América Latina y el Caribe

<2>Red Latinoamericana de Seguimiento y Estudio de los Recursos Naturales (SERENA)

La Red Latinoamericana de Seguimiento y Estudio de los Recursos Naturales (SERENA) es un proyecto que fue desarrollado principalmente por miembros de la Red Latinoamericana de Teledetección e Incendios Forestales (REDLaTIF), la cual es un organismo regional del programa de Observación Global de la Dinámica de los Bosques y la Cobertura de suelo (GOFC-GOLD).

El GOFC-GOLD representa un esfuerzo de cooperación internacional, en el que se trabaja para proporcionar información de cobertura forestal y otros tipos de vegetación con base en el uso de plataformas satelitales y observaciones in situ, todo esto para facilitar el manejo sustentable de los recursos terrestres, así como generar un entendimiento más preciso y confiable de los cálculos para obtener balance de carbono. La REDLaTIF por su parte, se enfoca de manera más específica en la generación de productos basados en datos satelitales para el estudio de incendios forestales, y fue en esta red que se implementó el proyecto SERENA con el objetivo de monitorear, estudiar y difundir información asociada a la quema de biomasa (incendios forestales) y cambios en la cobertura y uso de suelo en América Latina y el Caribe. Las actividades llevadas a cabo en el marco del proyecto SERENA fueron realizadas por un grupo de 18 instituciones de 10 países, involucrando un total de 53 investigadores. El trabajo fue financiado durante cuatro años (2008-2011) gracias al apoyo del Programa Iberoamericano de Ciencia y Tecnología para el Desarrollo (CYTED, número de financiamiento: 508AC0352), y coordinado por el Instituto Nacional de Tecnología Agropecuaria (INTA) de Argentina.

Las actividades del proyecto basadas en técnicas de percepción remota para el mapeo de cobertura de suelo fueron coordinadas por el Centro Nacional Patagónico (CENPAT), mientras que el procesamiento de los datos fue realizado conjuntamente por personal de la mencionada institución al igual que del INTA y la CONABIO. Adicionalmente, otros miembros regionales del proyecto ayudaron en la compilación y generación de datos de referencia para el entrenamiento del algoritmo de clasificación y la validación del producto mediante la evaluación del mismo. Las siguientes instituciones fueron las que participaron en el mapeo de la cobertura de suelo de América Latina y el Caribe:

La meta del grupo de mapeo de cobertura de suelo fue generar un mapa consistente para toda América Latina y el Caribe, con los siguientes objetivos específicos:

  • Emplear conocimiento local de los miembros de la red SERENA para generar datos de entrenamiento y validación.
  • Establecer una referencia en el mapeo de cobertura de suelo basado en árboles de decisión mediante el uso de series de tiempo de productos MODIS.
  • Estimar las pertenencias de clase en la heterogeneidad parcial de los píxeles, común en los mapas de cobertura de suelo de baja resolución.

Es importante mencionar que con anterioridad han sido elaborados mapas de cobertura de suelo que cubren América Latina y el Caribe de un modo consistente, pero son en su mayoría parte de un . Existen desventajas específicas de ese tipo de productos, como baja exactitud, la cual oscila entre 50-75%, además de una relativa baja resolución e insuficientes capacidades para representar clases mixtas. En este sentido, se puede hacer referencia a con mayor detalle o mayor exactitud. Para ver más información sobre productos de cobertura de suelo a nivel global y regional se puede consultar el Land Cover Institute (LCI) del Servicio Geológico de los Estados Unidos.

La metodología para el mapeo de la cobertura de suelo en el proyecto SERENA resulta muy similar a la del Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte (NALCMS).

