Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Cited by Google 
Similars in
SciELO 
Similars in Google 
Permalink
Introducción
A nivel mundial y en especial en los países en vía de desarrollo urge la necesidad de fortalecer las capacidades para monitorear la cobertura boscosa con la finalidad de medir el cumplimiento de la Agenda 2030 1, considerando que los bienes y servicios ecosistémicos que brindan los bosques aportan mejoras en salud, seguridad alimentaria y energética a las poblaciones que los poseen y los manejan responsablemente, lo que se traduce en contribuciones importantes al logro de muchos de los Objetivos del Desarrollo Sostenible propuestos por la Convención de las Naciones Unidas de Lucha contra la Desertificación 2.
A pesar de los múltiples beneficios que nos proporcionan estos ecosistemas terrestres la deforestación y degradación forestal siguen avanzando a una velocidad alarmante, es así que se ha calculado que en las últimas cuatro décadas se han perdido en todo el mundo 420 millones de hectáreas, siendo la causa principal la expansión agrícola que trae consigo la fragmentación y la erosión de la biodiversidad asociada al ecosistema forestal 3.
Es este contexto, surgen iniciativas globales que ofertan soluciones tecnológicas para cartografiar la cobertura del bosque, utilizando métodos sofisticados y de acceso libre para obtener resultados más exactos y al alcance de todos. El programa Copernicus dedicado a la observación de la tierra cuenta con una constelación de satélites Sentinel y otras misiones en tierra que ofrecen servicios que abordan desafíos como alimentos, agua, energía, clima y seguridad civil 4.
Es así que en el 2015 se pone en órbita el primer satélite Sentinel-2 (S-2) y en el 2017 se completa la misión con el lanzamiento y funcionamiento del segundo satélite. Cada uno de estos satélites gemelos está equipado con un instrumento óptico multiespectral (MSI, Multispectral Instrument) que permite capturar datos de 13 bandas espectrales: cuatro bandas con una resolución espacial de 10 m, seis bandas de 20 m y tres bandas de 60 m 70. Muchos estudios han demostrado que la cobertura y el tipo de bosque pueden mapearse con éxito a una resolución espacial de 10 m con los datos Sentinel-2 5. Adicional a estas características los productos S-2 presentan ciertas ventajas respecto a otras imágenes ópticas de acceso libre, debido a que a partir del 2018 el portal de Copernicus distribuye imágenes corregidas atmosféricamente 6 lo que representa un ahorro de tiempo y esfuerzo a los usuarios S-2.
No obstante, con todas las características descritas anteriormente, muchas instituciones educativas y de investigación e incluso países, aún no han optado por realizar el seguimiento de sus áreas boscosas utilizando datos procedentes de las imágenes Sentinel-2, sabiendo que son de acceso libre, directo y abierto. Por lo que el presente trabajo tiene por finalidad revisar y analizar literatura científica referente al aporte de las imágenes Sentinel-2 en el monitoreo del avance o retroceso de la cobertura boscosa en el mundo, así como la exploración de los procedimientos más comunes empleados por los usuarios finales.
