Representación cartográfica de inundaciones con datos SAR y aprendizaje profundo
Para realizar este análisis, primero extraerá los píxeles que representan agua en las imágenes SAR de Sentinel-1 anteriores y posteriores a la inundación utilizando un modelo preentrenado de aprendizaje profundo. A continuación, realizará la detección de cambios entre los dos rásteres de agua extraídos para identificar las áreas inundadas. Por último, calculará el área total afectada por la inundación en kilómetros cuadrados.
Configurar el proyecto y explorar los datos
Para empezar, descargará un proyecto que contiene todos los datos que necesita para este tutorial y lo abrirá en ArcGIS Pro. A continuación, empezará a explorar los datos.
- Descargue el paquete Flood_mapping.
Se descarga un archivo llamado Flood_mapping.ppkx en su equipo.
Nota:
Un archivo .ppkx es un paquete de proyecto de ArcGIS Pro y puede contener mapas, datos y otros archivos que puede abrir en ArcGIS Pro. Más información sobre la administración de archivos .ppkx en esta guía.
- Busque el archivo descargado en su equipo.
Sugerencia:
En la mayoría de los navegadores web, los archivos se descargan en la carpeta Descargas.
- Haga doble clic en Flood_mapping.ppkx para abrirlo en ArcGIS Pro. Si se le pide, inicie sesión con su cuenta de ArcGIS.
Nota:
Si no tiene acceso a ArcGIS Pro o una cuenta de ArcGIS, consulte las opciones de acceso a software.
Se abrirá el proyecto.
El proyecto contiene cuatro mapas: Compare SAR Imagery (Comparar imágenes SAR), Post Flood (Después la inundación), Pre Flood (Antes de la inundación) y Change Detection (Detección de cambios). Por ahora, trabajará en el primero de estos mapas.
- Asegúrese de que Compare SAR Imagery esté seleccionado.
El mapa contiene dos imágenes de satélite de radar de apertura sintética (SAR), Pre_Flood_SAR_Composite y Post_Flood_SAR_Composite, que muestran el área de interés antes y después de la inundación de San Luis de 2019. Actualmente, solo es visible la capa anterior a la inundación, que se muestra sobre el mapa base Topográfico mundial predeterminado. Los tonos negros o grises más oscuros indican áreas cubiertas de agua y delimitan claramente los ríos Misisipi, Illinois y Misuri.
Los satélites con sensores SAR producen imágenes basadas en la tecnología de radar. Uno de los puntos fuertes de SAR es que puede crear imágenes claras tanto de día como de noche e independientemente de la presencia de nubes, humo o lluvia. Esto hace que las imágenes SAR sean una muy buena opción para representar cartográficamente una inundación.
Nota:
Para obtener más información sobre SAR, consulte el tutorial Explorar imágenes satelitales SAR y la serie Introducción a las imágenes satelitales SAR.
Estas dos capas se obtuvieron a partir de las imágenes SAR GRD de Sentinel-1 captadas el 23 de febrero y el 11 de junio de 2019.
Nota:
Se aplicaron algunos pasos de preprocesamiento a los datasets originales GRD de Sentinel-1 para prepararlos para el análisis, incluida la creación de composiciones de imágenes. Para saber cómo obtener datasets GRD de Sentinel-1 para su propia área de interés y cómo prepararlos, consulte el segundo módulo de este tutorial, Aplicar este flujo de trabajo a su propia área de interés.
Usará la herramienta Swipe para comparar visualmente las dos imágenes.
- En el panel Contenido, haga clic en la capa Pre_Flood_SAR_Composite para seleccionarla.
- En la cinta, haga clic en la pestaña Capa ráster. En el grupo Comparar, haga clic en Swipe.
- En el mapa, arrastre el cursor de arriba abajo para retirar la capa Pre_Flood_SAR_Composite y revelar la capa Post_Flood_SAR_Composite subyacente.
En la imagen posterior a la inundación, hay muchas más áreas cubiertas de agua, que aparecen en tonos negros.
Como punto de comparación, las imágenes ópticas de satélite (Sentinel-2) correspondientes al periodo posterior a la inundación presentan una capa espesa de nubes debido a las condiciones meteorológicas y no se pudieron utilizar para detectar áreas inundadas en el terreno.
Imágenes ópticas de Sentinel-2 posteriores a la inundación que presentan una capa espesa de nubes. - En el mapa, acerque y aleje el zoom con la rueda del ratón y continúe deslizando para examinar las imágenes SAR con más detalle.