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. Mapas específicos de cobertura de suelo para Sudamérica o Latinoamérica y el Caribe

Producto Siglas Sensor satelital Resolución espacial [m] Año Clases Exactitud global [%] Referencia Acceso
Global land cover 2000, South America GLC2000 SPOT-VGT 1000 2000 40+ NA Eva et al. 2004
South America land cover   ENVISAT-MERIS 300m 2008, 2010 9 NA Hojas Gascon et al. 2012 NA
Annual land cover time series for Latin America and the Caribbean   Terra-MODIS 250 m 2000-2010 anual 8 80 Clark et al. 2012 NA

Referencias

  • Clark, M.L., Aide, T.M., Riner, G., 2012. Land change for all municipalities in Latin America and the Caribbean assessed from 250-m MODIS imagery (2001-2010). Remote Sensing of Environment, 126, 84-103.
  • Eva, H., Belward, A., De Miranda, E., Di Bella, C., Gond, V., Huber, O., Jones, S., Sgrenzaroli, M. Fritz, S., 2004. A land cover map of South America, Global Change Biology, 10, 731–744.
  • Hojas Gascon, L. H., Eva, H. D., Gobron, N., Simonetti, D., Fritz, S., 2012. The Application of Medium-Resolution MERIS Satellite Data for Continental Land-Cover Mapping over South America-Results and Caveats, En C. P. Giri (Ed.). Remote Sensing of Land Use and Land Cover: Principles and Applications. Boca Raton, Fl: CRC/Taylor & Francis.

Datos satelitales

animación de datos satelitales

Animación de datos (compuestos mensuales) para América Latina y el Caribe (2008)

El proyecto utilizó datos diarios de reflectancia de la superficie derivados del sensor MODIS-Terra (MOD09GA de la colección 5) para el año 2008, los cuales fueron descargados sin costo del Portal del “Centro de Distribución de Archivos Activos de Procesos Terrestres” (LP DAAC por sus siglas en inglés) de la NASA. El producto MOD09GA contiene 7 bandas espectrales a 500 m de resolución espacial (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) y en total se obtuvieron 20,069 imágenes de 47 cuadrantes de la cuadrícula sinusoidal de MODIS (365 imágenes de enero a diciembre de 2008, así como 31 imágenes de diciembre de 2007 y 31 imágenes de enero de 2009 para mejorar la interpolación temporal), las cuales fueron filtradas para eliminar observaciones de baja calidad y aquéllas con un ángulo cenital mayor a 45°, para finalmente generar compuestos mensuales (Blanco et al. 2013).

Datos auxiliares

Los conjuntos de datos auxiliares incluyeron información de la Shuttle Radar Topography Mission (SRTM) de 90 m de resolución, e información de variables bioclimáticas obtenida de la base de datos WorldClim a 30 segundos de arco (aproximadamente 1 km) de resolución espacial (Hijmans et al. 2005). Se utilizaron 13 capas de datos derivados:

  • Modelo Digital de Elevación: altitud, pendiente y orientación de laderas.
  • Temperatura: temperatura media anual (Bio 1), oscilación diurna de la temperatura media (Bio 2), estacionalidad de la temperatura (Bio 4), temperatura máxima del mes más cálido (Bio 5), temperatura mínima del mes más frío (Bio 6), oscilación de la temperatura anual (Bio 7).
  • Precipitación: precipitación anual (Bio 12), precipitación del mes más húmedo (Bio 13), precipitación de mes más seco (Bio 14), y estacionalidad de la precipitación (Bio 15).

Datos de referencia

Los datos puntuales para el entrenamiento y validación del algoritmo de clasificación fueron recopilados a partir de bases de datos existentes, así como de algunas otras fuentes cartográficas o de imágenes satelitales de más alta resolución (Landsat 5TM, 7ETM+, Google Earth). En este sentido, expertos regionales de la red SERENA fueron indispensables para la homologación de leyendas de mapas regionales y locales con el sistema de clasificación del proyecto. Toda la cartografía regional considerada, se integró para generar un mapa continental de referencia que cubrió el 78% del área de estudio. A partir de dicho producto, se obtuvieron puntos de cobertura de suelo aplicando una estrategia de muestreo aleatorio en América Central y del Sur con al menos 5,000 m de distancia entre cada uno. La asignación de clases temáticas en cada punto fue revisada por expertos regionales, y en el caso de México, la base de datos existente del proyecto NALCMS (121,169 puntos de muestreo) también fue empleada para este estudio.

