ver figura 24.
Figura 24. Diagrama del proceso programa MRTool.
Luego de este proceso se obtiene un mosaico con una proyección Sinusoidal la

cual ya esta lista para ingresar en el programa TiSeG y realizar la serie de tiempo.
Luego de obtener los datos de salida del TiSeG se puede realizar este mismo
procedimiento y convertir la proyección de Sinusoidal a una proyección UTM zona
18 y datum WGS84. En la figura 25 se puede ver la imagen resultante para el
producto MOD13A1 EVI para el año 2006.
62
Figura 25. Mosaico producto MOD13A1 EVI, proyección Sinusoidal, año 2006.
63
4.3 GENERACIÓN DE SERIES DE TIEMPO USANDO LA HERRAMIENTA
TiSeG.
Para la generación de las series de tiempo abrimos la herramienta TiSeG desde el

programa ENVI+IDL 4.8 proceso que se describe a continuación:
• Abrir el programa ENVI+IDL 4.8, en la pestaña archivo del IDL buscamos la

herramienta TiSeG, si no aparece la buscamos por Abrir y vamos a la
ubicación donde se encuentra guardada, después de hacer esto se despliega
una pequeña ventana del TiSeG1.3.
1 Damos clic en la
pestaña abrir.
3 Se abre la
aplicación TiSeG
en una pequeña
ventana.
2 Buscamos la
aplicación TiSeG
y damos clic.
Figura 26. Pasos para abrir la herramienta TiSeG.
64
Luego de abrir la herramienta TiSeG, damos clic en la pestaña File donde se
despliega una ventana y damos clic en la pestaña add Files y seleccionamos los
archivos con los cuales se va a hacer la serie de tiempo, luego de adicionarlos
cerramos la ventana y pasamos a la pestaña Analysis en la ventana del TiSeG y
damos clic en Quality Assessment, Ver figura 27.
5 Clic en Analysis y luego

1 Damos clic en clic en Quality
File y buscamos Assessment.
Add File.
4 Clic en cerrar
ventana.
3 Vamos a la carpeta
donde están los archivos
y los adicionamos.
Archivos adicionados
para realizar las series
2 Se selecciona el de tiempo.
tipo de archivos, ya
sean Terra o Aqua.
Figura 27. Pasos para adicionar los archivos usados para la serie de tiempo.
65
Luego se despliega la ventana de Quality Analysis donde se ingresan los
parámetros para la serie de tiempo (ver Figura 28) en este caso son:
1. Time Series: 500m 16 days EVI 2. General Quality: Good.
3. Method: 1. 4. Sampling Factor: 1.
5. Spatial mode: General quality. 6. Spatial analysis: Invalid pixel.
y Maximun gap
7. Temporal mode: Overall quality. 8. Temporal analisys: Invalid pixels and
maximun gap.
Luego de configurar el TiSeG con los parámetros deseados se le da clic en Select

all, Apply settings y por último en Display para que comience el proceso de cálculo
de la serie de tiempo por calidad de pixel.
3 4
5 6
1
Ventana de
2 información
espacial cargada.
Ventana de
visualización Espacial.
1 Select all.
3 Display.
Ventana de
texto.
2 Apply
7 8
settings.
Ventana de
desplazamiento.
Ventana de visualización
Temporal.
Figura 28. Parámetros configuración TiSeG.
66
Luego de algunos minutos después de iniciado el proceso obtenemos el resultado
de la serie de tiempo para el producto MODIS MOD13A1 500m_16days_EVI, la
información obtenida es una imagen de calidad general para pixeles inválidos o
para máximum gap, según se requiera, la cual se encuentra en la ventana de
visualización espacial, una gráfica de porcentaje de pixeles inválidos v.s pixeles
inválidos en la ventana de visualización temporal, donde se ve el comportamiento
de los pixeles inválidos en la imagen de calidad obtenida. También muestra el
número de pixeles inválidos los cuales se especifican en la ventana de texto, y su
clasificación de calidad por color. Ver figuras 29, 30 y 31.
Figura 29. Resultado serie de tiempo producto MOD13A1 EVI, año 2006, Calidad General,
pixeles inválidos.
67
Figura 30. Numero de pixeles inválidos y clasificación de la
Figura 31. Grafica de Calidad Promedio de los pixeles inválidos.
También se puede visualizar el comportamiento de las interpolaciones en cada

