Anda di halaman 1dari 10

DETERMINACIN DE LA SUPERFICIE NIVAL DEL PIRINEO CATALN MEDIANTE IMGENES LANDSAT Y MODIS CEA LPEZ, C. Departamento de Geografa.

Universitat Autnoma de Barcelona Cerdanyola del Valls, E-08193. Cristina.Cea@uab.cat CRISTBAL ROSSELL, J. Departamento de Geografa. Universitat Autnoma de Barcelona Cerdanyola del Valls, E-08193. Jordi.Cristobal@uab.cat PONS FERNNDEZ, X. Departamento de Geografa. Universitat Autnoma de Barcelona. Centro de Investigacin Ecolgica y Aplicaciones Forestales (CREAF) Cerdanyola del Valls, E-08193. Xavier.Pons@uab.cat RESUMEN El conocimiento de la superficie nival es esencial para la estimacin del volumen de agua producida por la fusin de la nieve y que drena hacia las diversas cuencas hidrolgicas. As mismo, es importante en la modelizacin de la distribucin de especies, as como en la determinacin de la emisividad de esta cubierta, dato sumamente til debido a su uso como parmetro de entrada en la correccin atmosfrica en el espectro del trmico. El estudio de esta cubierta puede efectuarse mediante la captura de datos puntuales tomados durante campaas de campo y su posterior interpolacin, aunque esta va no suele proporcionar una cobertura espacial y temporal de suficiente detalle y calidad. Por ello, el uso de la Teledeteccin, con un amplio abanico de sensores con diferente resolucin espacial y temporal, proporciona una informacin muy amplia para su conocimiento. El propsito principal de este trabajo es presentar un mtodo operativo para la determinacin de la cubierta nival para el periodo 2002-2005 del Pirineo cataln mediante el uso de imgenes Landsat-7 ETM+ y Landsat-5 TM, empleando dos metodologas, una primera referente a las zonas de solana mediante el empleo del ndice NDSI, un vector perimetral de nieve y una mscara de masas de agua, y, una segunda para las zonas umbras en la hora de paso del satlite, utilizando un mtodo de clasificacin no supervisada basada en el algoritmo ISODATA. Tambin se ha tenido en cuenta el producto de nieves elaborado por TERRA/AQUA-MODIS, y una metodologa propia a partir del clculo del ndice NDSI estableciendo un umbral de 0.3, menor que para Landsat, y la aplicacin de una mscara perimetral, sobre el producto de radiancias calibradas de TERRA/AQUA-MODIS. Las superficies resultantes para fechas coincidentes, permiten observar las importantes diferencias entre el uso de uno u otro satlite, obteniendo una mayor superficie en el producto de nieve de MODIS que las obtenidas con Landsat. No obstante, la superficie obtenida con la segunda metodologa empleada en las imgenes MODIS es menor que la superficie obtenida con Landsat. En esta direccin, la resolucin espacial juega un papel importante, pero tambin hay que tener en cuenta que los errores tanto de comisin como de omisin se encuentran en el piso altitudinal inferior, dnde la confusin con la cubierta forestal es importante.

Palabras clave Cubierta nival, Teledeteccin, Landsat, MODIS, Pirineo cataln, nieve.

