Skip to content

Update caso_estudio.md #7

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Open
NPalopoli wants to merge 1 commit into
base: main
Choose a base branch
from
Open

Update caso_estudio.md #7

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
59 changes: 30 additions & 29 deletions episodes/caso_estudio.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -25,7 +25,7 @@ exercises: 0

# Deforestación en Maranhão

La Amazonía es una de las regiones más biodiversas del planeta y un componente clave del sistema climático global que además sostiene múltiples comunidades indígenas. En particular el estado de Maranhão, en Brasil, es uno de los focos más críticos de deforestación en el país. Se estima que el 76 % de la cobertura original de bosque amazónico en este estado ha sido destruida. Según Global Forest Watch, Maranhão ha registrado una de las tasas más altas de pérdida de cobertura boscosa en Brasil en los últimos años, impulsada por incendios, expansión agropecuaria y tala ilegal. Estos procesos están estrechamente ligados a la fragmentación ecológica, la pérdida de biodiversidad y la violencia hacia comunidades indígenas. Frente a este escenario, el monitoreo sistemático de los cambios en la cobertura vegetal es fundamental. Los productos OPERA DIST-HLS, derivados principalmente de Landsat (NASA/USGS) y Sentinel-2 (ESA), ofrecen una herramienta poderosa para detectar disturbios recientes y aportar evidencia clave para la conservación y la formulación de políticas públicas basadas en datos.
La Amazonía es una de las regiones más biodiversas del planeta y un componente clave del sistema climático global, que además sostiene múltiples comunidades indígenas. En particular, el estado de Maranhão, en Brasil, es uno de los focos más críticos de deforestación en el país. Se estima que el 76 % de la cobertura original de bosque amazónico en este estado ha sido destruida. Según Global Forest Watch, Maranhão ha registrado una de las tasas más altas de pérdida de cobertura boscosa en Brasil en los últimos años, impulsada por incendios, expansión agropecuaria y tala ilegal. Estos procesos están estrechamente ligados a la fragmentación ecológica, la pérdida de biodiversidad y la violencia hacia comunidades indígenas. Frente a este escenario, el monitoreo sistemático de los cambios en la cobertura vegetal es fundamental. Los productos OPERA DIST-HLS, derivados principalmente de Landsat (NASA/USGS) y Sentinel-2 (ESA), ofrecen una herramienta poderosa para detectar disturbios recientes y aportar evidencia clave para la conservación y la formulación de políticas públicas basadas en datos.

<figure style="text-align: center;">
<img src="https://tse3.mm.bing.net/th/id/OIP.sSfdF5nBFUWbh3UImdbyVgHaE7?pid=Api" alt="Buriticupu - erosión" style="max-width: 100%; height: auto;">
Expand All @@ -36,21 +36,21 @@ La Amazonía es una de las regiones más biodiversas del planeta y un componente

## Ruta de trabajo

Nuestro objetivo es evaluar la deforestación en un area cercana a la ciudad de Buriticupu en el estado Maranhao.
Para eso en esta notebook vamos a :
Nuestro objetivo es evaluar la deforestación en un área cercana a la ciudad de Buriticupu en el estado de Maranhão.
Para eso en esta notebook vamos a:

1. Filtrar y seleccionar los productos OPERA DIST-ALERT desde la nube
2. Visualizar y explorar los subproductos VEG_DIST_STATUS
1. Filtrar y seleccionar los productos OPERA DIST-ALERT desde la nube.
2. Visualizar y explorar los subproductos VEG_DIST_STATUS.
3. Gráficar la evolución del disturbio a lo largo del tiempo.
4. Generar un mapa de disturbios
5. Explorar subproducto VEG_DIST_DATE
4. Generar un mapa de disturbios.
5. Explorar el subproducto VEG_DIST_DATE.

### Antes de empezar - Importar librerías que vamos a utilizar

````python

#librerias para manipulación de datos
from warnings import filterwarnings #suprime los warning
from warnings import filterwarnings #suprime los warnings
filterwarnings('ignore')
import numpy as np, pandas as pd, xarray as xr
import rioxarray as rio
Expand All @@ -72,32 +72,32 @@ gdal.SetConfigOption('CPL_VSIL_CURL_ALLOWED_EXTENSIONS','TIF, TIFF')

````

### FILTRAR Y SELECCIONAR LOS PRODUCTOS OPERA DESDE LA NUBE
### Filtrar y seleccionar los productos OPERA desde la nube


#### **1.a. Seleccionar el area de estudio**
#### **1.a. Seleccionar el área de estudio**

Usa la herramienta [Bounding Box](https://boundingbox.klokantech.com/) para obtener las coordenadas geográficas (latitud y longitud) del área seleccionada.

Bounding Box es un selector visual de cajas geográficas (bounding boxes) que permite:

- Dibujar un rectángulo o polígono directamente sobre un mapa interactivo para delimitar un área específica-
- Dibujar un rectángulo o polígono directamente sobre un mapa interactivo para delimitar un área específica.
- Obtener las coordenadas geográficas (latitud y longitud) del área seleccionada y copiarlas fácilmente en diversos formatos útiles como MARC, DublinCore, KML, GeoJSON, OGC WKT, CSV, FGDC, entre otros.

Sigue los siguientes pasos:
Sigue estos pasos:

1. Navega hasta la página https://boundingbox.klokantech.com/
2. Busca la zona de interés y dibuja un rectángulo sobre el mapa.
3. En la sección "Copy & Paste", selecciona el formato "CSV".
4. Copia las coordenadas
4. Copia las coordenadas.