Sugerencia:
Para desplazar el mapa mientras la herramienta Swipe está activa, pulse la tecla C y arrastre.
- Para salir del modo Swipe, en la cinta, en la pestaña Mapa, en el grupo Navegar, haga clic en Explorar.
Descargar un modelo preentrenado de aprendizaje profundo
Para extraer los píxeles que representan agua en las imágenes SAR, utilizará un modelo preentrenado de aprendizaje profundo denominado Extracción de masas de agua (SAR): EE. UU.. Se entrenó para detectar píxeles de agua en imágenes SAR y está disponible a través de ArcGIS Living Atlas of the World. Descargará el modelo en su equipo.
Nota:
ArcGIS Living Atlas of the World es la colección autorizada de datos SIG de Esri e incluye una biblioteca cada vez más extensa de modelos preentrenados de aprendizaje profundo.
- Abra ArcGIS Living Atlas of the World en su navegador web.
- En la página de inicio, en el cuadro de búsqueda, escriba Water Body Extraction (SAR) - USA (Extracción de masas de agua (SAR): EE. UU.) y haga clic en el botón de búsqueda.
- En la lista de resultados, haga clic en Water Body Extraction (SAR) - USA para abrir la página del elemento.
La página del elemento contiene documentación sobre el modelo. También incluye un vínculo a una guía para utilizar el modelo.
- En la parte superior de la página, en Descripción general, haga clic en Descargar.
El archivo del modelo se descarga en su equipo.
- Localice en su equipo el archivo WaterbodyExtractionSAR_USA.dlpk descargado y muévalo a una carpeta donde pueda encontrarlo fácilmente, como C:\GeoAI.
Extraer los píxeles de agua
Ahora utilizará el modelo preentrenado descargado para extraer los píxeles de agua de la imagen anterior a la inundación. Utilizará la herramienta de geoprocesamiento Clasificar píxeles con aprendizaje profundo.
Nota:
Para utilizar las herramientas de aprendizaje profundo en ArcGIS Pro es necesario tener instaladas en el equipo las bibliotecas de aprendizaje profundo correctas. Si no tiene instalados estos archivos, guarde el proyecto, cierre ArcGIS Pro y siga los pasos descritos en las instrucciones Prepararse para el aprendizaje profundo en ArcGIS Pro. En estas instrucciones, también aprenderá cómo comprobar si el hardware y el software de su ordenador son capaces de ejecutar flujos de trabajo de aprendizaje profundo y otros consejos útiles. Una vez hecho, puede volver a abrir el proyecto y continuar con el tutorial.
Realizará la extracción de píxeles de agua en el segundo mapa.
- Haga clic en la pestaña del mapa Pre Flood (Antes de la inundación).
Este mapa contiene la capa Pre_Flood_SAR_Composite. El procesamiento de la imagen SAR completa con la herramienta Clasificar píxeles con aprendizaje profundo puede llevar entre 40 minutos y 4 horas, dependiendo de las especificaciones de su equipo. Para la brevedad de este tutorial, solo procesará una pequeña parte de la imagen.
- En la cinta, en la pestaña Mapa, en el grupo Navegar, haga clic en Marcadores y elija Menor extensión.
El mapa se amplía a una extensión más pequeña hacia el centro de la imagen SAR.
Ahora abrirá la herramienta y elegirá sus parámetros.
- En la cinta, en la pestaña Vista, en el grupo Ventanas, haga clic en Geoprocesamiento.
- En el panel Geoprocesamiento, en el cuadro de búsqueda, escriba Clasificar píxeles con aprendizaje profundo. En la lista de resultados, haga clic en la herramienta Clasificar píxeles con aprendizaje profundo para abrirla.
- En la herramienta Clasificar píxeles con aprendizaje profundo, configure los siguientes parámetros:
- En Ráster de entrada, elija Pre_Flood_SAR_Composite.
- En Dataset ráster de salida, escriba Pre_Flood_Water_Small_Extent.
Ahora recuperará el modelo Extracción de masas de agua (SAR): EE. UU..
- Junto al parámetro Definición de modelo, haga clic en el botón Examinar.
- En la ventana Definición de modelo, vaya a la carpeta donde guardó el modelo, seleccione WaterbodyExtractionSAR_USA.dlpk y haga clic en Aceptar.