1 Introduccin La variabilidad espacial y temporal de la cubierta nival hace necesario el estudio de su seguimiento especialmente en zonas con una dinmica estacional anual muy variable, como es el caso del Pirineo. Establecer su permetro mejora la estimacin del SWE (Snow Water Equivalent) producida por la fusin nival, dato necesario para la gestin y planificacin eficiente de los recursos hdricos a escalas regionales. Al mismo tiempo, la obtencin de una cartografa precisa de la cubierta nival tambin es de gran ayuda en la modelizacin de la distribucin espacial de las especies [1], sobretodo para mejorar el conocimiento actual de la biogeografa de ciertos organismos asociados a la presencia de nieve durante gran parte de su ciclo biolgico, as como para entender la fenologa de ciertas formaciones vegetales cubiertas de nieve gran parte del ao. As mismo, tambin es importante en la modelizacin de la emisividad, un dato usado como parmetro de entrada en la correccin atmosfrica en el espectro del trmico [2] y [3]. Dada la alta dinmica superficial de este fenmeno y puesto que parte de modelos actuales para la obtencin de la emisividad se elaboran a travs del NDVI y de un mapa de usos del suelo [4 y 3], la obtencin de la emisividad de la cubierta nival se hace especialmente complicada, cuando no imprecisa. En este sentido, la cartografa de calidad de la cubierta nival hace posible asignar un valor ms adecuado a esta cubierta en base a medidas de emisividad de la nieve obtenidas en el campo [5]. Una aproximacin tpica para la obtencin de este tipo de cartografa se lleva a cabo mediante la toma puntual de datos de campo diferentes variables (como la ausencia o presencia de nieve, precipitacin o temperatura en fechas concretas sobre la cubierta nival, etc.) y su posterior modelizacin mediante mtodos de interpolacin, hacindose difcil obtener datos de toda la zona de estudio de una forma regular (en tiempo y espacio), por no hablar de su coste econmico importante. A diferencia de los datos obtenidos mediante trabajo de campo, actualmente la existencia de un gran nmero de satlites que proporcionan datos de Teledeteccin, con una elevada resolucin espacial y temporal, hace posible observar el rea cubierta de nieve y su variacin temporal, permitiendo obtener una cartografa precisa incluyendo las zonas de acceso ms difcil. Dado que la nieve presenta una respuesta espectral muy elevada en las longitudes de onda del espectro visible (entre 0.4 y 0.7 m), que disminuye conforme aumenta la longitud de onda, siendo muy baja en torno a 1.5 m, el uso de los sensores como Landsat-5 TM, Landsat-7 ETM+ y TERRA - MODIS son ptimos por disponer de bandas que se encuentran en estos rangos espectrales. Especialmente, la disponibilidad de datos del infrarrojo medio permite que no haya confusin con la cubierta nubosa, muy reflectante en todas las longitudes de onda del dominio ptico. En este artculo se presenta un anlisis comparativo de la superficie cubierta de nieve de 7 imgenes Landsat y TERRAMODIS de fechas coincidentes durante el periodo 2003-2005, usando 4 metodologas que tienen como base el ndice Normalized Difference Snow Index (NDSI). 2 Material y rea de estudio. La zona de estudio corresponde al Pirineo cataln, ubicado en las siguientes coordenadas: huso UTM-31 N, 274510 (UTM X mnima), 483010 (UTM X mxima), 4633490 (UTM Y mnima) y 4749490 (UTM Y mxima), con una superficie aproximada de 23768 km2. Han sido utilizadas 2 imgenes del satlite Landsat-7 ETM+ y 5 imgenes del satlite Landsat-5 TM de la rbita 198 y de la fila 31 durante el periodo 2003- 2005. Tambin se han utilizado 7 imgenes TERRA-MODIS correspondientes a las imgenes de radiancias calibradas (MOD02HKM), as como a los productos diarios de nieve (MOD10A1). Las fechas escogidas son las siguientes: 14-01-2003, 19-03-2006, 10-02-2004, 08-11-2004, 11-01-2005, 16-03-2005, 17-04-2005. Para realizar este estudio se han escogido las imgenes que presentan un recubrimiento nuboso menor de 1% en toda la zona de estudio, aunque tambin se ha aplicado esta metodologa a algunas cuencas hidrolgicas con presencia de nubes, obtenindose buenos resultados, pero que no se han integrado en este anlisis. 3 Metodologa A continuacin se expone la metodologa empleada para el procesado de las imgenes (puntos 3.1 y 3.2, respectivamente) y para la obtencin de la cubierta nival para el caso de Landsat-ETM+/TM y TERRA-MODIS (puntos 3.3 y 3.4, respectivamente). Estas metodologas responden en esencia a un esquema comn basado en diferentes filtros, tal como muestra el siguiente diagrama de flujo (ver Figura 1).

METODOLOGA PROPUESTA PARA IMGENES LANDSAT Y MODIS

METODOLOGIA SEGUIDA EN EL PRODUCTO DE NIEVE DE MODIS

Correccin geomtrica y radiomtrica

Correccin geomtrica

Primer grupo de criterios Generacin del NDSI y seleccin de valores >0.4 Generacin del NDSI y seleccin de valores > 0.4

Segundo grupo de criterios Diagrama de dipersin bivariante entre NDSI-NDVI

Digitalizacin de una mscara perimetral

Filtros utilizados Seleccin de los valores > 0.10 del canal 4 Seleccin de los valores > 0.11 del canal 2

Filtros utilizados Seleccin de los valores > 0.10 del canal 1 Seleccin de los valores > 0.11 del canal 2

