Segmentación como una medida de heterogeneidad del paisaje

Introducción

La segmentación es el proceso mediante el cual se divide una imagen en partes o fracciones bien definidas que no se superponen (Schiewe 2002), un segmento se define como la agrupación de pixeles uniformes y homogéneos respecto a su tonalidad, aspecto relevante en la textura (Haralick & Shapiro 1985). Además, las zonas que rodean un segmento definido deben obligatoriamente tener valores diferentes de pixeles, y sus bordes deben ser bien definidos y no difusos (Haralick & Shapiro 1985). Sin embargo, un reto importante para la segmentación es encontrar los parámetros adecuados para que resulte lo mejor posible, esto debido a que los segmentos varían de tamaño forma y textura dependiendo de la ventana de estudio; dentro de estos parámetros la escala juega un papel importante ya que la elección de una escala errónea puede generar resultados que sub o sobreestimen los segmentos (Hossain & Chen 2019). Por otro lado, la heterogeneidad de un paisaje es un aspecto de gran importancia para la biodiversidad, se ha respaldado la idea de que la heterogeneidad que las áreas agrícolas y en general de los paisajes, pueden agregar al paisaje, contribuye al aumento de la biodiversidad por aumento de disponibilidad de nichos (Benton et al. 2003), así mismo se han intentado dar aproximaciones a esta heterogeneidad a través de índices que identifiquen el nivel de parcelación de los paisajes a partir de procesos paralelos de segmentación y texturas en imágenes satelitales (Defourny et al. 2019; Graesser & Ramankutty 2017). Teniendo en cuenta lo anterior, este trabajo pretende explorar la metodología de segmentación de imágenes como un proxy de la heterogeneidad del paisaje a través de dos distintas resoluciones. De esta manera se pone a disposición de la ecología y la biodiversidad una medida que generalmente es usada para el mejoramiento de clasificaciones de la cobertura de la tierra.

Área de estudio

alt text

Se escogen dos ventanas de estudio cerca a los municipios de El Rosal y San Francisco, que se ubican en el departamento de Cundinamarca (figura 1), el municipio de San Francisco tiene una altitud de 1520 m.s.n.m aproximadamente y una temperatura de 20°C y se ubica a unos 55 Km al noroccidente de la capital, mientras que el municipio de El Rosal tiene una altitud de 2685 m.s.n.m y una temperatura promedio de 14°C y está a una distancia de 20 km de Bogotá (CAR 2004). Tanto el Rosal como San Francisco hacen parte de la provincia de Gualivá la cual posee una topografía montañosa con considerables escarpes y cerros empinados entre los que se destacan Cerro del Tablazo que cubre parte del municipio de San Francisco. En cuanto a su hidrografía, los dos municipios de la ventana de estudio hacen parte de la cuenca del río Negro y subcuencas como la de Villeta o Tobia y Pinzaima-Supatá (CAR 2004). Por otro lado, respecto a las actividades agrícolas, se tiene que los dos productos más importantes son el café y la caña que se extienden hacia el muncipio de San Francisco, mientras que el municipio del Rosal se caracteriza por la siembra de papa, flores y frutales (CAR 2004). San Francisco es considerado un municipio de importancia ecológica ya que representa una parte importante de la conectividad para los parques naturales Chinagza, Sumapaz, El Santuario de Flora y Fauna de Iguaque además de algunos distritos de manejo de la zona (Instituto Alexander Von Humboldt 2017). El municipio de San Francisco posee además una parte de lo que se considera un hotspot de biodiversidad como lo es el el bosque andino de alta montaña (Hincapié et al. 2002). Adicionalmente, la zona de estudio posee bosques secundarios que son el resultado del abandono de actividades antrópicas, los bosques secundarios han tomado un papel importante dentro de la conservación de las especies que se ven afectadas por diferentes usos de la tierra (Chazdon et al. 2009) debido a que se ha evidenciado que pueden llegar a ser igual de importantes que los bosques maduros a la hora garantizar la conservación y persistencia en el tiempo de las especies en zonas tropicales (Chazdon 2013).

