Teledetección Satelital y Gestión de la Vegetación

La combinación de procesos naturales y actividades humanas está causando que el panorama global cambie rápidamente. Para asegurar el uso sostenible de nuestros recursos naturales, los sistemas de monitoreo se han convertido en una necesidad. La teledetección satelital nos permite monitorear grandes áreas, para estos cambios abruptos (y a veces, no tan abruptos) de una manera rentable.

Los gerentes de vegetación necesitan información precisa y oportuna sobre la vegetación que rodea sus líneas eléctricas para minimizar los cortes de energía y garantizar la seguridad pública. Las obstrucciones por caída son la causa número uno de fallas de transmisión energética. 

Evolucionar de un Recorte Basado en Ciclos a uno Basado en Condiciones

Históricamente, la poda de árboles basada en ciclos ha sido el enfoque clásico para los administradores de vegetación, pero esto requiere mucha mano de obra, es costoso y no siempre brinda los mejores resultados, ya que algunos lugares se podan en exceso o no se recortan lo suficiente.

Cada vez es más común que los gerentes de vegetación recurran a diferentes técnicas de teledetección satelital para detectar vegetación que represente un riesgo para sus líneas eléctricas. Hay una variedad de diferentes sensores satelitales que se pueden utilizar para la detección remota. Debido a su eficacia para la clasificación de la vegetación y la rentabilidad, los Escáneres Multiespectrales (MSS) y la utilización de imágenes satelitales serán el tema central de este artículo.

De Landsat a Sentinel y Más Allá

El Landsat 1, inicialmente llamado Earth Resources Technology Satellite (ERTS), fue lanzado el 23 de julio de 1972 por la Administración Nacional de Aeronáutica y del Espacio (NASA). Montado con un sistema de cámara llamado Return Beam Vidicon (RBV) y un escáner multiespectral, que registró cuatro bandas espectrales (verde, roja y dos bandas infrarrojas), se convirtió en el primer satélite en el espacio en producir los datos necesarios para completar la detección remota.

“La nave espacial ERTS representa el primer paso en la fusión de tecnologías espaciales y de teledetección en un sistema para inventariar y administrar los recursos de la Tierra”.

– 1976 Director del Servicio Geológico de EE. UU., Dr. V. E. McKelve

Si bien el primer Landsat se lanzó en 1972, no fue hasta 2014 que la Agencia Espacial Europea (ESA) lanzó Sentinel-1A como parte del Programa Copernicus.

Los satélites Sentinel-2 (tanto A como B) contribuyeron al Programa Copernicus mediante la inclusión de instrumentos multiespectrales. Al igual que las campañas de Landsat, el objetivo principal del satélite Sentinel-2 es proporcionar datos satelitales para el monitoreo de la cobertura y el uso de la tierra, el monitoreo de desastres y el monitoreo del cambio climático. A diferencia del satélite Landsat 8, el satélite Sentinel-2A tiene 13 bandas, una resolución espacial mayor (10 m), bandas de borde rojo y una resolución temporal de 5 días. Aunque el Landsat 8 tiene solo 11 bandas, una resolución temporal de 16 días y una resolución espacial comparativamente baja (30 m); aunque sí contiene bandas térmicas. La mayor resolución espacial y temporal de Sentinel-2 tiende a convertirlo en una mejor base para la clasificación de la vegetación.

[ -Band= Banda
-Spectral region= Región Espectral
-Wavelength range= Rango de onda
-Resolution= Resolución ]

Los satélites Sentinel capturan longitudes de onda mucho más granulares que Landsat

Espectro de radiación electromagnética y firmas espectrales

Los objetos en la tierra pueden reflejar, transmitir o absorber la radiación del sol (todos estos diferentes tipos de radiación solar se denominan espectro de radiación electromagnética) de diferentes maneras. Las propiedades de reflectancia de un objeto dependen de una variedad de factores, pero los más importantes son: el color, la textura de la superficie y la estructura. Estas diferencias permiten la identificación de un objeto a través de un análisis de su firma espectral (patrones de reflectancia).
Estas firmas espectrales se pueden visualizar como curvas de reflectancia espectral a través de longitudes de onda. La firma espectral de la vegetación es una combinación de baja visibilidad en la región visible (rojo, azul, verde) y alta reflectancia en la región del infrarrojo cercano (NIR). La clorofila, junto con otros pigmentos, absorbe fuertemente la luz en la vegetación saludable a lo largo de las longitudes de onda rojas y azules, mientras que solo absorbe ligeramente y, por lo tanto, refleja las longitudes de onda verdes. Por eso, la vegetación sana, en verano, tiende a parecer verde a simple vista.
La estructura de la hoja de la vegetación dispersa fuertemente el NIR y lo refleja a un ritmo mayor que los materiales inorgánicos, lo que hace que la vegetación parezca más brillante en el NIR. Esta información es la base para “Red Edge” y el Índice de Vegetación de Diferencia Normalizada (NDVI).