Mscara de masas de agua Mscaras: Masas de agua Nubes

SUPERFCIE NIVAL

SUPERFCIE NIVAL

Figura 1. Diagrama de flujo de las metodologas seguidas para obtener la superficie nival en el caso de Landsat y de MODIS 3.1 Procesado de las imgenes Landsat-5 TM y Landsat-7 ETM+ En primer lugar, se ha realizado la correccin geomtrica de las imgenes mediante tcnicas avanzadas basadas en polinomios de primer grado con un ajuste polinmico con zetas y considerando el relieve a travs de un MDE [6]. Con una resolucin espacial de 30 m para los canales multiespectrales y, de 60 m para el canal trmico de Landsat-7 ETM + y de 120 m en el caso de Landsat-5 TM. En todas la imgenes se obtiene un Root Mean Square (RMS) inferior a un pxel de 30 m. Posteriormente se ha procedido a aplicar una correccin radiomtrica en los canales no trmicos mediante el mtodo propuesto por [7] implantado en el software MiraMon [8], teniendo como objetivo la reduccin de la presencia de artefactos no deseados provocados por los efectos de la atmsfera o de la iluminacin diferencial provocada por la hora del da, el da del ao, la posicin de la Tierra y el relieve (zonas ms o menos iluminadas, ocultas, sombras proyectadas, etc). Este mtodo considera la superficie de la imagen con un comportamiento casi lambertiano (utilizando un ngulo de incidencia lmite lambertiano de 73 por encima del qual no se considera una superfcie lambertiana). A la superficie que sobrepasa este ngulo de incidencia no se aplica el modelo de correccin radiomtrica lo que conlleva que esta superficie se establezca como NODATA en la imagen corregida radiomtricamente. Por otro lado, las zonas correspondientes a sombras orogrficas, calculadas a partir de la generacin de un Modelo Digital de Sombras y de un Modelo Digital de Iluminaciones segn la fecha y la hora de paso del satlite, tambin se establecen como zonas NODATA. La conversin de DN a radiancias se ha realizado mediante la lectura de los datos incluidos en la cabecera de cada imagen, aunque en el caso del formato original de les imgenes (formato CEOS) ha de tenerse cuidado con algunos aspectos [9]. Para el canal trmico se ha calculado la temperatura aparente de brillo (TAB), mediante la inversin del la ley de Plank donde los DN se convierten a temperaturas en el techo de la atmsfera (TOA) segn la metodologa propuesta por [10 y 11]. Finalmente, se ha realizado un filtrado de nubes siguiendo la metodologa propuesta por [12] para eliminar la confusin entre la cubierta nival y algunos tipos de nubes. 3.2 Procesado de las imgenes TERRA-MODIS El primer paso ha sido la importacin de las imgenes de los productos diarios de la cubierta nival descargados desde el servidor del United States Geological Survey (USGS), as como el producto de radiancias calibradas de MODIS, mediante una aplicacin propia, leyendo los metadatos necesarios para la interpretacin de las imgenes. El primero de los productos se adquiere corregido geomtricamente en proyeccin sinusoidal y posteriormente se ha llevado a cabo un cambio de proyeccin a UTM huso 31N. En el segundo producto, las imgenes originales no estn corregidas geomtricamente. La correccin geomtrica de las imgenes originales MODIS Level 1B Calibrated and Geolocated Radiances TERRA-MODIS, se ha llevado a cabo mediante la aplicacin de [13] y siguiendo la metodologa propuesta por [14]. Posteriormente se han incorporado la informacin de los metadatos necesarios de las imgenes mediante una aplicacin propia, para convertir los DN de las imgenes originales a radiancias TOA. 3

3.3

Obtencin de la cubierta nival: el caso de Landsat-5 TM y Landsat-7 ETM+

Una de las metodologas ampliamente usadas en la determinacin de la cubierta nival mediante datos de Teledeteccin es la propuesta por [15 y 16] la cual selecciona como cubierta nival cualquier celda que sea superior a un valor 0.4 del ndice Normalized Difference Snow Index (NDSI). Como se observa en la figura 1, la determinacin de la cubierta nival se ha llevado a cabo mediante tres pasos estableciendo diferentes filtros para evitar la comisin de pxeles de otras cubiertas.

Figura 2: Imagen 198-31 y 32 del 17/04/2005. Composicin RGB 4-5-3.

Figura 3: NDSI de la imagen 198-31 y 32 del 17/04/2005.