Metodología
Se recopiló, filtró y sintetizó artículos científicos que contienen información sobre el uso de imágenes Sentinel-2 en el estudio de cobertura boscosa, publicados entre enero del 2015 y febrero del 2021, para lo cual se utilizó el protocolo de revisión sistemática propuesto por Prisma 2009 7. La búsqueda se llevó a cabo en dos bases de datos: Scopus y Science Direct. Para cada motor de búsqueda se exploraron solo artículos de revistas arbitrados con las palabras clave “Sentinel-2” “forest” “cover”. Para ser seleccionados los artículos debían detallar ciertos aspectos como el tipo de clasificador o algoritmo empleado para procesar las imágenes S-2, y la exactitud temática lograda en la cartografía forestal. En el caso de estudios multitemporales, tenía que detallar el aumento, mantenimiento o retroceso de los bosques, así como las causas que expliquen dicha variación en la cobertura. Se han excluido de esta revisión los estudios de uso de la tierra, cambio de uso de la tierra, áreas quemadas, incendios forestales, identificación de especies o cualquier otro tema cuyo eje central no sean los bosques en su estado natural. Se eligió un total de 65 artículos, de los cuales el 65% han sido publicados en revistas referentes a Teledetección, siendo Remote Sensing con el mayor número de registros; el 29% corresponde a revistas vinculadas al campo forestal, ciencias biológicas o agronómicas y el 6% pertenece a revistas de otra índole. Respecto al área de estudio, los trabajos se ejecutaron en bosques de los cinco continentes, siendo Asia el que presenta mayor número de registros: China (nueve); India (seis) y Vietnam (cinco). (Figura 1)
Resultados y discusión
Clasificadores de imágenes S-2
Desde la aparición de la teledetección los especialistas han desarrollado clasificadores como algoritmos e índices que les permitan extraer de las imágenes satelitales la mayor cantidad de información del terreno 19). Por un lado, una gran colección de algoritmos, desde los tradicionales hasta los más avanzados, que reagrupa los píxeles de las imágenes para ubicar, delimitar y cuantificar la cobertura terrestre. Dentro de los clasificadores tradicionales empleados por los usuarios de S-2, se ha encontrado que a pesar de basarse en estadística convencional a los de máxima probabilidad (maximum likelihood) 17,20-22) y los de distancia mínima (minimum distance) 23,24 siguen siendo de gran ayuda para discriminar bosques de otro tipo de coberturas.
Con el avance de la geoinformática han aparecido clasificadores más robustos, como los que se han implementado con base a la inteligencia artificial, y los productos S-2 están siendo procesados con algoritmos con enfoque en el aprendizaje de máquinas como Random Forest que actualmente es el algoritmo más utilizado, 8,25,26) máquinas de vector de soporte (support vector machine) , 11,14,27boosting12,28 y normal bayes. 29 Además, los autores recurren a las redes neuronales artificiales (neural network) basadas en procesos complejos como el aprendizaje profundo, para conseguir mapas de cobertura boscosa con exactitud temática muy alta. 9,30
Por otra parte, muchos autores hacen uso de los índices espectrales como clasificadores o como paso previo a la clasificación de imágenes para discriminar vegetación 13,31, siendo el índice de vegetación de diferencia normalizada (normalized difference vegetation index) el más empleado con imágenes S-2. Los usuarios utilizan este índice para comparar y comprobar datos obtenidos en Inventarios Forestales Nacionales 71 como capa de entrada para utilizar algoritmos de aprendizaje automático, 23,32-35) con algoritmos de aprendizaje profundo, 30,36 así como con otros índices espectrales. 18,37
Finalmente, los usuarios exploran métodos efectivos que completen y actualicen información explícita y detallada de los bosques, 16,14,38-42 los combina con métodos conocidos 43,44 o generan clasificadores para un determinado tipo de bosque. 45
Exactitud temática en la cartografía forestal
Uno de los aspectos más importante que se tiene en cuenta cuando se elaboran mapas forestales es la exactitud temática. Considerada como la fiabilidad de la clasificación de la imagen empleada frente a coberturas de referencias, la cual se consigue de elaborar una matriz de doble entrada donde se contrasta los aciertos o conflictos de las categorías encontradas en la clasificación versus la realidad. 18 En la Tabla 1 se muestran algunos trabajos procedentes de investigaciones de cobertura boscosa donde la toma de las imágenes corresponde a una fecha específica, indicando el clasificador utilizado junto a la exactitud temática alcanzada.