Al cabo de unos instantes, los argumentos del modelo se cargan automáticamente.
- En Argumentos, localice el argumento batch_size.
La clasificación de píxeles con aprendizaje profundo no puede realizarse en toda la imagen a la vez. En su lugar, la herramienta cortará la imagen en partes más pequeñas denominadas chips. Un tamaño de lote de 4 significa que la herramienta procesará cuatro chips de imagen a la vez. Al ejecutar la herramienta, es posible que reciba un error porque su equipo no tiene memoria suficiente para ese nivel de procesamiento. En tal caso, pruebe a disminuir el valor de batch_size de 4 a 2 o incluso a 1. Si dispone de un ordenador de gran potencia, también puede aumentar el valor de batch_size para un procesamiento más rápido. Cambiar el valor de batch_size no afectará a la calidad de los resultados, solo a la eficacia del proceso de clasificación del modelo.
De momento, utilizará el valor predeterminado 4.
- En Argumentos, para test_time_augmentation, escriba True.
Si este argumento se establece en True, se aplicará el aumento de datos: se crearán varias versiones de los chips de imagen invirtiéndolos y rotándolos y las predicciones resultantes se fusionarán en la salida final.
Nota:
Consulte la documentación de Clasificar píxeles con aprendizaje profundo para obtener más información sobre los argumentos del modelo.
Ahora especificará la extensión de procesamiento en los parámetros de Entornos para limitarlo a la parte más pequeña de la imagen que se muestra actualmente en el mapa.
- Haga clic en la pestaña Entornos.
- En Extensión, haga clic en el botón Extensión de visualización actual.
Las coordenadas de extensión se actualizan en los parámetros Arriba, Izquierda, Derecha y Abajo, en función de la extensión actual del mapa.
- En Tipo de procesador, elija GPU. En Id. de GPU, escriba 0.
Nota:
Para este tutorial, se presupone que su equipo tiene una GPU NVIDIA. Si no es así, elija CPU, pero tenga en cuenta que el proceso tardará mucho más en ejecutarse. Para obtener más información sobre las GPU y cómo se utilizan en los procesos de aprendizaje profundo, consulte la sección Comprobar la disponibilidad de GPU en el tutorial Prepárese para el aprendizaje profundo en ArcGIS Pro.
Ahora ya está listo para ejecutar la herramienta.
Precaución:
En función de las especificaciones de su equipo, este proceso tardará un tiempo. Como referencia, en un equipo con una GPU Nvidia de 4 GB, tarda unos 7 minutos.
Si prefiere no ejecutar este proceso para ahorrar tiempo, puede abrir en su lugar un ráster de salida que se ha proporcionado en el proyecto. En el panel Catálogo, vaya a Bases de datos y a Flood_mapping.gdb. Haga clic con el botón derecho en Pre_Flood_Water_Small_Extent_Provided y elija Agregar al mapa actual.
- Si decide ejecutar el proceso por su cuenta, haga clic en Ejecutar.
Mientras la herramienta está procesando, puede hacer clic en Ver detalles para obtener más información.
Sugerencia:
Si recibe un error, pruebe a disminuir el valor de batch_size de 4 a 2 o incluso a 1 y vuelva a ejecutar el proceso.
Una vez completado el proceso, el ráster de salida Pre_Flood_Water_Small_Extent aparece en el panel Contenido.
- En la barra de herramientas de acceso rápido, haga clic en el botón Guardar proyecto para guardar su proyecto.
Ha extraído los píxeles de agua de las imágenes anteriores a la inundación de una parte de la región de San Luis utilizando la herramienta Clasificar píxeles con aprendizaje profundo y el modelo preentrenado Water Bodies Extraction (SAR) – USA. A continuación, observará los resultados.
Observe la salida de ráster de agua
Utilizará la herramienta Swipe para comparar el ráster de agua anterior a la inundación y la imagen SAR.
- En el panel Contenido, asegúrese de que la capa Pre_Flood_Water_Small_Extent esté seleccionada.
- En la cinta, en la pestaña Capa ráster, haga clic en Swipe.
- En el mapa, arrastre de arriba abajo para retirar la capa Pre_Flood_Water_Small_Extent y revelar la capa Pre_Flood_SAR_Composite subyacente.
Mientras desliza, observe como los píxeles de agua extraídos, que aparecen en color morado, coinciden con las áreas más oscuras de la imagen SAR. Dado que se trata de la imagen SAR anterior a la inundación, estos píxeles corresponden a masas de agua permanentes, como ríos y lagos.
