América del Norte
El Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte (NALCMS)
El Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte (NALCMS, por sus siglas en inglés) es una iniciativa trinacional entre los gobiernos de Canadá, Estados Unidos y México. Las instituciones involucradas en el proyecto son:
- Recursos Naturales de Canadá / Centro Canadiense de Percepción Remota (NRCan / CCRS) | página específica para el proyecto NALCMS
- Servicio Geológico de los Estados Unidos (USGS) | página específica para el proyecto NALCMS
- Instituto Nacional de Estadística, Geografía e Informática (INEGI | México)
- Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (Conabio | México)
- Comisión Nacional Forestal (Conafor | México)
El trabajo es coordinado por la Comisión para la Cooperación Ambiental (CCA) | página específica para el proyecto NALCMS. El proyecto se concibió durante la Cumbre de Cobertura de Suelo de América del Norte en Washington, DC en el año 2006 y tiene como propósito proveer información que atienda simultáneamente las necesidades de mapeo de la cobertura a escala continental, al tiempo que proporciona información para cada país con la intención de complementar programas nacionales de monitoreo existentes. Tal colaboración internacional ofrece varios beneficios como son (Latifovic et al. 2012):
- Mejora de la exactitud del mapeo de cobertura de suelo mediante la colaboración de expertos locales, recursos y datos de referencia.
- Incremento en el uso de productos específicamente diseñados para atender los requerimientos nacionales de cada país, que además facilite aplicaciones continentales de monitoreo.
- Estandarización y consistencia de productos a lo largo de América del Norte, los cuales son generados a partir de la misma fuente de datos y con metodologías de mapeo idénticas o similares.
Con anterioridad han sido elaborados mapas de cobertura de suelo que cubren América del Norte de un modo consistente a . Sin embargo las exactitudes de éstos se encuentran en un rango de 50-70%, lo que resulta insuficiente para estudios regionales como los de zonas transfronterizas. Adicionalmente, la resolución espacial de varios de estos productos es de 500 m o más baja y la mayoría sólo genera un mapa de cobertura de suelo, mientras que otros, tales como el producto de cobertura de MODIS (MCD12Q1), no pueden ser utilizados para detectar cambios a nivel píxel. Existen también algunas a nivel nacional y regional que sirven para el monitoreo a largo plazo, con valores relativamente altos de exactitud pero ninguna cubre completamente el territorio de América del Norte (para información adicional sobre mapas regionales o globales consultar el Land Cover Institute (LCI).
Tabla. Programas de cobertura de suelo global
| Producto | Siglas | Sensor satelital | Resolución espacial [m] | Año | Clases | Exactitud global [%] | Referencia | Acceso |
| International Geosphere Biosphere Programme | IGBP | NOAA-AVHRR | 1000 | 1992/93 | 17 | 66.9 | Loveland et al. 2000 | ➡ |
| Global Land Cover 2000 | GLC2000 | SPOT-VGT | 1000 | 2000 | 22 | 68.6 | Bartholomé and Belward 2005 Mayaux et al. 2006 |
➡ |
| MODIS Land Cover | MCD12Q1 | Terra/Aqua-MODIS | 500 | desde 2001, anual | 17 | 75 | Friedl et al. 2010 | ➡ |
| Globcover | ENVISAT-MERIS | 300 | 2005, 2009 | 20, 34 | 67.1 | Arino et al. 2008 | ➡ | |
| Climate Change Initiative | CCI | ENVISAT-MERIS | 300 | 2000, 2005, 2010 | 22, 29 | NA | Bontemps et al. 2012 | ➡ |
Referencias
- Arino, O., Bicheron, P., Achard, F., Latham, J., Witt, R., & Weber, J., 2008. The most detailed portrait of earth. ESA Bulletin, 136, 24–31.
- Bartholomé, E. and Belward, A.S., 2005. GLC2000: a new approach to global land cover mapping from Earth observation data. International Journal of Remote Sensing, 26 (9), pp. 1959-1977.
- Bontemps, S., Herold, M., Kooistra, L., van Groenestijn, A., Hartley, A., Arino, O., Moreau, I., Defourny, P., 2012. Revisiting land cover observation to address the needs of climate modeling community, Biogeosciences, 9, 2145-2157.
- Friedl, M. A., Sulla-Menashe, D., Tan, B., Schneider, A., Ramankutty, N., Sibley, A., Huang, X., 2010. MODIS collection 5 global land cover: Algorithm refinements and characterization of new datasets, Remote Sensing of Environment, 114, 168–182.
- Loveland, T.R., Reed, B.C., Brown, J.F., Ohlen, D.O., Zhu, Z., Yang, L. and Merchant, J.W., 2000. Development of a global land cover characteristics database and IGBP DISCover from1 km AVHRR data, International Journal of Remote Sensing, 21 (6), pp. 1303-1330.
- Mayaux, P., Eva, H., Gallego, J., Strahler, A.H., Herold, M., Agrawal, S., Naumov, S., De Miranda, E.E., Di Bella, C.M., Ordoyne, C., Kopin, Y., Roy, P.S., 2006. Validation of the Global Land Cover 2000 map, IEEE Transactions on Geoscience and Remote Sensing, 44 (7), 1728-1739.
Tabla. Series de tiempo de cobertura de suelo regional
| Producto | Siglas | Sensor satelital | Resolución espacial [m], área mínima representada, escala | Año | Clases | Exactitud global [%] | Referencia | Acceso |
| Canadian land cover | Terra/Aqua MODIS | 250 | Desde 2000, anual | 25 | 80 | Pouliot et al. 2014 | ➡ | |
| National Land Cover Database of the United States | NLCD | Landsat-5TM, 7ETM+ | 30m, 0.45ha | 1992, 2001, 2006, 2011 | 16 | 78 | Fry et al. 2011, Homer et al. 2004, Xian et al. 2009 | ➡ |
| European Commission Coordination of information on the environment | CORINE | Landsat 5TM, 7ETM+, IRS LISS3, SPOT 4 HRV | 100m, 25ha, 1:100,000 | 1990 2000, 2006, 2012 | 44 | 87 | Feranec et al. 2010 | ➡ |
| Australia dynamic land cover dataset | DLCD | Terra/Aqua MODIS | 250 | 2000-2008, anual | 34 | NA | Lymburner et al. 2010 | ➡ |
Referencias
- Feranec, J., Jaffraini, G., Hazeu, G., 2010. Determining changes and flows in European landscapes 1990–2000 using CORINE landcover data, Applied Geography, 30, 19–35.