Tabla 1 Estudios transversales sobre cobertura boscosa utilizando imágenes S-2.
| País | Clasificador | Exactitud (%) | Referencia |
|---|---|---|---|
| África | SVM | 91-93 | 14 |
| Alemania y Sudáfrica | RF | 91.9 | 46 |
| Brasil | NN | 95.0 | 9 |
| China | RF | 85.3 - 91.1 | 47 |
| RF | 87.4 - 94.22 | 48 | |
| RF | 97.2 | 49 | |
| Colombia | ML | 80 | 50 |
| Estados Unidos | SVM | 74.3 | 11 |
| Etiopía y Tanzania | NDVI | 70 | 51 |
| Europa | NDVI y K- Medias | 34.8 - 92.1 | 52 |
| India | RF | 83.10 | 53 |
| Indonesia | RF | 89.4 - 91.2 | 54 |
| Irán | RF | 83.9 | 55 |
| RF | 65.5 | 56 | |
| Nueva Zelanda | SVM | 80.5 | 57 |
| Polonia | MD | 90.54 | 58 |
| ML y MD | 98.47 | 59 | |
| Serbia | NDVI y RF | 82.9 | 60 |
| Ucrania | RF | 85 | 61 |
| Vietnam | NDVI | 85.6 | 62 |
| RF | 85.7 | 63 |
RF: Random Forest, SVM: Máquinas de Vector de Soporte, NDVI: Índice de vegetación de diferencia normalizada, MD: Distancia mínima, NN: Redes neuronales artificiales y ML: Máxima probabilidad.
Para conseguir valores más cercanos a la realidad los cartógrafos del bosque han optado por fusionar datos S-2 con imágenes de otros sensores, como es el caso de Sentinel-1 (S-1), que es otra misión del programa Copernicus. Por ser un sensor óptico una de las limitantes del S-2 es la disponibilidad de imágenes sin nubes, 5 mientras que los datos procedentes de SAR (Radar de Apertura Sintética) de la banda C de Sentinel-1 por ser un sensor activo son insensibles a las nubes y pueden ser útiles para monitorear los bosques que se distribuyen en regiones que a menudo están nubladas, encontrándose que la combinación de datos S-2 y S-1 son un enfoque óptimo para conseguir mapas de mayor exactitud. 25,46,53,64 Del mismo modo, los datos del sensor activo PALSAR-2/ScanSAR combinados con S-2 mostraron mejores resultados de clasificación en clases forestales en comparación con los productos de datos de otros sensores. 62
Al respecto es conveniente mencionar que las imágenes S-2 no siempre son utilizadas como insumo principal para elaborar mapas forestales, por su resolución espacial media algunas veces son requeridas en la validación para calcular la exactitud temática de la cartografía producida con base a imágenes de otros sensores. 65,66 Finalmente, desde su aparición las imágenes S-2 han sido comparadas con productos de otros sensores obteniendo mayor exactitud temática cuando las han comparado con su mayor competidor Landsat 8 18.
Análisis multitemporal de la cobertura boscosa
A diferencia de los estudios revisados en el acápite anterior las investigaciones que analizan el dosel forestal en periodos de tiempo prolongados denominadas multitemporales nos permiten graficar la dinámica de la cobertura y cómo esta puede aumentar, disminuir o mantenerse en el tiempo. En la Tabla 2 se muestran algunas investigaciones de tipo longitudinal sobre el seguimiento de la cobertura forestal; si bien el primer satélite S-2 fue puesto en órbita el 2015, sus imágenes son utilizadas en estudios de décadas atrás complementando la información espacial proporcionada por los satélites Landsat. 17,21,67,68 En los casos donde se hizo el seguimiento a hechos que afectan los bosques como la deforestación, ha sido posible determinar los años en que ocurren los picos más altos y bajos 8 lo que no deja duda de que el monitoreo y cartografiado de las tierras forestales acompañado de un análisis temporal proporcionan información útil para desarrollar políticas necesarias para proteger estos ecosistemas 69.
