Www.adenag.org.ar



ADMINISTRACION INTELIGENTE PARA EL SECTOR PUBLICOResumen: La Provincia de Mendoza puede administrar la gestión del agua utilizando herramientas digitales que se emplean para las Ciencias de la Tierra, y con la ayuda de esas aplicaciones optimizar el uso del recurso, con un impacto inherente en las Ciencias Económicas, es decir proyecciones de su matriz productiva a través de una máquina de autoaprendizaje IA. Palabras claves: Mapas satelitales, Landsat, historiografía de ríos en Mendoza, Irrigación, caudal de río, comparativa mapas satelitales contra datos de hídricos geoposicionados, bandas satelitales, temperaturas de superficie, Google Earth Engine, GEE, analítica de imágenes, analítica de datos, algoritmos, folium, Python, Jupyter Notebooks, Machine Learning, Google Colaboratory, Google Colab, NDWI.INTELLIGENT ADMINISTRATION FOR THE PUBLIC SECTORSummary: The Province of Mendoza can administer water management using digital tools that are used for Earth Sciences, and with the help of these applications, optimize the use of the resource, with an inherent impact on Economic Sciences, that is, projections. of its productive matrix through a machine learning, IA.Keywords: Satellite maps, Landsat, historiography of rivers in Mendoza, Irrigation, river flow, comparative satellite maps against geo-positioned water data, satellite bands, surface temperatures, Google Earth Engine, GEE, image analytics, data analytics, algorithms, folium, Python, Jupyter Notebooks, Machine Learning, Google Colaboratory, Google Colab, NDWI.EJE 1 : Gestión de las OrganizacionesADMINISTRACION INTELIGENTE PARA EL SECTOR PUBLICOMSC, Lic. y Prof. Daniel Guillermo Cavaller Riva, Profesor Asociado Tecnología de la Información I Cdor. Cristian Darío Ortega Yubro, Jefe de Trabajos Prácticos Tecnología de la Información I y II {daniel.cavaller; cristian.ortega; }@fce.uncu.edu.ar Colab: 1 : Gestión de las OrganizacionesIntroducciónDe acuerdo a las características de la Provincia de Mendoza en cuanto a la relación con su recurso hídrico y la distribución del suministro de agua, es conveniente y fundamental conocer la distribución espacial y temporal de aquellos recursos hídricos superficiales (Pekel et?al., 2014) es decir: masas de agua que se mueven siempre en una misma dirección, como los ríos, riachuelos, arroyos, manantiales, etc., lo cual podría realizarse con la utilización de herramientas de Ciencia de Datos que contribuyen al análisis de las Ciencias de la Tierra, con un efecto inherente de las Ciencias Económicas.El recurso hídrico de la Provincia de Mendoza puede analizarse con imágenes de satélite y con ellas desarrollar diferentes modelos utilizando algoritmos de aprendizaje automático, logrando así información precisa que contribuye a la toma de decisiones y aporten conocimiento valioso para empezar a valorar más el agua, y proyectar esos resultados a la matriz productiva de la provincia. El conjunto de datos históricos libres se obtiene de la aplicación Google Earth Engine, que permite construir diferentes modelos que proporcionan evidencia del estado y el cambio de los ecotonos que indican las áreas de transición entre biomas, como por ejemplo, el cambio en superficies con agua y superficies sin agua. Con esos datos y su procesamiento se puede generar información y conocimiento vital como soporte en la toma de decisiones de las administraciones publicas. ObjetivoTomar datos históricos del recurso hídrico local, y analizarlo mediante herramientas de programación y autoaprendizaje, como soporte de la toma de decisiones, para constituir administraciones publicas inteligentes.Con respecto a la definición oportuna del objetivo, se aclaran los siguientes puntos: tomar datos históricos del recurso hídrico se logra con la captura de imágenes satelitales multitemporales y multiespectrales, detectando automáticamente las superficies del agua y monitoreando tales imágenes, con la aplicación de algoritmos específicos para ese tipo de datos, a través de herramientas de Google y de la aplicación del índice espectral de agua de diferencia normalizada (NDWI) (McFeeters, 2013). Google Earth Engine es una herramienta de programación y autoaprendizaje, la cual se utilizará combinada con otras herramientas de Google como Colab.Y con respecto de soporte de la toma de decisiones, es por el uso de algoritmos de inteligencia artificial con lo cual, el analisis de datos y la generacion de modelos predictivos aportan gran valor al desarrollo estrategico de politicas de estado.Originalidad e importanciaEn una región como la nuestra cualquier herramienta que nos permita poder hacer algún tipo de predicción o proyección sobre cómo podría evolucionar el recurso hídrico en un periodo de tiempo en