- Fry, J.A., Xian, G., Jin, S., Dewitz, J.A., Homer, C.G., Yang, L., Barnes, C.A., Herold, N.D., Wickham, J.D., 2011. Completion of the 2006 National Land Cover Database for the Conterminous United States, Photogrammetric Engineering and Remote Sensing, 77 (9), 858-864.
- Homer, C., Huang, C., Yang, L., Wylie, B., Coan, M., 2004. Development of a 2001 National Land-Cover Database for the United States, Photogrammetric Engineering & Remote Sensing, 70 (7), 829–840.
- Lymburner L., Tan, P., Mueller, N., Thackway, R., Lewis, A., Thankappan, M., Randall, L., Islam, A., Senarath, U., 2010. 250 metre Dynamic Land Cover Dataset of Australia (1st Edition), Geoscience Australia, Canberra.
- Pouliot, D., Latifovic, R., Zabcic, N., Guindon, L., Olthof, I., 2014. Development and assessment of a 250 m spatial resolution MODIS annual land cover time series (2000-2011) for the forest region of Canada derived from change-based updating, Remote Sensing of Environment, 140, 731-743.
- Xian, G., Homer, C., Fry, J., 2009. Updating the 2001 national land cover database land cover classification to 2006 using Landsat change detection methods, Remote Sensing of Environment, 113, 1133-1147.
En México sin embargo, no existen conjuntos de datos diseñados específicamente para la cobertura de suelo que sean equiparables al 100% y que además cubran todo el país. Algunos esfuerzos para generar información sobre la cobertura de suelo a partir de sensores satelitales incluyen la Caracterización del Paisaje de América del Norte (NALC, por sus siglas en inglés) la cual se enfocó particularmente en México cartografiando 12 clases derivadas de Landsat MSS y TM, y que produjo mapas para años cercanos a 1970, 1980 y 1990. A pesar de esto, las exactitudes entre 60 y 67%, fueron demasiado bajas para la detección de cambios y para la construcción de un sistema de monitoreo (Lunetta et al. 2002). Por otro lado, también existe una gran riqueza de productos nacionales sobre vegetación generados en México por el INEGI (INEGI series I-V de vegetación y uso de suelo, p.ej. INEGI, 2005), donde se describen más de 100 clases correspondientes al tipo de vegetación y estado en el que se encuentra. Sin embargo, presentan modificaciones geométricas y de nomenclatura que dificultan el proceso de monitoreo.
NALCMS atiende tres necesidades específicas de monitoreo en México:
- Generar capacidades para derivar información equiparable de la cobertura de suelo en México, de una manera consistente y automatizada.
- Integrar dicha información en un contexto mayor para estudios de escala continental.
- Explorar el potencial en la generación de "datos activos" relacionados con el Programa Colaborativo de las Naciones Unidas de Reducción de Emisiones de Carbono causadas por la Deforestación y la Degradación de los Bosques en Países en Desarrollo (REDD).
Datos satelitales
Animación de datos satelitales (compuestos mensuales) para América del Norte (2010)
El proyecto utiliza compuestos mensuales producidos a partir de imágenes MODIS del satélite Terra, los cuales fueron procesados por el NRCan / CCRS. Los compuestos son generados para siete bandas de reflectancia del espectro electromagnético (rojo: 620-670 nm, infrarrojo cercano: 841-876 nm, azul: 459-479 nm, verde: 545-565 nm, infrarrojo medio 1: 1230-1250 nm, infrarrojo medio 2: 1628-1652 nm, e infrarrojo medio 3: 2105-2155 nm) derivadas de los productos L1b MOD02 a 250 y 500 m de resolución espacial, además MOD03, MOD35, y MODATML2, los cuales fueron obtenidos del “Centro de Distribución de Archivos Activos de Procesos Terrestres” (LP DAAC por sus siglas en inglés).
Animación de datos satelitales (compuestos mensuales) para México (2005-2011)
Todas las imágenes fueron proyectadas a un marco de referencia común, generando un mosaico continental (Khlopenkov et al. 2006), en el que después fueron transformadas las bandas con píxeles de 500 m a 250 m de resolución espacial (Trishchenko et al. 2006), generando posteriormente compuestos de 10 días (Luo et al. 2008) y luego compuestos mensuales (Latifovic et al. 2012). Finalmente, a partir del procesamiento realizado, el proyecto pudo contar con una serie de tiempo de compuestos mensuales de 7 bandas espectrales con 250 m de resolución para los años 2005 a 2011, con la que se realizó el monitoreo de la cobertura de suelo.
Datos auxiliares
Algunas capas adicionales de información compatible fueron utilizadas para mejorar el proceso de mapeo de la cobertura de suelo. La CONAFOR modeló las capas usando diferentes fuentes de datos climáticos para el periodo 1970-2000 y proporcionó la siguiente información:
- Mapas de elevación, pendiente y orientación de laderas derivados de un modelo digital de elevación a nivel nacional.
- Información de los valores mínimos, máximos y medios de la temperatura.
- Información de precipitación pluvial con valores máximos y número de días con lluvia.
- Número de días con valores altos en el verdor de la vegetación, derivados de un conjunto de datos del Índice de Vegetación de Diferencia Normalizada (NDVI) durante un periodo prolongado.
También se utilizó el mapa de ecorregiones de México en nivel I con 7 clases (CCA 1997), el cual sirvió para definir zonas de mapeo en pruebas de clasificación regionalizadas.
Datos de referencia
Se utilizaron bases de datos de los puntos de muestreo existentes en el país con propósitos de entrenamiento y validación del algoritmo de clasificación, con lo que se integró un conjunto de muestras formado por 121,169 puntos obtenidos de distintas fuentes:
- 25,483 puntos del inventario nacional forestal y de suelos (INFSyS) que describen todas las clases de cobertura de suelo; 21,109 de estos puntos fueron verificados por el INEGI (CONAFOR 2007).
- 66,264 puntos de agricultura derivados de la clasificación de cobertura agrícola de México (COLPOS 2005).
- 11,270 puntos de agricultura obtenidos de la clasificación de terrenos agrícolas (PROCEDE 2006).