Un primer paso es el clculo de un ndice normalizado, el ndice NDSI, usando el canal 2 (0.520-0.600 m) y el canal 5 (1.550-1.750 m), ya que la nieve en el espectro visible es muy reflexiva siendo al contrario en el infrarrojo medio. NDSI= (canal 2 canal 5) / (canal 2 + canal 5). Posteriormente, se establece un umbral del ndice NDSI superior a 0.4 para la discriminacin de la cubierta de nieve. El ndice se ha elaborado mediante las imgenes corregidas radiomtricamente, aunque hay otras metodologas [17] que usan las imgenes sin corregir radiomtricamente ya que al ser un ndice normalizado se eliminan parcialmente los efectos atmosfricos, aunque se puede comprobar que en dicho caso el umbral 0.4 no se puede aplicar a todas la imgenes por igual, estableciendo un umbral de hasta 0.3 en algunas de ellas. Un segundo paso es la seleccin del rea de inters, para evitar la posible confusin de pxeles de nieve con otras cubiertas de la imagen, mediante la digitalizacin manual de un rea alrededor de la cubierta nival con una distancia a la cubierta entre 1 y 2 km, usando como apoyo el canal trmico (10.400-12.500 m) para discriminar la superficie nevada de otras cubiertas. El uso de un filtro de masas de agua, evita uno de los principales problemas del primer paso, ya que selecciona masas de agua (cursos fluviales, estanques, pantanos, lagos, etc) como cubierta nival. Por ello, se ha aplicado una mscara de masas de agua correspondiente a la seleccin del mapa topogrfico 1: 50 000 del Institut Cartogrfic de Catalunya. Los lagos de alta montaa se han incorporado a la mscara de masas de agua en funcin de si estn cubiertos de nieve o hielo a partir de una cierta altitud. Como se ha explicado en el apartado 3.1, durante el proceso de correccin radiomtrica se establecen unas determinadas zonas como NODATA. Dependiendo de la fecha de la imagen, estas zonas pueden suponer una prdida de informacin importante, ya que sobretodo afectan a zonas umbras de nuestra zona de estudio (cordillera Pirenaica). Como consecuencia, no podemos trabajar con parte de la imagen corregida radiomtricamente si queremos saber si est cubierta de nieve o no lo est. Por este motivo, utilizamos la imagen no corregida radiomtricamente, aplicando una metodologa especfica exclusivamente para estas zonas (ver figura 4). Para ello se ha realizado una seleccin de las zonas NODATA a partir de una de las bandas de la imagen corregida radiomtricamente, obteniendo una mscara de estas zonas NODATA. Se ha aplicado estas mscaras NODATA a la imgenes no corregidas radiomtricamente de forma que se ha obtenido unas nuevas imgenes donde slo las zonas NODATA disponen de valores. A estas nuevas imgenes se ha aplicado los mismos filtros explicados en la metodologa anterior, es decir, una mscara de permetro nival y una mscara de masas de agua. Posteriormente se ha realizado una clasificacin no supervisada basada en el algoritmo ISODATA [18], utilizando dos grupos de variables de entrada, un primer grupo de variables topogrficas (Modelo Digital de Elevaciones y radiacin instantnea [7]), y un segundo grupo de variables de Teledeteccin (las 7 bandas de Landsat y productos derivados como el NDSI), obteniendo diversas clases temticas entre las cuales se encuentra la nieve. 4

Figura 4: Metodologa usada para obtener la superficie nival de las zonas 3.4 Obtencin de la cubierta nival: el caso de MODIS En este trabajo se ha utilizado el producto MOD10A1 de la cubierta nival (vase figura 5), generado a partir de dos grupos de criterios, ver figura1. El primero, discrimina la cubierta nival sobre cualquier superficie y el segundo, ms especfico, detecta nieve presente en zonas de vegetacin densa [17 y 19]. El producto final de nieves incorpora a dems de la cubierta nival otras ocho categoras generadas por otros productos MODIS, como la mscara de masas de agua no continental, masas de agua continentales, cubierta nubosa (cloud obscured), lagos helados, tierra, etc. (ver figura 6).

Figura 5: Producto de nieves (MOD10A1) de MODIS. Imagen del 11/01/2005. Tambin se ha generado el ndice NDSI a las imgenes de radiancias calibradas (MOD02HKM) estableciendo un umbral de 0.3. 4 Resultados y discusin 4.1 Resultados en el caso de Landsat con imgenes corregidas radiomtricamente.

En todas las imgenes tratadas se han obtenido buenos resultados en la discriminacin de la superficie nival con la metodologa aplicada a las imgenes Landsat. El principal problema del clculo del NDSI y el umbral 0.4 es que presenta tres fuentes de error debido a su aplicacin en reas extensas y a diferentes fechas, haciendo aumentar el error de comisin de la superficie nevada en algunos casos, o aumentar el error de omisin en otros. Estas fuentes de error se pueden observar en la figura 3, donde los colores azulados indican un valor alto de NDSI correspondientes a superficie cubierta de nieve, as como a la seleccin de masas de agua (como embalses, ros, lagos de alta montaa, etc.), la seleccin de cubierta nival en zonas de ocultamiento topogrfico, y la seleccin de determinadas nubes que presentan una reflectancia baja en el infrarrojo medio. Esto conlleva que sea necesario el uso de los diferentes filtros propuestos (ver figura 1) ya que como se observa claramente en la figura 2, en una combinacin RGB de los canales 4-5-3 slo la superficie nevada se ve en color fucsia. Ms detalladamente, en las figura 6 y 8 se puede observar la mscara de masas de agua utilizada en azul claro (embalses, lagunas naturales, lagos, etc.) y parte de la mscara perimetral digitalizada (en amarillo), alrededor de la superficie nevada en la cuenca de la Noguera Ribagorzana. Cabe destacar como cuando se digitaliza la mscara perimetral no se tiene en cuenta las masas de agua que estn heladas o nevadas, situadas dentro del crculo rojo en la figura 6. No ocurre de la misma manera en la figura 8, ya que estas masas de agua no deben considerarse superficie nival. La superficie resultante se muestra en las figuras 7 y 9. 5

Figura 6: Detalle de la Figura 7: Seleccin de Figura 8: Detalle de la imagen 17/04/2005. valores > 0.4 del NDSI una imagen 11/01/2005. vez aplicada las mscaras de masas de agua y de permetro para la fecha 17/04/2005.

Figura 9: Seleccin de valores > 0.4 del NDSI una vez aplicadas las mscaras de masas de agua y de permetro para el 11/01/2005.