base a los datos que se cuenta se la debería considerar original y de suma importancia. Google Earth Engine contiene diferentes métodos de procesamiento de imágenes que pueden ser aprovechados, ejemplo para las imágenes del satélite Landsat aplica algoritmos a medida con los cuales se pueden inferir en la reflectancia superficial, algoritmo que necesita una compensación atmosférica tal como la temperatura y el vapor de agua.Ejes de la propuestaEjes centralesCapturar datos del recurso hídrico local, a través de imágenes satelitales.Filtrar esos datos a través de algoritmos.Construir el índice de agua de diferencia normalizada (NDWI).Obtener imágenes en virtud del NDWI, para que sea soporte en la toma de decisiones.Ejes periféricosPoner a disposición de la Facultad de Ciencias Económicas – Sede Central y Delegación San Rafael – de la Universidad Nacional de Cuyo, los resultados y conclusiones obtenidas en la presente investigación, para fomentar el estudio continuo y profundizado de la Ciencia de Datos y del lenguaje Python, revelando su importancia para el profesional de Ciencias Económicas.Publicar los resultados obtenidos y las conclusiones arribadas de la presente investigación en las Jornadas Provinciales de Ciencias Económicas, en el Congreso Nacional de Ciencias Económicas, en las Jornadas Argentinas de Informática e Investigación Operativa, y en el repositorio digital del Sistema Integrado de Documentación de la Universidad Nacional de Cuyo.Marco teóricoEl índice de agua de diferencia normalizada (NDWI) (McFeeters, 2013) es un índice espectral de teledetección vinculado al agua líquida en virtud de las bandas satelitales que se tomen como observación para monitorear los cambios relacionados con el contenido del agua en los cuerpos de agua, en este caso, usando la banda de longitud de onda verde y la banda de infrarrojo cercano. Las bandas consultadas para elaborar el modelo con el editor de Google Earth Engine:B3: reflectancia superficial verde.B6: reflectancia superficial infrarrojo de onda corta 1.NDWI=B3 - B6(B3 + B6)Se afirma que los valores de NDWI mayores que cero suponen que representan superficies de agua, mientras que los valores menores o iguales a cero se suponen que son superficies que no son de agua.Este es uno de los tantos índices que puede ser utilizado para contribuir en la optimización de los recursos hídricos, ya que los mismos suministran resultados de calidad (Dominguez Gomez & Rodriguez Pérez, 2012). Por ejemplo, el estudio de la nieve es muy importante para estudiar cuánta agua se aporta a los ríos, con lo que ese estudio es vital para la previsión de fenómenos hidrológicos extremos como lo sería una sequía, o por las características naturales de la región, como lo es la característica desértica de la Provincia de Mendoza. Existen múltiples estudios que permiten además de optimizar los recursos hídricos de la Provincia de Mendoza, repensar la composición de la matriz productiva, ya que por ejemplo una de las aplicaciones interesantes de la teledetección para contribuir con la planificación hidrológica de una región determinada, es la posibilidad de calcular hectáreas de superficies regadas, con lo cual se podría extrapolar tales resultados a los conceptos económicos relacionados con la eficacia y eficiencia del riego existente. La aplicación de la teledetección como herramienta de captación de datos históricos del recurso hídrico local para ser aplicados a la planificación hidrológica supone un ahorro de tiempo y de costos, lo cual impacta en la gestión, optimización y modernización en la planificación de los recursos hídricos de nuestra provincia. Por otro lado, para entender la calidad del agua (Dominguez Gomez & Rodríguez Pérez, 2012) otros factores se tienen en cuenta, factores tales como:Tipos de aguas existentes en la región bajo análisis,Interacción de la radiación solar con esos tipos de agua, ylos sensores que se puedan utilizar.Estado del arteUn gran avance en el uso de las herramientas detalladas en los párrafos anteriores, es el desarrollado por el Instituto Argentino de Nivología, Glaciología y Ciencias Ambientales, IANIGLA dependiente del Conicet, la Universidad Nacional de Cuyo y del Gobierno de la Provincia de Mendoza, tal como se lo puede constatar en el siguiente enlace: Nieve en Mendoza (?Nieve en Mendoza?, s.?f.) Se puede observar del enlace “Nieve de Mendoza”, el análisis de un catálogo de imágenes obtenidos del conjunto de datos del satélite MODIS, pertenecientes a la colección MOD10A1.006 Terra Snow Cover Daily Global 500 metros, que contiene datos de la cobertura de nieve, albedo de nieve, capa de nieve fraccional y evaluación de calidad de esta (?MODIS Collections in Earth Engine | Earth Engine Data Catalog?, s.?f.). Los