- 5,854 puntos en áreas urbanas proporcionados por el INEGI (INEGI 2007).
- 12,298 puntos digitalizados en la Conabio para las clases de cobertura de suelo que fueron originalmente poco representadas en el conjunto de muestras general (Conabio, no publicado).
Así mismo, se utilizó una capa de información de referencia derivada del mapa de uso de suelo y vegetación serie III producido por el INEGI (generado a partir de imágenes Landsat 7ETM+ alrededor de 2002; INEGI 2007), el cual fue reclasificado al esquema de la leyenda de NALCMS. El INEGI también aportó máscaras de área estable, utilizadas en el post-procesamiento para las clases correspondientes a asentamiento humano, humedal, cuerpo de agua, así como hielo y nieve.
Proyección cartográfica
Todos los datos utilizados en el proyecto NALCMS fueron generados en Proyección Azimutal Equiareal de Lambert con origen en los 100°O y 45°N, sin asignar falsos Norte y Este. El datum está basado en una esfera con radio de 6,370,997 m. Todos los datos en formato raster están referidos a un mismo marco de referencia (Latifovic et al. 2012).
La leyenda fue definida jerárquicamente en tres niveles por un grupo de expertos en cobertura de suelo de América del Norte. Está relacionada con el sistema de clasificación de cobertura de suelo (LCCS; Di Gregorio 2005) de la Organización para la Alimentación y la Agricultura (FAO) de las Naciones Unidas, lo que permite flexibilidad y armonización con otros mapas de cobertura de suelo a nivel global o continental. Para los clasificadores básicos NALCMS con LCCS en nivel II referirse a Latifovic et al. (2012).
Los primeros dos niveles de la clasificación están compuestos por 12 y 19 clases respectivamente, y representan clases comunes para América del Norte, el tercer nivel es un ajuste para denotar particularidades en los ecosistemas de cada país. De las 19 clases repostadas en el nivel II, en México solo se encuentran 15.
| Nivel I | Nivel II |
|---|---|
| 1. Bosque de coníferas | |
| 2. Bosque de latifoliadas | |
| 3. Bosque mixto | |
| 4. Matorral | |
| 5. Pastizal | |
| 6. Líquenes y musgos | |
| 7. Humedal | |
| 8. Suelo agrícola | |
| 9. Suelo desnudo | |
| 10. Asentamiento humano | |
| 11. Cuerpo de agua | |
| 12. Nieve y hielo |
Clasificación de la cobertura de suelo en 2005 como línea base
El mapa de cobertura de suelo para el año 2005 fue derivado de una serie de tiempo anual conformada por compuestos mensuales de imágenes MODIS con 250 m de resolución espacial. Para un primer conjunto de datos, además de las bandas 1 a 7 del sensor, se calculó para cada mes el Índice de Vegetación de Diferencia Normalizada (NDVI). Para la remoción de ruido, se generó un segundo conjunto de datos compuesto por métricas para la utilización de estadística temporal univariada, como la media, desviación estándar, mínimo, máximo y rango, para periodos tanto anual, como de medio año, cuatro meses y tres meses respectivamente. Los dos conjuntos de datos se conformaron por:
- Bandas de las imágenes y NDVI + datos auxiliares (96+9)
- Métricas de las bandas de las imágenes y NDVI + datos auxiliares (400+9)
También se utilizaron datos de muestreo correspondientes a 121,169 puntos, los cuales fueron integrados en una cuadrícula y divididos en dos conjuntos, para el entrenamiento del algoritmo (80%) y para la validación del mismo (20%). Para eliminar muestras potencialmente mal asignadas a un tipo de cobertura específico, se aplicó un filtro que seleccionó sólo puntos que coincidiesen con el mapa de referencia de INEGI al estar centrados en un área de 5 x 5 píxeles del mismo tipo de cobertura de suelo. Se realizó además un sub-muestreo de clases específicas con la intención de equilibrar el tamaño de la muestra entre las distintas clases (Colditz et al. 2012).
Se generaron árboles de decisión (Breiman et al. 1984) mediante el algoritmo C5.0 (Quinlan 1993) a partir de diferentes combinaciones de datos y muestras utilizando 10 iteraciones con boosting (mejoramiento consecutivo de las clasificaciones). Posteriormente, los resultados de múltiples árboles de decisión fueron combinados conservando la proporción de cada clase para cada píxel (Colditz et al. 2011, Colditz et al. 2012), y finalmente se generó un conjunto de mapas discretos, el cual incluyó la clase más probable y las subsecuentes.
Proceso de clasificación de la cobertura de suelo para el año 2005 (Colditz et al. 2012)
La post-clasificación se enfocó en corregir la extensión del área en las clases de Asentamientos humanos y Humedales a través del uso de máscaras preestablecidas para su extensión máxima. Las clases menos abundantes como Agua, y Nieve y hielo fueron de igual manera sobrepuestas utilizando máscaras. La metodología de la clasificación de cobertura de suelo 2005 está descrita detalladamente en Colditz et al. (2012).
La evaluación de un mapa que cubre un área tan extensa y es derivado de datos de baja resolución espacial representa un reto. Se realizaron varias evaluaciones, tanto para toda América del Norte como para cada país individualmente. En caso de ambigüedad provocada por la presencia de píxeles mixtos, comunes en datos de baja resolución, se pidió a un analista asignar dos etiquetas de referencia para determinar la primera y segunda clase más probable.
Mejora del mapa base de cobertura de suelo 2005
La exactitud y la representación espacial de las clases en el mapa inicial de 2005 fueron consideradas adecuadas para un largo periodo de monitoreo, sin embargo se observaron errores locales en las clases de Agua y Asentamientos humanos que fueron corregidos de forma visual antes de generar series de tiempo de cobertura de suelo (Colditz et al. 2014a).
La extensión de las superficies cubiertas por agua fue representada en áreas demasiado pequeñas para el caso de varios lagos artificiales en el mapa de 2005, además de que los asentamientos humanos fueron escasamente mapeados en el norte de México. Esto último, debido a que las diferencias espectrales fueron insuficientes en el área circundante cubierta por matorrales o bien, suelo desnudo.