punto o pixel, las interpolaciones pueden ser Lineales, o spline. Los resultados se
pueden observar en el cuadro de texto. Ver figuras 32, 33 y 34.
Figura 32. Interpolación lineal de calidad general de los pixeles inválidos.
68
Figura 33. Interpolación spline de calidad general de los pixeles inválidos.
Valores de calidad
para cada pixel elegido
aleatoriamente.
Figura 34. Información arrojada por el TiSeG en el cuadro de texto.
Luego de examinar las graficas se procede a guardar el análisis obtenido, esto se

realiza dando clic en Savel analysis, de aquí se obtiene un archivo con nombre
“data_cube” y extensión .HDF, el cual se utiliza para el proceso posterior de
interpolación.
69
Damos clic en Save
Analysis, y se obtiene
un archivo
“data_cube”.
Figura 35. Guardado del análisis y obtención del data_cube.
Posterior mente procedemos a realizar la interpolación usando el archivo

data_cube.hdf obtenido anteriormente, para esto debemos cargar los datos
iniciales en el TiSeG los cuales fueron utilizados para realizar el data_cube.
Se selecciona la banda que se va a interpolar.
Abrir el data_cube obtenido.
Direccionamos a la carpeta donde queremos

guardar la interpolación.
Seleccionamos el tipo de interpolación que

se va a realizar, para este caso usamos lineal.
Figura 36. Selección del tipo de interpolación en TiSeG.
70
Seleccionamos el tipo de interpolación, en
este caso Lineal.
Seleccionamos Gap length 5.
Seleccionamos Fill value por defecto -3000.
Seleccionamos Block size 900.
Seleccionamos Good value por defecto 3.
Finalizamos con OK.
Figura 37. Interpolación en TiSeG.
Como proceso final se obtiene un archivo en formato HDF el cual contiene los
datos de la interpolación los cuales pueden ser abiertos en programas como
ERDAS 8.7, o convertidos en formato GEOTIFF por medio de la herramienta
hdf_tif.sav la cual corre bajo el programa IDL en el ENVI 4.8, pero es mas
recomendado correrlo bajo el ENVI 5.0, esta herramienta hdf_tif.sav fue
desarrollada por Colditz R; Al dar clic en la aplicación se abre una ventana la cual
pide se ingrese el archivo de entada, ósea el archivo interpolado con extensión
HDF, luego se abre otra ventana en la cual se pide se ingrese un archivo en
formato GEOTIFF el cual debe ser de la misma área de estudio y tener la
proyección que queremos que tenga nuestro archivo de salida en formato
GEOTIFF, por ultimo se abre otra ventana en la cual pide se ingrese la ruta y el
nombre del archivo de salida el cual será en formato GEOTIFF del archivo
71
interpolado anteriormente el cual estaba en formato HDF. Al tener el archivo
interpolado en formato GEOTIFF podremos abrirlo en cualquier programa como
ENVI o ArcMap.
Damos clic en la aplicación hdf_tif.sav y se

despliegan las tres ventanas.
Figura 38. Aplicación hdf_tif.sav.
Seleccionamos el archivo interpolado

de entrada en formato hdf.
Figura 39. Ventana para seleccionar archivo de entrada hdf.
72
Seleccionamos el archivo geotiff de
referencia.
Figura 40. Ventana para seleccionar archivo geotiff de referencia.
Especificar el archivo de salida.
Figura 41. Ventana para seleccionar el archivo de salida.
73
Después de este paso se obtiene un archivo en formato GEOTIFF el cual puede
ser abierto en programas como ArcMap, ERDAS, o ENVI.
Este proceso se realiza para los años 2006 y 2011, para los productos MODIS
MOD13A1, MOD15A2 y MOD09A2.
74
5. RESULTADOS.
5.1 Mosaicos MOD13A1 para los años 2006 y 2011.

