Analizar el cambio pasado en la cobertura de suelo
Para comprender cómo ha cambiado Etiopía debido al crecimiento de la población en las últimas décadas, utilizará el Asistente de detección de cambios para calcular el cambio de cobertura de suelo de 1992 a 2018.
Explorar capas de cobertura de suelo
Primero, descargará el archivo comprimido .zip que contiene los datos que usará en este tutorial.
- Descargue la carpeta ChangeInEthiopiaData.
Es posible que el archivo tarde un tiempo en descargarse porque contiene archivos ráster de gran tamaño.
- Busque la carpeta descargada en su equipo y muévala a la ubicación que desee, como la carpeta Documentos. Haga clic con el botón derecho en la carpeta y extraiga su contenido.
Nota:
Dependiendo de su navegador web, puede que se le pida que elija una ubicación de archivo antes de iniciar la descarga. La mayoría de los navegadores descargan los archivos de manera predeterminada en la carpeta Descargas del equipo.
A continuación, creará un proyecto de ArcGIS Pro y le agregará los datos que ha descargado.
- Abra ArcGIS Pro. Si es necesario, inicie sesión en su cuenta de ArcGIS Online.
Nota:
Si no tiene acceso a ArcGIS Pro o una cuenta de organización de ArcGIS, consulte las opciones de acceso a software.
Creará un proyecto utilizando la plantilla Mapa.
- En Nuevo proyecto, elija Mapa.
- En la ventana Crear un nuevo proyecto, en Nombre, escriba Cambio en Etiopía. En Ubicación, acepte la ubicación predeterminada o elija la ubicación que desee.
- Haga clic en Aceptar.
Se crea el nuevo proyecto. A continuación, agregará los datos de cobertura de suelo que descargó.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Capa, haga clic en el botón Agregar datos.
- En la ventana Agregar datos, vaya a la ubicación de su equipo en la que se encuentra la carpeta ChangeInEthiopiaData descomprimida. Haga doble clic en ChangeInEthiopiaData para abrirla.
- Mientras pulsa la tecla Ctrl, haga clic en los datasets Ethiopia_LandCover_1992.crf y Ethiopia_LandCover_2018.crf para seleccionarlos.
- Haga clic en Aceptar.
Las dos capas ráster se agregan al mapa. El mapa hace un zoom a Etiopía, la extensión de las capas.
Cada capa es un dataset de cobertura de suelo obtenido de los mapas de cobertura de suelo del mundo de la Iniciativa sobre el Cambio Climático de la Agencia Espacial Europea (ESA, por sus siglas en inglés). Para obtener más información, consulte la página Detalles del elemento. La ESA creó un mapa de cobertura de suelo global para cada año entre 1992 y 2018.
La capa superior es el mapa de cobertura de suelo de 2018. Ambas capas muestran las siguientes clases de cobertura de suelo generalizadas: tierras de cultivo, bosques, zonas de matorrales, pastos, agua superficial, áreas urbanas y suelo desnudo. Observe que gran parte del suelo desnudo se encuentra en el norte de Etiopía (en las tierras altas), mientras que el sur de Etiopía se compone principalmente de zonas de matorrales. La región agrícola, simbolizada en rosa, está en el centro del país, alrededor de la densa área urbana de Adís Abeba en rojo oscuro.
A continuación, comparará las dos capas.
- Si es necesario, en el panel Contenido, seleccione la capa Ethiopia_LandCover_2018.crf.
Nota:
La extensión .crf de la capa indica que el dataset está en formato de ráster de nube (CRF). Es el formato ráster nativo de Esri, optimizado para escribir y leer archivos grandes en un entorno de almacenamiento y procesamiento distribuidos.
- En la cinta, haga clic en la pestaña Capa ráster. En el grupo Comparar, haga clic en Swipe.
- Empezando por la parte superior del mapa, arrastre el puntero hacia abajo para revelar la capa que hay debajo. Arrastre el puntero adelante y atrás para comparar las dos capas.
La capa de arriba es la cobertura de suelo de 2018 y la capa de abajo es la cobertura de suelo de 1992.
Algunas partes del país han cambiado visiblemente. Por ejemplo, la capital, Adís Abeba, se indica con un grupo de píxeles en rojo oscuro en el centro del país. La capital se ha expandido claramente durante el periodo de 26 años.