datos de cobertura de nieve se basan en un algoritmo de mapeo de nieve que emplea un ?ndice de nieve de diferencia normalizada (NDSI) y otras pruebas de criterios. Este estudio es un gran aporte para la optimización de los recursos hídricos, y demuestra lo que se puede hacer con el análisis de imágenes satelitales, con lo cual lo mismo podría realizarse para el estudio hidrológico de la Provincia de Mendoza.Imagen N? 1 - Nieve en MendozaLos recursos hídricos en la Provincia de Mendoza son monitoreados por el Departamento General de Irrigación, con sensores de control de caudales heterogéneos, los que pueden constatarse en la página web del organismo titulada “Modelo de Indicadores de Distribución Operativa” (?MIDO?, s.?f.). El sistema MIDO informa acerca del monitoreo de seis cuencas en la provincia, y cada una de las cuencas posee las siguientes cantidades de puntos de control, de acuerdo a lo indicado en la página web, los cuales pueden variar con el transcurrir del tiempo:Río Mendoza, 168 puntos de control.Zona Riego Malargüe, 33 puntos de control.Rio Atuel, 104 puntos de control.Río Tunuyán Superior, 173 puntos de control.Río Tunuyán Inferior, 169 puntos de control.Río Diamante, 174 puntos de control.El enlace de esa página es el siguiente: MIDO. Ahora bien, del análisis no pormenorizado del código fuente de la página del enlace anterior, se podría deducir que el desarrollo de la misma, es una visualización de un widget de una aplicación para sitios web desarrollada por Vaadin, empresa finlandesa especializada en ofrecer soluciones para la creación de aplicaciones web en lenguaje java. Tal conclusión puede deducirse de la línea de código HTML que indica una advertencia cuando el explorador con el que se accede al sitio debe ejecutar lenguaje javascript y no lo tiene habilitado. El código en cuestión es el siguiente:<noscript> You have to enable javascript in your browser to use an application built with Vaadin. </noscript>Imágen N? 2 - Modelo de Indicadores de Distribución OperativaSi bien se puede visualizar una imágen de un mapa, y la ubicación de los puntos de control como capa superior del mapa, encuadrando tal dise?o en el concepto de telemetría, no se puede observar elementos que dejen al descubierto el análisis de datos con imágenes satelitales ni el uso de indicadores resultantes de la aplicación de algoritmos específicos.Herramienta de programación y autoaprendizaje de estudioLa herramienta seleccionada para el análisis del recurso hídrico de la provincia es Google Earth Engine que posee múltiples conjuntos de datos, y estudios de casos específicos, totalmente aplicables a investigaciones orientadas a la región de nuestra provincia. Dentro de los catálogos de datos a los que se puede acceder desde cualquier dispositivo, siempre y cuando se cuente con una cuenta Google, se encuentran tres colecciones principales:Colecciones Landsat, que es un programa del Servicio Geológico de los Estados Unidos (USGS) y de la NASA. Este programa ha estado observando la Tierra desde el a?o 1972 hasta el día de la fecha, y la sigue observando. Los satélites Landsat toman imágenes de toda la superficie de la Tierra con una resolución entre 30 y 15 metros aproximadamente, con una frecuencia de una vez cada dos semanas, incluyendo en las imágenes datos multiespectrales y térmicos.Colecciones del sensor satelital denominado espectro radiómetro de imágenes de media resolución (MODIS). Dentro de esta colección de datos, existen múltiples subconjuntos de datos.Colecciones Centinela compuesto por un conjunto de satélites desarrollados por la Agencia Espacial Europea (ESA) para poner en funcionamiento el programa Copernicus de la Comisión Europea, que incluye imágenes de radar para todo tipo de clima, como así también datos oceánicos y terrestres adecuados para datos ambientales y terrestres, como también datos de la calidad del aire.Imagen N? 3 - Google Earth EngineEsos datos se obtienen a través de la API de Google Earth Engine, lo que permite conectarlos a Google Colab, un entorno de programación similar a Jupyter Notebooks, que utiliza lenguaje Python. De esa forma se puede clasificar las imágenes satelitales multitemporales (Shelestov, Lawreniuk, Kussul, Novikov, & Skakun, 2017).Imagen N? 4 - Aprendizaje automático en Google Earth EngineMetodología del estudioSe puede utilizar la API de Python de Google Earth Engine (?Python installation | Google Earth Engine | Google Developers?, s.?f.) y ejecutar desde Google Colab (?Google Colaboratory?, s.?f.) Una vez instalado la API de Python de Google Earth Engine, se debe instalar una librería que permite generar aplicaciones sobre mapas, la librería seleccionada para ello es Folium, ya que facilita la manipulación de datos en