Los mosaicos obtenidos para los años 2006 y 2011 usados para la generación de
las series de tiempo se encuentran en proyección sinusoidal ya que el TiSeG no
acepta datos en otras proyecciones.
Figura 42. Mosaico EVI, 2006, proyección sinusoidal.
75
Figura 43. Mosaico EVI, 2011, proyección sinusoidal.
76
5.2 Series de Tiempo (MVC) ó valor máximo de composición para pixeles
inválidos y Max gap para el producto MOD13A1.
Para la creación de la imagen de calidad para el producto MOD13A1 con el valor

máximo de composición para los años 2006 y 2011, se configuro el TiSeG con
Calidad general Buena, sin correcciones atmosféricas ya que no es recomendado
realizar correcciones atmosféricas para este tipo de series de tiempo.
Figura 44. Imagen serie de tiempo (MVC), banda EVI y NDVI, Año 2006, pixeles inválidos.
77
Figura 45. Numeró de pixeles inválidos, año 2006, bandas EVI y NDVI.
Figura 46. Grafico visualización temporal para Calidad promedio, pixeles inválidos, bandas
EVI y NDVI, año 2006.
Figura 47. Grafico visualización temporal para interpolación lineal, pixeles inválidos, bandas
EVI y NDVI, año 2006.
En la figura 45 se muestra la cantidad de pixeles inválidos para la serie de tiempo

año 2006, bandas EVI y NDVI, en este caso son 23 el numero de pixeles inválidos.
En la figura 46 podemos determinar que el mejor composite de la serie de tiempo
es el 13 ya que presenta el menor numero de pixeles inválidos, este corresponde
a la versión de adquisición numero 193, según nomenclatura MODIS, ósea al mes
78
de julio del año 2006 (ver figura 50). En la figura 47 se observa el comportamiento
de la interpolación lineal para mejorar la serie de tiempo.
Figura 48. Composite de entrada Numero 13, año 2006, banda EVI.
79
Figura 49. Composite de entrada Numero 13, año 2006, banda NDVI.
80
Figura 50. Mejor calidad por composite para la serie de tiempo 2006, corresponde al
composite 13, versión de adquisición 193.
81
En la figura 50 vemos el mejor composite para la serie de tiempo para el año
2006, para el producto MOD13A1, los pixeles color rojo son los pixeles inválidos y
los pixeles negros son los pixeles validos.
Figura 51. Imagen serie de tiempo de Calidad, banda EVI y NDVI, Año 2006, Maximun gap.
82
Figura 52. Numeró Maximun gap, año 2006, banda EVI y NDVI.
Figura 53. Grafico visualización temporal para Calidad promedio, Maximun gap, banda EVI y
NDVI, año 2006.
La figura 53 muestra el comportamiento de Maximun gap, la cual indica que mas

del 60% de los pixeles presenta un Maximun gap de 22.
Figura 54. Grafico visualización temporal para interpolación lineal, Maximun gap, banda EVI
y NDVI, año 2006.
83
Figura 55. Imagen serie de tiempo de Calidad, banda EVI y NDVI, Año 2011, pixeles inválidos.
84
Figura 56. Numeró de pixeles inválidos, año 2011, banda EVI y NDVI.
Figura 57. Grafico visualización temporal para Calidad promedio, pixeles inválidos, banda
EVI, año 2011.
Figura 58. Grafico visualización temporal para interpolación lineal, pixeles Inválidos, banda
EVI, año 2011.
En la figura 55 se muestra la cantidad de pixeles inválidos para la serie de tiempo

