Detección de bosques de tierras secas mediante generalización de firmas espectrales
DOI:
https://doi.org/10.25260/EA.25.35.2.0.2518Palabras clave:
bosque abierto, imágenes satelitales, Landsat, Random Forest, Support Vector MachineResumen
Los bosques de tierras secas se encuentran entre los más amenazados y menos estudiados del mundo. Detectarlos y monitorearlos con imágenes satelitales de resolución media presenta limitaciones derivadas de su estructura naturalmente abierta. Por ende, se han propuesto metodologías que incorporan información de imágenes de muy alta resolución; estas metodologías están comprometidas por la baja disponibilidad de imágenes en algunas regiones. El objetivo de este trabajo es evaluar la factibilidad de implementar la generalización de firmas espectrales para apoyar la detección multitemporal de los bosques de tierras secas, tomando como caso de estudio un bosque de algarrobo en Mendoza (Argentina). Este enfoque utiliza firmas espectrales de imágenes obtenidas en fechas diferentes a las de la imagen que se clasifica. Se comparó la generalización de firmas con el enfoque tradicional; es decir, utilizando firmas únicamente de la fecha bajo análisis. Para cada una de las tres fechas estudiadas también se evaluaron 9 tipos de clasificaciones, variando 1) la adición o ausencia de un índice espectral al mosaico que se clasifica; 2) el esquema de clasificación, y 3) el clasificador. Se construyeron matrices de error y se calcularon métricas de exactitud de los mapas. La exactitud total de las clasificaciones basadas en la generalización de firmas espectrales fue igual o mayor que la de las clasificaciones realizadas con firmas de la fecha analizada. Se obtuvieron mejores resultados al implementar un esquema de clasificación simple (con dos categorías: bosque y no bosque) y utilizando Random Forest. La metodología evaluada constituye un aporte valioso para el diseño de estrategias que permitan monitorear este tipo de bosques de forma remota con eficiencia, ya que se puede implementar en fechas y regiones con una cantidad insuficiente de muestras de alta resolución para clasificar y validar mapas, o donde estos datos estén muy concentrados en el espacio.
Citas
Abraham, E. M., H. F. del Valle, F. Roig, L. Torres, J. O. Ares, F. Coronato, and R. Godagnone. 2009. Overview of the geography of the Monte Desert Biome (Argentina). Journal of Arid Environments 73:144-153. https://doi.org/10.1016/j.jaridenv.2008.09.028.
Adugna, T., W. Xu, and J. Fan. 2022. Comparison of Random Forest and Support Vector Machine classifiers for regional land cover mapping using coarse resolution FY-3C images. Remote Sensing 14:574. https://doi.org/10.3390/rs14030574.
Bastin, J.-F., N. Berrahmouni, A. Grainger, D. Maniatis, D. Mollicone, R. Moore, C. Patriarca, et al. 2017. The extent of forest in dryland biomes. Science 356:635-638. https://doi.org/10.1126/science.aam6527.
Bey, A., A. S. P. Díaz, D. Maniatis, G. Marchi, D. Mollicone, S. Ricci, J. F. Bastin, R. Moore, S. Federici, et al. 2016. Collect Earth: Land use and land cover assessment through augmented visual interpretation. Remote Sensing 8:1-24. https://doi.org/10.3390/rs8100807.
Carreiras, J. M. B., J. M. C. Pereira, and J. S. Pereira. 2006. Estimation of tree canopy cover in evergreen oak woodlands using remote sensing. Forest Ecology and Management 223:45-53. https://doi.org/10.1016/j.foreco.2005.10.056.
Cesca, E. M. 2011. Influencia del fuego en la estructura y dinámica de los algarrobales del sudeste de Mendoza. Tesis de doctorado, Universidad Nacional de Córdoba.
COFEMA. 2012. Resolución 230/12 Aprobación de documento elaborado por técnicos y autoridades provinciales de bosques nativos. URL: tinyurl.com/2s3f49ez.
Congalton, R. G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment 37:35-46. https://doi.org/10.1016/0034-4257(91)90048-B.
European Commission. 2015. Land Cover 2015-2019 (raster 100 m), global, annual - version 3. URL: tinyurl.com/3sywk866.
Fagan, M. E. 2020. A lesson unlearned? Underestimating tree cover in drylands biases global restoration maps. Global Change Biology 26:4679-4690. https://doi.org/10.1111/gcb.15187.
FAO. 2019. Trees, forests and land use in drylands: the first global assessment. Full report. Rome.
FAO, and UNEP. 2020. The state of the world’s forests 2020. Forests, biodiversity and people. Page The State of the World’s Forests 2020. FAO and UNEP, Rome.
Global Forest Watch. n.d. Forest Watcher. URL: tinyurl.com/4eb8zk46.
Goirán, S. B., J. N. Aranibar, and M. L. Gómez. 2012. Heterogeneous spatial distribution of traditional livestock settlements and their effects on vegetation cover in arid groundwater coupled ecosystems in the Monte Desert (Argentina). Journal of Arid Environments 87:188-197. https://doi.org/10.1016/j.jaridenv.2012.07.011.
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.
Guida-Johnson, B., P. E. Villagra, L. M. Alvarez, F. Rojas, and J. A. Alvarez. 2021. Finding woodlands in drylands: Bases for the monitoring of xeric open forests in a cloud computing platform. Remote Sensing Applications: Society and Environment 22:100528. https://doi.org/10.1016/j.rsase.2021.100528.
Hansen, M. C. C., P. V Potapov, R. Moore, M. Hancher, S. A. a Turubanova, A. Tyukavina, D. Thau, et al. 2013. High-resolution global maps of 21st-century forest cover change. Science 342:850-854. https://doi.org/10.1126/science.1244693.