Python en un mapa interactivo, y permite agregar marcadores en el mapa, superposiciones de otras imágenes (en el presente caso las imágenes satelitales seleccionadas a tal efecto) y video, entre otras opciones. Con esas instalaciones previas, ya se puede ejecutar Google Colab con Python. El entorno de ejecución que se selecciona para el desarrollo de los scripts es el denominado GPU, aprovechando el poder computacional de Google, accediendo a recursos en línea y librerías preinstaladas tales como:TensorFlow,Pandas,PyTorch,Numpy,MatPlotLib y muchas más.Imágen N? 5 - Dique Potrerillos visualizado en FoliumLos conjuntos de datos que se seleccionen serán los de la colección denominada “USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance” y los de la colección “Landsat 8 Collection 1 Tier NDWI Composite”, sobre un punto determinado, el cual en este caso será el Dique Potrerillos de la Provincia de Mendoza con coordenadas de latitud -32.9946 y longitud -69.1280. Cabe aclarar que existen múltiples colecciones de imágenes satelitales para explorar, y que cada día que transcurre se agregan muchas más colecciones de imágenes específicas.USGS Landsat 8 Collection 1 Tier 1 TOA ReflectanceEste conjunto de datos (?USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance?, s.?f.) contiene la reflectancia superficial atmosféricamente corregida de los sensores del satélite Landsat 8. Las colecciones de imágenes contienen múltiples bandas, entre ellas las de infrarrojo cercano y visible (VNIR), 2 bandas de infrarrojo de onda corta (SWIR) procesadas para reflectancia de superficie, y dos bandas de infrarrojo térmico (TIR) ??procesadas para temperatura. Los datos contenidos en las imágenes están corregidos atmosféricamente incluyendo esa corrección la máscara de nubes, sombras, agua y nieve producida, así como una máscara específica de saturación por píxel en las imágenes. La resolución de la imagen satelital es de 30 metros y de 15 metros respectivamente, siendo las imágenes capturadas aproximadamente una vez cada dos semanas en todo el mundo, conteniendo datos multiespectrales y térmicos. Por lo tanto se puede entender con ello, lo valioso de los datos contenidos en las imágenes, las cuales son de acceso gratuito para cualquier persona que posea una cuenta de google.Imágen N? 6 - Colección LandsatLandsat 8 Collection 1 Tier NDWI CompositeEstos conjuntos de imágenes de la colección Landsat 8 Collection 1 Tier 1 NDWI están hechos de escenas ortorectificadas por medio de la reflectancia computarizada de la parte superior de la atmósfera (TOA). Las imágenes satelitales se obtienen en períodos de 8 días comenzando el primer día del a?o y continuando hasta el día 360 del a?o (?Landsat 8 Collection 1 Tier 1 8-Day NDWI Composite?, s.?f.) Todas las colecciones derivadas de Landsat ofrecen la opción de ser ejecutadas en un editor de código en línea de Google que se trabaja con el lenguaje javascript. En nuestra investigación se opta por la herramienta ya mencionada anteriormente: Google Colaboratory, conocida como Google Colab.Imágen N? 7 - Algunas colecciones derivadas de Landsat Google ColabColab es una herramienta que permite ejecutar y programar Python desde cualquier dispositivo que se esté utilizando, con la posibilidad de utilizar los recursos computacionales que Google pone a disposición, y el atractivo de la integralidad con TensorFlow. De acuerdo a la presentación que hace Colab, la aplicación puede facilitar el trabajo ya sea de un alumno, un científico de datos o un investigador de inteligencia artificial (?Google Colaboratory?, s.?f.) y de esa forma desarrollar modelos inherentes a estudios derivados de las Ciencias Económicas. Los archivos de ejemplo generados en Google Colab se pueden alojar en los repositorios de GitHub. El enlace del repositorio es el siguiente: sugiere, una vez ingresado a GitHub, clonar los archivos para su análisis y experimentación, previendo tener instalado Python en el dispositivo con el que se trabaja.Autenticación Lo primero que debe realizarse en Google Colab es la carga de la librería de Earth Engine, lo que requiere de cada vez que se ejecute Colab, una autenticación. El código que debe escribirse en la celda es el siguiente:import eeee.Authenticate()ee.Initialize()Librerías para la generación del mapa interactivoUna vez activada la librería de Google Earth Engine, GEE de aquí en adelante, se deben activar otras librerías necesarias para el desarrollo del análisis del conjunto de datos en Google Colab, de la siguiente forma:import sysimport foliumimport pandas as pdimport webbrowserEn esta celda de código de Google Colab se activa Folium, si la ejecución de esta celda arroja un error, entonces debe previamente instalarse el paquete que