Tabla 2 Estudios multitemporales sobre cobertura boscosa utilizando imágenes S-2.
| País | Clasificador | Exactitud | Cobertura | Referencia |
|---|---|---|---|---|
| Brasil | RF | 97 | Se mantuvo | 8 |
| Camerún | No especifica | No especifica | Se mantuvo | 15 |
| Ghana | ML | 72 | Se redujo | 68 |
| India | SVM | 93 - 94 | Se incrementó | 27 |
| India | NDVI y otros índices | No especifica | Se redujo | 37 |
| India | ML | 85.67 | Se incrementó | 20 |
| India | ML | 89.44 | Se redujo | 21 |
| Malasia e Indonesia | NDVI y Análisis de Vector de Cambio | 89 | Se redujo | 42 |
| Perú | ML | 88 | Se redujo | 10 |
| Tanzania y Kenia | RF | 0.57 | Se redujo | 26 |
| Togo | ML | 97 | Se redujo | 22 |
| Vietnam | NDVI y Algoritmo de similitud de superposición | 83 | Se redujo | 16 |
| Vietnam | NDVI | 79.5 - 85.6 | Se incrementó | 67 |
| Vietnam | ML | 91 | Se incrementó | 17 |
RF: Random Forest, SVM: Máquinas de Vector de Soporte, NDVI: Índice de vegetación de diferencia normalizada y ML: Máxima probabilidad.
Causas de la pérdida y ganancia de la cobertura boscosa
Para poder comprender el proceso de la disminución y aumento de la cobertura forestal es necesario conocer las causas directas e indirectas que están estrechamente vinculadas a las políticas aplicadas por los gobiernos hacia los bosques. Como se trató en el acápite anterior, la situación actual de estos ecosistemas difiere entre países, encontrándose más vulnerables principalmente en aquellos que se encuentran en vía de desarrollo. Tanto en Sudamérica como en África Central la cobertura boscosa se está perdiendo a una velocidad alarmante, siendo la causa principal la tala de árboles para ganar tierras destinadas a la agricultura y la ganadería. En Perú por ejemplo, las plantaciones de palma aceitera están reemplazando los bosques amazónicos, este cultivo está siendo establecido por pequeños propietarios y por las grandes industrias, como consecuencia de vacíos en las políticas gubernamentales que incentivan indirectamente la expansión de la palma aceitera dentro de bosques primarios, 10 similar escenario ocurre en Camerún y Togo, donde la pérdida de bosques está directamente relacionada con la expansión de palma aceitera, el aumento de la población, los incendios forestales y la extracción de madera. 15,22 Además, existen otras causas de origen natural que atentan contra la integridad de los bosques, como es el caso de los manglares ubicados en las islas indias, que son eventualmente afectadas por los tsunamis ocurridos en el océano Índico y el aumento del nivel del mar 37.
Cabe resaltar que no todo ha sido retroceso también hubo un incremento de los bosques como lo ocurrido en algunos países asiáticos. El área boscosa de Vietnam se incrementó hasta en un 8% posterior a la guerra debido a la implementación de proyectos de plantaciones, las buenas prácticas y la gestión a nivel local. 17,62,67 Del mismo modo en la India ocurrió un aumento significativo de la extensión de manglares debido que se llevaron a cabo acciones de plantación, concientización de la población, restauración de áreas degradadas y ejecución de planes de manejo forestal en la zona costera 27.
Conclusiones
Los estudios han demostrado que las imágenes S-2 presentan un gran potencial para el monitoreo sistemático y continuo de las tierras forestales en todo el mundo, los autores utilizan diferentes clasificadores para procesar las imágenes S-2 siendo los más empleados los desarrollados con estadística convencional y últimamente con inteligencia artificial, logrando conseguir cartografía forestal con exactitud temática superior al 80% en la mayoría de los casos. Además, los trabajos longitudinales han permitido determinar el avance o retroceso de la cobertura boscosa, siendo los bosques de Sudamérica y África los que se encuentran en situación vulnerable, a consecuencia de la deforestación realizada para ganar tierras y destinarlas a la agricultura, mientras que en algunos países de Asia la cobertura boscosa se ha incrementado gracias a los programas de reforestación y manejo forestal comunitario.
La política de libre acceso de S-2 ofrece oportunidades para las organizaciones gubernamentales y la comunidad científica y académica para el estudio cuali-cuantitativo de los bosques amazónicos, andinos y secos del Perú elaborando cartografía forestal de alta exactitud temática que permita identificar los motores de deforestación y proporcione información relevante para ajustar políticas públicas en aras de la conservación y el aprovechamiento racional de estos ecosistemas.