Nota:
Ambas capas son datasets ráster de categorías. Los datos ráster de categorías son datos ráster donde cada píxel tiene un valor representativo de una clase o categoría. A veces se los conoce como datos discretos, datos temáticos o datos discontinuos y a menudo se utilizan en SIG para representar la cobertura de suelo, el uso del suelo u otra información de zona, por ejemplo, el nivel de riesgo. En este caso, las categorías representadas son tipos de cobertura de suelo, tales como tierras de cultivo, bosques, agua y zonas urbanas.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en el botón Explorar para salir del modo swipe.
- En la barra de herramientas de acceso rápido, haga clic en el botón Guardar.
Calcular el cambio en la cobertura de suelo
A continuación, utilizará el Asistente de detección de cambios para detectar cambios en todo el país entre 1992 y 2018, centrándose en los cambios que probablemente se deban al crecimiento de la población.
- En el panel Contenido, seleccione la capa Ethiopia_LandCover_1992.crf.
- En la cinta, haga clic en la pestaña Imágenes. En el grupo Análisis, haga clic en el botón Detección de cambios y elija Asistente de detección de cambios.
Aparece el panel Asistente de detección de cambios.
- En el panel Asistente de detección de cambios, en el panel Configurar, haga clic en el menú desplegable Método de detección de cambios para ver las opciones disponibles para la detección de cambios.
La opción Cambio de categoría se utiliza para identificar los cambios que se han producido entre dos rásteres temáticos (o de categorías), como la cobertura de suelo o la zona de riesgo. La opción Cambio de valor de píxel se utiliza para calcular la diferencia en valores de píxel entre dos rásteres continuos, como rásteres de temperatura o imágenes multibanda. Por último, la opción Cambio de serie temporal se utiliza para identificar la fecha del cambio en una serie temporal de imágenes.
El método Cambio de categoría está seleccionado de forma predeterminada, ya que la capa ráster que se seleccionó en el panel Contenido al iniciar el asistente son datos ráster de categorías.
- En De ráster, confirme que Ethiopia_LandCover_1992.crf está seleccionado. En A ráster, elija Ethiopia_LandCover_2018.crf.
Al elegir esta opción, se asegura de que la capa Ethiopia_LandCover_1992.crf se comparará con la capa Ethiopia_LandCover_2018.crf.
- Haga clic en Siguiente.
En el panel Configuración de clases, puede elegir el tipo de filtrado que desea realizar, las clases que se deben incluir en el análisis y el método de representación en pantalla de los resultados. Le interesa ver solo las áreas que han cambiado y solo los cambios que probablemente se deban al crecimiento de la población.
- En Método de filtro, confirme que Solo con cambios esté seleccionado. En la lista De clases, mantenga todas las clases seleccionadas.
- En la lista A clases, señale la categoría Urban y haga clic en solo.
Ahora, la clase Urban es la única clase seleccionada en la lista. Sin embargo, el crecimiento urbano no es la única clase que puede indicar cambios debidos al crecimiento de la población. Una expansión de las tierras de cultivo también podría indicar el crecimiento de la población.
- Active la casilla situada al lado de Cropland.
En resumen, desea detectar todas las áreas que han cambiado a los tipos de cobertura de suelo Urban o Cropland. Dejará el Método de color de clase de transición sin cambios respecto a su valor predeterminado de Media. Este parámetro determina cómo se renderizarán las clases de salida.
- Haga clic en el botón Vista previa.
En el panel Contenido, se agrega una capa Preview_ComputeChange. Esta capa se genera dinámicamente y no se guarda. Generará la capa de cambio permanente más adelante en el flujo de trabajo.
- En el panel Contenido, desactive Ethiopia_LandCover_2018.crf y Ethiopia_LandCover_1992.crf. En el mapa, acérquese con el botón de rueda del ratón para ver la capital, Adís Abeba.
Los clústeres de píxeles indican áreas de cambio.
- En el mapa, haga clic en varios píxeles que indican un cambio.
Aparece una ventana emergente para el píxel en el que hizo clic y muestra el tipo de cambio que se ha producido.
Parece que la mayoría de los cambios son de áreas Cropland, Shrubland, Grassland o Forest a áreas Urban. La ciudad claramente se ha expandido entre 1992 y 2018.
- Cierra las ventanas emergentes que estén abiertas. En el panel Asistente de detección de cambios, haga clic en Siguiente.
Aparece el panel Generación de salida. Guardará la salida en su equipo.
El parámetro Vecindad de suavizado predeterminado es Ninguno. Este parámetro permite suavizar los resultados para una mejor visualización. En este caso, no desea suavizar los resultados porque le interesa calcular el área de cobertura de suelo, y suavizar los resultados cambiaría los valores de píxel.
- En Guardar resultado como, confirme que Dataset ráster esté seleccionado.
