Mapear el mundo
o
CLASlite Forest Monitoring Program
Greg Asner
Carnegie Institution for Science
at Stanford University
El Sistema de Análisis Landsat de Carnegie – lite (CLASlite) es: • Un paquete de software para monitoreo de bosques
• Ofrece identificación automatizada de la deforestación y degradación de bosques a partir de imágenes de satélite de sensores remotos
Misión
• Aumentar la capacidad (gobiernos, ONGS, instituciones académicas) para el mapeo y monitoreo de los bosques tropicales
• Ofrecer una tecnología que es fácil de utilizar y firmemente científico
Visión
• El monitoreo de bosques sea una técnica ampliamente utilizada por no expertos
• El monitoreo de bosques se aplica a la conservación ambiental, el manejo de bosques, y el desarrollo de la política de recursos
¿Qué hace CLASlite?
Cuatro funciones claves:
1. Calibración de imágenes crudas a reflectancia superficial aparente 2. Análisis espectral de datos de reflectancia a cobertura fraccional
3. Clasificación de los datos de cobertura fraccional en un mapa de cobertura boscosa 4. Detección de cambios con datos de cobertura fraccional multi-temporal para mapeo
Imagen cruda Reflectancia Cobertura fraccional Cobertura de bosque Múltiples imágenes de cobertura fraccional Deforestación compilada Perturbación compilada
Sinopsis de CLASlite
Perturbación: Bosques permanecen bosques pero pierden biomasa y cobertura del dosel del bosque; Mucho más difícil de observar Deforestación: remoción de bosques; fácilmente observada desde espacio
Monitoreo de deforestación
vs. degradación
Hechos críticos para el monitoreo
de bosques
• Más de 30% de todos los eventos de deforestación son < 25 ha en tamaño • Más de 90% de todos los eventos de perturbación son < 1 ha en tamaño
• La huella geográfica total de perturbación es 20-30 veces más grande que la de deforestación
• Por lo tanto, trabajamos para mapear degradación (<< 1 ha), también conseguiremos la deforestación.
• Se ha demostrado que Landsat y sensores parecidos son los mejores para mapear deforestación y degradación. Landsat 8 se lanzó en febrero, 2013.
Origen de CLASlite
De CLAS a CLASlite:
CLAS
(1996-2005) CLASlite v1.0(2007-2008) CLASlite v2.0(2009-2012) CLASlite v3.0(2013) Nivel de conocimiento del
usuario en la detección con sensores remotos
Alto Bajo Bajo Bajo
Frecuencia de la serie
temporal analizada Pasos de tiempo annual Sola imagen Definido por usuario Definido por usuario
Tiempo de procesamiento Entre días y semanas para una sola imagen
Horas por una sola
imagen Horas por una solaimagen < 1 hora para una sola imagen
Sistema operativo Supercomputadoras PC PC PC
Satélites soportados Landsat 5, 7 Landsat 4, 5, 7
ASTER ALI Landsat 4, 5, 7 ASTER ALI MODIS SPOT 4, 5 Landsat 4, 5, 7, 8 ASTER ALI SPOT 4, 5
Análisis de la mezcla espectral de
las imágenes de satélite
El modelo espectral de CLASlite para mapear a escala de sub-píxel:
Asner (1998) Asner y Lobell (2000) Asner y Heidebrecht (2001) Asner et al. (2004) Asner et al. (2009)
AutoMCU modelo espectral
Asner (1998) Asner y Lobell (2000) Asner y Heidebrecht (2001) Asner et al. (2004) Asner et al. (2009)Landsat-7 30m
SPOT-4 20 m
MODIS 500m
CLASlite - 9 sensors
with 10 satellites
Airborne Hi-resolution Imagery CLASlite from Landsat
May 31 1996 July 21 1997 December 28 1997
Automated Forest Change Analysis
Example from Indonesian Borneo
May 1996 to July 1997
Limitaciones de CLASlite
• CLASlite no mapea diferentes tipos de bosque (i.e. terra firme, pacal,
tahuampa), sino cobertura de bosques. Está diseñado así para minimizar la confusión causada por diferentes tipos de bosque.
• Igual que todos los métodos de sensores ópticos remotos, no puede mapear a través de las nubes.
• Igual que todos los métodos de sensores ópticos remotos, no puede mapear bosque donde el terreno está cubierto por sombra, debido a cuestas
¿Qué hay de nuevo en CLASlite 3.0?
La versión 3.0 de CLASlite ha incorporado avances importantes en diferentes áreas. Las nuevas capacidades incluyen:
• Bibliotecas espectrales ampliadas para todos los bosques tropicales, desde tierras bajas hasta ecosistemas montañosas
• Mejoras en los algoritmos de mapeo de deforestación y perturbación
• Análisis mas rápido de la mezcla espectral de las imágenes de satélite que soportan el mapeo de cobertura y cambio del bosque
• Remoción de ruidos en las imágenes controlada por el usuario, para personalizar las salidas de mapeo de deforestación y perturbación
• Procesamiento por lotes de imágenes de deforestación y perturbación, hasta de 1000 entradas a la vez
CLASlite está siempre en evolución
Aumento de capacidad enfocado en alianzas institucionales e
implementación de proyectos conjuntos
i.e. gobiernos de Perú y Colombia
Aumento de capacidad
Desarrollo técnico
Aumento de capacidad a través de talleres de capacitación
Unos 500 entrenados y licenciados usuarios en casi 300 instituciones
CLASlite v3.0 CLASlite v1.0 – v2.3
Primer taller de capacitación en
CLASlite: IBC Lima, 2008
Comunidad global de usuarios
Actualmente tenemos algo más de 780 usuarios y 289 instituciones. Además, tenemos sobre 100 solicitantes de capacitación de Bélgica, Camboya, China, Italia, Kenia, Nepal, Países Bajos, Malasia, Tanzania, Tailandia, el Reino Unido, los EE.UU. y por todo América Latina.
