Evaluación de utilidad de datos de Radar de Apertura Sintética (SAR) en la cartografía de inundaciones. Caso de estudio: Venecia, Italia
Luis H. Romero
22/12/2019
Introducción
El cambio climático es un fenómeno que está afectando a la humanidad como ninguna otra problemática. Los efectos que este genera sobre la humanidad, en caso de no tomarse ninguna medida correctiva, pueden llegar a ser catastróficos e irreversibles (Giddens, 2010). De acuerdo con el Quinto Informe de EValuación del IPCC (2014), dentro de los efectos producidos por el cambio climático, se estiman cambios en los patrones de inundación de algunos países (Ministerio para la Transición Ecológica, 2018), poniendo en riesgo no solo los usos del suelo debido al evidente cambio de las condiciones abióticas del suelo, sino que también se ve afectada la salud y la calidad de vida de las poblaciones cuendo esta probelmática no es abordada de manera adecuada.
Dentro de los Objetivos del Desarrollo Sostenible, el objetivo número 13 describe la necesidad de adoptar medidas urgentes para combatir el cambio climático y sus efectos (UNDP, 2019), donde se mencionan datos preocupantes sobre los efectos que ha producido el estilo de vida de la humanidad; como el aumento de 1°C por encima de los niveles prreindustriales en 2017 o el aumento global del nivel del mar en 20 cm de 1880, con una proyección entre 30 y 122 cm adicionales para el año 2100 (UNDP, 2019). Por tanto, el cambio climático, y en este caso particular las inundaciones, se convierten en un elemento relevante de estudio e investigación, los cuales pueden ser abordados desde el procesamiento de imágenes y datos de Sensores Remotos, para la construcción, por ejemplo, de mapas de inundación.
Los sensores activos presentan ciertas ventajas comparados con los sensores ópticos. Por ejemplo, los sensores ópticos solo pueden medir la luz solar reflejada en función del día, y si hay presencia de nubes, los sensores ópticos no pueden observar la superficie terrestre. Las microondas de los sensores ópticos pueden subsanar estas limitaciones, en la longitud de onda adecuada, logrando atravesar nubes y vegetación, mientras trabaja tanto de día como de noche (Podest, 2017). Los datos de Radar de Apertura Sintética (SAR), son un ejemplo de datos de sensores activos, que ya han sido utilizados previamente para el estudio de inundaciones. Uno de los trabajos más completos al respecto es el de Belmonte & Caamaño (2009), quienes aplicaron datos SAR para el monitoreo y prevención de inundaciones en Argentina. Vales et al. (2010) obtuvieron de manera similar la cartografía de áreas afectadas de inundación en fases de emergencia en la Cuenca Guadalquivir y en la Cuenca del Guadalete, Andalucía. En Colombia también se han utilizado imágenes de radar para la determinación de zonas de inundación como herramienta computacional para la prevención de desastres (Avendaño, Parra & Bayona, 2014). Como se observa, las imágenes de Radar son una fuente de datos importante para la evaluación y construcción de sistemas de alerta temprana ante desastres naturales como las inundaciones.
Una de las ciudades que más se ve afectada por las inundaciones es Venecia, Italia; la cual, en la semana del 10 al 16 de noviembre de 2019, sufrió una de las peores inundaciones registradas desde 1966 (BBC, 2019) (Figura 1). Contar con los insumos suficientes para modelar y analizar las dinámicas de inundación, puede significar una diferencia significativa al momento de proponer medidas de control y sistemas de prevención, lo que disminuiría los daños y pérdidas ante una eventual catástrofe natural. Este documento busca presentar el paso a paso de un método sencillo sobre el uso de datos Radar de Apertura Sintética, utilizando la plataforma Google Earth Engine para la identificación y visualización de los procesos de inundación en un período de tiempo determinado.
Figura 1. Fotografía tomada con dron de la Basílica de San Marcos, tomadas en febrero y noviembre de 2019. Fotografía tomada de BBC (2019).
Marco Teórico
El radar de apertura sintética SAR, es un sistema de teledetección activo que emite energía con longitud de onda en el espectro de las microondas (0.8 - 100 cm) y recibe los ecos provenientes de las reflexiones producidas de los objetos de la superficie (Monells-Miralles, 2017). El satélite recibe un gran volumen de información difícil de procesar, obteniendo finalmente imágenes en tonos de gris que pueden llegar a abarcar una escena de 100 x 100 km con una resolución de unos 25m (ERS) o entre 12,5 m y 200 m (RADARSAT) (Yam-Ontiveros, 2016) (Figura 2).
Figura 2. Interacción entre microondas emitidas por un radar activo y objetos en la superficie. A este tipo de radar se le conoce como de visión lateral. Imagen tomada de Podest (2017), citando a Paul Messina,1994.