Mejoramiento del mapa base de cobertura de suelo para el año 2005
Detección de cambios y actualización de la cartografía
La generación de series de tiempo de cobertura de suelo a partir de una línea base involucra dos pasos:
- La detección de áreas potenciales de cambio
- Actualización del mapa en las áreas de cambio potencial
La ventaja de esta estrategia es que el mapa no se modifica en regiones que no fueron identificadas como cambio potencial en el paso inicial. Este proceso se ha aplicado exitosamente con anterioridad, ya que asegura la consistencia entre mapas de diferentes fechas, algo que resulta sumamente importante para el análisis de series de tiempo en mapas de cobertura de suelo (Pouliot et al. 2014, Xian et al. 2009).
Proceso de detección de cambio potencial entre 2 años (Colditz et al. 2014b)
La detección de áreas potenciales de cambio para México se realizó mediante el cálculo de diferencias bianuales (Colditz et al. 2014b). Inicialmente, para cada año se normalizaron los datos espectrales derivados de las siete bandas de imágenes de los 12 meses (84 capas de información) utilizando una regresión Theil-Sen (Olthof et al. 2005). También se generaron capas adicionales como el NDVI, del cual se derivaron filtros de detección de bordes como Laplace y Sobel (120 capas por años), y finalmente se calcularon las diferencias entre los datos de ambos años (120 capas de diferencia). Una búsqueda exhaustiva de los parámetros óptimos para definir el cambio potencial a partir de los valores de las diferencias en las imágenes arrojó los siguientes resultados:
- Quantiles del 1% y 99% en el histograma de las diferencias entre las imágenes
- 25% de todas las capas de diferencia bianual son necesarias para indicar la presencia de cambio potencial (30 de 120 capas)
Adicionalmente al proceso de detección automatizada, los cambios potenciales encontrados fueron editados manualmente, principalmente en regiones desérticas donde los cambios espectrales pueden ocurrir debido a la variación de los ángulos de visión del sensor e iluminación natural, por lo tanto no se considera que estén relacionados con cambio real en el tipo de cobertura de suelo.
La actualización del mapa sólo se realizó dentro de los polígonos identificados como cambio potencial, reasignando la clase definida en el mapa inicial. Para este propósito se generaron muestras en las zonas alrededor de las áreas de cambio potencial, las cuales fueron utilizadas como datos de entrada para la nueva clasificación. A través de pruebas extensivas, se demostró que 1,500 muestras por clase obtenidas dentro de rangos de distancia de 4-16 píxeles alrededor de las áreas de cambio, proporcionan mejores resultados en el proceso de clasificación. La reclasificación de las zonas identificadas como cambio potencial se realizó mediante la generación de árboles de decisión con el algoritmo C5.0 (Quinlan 1993) utilizando un boosting de 10 iteraciones, y finalmente, se tomó como referencia una matriz de lógica para cambios permitidos y no permitidos con el fin de limitar las nuevas asignaciones sólo a transiciones que resultaran congruentes.
Proceso de actualización del mapa base para áreas de cambio potencial
Cobertura de suelo 2005
Cobertura de suelo 2005 para México (Colditz et al. 2012). Los polígonos marcan los ecorregiones a nivel I (CEC 1997)
Cobertura de suelo 2005 para México (Colditz et al. 2012). Los polígonos marcan los ecorregiones a nivel I (CEC 1997)
El mapa de cobertura de suelo de 2005 muestra 19 clases de las cuales 15 existen en México, éstas fueron cartografiadas con un criterio de área mínima de 25 ha (4 píxeles MODIS conectados, regla de 8 vecinos) para los productos que fueron liberados públicamente. Para evitar discontinuidades en los datos representados, se aplicaron modificaciones menores a lo largo de las fronteras entre Canadá, Estados Unidos y México.
En México, la clase con mayor extensión representa los matorrales tropicales (30.4%) seguida por el suelo agrícola (20.2%), mientras que todas las clases de bosque juntas cubren un 29.8% del territorio. Por otra parte se observan consistencias entre la distribución espacial de las clases de cobertura y las ecorregiones (CCA 1997), por ejemplo, las dos clases de bosque templado coinciden principalmente con la ecorregión de Sierras templadas, mientras que de manera muy similar las dos clases de bosque tropical corresponden con las ecorregiones de Selvas cálido-secas y Selvas cálido-húmedas.
Para el mapa continental la exactitud fue del 82% tomando la asignación principal y alternativa como correctamente clasificadas, así como 68% utilizando solamente la asignación principal (Latifovic et al. 2012). Valores muy similares se obtuvieron para México con 74% considerando sólo la primera asignación, y 83% considerando la asignación de clase más probable y la alternativa. Este resultado fue confirmado por una evaluación adicional para un conjunto de muestras dispares, arrojando un 74% de exactitud utilizando todas las muestras y 82% de exactitud al considerar sólo muestras con una confianza de por lo menos 50% (Colditz et al. 2012).
Las mejoras realizadas en el mapa de cobertura de suelo de 2005 para las clases de agua y asentamientos humanos afectaron sólo una pequeña superficie en México (882,137 ha, 0.45%).
Proporción del área de cada clase de cobertura de suelo 2005 en México y su coincidencia proporcional con las ecorregiones a nivel I (Colditz et al. 2012, CEC 1997)
Cobertura de suelo 2010
El desarrollo del método de detección de cambios a partir de datos de 2005 se realizó para la determinación de áreas de cambio en 2010 sin considerar los años intermedios. Una extensión de 702,331 ha (0.36%) del territorio de México fue detectada como área de cambio potencial. La exactitud general de la máscara de cambio/no cambio generada fue de 80% con una comparativa alta omisión (50%) y baja comisión (20%) (Colditz et al. 2014a).
No obstante, existen casos donde los cambios fueron detectados adecuadamente, por ejemplo, la expansión urbana alrededor de la ciudad de Cancún, así como un evento de inundación en un canal de desfogue del Río Bravo en 2010, que también fue detectado exitosamente como una gran área de cambio potencial.
Cambio potencial entre 2005 y 2010 en México (Colditz et al. 2014a)
El cambio real de cobertura de suelo se refiere la asignación de una clase diferente a la presente en el mapa base. En México sólo ocurrió en 294,187 ha (0.15%), lo que representa indicadores de cambio muy pequeños en comparación con Canadá (2.06%), Estados Unidos (0.55%) o el total de América del Norte (1.22%; Colditz et al. 2014b). La razón es que muchos de los complejos y pequeños cambios que se presentan en México tienen una extensión menor que el área de un píxel MODIS de 6.25 ha (250 m de resolución espacial). Además, para poder ser identificados como cambio, deberían presentar un área igual o mayor a 4 píxeles MODIS conectados (área mínima cartografiable de 25 ha). Adicionalmente, se considera que los cambios deben ser espectralmente notorios para ser detectados por métodos automatizados.