El resultado final de ambas fechas (11/01/2005 y 17/04/2005), una representativa de invierno y otra de primavera, muestra como el uso de la mscara de masas de agua, as como el uso de la mscara perimetral resuelve la posible comisin de pxeles aislados de otras cubiertas. Tambin se puede apreciar como con el uso del umbral 0.4 del ndice NDSI se consiguen buenos resultados en imgenes de sendas estaciones. Otro aspecto importante a considerar, como ya se ha comentado en el apartado 3.1, es que la correccin radiomtrica establece como valores NODATA las sombras orogrficas, hecho que tiene implicaciones importantes en la clasificacin de esta cubierta si slo se tiene en cuenta la superficie calculada con las imgenes corregidas radiomtricamente, ya que en estas zonas no se tienen datos, lo que conlleva una estimacin de la superficie total de cubierta nival con este mtodo inferior a la superficie real, sobretodo en imgenes de invierno. La cartografa resultante se puede observar en la figura 15.b. 4.2 Resultados en el caso de las zonas NODATA de las imgenes no corregidas radiomtricamente.

De la metodologa aplicada a las zonas NODATA se han obtenido buenos resultados para todas las imgenes tratadas. La figura 10, corresponde a una combinacin RGB 4-5-3 de las imgenes sin corregir radiomtricamente, a la que se le ha aplicado una mscara en color blanco a las zonas de iluminacin directa generada a partir del clculo del Modelo Digital de la Iluminaciones. En esta imagen se muestra la cubierta de nieve en fucsia, y en tonos ms oscuros las zonas forestales, una vez aplicado una importante expansin del contraste para resaltar estas cubiertas que tienen valores mucho ms bajos de los que tendran en condiciones de iluminacin directa. A su lado, la figura 11 muestra el resultado de la clasificacin no supervisada con el algoritmo ISODATA (implementacin IsoMM de MiraMon) realizada a las zonas de sombras. Este es el mtodo de clasificacin seleccionado despus de realizar diversas pruebas con clasificadores supervisados como mxima probabilidad o mnima distancia, obteniendo en estos casos resultados muy pobres. Los mejores resultados se han obtenido con el clasificador ISODATA, con el que tambin se han realizado diversas pruebas, usando diferentes variables de entrada que podramos agrupar en dos conjuntos. Por una parte, se han combinado un grupo de variables topogrficas (como el modelo digital de elevaciones y la radiacin instantnea), con un grupo de variables de Teledeteccin (bandas espectrales y productos derivados como el NDSI). Aunque a priori se podra pensar que se obtendran mejores resultados usando una combinacin de variables topogrficas y de Teledeteccin, se han generado errores mayormente de comisin en las zona basal del Pirineo, error que tienen su origen en el factor altitud, aunque en la zona axial se han obtenido buenos resultados. Finalmente, se han usado como variables de entrada en la clasificacin las bandas de la 1 a la 7 de Landsat, generando alrededor de 6 a 12 clases estadsticas segn la imagen. El grfico 1 muestra la media de los valores de los DN para cada uno de los 12 clusters generados por el algoritmo ISODATA y para cada banda de la imagen con fecha 11/01/2005. De este conjunto de clusters se puede separar claramente aquellas que pertenecen a nieves del resto de cubiertas. Los clusters 1-6 corresponden a nieves; obsrvese que aunque en las bandas de infrarrojo tengan valores de media similares, en el espectro del visible tienen claramente valores muy diferentes. Los 3 primeros clusters engloban aquellos pxeles de nieve sobre vegetacin escasa como prados o sobre superficies rocosas, mientras que los tres ltimos engloban pxeles de nieve en vegetacin densa y matorrales. Despus de reclasificar todas las clases se obtienen un mapa binario como se puede ver en la figura 10, donde la superficie nival se presenta en color fucsia (la cartografa resultante se puede observar tambin en la figura 15.a). La superficie de nieve conseguida en estas zonas NODATA se ha sumado a la superficie obtenida con las imgenes corregidas radiomtricamente, obtenindose de esta una manera una superficie continua de nieve en el Pirineo.

Figura 10: Detalle de las zonas NODATA de la imagen del 17/04/2005.


180 160 140 120
Media DN

Figura 11: Detalle de la clasificacin ISODATA obtenida de las zonas NODATA

Figura 12: Mapa binario de la superficie de nieve en zonas NODATA.