Para las clases específicas de Cuerpo de agua, Nieve y hielo permanente, Asentamiento humano, y Salina, se generaron máscaras a partir fuentes de datos existentes que fueron sobrepuestas en la clasificación final.

Proyección

Todos los datos utilizados en el proyecto SERENA fueron generados en Proyección Azimutal Equiareal de Lambert con origen en los 70°O y 10°S, sin asignar falsos Norte y Este. El datum está basado en una esfera con radio de 6,370,997 m, y todos los datos en formato raster están referenciados a coordenadas específicas (para más detalle ver metadatos).

Zonas de mapeo

El conjunto de datos continentales fue dividido en dos regiones, las cuales fueron clasificadas separadamente y unidas en el Istmo de Darién, en la frontera entre Panamá y Colombia:

  • América central y el Caribe (incluyendo las Antillas mayores y menores)
  • América del sur

La leyenda fue definida en tres niveles jerárquicos por un grupo de miembros de la red SERENA, y está basada en las definiciones del sistema de clasificación de cobertura de suelo de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO; LCCS; Di Gregorio 2005). Los tres niveles conformados por 12, 19 y 22 clases temáticas respectivamente, están estrechamente relacionados con los niveles del Sistema de Monitoreo del Cambio en la Cobertura de Suelo de América del Norte (NALCMS; Latifovic et al. 2012). La principal diferencia es la distinción de las clases tropicales y subtropicales que fueron agrupadas en el proyecto NALCMS, debido a la poca presencia relativa de estos tipos de cobertura de suelo en regiones de América del Norte en comparación con América Latina y el Caribe. La siguiente tabla muestra la leyenda jerárquica y la definición de cada clase según Blanco et al. (2013).

Nivel I Nivel II Nivel III
1. Bosque de latifoliadas 1. Bosque de latifoliadas tropical
2. Bosque de latifoliadas subtropical
3. Bosque de latifoliadas templado
2. Bosque de coníferas 4. Bosque de coníferas subtropical
5. Bosque de coníferas templado
3. Bosque mixto 6. Bosque mixto
4. Arbustal 7. Arbustal tropical
8. Arbustal subtropical
9. Arbustal templado
5. Pastizal 10. Pastizal tropical
11. Pastizal subtropical
12. Pastizal templado
6. Cuerpo de agua 13. Cuerpo de agua
7. Área urbana 14. Área urbana
8. Hielo y nieve permanente 15. Hielo y nieve permanente
9. Suelo desnudo 16. Suelo desnudo
10. Cultivo 17. Cultivo
11. Humedal 18. Humedal
12. Salina 19. Salina
13. Aguas oceánica 20. Agua oceánica
14. Sin datos 21. Sin datos

La metodología para la asignación de clases de cobertura de suelo en SERENA es muy similar al procedimiento de mapeo en NALCMS para México (Colditz et al. 2012). Al igual que en el proyecto NALCMS, se generó un primer conjunto de datos con las bandas espectrales 1 a 7 del sensor MODIS para cada mes, y se calculó el Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en inglés). Adicionalmente, se generó un segundo conjunto de datos para la remoción de ruido en el que se calcularon métricas simples como la media, desviación estándar, mínimo, máximo, y rango, para periodos anuales, semestrales, cuatrimestrales y trimestrales respectivamente. Los dos conjuntos de datos fueron conformados por:

  • Bandas de las imágenes y NDVI + datos auxiliares (96+13)
  • Métricas de las bandas de las imágenes y NDVI + datos auxiliares (400+13)

Las muestras previamente obtenidas fueron comparadas con el mapa de referencia y todas aquéllas que no coincidieran con la misma clase en un área circundante de 3 x 3 píxeles fueron eliminadas. El conjunto de datos completo incluyó 44,696 muestras para América Central y el Caribe, y 22,746 para América del Sur. Procesos de remuestreo equilibraron las muestras a su distribución esperada según el área en mapas de referencia, lo que redujo el número de muestras a 8,783 para América Central y el Caribe, así como 5,097 para América del Sur.