resulte de ese error, con pip, tal cual se explicó anteriormente.Imágen N? 7 - Librerías para el mapa interactivoLocalización y bandas satelitalesSe define la variable “potrerillos” con las coordenadas expresadas en latitud y longitud, el primer valor es la latitud y el segundo valor es la longitud. Esta variable se utilizará en el código Python cuando se indique la ubicación inicial del mapa consultado. Luego se define la variable “punto” con las coordenadas correspondientes a una localización dentro del lago potrerillos, esta variable se utilizará configurar el punto de una geometría en la colección de imágenes. Nótese que la sintaxis es diferente a la variable anterior, cuando se utilice la variable a una geometría, el punto se indica con un par de valores, el primero en este caso es la longitud y el segundo la latitud. Las variables mencionadas se escriben en una celda de código de la siguiente manera:potrerillos = [-32.9946, -69.1280]punto = [-69.1603, -32.9781]A continuación se crea la variable “map” que es igual a un mapa genérico de folium, con la sintaxis folium.Map y las opciones para parametrizar como la localización, que en este caso es igual a la variable potrerillos, la posición del mapa definido como centro que ajusta el mapa a la localización establecida, la máscara del mapa definida en el parámetro “tiles” con múltiples opciones, eligiendo la máscara “OpenStreetMap” y por último estableciendo el parámetro del zoom con el que se inicia la visualización del mapa a través de la variable map.map = folium.Map (location = potrerillos, position='Center', tiles='OpenStreetMap', zoom_start=12.5)bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7']También resulta oportuno definir una variable llamada “bands” en la cual se detallaran las bandas con las que se trabajarán y se definirán las distintas capas de imágenes satelitales que se superpondran a la variable map. Las bandas definidas, que dependen de la colección de imágenes que se está utilizando, son las siguientes:B2, reflectancia superficial azul. (Blue)B3, reflectancia superficial verde. (Green)B4, reflectancia superficial roja. (Red)B5, reflectancia superficial infrarrojo cercano.B6, reflectancia superficial infrarrojo de onda corta 1.B7, reflectancia superficial infrarrojo de onda corta 2.Conexión con Landsat 8 Toa ReflectanceRecién en este punto se estaría alcanzando el primer objetivo del eje central establecido:Capturar datos del recurso hídrico local, a través de imágenes satelitales.Para lograrlo se define una variable llamada “IDcollection” para identificar la colección de datos de la cual se obtendrán las imágenes satelitales, con el siguiente comando:IDcollection = 'LANDSAT/LC08/C01/T1_SR'Una vez identificada la colección de datos, se establece la variable llamada l8sr (Landsat 8 surface reflectance) para capturar la colección de imágenes satelitales de Earth Engine (ee) de esa colección de datos indicada previamente, a través del siguiente comando:l8sr = ee.ImageCollection (IDcollection)Luego se procede al filtrado de las imágenes satelitales de la colección de datos que se obtengan, filtros como plazo del tiempo, el punto definido para la geometría y una máscara para eliminar nubes de las imágenes, logrando de esta forma alcanzar el segundo objetivo del eje central establecido:Filtrar esos datos a través de algoritmos.El primer algoritmo utilizado es “filterDate” en el cual se establece el lapso de tiempo de la forma fecha inicial y fecha final del cual se obtendrán las imágenes satelitales. De la misma forma en que se ha venido trabajando, se define variable para ello, con la siguiente sintaxis:ICFilter = l8sr.filterDate ('2018-01-01', '2019-12-28')GP = ee.Geometry.Point (punto)ICFilter = ICFilter.filterBounds (GP)El segundo algoritmo es “Geometry.Point” el cual utiliza la variable “punto” que fue definida previamente, y en la tercer línea de código se actualiza la variable “ICFilter” combinando los dos algoritmos detallados. Si bien con esos algoritmos se obtendrá una colección de imágenes acotada en el tiempo y agrupadas por un punto de coordenadas específico, las imágenes satelitales contienen nubes, por lo que es necesario aplicar un filtro que elimine las nubes de las imágenes para obtener imágenes libres de nubes, porque las nubes pueden alterar el análisis de esas imágenes. El código utilizado para lograr la máscara de nubes para esta colección de datos es el siguiente:def maskL8sr (image):cloudShadowBitMask = ee.Number(2).pow(3).int()cloudsBitMask = ee.Number(2).pow(5).int()qa = image.select('pixel_qa')mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0).And( qa.bitwiseAnd(cloudsBitMask).eq(0))return image.updateMask(mask).select(bands).divide(10000)En este caso no se profundiza