A continuación, debería extraer los píxeles de agua de la imagen SAR posterior a la inundación, siguiendo los mismos pasos. Sin embargo, para garantizar la brevedad de este tutorial, este paso se completó para usted. Ahora revisará su resultado.
- Haga clic en la pestaña del mapa Post Flood (Después de la inundación).
Este mapa contiene la imagen SAR posterior a la inundación y el ráster de agua extraído de ella en la misma extensión menor utilizada anteriormente.
- En el panel Contenido, seleccione la capa Post_Flood_Water_Small_Extent.
- En el mapa, arrastre de arriba abajo para retirar la capa Post_Flood_Water y revelar la capa Post_Flood_SAR_Composite subyacente.
Mientras desliza, observe como los píxeles de agua extraídos, que aparecen en color morado, coinciden con las áreas más oscuras de la imagen SAR. Dado que se trata de la imagen SAR posterior a la inundación, estos píxeles corresponden a masas de agua permanentes, como ríos y lagos, pero también a áreas cubiertas de agua como consecuencia de la inundación.
- Para salir del modo Swipe, en la cinta, en la pestaña Mapa, haga clic en Explorar.
Ahora que ha extraído los píxeles de agua de las imágenes anteriores y posteriores a la inundación, el siguiente paso es comprender qué ha cambiado entre ambas.
Realizar análisis de detección de cambios
Para identificar las áreas inundadas, debe realizar un análisis de detección de cambios que compare los rásteres anterior y posterior a la inundación. Quiere hallar los píxeles que pasaron de no agua a agua. Lo hará en el cuarto mapa mediante el Asistente de detección de cambios.
- Haga clic en la pestaña del mapa Change Detection (Detección de cambios).
Este mapa contiene los rásteres de agua anterior y posterior a la inundación que se extrajeron de las imágenes SAR.
Nota:
Estos rásteres de mayor tamaño se generaron mediante la herramienta Clasificar píxeles con aprendizaje profundo con los mismos parámetros utilizados anteriormente, a excepción del parámetro Extensión, que se definió como la Intersección de entradas.
Realizará el análisis de detección de cambios en esa extensión de mayor tamaño. Pero primero debe realizar un paso de preprocesamiento. Los rásteres de agua obtenidos con la herramienta Clasificar píxeles con aprendizaje profundo contienen una sola clase, con el valor 1, que representa los píxeles de agua.
Sin embargo, se requiere un ráster binario para ejecutar el análisis de detección de cambios. El ráster binario tendrá dos clases: 0, que representa los píxeles de no agua, y 1, que representa los píxeles de agua. Generará estos rásteres binarios utilizando la herramienta Igual que.
- En el panel Geoprocesamiento, haga clic dos veces en el botón Atrás.
- Busque y abra la herramienta Igual que.
Primero aplicará la herramienta al ráster anterior a la inundación.
- En la herramienta Igual que, establezca los siguientes parámetros:
- En Ráster de entrada o valor de constante 1, seleccione Pre_Flood_Water.
- En Ráster de entrada o valor de constante 2, escriba 1.
- En Ráster de salida, escriba Pre_Flood_Binary.
Para cada píxel, la herramienta devolverá 1 si Ráster de entrada o valor de constante 1 es igual que Ráster de entrada o valor de constante 2, y 0 en caso contrario.
- Haga clic en Ejecutar.
Tras unos instantes, el ráster binario se agrega al mapa.
El ráster binario tiene dos clases: 0, simbolizado en gris (no agua), y 1, simbolizado en rojo (agua).
- Del mismo modo, utilice la herramienta Igual que para producir el ráster Post_Flood_Binary.
Después de ejecutar la herramienta, el ráster binario posterior a la inundación se agrega al mapa.
Ahora realizará el análisis de detección de cambios.
- 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 panel Asistente de detección de cambios, en la pestaña Configurar, establezca los siguientes parámetros:
- En Método de detección de cambios, elija Cambio de categoría.
- En De ráster, elija Pre_Flood_Binary.
- En A ráster, elija Post_Flood_Binary.
Los valores del ráster binario representan categorías (agua o no agua), razón por la cual se elige la opción Cambio de categoría.
Nota:
Más información sobre la detección de cambios de categoría.
