11 Uso conjunto de vectores e imágenes
Además de los métodos que existen en GEE para realizar operaciones sobre imágenes, colecciones de imágenes, vectores o colecciones de vectores, existen algunos métodos que permiten combinar estos dos tipos de información para realizar ciertos procesos. Los dos tipos de procesos más comúnmente utilizados son el muestreo de una imagen por vectores y la reducción de una imagen por vectores.
11.1 Métodos comunes
Muestreo por vector(es)
Este tipo de operaciones normalmente se utilizan para muestrear los datos de una imagen y obtener, por ejemplo, muestras por clases de coberturas para después entrenar un clasificador o para obtener los valores de un ráster en formato de vector (como puntos). En GEE, existen tres métodos para hacer este proceso: para un ráster completo (.sample), para un rectángulo (.sampleRectangle) o para varias regiones (.sampleRegions). Por ejemplo, el método .sample toma como argumentos el vector utilizado para determinar el área de muestreo, así como la escala a la que se desea realizar el muestreo. En este ejemplo, primero se define una geometría y después se hace el muestreo (Fig. 11.1).
Ejercicio 29
// Definir región a muestrear
var bosque1 = ee.Geometry.Rectangle(-101.53892, 19.74148,
-101.51906,19.72362);// Muestrear imagen
var muestreo = L8imgMean
.sample({
region: bosque1,
scale:30
});
Figure 11.1: Ejemplo de la salida de la consola de una colección de vectores obtenida mediante el método sample.
Si se desea obtener la información de un muestreo de una imagen con su
correspondiente información espacial, se puede utilizar el argumento
geometries: true. Esto dará como resultado una tabla con la misma
información, pero con las coordenadas geográficas de los centros de los
píxeles de la imagen muestreada.
Reducción de una imagen por región(es)
Este tipo de operaciones
normalmente se utilizan para resumir los valores de algún ráster en
ciertas áreas de interés. En GEE, existen dos métodos para realizar este
proceso: para una única región (.reduceRegion) o para varias regiones
(.reduceRegions). Por ejemplo, el método .reduceRegion permite
obtener estadísticas de la imagen en la extensión indicada por un área
de interés (geometry). En este caso, además hay que indicar el
reductor (reducer) y el tamaño de píxel para realizar la operación
(scale; Fig. 11.2).
// Reducción por región
var reduccion = ee.Image(L8imgMean)
.reduceRegion({
// Reductor a utilizar
reducer: ee.Reducer.mean(),
// Definir el área de interés a resumir
geometry: bosque1,
// Tamaño de píxel
scale: 30
});
Figure 11.2: Ejemplo de la salida de la consola del promedio obtenido mediante el método .reduceRegion.
En algunas ocasiones, los procesos de .reduceRegions o
.sampleRegions pueden demandar muchos recursos computacionales y
arrojar un error de ‘computation timed out’. Para evitarlo, se pueden
utilizar los argumentos de scale o tileScale, ya que ambos
argumentos permiten reducir los costos computacionales del proceso.
Scale permite aumentar el tamaño de píxel al que se va a resumir la
información, mientras que tileScale permite definir un factor de
escalamiento.
11.2 Interpolación de un vector a una imagen
Este procedimiento consiste en tomar los datos numéricos de un vector e interpolarlos a áreas fuera de los vectores, lo cual resulta en una imagen con valores en toda el área de interés.
Ponderación de distancia inversa
Este método interpola un valor para los píxeles de una imagen de acuerdo a los puntos con información y los pondera según su distancia, generando un promedio de esos valores. Esto provoca que los píxeles más cercanos tengan más influencia sobre el resultado de la interpolación que los píxeles más alejados. Para consultar más detalles sobre el procedimiento de interpolación, revisar Basso et al. (1999). Esta interpolación se realiza con el método .inverseDistance, donde hay que especificar al menos:
- El radio a interpolar alrededor de cada vector.
- El atributo (la propiedad) numérica del vector, que se interpolará.
- El promedio global de la variable.
- La desviación estándar global de la variable.
El siguiente ejercicio tiene como objetivo interpolar valores de metano (CH4) para el norte de México. La imagen Sentinel-5 que se utilizará no tiene los valores de CH4 para toda el área de estudio, sino que muchos de los píxeles se encuentran sin valores o enmascarados, es por ello que queremos interpolar la imagen, para poder tener valores continuos en toda el área. Para ello se generarán 10000 muestras (puntos), que consisten en el valor de CH4 de 10000 píxeles aleatorios. Con la ayuda de unos reductores extraemos el promedio y la desviación estándar de todas las muestras (puntos) y finalmente interpolamos las muestras en buffers de 70 km, usando como argumento el promedio y la desviación estándar (Fig. 11.3).