Koutroulis, A. G. 2019. Dryland changes under different levels of global warming. Science of the Total Environment 655:482-511. https://doi.org/10.1016/j.scitotenv.2018.11.215.
Lesiv, M., L. See, J. C. L. Bayas, T. Sturn, D. Schepaschenko, M. Karner, I. Moorthy, I. McCallum, and S. Fritz. 2018. Characterizing the spatial and temporal availability of very high resolution satellite imagery in Google Earth and Microsoft Bing Maps as a source of reference data. Land 7. https://doi.org/10.3390/land7040118.
Martínez Pastur, G., M. M. Amoroso, G. Baldi, M. D. Barrera, A. D. Brown, L. M. Chauchard, L. Galetto, et al. 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 33:152-169. https://doi.org/10.25260/EA.23.33.1.0.2040.
Miles, L., A. C. Newton, R. S. DeFries, C. Ravilious, I. May, S. Blyth, V. Kapos, and J. E. Gordon. 2006. A global overview of the conservation status of tropical dry forests. Journal of Biogeography 33:491-505. https://doi.org/10.1111/j.1365-2699.2005.01424.x.
ONDTyD. n.d. Índice de Aridez (según UNEP, en porcentaje de la superficie nacional).
Pax-Lenney, M., C. E. Woodcock, and S. A. Macomber. 2001. Forest mapping with a generalized classifier and Landsat TM data. Remote Sensing of Environment 77:241-250. https://doi.org/10.1016/S0034-4257(01)00208-5.
Proyecto MapBiomas Argentina. 2024a. Colección 1. Mapa anual de cobertura y uso del suelo en Argentina correspondiente al año 2013.URL: tinyurl.com/57x2c23t.
Proyecto MapBiomas Argentina. 2024b. Colección 1. Mapa anual de cobertura y uso del suelo en Argentina correspondiente al año 2019. URL: tinyurl.com/3dmfwxz9.
Reynolds, J. F., D. Mark, S. Smith, E. F. Lambin, B. L. T. Ii, M. Mortimore, S. P. J. Batterbury, T. E. Downing, et al. 2007. Global desertification: Building a science for dryland development. Science 316:847-851. https://doi.org/10.1126/science.1131634.
Sexton, J. O., P. Noojipady, X. P. Song, M. Feng, D. X. Song, D. H. Kim, A. Anand, C. Huang, S. Channan, S. L. Pimm, and J. R. Townshend. 2016. Conservation policy and the measurement of forests. Nature Climate Change 6:192-196. https://doi.org/10.1038/nclimate2816.
Sexton, J. O., D. L. Urban, M. J. Donohue, and C. Song. 2013. Long-term land cover dynamics by multi-temporal classification across the Landsat-5 record. Remote Sensing of Environment 128:246-258. https://doi.org/10.1016/j.rse.2012.10.010.
Strahler, A. H., L. Boschetti, G. M. Foody, M. A. Friedl, M. C. Hansen, M. Herold, P. Mayaux, J. T. Morisette, S. V. Stehman, and C. E. Woodcock. 2006. Global land cover validation: Recommendations for evaluation and accuracy assessment of global land cover maps. Ispra.
Sunderland, T., D. Apgaua, C. Baldauf, R. Blackie, C. Colfer, A. B. Cunningham, K. Dexter, H. Djoudi, D. Gautier, et al. 2015. Global dry forests: A prologue. International Forestry Review 17:1-9. https://doi.org/10.1505/146554815815834813.
UNCCD. 2012. Desertification: a visual synthesis. URL: tinyurl.com/tt36n5rm.
Villagra, P. E. 2000. Aspectos ecológicos de los algarrobales argentinos. Multequina 9:35-51.
Villagra, P. E., and J. A. Alvarez. 2019. Determinantes ambientales y desafíos para el ordenamiento forestal sustentable en los algarrobales del Monte, Argentina. Ecología Austral 29:146-155. https://doi.org/10.25260/EA.19.29.1.0.752.
Villagra, P. E., M. A. Cony, N. G. Mantován, B. E. Rossi, M. M. González Loyarte, R. Villalba, and L. Marone. 2004. Ecología y manejo de los algarrobales de la Provincia Fitogeográfica del Monte. En J. F. Goya, J. L. Frangi and M. F. Arturi (eds.). Ecología y manejo de los bosques de Argentina. Investigación en bosques nativos de Argentina. Editorial de la Universidad Nacional de La Plata (EDULP).
Woodcock, C. E., S. A. Macomber, M. Pax-Lenney, and W. B. Cohen. 2001. Monitoring large areas for forest change using Landsat: Generalization across space, time and Landsat sensors. Remote Sensing of the Environment 78:194-203. https://doi.org/10.1016/S0034-4257(01)00259-0.
Young, N. E., R. S. Anderson, S. M. Chignell, A. G. Vorster, R. Lawrence, and P. H. Evangelista. 2017. A survival guide to Landsat preprocessing. Ecology 98:920-932. https://doi.org/10.1002/ecy.1730.
Descargas
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Bárbara Guida-Johnson, María A. Aranda
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Las/os autoras/es conservan sus derechos de autoras/es: 1) cediendo a la revista el derecho a su primera publicación, y 2) registrando el artículo publicado con una Licencia de Atribución de Creative Commons (CC-BY 4.0), lo que permite a autoras/es y terceros verlo y utilizarlo siempre que mencionen claramente su origen (cita o referencia incluyendo autoría y primera publicación en esta revista). Las/os autores/as pueden hacer otros acuerdos de distribución no exclusiva siempre que indiquen con claridad su origen, así como compartir y divulgar ampliamente la versión publicada de su trabajo.