Nota:
Si le aparece la advertencia No se encuentran los campos estándar Rojo, Azul y Verde, puede ignorarla.
- Haga clic en Siguiente.
- En la pestaña Configuración de clases, establezca los siguientes parámetros:
- En Método de filtro, verifique que Solo con cambios esté seleccionado.
- En De clases, marque la casilla situada junto a 0.
- En A clases, marque la casilla situada junto a 1.
Solo se detectarán los píxeles que hayan pasado de no agua (0) a agua (1). Estos píxeles representan las áreas inundadas.
- Haga clic en Siguiente.
- En la pestaña Generación de salida, defina estos parámetros:
- En Dataset de salida, escriba Inundacion.crf.
- Acepte el resto de valores predeterminados.
- Haga clic en Ejecutar.
Tras unos instantes, el ráster de salida Inundacion.crf se agrega al mapa. Tiene dos clases de píxeles:
- 0->1, que representa los píxeles que pasaron de no agua a agua y corresponde a las áreas inundadas. Se simboliza en rosa.
- Otros, que representa cualquier otro píxel. Se simboliza como Sin Color (transparente).
Visualizar la inundación y calcular su área
Cambiará la simbología para ver mejor los resultados y, a continuación, calculará el área total afectada por la inundación.
- En el panel Contenido, en Inundacion.crf, haga clic con el botón derecho en el símbolo 0->1 para mostrar la paleta de colores. Elija un rojo intenso, como el Rojo flor de Pascua.
- Desactive las casillas situadas junto a las capas Post_Flood_Binary, Pre_Flood_Binary y Post_Flood_Extracted_Water para desactivarlas.
- Haga clic con el botón derecho en el símbolo de Pre_Flood_Extracted_Water y elija un azul intenso, como el Azul Creta.
- En el mapa, la capa de inundación extraída aparece en rojo y, como referencia, las masas de agua anteriores a la inundación aparecen en azul.
Por último, desea calcular el área cubierta por la inundación, medida en kilómetros cuadrados.
- En el panel Contenido, haga clic con el botón derecho en la capa Inundacion.crf y elija Tabla de atributos.
Aparece la tabla de atributos de Inundacion.crf. Contiene dos filas, una para cada clase: 0->1 (píxeles de inundación) y Otros (otros píxeles). La columna Área contiene el área total de cada clase en metros cuadrados. Para la clase de inundación, es de 524.619.200,703 metros cuadrados.
Nota:
Dado que la clasificación de aprendizaje profundo no es un proceso determinista, las cifras de área que obtenga pueden ser ligeramente diferentes.
Los valores en metros cuadrados pueden ser difíciles de interpretar, de modo que agregará un nuevo campo para mostrar el área en kilómetros cuadrados.
- En el panel de la tabla de atributos, haga clic en el botón Calcular.
- En la ventana Calcular campo, defina estos parámetros:
- En Nombre de campo (existente o nuevo), escriba Area_km2.
- En Tipo de campo, elija Doble (punto flotante de 64 bits).
El área en kilómetros cuadrados es el área en metros cuadrados dividida por 1.000.000. Formará la expresión correspondiente.
- Debajo de Expresión, en Campos, haga doble clic en Área. Debajo de Area_km23 =, complete la expresión escribiendo /1000000.
La expresión completa es !Area! / 1000000.
- Haga clic en Ejecutar.
Aparece un nuevo campo Area_km2, rellenado con valores. Las áreas inundadas representan unos 525 kilómetros cuadrados.
- Cierre la tabla de atributos de Inundacion.crf.
- Pulse Ctrl+S para guardar el proyecto.
En este flujo de trabajo, primero ha extraído los píxeles que representan agua en las imágenes SAR de Sentinel-1 anteriores y posteriores a la inundación utilizando un modelo preentrenado de aprendizaje profundo. A continuación, ha realizado la detección de cambios entre los dos rásteres de agua extraídos para identificar las áreas inundadas. Por último, ha calculado que se inundó un área de 525 kilómetros cuadrados en la región de San Luis durante las inundaciones del Medio Oeste de 2019.
Aplicar este flujo de trabajo a su propia área de interés (opcional)
Las imágenes de Sentinel-1 están disponibles para toda la Tierra. Si desea aplicar el flujo de trabajo que acaba de aprender a su propia área de interés, este módulo opcional explica dónde encontrar los datos y cómo prepararlos para el análisis.