año 2011, banda EVI en este caso son 23 el numero de pixeles inválidos. En la
figura 56 podemos determinar que el mejor composite de la serie de tiempo es el
15 ya que presenta el menor numero de pixeles inválidos (ver Figura 59), este
corresponde ala versión de colección 225, según la nomenclatura MODIS, ósea al
85
mes de Agosto del año 2011. En la figura 51 se observa el comportamiento de la
interpolación lineal para mejorar la serie de tiempo.
Figura 59. Composite de entrada Numero 15, año 2011, banda EVI.
86
Figura 60. Composite de entrada Numero 15, año 2011, banda NDVI.
87
Figura 61. Mejor calidad por composite para la serie de tiempo 2011, corresponde al
composite 15, versión de colección 225.
88
En la figura 61 vemos el mejor composite para el producto MOD13A1 para la serie
de tiempo del año 2011, los pixeles color rojo son los pixeles inválidos y los pixeles
negros son los pixeles validos.
Figura 62. Imagen serie de tiempo de Calidad, banda EVI, Año 2011, Maximun gap.
89
Figura 63. Numeró Maximun gap, año 2011, banda EVI.
Figura 64. Grafico visualización temporal para Calidad promedio, Maximun gap, banda EVI,
año 2011.
Figura 65. Grafico visualización temporal para interpolación lineal, pixeles inválidos, banda
EVI, año 2011.
90
5.3 Archivo GEOTIFF de referencia para convertir de HFD a GEOTIFF.
Este archivo fue creado para convertir los archivos de las interpolaciones que
están en formato HFD a formato GEOTIFF, este archivo se creo en la herramienta
MRT convirtiendo el mosaico que se encontraba en proyección sinusoidal a
proyección UTM, zona 18, Datum WGS84.
Figura 66. Mosaico con proyección UTM, zona 18, Datum WGS84.
91
5.4 Imágenes producto MODIS MOD13A1 Interpoladas para los años 2006 y
2011,
En este caso se realizo una interpolación de tipo lineal a los archivos data_cube
arrojados por la herramienta TiSeG, la configuración utilizada para la interpolación
se muestra en la figura 67. Para identificar los cambios en los datos obtenidos
después de la interpolación se comparan con los datos interpolados con los datos
del data_cube, para lo cual se toman los composite de mejor calidad del producto
MOD13A1 para los años 2006 y 2011, los cuales son el composite 13 y 15
respectivamente.
Figura 67. Configuración usada para la interpolación.
En las figuras 68 y 69, podemos ver los cambios notables en ambas imágenes, se
puede ver que la imagen interpolada (figura 69) presenta menos cantidad de
pixeles inválidos los cuales se representa por el color verde claro. Esta mejora en
la calidad de la imagen es igualmente notoria en todos los composites de la serie
de tiempo. Lo mismo ocurre para NDVI.
92
Figura 68. Composite 13, para la serie de tiempo 2006, sin interpolación EVI 2006.
93
Figura 69. Composite 13, para la serie de tiempo 2006, interpolada EVI 2006.
94
Figura 70. Composite 13, para la serie de tiempo 2006, interpolada NDVI 2006.
95
96
Figura 72. Composite 15, para la serie de tiempo 2011, interpolada EVI 2011.
97
Figura 73. Composite 15, para la serie de tiempo 2011, interpolada NDVI 2011.
98
6. CONCLUSIONES Y RECOMENDACIONES.
• Las imágenes satelitales presentan múltiples fuentes de error debido a la

presencia de nubes, gases y aerosoles atmosféricos los cuales pueden ser
removidos o mejorados por medio de un análisis de calidad o interpolaciones
usando Series de Tiempo por medio de la herramienta TiSeG.
• Se recomienda el uso del programa ENVI 5.0 para correr las herramientas para
generar las series de tiempo y para cambiar los formatos de salida, ya que las
aplicaciones para convertir los datos interpolados de formado HDF a GEOTIFF
o a BINARIO funcionan mejor bajo este programa, ya que en el ENVI 4.8,
presenta problemas por que se hace insuficiente la cantidad de memoria RAM
que se asigna para realizar dicho trabajo.
• Las series de tiempo (MCV) ó valor máximo de composición tienen el mismo

comportamiento para las bandas presentes dentro del mismo producto MODIS,
por ejemplo para MOD13A1, contiene las bandas EVI y NDVI, estas presentan
las mismas características.
• Las series de tiempo MCV funcionan mejor cuando se realizan con datos
crudos sin correcciones atmosféricas.
• Generalmente las series de tiempo son prerrequisitos en todos los estudios