100 80 60 40 20 0
1
Cluster 1 Cluster 7

2
Cluster 2 Cluster 8

3
Cluster 3 Cluster 9

4
Banda Cluster 4 Cluster 10

7
Cluster 5 Cluster 11

6
Cluster 6 Cluster 12

Grfico 1: Media de los DN de los pxeles de la imagen 11/01/2005 de cada una de los clusters. 4.3 Resultados en el caso del producto de nieve de TERRA-MODIS. En este caso se han tenido en cuenta las imgenes con fechas coincidentes y horas similares a las imgenes tomadas por el satlite Landsat, con el objetivo de comparar las superficies resultantes. Para el producto de nieves de MODIS, los resultados obtenidos varan en funcin de la estacin del ao, obtenindose mejores resultados en la primavera, el verano y el otoo, y peores en el invierno. La figura 13 es una combinacin RGB 4-5-3 de Landsat-5 TM con fecha 04/01/2005 y rbita 197, dnde la superficie nival de una parte de los Pirineos se reconoce por el color fucsia. A su lado, en la figura 14 se puede observar la imagen del producto diario de nieve de MODIS de la misma fecha que la imagen Landsat. De estas dos imgenes cabe destacar como la cubierta nival en el producto de nieves (en color gris claro) de MODIS es superior que la superficie que aparece en la imagen Landsat. De hecho, en la imagen Landsat slo aparece nieve en el Pirineo, pero en el producto de MODIS aparecen pxeles clasificados como nieve en zonas dnde no hay, como en la zona de Cap de Creus o la Sierra de Collserola, lindante con la ciudad de Barcelona y donde muy raramente hay manto nival.

Figura 13: Imagen Landsat TM 197-31 con fecha 04/01/2005. Composicin RGB 4-5-3

Figura 14: Producto de nieve de TERRA-MODIS con fecha 04/01/2005.

Concretamente, en esta fecha se cometen importantes errores de comisin, sobretodo en zonas de vegetacin densa, as como en algunas zonas con presencia de agua continental y en zonas con sombras orogrficas duras. Estos mismos errores se han observado en imgenes principalmente de invierno, contemplando mejores resultados en imgenes de primavera y otoo. Siguiendo la metodologa propuesta por [17 y 19] en la elaboracin del producto de nieve, se ha observado que el primer grupo de criterios propuesto por este mismo autor (ver figura 1) hace una seleccin de nieve correcta en zonas de vegetacin escasa o nula. El principal problema surge con el segundo grupo de criterios, destinado a discernir la presencia de nieve en zonas de vegetacin densa. Ms concretamente, el filtro principal del segundo grupo de criterios es la elaboracin de un diagrama de dispersin entre los ndices NDSI y NDVI, y los umbrales propuestos producen importantes errores de comisin en cubiertas de vegetacin densa pero que no estn nevadas. De este modo se ha procedido a usar la misma mscara perimetral generada para la obtencin de la superficie nival en las imgenes Landsat, con el objetivo de acotar la superficie y por lo tanto reducir los posibles errores de comisin de otras cubiertas. El resultado se puede observar en la figura 15.c. 4.4 Resultados del clculo de NDSI de MODIS. Aunque usando el umbral de 0.4 del ndice NDSI se discriminan sin ningn problema la superficie nival en zonas sin vegetacin, sobretodo las partes ms altas de la cordillera de los Pirineos, no ocurre lo mismo con las zonas ms bajas donde la presencia de masa forestal es mayor. En este caso la presencia de nieve no es tan clara, a pesar de que la respuesta espectral de esta sigue siendo elevada, ya que la confusin con la cubierta forestal densa es importante. Esta problemtica se puede solucionar, disminuyendo el umbral del ndice NDSI hasta 0.3, e incorporando una mscara del permetro nival, como en el caso de las imgenes Landsat. El resultado puede observarse en la figura 15.d

Figura 15. Superficies calculadas con los cuatro mtodos de la imagen 17/04/2005. (15.a) Resultado de las imgenes Landsat teniendo en cuenta las bandas corregidas radiomtricamente y las zonas NODATA. (15.b) Resultado de las imgenes Landsat teniendo en cuenta las bandas corregidas radiomtricamente. (15.c) Resultado del producto de nieves de MODIS con la mscara perimetral. (15.d) Resultado obtenido con el umbral 0.3 del NDSI. 4.5 Comparacin de las superficies resultantes de las cuatro metodologas. La tabla 1 muestra las superficies de las siete fechas segn los cuatro mtodos. De las superficies calculadas con las imgenes Landsat, como caba esperar, las superficies obtenidas sin tener en cuenta las zonas NODATA son considerablemente menores que las que consideran las zonas NODATA (columnas 3 y 2 respectivamente), agravndose considerablemente esta diferencia en imgenes de invierno. A la vista de los datos, resulta interesante ver como es indispensable tener en cuenta estas zonas NODATA, ya que en imgenes de invierno puede obviarse entre un 25% y un 45% de superficie cubierta de nieve; en cambio, en imgenes de primavera esto puede suponer entre un 10% y un 5%. Si comparamos las superficies obtenidas con las imgenes MODIS, vemos como con el producto de nieve con mscara obtenemos una mayor superficie que la obtenidas el caso del clculo del NDSI (columnas 4 y 5 respectivamente), ya que con este ltimo mtodo se producen errores de omisin sobretodo en las cotas inferiores de la superficie nival.