Dónde encontrar los datos GRD de Sentinel-1
Los datos utilizados en este flujo de trabajo son datos Ground Range Detected (GRD) de Sentinel-1. Uno de los sitios web donde puede descargar gratuitamente datos GRD de Sentinel-1 de cualquier ubicación de la Tierra es el sitio web ASF Data Search Vertex. A continuación le indicamos cómo descargar datasets SAR similares a los utilizados en este tutorial para una extensión de su elección.
- Cree una cuenta gratuita de acceso a Earthdata, si aún no tiene una.
- En el sitio web ASF Data Search Vertex, en la barra de herramientas superior, inicie sesión con sus credenciales de Earthdata.
- En la barra de herramientas superior, en Tipo de búsqueda, compruebe que Búsqueda geográfica esté seleccionada. En Dataset, compruebe que Sentinel-1 esté seleccionado.
- En el mapa, con el botón de la rueda del ratón, acérquese a su área de interés. Haga clic y arrastre para dibujar un rectángulo que delimite su extensión de interés y vuelva a hacer clic para completar el rectángulo.
En la barra de herramientas superior, el campo Área de interés se rellena con las coordenadas de la forma que acaba de crear.
- Utilice los widgets de calendario para rellenar los campos Fecha de inicio y Fecha de finalización. Haga clic en Filtrar.
- En la ventana Filtros, en Filtros adicionales, elija las siguientes opciones:
- En Tipo de archivo, elija L1 Detected High-Res Dual-Pol (GRD-HD).
- En Modo de haz, elija IW.
- En Polarización, elija VV+VH.
- En Dirección, elija Ascendente.
- Haga clic en Buscar.
Al cabo de unos instantes, aparece una lista de las escenas SAR correspondientes a sus criterios de búsqueda.
- En la lista, en una escena de su elección, haga clic en el botón Zoom a escena, para obtener una vista previa de la imagen en el mapa.
- Si está conforme con esa imagen, en la tercera columna de la derecha, en el dataset GRD-HD, haga clic en el botón Descargar.
El dataset se descarga en la carpeta Descargas de su equipo.
Descargar datos GRD de Sentinel-1 de ejemplo
Una vez que haya adquirido los datos de su área de interés, deberá aplicarles algunos pasos de preprocesamiento para dejarlos listos para el análisis. Para practicar, descargará un dataset GRD de Sentinel-1 de ejemplo y lo abrirá en su proyecto de ArcGIS Pro. Se trata del dataset que se utilizó para derivar la capa Post_Flood_SAR_Composite utilizada anteriormente en este tutorial.
- Descargue el archivo Data_preparation.zip y localícelo en su equipo.
- En el Explorador de Windows, haga clic con el botón derecho en el archivo Data_preparation.zip y descomprímalo en una ubicación de su equipo, como la unidad C:\data, utilizando una herramienta como 7-Zip.
- En ArcGIS Pro, en la cinta, en la pestaña Vista, en el grupo Ventanas, haga clic en Panel Catálogo.
Aparece el panel Catálogo.
- En el panel Catálogo, haga clic con el botón derecho en Carpetas y elija Agregar conexión a carpetas.
- En la ventana Agregar conexión a carpetas, vaya a la ubicación de su carpeta Data_preparation, selecciónela y haga clic en Aceptar.
Ahora abrirá la imagen GRD de Sentinel-1 en un nuevo mapa.
- En el panel Catálogo, haga clic en la flecha situada junto a Carpetas, Data_preparation, Sentinel1 y S1A_IW_GRDH_1SDV_20190611T235618_20190611T235643_027639_031E97_AC44.SAFE para expandir estas carpetas.
- Haga clic con el botón derecho en manifest.safe, apunte a Agregar a nuevo y elija Mapa.
- Si se le pide crear Pirámides y Estadísticas, haga clic en Aceptar para aceptar.
Nota:
Las pirámides son vistas generales de resolución reducida de la imagen a diferentes escalas y se utilizan para mejorar la velocidad de dibujo. Las estadísticas son necesarias para realizar determinadas tareas en las imágenes, como representarlas con una extensión. Más información sobre cómo crear pirámides y calcular estadísticas.
Después de unos minutos, la imagen se agrega al nuevo mapa con el nombre IW_manifest.
La imagen está lista para ser preprocesada.