Estas coordenadas están en el orden correcto requerido por STAC:

`bbox = [xmin, ymin, xmax, ymax] = [long_oeste, lat_sur, long_este, lat_norte]`

El siguiente ejemplo supone que las coordenadas copiadas de boundingbox son **-46.52993,-4.383815,-43.363075,-4.243793**

5. Define el area utilizando las coordenadas copiadas y define el rango de fechas de interés.
5. Define el área de interés (AOI, por Area of Interest en inglés) utilizando las coordenadas copiadas y define el rango de fechas de interés.

````python

Expand Down Expand Up @@ -126,7 +126,7 @@ search_params = {
client = Client.open("https://cmr.earthdata.nasa.gov/stac/LPCLOUD/")
items = list(client.search(**search_params).get_items())

# Extraemos fechas disponibles
# Extraemos las fechas disponibles
fechas = sorted({item.datetime.date() for item in items})
print(f"Fechas disponibles ({len(fechas)}):")
print(fechas)
Expand Down Expand Up @@ -188,8 +188,9 @@ Output is truncated. View as a scrollable element or open in a text editor. Adju

````python

# Recorremos todos los productos encontrados y seleccionamos solo los archivos .tif
# correspondientes al asset 'VEG-DIST-STATUS'
# Recorremos todos los productos encontrados
# y seleccionamos solo los archivos .tif
# correspondientes al asset 'VEG-DIST-STATUS'.
# Guardamos la fecha del producto y el link al archivo

veg_status_assets = []
Expand Down Expand Up @@ -299,14 +300,14 @@ Se encontraron 12 archivos con menos de 40% de nubes.
...


### VISUALIZAR Y EXPLORAR Productos VEG_DIST_STATUS
### Visualizar y explorar productos VEG_DIST_STATUS


````python

#Visualizar productos VEG_DIST_STATUS en el area de interes.
#Visualizar productos VEG_DIST_STATUS en el área de interés.

#convertir a shp las coordenadas del area de interes (AOI)
#convertir a shp las coordenadas del AOI
from shapely.geometry import box
import geopandas as gpd

Expand All @@ -315,7 +316,7 @@ aoi_coords = [-46.78, -4.61, -46.58, -4.41] # xmin, ymin, xmax, ymax
aoi_geom = box(*aoi_coords)
AOI = gpd.GeoDataFrame(geometry=[aoi_geom], crs="EPSG:4326")

#Visualizar la primer y ultima fecha del los productos filtrados
#Visualizar primera y ultima fechas de los productos filtrados
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import geopandas as gpd
Expand Down Expand Up @@ -364,7 +365,7 @@ Valores del producto `VEG-DIST-STATUS`:
- **0:** Sin alteración
- **1:** Primera detección de alteraciones con cambios en la cobertura vegetal <50%
- **2:** Detección provisional de alteraciones con cambios en la cobertura vegetal <50%
- **3:** Detección confirmada de alteraciones con cambios en la cobertura vegetal < 50%
- **3:** Detección confirmada de alteraciones con cambios en la cobertura vegetal <50%
- **4:** Primera detección de alteraciones con cambios en la cobertura vegetal ≥50%
- **5:** Detección provisional de alteraciones con cambios en la cobertura vegetal ≥50%
- **6:** Detección confirmada de alteraciones con cambios en la cobertura vegetal ≥50%
Expand Down Expand Up @@ -418,7 +419,7 @@ plt.show()
![](fig/output2.png)


### EVOLUCIÓN DEL DISTURBIO A LO LARGO DEL TIEMPO
### Evolución del disturbio a lo largo del tiempo


````python
Expand Down Expand Up @@ -510,8 +511,8 @@ plt.show()

**¿Hay algo raro en los gráficos?**

Tal vez notes que una fecha tiene dos puntos. Eso es porque el producto OPERA usa imágenes SENTINEL y LANDSAT, y puede ocurrir que en alguna fecha haya dos productos. En ese caso, es necesario seleccionar alguno de ellos en base a algún criterio.
Debajo, seleccionamos la imagen con menos nubes y, de esa forma, cuando volvemos a ejecutar el código que genera el gráfico encontramos solo un producto por fecha.
Tal vez notes que una fecha tiene dos puntos. Eso es porque el producto OPERA usa imágenes SENTINEL y LANDSAT, y puede ocurrir que en alguna fecha haya dos productos. En ese caso, es necesario seleccionar alguno de ellos sobre la base de algún criterio.
Debajo, seleccionamos la imagen con menos nubes y, de esa forma, cuando volvemos a ejecutar el código que genera el gráfico, encontramos solo un producto por fecha.


:::
Expand All @@ -532,7 +533,7 @@ df_filtrados = df_filtrados.drop_duplicates(subset="fecha", keep="first")
# Reconstruir la lista filtrada
filtrados_unicos = df_filtrados.to_dict(orient="records")

#VOLVEMOS A CORRER EL STACK USANDO filtrados_unicos
# VOLVEMOS A CORRER EL STACK USANDO filtrados_unicos

# Stack de los subproductos VEG-DIST-STATUS

Expand All @@ -559,7 +560,7 @@ stack["time"] = fechas

````

### GENERAR UN MAPA DE DISTUBIOS
### Generar un mapa de disturbios



Expand Down Expand Up @@ -603,7 +604,7 @@ hvplot_map
![](fig/output4.png)


### EXPLORAR SUBPRODUCTO VEG_DIST-DATE
### Explorar subproducto VEG_DIST-DATE

````python

Expand All @@ -620,7 +621,7 @@ search_params = {
"collections": ["OPERA_L3_DIST-ALERT-HLS_V1_1"]
}

# Buscar items en el catálogo
# Buscar ítems en el catálogo
items = list(catalog.search(**search_params).get_items())

# Filtrar solo los assets VEG-DIST-DATE accesibles por HTTPS
Expand Down
Loading