CARTOGRAFÍA DEL USO Y COBERTURA DEL SUELO DE LA CUENCA DEL RIO NEGRO 2020/2021

CARTOGRAFÍA DEL USO Y COBERTURA DEL SUELO DE LA CUENCA DEL RIO NEGRO 2020/2021

División de Información Ambiental DINACEA - Ministerio de Ambiente

Octubre 2021

I. INTRODUCCIÓN Y JUSTIFICACIÓN

El mapeo del uso y cobertura del suelo tiene una gran importancia en el manejo de los recursos naturales y en la toma de decisiones a nivel nacional. Asimismo, representa un insumo central para la gestión y la planificación de actividades en el territorio. De hecho, la Convención Marco de las Naciones Unidas sobre el Cambio Climático ha identificado a la cobertura terrestre como uno de los indicadores esenciales de la variación climática, y recomienda realizar el seguimiento de la cobertura para mitigar la emisión de gases de efecto invernadero (Iversen, Lee, Rocha, 2014).

En los últimos años, el territorio uruguayo ha estado inmerso en fuertes procesos de cambios del uso/cobertura del suelo (UCS) (Paruelo et al., 2006; Brazeiro, et al., 2008). El porcentaje de pastizal natural fue uno de los ecosistemas más afectados y se estima que su superficie en el país decreció de 71 a 55 % durante el período 2000 a 2011/2012 (Baeza, et al., 2016). Tales variaciones estuvieron asociadas principalmente al incremento de cultivos perennes (forestaciones de pinos y eucaliptos) y anuales, destacándose la soja dentro de estos últimos (García, et al., 2010; Arbeletche y Gutiérrez, 2010). Estas dinámicas se vinculan a factores políticos, tecnológicos, económicos, entre otros (Paruelo, et al., 2006). En lo particular, es probable que la Cuenca del Río Negro (CRN) siga experimentando significativos cambios en el UCS, derivados principalmente de la incorporación de una nueva planta de pasta de celulosa (UPM 2). Ello repercutirá directamente en un incremento de la superficie forestal, principal insumo para esta cadena agroindustrial. Dentro de las principales implicancias ambientales de estos cambios en el UCS se encuentra la afectación de la calidad del agua, como resultado de un mayor vertido de agroquímicos a través de la escorrentía superficial, la pérdida de biodiversidad, afectación en la fertilidad del suelo, etc. (Instituto Nacional de Investigación Agropecuaria, 2011). Los datos generados a partir de esta clasificación pueden ser un aporte para diversos estudios en los que se considere el UCS de dicha cuenca y su relación con algunas variables ambientales.

Objetivo

Elaborar un mapa de usos y coberturas del suelo para la Cuenca del Río Negro para el año agrícola 2020/2021 (extendido desde julio de 2020 hasta junio de 2021), con base en imágenes satelitales adquiridas a través de los sensores Sentinel 1 (S1) y Sentinel 2 (S2), de la Agencia Espacial Europea (ESA) e información complementaria.

1. MATERIALES Y MÉTODOS

La creación del mapa de UCS para la totalidad de la CRN, constó de 6 etapas que serán detalladas más adelante: 1.1 Diseño de la leyenda, 1.2 Búsqueda de los datos, 1.3 Creación de máscara de nubes y sombras para los productos S2, 1.4 Clasificación supervisada, 1.5 Mejoras y 1.6 Validación. La metodología presentada se basa en el uso de herramientas de sensoramiento remoto de acceso libre y gratuito, con el objetivo de poder ser replicadas por parte de técnicos de la División de Información Ambiental (DIA - Ministerio de Ambiente). Para esa razón, se decidió trabajar con la plataforma Google Earth Engine (GEE) (Gorelick, 2017),

junto con los software gratuitos QGIS y GRASS. La primera es una herramienta web que además de facilitar la búsqueda y descarga de algunos recursos (imágenes/productos) de baja y media resolución espacial; es robusta para la ejecución de diversas rutinas de procesamiento digital de imágenes satelitales (PDI); lo cual ha sido demostrado en trabajos como los de Huang y otros (2017), Xiong y otros (2017). El flujo de trabajo presentado en este informe (Figura 1), se basa en la clasificación supervisada de imágenes satelitales S1 y S2 en los estratos señalados en el siguiente apartado (1.1. Diseño de la leyenda). La clasificación de imágenes hace referencia a la tarea de extraer clases de información de una o varias imágenes multibanda.