A manera de ejemplo se cita la situación de Cancún, donde se observó un cambio de cobertura que corresponde a un significativo crecimiento urbano, principalmente alrededor del aeropuerto y la porción poniente de la ciudad. Sin embargo no se identificaron cambios en las costas de la península por el crecimiento turístico, se considera que estos cambios o modificaciones, en forma individual, por el momento son menores a 25 ha.
Cambio potencial entre 2005 y 2010 sobrepuesto imágenes satelitales para dos sitios (Colditz et al. 2014a)
Cambio real (cambio de clase en la cobertura de suelo) entre 2005 y 2010 para el sitio de Cancún
Cambios anuales de cobertura de suelo 2005-2011
Porcentaje de cambio potencial y cambio real (cambio de clase en la cobertura de suelo) en México para periodos bianuales
La detección anual de cambios en la cobertura de suelo utiliza el mismo método y parámetros que la detección de cambios entre 2005 y 2010. Los resultados indican que el cambio real en el tipo de cobertura es aproximadamente cuatro veces menor que el área detectada como cambio potencial. También es notorio el bajo valor de omisión, que es menor al 10% de las áreas que potencialmente presentaron cambio. Esto es importante, porque todas las áreas no detectadas en este paso no pueden adoptar una clase distinta durante la actualización de los mapas.
Las series de tiempo para cambios anuales sin embargo, claramente muestran patrones temporales específicos, como los que se ilustran alrededor de la ciudad de Mérida. Se observan fases de construcción específicas, por ejemplo entre 2005-2007 en el distrito urbano al norte de Mérida (Fraccionamiento las Américas) o entre 2006-2007, y 2008-2009 en la construcción del nuevo complejo residencial desarrollado como una ciudad satélite (Ciudad Caucel) en el poniente de Mérida.
Animación del cambio anual (2005-2011) de la cobertura de suelo para el área de la Ciudad de Mérida.
Izquierda: imágenes satelitales del mes abril. Derecha: mapa con zonas urbanas en rojo. Los polígonos en negro indican el cambio potencial.
Conabio
Para México, los datos son proporcionados en Proyección Cónica Conforme de Lambert y en Coordenadas Geográficas, dentro del marco de referencia WGS84 con un área mínima cartografiable de 25 ha. Para más información específica sobre la generación de los productos ver los metadatos de referencia.
CCA
Los productos de cobertura de suelo para América del Norte son proporcionados en Proyección Azimutal Equiareal de Lambert con un área mínima cartografiable de 25 ha. Para más información específica sobre la generación de los productos ver los metadatos de referencia.
- Acceso general a los datos en el visualizador de mapas de la CCA
- Cobertura de suelo 2005 (versión mejorada)
- Cobertura de suelo 2010
- Cambios entre 2005 y 2010
Mapas interactivos
La Conabio provee un servicio web para la visualización de información geográfica de manera interactiva.
Revistas científicas
Colditz, R.R., Pouliot, D., Llamas R.M., Homer, C., Latifovic, R., Ressl. R.A., Meneses Tovar, C., Victoria Hernandez, A., Richardson, K., 2014. Detection of North American land cover change between 2005 and 2010 with 250m MODIS data. Photogrammetric Engineering & Remote Sensing, 80 (10): 918-924.
Colditz, R.R., Llamas, R.M., Ressl, R.A., 2014. Detecting change areas in Mexico between 2005 and 2010 using 250 m MODIS images. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 7 (8): 3358-3372.
Colditz, R.R., Llamas, R.M., 2013. A land cover map from Ellesmere Island to Tierra del Fuego: the combination of two continental land cover mapping projects and comparison to global maps. Revista SELPER, 35 (1): 5-12. También publicado en Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2012, 19-23 de noviembre, 2012, Cayena, Guayana Francesa, 8 páginas.
Llamas, R.M., Colditz, R.R., 2012. Characterization and distribution of the land cover change in Mexico between 2005-2010 based on automated detection with 250 m MODIS images. Revista SELPER, 34 (2): 5-12. También publicado en Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2012, 19-23 de noviembre, 2012, Cayena, Guayana Francesa, 8 páginas
Colditz, R.R., López Saldaña, G., Maeda, P., Argumedo Espinoza, J., Meneses Tovar, C., Victoria Hernández, A., Ornelas de la Anda, J.-L., Zermeño Benítez, C., Cruz López, I., Ressl, R., 2012. Generation and analysis of the 2005 land cover map for Mexico using 250 m MODIS data. Remote Sensing of Environment, 123: 541-552.
Colditz, R.R., Schmidt, M., Conrad, C., Hansen, M.C., Dech, S., 2011. Land cover classification with coarse spatial resolution data to derive continuous and discrete maps for complex regions. Remote Sensing of Environment, 115: 3264-3275.
Capítulos de libro
Latifovic, R., Homer, C., Ressl, R., Pouliot, D., Hossain, S.N., Colditz, R.R., Olthof, I., Giri, C., Victoria, A., 2012. North American land change monitoring system. En: Giri, C., (Ed), Remote Sensing of Land Use and Land Cover: Principles and Applications, CRC-Press, pp. 303-324.
Conferencias
Colditz, R.R., Equihua, J., 2014. Discrete versus continuous land cover maps derived from decision tree approaches. En: IEEE International Geoscience and Remote Sensing Symposium 2014, IGARSS 2014, 13–18 de julio, 2014, Québec City, Canada.
Colditz, R.R., Llamas, R.M., Ressl. R.A., 2014. Annual land cover monitoring using 250 m MODIS data for Mexico. En: IEEE International Geoscience and Remote Sensing Symposium 2014, IGARSS 2014, 13–18 de julio, 2014, Québec City, Canada.
Colditz, R.R., Llamas, R.M., Ressl. R.A., 2014. Annual land cover monitoring in Mexico using MODIS 250 m data. En: 2014 Global land project open science meeting, 19–21 de marzo, 2014, Berlín, 1 página.