- En Dataset de salida, haga clic en el botón Examinar.
- En la ventana Dataset de salida, haga clic en Carpetas y haga doble clic en Cambiar en Etiopía. En Nombre, escriba Etiopia_CambioCoberturaSuelo_1992_2018.tif.
- Haga clic en Guardar. En el panel Asistente de detección de cambios, haga clic en Ejecutar.
El dataset del cambio se agrega al mapa.
- En el panel Asistente de detección de cambios, haga clic en Finalizar.
- En el panel Contenido, haga clic con el botón derecho en Ethiopia_LandCoverChange_1992_2018.tif y elija Zoom a capa.
- Guarde el proyecto.
Analizar los resultados
Ha generado un ráster de cambio de cobertura de suelo. A continuación, explorará los resultados y creará un gráfico.
Primero, eliminará la vista previa que generó porque ya no la necesitará.
- En el panel Contenido, haga clic con el botón derecho en Preview_ComputeChange y seleccione Quitar.
Nota:
Si no hizo clic en Finalizar para cerrar el panel Asistente de detección de cambios, no es posible quitar la capa Vista previa.
- Haga clic con el botón derecho en Ethiopia_LandCoverChange_1992_2018.tif y elija Tabla de atributos.
Se abre la tabla de atributos.
El campo Class_name muestra diferentes transiciones a las clases Cropland y Urban. El campo Count indica el número total de píxeles de cada categoría. El campo Area indica el área total que representa (en metros cuadrados). El área se puede calcular porque el dataset está en un sistema de coordenadas proyectadas, con unidades lineales de metros.
Nota:
Al calcular áreas, es importante empezar por los datasets ráster que se encuentren en una proyección que conserve las áreas, también conocida como de áreas equivalentes. En este caso, las capas de cobertura de suelo utilizan la proyección Cónica de áreas equivalentes de Albers de África.
- En la tabla de atributos, haga clic con el botón derecho en el encabezado del campo Área y elija Orden descendente.
Las filas ahora están ordenadas según el área, y la transición con el área más grande aparece primero.
La primera fila, con el valor Other en Class_name, representa todas las transiciones que se produjeron entre 1992 y 2018 que no se incluyeron en el análisis. En la segunda fila, No Change representa los píxeles que no han realizado ninguna transición y permanecen igual.
No necesita estas filas, por lo que las eliminará de la tabla.
- En la tabla de atributos, pulse la tecla Ctrl y haga clic en el inicio de ambas filas para seleccionarlas.
- Pulse la tecla Supr. En la ventana Eliminar, haga clic en Sí.
Las dos filas se eliminan. Guardará este cambio.
- En la cinta, haga clic en la pestaña Editar. En el grupo Administrar ediciones, haga clic en Guardar.
- Si es necesario, en la ventana Guardar cambios, haga clic en Sí.
En la tabla de atributos, la transición de clase con el área más grande es ahora de Shrubland a Cropland. Según su análisis, 5.537.592.079,12 metros cuadrados (o aproximadamente 5.538 kilómetros cuadrados) de matorrales se convirtieron en tierra de cultivo de 1992 a 2018. A continuación, también se convirtió una cantidad considerable de bosques en tierras de cultivo, lo que sugiere la expansión de las tierras de cultivo en vegetación natural para fomentar el crecimiento de la población.
La cuarta fila indica que una gran cantidad de tierras de cultivo se convirtieron en cobertura de suelo urbana. Va en línea con los hallazgos de que la rápida expansión urbana está amenazando las tierras agrícolas fértiles que rodean a Adís Abeba (Deribew, 2020).
Creará un gráfico de barras que resuma estos resultados.
- Cierre la tabla de atributos.
- En el panel Contenido, haga clic con el botón derecho en la capa Ethiopia_LandCoverChange_1992_2018.tif, apunte a Crear gráfico y elija Gráfico de barras.
Aparece el panel Propiedades de gráfico, así como un gráfico en blanco en la parte inferior del proyecto.
- En el panel Propiedades de gráfico, defina los siguientes parámetros:
- En Categoría o fecha, elija Class_From.
- En Agregación, elija Suma.
- En Campos numéricos, haga clic en Seleccionar y active Área. Haga clic en Aplicar.
- En Dividir por, elija Class_To.
El gráfico se actualiza. El eje x muestra los tipos de cobertura de suelo Class_From y, el eje y, muestra el área (en metros cuadrados) de cada categoría que pasa a ser Cropland (barras en azul claro) o Urban (barra en azul oscuro).
