Las posibilidades de generar inteligencia a partir de las imágenes satelitales son muy diversas. En nuestro caso hemos realizado diversos proyectos donde las imágenes satelitales han sido de gran importancia. Así por ejemplo hemos realizado proyectos donde se combinan bases cartográficas (ej. BTN25) con imágenes satelitales (ej. Sentinel-2) y modelos de machine learning para diversos propósitos. Pero en algunos casos no es necesario algo excesivamente sofisticado para generar inteligencia a partir de las imágenes satelitales y en este post vamos a poner un ejemplo de proyecto que sin grandes complicaciones permite generar valor directamente de las imágenes satelitales.
El proyecto que vamos a describir abordó la monitorización de masas de aguas y su evolución en el tiempo a partir de los datos de los satélites Sentinel. Para determinar el contenido de agua en una imagen satelital se puede calcular el índice denominado el Normalized Difference Water Index (NDWI), este índice se calcula según la siguiente formula:
NDWI= (Banda 3 (Green)-Banda 8(NIR))/ (Banda 3 (Green)+Banda 8 (NIR))
Para entender de forma intuitiva que es el NDWI vamos a utilizar como ejemplo uno de los pantanos monitorizado, este es el pantano de Guadarranque en la provincia de Cádiz. En la Figura-1 se muestra una imagen de este pantano tomada por Sentinel-2 y esta imagen es la superposición de las bandas Roja, Verde y Azul formándose una imagen en color.
Para poder “medir” la superficie de agua en el pantano, lo que nos interesa es “separar” en la imagen la parte que contiene agua del resto y para ello vamos a utilizar NDWI. Vemos que en la formula el valor de NDWI tiene que estar entre -1 (si el valor de Green es cero) y +1 (si el valor de NIR es cero), esto es, NDWI es un valor “normalizado” entre -1 y +1.
Veamos cómo funciona NDWI. El agua refleja la banda Green (banda 3), por lo que aparece clara en la imagen, mientras que la vegetación absorbe dicha banda y aparece oscura, esto se puede ver en la Figura-2 que muestra la banda Green (banda 3) del pantano.
En cambio la banda NIR (banda 8), funciona al revés, el agua absorve esta radiación (oscura en la imagen), mientras la tierra y vegetación la refleja (clara en imagen). Esta banda se puede ver en la Figura-3.
En definitiva NDWI, hace que aquellos pixeles que contengan agua aparezcan muy claros en la imagen, mientras que la tierra y vegetación aparecen oscuro, facilitando la extracción de la masa de agua. Como valor umbral para distinguir si un pixel contiene agua o no, se suele tomar 0.3, aunque en muchos casos, es necesario mediante prueba y error establecer un valor para el umbral.
Un problema habitual del NDWI es cuando hay zonas edificadas, ya que la banda NIR (banda 8) no contrasta excesivamente bien estas zonas. Esto hizo que se definieran nuevos indices, en particular el indice MNDWI, en el que se sustituye la banda NIR (banda 8) por la banda SWIR (banda 11), ya que esta banda contrasta mejor las zonas edificadas. La formula es:
MNDWI= (Banda 3 (Green)-Banda 11(SWIR))/ (Banda 3 (Green)+Banda 11 (SWIR))
Para entender esto veamos un ejemplo. En la Figura-4, se muestra la banda NIR y la banda SWIR de una parte de la Bahía de Algeciras. Como se comprueba, la banda SWIR resalta más las zonas edificadas (más claras) que la banda NIR, manteniendose en ambas el color oscuro del agua.
Nota: Si eres observador habrá notado que en la Figura-4 la imagen SWIR tiene menor resolución que la NIR, y esto es así pues Sentinel-2 ofrece la banda SWIR con una resolución de 20 metros, mientras que la NIR la ofrece con una resolución de 10 metros y esto hay que consideralo a la hora de utilizar la banda SWIR ya que en la formula MNDWI la banda Green tiene resolución de 10 metros.
En el proyecto se utilizó MNDWI, aplicando una paleta de color con el color azul como color cercano a +1. Aplicando MNDWI al pantano de Guadarranque con dicha paleta de color, para una imagen tomada con fecha 10/03/2019, en dicha fecha el pantano estaba bastante lleno acumulando 70 hm3, obtenemos la imagen de la Figura-5.
A partir de la imagen de la Figura-5 es posible ‘extraer’ la zona con agua tal como se muestra en la Figura-6. En el proyecto el objetivo era contrastar la superficie de agua de los pantanos entre dos fechas, así por ejemplo en fechas recientes (marzo de 2022) el pantano de Guadarranque tuvo su mínimo histórico en volumen de agua embalsada con sólo 23 hm3, en la Figura-7 se muestra el MNDWI para el 02/03/2022, así como la extracción del “cuerpo de agua” en la Figura-8. Como se comprueba la superficie de la Figura-8 es menor que la superficie de la Figura-6. Pudiéndose determinar dicha diferencia por substracción de ambas imágenes como se muestra en la Figura-9.
Si vienes del mundo del machine learning, como es mi caso, igual se te ha quedado una pequeña “espinita” clavada, pues al final hemos tenido que seleccionar un umbral (en este caso 0.3) para separar la masa de agua y seguro que te has preguntado: ¿este umbral funcionará en otros casos más complejos? y la respuesta es que no siempre funciona. Por tanto, SI, si es una buena idea deshacernos de este umbral y para ello podemos recurrir al machine learning, pero eso lo dejamos para otro día.
0 comentarios