que envuelvan información espacial proveniente de sensores remotos para el
análisis de los procesos en la superficie de la tierra, como cambios de
cobertura ya que mejoran la calidad de los datos.
• Las series de tiempo para los productos MOD09A1 y MOD15A2 se realizan de

la misma forma que para el producto MOD13A1, pero estos requieren de un
computador con mejores especificaciones de RAM y procesador, ya que estos
productos poseen una mayor resolución temporal, recopilando imágenes cada
8 días, por lo que un año tiene 46 mosaicos, haciendo necesario una maquina
99
con mejores características para realizar de forma adecuada los procesos e
interpolaciones.
• Las series de tiempo contribuyen en las investigaciones de los cambios de la

tierra, identificando el estado actual del medio ambiente y su trasformación y se
deben tener en cuenta factores como el número de pixeles inválidos y la
máxima longitud del intervalo.
• La apropiada configuración de calidad puede variar significativamente entre

diferentes regiones y temporadas del año.
• Las interpolaciones a largo plazo es uno de los métodos estadísticos más

recomendados para evaluar y comparar las series de tiempo.
• Las imágenes obtenidas para las series de tiempo 2006 y 2011, en las bandas
EVI y NDVI, muestras una evidente mejora comparándolas con las imágenes
originales, lo cual demuestra la efectividad de las series de tiempo para el
mejoramiento de la calidad de las imágenes MODIS por medio de la
herramienta TiSeG.
100
7. BIBLIOGRAFÍA.
[1]. Bagan, H., Wang, Q., Watanabe, M., Yang, Y., & Ma, J. (2005). Land cover
classification from MODIS EVI times-series data using SOM neural network.
International Journal of Remote Sensing, 26(22), 4999-5012.
doi:10.1080/01431160500206650
[2]. Ben‐Ze’ev, E., Karnieli, a., Agam, N., Kaufman, Y., & Holben, B. (2006).
Assessing vegetation condition in the presence of biomass burning smoke by
applying the Aerosol‐free Vegetation Index (AFRI) on MODIS images. International
Journal of Remote Sensing, 27(15), 3203-3221. doi:10.1080/01431160500177380
[3]. COLDITZ, Rene R. En: Time Series Generation and Classification of

MODIS Data for Land Cover Mapping. Tesis de Doctorado. Würzburg.
Universidad de Würzburg. 2007. 2p.
[4]. Jaquin Anne, Sheeren David, Lacombe Jean P. (2009), Vegetation cover
degradation assessment in Madagascar savanna base on trend analysis of MODIS
NDVI time series. International Journal of Applied Earth Observation and
Geoinformation.
[5] http://glovis.usgs.gov/
[6]. http://idechg.chguadalquivir.es/geoportal/es/teledeteccion/modis.html
[7]. https://lpdaac.usgs.gov/
[8]. Marsden, C., le Maire, G., Stape, J.-L., Seen, D. L., Roupsard, O., Cabral,
O., Epron, D., et al. (2010). Relating MODIS vegetation index time-series with
structure, light absorption and stem production of fast-growing Eucalyptus
plantations. Forest Ecology and Management, 259(9), 1741-1753.
doi:10.1016/j.foreco.2009.07.039
101
[9]. MAS Jean François. En: Aplicaciones del Sensor MODIS para el Monitoreo
del Territorio. 2007.
[10]. Pan, Y., Li, L., Zhang, J., Liang, S., Zhu, X., & Sulla-menashe, D. (2012).
Remote Sensing of Environment Winter wheat area estimation from MODIS-EVI
time series data using the Crop Proportion Phenology Index, 119, 232-242.
doi:10.1016/j.rse.2011.10.011
[11]. Rodríguez, Osca, & Arredondo, Harold. En: Manual para el Manejo y
Procesamiento de Imágenes Satelitales Obtenidas del Sensor MODIS de la NASA
Aplicándolo a Estudios de Ingeniería Civil. Pontificia Universidad Javeriana,
Facultad de Ingeniería Civil, Bogotá, 2005.
[12]. Wardlow, B. D., & Egbert, S. L. (2010). A comparison of MODIS 250-m EVI
and NDVI data for crop mapping: a case study for southwest Kansas. International
Journal of Remote Sensing, 31(3), 805-830. doi:10.1080/01431160902897858
[13]. Zhang, X., Sun, R., Zhang, B., & Tong, Q. (2008). Land cover classification
of the North China Plain using MODIS_EVI time series. ISPRS Journal of
Photogrammetry and Remote Sensing, 63(4), 476-484.
doi:10.1016/j.isprsjprs.2008.02.005
[14]. Zhang, Y., Yu, Q., Jiang, J., & Tang, Y. (2008). Calibration of Terra/MODIS
gross primary production over an irrigated cropland on the North China Plain and
an alpine meadow on the Tibetan Plateau. Global Change Biology, 14(4), 757-767.
doi:10.1111/j.1365-2486.2008.01538.x
102
LISTA DE FIGURAS
Figura 1. Nomenclatura de los productos MODIS [7]. ............................................ 23