Aunque no se pueden comparar perfectamente las superficies obtenidas con los dos satlites debido a su diferente resolucin espacial, si que hay que decir que la superficie calculada en el caso el producto de nieve de MODIS es superior que la obtenida en el caso de Landsat no tan slo por la diferencia de tamao del pxel sino tambin porque se cometen errores de comisin de superficie forestal densa.
Superfcie LANDSAT sin NODATA (ha) Superfcie LANDSAT con NODATA (ha) Superfcie producto de nieve de MODIS (ha) Superfcie NDSI MODIS (ha)

Fecha imagen

14/01/2003 19/03/2003 10/02/2003 08/11/2004 11/01/2005 19/03/2005 17/04/2005

181683.5 153641.0 94978.6 35290.9 62262.1 141894.6 182495.6

243227.7 170441.8 136837.8 63800.0 104253.2 182494.6 188435.2

330925.0 186225.0 192025.0 81725.0 150300.0 110350.0 215025.0

229020.7 134705.6 110062.6 62742.0 122200.0 116325.0 174526.6

Tabla 1. Superficie nival obtenida con las 4 metodologas. 5 Conclusiones

La elaboracin de cartografa de la superficie nival se puede obtener con precisin mediante tcnicas de teledeteccin, ya que la nieve posee una signatura espectral caracterstica que la diferencian de otras cubiertas. Sin embargo, ello implica investigar para la aplicacin de protocolo adecuado. Con el presente estudio se han conseguido buenos resultados con las imgenes Landsat a partir de la metodologa descrita, logrando minimizar los errores de comisin de otras cubiertas y la confusin con las masas de agua utilizando la mscara de nubes, las masas de agua y las de permetro nival. Los buenos resultados obtenidos dependen de la correcta elaboracin de estas mscaras. As mismo, tambin se han obtenido unos buenos resultados con el mtodo usado para la discriminacin de nieve en las zonas de sombras orogrficas, hecho que permite disponer de una cartografa de superficie nival, a escala de semidetalle, del Pirineo cataln. Sin embargo, con el producto de nieve diario elaborado por MODIS se pone de manifiesto como su uso en el caso del Pirineo cataln puede conllevar errores groseros a la hora de contabilizar la superficie total nevada. An as, el uso de la mscara perimetral permite acercar los resultados a los obtenidos con Landsat, por lo menos en zonas donde no es posible que est nevado. Hay que hacer notar, sin embargo, que esta alternativa no es vlida si no existen simultneamente imgenes Landsat, con lo que su inters es muy limitado. Tambin resulta interesante la propuesta de una metodologa hbrida, usando el ndice NDSI con un umbral de 0.3 en vez del 0.4 que es ms restrictivo en zonas de vegetacin densa con presencia de nieve. Una vez determinadas las superficies, se ha mostrado como la resolucin espacial de las imgenes influye claramente al producto final, obteniendo mejores resultados con las imgenes Landsat que con MODIS, en la discriminacin de la nieve en general, pero sobretodo en vegetacin densa. Esto ocurre sobretodo en las cotas inferiores de la cordillera pirenaica, dnde por una parte existe ms vegetacin forestal y por otra hay manchas aisladas que tienen una superficie inferior a 25 ha, es decir el tamao de un pxel de MODIS. De esta manera, se entiende que de la zona del Pirineo axial, donde se encuentran los mayores espesores de nieve y la superficie de nieve es ms contina, resultara superficies similares para todas las metodologas refinadas. An as, el uso de los dos sensores pueden ser complementarios ya que los productos MODIS se pueden adaptar a escala local mediante una serie de filtros, como se ha presentado en este articulo, aprovechando la resolucin temporal diaria que no resulta disponible en el caso de Landsat, y por lo tanto solucionando el problema de la cobertura de nubes en las imgenes Landsat. 6 Lneas de futuras de investigacin Se plantea remuestrear a 500 m el tamao de pxel de las imgenes Landsat para posteriormente hacer una comparativa de las superficies con la misma resolucin espacial. Aunque se ha propuesto diversos mtodos para establecer la superficie nival en zonas de NODATA, resultara interesante aplicar otros tipos de clasificacin como la clasificacin mixta [21y 22], o de clasificacin supervisada como el mtodo de rboles de decisin [20]. Como perspectivas de futuro, con la combinacin de datos de campo y los resultados de superficie nival obtenidos, se pretende elaborar cartografa de potencia de nieve, y en este sentido el uso del LIDAR ofrecera un mayor detalle. Resultara tambin muy interesante realizar este estudio mediante otros sensores como NOAA-AVHRR y TERRAASTER, ste ltimo cobrando cada vez ms importancia en el estudio de esta cubierta. 9

