Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mejoramiento Calidad Imagen Hinestroza 2012
Mejoramiento Calidad Imagen Hinestroza 2012
FACULTAD DE INGENIERÍAS
MEDELLÍN
2012
MEJORAMIENTO DE LA CALIDAD DE IMÁGENES MODIS POR MEDIO DE
SERIES DE TIEMPO USANDO LA HERRAMIENTA TiSeG.
Asesor
FACULTAD DE INGENIERÍAS
MEDELLÍN
2012
Nota de aceptación
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
__________________________
INTRODUCCIÓN ..................................................................................................... 9
1. OBJETIVO ...................................................................................................... 10
2. ESTADO DEL ARTE ...................................................................................... 10
3. MARCO TEÓRICO ......................................................................................... 19
3.1 SENSOR MODIS. ..................................................................................... 19
4. METODOLOGÍA. ............................................................................................ 52
4.1 DESCARGA DE IMÁGENES MODIS....................................................... 52
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
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
MEJORAMIENTO DE LA CALIDAD DE IMÁGENES MODIS POR MEDIO DE
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.
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.
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].
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].
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].
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].
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].
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].
18
3. MARCO TEÓRICO
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].
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.
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)
23
3.2 SERIES DE TIEMPO.
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].
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].
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].
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].
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].
29
3.4 MANUAL PROGRAMA TiSeG.
File List.
• Cargar la lista de composites MODIS por File – Add Files:
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:
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.
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.
32
3.4.2 Análisis de Calidad.
Analysis – Quality Analysis
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.
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.
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:
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.
38
Orden para seleccionar la configuración de calidad más apropiada.
o Ejemplos:
MOD15A2, año 2008, Tile h17v07 (West África), series de tiempo: FPAR.
39
Figura 7. Grafica interpolación buena.
40
Ejemplo para configuración de calidad débil:
41
• Configuración estricta: General Quality: buena, Cloudsrate: Clara,
Aerosol Detected: No.
42
Figura 12. Grafica interpolación combinada.
• Proceso de interpolación:
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.
45
3.4.4 Análisis Armónico en TiSeG.
• 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.
3.5.1 Plataformas.
El MRT es un software con alta portabilidad ya que esta disponible para 4
plataformas, y han sido probadas para los siguientes sistemas:
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).
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.
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.
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.
52
Figura 15. Pagina de inicio [5].
53
Se selecciona el producto
MOD09A1
54
Mapa para señalar la zona de la cual se
requieren las imágenes o Tiles.
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.
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.
3. Confirmar el pedido.
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
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.
59
4.2 GENERACIÓN DE MOSAICOS Y CAMBIO DE PROYECCIÓN POR MEDIO
DE LA HERRAMIENTA MRT (MODIS REPROJECTION).
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.
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.
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.
62
Figura 25. Mosaico producto MOD13A1 EVI, proyección Sinusoidal, año 2006.
63
4.3 GENERACIÓN DE SERIES DE TIEMPO USANDO LA HERRAMIENTA
TiSeG.
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.
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.
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.
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.
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
68
Figura 33. Interpolación spline de calidad general de los pixeles inválidos.
Valores de calidad
para cada pixel elegido
aleatoriamente.
69
Damos clic en Save
Analysis, y se obtiene
un archivo
“data_cube”.
70
Seleccionamos el tipo de interpolación, en
este caso Lineal.
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.
72
Seleccionamos el archivo geotiff de
referencia.
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.
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.
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.
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.
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.
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.
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
Figura 71. Composite 15, para la serie de tiempo 2011, sin interpolación EVI 2006.
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.
• 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 funcionan mejor cuando se realizan con datos
crudos sin correcciones atmosféricas.
99
con mejores características para realizar de forma adecuada los procesos e
interpolaciones.
• 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
[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
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
Figura 58. Grafico visualización temporal para interpolación lineal, pixeles
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
Figura 65. Grafico visualización temporal para interpolación lineal, pixeles
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
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
Figura 71. Composite 15, para la serie de tiempo 2011, sin interpolación EVI 2006.
............................................................................................................................... 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