A continuación, mejorará el aspecto del gráfico para que coincida con la simbología de los datos.
- En el panel Propiedades de gráfico, haga clic en la pestaña Serie. En Mostrar varias series como, elija apilado.
Ahora, las barras de Cropland y Urban están apiladas una encima de la otra. A continuación, cambiará los colores de las barras para que coincidan con los símbolos utilizados en los datos de cobertura de suelo.
- En la tabla Serie, haga clic en el símbolo de Cropland y elija Propiedades de color.
- En la ventana Editor de color, defina los siguientes valores:
- Establezca Rojo en 247.
- Establezca Verde en 198.
- Establezca Azul en 196.
- Establezca Transparencia en el 0%.
- Haga clic en Aceptar para aplicar el color.
- Cambie el color de la barra de cobertura del suelo urbano con los siguientes valores:
- Establezca Rojo en 175.
- Establezca Verde en 55.
- Establezca Azul en 46.
- Establezca Transparencia en el 0%.
- En el panel Propiedades de gráfico, haga clic en la pestaña General. Defina los siguientes parámetros:
- En Título de gráfico, escriba Crecimiento urbano y de tierras de cultivo en Etiopía.
- En Título de eje x, escriba Clase original (1992).
- En Título de eje y, escriba Área total (m2).
- En Título de leyenda, escriba Clase nueva (2018).
- Desactive Descripción.
El gráfico se actualiza a su apariencia final.
Gran parte de la pérdida de las categorías Bare, Forest, Grassland, Shrubland y Water fue a la clase Cropland. Si señala la barra de Cropland, verá que alrededor de 468 millones de metros cuadrados (468 kilómetros cuadrados) de tierras de cultivo se convirtieron en áreas urbanas. Mientras tanto, el mayor colaborador en la expansión de las tierras de cultivo fue Shrubland, seguido de Forest y Grassland. Según el gráfico, parece que el crecimiento de la población en Etiopía entre 1992 y 2018 ha contribuido principalmente a un aumento sustancial en el uso del suelo agrícola. El crecimiento urbano está presente, pero es secundario.
- Cierre el gráfico y el panel Propiedades de gráfico. Guarde el proyecto.
Ha analizado más allá del cambio de cobertura del suelo en Etiopía. A continuación, analizará los cambios recientes en la vegetación.
Analizar el cambio reciente en la vegetación
Para comprender cómo Etiopía se ve afectada por una enorme invasión de langostas, utilizará imágenes de satélite de Landsat 8 para comparar valores del índice de vegetación anteriores y posteriores al inicio de la invasión, que comenzó en Kenia en diciembre de 2019 y se propagó a países circundantes en los meses posteriores.
Explorar capas de imágenes
En primer lugar, creará un mapa en su proyecto y le agregará las dos imágenes de Landsat 8.
- En la cinta, haga clic en la pestaña Insertar. En el grupo Proyecto, haga clic en el botón Nuevo mapa.
Se agrega un nuevo mapa, Mapa1, al proyecto junto al primer mapa.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Capa, haga clic en el botón Agregar datos.
- En la ventana Agregar datos, vaya a la ubicación en la que se encuentra la carpeta ChangeInEthiopiaData descomprimida.
- Pulse la tecla Ctrl y seleccione los datasets Landsat8_2019_10_15.tif y Landsat8_2020_11_18.tif. Haga clic en Aceptar.
Las dos imágenes de Landsat 8 se agregan al mapa.
La primera capa es una imagen capturada el 15 de octubre de 2019, antes de que comenzara la invasión de langostas. La segunda imagen se capturó el 18 de noviembre de 2020, después de que la invasión azotara la región. Las imágenes abarcan la ciudad de Adís Abeba y las áreas rurales circundantes hasta el límite de la Reserva Natural de Aledeghi.
Optimizará la representación en pantalla de las dos imágenes y las comparará.
- Si es necesario, en el panel Contenido, seleccione la capa Landsat8_2020_11_18.tif.
- En la cinta, haga clic en la pestaña Capa ráster. En el grupo Representación en pantalla, haga clic en el botón Simbología .
Aparece el panel Simbología. La opción Simbología principal está establecida en RGB. Las imágenes multiespectrales de Landsat 8 presentan 11 bandas espectrales originalmente, pero se han proporcionado 7 en las imágenes descargadas. Actualmente, los canales Rojo, Verde y Azul están establecidos en las bandas 1 (aerosol costero), 2 (azul) y 3 (verde), respectivamente. Esta es una combinación de bandas predeterminada, debido al orden original de las bandas. Cambiará la simbología para ver la imagen con una representación de colores naturales, compuesta por las bandas 4 (roja), 3 (verde) y 2 (azul).