Aplicar corrección de órbita y de terreno geométrica
Primero, aplicará la corrección de órbita y de terreno geométrica
Nota:
Si omite estos dos pasos, la clasificación de aprendizaje profundo y el análisis de detección de cambios seguirán funcionando; sin embargo, corre el riesgo de obtener resultados que no estén localizados con precisión en el mapa.
No importa lo minuciosa que sea la órbita del satélite, se producirá una deriva en la ubicación del satélite debido a las influencias gravitatorias y a otros factores. Unos archivos orbitales actualizados proporcionan la ubicación exacta del satélite en el momento en que se captó la imagen. Utilizará la herramienta Descargar archivo de órbita para descargar el archivo de órbita correspondiente.
- Cambie al panel Geoprocesamiento. Si es necesario, haga clic en el botón Atrás.
- Busque y abra la herramienta Descargar archivo de órbita.
- En la herramienta Descargar archivo de órbita, defina los siguientes parámetros:
- En Datos de radar de entrada, elija IW_manifest.
- En Tipo de órbita, confirme que Sentinel preciso esté seleccionado.
- En Autenticación y data store, asegúrese de que Nombre de usuario y Contraseña se dejen vacíos.
- Haga clic en Ejecutar.
Un nuevo archivo con extensión .EOF se descarga en la carpeta .SAFE. A continuación, actualizará la información orbital de la imagen SAR utilizando el archivo descargado en la herramienta Aplicar corrección de órbita.
- En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Aplicar corrección de órbita.
- En Datos de radar de entrada, elija IW_manifest.
El parámetro Archivo de órbita de entrada se rellena automáticamente con el archivo de órbita que ha descargado.
- Haga clic en Ejecutar.
Una vez que se ejecuta la herramienta, aparece el mensaje Aplicar corrección de órbita completado. No se crea ninguna capa nueva, pero se actualiza la imagen original. A continuación, llevará a cabo la ortorrectificación con la herramienta Aplicar corrección de terreno geométrica. La ortorectificación es el proceso de corrección de los cambios evidentes en la posición de los objetos del suelo causados por la perspectiva del ángulo de visión del sensor y las variaciones de elevación sobre el terreno. Este proceso utiliza una capa de modelo digital de elevación (DEM). Utilizará la que se proporciona en la carpeta Data_preparation.
- En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Aplicar corrección de terreno geométrica.
- En la herramienta Aplicar corrección de terreno geométrica, defina los siguientes parámetros:
- En Datos de radar de entrada, elija IW_manifest.
- Confirme que los datos de radar de salida se rellenan automáticamente.
- En Bandas de polarización, marque las casillas VV y VH.
- En Ráster DEM, haga clic en el botón Examinar, vaya a Carpetas > Data_preparation > DEM, seleccione DEM.tif y haga clic en Aceptar.
- Haga clic en Ejecutar.
Nota:
La herramienta Aplicar corrección de terreno geométrica puede tardar unos 10 minutos en ejecutarse.
Cuando el proceso finaliza, aparece el archivo de salida IW_manifest_GTC.crf.
Ha aplicado la corrección de órbita y de terreno geométrica a la imagen: ahora todos sus píxeles están localizados con precisión.
Crear una composición de 3 bandas y recortarla
Continuará preparando los datos obteniendo un ráster compuesto de 3 bandas y recortándolo para que coincida exactamente con su área de interés.
Cuando se utiliza un modelo preentrenado de aprendizaje profundo, es necesario proporcionarle una entrada que sea similar a los datos con los que fue entrenado. Como puede leer en la documentación del modelo preentrenado Extracción de masas de agua (SAR): EE. UU., la entrada esperada es un ráster de 3 bandas de 8 bits de polarización VH de banda C SAR GRD de Sentinel-1.

Esto significa lo siguiente:
- El ráster de entrada debe tener una profundidad de píxel de 8 bits (sin signo).
- El ráster de entrada debe estar compuesto por tres bandas, cada una de las cuales contiene una copia de la banda de polarización VH.
Nota:
El modelo preentrenado Extracción de masas de agua (SAR): EE. UU. utiliza la arquitectura DeepLab, que espera una imagen de 3 bandas como entrada. Dado que la banda VH SAR suele ser una buena opción para detectar agua, se decidió, al entrenar el modelo, proporcionar una composición de 3 bandas en el que la banda VH se repitiera 3 veces.
Su dataset original de Sentinel-1 tiene una profundidad de píxel sin signo de 16 bits y contiene dos bandas de polarización, VH y VV.