Agradecimientos Deseamos expresar nuestro agradecimiento a la Agncia Catalana de lAigua y al Departament de Medi Ambient i Habitatge de la Generalitat de Catalunya por su poltica de inversin y disponibilidad de datos de Teledeteccin, la cual ha permitido abordar este estudio con plenas garantas. Asimismo, deseamos expresar nuestro agradecimiento a los compaeros del Departament de Geografia y del CREAF que han colaborado de una manera u otra en el tratamiento de las imgenes y al INTA por su atento servicio de suscripcin de imgenes. BIBLIOGRAFA [1] Beck, P. S. A.; Kalmbach, E.; Joly, D.; Stien, A.; Nilsen, L. (2005): "Modelling local distribution of an Arctic dwarf shrub indicates an important role for remote sensing of snow cover", Remote Sensing of Environment, 98, 1, 110-121. [2] Salisbury, J. W.; DAria, D. M. (1992): Emissivity of terrestrial materials in the 8-14 m atmospheric window, Remote Sensing of Environment, 42, 83-106. [3] Valor, E. y Caselles, V. (1996): Mapping land surface emissivity from NDVI: Application to European, African and South American areas. Remote Sensing of Environment, Vol. 57, pp. 167-184. [4] Van de Griend, A. A.; Owe, M. (1993): On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces, International Journal of Remote Sensing, 14, pp. 1119-1131. [5] Hori, M.; Auki, T.; Tanikawa, T.; Motoyoshi, H.; Hachikubo, A.; Sugiera, K.; Yasunari, T. J.; Eide, H.; Storvold, R.; Nakajima, Y.; Takahashi, F. (2006): In-situ measured directional emissivity of snow and ice in the 8-14 m atmospheric window, Remote Sensing of Environment, 100, pp. 486-502. [6] Pal, V. y Pons, X. (1995): Incorporation of relief into geometric corrections based on polynomials. Photogrammetric Engineering and Remote Sensing, 61, pp. 935-944. [7] Pons, X. y Sol-Sugraes, L. (1994): A Simple Radiometric Correction Model to Improve Automatic Mapping of Vegetation from Multispectral Satellite Data. Remote Sensing of Environment, 47, pp. 1-14. [8] Pons, X. (2004) "MiraMon. Sistema d'Informaci Geogrfica i software de Teledetecci" Centre de Recerca Ecolgica i Aplicacions Forestals, CREAF. Bellaterra. ISBN: 84-931323-4-9 [9] Cristbal, J.; Pons, X.; Serra, P. (2004): Sobre el uso operativo de Landsat-7 ETM+ en Europa. X Congreso de Teledeteccin, Revista de Teledeteccin, 21, pp. 55-59. [10] Markham,B.L., and Baker, J.L. (1987), Thematic Mapper bandpass solar exoatmospheric irradiance, Int. J. Remote Sensing [11] Irish, R. (2006): Landsat 7 Science Data Users Handbook. NASA. http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_toc.html. [pgina visitada el da 28-11-2005]. [12] Cea, C., Cristbal, J., Serra, P. y Pons, X. (2005): Mejoras en la deteccin semiautomtica de nubes y sombras en imgenes Landsat, en XI Congreso Nacional de Teledeteccin, Puerto de la Cruz. Tenerife. [13] Klein, L.; Taaheri, A.; Praderas, C. (2004): HDF-EOS to GeoTIFF conversion tool (HEG). Version 2.0 [14] Yang, W. y Di, L. (2004): An accurate and automated approach to georectification of HDF-EOS swath data. Photogrammetric Engineering and Remote Sensing, 70, pp 397-404. [15] Dozier, J. (1989): Spectral Signature of Alpine Snow Cover from the Landsat Thematic Mapper, Remote Sensing of Environment, 28, pp. 9-22. [16] Dozier, J. (1991): Remote sensing of alpine snow cover invisible and near-infrared wavelengths.http://www.avalanche.org/~moonstone/1991%20cssa%20symposium/REMOTE%20SENSING%20OF%2 0ALPINE%20SNOW%20COVER.htm. [pgina visitada el da 28-11-2002]. [17] Riggs, G.A.; Hall, D.K.; Salomon V.V (2003): MODIS Snow Products User Guide for Collection 4 Data Products.; [18] Duda, RO, PE Hart (1973) "Pattern Classification and Scene Analysis" John Wiley and Sons, New York, [cap. 6, "Unsupervised Learning and Clustering", pp. 226-227] [19] Klein, A.G.; Hall, D.K; Riggs, G.A. (2005): Improving snow-cover mapping in forests through the use of a canopy reflectance model. http://geog.tamu.edu/klein/publications/papers/agk_p9.pdf. [Pgina visitada el da 22/01/2005]. [20] Rosenthal, W., and J. Dozier (1996), Automated mapping of montane snow cover at subpixel resolution from the Landsat Thematic Mapper, Water Resour. Res., 32(1), 115130 [21] Serra P, Pons X, Saur D (2003) Post-classification change detection with data from different sensors: some accuracy considerations. International Journal of Remote Sensing 24:3311-3340 [22] Application of a hybrid classifier to discriminate Mediterranean crops and forests. Different problems and solutions. Serra, P.; Mor, G.; Pons, X.: International Cartographic Conference, A Corua, 9-16 Julio 2005

10