- En el panel Simbología, defina los siguientes canales:
- Cambie Rojo a sr_band4.
- Cambie Verde a sr_band3.
- Cambie Azul a sr_band2.
La capa se actualiza en el mapa. Ahora, la vegetación se muestra en verde, el suelo desnudo en marrón o gris parduzco, el agua en azul o gris azulado y las áreas urbanas en gris intenso.
Nota:
Las nubes y las sombras de nubes de las imágenes se han establecido como valores NoData mediante la banda de Evaluación de calidad (QA) disponible con la reflectancia de superficie de Landsat 8. Esas áreas aparecen vacías y es posible que vea la capa que hay debajo en esas ubicaciones.
- En el panel Contenido, haga clic en la capa Landsat8_2019_10_15.tif. En el panel Simbología, defina los siguientes canales:
- Cambie Rojo a sr_band4.
- Cambie Verde a sr_band3.
- Cambie Azul a sr_band2.
Usará la herramienta Swipe para comparar las dos imágenes del antes y el después de la invasión de langostas.
- En el panel Contenido, haga clic en la capa Landsat8_2020_11_18.tif para seleccionarla.
- En la cinta, en la pestaña Capa ráster, en el grupo Comparar, haga clic en Swipe.
- Arrastre el puntero de arriba abajo para retirar la imagen superior y revelar la segunda imagen que hay debajo.
Hay mucha más vegetación en la imagen de 2019 en comparación con la imagen de 2020.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Navegar, haga clic en Explorar.
- Guarde el mapa.
Calcular la diferencia de valores de píxel
Ahora que ha visualizado la diferencia entre las dos imágenes, calculará la diferencia de vegetación utilizando el índice de vegetación NDVI en el Asistente de detección de cambios.
- En la cinta, haga clic en la pestaña Imágenes. En el grupo Análisis, haga clic en Detección de cambios y elija Asistente de detección de cambios.
De forma predeterminada, el Método de detección de cambios se establece en Cambio del valor de píxel. Esta vez, esta opción estaba seleccionada de forma predeterminada porque las imágenes son continuas.
- En De ráster, elija la imagen de 2019. En A ráster, elija la imagen de 2020.
- Haga clic en Siguiente.
Aparece el panel Diferencia de bandas. Permite elegir varias opciones específicas para el modo de cambio de valor de píxel.
De forma predeterminada, Tipo de diferencia tiene el valor Absoluto. La diferencia absoluta es la diferencia matemática entre los valores de píxel de cada imagen. La diferencia relativa, por contra, representa la magnitud de los valores que se están comparando. En este caso, los valores del índice de vegetación que utilizará ya están normalizados (oscilan entre -1 y 1), por lo que no es necesario utilizar diferencia relativa.
- En Método de diferencia de bandas, elija Diferencia de índice de banda.
Esta opción le permite calcular primero un índice de banda en cada imagen antes de realizar la comparación. En este caso, utilizará el índice NDVI, que se usa para comparar la cobertura de vegetación. El parámetro Índice de banda está establecido en NDVI de forma predeterminada.
El Índice de vegetación de diferencia normalizada (NDVI) es un índice que se utiliza habitualmente para evaluar la presencia o ausencia de vegetación verde sana en las imágenes. Utiliza la información de reflectancia espectral de las bandas Rojo e Infrarrojo cercano (NIR) y calcula un ratio con la siguiente fórmula:
NDVI = (NIR – Red) / (NIR + Red)
Especificará qué bandas de sus imágenes corresponden a las bandas espectrales NIR y Rojo.
- Establezca Índice de banda cercano a infrarrojo en 5 - sr_band5 para ambas imágenes. Establezca el Índice de banda roja en 4 - sr_band4 para ambas imágenes.
- Haga clic en Siguiente.
- En el panel Clasificar diferencia, haga clic en el botón Calcular estadísticas e histograma.
El Asistente de detección de cambios calcula el NDVI en ambas imágenes y calcula la diferencia entre ellas, por lo que puede tardar un minuto en completarse. La capa Preview_Mask se agrega después al mapa. Esta capa muestra la diferencia en los valores del NDVI.
En el Asistente de detección de cambios, el panel Clasificar diferencia contiene un histograma que muestra la distribución de valores de diferencia entre las dos fechas. Los valores positivos indican un aumento del NDVI (es decir, un aumento de la vegetación sana), mientras que los valores negativos indican una pérdida de NDVI (es decir, una pérdida de vegetación sana).