la explicación del código para la máscara de nubes, solamente por una cuestión de simplicidad de la presente investigación.Imágen N? 8 - Bandas de Landsat 8 Toa ReflectanceDefiniendo el conjunto de imágenesLa conjunción de los dos primeros objetivos del eje central establecido se desarrollaran en este punto. Los objetivos establecidos son:Capturar datos del recurso hídrico local, a través de imágenes satelitales.Filtrar esos datos a través de algoritmos.Para ello se define la variable “image” y aplicando la media de esa colección de imágenes, obteniendo por resultado una imagen limpia de nubes. En el caso del conjunto de imágenes correspondientes a Landsat 8 Collection 1 Tier 1 TOA Reflectance, se aplica la función de media tal como se visualiza en el código siguiente:image = ICFilter.map(maskL8sr).median()Si se quisiera saber cuantas imágenes tenía la colección de datos a las que se obtuvo acceso en el lapso de tiempo preestablecido, se logra con el siguiente comando:ICFilter.size().getInfo()Arroja por resultado el número 44, es decir cuarenta y cuatro imágenes para la colección filtrada. La sintaxis getInfo() es exclusiva de Python para interpretar la información de Google Earth Engine.?ndice de agua de diferencia normalizada (NDWI)En este punto se alcanzaría el tercer objetivo del eje central establecido:Construir el índice de agua de diferencia normalizada (NDWI).El comando que se utiliza en Python es el algoritmo de GEE “normalizedDifference”, con la siguiente sintaxis:NDWI = image.normalizedDifference(['B3','B6'])Se puede llegar al mismo resultado realizando primeramente una diferencia entre la banda B3 y B6, guardando el resultado en una variable llamada “diferencia”, y luego realizar la suma, adicionando la banda B3 a la B6, guardando ese resultado a otra variable definida “suma”, utilizando operadores matemáticos básicos de Python sin necesidad de activar la librería NumPy (Python Numérico).Una vez que se realizan esas operaciones matemáticas descritas en el párrafo anterior, se procede a la división de la variable “diferencia” con la variable “suma”, guardando ese resultado en una variable que resulta ser el índice NDWI, con lo cual se la llama con ese nombre. Logrado el índice, se habilitan las diferentes capas deseadas en el mapa base de folium, para poder ver los resultados obtenidos, exportando la imagen lograda de la aplicación del algoritmo.Si bien el índice NDWI se conformó con las bandas B3 (green surface reflectance, de 0.533-0.590 μm) y la banda B6 (shortwave infrared 1 surface reflectance, de 1.566-1.651 μm), lo que se recomienda es que las bandas que se utilicen posean valores (Gao, 1996) tal como se expresa en el siguiente ecuación: NDWI = [p(0.86,um)-p(1.24,urn)] /[ p(0.86ttm)+ p(1.24tim)]Si se toman en cuenta esos valores con respecto a las bandas definidas para Landsat 8, entonces la banda a tener en cuenta debería ser la banda B5. Por tal motivo se pueden generar ambos índices, creando las variables, con el siguiente código, y luego comparar las diferencias de los resultados obtenidos por la aplicación de cada uno de ellos. La sintaxis sera:NDWI1 = image.normalizedDifference(['B3','B6'])NDWI2 = image.normalizedDifference(['B5','B6'])El índice NDWI puede ser útil para la percepción remota del estado del agua líquida desde el espacio a través de las imágenes satelitales. Téngase presente que se aplica este índice sobre áreas que no contienen vegetación, los alrededores del Dique Potrerillos. La aclaración previa se realiza porque el índice NDWI puede considerarse también como un índice de vegetación independiente, complementario, pero no sustituto del índice de vegetación de diferencia normalizada (NDVI).Resultados obtenidosEn este punto se alcanzaría el cuarto y último objetivo establecido del eje central:Obtener imágenes en virtud del NDWI.Los resultados de la aplicación de los filtros y algoritmos resultan en imágenes libres de nubes, y la aplicación del índice NDWI se realiza en la media del período de tiempo seleccionado para la colección de datos accedida oportunamente, que en este caso fue una colección de 44 imágenes, tal como se vio anteriormente. Ahora bien, es posible generar bandas “artificiales” como lo sería una banda RGB (Red, Green, Blue). Con las bandas B4 (red surface reflectance), B3 (green surface reflectance) y B2 (blue surface reflectance) se puede generar la capa RGB, y aplicarla al mapa. Nótese en el mapa las diferentes tonalidades de agua sobre el Dique Potrerillos, lo que indica profundidad basado solamente en el color. Imágen N? 9 - Banda RGB (B4, B3, B2)La sintaxis del código para agregar una capa filtrando las imágenes como RGB tal como se ve en la imagen anterior, es el que sigue:mapid = image.getMapId({'bands': ['B4','B3','B2'], 