Algoritmos de clasificación automática para el ordenamiento territorial de los bosques nativos de la provincia de Buenos Aires

Rafael Grimson; Facundo Schivo; Juan Goya; Marcelo Arturi; María R. Derguy; Martín Sandoval; Silvia Torres Robles; Laura B. Rodríguez; Paula Pratolongo

doi:10.25260/EA.24.34.3.0.2431

Autores/as

Rafael Grimson Instituto de Investigación e Ingeniería Ambiental (IIIA-3iA), Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Universidad Nacional de General San Martín (UNSAM). Ciudad de Buenos Aires, Argentina
Facundo Schivo Instituto de Investigación e Ingeniería Ambiental (IIIA-3iA), Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Universidad Nacional de General San Martín (UNSAM). Ciudad de Buenos Aires, Argentina
Juan Goya Laboratorio de Investigación de Sistemas Ecológicos y Ambientales (LISEA), Facultad de Ciencias Agrarias y Forestales, Universidad Nacional de La Plata (UNLP). La Plata, Buenos Aires, Argentina
Marcelo Arturi Laboratorio de Investigación de Sistemas Ecológicos y Ambientales (LISEA), Facultad de Ciencias Agrarias y Forestales, Universidad Nacional de La Plata (UNLP). La Plata, Buenos Aires, Argentina
María R. Derguy Laboratorio de Investigación de Sistemas Ecológicos y Ambientales (LISEA), Facultad de Ciencias Agrarias y Forestales, Universidad Nacional de La Plata (UNLP). La Plata, Buenos Aires, Argentina
Martín Sandoval Laboratorio de Investigación de Sistemas Ecológicos y Ambientales (LISEA), Facultad de Ciencias Agrarias y Forestales, Universidad Nacional de La Plata (UNLP). La Plata, Buenos Aires, Argentina
Silvia Torres Robles Universidad Nacional de Río Negro (UNRN), Centro de Estudios Ambientales desde la Norpatagonia (CEANPa). Viedma, Rio Negro, Argentina
Laura B. Rodríguez Universidad Nacional de Río Negro (UNRN), Centro de Estudios Ambientales desde la Norpatagonia (CEANPa). Viedma, Rio Negro, Argentina
Paula Pratolongo Centro de Recursos Naturales Renovables de la Zona Semiárida (CERZOS), Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Universidad Nacional del Sur (UNS). Bahía Blanca, Buenos Aires, Argentina

DOI:

https://doi.org/10.25260/EA.24.34.3.0.2431

Palabras clave:

Delta, Caldenal, Monte, Talares de Barranca, Talares del Este, Bosque Ribereño, Sentinel-2

Resumen

El objetivo de este trabajo es actualizar y mejorar la cartografía existente sobre la distribución espacial de los bosques nativos de la provincia de Buenos Aires. Se desarrolló en el marco de un proyecto de transferencia ejecutado por investigadores del sistema científico tecnológico nacional para la Dirección de Bosques del Ministerio de Ambiente de la Provincia de Buenos Aires. El proyecto se enfocó en diseñar y llevar adelante una metodología para identificar y delimitar coberturas de bosque nativo uniformes para toda la provincia. Para actualizar la cartografía se usó una combinación de información relevada a campo con la interpretación visual de series multitemporales de imágenes ópticas de alta resolución, generalizada usando algoritmos de aprendizaje automático alimentados con información derivada de series de imágenes satelitales multiespectrales Sentinel-2. Los productos obtenidos se evaluaron por medio de la matriz de contingencia calculada a partir de datos etiquetados a campo. Se detalla la metodología utilizada para la clasificación automática, incluyendo la de etiquetado de puntos de entrenamiento, la información espectral empleada para alimentar los clasificadores, la selección de la metodología de clasificación en sí, los detalles del posprocesamiento para cada formación boscosa y la evaluación de los productos finales obtenidos. La delimitación obtenida excluye 235182 ha de las 968397 ha del mapeo vigente —que consideramos no correspondientes a bosque nativo— e incorpora 187512 ha de bosque nativo que no habían sido mapeadas antes. Así, la superficie total de bosque nativo mapeada en la provincia se redujo en 4.9%. La evaluación, realizada mediante 719 puntos etiquetados a campo, asigna una exactitud global de 0.89 y un índice kappa de 0.85 a la clasificación obtenida. Esto indica que la metodología propuesta es adecuada para delimitar bosques nativos en la provincia.

Citas

Banko, G. 1998. A review of assessing the accuracy of classifications of remotely sensed data and of methods including remote sensing data in forest inventory. Interim Report IR-98-081. URL: tinyurl.com/mrv8k9xk.

Bishop, C. M., and N. M. Nasrabadi. 2006. Pattern recognition and machine learning. Springer, New York, USA.

Claverie, M., J. Ju, J. G. Masek, J. L. Dungan, E. F. Vermote, J. C. Roger, S. V. Skakun, and C. Justice. 2018. The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment 219:145-161. https://doi.org/10.1016/j.rse.2018.09.002.