Cambiará la simbología de esa capa para comprender mejor lo que muestra.
- En el panel Contenido, haga clic en la rampa de color Preview_Mask.
Aparece el panel Simbología.
- En el panel Simbología, en Esquema de color, expanda la lista desplegable y active la casilla Mostrar nombres. Elija Amarillo-Verde-Azul (continuo).
- Active la casilla Invertir.
Se actualiza la máscara de vista previa. Las áreas en las que la vegetación sana ha descendido son de color azul oscuro o azul medio. Las áreas en las que la vegetación sana ha aumentado son de color amarillo claro. Algunas áreas de la capa no tienen ningún color porque las imágenes tienen nubes y se muestran como NoData.
- Cierre el panel Simbología.
- En el panel Clasificar diferencia, en el histograma Explorar diferencias, arrastre la flecha del manipulador de Máximo a 0 para que solo se seleccionen los valores negativos del histograma entre los manipuladores de Mínimo y Máximo.
La máscara de vista previa se actualiza en el mapa para mostrar solo los valores de píxel entre los valores mínimo (-1,36) y máximo (0) seleccionados en el histograma. La mayoría de los valores se encuentran por debajo de 0, lo que significa que la mayoría de las áreas han perdido vegetación. Se espera una pérdida pequeña de NDVI entre dos fechas, especialmente si entre las fechas de captura transcurre más de un mes. Le interesa identificar áreas de pérdida significativa de NDVI.
- Arrastre el manipulador de Máximo a aproximadamente -0,25.
La capa se actualiza. Ahora, solo se muestran en el mapa las áreas que han experimentado una pérdida de NDVI de 0,25 o más. Interpretará que este valor representa una pérdida significativa de NDVI.
- Confirme que Clasificar la diferencia en los valores esté activado. Haga clic en el botón Agregar nueva clase.
Los valores mínimo y máximo se agregan a la tabla Clasificar salida. Esta funcionalidad permite extraer y clasificar un rango específico de valores del ráster de diferencia. En lugar de calcular la diferencia entre dos datasets, puede resaltar el fenómeno que le interese.
- En la tabla Clasificar salida, establezca el valor de Salida en 1, Nombre de clase en Pérdida de NDVI y Color en rojo.
- En la parte inferior del panel, haga clic en Vista previa.
La capa Preview_ClassifiedDifference se agrega al mapa. Los píxeles rojos representan todas las áreas que han experimentado una pérdida significativa de NDVI.
Se esperan pequeños cambios en el NDVI de año a año, pero una gran pérdida de NDVI como la que identificó solo se puede atribuir a un evento desestabilizador. Es probable que la invasión de langostas sea la causa de la pérdida que ve en las imágenes. Las langostas pululan por áreas con vegetación, y las tierras de cultivo son especialmente vulnerables. Esto ha dado lugar a pérdidas devastadoras para millones de personas.
- Haga clic en Siguiente.
A continuación, guardará la salida.
- En el panel Generación de salida, defina estos parámetros:
- En Vecindad de suavizado, confirme que se ha seleccionado Ninguno.
- En Guardar resultado como, verifique que se ha elegido Dataset ráster.
- En Dataset de salida, haga clic en Examinar. Haga doble clic en Carpetas y haga clic en Cambiar en Etiopía. En Nombre, escriba Perdida_NDVI_2019_2020.tif. Haga clic en Guardar.
Nota:
Al especificar la extensión .tif, determina que el formato de salida del dataset ráster será un archivo TIFF. Para obtener la lista de todos los formatos ráster admitidos, consulte la documentación Formatos de archivos ráster.
- Haga clic en Ejecutar.
El nuevo dataset se agrega al mapa.
- En el panel Contenido, desactive las capas Preview_ClassifiedDifference y Preview_Mask.
Nota:
Si la capa Preview_ClassifiedDifference tiene un aspecto distinto del resultado final, se debe a que la capa de vista previa se genera mediante funciones ráster, que calculan los resultados dinámicamente utilizando un tamaño de píxel remuestreado según la visualización actual del dataset.
- Guarde el proyecto. No cierre el Asistente de detección de cambios.
Realizar el mismo análisis varias veces
Puesto que este flujo de trabajo de detección de cambios se completa usando funciones ráster, puede guardar el resultado (y el resultado del módulo anterior) como una plantilla de función ráster. A continuación, puede usar la plantilla de función ráster en otras imágenes, para un análisis rápido y repetible que se puede usar en varias áreas, o para diferentes años.