Sugerencia:
Si quiere buscar usted esta información sobre el dataset de Sentinel-1, en el panel Contenido, haga clic con el botón derecho en la capa IW_manifest y elija Propiedades. En la ventana Propiedades, haga clic en la pestaña Fuente y expanda las secciones Información de ráster, Metadatos de banda y Referencia espacial. Encontrará información útil como el número de bandas, los nombres de las bandas (VV y VH), la profundidad de píxel y el sistema de coordenadas.
Obtendrá una composición de 3 bandas de 8 bits utilizando la función ráster Extraer bandas.
- En la cinta, en la pestaña Imágenes, en el grupo Análisis, haga clic en el botón Funciones ráster.
- En el panel Funciones ráster, busque y abra Extraer bandas.
- En la función ráster Extraer bandas, en la pestaña Parámetros, defina los siguientes parámetros:
- En Ráster, elija IW_manifest_GTC.crf.
- En Método, elija Nombres de banda.
- En Banda, elija VH tres veces.
- El parámetro Combinación se rellenará automáticamente con la expresión VH VH VH.
- Haga clic en la pestaña General y elija los siguientes ajustes:
- En Nombre, escriba Post_Flood_SAR_Composite.
- En Tipo de píxel de salida, elija 8 bits sin signo.
- Haga clic en Crear capa nueva.
La composición SAR se agrega al mapa. Por último, la recortará para que coincida exactamente con el área de interés utilizando la herramienta Extraer por máscara. Reducir la extensión disminuirá el tiempo necesario para ejecutar la clasificación de aprendizaje profundo y las herramientas de detección de cambios.
- En el panel Geoprocesamiento, haga clic en el botón Atrás. Busque y abra la herramienta Extraer por máscara.
- En la herramienta Extraer por máscara, defina los siguientes parámetros:
- En Ráster de entrada, elija Post_Flood_SAR_Composite_manifest_GTC.crf.
- En Ráster de salida, escriba Post_Flood_SAR_Composite_Clipped.
Dibujará su extensión específica de interés.
- En Extensión de análisis, haga clic en el botón Dibujar extensión.
- En el mapa, dibuje un rectángulo que corresponda a su extensión de interés.
Nota:
Para este tutorial, puede elegir la extensión que desee.
En el panel Contenido, el rectángulo aparece como una nueva capa denominada Extensión de análisis de Extraer por máscara.
- En la herramienta Extraer por máscara, en Datos de máscara de entidad o ráster de entrada, elija Extensión de análisis de Extraer por máscara.
- Si lo desea, haga clic en Entornos. En Sistema de coordenadas de salida, haga clic en el botón Seleccionar sistema de coordenadas para elegir un nuevo sistema de coordenadas y obtener una salida reproyectada.
Por ejemplo, WGS 1984 UTM Zone 15N fue la proyección elegida para los datos que utilizó anteriormente en este tutorial. Encontrará más información sobre las proyecciones en el tutorial Elegir la proyección adecuada.
- Haga clic en Ejecutar.
Tras unos instantes, la salida se agrega al mapa.
- En el panel Contenido, desactive todas las capas excepto Post_Flood_SAR_Composite_Clipped, Mapa topográfico mundial y Sombreado mundial.
La capa Post_Flood_SAR_Composite_Clipped se ha preparado del mismo modo que la imagen Post_Flood_SAR_Composite que utilizó al principio de este tutorial. Está lista para ser utilizada como entrada en el flujo de trabajo de clasificación de aprendizaje profundo y detección de cambios. Tenga en cuenta que también deberá preparar las imágenes anteriores a la inundación siguiendo el mismo flujo de trabajo.
- Pulse Ctrl+S para guardar el proyecto.
En este tutorial, ha representado cartográficamente la inundación de la región de San Luis (Misuri) de 2019. Ha extraído los píxeles de agua de las imágenes SAR de Sentinel-1 anteriores y posteriores a la inundación utilizando un modelo preentrenado de aprendizaje profundo. A continuación, ha realizado la detección de cambios entre los dos rásteres de agua extraídos para identificar las áreas inundadas. Por último, ha calculado el área total afectada por la inundación en kilómetros cuadrados. Opcionalmente, ha aprendido dónde encontrar datos para su propia área de interés y cómo prepararlos para el análisis.
Encontrará más tutoriales como este en la serie Probar el aprendizaje profundo en ArcGIS.