Proceso de clasificación de la cobertura de suelo para América Latina y el Caribe

Proceso de clasificación de la cobertura de suelo para América Latina y el Caribe (Blanco et al. 2013)

Se generaron árboles de decisión (Breiman et al. 1984) con el software C5.0 (Quinlan 1993) a partir de diferentes combinaciones de datos y muestras. Posteriormente, los resultados de múltiples árboles fueron combinados conservando la proporción de cada clase para cada píxel, de las cuales se derivaron las clases finales (Colditz et al. 2011, Colditz et al. 2012).

En el post-procesamiento se sobrepusieron máscaras preestablecidas para clases con poca extensión o difíciles de mapear utilizando imágenes de resolución baja. Las clases enmascaradas fueron Agua, Hielo y nieve permanente, Área urbana y Salinas.

Para aproximadamente 0.7% del área de estudio no fue posible obtener observaciones libres de nubes a partir de datos MODIS; no obstante, la cobertura de suelo fue mapeada mediante los datos auxiliares derivados de mapas de referencia.

Finalmente, para la validación de un mapa de un área tan extensa y derivado de datos de baja resolución espacial que representan un gran reto, se empleó un muestreo espacial aleatorio con 100 muestras por clase. Los analistas encargados de la validación, integrados por todos los miembros de la red SERENA, proporcionaron información de respuesta para el conjunto de datos de referencia y asignaron una clase principal, y una alternativa en caso de ambigüedad.

La metodología de la clasificación de cobertura de suelo 2008 para América Latina y el Caribe se explica detalladamente en Blanco et al. (2013).

Cobertura de suelo de América Latina y el Caribe 2008

Cobertura de suelo de América Latina y el Caribe 2008 (Blanco et al. 2013)

El mapa de cobertura de suelo de América Latina y el Caribe de 2008 muestra 22 clases de acuerdo con el tercer nivel de la leyenda SERENA. Se aplicó también un criterio de área mínima cartografiable de 100 ha (cuatro píxeles MODIS conectados, regla de ocho vecinos) para los datos que fueron liberados públicamente.

En América Latina y el Caribe, la clase dominante fue el bosque de latifoliadas perennifolio tropical (40.1%), seguido por los cultivos (17.7%). La predominancia de bosques tropicales se debe principalmente a la presencia de grandes extensiones de territorio en las partes bajas de la Amazonia.

El porcentaje de pertenencia a cada clase tiene el potencial de describir mejor la heterogeneidad de la superficie. En cada píxel el algoritmo estima la proporción de cada tipo de cobertura de suelo, la cual se suma a un valor de 100%. El resultado muestra claramente el área de predominancia y el área de coexistencia, lo que significa que múltiples clases pueden presentarse en un mismo píxel. Por ejemplo, la Patagonia es descrita como una mezcla entre pastizales templados y arbustales, así como algunas áreas de suelo desnudo.


Pertenencias de cada clase (Blanco et al. 2013) Navega con las flechas para ver las demás clases

De acuerdo con los resultados obtenidos en el proceso de validación descrito en la metodología, la exactitud global fue de 84% tomando en cuenta la asignación de clase principal y 91% considerando también la asignación alternativa como correctamente clasificada. Al graficar la exactitud global de la asignación principal en contraste con los valores de confianza del mapa, se observa que la exactitud del mapa se incrementa a 85% para píxeles con por lo menos 50% de confianza, lo que corresponde al 82% de los datos de referencia. En el umbral de 75% de la confianza del mapa, la exactitud global se incrementa a 89% para el 40% de todos los datos de referencia.