Colditz, R.R., Llamas, R.M., Ressl. R.A., 2014. Annual land cover monitoring in Mexico using MODIS 250 m data. En: 5th Workshop of the EARSeL Special Interest Group on Remote Sensing of Land Use & Land Cover, 17-18 de marzo, 2014, Berlin, 1 página.
Colditz, R.R., Pouliot, D., Hossain, S.N., Ressl, R., Latifovic, R., Homer, C., 2013. The detection of land cover changes in North America using 250 m MODIS data. En: 109 annual meeting of the Association of American Geographers, 9-13 de abril, 2013, Los Angeles, CA, 1 página.
Colditz, R.R., Llamas, R.M., 2012. A land cover map from Ellesmere Island to Tierra del Fuego: the combination of two continental land cover mapping projects and comparison to global maps. En: Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2012, 19-23 de noviembre, 2012, Cayena, Guayana Francesa, 8 páginas. También publicado en Revista SELPER, 35 (1): 5-12.
Llamas, R.M., Colditz, R.R., 2012. Characterization and distribution of the land cover change in Mexico between 2005-2010 based on automated detection with 250 m MODIS images. En: Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2012, 19-23 de noviembre, 2012, Cayena, Guayana Francesa, 8 páginas. También publicado en Revista SELPER, 34 (2): 5-12.
Llamas, R.M., Colditz, R.R., 2012. Caracterización y distribución del cambio de la cobertura terrestre en México entre 2005-2010, mediante detección automatizada con imágenes MODIS. En: Congreso Nacional de Geografía 2012, CNG 2012, 9-12 de octubre, 2012, Tlaxcala, México, pp. 85-86.
Colditz, R.R., Llamas, R.M., Ressl, R.A., 2012. Change detection of the national land cover dataset of Mexico. En: IEEE International Geoscience and Remote Sensing Symposium 2012, IGARSS 2012, 22-27 de julio, 2012, Munich, Alemania, pp. 6181-6184.
Colditz, R.R. Maeda, P., López, G., Cruz, I., Ressl, R., 2011. National land cover change estimation of Mexico in the framework of the North American Land Change Monitoring System. En: Earth Observation of Global Changes, EOGC 2011, 13-15 de abril, 2011, Munich, Alemania, 4 páginas.
Ressl, R., Colditz, R.R., Lopez, G., Cruz, I.M., Diaz, P., 2011. Land cover classification of Mexico in the framework of the North American land change monitoring system. En: 4to Workshop of the EARSeL Special Interest Group on Remote Sensing of Land Use & Land Cover, 1-3 de junio, 2011, Praga, República Checa, 1 página.
Colditz, R.R. Maeda, P., López, G., Cruz, I., Ressl, R., 2010. La cobertura terrestre de México – un análisis espacial. En: Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2010, 8-12 de noviembre, 2010, Guanajuato, México, 10 páginas.
Colditz, R.R. Maeda, P., López, G., Cruz, I., Ressl, R., 2010. Classifying the land cover of Mexico in the framework of the North American Land Change Monitoring System. En: Annual conference of the American Society for Photogrammetry & Remote Sensing 2010, ASPRS 2010, 26-30 de abril, 2010, San Diego, CA, 8 páginas.
Colditz, R.R., 2009. El proyecto trinacional del sistema de monitoreo del cambio de la cobertura terrestre en América Norte (NALCMS) y la información puntual de vegetación para la clasificación de la cobertura vegetal con imágenes MODIS. En: Convención Nacional de Geografía 2009, CNG 2009, 21-23 de octubre, 2009, Aguascalientes, México, 2 páginas.
Colditz, R.R., Ornelas de Anda, J., Meneses Tovar, C., 2009. Sistema de Monitoreo de la cobertura de suelo de América del Norte. En: Convención Nacional de Geografía 2009, CNG 2009, 21-23 de octubre, 2009, Aguascalientes, México, 2 páginas.
Colditz, R.R., López, G., Meneses, C., Maeda, P., Cruz, I., Ressl, R., 2009. A satellite-data based land cover monitoring system for the North American Continent – the contribution of Mexico. En: 33rd International Symposium on Remote Sensing of Environment, ISRSE, 4-8 de mayo, 2009, Stresa, Italia, 4 páginas.
Otras publicaciones
NALCMS, 2014. North American land cover change 2005 - 2010. Photogrammetric Engineering & Remote Sensing, 80 (10), Portada y explicación, 2 páginas.
NALCMS, 2010. Cobertura de suelo 2005. ESRI Map Book online. 25: 1 página.
NALCMS, 2010. Mapa digital de la Cobertura de Suelo de América del Norte 2005. Distribuido por la Comisión para la Cooperación Ambiental (CCA).
NALCMS, 2009. Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte(NALCMS). Global land cover network (GLCN) 16: pp. 4-5.
NALCMS, 2009. Mapa tamaño póster de la cobertura de suelo de América del Norte 2005. Distribuido por la Comisión para la Cooperación Ambiental (CCA).
NALCMS, 2009. Cobertura de suelo de América del Norte. Canadian Geographic, Diciembre 2009, mapa anexo.
Colditz, R.R., López, D., Wehrmann, T., Hüttich, C., Crúz, M.I., Muñoz, E., Ressl, R., 2008. Guideline for automated training data derivation. Documento de trabajo en el proyecto Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte (NALCMS), pp. 18.
Participantes
-Dr. René R. Colditz
Especialista en Percepción Remota, Dirección General de Geomática, CONABIO.
Tel: +52-55-5004 5020. Coordinación, programación, procesamiento de datos, análisis de datos.
-Geóg. Ricardo M. Llamas Barba
Especialista en Percepción Remota, Dirección General de Geomática, CONABIO.
Tel: +52-55-5004 4975. Procesamiento de datos, análisis de datos.
-Biól. Pedro Díaz Maeda
Especialista en SIG, Dirección General de Geomática, CONABIO.
Tel: +52-55-50045018. Análisis de datos, preparación de datos SIG.
-Dr. Rainer A. Ressl
Director General de Geomática, CONABIO.
Tel: +52-55-5004 5009. Coordinación.
-M. en G. María Isabel Cruz López
Subcoordinadora de Percepción Remota, Dirección General de Geomática, CONABIO.
Tel: +52-55-5004 5009. Coordinación.
Otros participantes de Conabio: Estrella Cruz Reyes, Olga Laura Herrera López, Florian Hruby, Juan Daniel Márquez Mendoza, Franz Mora Flores, Nadya Moreno Almeraya, Enrique Muñoz López.