Ejercicio 30
// Importamos datos de metano de 5 días, los filtramos y sacamos el
// promedio.
var ch4 = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_CH4')
.select('CH4_column_volume_mixing_ratio_dry_air')
.filterDate('2020-01-01', '2020-01-05')
.mean()
.rename('ch4');
// Definimos un rectángulo de área de estudio al norte de México.
var norteMex =
ee.Geometry.Rectangle(-117.33, 32.753, -97.773, 22.634);
// Crear una colección de vectores para interpolar.
// Se crean dos bandas adicionales para la imagen indicando la
// longitud y latitud de cada píxel
var muestras = ch4.addBands(ee.Image.pixelLonLat())
// Se crea una colección
// de vectores (sin geometría) en la región norteMex y aproximadamente
// cuántos puntos generar
.sample({region: norteMex, numPixels: 10000,
// resolución de la imagen en metros por píxel
scale:1000})
// Función para cada punto generado
.map(function(sample) {
// Tomar el valor del punto de latitud
var lat = sample.get('latitude');
// Tomar el valor del punto de Longitud
var lon = sample.get('longitude');
// Tomar el valor del punto de metano
var ch4 = sample.get('ch4');
// Crear una geometría para el vector asignándole el valor de metano
return ee.Feature(ee.Geometry.Point([lon, lat]), {ch4: ch4});
});
// Combinar un reductor de promedio y desviación estándar
var Reductores = ee.Reducer.mean().combine({
reducer2: ee.Reducer.stdDev(),
sharedInputs: true});
// Estimar el promedio y la desviación estándar de metano de los puntos.
var stats = muestras.reduceColumns({
reducer: Reductores,
selectors: ['ch4']});
// Interpolar para 70 km.
var interpolado = muestras.inverseDistance({
// Rango de interpolación para cada punto
range: 70000,
// Atributo numérico a interpolar
propertyName: 'ch4',
// Promedio (parámetro para el método)
mean: stats.get('mean'),
// Desviación estándar (parámetro para el método)
stdDev: stats.get('stdDev'),
}); 
Figure 11.3: Visualización de la capa inicial de CH4, puntos de muestreo e imagen interpolada.
Kriging
Es un método de interpolación que utiliza un estimado de
la semivarianza para crear una imagen de valores interpolados que sea
una combinación óptima de los datos conocidos. En este método hay que
especificar algunos parámetros que describen la forma de la función de
semivarianza ajustada a los datos conocidos, los cuales incluyen: el
intervalo de la varianza (range), la meseta (sill), el valor del
efecto pepita (nugget), la distancia máxima a analizar (maxDistance)
y la función a utilizar como reductor (reducer). Este ejercicio
mostrará cómo interpolar la información de la temperatura superficial
del mar (imagen), a partir de un muestreo de puntos (vectores;
Fig. 11.4).
Ejercicio 31
// Importar una imagen de temperatura marina superficial
var temperatura = ee.Image('NOAA/AVHRR_Pathfinder_V52_L3/20120802025048')
.select('sea_surface_temperature')
.rename('temperatura')
.divide(100);
// Definir una geometría donde muestrear puntos
var geometria = ee.Geometry.Rectangle([-65.60, 31.75, -52.18, 43.12]);
// Muestrear las temperaturas en 1000 localizaciones aleatorias.
var muestras = temperatura.addBands(ee.Image.pixelLonLat())
.sample({region: geometria, numPixels: 1000})
.map(function(sample) {
var lat = sample.get('latitude');
var lon = sample.get('longitude');
var temperatura1 = sample.get('temperatura');
return ee.Feature(ee.Geometry.Point([lon, lat]),
{temperaturaMarina: temperatura1});
});
// Interpolar a partir de las muestras
var interpolar = muestras.kriging({
propertyName: 'temperaturaMarina',
// Forma de la función de la varianza de los datos
shape: 'exponential',
// Rango de la varianza
range: 100 * 1000,
sill: 1.0,
nugget: 0.1,
maxDistance: 100 * 1000,
reducer: 'mean',
});
Figure 11.4: Visualización de la capa inicial de temperatura de la superficie marina, puntos de muestreo y capa interpolada.