Cohen, J. 1960. A coefficient of agreement for nominal scales. Educational and Psychological Measurement 20(1):37-46. https://doi.org/10.1177/001316446002000104.

Congalton, R. G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment 37(1):35-46. https://doi.org/10.1016/0034-4257(91)90048-B.

Congedo, L. 2021. Semi-automatic classification plugin: A python tool for the download and processing of remote sensing images in QGIS. Journal of Open Source Software 6(64):3172. https://doi.org/10.21105/joss.03172.

Consejo Federal de Medio Ambiente (COFEMA). 2012. Resolución COFEMA 230. Pautas para la consideración, identificación y mapeo de los bosques nativos en el Ordenamiento Territorial de los Bosques Nativos, Argentina, 20 de Marzo de 2012.

De Luca, P. G., and R. Grimson. 2023. Complemento para QGIS con herramientas de automatización de procesos geoespaciales utilizados en la confección del OTBN de la PBA, 2023. URL: github.com/caprieldeluca/otbn.

Du, Y., Y. Zhang, F. Ling, Q. Wang, W. Li, and X. Li. 2016. Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band. Remote Sensing 8(4):354. https://doi.org/10.3390/rs8040354.

García Collazo, G., A. Panizza, and J. M. Paruelo. 2013. Ordenamiento territorial de bosques nativos: resultados de la zonificación realizada por provincias del norte argentino. Ecología Austral 23(2):97-107. https://doi.org/10.25260/EA.13.23.2.0.1165.

Gaspari, F. J., J. Goya, M. Arturi, S. Burns, L. de Antueno, and S. Torres Robles. 2021. Diagnóstico ambiental y socio económico de cuencas forestales: cuenca forestal Puan-Villarino-Patagones, Provincia de Buenos Aires. Informe Final de Consultoría. Proyecto: Fondo Cooperativo de Preparación para el Carbono de los Bosques (FCPF) - Donación N° TF019086. Dirección Nacional de Bosques, Ministerio de Ambiente y Desarrollo Sostenible, Fundación Innova-T, CONICET.

González-Roglich, M., and J. Swenson. 2016. Tree cover and carbón mapping of Argentine savannas: Scaling from field to region. Remote Sensing of Environment 172:139-147. https://doi.org/10.1016/j.rse.2015.11.021.

Gorelick, N., M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore. 2017. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sensing of Environment 202:18-27. https://doi.org/10.1016/j.rse.2017.06.031.

Grimson, R., F. Schivo, J. Goya, M. Arturi, M. Derguy, M. Sandoval, S. Torres Robles, L. B. Rodríguez, and P. Pratolongo. 2023. Informe final de la consultoría OTBN-PBA. IIIA-3iA, UNSAM-CONICET.

Hossain, M.D. and C. Dongmei. 2019. Segmentation for object-based image analysis (OBIA): A review of algorithms and challenges from remote sensing perspective. ISPRS Journal of Photogrammetry and Remote Sensing 150:115-134. https://doi.org/10.1016/j.isprsjprs.2019.02.009.

Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 25(3):295-309. https://doi.org/10.1016/0034-4257(88)90106-X.

Jensen, J. R. 2016. Introductory digital image processing: A remote sensing perspective. Pearson Education, Incorporated, London, Reino Unido.

Koyama, C., M. Watanabe, M. Hayashi, T. Ogawa, and M. Shimada. 2019. Mapping the spatial-temporal variability of tropical forests by ALOS-2 L-band SAR big data analysis. Remote Sensing of Environment 233. https://doi.org/10.1016/j.rse.2019.111372.

Ley Provincial N° 14,888. Protección de los Bosques Nativos de la Provincia de Buenos Aires. Decreto 366/17 E La Plata, 27 de julio de 2017. URL: tinyurl.com/mvzbbyjv.

Ley Nacional N° 26,331. Presupuestos Mínimos de Protección Ambiental de los Bosques Nativos. CABA, 19 de diciembre de 2007. URL: tinyurl.com/m3mhynx.

Lu, D., and Q. Weng. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing 28(5):823-870. https://doi.org/10.1080/01431160600746456.

Mahdianpari, M., B. Brisco, J. E. Granger, F. Mohammadimanesh, B. Salehi, S. Banks, S. Homayouni, L. Bourgeau-Chavez, and Q. Weng. 2020. The second generation Canadian Wetland Inventory map at 10 meters resolution using Google Earth Engine. Canadian Journal of Remote Sensing 46(3):360-375. https://doi.org/10.1080/07038992.2020.1802584.

Martínez Pastur, G., M. M. Amoroso, G. Baldi, M. D. Barrera, A. D. Brown, L. M. Chauchard, L. Galetto, L. A. Garibaldi, I. Gasparri, S. M. Kees, S. D. Matteucci, N. Politi, F. A. Roig, and P. L. Peri. 2023. ¿Qué es un bosque nativo en la Argentina? Marco conceptual para una correcta definición de acuerdo con las políticas institucionales nacionales y el conocimiento científico disponible. Ecología Austral 33(1):152-169. https://doi.org/10.25260/EA.23.33.1.0.2040.