A continuación, creará su flujo de trabajo de comparación de NDVI como una nueva plantilla de función ráster.
- En el panel Contenido, desactive la capa NDVILoss_2019_2020.tif.
- En el panel Asistente de detección de cambios, en el panel Generación de salida, en Guardar resultado como, elija Plantilla de función ráster. Haga clic en Ejecutar.
Aparece la ventana del editor Plantilla de función ráster, rellenada con las funciones que utilizó para ejecutar el análisis.
- Haga clic con el botón derecho en la entrada Ráster superior, elija Cambiar nombre y cámbiele el nombre a De ráster. Cambie el nombre de la entrada Ráster inferior a Ráster de destino.
- Haga doble clic en la función Aritmética de banda superior. En la ventana Propiedades de Aritmética de banda, haga clic en la pestaña Variables y active la casilla IsPublic del parámetro De ráster.
Esto garantiza que el parámetro De ráster estará visible en la función ráster final. Cuando ejecute la función, podrá elegir qué ráster se debe utilizar como el parámetro Ráster de origen.
- Haga clic en Aceptar.
- Haga doble clic en la función Aritmética de banda inferior. En la ventana Propiedades de Aritmética de banda, haga clic en la pestaña Variables y active la casilla IsPublic del parámetro A ráster.
- Haga clic en Aceptar. En la ventana Plantilla de funciones ráster 1, haga clic en el botón Guardar.
- En la ventana Guardar, defina los siguientes parámetros:
- En Nombre, escriba Pérdida de NDVI de Landsat 8.
- En Categoría, elija Personalizado.
- En Descripción, escriba Compara dos imágenes de Landsat 8 y extrae una pérdida de NDVI de 0,25 o más.
- Haga clic en Aceptar.
- Cierre la ventana Plantilla de función ráster1. Si recibe un mensaje que le pide que guarde la cadena de funciones editada, haga clic en No.
- En el panel Asistente de detección de cambios, haga clic en Finalizar.
Probará la función que acaba de crear.
- En la cinta, en la pestaña Imágenes, en el grupo Análisis, haga clic en el botón Funciones ráster.
Aparece el panel Funciones ráster.
- En el panel Funciones ráster, haga clic en la pestaña Personalizado y expanda la categoría Personalizado1.
- Haga clic en Pérdida de NDVI de Landsat 8.
Se abre la función que ha creado.
- En el panel Propiedades de Pérdida de NDVI de Landsat 8, en De ráster, elija la capa Landsat8_2019_10_15.tif. En A ráster, elija Landsat8_2020_11_18.tif.
- Haga clic en Crear capa nueva.
La capa ráster de función resultante se agrega al mapa. Utilizó exactamente los mismos pasos de procesamiento que utilizó en el Asistente de detección de cambios. Puede proporcionar dos imágenes de Landsat 8 cualesquiera para generar un resultado similar.
Nota:
Si desea seleccionar un sensor diferente (es decir, otro tipo de imagen), debe cambiar los valores del índice de banda en las funciones Aritmética de banda para garantizar que se utilicen las bandas correctas para el cálculo del NDVI.
- Guarde el proyecto. Cierre ArcGIS Pro.
Ha utilizado el Asistente de detección de cambios para calcular la diferencia de valores de píxel entre capas de imágenes de Landsat e identificar áreas con pérdida de vegetación. También ha creado una plantilla de función ráster reutilizable para aplicar el mismo análisis a otros datos.
Realizar análisis de cambios donde vive
Puede utilizar el Asistente de detección de cambios para calcular la diferencia entre dos rásteres de sus propias capturas de datos. También puede utilizar el asistente para comparar dos capas de un servicio de imágenes global, con la opción de analizar una ubicación elegida, incluida el área donde reside.
Analizar el cambio con el servicio de imágenes Global Land Cover
El servicio de imágenes Global Land Cover 1992-2019 está alojado en ArcGIS Living Atlas y se puede acceder a él y configurar para años concretos para ver cómo la cobertura de suelo ha cambiado en el área en la que vive. Como ejercicio adicional, puede seguir los pasos siguientes para ver cómo está cambiando su región de interés.
- Inicie ArcGIS Pro y cree un proyecto utilizando la plantilla Mapa con el nombre de proyecto que desee.
Accederá a una capa dinámica que contiene información como la que ha utilizado, pero de todo el mundo.
- En la cinta, haga clic en la pestaña Vista. En el grupo Ventanas, haga clic en panel Catálogo.
- En el panel Catálogo, haga clic en la pestaña Portal y en el botón Living Atlas.