Figura 1. Diagrama de flujo de las etapas para la creación del mapa de uso/cobertura del suelo para la Cuenca del Río Negro 2020-2021.

Para elaborar el presente mapa se trabajó con la intención de cubrir todo el territorio de la cuenca, incluyendo una parte de la cuenca fuera de los límites del país, perteneciente a la República Federativa de Brasil (Figura 2). Para definir los límites de estudio se utilizaron los archivos geográficos correspondientes a la CRN (Nivel 1), provenientes de la Dirección Nacional de Agua (DINAGUA) del Ministerio de Ambiente (MA) y del Instituto Brasileño de Geografía y Estadística (IBGE).

Figura 2. Límites de la Cuenca del Río Negro.

1.1 DISEÑO DE LA LEYENDA

Dadas las actuales necesidades de información espacial aplicada a la gestión del medio ambiente, fueron consideradas las siguientes categorías para la leyenda: bosque nativo, cuerpo de agua, forestación, cosecha forestal, plantación/rebrote forestal, área inundable/humedal, campo natural, área urbana/infraestructura, cultivo agrícola de verano, cultivo agrícola de invierno, cultivo de arroz, doble cultivo agrícola, suelo desnudo, rastrojo agrícola y arena.

A continuación se describen y ejemplifican algunas de las clases de interés a través de una visualización falso color combinación (B8/B11/B4) de sub-escenas Sentinel 2:

Campo natural: espacios caracterizados por la presencia predominante de vegetación herbácea natural (fundamentalmente gramíneas) y herbácea semi - natural. En esta categoría también se incluyen afloramientos rocosos.

Cuerpos de agua: comprende los cuerpos de agua continentales, tanto los de origen natural como los artificiales. Dada la resolución espacial de las imágenes empleadas y dentro de los alcances del proceso de clasificación supervisada, se incluyeron algunos cursos de agua cuyo ancho de canal fuera de al menos 10 m.

Agrícola: espacios destinados para la agricultura, que al momento de captura de las respectivas imágenes satelitales se encontraban provistos de biomasa aérea o bien, en estado de transición (suelo desnudo, barbecho o mezclado con escasa biomasa).

Forestaciones: áreas predominantemente ocupadas por árboles implantados exóticos, particularmente de los géneros Pinus y Eucalyptus.

Bosque nativo: se refiere a áreas de superficie boscosa que mantienen de forma inalterada sus características naturales. Se incluyen en esta categoría todos los tipos de bosque nativo (e.g.

serrano, de quebrada, de parque y de galería) salvo el caso de comunidades de palmares.

Área urbanizada: espacios destinados para la actividad comercial, residencial, de transporte (excluyendo la red vial), servicios e industrial; independientemente de que se encuentren en un entorno urbano o rural. Eventualmente incluye áreas cubiertas con vegetación artificial no agrícola (por ejemplo parques y distintas instalaciones deportivas).

Humedales: corresponde con zonas planas que se inundan de forma intermitente o permanente. En el área de estudio se encuentran humedales ribereños y lacustres, que dan lugar a ecosistemas híbridos entre los terrestres y acuáticos.

Arena: consiste en acumulaciones de sedimentos (concretamente arenas) en las márgenes de ejes fluviales y zonas lacustres.

Cosecha forestal: como producto de la actividad forestal, esta categoría refleja la transición de cubiertas ocupadas por árboles implantados, hacia un sustrato similar al suelo desnudo.

Implica cosechas forestales donde posiblemente se mantenga el uso forestal.

Figura 3. Descripción y visualización de ejemplos de las clases de la leyenda.

Debido a que se crearon dos compuestos de imágenes S2 de distintos períodos de tiempo para la clasificación (ver 1.2. Búsqueda de datos) pudiendo existir cambios durante ese período, se decidió estratificar la clase correspondiente al UCS forestal en tres estratos:

forestación, cosecha forestal y plantación/rebrote forestal. La clase de cosecha forestal corresponde a suelos con plantaciones forestales en el período de “invierno” 2020 (T1), que fueron cosechadas para el período de “verano” 2021 (T2). De forma inversa, se diferenció una clase para aquellas coberturas que aparecen cosechadas en T1 y luego (en T2) se identifica cierto componente vegetal debido a reforestaciones y manejo de rebrotes.