Mónaco, M. H., P. L. Peri, F. A. Medina, H. P. Colomb, V. A. Rosales, F. Berón, E. Manghi, et al. 2020. Causas e impactos de la deforestación de los bosques nativos de Argentina y propuestas de desarrollo alternativas. URL: tinyurl.com/3y5vs2p4.

Müller, A. C., and S. Guido. 2016. Introduction to machine learning with Python: a guide for data scientists. O’Reilly Media, Inc., Sebastopol, CA, USA.

Navarro, M. F., J. P. Navarro, E. Livrqagui, and Y. Sica. 2022. Mapa de distribución potencial de humedales en Argentina. Informe técnico. Instituto Nacional de Tecnología Agropecuaria.

Paruelo, J. M., M. Texeira, L. Staiano, M. Mastrángelo, L. Amdan, and F. Gallego. 2016. An integrative index of Ecosystem Services provision based on remotely sensed data. Ecological Indicators 71:145-154. https://doi.org/10.1016/j.ecolind.2016.06.054.

Peri, P. L., G. J. Martínez Pastur, and T. M. Schlichter. 2021. Uso sostenible del bosque. Aportes desde la silvicultura argentina. Ministerio de Ambiente y Desarrollo Sostenible de la Nación.

Phiri, D., and J. Morgenroth. 2017. Developments in Landsat land cover classification methods: A review. Remote Sensing 9(9):967. https://doi.org/10.3390/rs9090967.

Piramuthu, S. 2008. Input data for decision trees. Expert Systems with Applications 34:1220-1226. https://doi.org/10.1016/j.eswa.2006.12.030.

Pontius Jr, R. G., and M. Millones. 2011. Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing 32(15):4407-4429. https://doi.org/10.1080/01431161.2011.552923.

Potapov, P., M. C. Hansen, A. Pickens, A. Hernández-Serna, A. Tyukavina, S. Turubanova, V. Zalles, et al. 2022. The global 2000-2020 land cover and land use change dataset derived from the Landsat archive: first results. Frontiers in Remote Sensing 3:856903. https://doi.org/10.3389/frsen.2022.856903.

Rajngewerc, M., R. Grimson, L. Bali, P. Minotti, and P. Kandus. 2022. Cover classifications in wetlands using Sentinel-1 data (Band C): a case study in the Paraná river delta, Argentina. Revista de Teledetección 60:29-4. https://doi.org/10.4995/raet.2022.16915.

Rouse, J. W., R. H. Haas, J. A. Schell, and D. W. Deering. 1973. Monitoring vegetation systems in the great plains with ERTS. Third ERTS Symposium, NASA SP-351 I: 309-317.

SAGyP. 2023. Mapa de plantaciones forestales de actualización permanente. Área SIG e Inventario Forestal. Dirección Nacional de Desarrollo Foresto Industrial. Secretaría de Agricultura Ganadería y Pesca de la Nación.

Silveira, E. M., V. C. Radeloff, S. Martinuzzi, G. J. M.Pastur, J. Bono, N. Politi, and A. M. Pidgeon. 2023. Nationwide native forest structure maps for Argentina based on forest inventory data, SAR Sentinel-1 and vegetation metrics from Sentinel-2 imagery. Remote Sensing of Environment 285:113391. https://doi.org/10.1016/j.rse.2022.113391.

Stickler, C. M., D. C. Nepstad, A. A. Azevedo, and D. G. McGrath. 2013. Defending public interests in private lands: compliance, costs and potential environmental consequences of the Brazilian Forest Code in Mato Grosso. Philosophical Transactions of the Royal Society B: Biological Sciences 368(1619):20120160. https://doi.org/10.1098/rstb.2012.0160.

Torres Robles, S. S., M. Arturi, C. Contreras, G. Peter, and J. M. Zeberio. 2015. Variaciones geográficas de la estructura y composición de la vegetación leñosa en el límite entre el espinal y el Monte en el Noreste de la Patagonia (Argentina). Boletín de la Sociedad Argentina de Botánica 50(2):209-215. https://doi.org/10.31055/1851.2372.v50.n2.11664.

Torres Robles, S. S., and L. B. Rodríguez, L. B. 2023. Caracterización y distribución de las comunidades leñosas del ecotono sur Espinal-Monte, Argentina. Ecología Austral 33(3):641-657. https://doi.org/10.25260/EA.23.33.3.0.2055.

Tucker, C. J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environments 8:127-150. https://doi.org/10.1016/0034-4257(79)90013-0.

Van Rossum, G., and F. L. Drake. 2009. Python 3 Reference Manual. CreateSpace, Scotts Valley, CA, USA.

Xie, H., Y. Q. Tian, J. A. Granillo, and G. R. Keller. 2007. Suitable remote sensing method and data for mapping and measuring active crop fields. International Journal of Remote Sensing 28(2):395-411. https://doi.org/10.1080/01431160600702673.

Xu, H. 2008. A new index for delineating built‐up land features in satellite imagery. International Journal of Remote Sensing 29(14):4269-4276. https://doi.org/10.1080/01431160802039957.