Borde rojo, NDVI y vegetación

En el espectro electromagnético, justo entre donde la clorofila es absorbida en el rango rojo del espectro visible por la vegetación y la estructura de la hoja de la vegetación dispersa las longitudes de onda NIR, se encuentra el “borde rojo”. El borde rojo es uno de los mejores descriptores del contenido de clorofila y es la base del Índice de Vegetación de Diferencia Normalizada (NDVI).

[ -Reflectance (%) = Reflectancia
-Visible= Visibilidad
-Near Infrared (NIR) = Infrarrojo Cercano
-Shortwave Infrared (SWIR)= Infrarrojos de Onda Corta
-Healthy Vegetation= Vegetación Saludable
-Burned Areas= Areas Quemadas
-Electromagnetic Spectrum (Wavelength)= Espectro electromagnético (longitud de onda) ]

El NDVI es un índice de vegetación muy respetado y conocido que se usa por una variedad de razones diferentes, desde el monitoreo de la sequía hasta ayudar a los agricultores a determinar dónde fertilizar sus cultivos. Aprovecha el valor de reflectancia de la relación entre el rango rojo del espectro visible y el NIR.

[ -Band= Banda
-Spectral region= Región Espectral
-Wavelength range= Rango de onda
-Resolution= Resolución ]

Se describe en su fórmula:

El resultado del NDVI para un parche de vegetación estará entre -1 y 1. Un valor negativo generalmente indica agua, nubes o nieve, mientras que un valor cercano a 0 indica que no hay vegetación (suelo desnudo, etc.). Los valores más cercanos a 1 generalmente indican una alta densidad de vegetación en esa área. (Es importante tener en cuenta que cuando se usa el NDVI para revisar las diferencias de vitalidad en la vegetación, se debe comprender que el NDVI depende de la estación; ya que la vegetación cambia a lo largo del año. Es importante utilizar los datos espectrales temporales correctos para distinguir con precisión entre las diferencias en la estacionalidad de la vegetación).

[ June 2018= Junio 2018
Julio 2019= Julio 2019
Changes= Cambios
Decrease= Reducción
Increase= Aumento ]

Visualización de la diferencia de NDVI entre junio de 2018 y julio de 2019

LiveEO y Gestión de la Vegetación

El NDVI es esencial para ayudar a determinar la salud de la vegetación y es uno de los indicadores más confiables del estrés de la vegetación. En el contexto de cómo esto puede ayudar a los operadores de la red, y al comprender dónde la vegetación está más estresada, los operadores pueden centrar su atención en esas áreas, para minimizar el peligro de caídas y minimizar aún más los incendios forestales, así como los daños adicionales a las líneas eléctricas.

LiveEO utiliza nuestras API directas con los principales proveedores de satélites y nuestras técnicas avanzadas de aprendizaje automático, en combinación con índices de vegetación complejos para crear evaluaciones de riesgo para nuestros clientes de sus pasos de servidumbre (ROW).

Si los datos de entrenamiento de las mediciones de campo históricas están disponibles, LiveEO puede incluir estos datos en el entrenamiento de nuestros modelos de aprendizaje automático para mejorar la evaluación de la condición de la vegetación; producir modelos de riesgo aún más precisos. Estos modelos de riesgo luego se utilizan para generar tareas en nuestras aplicaciones web y móviles basadas en la categoría de riesgo, para mostrar dónde son necesarias acciones inmediatas de limpieza de vegetación. Al utilizar nuestros modelos de riesgo, clientes como e.dis han mejorado la confiabilidad de su sistema en un 15 % y han reducido el costo de su proceso de identificación en un 30 % (lea nuestro estudio de caso con E.dis).