- Busque Global Land Cover. Haga clic con el botón derecho en el servicio de imágenes Global Land Cover 1992-2019 y elija Agregar al mapa actual.
- En la cinta, haga clic en la pestaña Mapa. En el grupo Consulta, haga clic en el botón Localizar.
- En el panel Localizar, escriba una ubicación de interés, como Denver, CO, USA y pulse Intro.
El mapa se acerca al área de interés.
- Cierre el panel Localizar.
Nota:
Si es necesario, aléjese hasta que vea toda la zona.
- En el panel Contenido, haga clic con el botón derecho en Global Land Cover 1992-2019 y elija Propiedades.
- En la ventana Propiedades de capa, haga clic en la pestaña Tiempo. En Filtro que usa tiempo, elija Sin tiempo: el contenido se muestra siempre.
- Haga clic en la pestaña Consulta de definición.
- Haga clic en Nueva consulta de definición y cree la consulta de definición: Donde Start Date es igual que 1/1/1992.
- Haga clic en Aplicar. Haga clic en Aceptar.
Los datos de cobertura de suelo de su mapa corresponden a 1992. Guardará una copia local de estos datos para su análisis.
- En el panel Contenido, haga clic con el botón derecho en la capa Global Land Cover 1992-2019, señale Datos y elija Exportar ráster.
Aparece el panel Exportar ráster.
- En el panel Exportar ráster, en Dataset ráster de salida, haga clic en el botón Examinar. Vaya a la ubicación que desee, asigne a la capa de salida el nombre LandCover_1992.tif y haga clic en Guardar.
- En Sistema de coordenadas, haga clic en el botón Referencia espacial. En la ventana Referencia espacial, en la barra de búsqueda, escriba Cónica de áreas equivalentes de Albers y pulse Intro.
- Expanda Sistema de coordenadas proyectadas y elija un sistema de coordenadas apropiado para su área de estudio. Haga clic en Aceptar.
- En Recortar geometría, elija Extensión de visualización actual.
- Haga clic en Exportar.
Se agrega un ráster de cobertura de suelo de 1992 al panel Contenido.
Nota:
Sus resultados pueden tener un aspecto diferente en función de la ubicación de su análisis.
A continuación, repetirá el proceso para crear una capa de cobertura de suelo para 2019.
- Para Global Land Cover 1992-2019, realice las siguientes acciones:
- En la ventana Propiedades de capa, forme la consulta de definición: Donde Start Date es igual que 1/1/2019.
- En el panel Exportar ráster, en Dataset ráster de salida, elija una ubicación de salida y asigne al ráster el nombre CoberturaSuelo_2019.tif.
- En el panel Exportar ráster, en Sistema de coordenadas, seleccione el mismo sistema de coordenadas que utilizó anteriormente.
- En el panel Exportar ráster, en Recortar geometría, seleccione Extensión de visualización actual.
- Haga clic en Exportar.
Se agregará un nuevo ráster de cobertura de suelo para 2019 al mapa que utilizará para el análisis.
- En el panel Contenido, haga clic con el botón derecho en la capa Global Land Cover 1992-2019 y seleccione Eliminar.
Ahora tiene dos rásteres de categorías de años diferentes que se pueden comparar.
- En la cinta, en la pestaña Imágenes, en el grupo Análisis, haga clic en Detección de cambios y elija Asistente de detección de cambios.
- En el Asistente de detección de cambios, defina los siguientes parámetros:
- En Método de detección de cambios, mantenga Cambio de categoría.
- En Desde ráster, elija CoberturaSuelo_1992.tif.
- En A ráster, elija CoberturaSuelo_2019.tif.
Ahora puede continuar con el análisis del cambio en la cobertura de suelo de su región de interés.
Sugerencia:
Para comprender mejor los resultados, desactive sus capas de cobertura de suelo originales de 1992 y 2019.
En este tutorial, ha comparado datasets de cobertura de suelo de 1992 y 2018 para calcular el cambio debido al crecimiento urbano y la expansión agrícola de Etiopía. Sus hallazgos indican que el crecimiento de la población en Etiopía ha contribuido principalmente a un aumento del uso del suelo agrícola, y que el crecimiento urbano es secundario. Aunque la agricultura se ha expandido, una invasión enorme de langostas en 2020 ha dado lugar a grandes pérdidas de cultivos, lo que indica una caída del NDVI. Ha comprado dos imágenes de Landsat 8 y ha extraído regiones que han perdido NDVI.
Encontrará más tutoriales en la galería de tutoriales.