Metodología

Se toman dos ventanas de estudio, la primera de ellas (Ventana 1, Figura 2) se escoge con la intención de tener un paisaje poco fraccionado y con más cobertura de bosque, por el contrario, la segunda ventana (ventana 2, figura 2) se elige dentro de un paisaje más intervenido y fraccionado. Esto se hace con el objetivo de comparar cómo funciona la segmentación en diferentes tipos de configuración del paisaje. Por otro lado, se toman 2 imágenes Sentinel para cada una de las ventanas de estudio y 2 imágenes Landsat 8 para las dos ventanas de estudio. Para cada una de las imágenes se usaron las bandas del visible.

alt text

Una vez se recortan las 4 imágenes a cada una de las ventanas, se sigue el código propuesto por Crowley y colaboradores (2019) para la identificación de segmentos. Respecto a los parámetros que se usaron, se tiene que el tamaño de superpixel se fijó en 10, la compacidad en 0 porque en general no hay formar circulares sino cuadradas e irregulares, la conectividad se pone 8 para la ventana 1 que es la que tiene más parches de bosque y 4 para la ventana 2 que es las más fraccionada. Finalmente se hace uso de la capa de segmentos para sacar algunas estadísticas básicas que sirvan como medida de fragmentación.

alt text

*Resultados

Respecto a la segmentación de las imágenes Sentinel se tiene que el número de segmentos apra la ventana 1 es de 313, en promedio el tamaño del segmento en esta ventana es de 25.8 Km2 y el perímetro promedio de 0.69 Km. Respecto a la ventana 2 el número de segmentos es de 100,el promedio de tamaño de segmento es de 81 Km2 y el promedio del perímetro es de 1.5 Km, igualmente la mínima área de segmento para esta ventana en las imágenes Sentinel es de 0.57 Km2 y el máximo es de 998.010 Km2.

Por otro lado, con relación a las imágenes Landsat, la ventana 1 tiene 86 segmentos que en promedio tienen un área de 94 Km2 y un perímetro promedio de 1.23 Km, la máxima área entre los segmentos es de 787.72 Km2 y la mínima de 0.5704 Km2.

alt text

alt text

*Discusión

*Referencias

Benton, T.G., Vickery, J.A. & Wilson, J.D., 2003. Farmland biodiversity: Is habitat heterogeneity the key? Trends in Ecology and Evolution, 18(4), pp.182–188. Crowley, M.A. et al., 2019. Generating intra-year metrics of wildfire progression using multiple open-access satellite data streams. Remote Sensing of Environment, 232(October 2018), p.111295. Available at: https://doi.org/10.1016/j.rse.2019.111295. Defourny, P. et al., 2019. Near real-time agriculture monitoring at national scale at parcel resolution: Performance assessment of the Sen2-Agri automated system in various cropping systems around the world. Remote Sensing of Environment, 221(March 2018), pp.551–568. Available at: https://doi.org/10.1016/j.rse.2018.11.007. Graesser, J. & Ramankutty, N., 2017. Remote Sensing of Environment Detection of cropland fi eld parcels from Landsat imagery ☆ , ☆☆ , ☆☆☆. Remote Sensing of Environment, 201(July), pp.165–180. Available at: http://dx.doi.org/10.1016/j.rse.2017.08.027. Haralick, R.M. & Shapiro, L.G., 1985. Image segmentation Techniques.pdf. Computer vision, graphics and image processing. Hossain, M.D. & Chen, D., 2019. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. ISPRS Journal of Photogrammetry and Remote Sensing, 150(February), pp.115–134. Available at: https://doi.org/10.1016/j.isprsjprs.2019.02.009. Schiewe, J., 2002. ACSG Table of contents Table des matières Authors index Index des auteurs Search Exit Sortir SEGMENTATION OF HIGH-RESOLUTION REMOTELY SENSED DATA - CONCEPTS , APPLICATIONS AND PROBLEMS. Symposium on Geospatial Theory, Processing and Applications, (June), pp.1–6.