Mapa de uso y cobertura del suelo del valle agrícola de la cuenca baja del Río Chubut
; Flaherty, Silvia ; Pessacg, Natalia Liz ; Trujillo Jiménez, Magda Alexandra ; Pacheco, Cristian ; Díaz, Lucas Damián Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
2/01/2024
Fecha de creación:
27/12/2023
Clasificación temática
Palabras clave
Resumen
El mapa de uso y cobertura del suelo del valle agrícola del VIRCH (Valle Inferior del Río Chubut) fue generado por el Laboratorio EcoFluvial (IPEEC-CONICET) en colaboración con el IPCSH-CONICET, UNPSJB e INTA. El mismo representa 10 clases de uso y cobertura del suelo (Agua, Arbustal, Corrales, Construido, Invernaderos, Hortalizas, Frutales, Pasturas y Pasturas degradadas) para el año 2019 con una resolución de 10 x 10 m. La precisión global del mapa es de 85%. Para su elaboración se utilizaron imágenes satelitales Sentinel-2 para las fechas 12/09/2018, 12/10/2018, 31/12/2018, 25/01/2019, 26/03/2019, 20/04/2019. Los datos de campo fueron recolectados entre junio del 2018 y marzo del 2019. El algoritmo de clasificación que se utilizó fue creado por este grupo de trabajo y publicado en Trujillo et al. (2022) y mejorado por Liberoff et al (en revisión). El proceso de elaboración y validación del mapa involucró la participación social de distintos sectores mediante entrevistas, encuentros y talleres.
Información Técnica
Se presenta el mapa en diferentes formatos y calidades: Imagen TIF e imagen PNG, y formato KMZ / XML usado en presentación de datos geográficos.
Métodos
La clasificación de UyCS se realizó mediante el algoritmo SatRed v.2. SatRed es un modelo basado en redes neuronales para la clasificación del uso y cobertura del suelo utilizando imágenes satelitales (Trujillo-Jiménez et al. 2022). Este modelo cuenta con 4 capas secuenciales densamente conectadas. SatRed v.2 incorpora el post-procesamiento de las imágenes clasificadas con el fin de producir un efecto de parcelas más homogéneas y eliminar píxeles aislados que generan el efecto conocido como “sal y pimienta”. Este proceso utiliza parámetros específicos para cada cobertura de UyCS que deben ser revisados para cada caso particular y que son invocados por SatRed v.2 a través de una tabla en formato de valores separados por coma (.csv). El algoritmo de SatRed v.2 y todos los parámetros asociados al modelado de UyCS considerados en este trabajo se encuentran disponibles en https://github.com/aletrujim/SatRed/tree/main/satred2. El modelo de clasificación se entrenó en una máquina virtual patrocinada por Microsoft Azure 2, con el sistema operativo Windows Server 2016 Datacenter, de tamaño NC6 estándar (6 vCPUs [Intel Xeon CPU E5-2690 v3 2,60 GHz], con 56 GB de memoria RAM y un coprocesador GPU NVIDIA Tesla K80). Para incorporar el post-procesamiento se utilizaron los modelos pre-entrenados en la máquina virtual pero se corrieron en un equipo local con sistema operativo Fedora Linux 36 (Intel Core i7-4765T 2 Ghz, con 32 GB y un coprocesador GPU NVIDIA GeForce GTX 1660 Super). Los algoritmos se implementaron utilizando el lenguaje de programación Python. Como datos de entrada del algoritmo SatRed v.2 se utilizaron datos de campo e imágenes satelitales multi-espectrales y multi-temporales. En distintas etapas del proceso de generación y validación del mapa se incorporó conocimiento local, mediante entrevistas, encuentros y talleres que habilitaron procesos de intercambio de saberes y experiencias. Con respecto a las imágenes satelitales, se utilizaron tres teselas (T19GGM, T19GG y T20GLT) de Sentinel-2 para las fechas 12/09/2018, 12/10/2018, 31/12/2018, 25/01/2019, 26/03/2019, 20/04/2019. Las imágenes se descargaron de forma gratuita de la plataforma Copernicus. Se descartaron las tres bandas espectrales que proporcionan datos correspondientes a la atmósfera y sus componentes (Banda 1-aerosol/costero, Banda 9-vapor de agua y Banda 10 - cirros). Las seis bandas espectrales que tienen 20 m de resolución espacial (Bandas 5, 6 y 7- vegetation red edge; Banda 8A- narrow NIR y Bandas 11 y 12- SWIR 1 y 2) se re-muestrearon a 10 m y se combinaron con las cuatro bandas espectrales de 10 m (Banda 2- Azul, Banda 3- Verde, Banda 4-Rojo y Banda 8-NIR). De esta manera se generó un archivo multi-capas de 10 bandas espectrales con 10 m de resolución espacial para cada una de las teselas, un mosaico con los tres archivos multi-capas y posteriormente un recorte del área de estudio. Finalmente se generó un archivo de bandas apiladas multi-espectral y multi-temporal que combinó las 60 bandas espectrales correspondientes a las 6 fechas utilizadas. Todo el procesamiento de las imágenes se llevó a cabo utilizando software gratuito de SIG (QGIS v 3.4). Para reunir los datos necesarios para entrenar y validar la clasificación, se realizaron salidas de campo en junio, julio, agosto, septiembre, noviembre y diciembre del 2018, y en enero, febrero y marzo del 2019. En estas salidas, se tomaron fotos georreferenciadas en lugares representativos de las categorías definidas y se registró para cada foto el tipo de uso/cobertura del suelo. Las fotos georreferenciadas se utilizaron para generar un archivo vectorial de puntos, a partir de los cuales se generaron manualmente polígonos que encierran un área correspondiente a alguna de las categorías de UyCS. Para complementar la información de campo, se utilizaron imágenes de alta resolución de Google Earth a partir de las cuales se digitalizaron polígonos correspondientes a UyCS fáciles de identificar (por ejemplo, construcciones, agua, invernaderos). Finalmente, las capas vectoriales de polígonos fueron convertidas a capas ráster con el mismo tamaño (filas y columnas) y la misma resolución espacial (10 m) que las imágenes Sentinel-2 MSI utilizadas, ya que este es un requerimiento para la clasificación con el algoritmo SatRed. El conjunto de datos de campo se dividió al azar en dos sub-sets (entrenamiento 80% y evaluación 20%). Esta división al azar se realizó 6 veces de manera de obtener 6 versiones del modelo. El mapa final fue confeccionado utilizando el valor más frecuente para cada pixel (moda, n=6). La Precisión global del mapa final es 85%, la Exhaustividad 83% y el índice F1 84%.
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Licencia Creative Commons
Excepto donde se indique lo contrario, la licencia de este ítem se describe como by-nc-sa
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
Relacionados
No hay relacionados para mostrar.