Colaboradores
- Carmen Meneses Tovar (CONAFOR)
- José Luis Ornelas de Anda, Arturo Victoria Hernández, Jesús Argumedo Espinoza, Francisco Jiménez Nava, Julio Morales Mejía, Martín Niño Alcocer, Alberto Rodríguez Ávalos (INEGI)
- Rasim Latifovic, Darren Pouliot, Ian Olthof (NRCan / CCRS)
- Collin Homer, Chandra Giri (USGS)
- Karen Richardson, Itzia Sandoval (CEC)
Colaboradores anteriores: Sheikh Nazmul Hossain, Joyce Fry (USGS), Alberto Sandoval, Rodolfo Orozco Gálvez, Rigoberto Palafox Rivas, Carlos Zermeño Benítez, Rafael Flores Hernández (CONAFOR), Salvador Sánchez Colón (consultor particular), Gerardo López Saldaña (Conabio), Cody Rice, Marilou Nichols (CCA).
Referencias
Breiman, L., Friedman, J.H., Olshen, R.A. and Stone, C.J., 1984. Classification and regression trees. Wadsworth, Belmont, CA, 358 pp.
CEC, 1997. Ecological regions of North America: toward a common perspective. Commission for Environmental Cooperation, Montreal, Quebec, Canada. 71pp.
Colditz, R.R., Pouliot, D., Llamas R.M., Homer, C., Latifovic, R., Ressl. R.A., Meneses Tovar, C., Victoria Hernandez, A., Richardson, K., 2014a. Detection of North American land cover change between 2005 and 2010 with 250m MODIS data. Photogrammetric Engineering & Remote Sensing, 80 (10): 918-924.
Colditz, R.R., Llamas, R.M., Ressl, R.A., 2014b. Detecting change areas in Mexico between 2005 and 2010 using 250 m MODIS images. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 7 (8): 3358-3372.
Colditz, R.R., Schmidt, M., Conrad, C., Hansen, M.C., Dech S., 2011. Land cover classification with coarse spatial resolution data to derive continuous and discrete maps for complex regions. Remote Sensing of Environment. 115: 3264-3275.
Colditz, R.R., Llamas, R.M., Ressl, R.A., 2014a. Detecting change areas in Mexico between 2005 and 2010 using 250 m MODIS images. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 7 (8): 3358-3372.
Colditz, R.R., Pouliot, D., Llamas R.M., Homer, C., Latifovic, R., Ressl. R.A., Meneses Tovar, C., Victoria Hernandez, A., Richardson, K., 2014b. Detection of North American land cover change between 2005 and 2010 with 250m MODIS data. Photogrammetric Engineering & Remote Sensing, 80 (10): 918-924.
Colditz, R.R., López Saldaña, G., Maeda, P., Argumedo Espinoza, J., Meneses Tovar, C., Victoria Hernández, A., Ornelas de la Anda, J.-L., Zermeño Benítez, C., Cruz López, I., Ressl, R., 2012. Generation and analysis of the 2005 land cover map for Mexico using 250 m MODIS data. Remote Sensing of Environment, 123: 541-552.
COLPOS, 2005. Classification of agricultural lands of Mexico. Colegio de Posgraduados (COLPOS). Secretaría de agricultura, ganadería, desarrollo rural, pesca y alimentación de México (SAGARPA).
CONAFOR, 2007. Inventario Nacional Forestal, INFyS 2004-2007.
Di Gregorio; A. 2005. Land Cover Classification System - Classification concepts and user manual for Software version 2. FAO Environment and Natural Resources Service Series, No. 8, Roma. 208 pp.
INEGI, 2005, Dirección General de Geografía - INEGI (ed.), Conjunto de Datos Vectoriales de la Carta de Uso del Suelo y Vegetación, Escala 1:250,000, Serie III (CONTINUO NACIONAL), Instituto Nacional de Estadística, Geografía e Informática - INEGI. Aguascalientes, Ags., México.
INEGI, 2005. Conjunto de datos vectoriales de la carta de uso del suelo y vegetación, Escala 1:250,000, Serie III (CONTINUO NACIONAL). Instituto Nacional de Estadística y Geografía - INEGI. Aguascalientes, Ags., México.
INEGI, 2007, Instituto Nacional de Estadística Geografía e Informática (INEGI) "Localidades de la República Mexicana, 2005”, Obtenido de Principales resultados por localidad 2005, II Conteo de población y Vivienda 2005, Editado por Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO), 2007, México.
Khlopenkov, K.V., & Trishchenko, A.P. (2008). Implementation and evaluation of concurrent gradient search method for reprojection of MODIS level 1B imagery. IEEE Transaction on Geoscience and Remote Sensing. 46, 2016–2027.
Latifovic, R., Homer, C., Ressl, R., Pouliot, D., Hossain, S.N., Colditz, R.R., Olthof, I., Giri, C., Victoria, A., 2012. North American land change monitoring system. En: Giri, C., (Ed), Remote Sensing of Land Use and Land Cover: Principles and Applications, CRC-Press, pp. 303-324.
Lunetta, R.S., Alvarez, R., Edmonds, C.M., Lyon, J.G., Elvidge, C.D., Bonifaz, R., Garcia, C., 2002. NALC/Mexico land cover mapping results: implications for assessing landscape condition. International Journal of Remote Sensing, 23 (16): 3129-3148.
Luo, Y., Trishchenko, A.P. & Khlopenkov, K.V. (2008). Developing clear-sky, cloud and cloud shadow mask for producing clear-sky composites at 250-meter spatial resolution for the seven MODIS land bands over Canada and North America, Remote Sensing of Environment. 112, 4167-4185.
Olthof, I., Pouliot, D., Fernandes, R., Latifovic, R., 2005. Landsat-7 ETM+ radiometric normalization comparison for northern mapping applications, Remote Sensing of Environment, 95 (3), pp. 388–398.
Pouliot, D., R. Latifovic, N. Zabcic, L. Guindon, I. Olthof, 2014. Development and assessment of a 250 m spatial resolution MODIS annual land cover time series (2000-2011) for the forest region of Canada derived from change-based updating, Remote Sensing of Environment, 140: 731-743.