Evaluación de la exactitud global del mapa de cobertura de suelo en función de la confianza

Evaluación de la exactitud global del mapa de cobertura de suelo en función de la confianza (Blanco et al. 2013)

Los datos pueden ser obtenidos mediante solicitud previa (descarga vía ftp).

Enviar un correo electrónico a rene.colditz@conabio.gob.mx o ricardo.llamas@conabio.gob.mx.

La información es proporcionada en Proyección Azimutal Equiareal de Lambert (LAEA) con una unidad mínima cartografiable de 100 ha. Para más información específica sobre la generación del producto, referirse a los metadatos.

Revistas científicas

Blanco, P.D., Colditz, R.R., López Saldaña, G., Hardtke, L.A., Llamas, R.M., Mari, N.A., de los Angeles Fischer, M., Caride, C., Aceñolaza, P.G., del Valle, H.F., Lillo-Saavedra, M., Coronato, F.R., Opazo, S.A., Morelli, F., Anaya, J.A., Sione, W.F., Zamboni, P., Barrena Arroyo, V., 2013. A land cover map of Latin America and the Caribbean in the framework of the SERENA Project. Remote Sensing of Environment, 132: 13-31.

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.

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.

Blanco, P.D., López Saldaña, G., Colditz, R.R., Hardtke, L.A., Mari, N,A,. Fischer, A., Caride, C., Aceñolaza, P.G., del Valle, H.F., Opazo, S., Sione, W.F., Lillo-Saavedra, M., Zamboni, P., Cruz López, M.I., Anaya, J.A., Morelli, F., de Jesús, S.C., 2012. Propuesta metodológica para la cartografía periódica de la cobertura de suelo en Latinoamérica y el Caribe: Estado de situación. Revista de Teledetección, 38: 65-70. También publicado en XIV Congreso de la Asociación Española de Teledetección, AET 2011, 21-23 de septiembre, 2011, Mieres del Camino, España, pp. 141-144.

Conferencias

Aceñolaza, P.G., Blanco, P.D., Colditz, R.R., López Saldaña, G., Mari, N.A., Fischer, A., Caride, C., Sione, W.F., Zamboni, P., Rodriguez, E., Hardtke, L.A., del Valle, H.F., Opazo, S., Cruz López, M.I., Anaya, J.A., Morelli, F., de Jesús, S.C., 2010. Caracterización de la heterogeneidad en coberturas de suelo para Latinoamérica y el Caribe. En: Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2010, 8-12 de noviembre, 2010, Guanajuato, México, 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.

Blanco, P.D., López Saldaña, G., Colditz, R.R., Hardtke, L.A., Mari, N,A,. Fischer, A., Caride, C., Aceñolaza, P.G., del Valle, H.F., Opazo, S., Sione, W.F., Lillo-Saavedra, M., Zamboni, P., Cruz López, M.I., Anaya, J.A., Morelli, F., de Jesús, S.C., 2011. Propuesta metodológica para la cartografía periódica de la cobertura de suelo en Latinoamérica y el Caribe: Estado de situación y Avances. En: XIV Congreso de la Asociación Española de Teledetección, AET 2011, 21-23 de septiembre, 2011, Mieres del Camino, España, pp. 141-144. También publicado en Revista de Teledetección, 38: 65-70.

Blanco, P.D., López Saldaña, G., Colditz, R.R., Mari, N,A,. Fischer, A., Caride, C., Aceñolaza, P.G., Hardtke, L.A., del Valle, H.F., Opazo, S., Sione, W.F., Zamboni, P., Cruz López, M.I., Anaya, J.A., Morelli, F., de Jesús, S.C., 2010. Propuesta metodológica para la generación de cartografía periódica de la cobertura de suelo en Latinoamérica y el Caribe. En: Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Espacial, SELPER 2010, 8-12 de noviembre, 2010, Guanajuato, México, 1 página.