'min': 0, 'max': 0.3, 'ganma': 1.3})folium.TileLayer( tiles=mapid['tile_fetcher'].url_format, attr='Map Data &copy; <a href="">Google Earth Engine</a>', overlay=True, show=False, name='RGB').add_to(map)Ahora bien, el índice de agua de diferencia normalizada NDWI genera valores, y los potenciales valores oscilan entre -1 y 1. Esos valores describirán superficies de agua en zonas terrestres y con ausencia de humedad.Imágen N? 10 - Mapa FoliumImágen N? 11 - Banda B6 reflectancia superficial infrarrojo de onda corta 1 Imágen N? 12 - Banda artificial generada NDWI 1Ahora bien, todo lo visto anteriormente se puede replicar para otro conjunto de datos y obtener una imagen satelital resultante de la aplicación del algoritmo para llegar al NDWI que aporte más información. Ese conjunto de datos es un derivado de Landsat, y se denomina Landsat 8 Collection 1 Tier 1 8-Day NDWI Composite. El primer paso entonces es adaptar la colección de datos con el siguiente comando en Google Colab:IDcollection = 'LANDSAT/LC08/C01/T1_8DAY_NDWI'También se puede extender el plazo de tiempo un par de meses más, es decir hasta marzo del a?o 2020, con el siguiente código:l8sr = ee.ImageCollection(IDcollection)ICFilter = l8sr.filterDate('2018-01-01', '2020-01-03')GP = ee.Geometry.Point(punto)ICFilter = ICFilter.filterBounds(GP)Comparamos esta nueva colección de datos con la anterior, para saber cuántas imágenes posee, de la siguiente forma:ICFilter.size().getInfo()Y el resultado obtenido es 93 imágenes, contra 44 imágenes del conjunto de datos anteriormente desarrollado. Ahora se define la variable “image” aplicando los filtros de fechas y geometría para el punto indicado.image = ICFilterSe definen posteriormente los filtros necesarios para la capa que se va adiciona al mapa genérico de folium con el siguiente código:mapid = image.getMapId({'min': 0, 'max': 1.0, 'palette': ['0000ff', '00ffff', 'ffff00', 'ff0000', 'ffffff']})folium.TileLayer( tiles=mapid['tile_fetcher'].url_format, attr='Map Data &copy; <a href="">Google Earth Engine</a>', overlay=True, show=False, name='NDWI' ).add_to(map)Imágen N? 13 - Banda NDWIA diferencia del NDWI desarrollado con el conjunto de datos de la colección USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance, que se visualiza en la Imagen N? 15, el resultado de la presente imagen evidencia diferentes colores en la trayectoria del río, lo que podría estar relacionado con el movimiento del agua.Conclusiones y ProyeccionesLas conclusiones desarrolladas serán plasmadas en virtud de los cuatro objetivos establecidos en los ejes centrales de la propuesta, es decir:Capturar datos del recurso hídrico local, a través de imágenes satelitales.Filtrar esos datos a través de algoritmos.Construir el índice de agua de diferencia normalizada (NDWI).Obtener imágenes en virtud del NDWI, para que sea soporte en la toma de decisiones.Con lo cual, las proyecciones serían nuevos objetivos a establecer, en virtud de los objetivos ya alcanzados, y podrían ser material de futuras investigaciones en la temática expuesta, para avanzar en su vinculación a las Ciencias Económicas.ConclusionesLos catálogos de datos disponibles de Google Earth Engine constituyen un monitoreo continuo de imágenes satelitales de alta resolución de toda la tierra y se pueden desarrollar modelos que contribuyen al desarrollo de políticas de estado para una administración inteligente y automatizada de la matriz productiva, algo que la tecnología actual permitiría hacer.Con las coordenadas expresadas en latitud y longitud, se puede acceder a una colección de imágenes capturadas con diferentes sensores, expresadas en las distintas bandas satelitales en virtud de la colección de datos accedida y los instrumentos que se han utilizado para obtener esas imágenes. Estas bandas suministran características a las imágenes, y su correcta interpretación genera información muy valiosa para las administraciones públicas, aportando además un elemento interesante de control.Con las imágenes se pueden generar modelos que permitan optimizar los recursos hídricos. Estos modelos pueden basarse en la interpretación del índice NDWI. La vegetación de la superficie de una región determinada se ve sometida a un severo estrés durante una sequía. (??ndice Diferencial de Agua Normalizado (NDWI): Fórmula, descripción completa, ejemplos.?, s.?f.), si no se identifican a tiempo las áreas afectadas, cultivos enteros pueden resultar da?ados. La detección temprana del estrés hídrico puede prevenir muchos de los impactos negativos en los cultivos de una región determinada, más aún en nuestra provincia por lo vital que es el agua en Mendoza, ya que Mendoza es literalmente un desierto. La observación remota de la tierra a través