PROCEDE, 2006. Programa de Certificacion de Derechos Ejidales y Solares Urbanos (PROCEDE). Secretaría de la Reforma Agraria (SRA), Procuraduría Agraria (PA), Instituto Nacional de Estadística y Geografía (INEGI) ; Registro Agrario Nacional (RAN). Data from 1992 to 2006.
Trishchenko, A.P., Luo Y. & Khlopenkov, K.V. (2006). A method for downscaling MODIS land channels to 250 m spatial resolution using adaptive regression and normalization, Proceedings of SPIE – The International Society for Optical Engineering. 6366 – 636607, 8p.
Quinlan, J.R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
Xian, G., C. Homer, J. Fry, 2009. Updating the 2001 national land cover database land cover classification to 2006 using Landsat change detection methods, Remote Sensing of Environment, 113: 1133-1147.
Publicaciones clave
Colditz, R.R., Pouliot, D., Llamas R.M., Homer, C., Latifovic, R., Ressl. R.A., Meneses Tovar, C., Victoria Hernandez, A., Richardson, K., 2014. Detection of North American land cover change between 2005 and 2010 with 250m MODIS data. Photogrammetric Engineering & Remote Sensing, 80 (10): 918-924.
Colditz, R.R., Llamas, R.M., Ressl, R.A., 2014. Detecting change areas in Mexico between 2005 and 2010 using 250 m MODIS images. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 7 (8): 3358-3372.
Colditz, R.R., López Saldaña, G., Maeda, P., Argumedo Espinoza, J., Meneses Tovar, C., Victoria Hernández, A., Ornelas de la Anda, J.-L., Zermeño Benítez, C., Cruz López, I., Ressl, R., 2012. Generation and analysis of the 2005 land cover map for Mexico using 250 m MODIS data. Remote Sensing of Environment, 123: 541-552.
Latifovic, R., Homer, C., Ressl, R., Pouliot, D., Hossain, S.N., Colditz, R.R., Olthof, I., Giri, C., Victoria, A., 2012. North American land change monitoring system. En: Giri, C., (Ed), Remote Sensing of Land Use and Land Cover: Principles and Applications, CRC-Press, pp. 303-324.
Bandas espectrales
Las bandas espectrales describen una porción específica del espectro electromagnético en la cual son registrados valores de radiación. En el caso de la porción visible por ejemplo, el espectro es frecuentemente dividido en bandas correspondientes al rojo, verde y azul, las cuales describen la porción de la luz que representa los mismos colores respectivamente. La combinación de diferentes bandas espectrales facilita la clasificación de la cobertura de suelo, dado que cada banda representa propiedades espectrales específicas de los distintos tipos de coberturas.
Cobertura de suelo
La cobertura de suelo describe el material físico de la Tierra, de esta manera, la definición relaciona estrechamente las clases de cobertura con sus características físicas. Las clases son discernibles con relativa facilidad mediante mediciones de sensores remotos, los cuales registran la respuesta espectral de los diferentes tipos de superficies. Algunos ejemplos de clases de cobertura de suelo son; bosque, cuerpos de agua y suelos desnudos, los cuales además son comúnmente subdivididos, e.g. en bosque de coníferas y latifoliadas o perennifolio y caducifolio.
Compuesto
Un compuesto es una combinación de varías imágenes para una misma ubicación. La realización de compuestos genera conjuntos coherentes de datos espaciales de alta calidad a partir de imágenes individuales de un mismo periodo que presentan algún porcentaje de nubes, bruma o ruido del sensor. Un algoritmo de generación de compuestos fusiona imágenes individuales de un periodo específico, tanto seleccionando un valor bajo criterios determinados como calculando un nuevo valor.
Espectro electromagnético
El espectro se define como el rango de todas las posibles frecuencias de la radiación electromagnética, las cueles van desde la radiación gamma hasta las ondas de radio. La sección del espectro que resulta más importante en la percepción remota óptica es la región visible y la porción del infrarrojo.
Índice de Vegetación de Diferencia Normalizada
El índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés) representa la diferencia entre los valores de las bandas del rojo y del infrarrojo cercano dividida entre la suma de ambos. El índice indica la alta presencia de vegetación “verde” cuando los valores son cercanos a 1, mientras que los valores ligeramente superiores a 0 indican baja presencia, y los valores negativos denotan ausencia de vegetación. El índice también se usa para estimar biomasa, así como monitorear la fenología de la vegetación a lo largo del año.
Mosaico
Un mosaico es una combinación de varias imágenes de diferentes ubicaciones. Es una manera de unir imágenes individuales en un conjunto de datos con un formato común para el análisis en territorios extensos. Las imágenes son comúnmente ajustadas o normalizadas unas con otras previamente a la generación de mosaicos para conseguir conjuntos de datos coherentes. La sobreposición de áreas comunes entre imágenes es definida por reglas específicas o algoritmos para remover efectos de borde.
Sistema de clasificación de cobertura de suelo
El Sistema de clasificación de cobertura de suelo (LCCS) fue desarrollado por la Organización para la Alimentación y la Agricultura (FAO) de las Naciones Unidas. Es un esfuerzo de descripción de clases de cobertura de suelo de un modo estandarizado que se divide en dos fases: dicotómica y jerárquica-modular. El sistema facilita la interpretación de la leyenda y armonización de cartografía.
Series de tiempo
Una serie de tiempo se define como una secuencia de observaciones ordenadas temporalmente. En el caso de la percepción remota, ésta se compone de series de imágenes o mapas en los cuales cada pixel representa una serie de tiempo específica.
Story maps
Los story maps usan la geografía como medio para organizar y presentar la información. Cuentan la historia de un lugar, un evento, un problema, una tendencia o un patrón en un contexto geográfico. Combinan mapas interactivos con otros contenidos enriquecidos, como texto, fotos, vídeo y audio, en experiencias de usuario que son sencillas e intuitivas.
Uso del suelo
El uso del suelo a diferencia de la cobertura, es definido por la actividad humana en el territorio. Está clasificación principalmente no considera criterios físicos sino factores humanos y socioeconómicos, por lo que no puede ser derivada directamente de datos obtenidos por sensores remotos. Algunos ejemplos de clases de uso del suelo son; áreas industriales, puertos, o terminales aéreas, entre otros, las cuales tienen en común que se derivan de las clases de cobertura de suelo correspondientes a asentamientos humanos, también llamada con frecuencia área construida o material consolidado.