Figura 2. Lista de composites MODIS. .................................................................. 30
Figura 3. Explicación uso de Shoulders en las series de tiempo. .......................... 31
Figura 4. Creación de composites falsos o de prueba. .......................................... 32
Figura 5. Ventana Análisis de Calidad programa TiSeG. ....................................... 33
Figura 6. Ejemplo configuración (MOD13Q1). ....................................................... 34
Figura 7. Grafica interpolación buena. ................................................................... 40
Figura 8. Grafica interpolación muy estricta. .......................................................... 40
Figura 9. Grafica interpolación buena. ................................................................... 41
Figura 10. Grafica interpolación combinada. ......................................................... 42
Figura 11. Grafica interpolación menos estricta. .................................................... 42
Figura 12. Grafica interpolación combinada. ......................................................... 43
Figura 13. Ventana de interpolación, herramienta TiSeG. ..................................... 43
Figura 14. Problemas potenciales de las técnicas de interpolación espacial. ........ 45
Figura 15. Pagina de inicio [5]................................................................................ 53
Figura 16. Pestaña desplegada de productos MODIS Terra [5]. ........................... 54
Figura 17. Ventana para seleccionar y descargar Tiles [5]. ................................... 55
Figura 18. Tiles que cubren el área de Colombia [5]. ............................................ 56
Figura 19. Pasos para hacer el pedido de las imágenes. ...................................... 57
Figura 20. Correos confirmación pedido y link de descarga. ................................. 58
Figura 21. Formato de almacenamiento de las imágenes MODIS......................... 59
Figura 22. Interface se entrada programa MRTools. ............................................. 60
Figura 23. Carga de datos de entrada herramienta MRTool. ................................. 61
Figura 24. Diagrama del proceso programa MRTool. ............................................ 62
Figura 25. Mosaico producto MOD13A1 EVI, proyección Sinusoidal, año 2006. .. 63
Figura 26. Pasos para abrir la herramienta TiSeG. ................................................ 64
Figura 27. Pasos para adicionar los archivos usados para la serie de tiempo. ..... 65
Figura 28. Parámetros configuración TiSeG. ......................................................... 66
103
Figura 29. Resultado serie de tiempo producto MOD13A1 EVI, año 2006, Calidad
General, pixeles inválidos. ..................................................................................... 67
Figura 30. Numero de pixeles inválidos y clasificación de la ................................. 68
Figura 31. Grafica de Calidad Promedio de los pixeles inválidos. ......................... 68
Figura 32. Interpolación lineal de calidad general de los pixeles inválidos. ........... 68
Figura 33. Interpolación spline de calidad general de los pixeles inválidos. .......... 69
Figura 34. Información arrojada por el TiSeG en el cuadro de texto...................... 69
Figura 35. Guardado del análisis y obtención del data_cube. ............................... 70
Figura 36. Selección del tipo de interpolación en TiSeG. ...................................... 70
Figura 37. Interpolación en TiSeG. ........................................................................ 71
Figura 38. Aplicación hdf_tif.sav. ........................................................................... 72
Figura 39. Ventana para seleccionar archivo de entrada hdf. ................................ 72
Figura 40. Ventana para seleccionar archivo geotiff de referencia. ....................... 73
Figura 41. Ventana para seleccionar el archivo de salida. ..................................... 73
Figura 42. Mosaico EVI, 2006, proyección sinusoidal............................................ 75