Dependiendo la disposición y estructura de los objetos con los que interactúen las microondas, los mecanismos de retrodispersión de las ondas varían, y por ende, la intensidad de información que es recibida por el satélite (Figura 3). Cuando la superficie es totalmente lisa, se produce un efecto especular que hace que la energía emitida por el sensor sea totalmente reflejada, obteniendo valores de intensidad de señal de 0 decibeles o regiones negras en el resultado final.A medida que la superficie se vuelve más áspera o hay presencia de vegetación densa alta, la retrodispersión de las microondas es mayor, por lo que la intensidad de señal recibida por el sensor será mayor. La retrodispersión de mayor interés para este documento es la denominada “doble rebote”, la cual se produce en combinación de una superficie lisa y una estructura cercana que forme un ángulo aproximado de 90°. Bajo el efecto de doble rebote, es más probable que el sensor reciba una alta intensidad de señal, por lo que las áreas que esten bajo este efecto, tendrán los valores más altos de intensidad, es decir, tonos más brillantes.
Figura 3. Mecanismos de retrodispersión para ondas de radar. Imagen tomada de Podest (2017).
Existen tres características a tener en cuenta al momento de utilizar datos de radar: la Longitud de Onda, que entre mayor sea su valor, mayor capacidad tendrá el radar en penetrar la vegetación y alcanzar el suelo (Figura 4); el Ángulo de Incidencia, que entre más amplios sean, más sensitivos a la estructura de la vegetación por lo que tendrán una penetración menor, mientras que ángulos de incidencia pequeños tendrán una mayor penetración y retrodispersión más alta, generando tonos más brillantes en la imagen final; y la Polarización, que corresponde al plano de propagación del campo eléctrico de la señal, y que se define con la orientación en que la señal es emitida y recibida (Buemi, 2012). La polarización de una señal de radar puede ser VV (verticalmente remitida y verticalmente ecibida), VH (Verticalmente emitida, horizontalmente recibida), HH (horizontalmente emitida y horizontalmente recibida) y HV (horizontalmente emitida y verticalmente recibida). Dependiendo de la polarización, también se ve afectada la penetración de la señal en la vegetación y en los suelos desnudos.
Figura 4. Bandas de frecuencias más utilizadas en satélites de radar. Imagen tomada de Podest (2017).
Datos y métodos
Área de estudio
Se decidió evaluar las dinámicas de inundación de la localidad de Marghera, localidad pertenenciente al municipio de Venecia, ubicada frente a la isla de Venecia, al Noreste de Italia (Figura 5), esto debido a la conectividad que tiene la ciudad con el mar Adriático, a los ya mencionados cambios en el nivel del mar debido al cambio climático y a la geodinámica natural de la ciudad (Carbognin et al., 2010). En la década de 1920, los planes urbanísticos del municipio de Venecia estaban encaminados en la construcción de un puerto comercial e industrial y de un área residencial para los trabajadores. Este puerto es lo que ahora se conoce como Porto Marghera, ubicado al borde de la laguna de Venecia (549 km2), y desde sus inicios, ha sobrellevado un incremento continuo y rápido de su actividad industrial, llegando ha albergar cerca de 31.000 empleados, en una superficie de tan solo 20 Km2 a inicios de los años 70 (Zonta et al., 2007). Porto Marghera está próximo a uno de los centros urbanos más poblados de Venecia, Mestre, albergando en estas dos localidades a cerca de 2/3 de los residentes totales de todo el municipio (Sperotto, et al., 2016).
Debido al acelerado desarrollo que tuvo la región décadas atrás, muchas áreas verdes fueron transformadas en áreas residenciales, no solo para albergar a los trabajadores de las industrias petroquímicas que estaban en auge, sino a los inmigrantes de zonas aledañas que llegaron por los efectos de la Segunda Guerra Mundial. Estos cambios en el uso del suelo provocó numerosos cambios estructurales que, junto con un sistema inapropiado de drenaje y desagües y de un excesivo período de lluvias concentrado en un período muy corto de tiempo en la última década, provocó que diferentes áreas de la municipalidad se inhundaran. Se han registrado varias inundaciones como la ocurrida el 26 de septiembre de 2006 y varios ejemplos más entre los años 2000 y 2009 en las mismas áreas (Sperotto et al., 2016).
En la investigación de Carbognin (2010), se menciona que el nivel del mar en Venecia, en el año 1792, era alrededor de 43 cm por debajo del nivel actual. Teniendo en cuenta los datos ofrecidos por las Naciones Unidas, en su objetivo del desarrollo sostenible número 13, en menos de 100 años, Venecia podría verse afectada por un aumento en el nivel del mar cuatro veces más de lo que aumentó en casi 220 años. Por tanto, si no se toman medidas correctivas para disminuir los efectos del cambio climático, el escenario futuro de Venecia se ve amenazado, incluso por una inminente desaparición.
Figura 5. Área de estudio para la estimación de dinámicas de inundación. Imagen satelital tomadas de Google Earth a prtir del API de Google Earth Engine.