Otras publicaciones

SERENA, 2012. Mapa en tamaño póster de la cobertura de suelo de América Latina y el Caribe 2008. Distribuido por el Instituto Nacional de Tecnología Agropecuaria (INTA), Argentina.

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.

-M. en G. María Isabel Cruz López
Subcoordinadora de Percepción Remota, Dirección General de Geomática, CONABIO.
Tel: +52-55-5004 5009. Coordinación.

Colaboradores

-Paula D. Blanco, Leonardo A. Hardtke, Héctor F. del Valle, Fernando Coronato (CENPAT)
-Gerardo López Saldaña (Universidad Técnica de Lisboa)
-Carlos Di Bella, Julieta Straschnoy, Nicolás A. Mari, Ángeles Fischer, Constanza Caride (INTA)
-Pablo G. Aceñolaza, Walter F. Sione, Pamela Zamboni (Universidad Autónoma de Entre Ríos)
-Mario Lillo-Saavedra (Universidad de Concepción)
-Sergio A. Opazo † (Universidad de Magallanes)
-Fabiano Morelli (INPE)
-Jesús A. Anaya (Universidad de Medellín)
-Víctor Barrena Arroyo (Universidad Nacional Agraria - La Molina)

† difunto

Referencias

Blanco, P.D., Colditz, R.R., López Saldaña, G., Hardtke, L.A., Llamas, R.M., Mari, N.A., de los Angeles Fischer, M., Caride, C., Aceñolaza, P.G., del Valle, H.F., Lillo-Saavedra, M., Coronato, F.R., Opazo, S.A., Morelli, F., Anaya, J.A., Sione, W.F., Zamboni, P., Barrena Arroyo, V., 2013. A land cover map of Latin America and the Caribbean in the framework of the SERENA Project. Remote Sensing of Environment, 132: 13-31.

Breiman, L., Friedman, J.H., Olshen, R.A. and Stone, C.J., 1984. Classification and regression trees. Wadsworth, Belmont, CA, 358 pp.

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.

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, Rome. 208 pp.

Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G. & Jarvis, A., 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 25, 1965–1978.

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. In: Giri, C., (Ed), Remote Sensing of Land Use and Land Cover: Principles and Applications, CRC-Press, pp. 303-324

Quinlan, J.R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.

Publicaciones clave

Blanco, P.D., Colditz, R.R., López Saldaña, G., Hardtke, L.A., Llamas, R.M., Mari, N.A., de los Angeles Fischer, M., Caride, C., Aceñolaza, P.G., del Valle, H.F., Lillo-Saavedra, M., Coronato, F.R., Opazo, S.A., Morelli, F., Anaya, J.A., Sione, W.F., Zamboni, P., Barrena Arroyo, V., 2013. A land cover map of Latin America and the Caribbean in the framework of the SERENA Project. Remote Sensing of Environment, 132: 13-31.

Blanco, P.D., López Saldaña, G., Colditz, R.R., Hardtke, L.A., Mari, N,A,. Fischer, A., Caride, C., Aceñolaza, P.G., del Valle, H.F., Opazo, S., Sione, W.F., Lillo-Saavedra, M., Zamboni, P., Cruz López, M.I., Anaya, J.A., Morelli, F., de Jesús, S.C., 2012. Propuesta metodológica para la cartografía periódica de la cobertura de suelo en Latinoamérica y el Caribe: Estado de situación. Revista de Teledetección, 38: 65-70. También publicado en el XIV Congreso de la Asociación Española de Teledetección, AET 2011, 21-23 de septiembre, 2011, Mieres del Camino, España, pp. 141-144.

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.

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.

Actualizado en: 04/02/2020 - 20:22hrs.