Universidad de Papua New Guinea
Degradación de bosque en Borneo malasio
Cobertura y condición de bosque en Borneo malasio y en Brunei en 2009. Demuestra
bosque intacto, bosque degradado, manglares, plantaciones y
Herencia
Deforestación en Bolivia
ONG boliviano que promociona desarrollo sustentable en Amazonia Analizaron imágenes, gratuitamente disponible por Landsat, a través de los 6.4 millones hectáreas del
Departamento de Pando.
La investigación determinó que entre 1985 y2011, Pando perdió 328,577 hectáreas de bosque, cantidad que representa aproximadamente 5.1% del área total y 5.8% del área boscoso del Departamento.
Universidad Yale
Palma aceitera en Indonesia, deforestación y emisiones del carbono
Evalúa el desarrollo de palma aceitera en
Kalimantan (538,346 km2) entre 1990-2010, y el
aumento de proyectos hasta 2020 en arrendamientos asignados por el gobierno
Con análisis basados en CLASlite, determinaron las coberturas de varios superficies. Relacionando esos resultados con datos del carbono, desarrollaron las primeras estimaciones de alta resolución del flujo del carbono en plantaciones en Kalimantan.
Entre 1990-2010, 90% de las tierras que se
convirtieron en palma aceitera eran bosque (47% intacto, 22% talado, 21% agro-forestales).
IPAM
Determinantes espacial y temporal de incendios forestales en la frontera amazónica
de deforestación, implicaciones para emisiones del carbono
Universidad Stanford
Broadbent et al. Biological Conservation (2008)
WCS y WWF
Utilizando CLASlite, WCS y WWF proporcionaron el primer análisis de alta resolución de la tala ilegal en el Parque Nacional de Masoala, Madagascar, entre 2005 y 2011. La investigación abarcó una región de terreno remoto y montañoso.
Descubrieron que la tasa del cambio de bosque en 2010-2011 (1.27%) fue mucho mayor que en 2005-2008 (0.99%), y que la tasa actual es mucho mayor que la tasa nacional publicada más recientemente (método CI).
Allnutt et al. Biological Conservation (2013)
Carnegie-DGOT
Minería de oro en la Amazonia peruana:
precios globales, deforestación
IDEAM
Mapa nacional colombiano del cambio de cobertura boscosa
2000-2007, basado en CLASlite
Mapeo nacional encabezado por DGOT
Mosaicos de imágenes
Compuesto del mejor píxel Problemas por el corrector scan-line Nubes y sombras de nubes
Compuestos de imágenes
DGOT deforestación, 2000-2011
2010-2011 2009-2010 2005-2009 2000-2005
Ranking de las Regiones con más alta tasa de deforestación en el Periodo de análisis 2000-2005
Ranking de las Regiones con más alta tasa de deforestación en el Periodo de análisis 2005-2009
DGOT-MINAM’s Forest
Monitoring System
Departamento Tasa de Deforestación (ha/año.) 2000-2005 2005-2009 2000-2009 Amazonas 3,817.53 9,335.79 6,270.09 Ayacucho 2,071.51 1,009.64 1,599.57 Cajamarca 292.82 1,739.18 935.65 Cusco 11,772.68 24,450.75 17,407.38 Huancavelica 109.17 507.06 286.01 Huánuco 11,830.21 16,790.42 14,034.75 Junín 4,498.00 9,882.11 6,890.94 La Libertad 353.72 216.92 292.92 Loreto 16,672.32 31,932.05 23,454.42 Madre de Dios 4,325.46 3,706.93 4,050.56 Pasco 4,203.11 10,482.93 6,994.14 Puno 5,163.39 3,722.11 4,522.82 San Martín 9,309.56 27,502.38 17,395.26 Ucayali 16,678.60 22,056.89 19,068.95 TOTAL 91,098.10 163,335.16 123,203.46
Data for Many Applications,
Programa DGOT de capacitación en
CLASlite
Como parte del programa DGOT para aumentar capacidad en el manejo de la tierra, SIGMINAM ha capacitado más de 112 gobierno, ONG y otras instituciones en:
San Martín Loreto Ucayali Pasco Junín Madre de Dios Cusco Amazonas
CLASlite Global curso de
capacitación en línea
• Elimina el factor limitante para diseminación de CLASlite: capacitación • Gratis
• Accesible a cualquier persona en el mundo (excepción: instituciones con fines de lucro)
• Accesible a usuarios que trabajan con bajo ancho de banda • Eficaz: aprox. 10 horas para cumplir, en vez de un taller de 2 días • CLASlite Equipo disponible para apoyo adicional
• Culmina en certificación y una licencia CLASlite de 1 año, que es renovable • Usuarios siguen dedicándose a CLASlite, compartiendo historias de éxito y
ayudándonos a seguir desarrollando la tecnología