de la telemedición y la generación del índice NDWI pueden entre otras utilidades, controlar el riego de la provincia en tiempo real, mejorando significativamente la agricultura, especialmente en áreas donde es difícil satisfacer las necesidades de agua. También se pueden localizar masas de aguas estancadas facilitando el acceso a dichas áreas para realizar las tareas necesarias que eviten la proliferación de insectos. (?Indicadores ambientales?, 2019).Por lo tanto los datos obtenidos por los sensores satelitales que se han sido detallados anteriormente, permiten proyectar la evolución de variables hidrográficas permitiendo poseer de esa forma mayor información para la toma de decisiones estratégicas y optimizar el recurso hídrico en la Provincia de Mendoza, tales decisiones pueden estar vinculadas por ejemplo: al deterioro ambiental de la provincia, la disponibilidad de agua para consumo, la disponibilidad de agua para riego, y la planificación hidrológica, entre otras cuestiones (Campos, Schibber, & García, s.?f.).ProyeccionesLas proyecciones que se avizoran son múltiples y muy valiosas, una de ellas es la recopilación de información en base a las conclusiones de la aplicación de los índices, y volcar esas conclusiones en la generación y proyección de la matriz productiva de la Provincia de Mendoza, con lo cual, la relación a las Ciencias Económicas de las Ciencias de Datos es más que estrecha. Aún así, como proyección puntual del presente trabajo se puede inferir en los puntos que se detallan a continuación, los que se definen en virtud de haber alcanzado los objetivos que se formularon para los ejes centrales, y esos puntos son:Generar índices complementarios al NDWI.Procesar información obtenida con Pandas y Numpy.Aplicar algoritmos específicos que permitan vincular los datos con TensorFlow.Con lo cual, la aplicación de TensorFlow inherentemente implica la generación de un modelo de aprendizaje automático.Si lo expresado anteriormente se suma que la utilización de los catálogos de datos de Google Earth Engine (?Earth Engine Data Catalog | Google Developers?, s.?f.), como soporte en el análisis de las Ciencias de la Tierra permite la generación de varias líneas combinadas de estudios aplicables a las Ciencias Económicas, de acuerdo a los siguientes conjunto de datos, se puede concluir que la proyección de futuras investigaciones implicaría un trabajo conformado por un equipo multidisciplinario con más integrantes.Imágen N? 14 - Integración con TensorFlowReferencias BibliográficasCampos, A. N., Schibber, E. F., & García, A. G. (s.?f.). Evaluación de la información satelital para el estudio de la dinámica hidrológica de la Llanura Pampeana. 15.Dominguez Gomez, J. A., & Rodríguez Pérez, D. (2012). Estudio de aguas continentales mediante teledetección. Editorial UNED.Gao, B. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257-266. doi: 10.1016/S0034-4257(96)00067-3Google Colaboratory. (s.?f.). Recuperado 18 de enero de 2020, de ambientales: ?qué es el NDWI? (2019, abril 30). Recuperado 24 de marzo de 2020, de Green Urban Data website: Diferencial de Agua Normalizado (NDWI): Fórmula, descripción completa, ejemplos. (s.?f.). Recuperado 24 de marzo de 2020, de 8 Collection 1 Tier 1 8-Day NDWI Composite. (s.?f.). Recuperado 24 de marzo de 2020, de , S. K. (2013). Using the Normalized Difference Water Index (NDWI) within a Geographic Information System to Detect Swimming Pools for Mosquito Abatement: A Practical Approach. Remote Sensing, 5(7), 3544-3561. doi: 10.3390/rs5073544Pekel, J.-F., Vancutsem, C., Bastin, L., Clerici, M., Vanbogaert, E., Bartholomé, E., & Defourny, P. (2014). A near real-time water surface detection method based on HSV transformation of MODIS multi-spectral time series data. Remote Sensing of Environment, 140, 704-716. doi: 10.1016/j.rse.2013.10.008Python installation | Google Earth Engine | Google Developers. (s.?f.). Recuperado 18 de enero de 2020, de , A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science, 5. doi: 10.3389/feart.2017.00017USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance. (s.?f.). Recuperado 8 de febrero de 2020, de Earth Engine, conjunto de datos de aguas superficiales globales superficial global, conjunto de datos 1984 - 2018. de agua superficial, Naciones Unidas.ía folium para visualizar mapas NDWI, índice diferencial de agua normalizado, hidratación de la vegetación y la humedad del suelo SIG de código abierto de mapas interactivos Nacionales para la Predicción Ambiental de la Tierra. Google Earth Engine Landsat 8 Surface Reflectance Tier 1 Landsat 7 Collection1 Tier 1 y datos en tiempo real TOA Reflectance en Mendoza, Conicet ................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download