Figura 43. Mosaico EVI, 2011, proyección sinusoidal............................................ 76
Figura 44. Imagen serie de tiempo (MVC), banda EVI y NDVI, Año 2006, pixeles
inválidos. ................................................................................................................ 77
Figura 45. Numeró de pixeles inválidos, año 2006, bandas EVI y NDVI. .............. 78
Figura 46. Grafico visualización temporal para Calidad promedio, pixeles inválidos,
bandas EVI y NDVI, año 2006. .............................................................................. 78
Figura 47. Grafico visualización temporal para interpolación lineal, pixeles
inválidos, bandas EVI y NDVI, año 2006. .............................................................. 78
Figura 48. Composite de entrada Numero 13, año 2006, banda EVI. ................... 79
Figura 49. Composite de entrada Numero 13, año 2006, banda NDVI.................. 80
Figura 50. Mejor calidad por composite para la serie de tiempo 2006, corresponde
al composite 13, versión de adquisición 193. ........................................................ 81
Figura 51. Imagen serie de tiempo de Calidad, banda EVI y NDVI, Año 2006,
Maximun gap. ........................................................................................................ 82
Figura 52. Numeró Maximun gap, año 2006, banda EVI y NDVI. .......................... 83
104
Figura 53. Grafico visualización temporal para Calidad promedio, Maximun gap,
banda EVI y NDVI, año 2006. ................................................................................ 83
Figura 54. Grafico visualización temporal para interpolación lineal, Maximun gap,
banda EVI y NDVI, año 2006. ................................................................................ 83
Figura 55. Imagen serie de tiempo de Calidad, banda EVI y NDVI, Año 2011,
pixeles inválidos. .................................................................................................... 84
Figura 56. Numeró de pixeles inválidos, año 2011, banda EVI y NDVI. ................ 85
Figura 57. Grafico visualización temporal para Calidad promedio, pixeles inválidos,
banda EVI, año 2011. ............................................................................................ 85
Inválidos, banda EVI, año 2011. ............................................................................ 85
Figura 59. Composite de entrada Numero 15, año 2011, banda EVI. ................... 86
Figura 60. Composite de entrada Numero 15, año 2011, banda NDVI.................. 87
Figura 61. Mejor calidad por composite para la serie de tiempo 2011, corresponde
al composite 15, versión de colección 225. ........................................................... 88
Figura 62. Imagen serie de tiempo de Calidad, banda EVI, Año 2011, Maximun
gap. ........................................................................................................................ 89
Figura 63. Numeró Maximun gap, año 2011, banda EVI. ...................................... 90
Figura 64. Grafico visualización temporal para Calidad promedio, Maximun gap,
banda EVI, año 2011. ............................................................................................ 90
inválidos, banda EVI, año 2011. ............................................................................ 90
Figura 66. Mosaico con proyección UTM, zona 18, Datum WGS84. ..................... 91
Figura 67. Configuración usada para la interpolación. ........................................... 92
............................................................................................................................... 93
Figura 69. Composite 13, para la serie de tiempo 2006, interpolada EVI 2006. .... 94
Figura 70. Composite 13, para la serie de tiempo 2006, interpolada NDVI 2006. . 95
............................................................................................................................... 96
105
Figura 72. Composite 15, para la serie de tiempo 2011, interpolada EVI 2011. .... 97
Figura 73. Composite 15, para la serie de tiempo 2011, interpolada NDVI 2011. . 98
106