Métodos
Cada uno de los pasos seguidos en esta práctica se presentan en la figura 6. La totalidad de los datos de radar se obtuvieron gracias a la plataforma Google Earth Engine y la colección de imágenes Sentinel-1 SAR GRD: C-band Synthetic Aperture Radar Ground Range Detected, log scaling, la cual brinda datos de un instrumento de apertura de radar sintética en la banda-C. La colección incluye escenas detectadas a nivel del suelo (Ground Range Detected), procesadas usando el Toolbox de Sentinel-1; por lo que las imágenes ya se encontraban preprocesadas y ortocorregidas (remoción de ruido térmico, calibración radiométrica y datos ajustados al terreno, convertidos a decibeles en escala logarítmica) (GEE, 2019).
Figura 6. Método aplicado para la detección de zonas de inundación en dos zonas de Venecia, Italia.
Los datos Sentinel-1 fueron filtrados según las polarizaciones verticalmente transmitidas, verticalmente recibidas (VV) y verticalmente transmitidas, horizontalmente recibidas (VH), de acuerdo con el modo de adquisición de datos Interferometric Wide (IW). Este método adquiere datos en una franja de 250 Km con una resolución espacial de 20 m; no obstante, los datos fueron remuestreados a una resolución espacial de 10 metros, gracias a las características de polarización elegidas.Las imágenes utilizadas también fueron filtradas en fechas para ver dos situaciones particulares: la primera es la fecha de las inundación reportada en este año y que se mencionó en la figura 1, y para comparar la intensidad de valores de radar entre los años 2018 y 2019. Se construyeron un total de ocho mosaicos, diferenciando entre las fechas iniciales (antes de la inundación del 2019 y las imágenes disponibles de 2018) y las fechas finales (4 mosaicos utilizando polarización VV y otros 4 utilizando VH)
Con los mosaicos construidos, se realizó un filtro para eliminar errores de manchas o Speckle en los datos radar. Este ruido granular se debe a la interferencia de ondas reflejadas de muchos dispersores elementales, lo que complica la interpretación de las imágenes, reduciendo la efectividad en la segmentación y clasificación de la imagen (Lee & Jurkevich, 1994). De igual manera se calculó la diferencia entre los valores de las fechas posteriores a la inundación con respecto a las anteriores e identificar las zonas con mayores intensidades de señal, lo que se espera corresponda a las zonas que sufrieron inundaciones. Estas áreas se delimitaron con un umbral de 1.25 de diferencia entre los valores de señal de las imágenes para una mejor visualización de las dinámicas de inundación.
El código utilizado en este documento es una adaptación del facilitado por la doctora Erika Podest, del Jet Propulsion Laboratory, Instituto Tecnológico de California, desarrollado en el seminario “SAR para el mapeo de inundaciones utilizando Google Earth Engine” disponible en los sitios web Presentación y documentación. La construcción de la composición de imágenes para realizar la clasificación supervisada se tomó de la guia de algoritmos para Sentinel-1 de la página developers_GEE_Sentinel1
Resultados
Cargue, filtrado y corrección granular (Speckle) de la colección de imágenes Sentinel-1
La colección Sentinel-1 fue adquirida mediante la plataforma Google Earth Engine por medio del siguiente código (Figura 7)
Figura 7. Código para cargar la colección de imágenes de datos Radar Sentinel-1, por medio de Google Earth Engine.
Como se observa en la figura 3, varias de las características mencionadas en la sección de métodos son filtradas para obtener la colección de imágenes (el método de adquisición de datos IW, la resolución espacial de 10 metros, solo las imágenes que abarquen la región de interés, ROI definida por el usuario, y en este caso particular, la polarización VV). Este código se repitió y se cambió el atributo de transmitterReceiverPolarisation por VH. Se intentó construir una colección con polarización HH pero no arrojaba ningún resultado. En las figuras 8, 9 y 10 se muestran el código para el filtrado de las imágenes por fecha y la visualización de los mosaicos con polarización VV y VH respectivamente.
Las visualizaciones presentadas anteriormente, no presentan el suavizado que elimina los errores granulares de los datos de radar. En la figura 11 se presenta el código para lograr este suavizado.
Figura 8. Código para filtrar la colección de imágenes de datos Radar Sentinel-1, por medio de Google Earth.
Figura 9. Visualización de datos Radar en el área de estudio con polarización VV. Arriba, antes de la inundación; abajo, época de inundación.
Figura 10. Visualización de datos Radar en el área de estudio con polarización VH. Arriba, antes de la inundación; abajo, época de inundación.
Figura 11. Visualización de datos Radar después de la inundación, polarización VH. Arriba, código en Google Earth Engine para la aplicación del filtro; medio, visualización de datos de radar, Sentinel-1 sin corrección de Speckles; abajo, área con corrección de Speckles.