Cada segundo, el planeta pierde una extensión de bosque equivalente a un campo de fútbol debido a la tala, incendios, plagas de insectos, enfermedades, viento, sequía y otros factores.
por Journal of Remote Sensing
En un estudio publicado recientemente, los investigadores del Centro de Observación y Ciencia de los Recursos Terrestres (EROS) del Servicio Geológico de EE. UU. presentaron una estrategia integral para detectar cuándo y dónde ocurren las perturbaciones forestales a gran escala y proporcionar una comprensión más profunda del cambio forestal.
El estudio fue publicado en el Journal of Remote Sensing.
«Nuestra estrategia conduce a un mapeo y actualización de la cobertura terrestre más precisos», dijo Suming Jin, científico físico del Centro EROS.
VER: A pesar de las promesas de Lula, la deforestación sigue rampante en Brasil
Para comprender el panorama general de un paisaje cambiante, los científicos confían en la Base de datos nacional de cobertura terrestre, que convierte las imágenes del satélite de observación de la Tierra (Landsat) en mapas píxel por píxel de características específicas. Entre 2001 y 2016, la base de datos mostró que casi la mitad del cambio de cobertura terrestre en los Estados Unidos contiguos involucró áreas boscosas.
«Para garantizar la calidad de los productos de cobertura terrestre y cambio de cobertura terrestre de la Base de Datos Nacional de Cobertura Terrestre, es importante detectar con precisión la ubicación y el momento de la perturbación del bosque», dijo Jin.
Jin y su equipo desarrollaron un método para detectar perturbaciones en los bosques por año. El enfoque combina las fortalezas de un algoritmo de serie temporal y un método de detección de 2 fechas para mejorar la eficiencia, la flexibilidad y la precisión del mapeo operativo de regiones grandes. La nueva técnica facilita una gestión y una política forestal más eficaces, entre otras aplicaciones.
Los datos de Landsat se han utilizado ampliamente para detectar perturbaciones forestales debido a su larga historia, altas resoluciones espaciales y radiométricas, política de datos abiertos y gratuitos, y su idoneidad para crear imágenes de mosaico continentales o incluso globales para diferentes estaciones.
VER: La deforestación del Amazonas reduce las precipitaciones en América del Sur
«Necesitamos algoritmos que puedan crear mapas consistentes de perturbaciones forestales de grandes regiones para ayudar a producir una base de datos nacional de cobertura terrestre de varias épocas», dijo Jin. «También necesitamos que esos algoritmos sean escalables para que podamos rastrear los cambios en los bosques durante períodos de tiempo más largos».
Un método comúnmente empleado llamado «detección de cambio de bosque de 2 fechas» implica comparar imágenes de dos fechas diferentes, mientras que el «algoritmo de serie de tiempo» puede proporcionar observaciones para series de tiempo Landsat anuales o incluso mensuales.
VER: La deforestación de la selva amazónica influye en el clima del Tíbet
En general, los algoritmos de detección de cambios de bosques de 2 fechas son más flexibles que los métodos de series temporales y utilizan información espectral más rica. El método de 2 fechas puede determinar fácilmente cambios entre bandas de imágenes, índices, clasificaciones y combinaciones y, por lo tanto, detectar perturbaciones forestales con mayor precisión. Sin embargo, el método de 2 fechas solo detecta cambios durante un período de tiempo y, por lo general, requiere información adicional o procesamiento adicional para separar los cambios en el bosque de otros cambios en la cobertura del suelo.
Por otro lado, los algoritmos de detección de cambios en los bosques basados en series de tiempo pueden usar información espectral y temporal a largo plazo y producir cambios para múltiples fechas simultáneamente. Sin embargo, estos métodos generalmente requieren que cada paso del algoritmo de serie temporal se procese nuevamente cuando se agrega una nueva fecha, lo que puede ser engorroso para las actualizaciones de monitoreo continuo y generar inconsistencias.
VER: La deforestación de la Amazonía brasileña aumentó un 150 % en el último mes de Bolsonaro
Estudios anteriores propusieron enfoques de conjunto para mejorar la precisión del mapeo de cambios en los bosques, incluido el «apilamiento» o la combinación del resultado de diferentes métodos de mapeo. Si bien el apilamiento reduce las tasas de error de omisión y comisión, el método es computacionalmente intensivo y requiere datos de referencia para el entrenamiento.
El enfoque de Jin y su equipo combinó las fortalezas de los métodos de detección de cambios de 2 fechas y el método de detección de cambios de series temporales continuas, que se denominó método de series temporales utilizando el índice de distancia espectral normalizada (NSD) (TSUN), para mejorar el mapeo operativo de regiones grandes eficiencia, flexibilidad y precisión. Usando esta combinación, los investigadores produjeron el producto de perturbación forestal NLCD 1986–2019, que muestra la fecha de perturbación forestal más reciente entre los años 1986 y 2019 para cada intervalo de dos a tres años.
«El índice TSUN detecta cambios en la cobertura de la tierra forestal de varias fechas y se demostró que se puede extender fácilmente a una nueva fecha, incluso cuando las nuevas imágenes se procesaron de una manera diferente a las imágenes de fechas anteriores», dijo Jin.
El equipo de investigación planea mejorar la herramienta aumentando la frecuencia de tiempo y producir un producto de perturbación forestal anual desde 1986 hasta el presente.
«Nuestro objetivo final es producir automáticamente mapas de perturbación forestal con alta precisión con la capacidad de monitorear continuamente la perturbación forestal , con suerte en tiempo real», dijo Jin.
VER: Nuevo análisis encuentra que la pandemia no frenó la deforestación
Más información: Suming Jin et al, Base de datos nacional de cobertura terrestre 2019: una estrategia integral para crear el producto de perturbación forestal de 1986–2019, Journal of Remote Sensing (2023). DOI: 10.34133/detección remota.0021