Mejoramiento Calidad Imagen Hinestroza 2012

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mejoramiento Calidad Imagen Hinestroza 2012

Cargado por

Copyright:

Formatos disponibles

MEJORAMIENTO DE LA CALIDAD DE IMÁGENES MODIS POR MEDIO DE

SERIES DE TIEMPO USANDO LA HERRAMIENTA TiSeG.

CARLOS ANDRÉS HINESTROZA GÓMEZ

UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN

ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA

CARLOS ANDRÉS HINESTROZA GÓMEZ

Trabajo de grado presentado para optar al título de Especialista en Sistemas

Ing. German Mauricio Valencia Hernández

UNIVERSIDAD DE SAN BUENAVENTURA SECCIONAL MEDELLÍN

ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA

Firma del jurado

Firma del jurado

Medellín, 13 de diciembre de 2012

A mi asesor el Ingeniero German Mauricio Valencia Hernández por su ayuda y

A la Universidad de San Buenaventura, especialmente a la Facultad de

3.1.1 Especificaciones sensores MODIS. .................................................... 20

3.1.2 Datos MODIS. ........................................................................................ 21

3.1.3 Nomenclatura datos MODIS. ............................................................... 23

3.2 SERIES DE TIEMPO. ................................................................................... 24

3.2.1 TimeSat. ............................................................................................ 25

3.2.2 Hants. ................................................................................................ 25

3.2.3 TiSeG. .................................................................................................... 26

3.2.4 TimeStats. ............................................................................................. 28

3.3 ENFOQUES PARA LA GENERACIÓN DE SERIES DE TIEMPO. .............. 28

3.3.1 Composición y apilado de la información. .................................... 29

3.3.2 Filtrado. ............................................................................................. 29

3.3.3 Datos auxiliares. ............................................................................... 29

3.4 MANUAL PROGRAMA TiSeG. ................................................................ 30

3.4.1 Carga de la información MODIS. ..................................................... 30

3.4.2 Análisis de Calidad. ......................................................................... 33

3.4.3 Interpolación en TiSeG. ................................................................... 43

3.4.4 Análisis Armónico en TiSeG. .......................................................... 46

3.4.6 Post proceso..................................................................................... 46

3.5 PROGRAMA MRT (MODIS Reprojection Tool). .................................... 47

3.5.1 Plataformas. ...................................................................................... 47

3.5.2 Interfaces. ......................................................................................... 47

3.5.3 Datos. ................................................................................................ 48

3.5.4 Formato de archivos. ....................................................................... 48

3.5.5 Tipos de datos. ................................................................................. 48

3.5.6 Proyección de mapas. ..................................................................... 48

3.5.7 Remuestreo. ..................................................................................... 49

3.5.8 Conversión de formato. ................................................................... 49

3.5.9 Herramienta mosaico. ...................................................................... 50

3.5.10 Conversión del Datum. .................................................................... 50

3.5.11 Configuración espectral. ................................................................. 50

3.5.12 Configuración espacial. ..................................................................... 50

3.5.13 Tamaño de los pixeles de salida. .................................................... 51

3.5.14 Metadata. ........................................................................................... 51

4.2 GENERACIÓN DE MOSAICOS Y CAMBIO DE PROYECCIÓN POR

4.3 GENERACIÓN DE SERIES DE TIEMPO USANDO LA HERRAMIENTA

5.3 Archivo GEOTIFF de referencia para convertir de HFD a GEOTIFF. .. 91

5.4 Imágenes producto MODIS MOD13A1 Interpoladas para los años

6. CONCLUSIONES Y RECOMENDACIONES. ................................................ 99

La tierra es un sistema dinámico muy complejo en el cual ocurren intercambios de

2. ESTADO DEL ARTE

Entre las imágenes satelitales de baja resolución utilizadas para análisis de

Uno de estos productos está relacionado con el balance de energía, en el cual se

Un segundo producto incluye variables biofísicas relacionadas con la vegetación

Por ultimo un producto que involucra las características de cobertura terrestre,

Los sensores MODIS proporcionan una resolución radiométrica alta, de 12 bits, en

La distribución mundial de tierras para cultivar es un interés fundamental para un

En el la llanura del norte de China se realizó un estudio para la clasificación de las

En el occidente de Kansas en los Estados Unidos, donde se evaluó el efecto del

En el estado de Sao Paulo Brasil, se estudio las plantaciones de Eucalipto de