Para la clase de UCS agrícola, se decidió estratificar la misma en cinco estratos en base a diferencias en las respuestas espectrales, diferencias fenológicas y en los estadíos de los distintos cultivos, observadas en la series temporales utilizadas. Se decidió clasificar en:

cultivos agrícolas de verano (secano), cultivos agrícolas de invierno, cultivos de arroz, doble cultivo agrícola, superficie con rastrojo o barbecho agrícola y superficie laboreada o sin componente vegetal (suelo desnudo). Cabe destacar que en la presente clasificación, la superficie correspondiente a pasturas implantadas probablemente sea clasificada dentro de algunas de estas categorías de uso agrícola.

1.2 BÚSQUEDA DE LOS DATOS

La búsqueda de los datos “preparados para el análisis”, intercalibrados y que cumplen con los requisitos de calidad geométrica y radiométrica, se hizo en la nube por medio de la plataforma GEE. Pensando en el objetivo, se optó para el empleo conjunto de imágenes S1 y S2 para sacar partido de las primeras en cuanto a la sistemática adquisición de datos libres de nubes (radar de apertura sintética), y el potencial de discriminación espectral de los recursos ópticos. En principio se pretendió contar con un grupo de imágenes que abarcase toda la cuenca para una misma fecha de captura, no obstante, la presencia de nubes o de áreas sin datos, dificulta este lineamiento. Como solución y acorde a la disponibilidad de productos bajo condiciones idóneas, se confeccionaron compuestos de imágenes utilizando reductores para elegir los valores de medianas en el “stack” de píxeles de la colección de imágenes. La colección de imágenes de S2 se estructura de tal forma que, definiendo los parámetros de

fechas y filtro de nubes, se seleccionan todas aquellas imágenes que cumplan con estos criterios.

Se utilizaron imágenes provenientes de la misión S2 correspondientes al Nivel 2A (con correcciones radiométricas y atmosféricas) y Sentinel 1 (SAR, radar). Los productos de Nivel 2A se entregan con una distancia de muestreo del suelo (GSD) constante de 10, 20 y 60 metros, dependiendo de la resolución nativa de las diferentes bandas espectrales. Las imágenes multiespectrales S2 (MSI) contienen 13 bandas espectrales: cuatro bandas a 10 metros, seis bandas a 20 metros y tres bandas a 60 metros de resolución espacial. La frecuencia de visita de cada satélite S2 es de 10 días y la visita de la constelación combinada es de 2 a 5 días. La resolución radiométrica es de 12 bits y la resolución espectral es de cuatro bandas en el visible y nueve en el infrarrojo cercano y medio. La geolocalización absoluta se monitorea constantemente para los productos S2 y el error de co-registro entre imágenes es menor de 0,3 píxeles, con una confianza del 99,7%, para todas las bandas medidas.

En este sentido y conforme a lo reflejado en la Tabla 1, se remarca:

● Los datos S1 fueron originalmente capturados con polarización vertical – horizontal (VH), modalidad Interferometric Wide (IW) y con 10 m de resolución espacial. La disponibilidad en GEE corresponde con un nivel de procesamiento Ground Range Detected (GRD), lo cual directamente posibilitó las posteriores tareas de PDI. En definitiva, fueron conformados cinco compuestos mensuales (o mosaicos) de mediana que abarcaron el período comprendido desde octubre de 2020 hasta febrero de 2021.

● A partir de las imágenes S2 (con una corrección atmosférica LIBRADTRAN) fueron conformados dos productos tipo: el compuesto RGB y los compuestos del Índice de Vegetación Normalizado (o NDVI por sus siglas en inglés) (Rouse et al., 1974). En este punto, se generaron para toda la cuenca en cuestión, 12 compuestos mensuales correspondiente a las medianas de NDVI, cubriendo el período julio de 2020 - junio de 2021, para luego agregar esta información en un “stack” multibanda.

● Conteniendo la totalidad de bandas disponibles para S2, fueron elaborados dos mosaicos RGB que temporalmente abarcan dos horizontes: uno que inicia a mitad de agosto y culmina en setiembre del 2020 (T1) y el otro desde finales de febrero hasta mediados de abril de 2021 (T2). Un requisito esencial fue disponer exclusivamente, de aquellas escenas que contasen con una cobertura nubosa prácticamente nula (1%<).

● En general, los criterios temporales definidos en el presente apartado, fueron útiles para acentuar las diferencias espectrales en función de la dinámica fenológica de la vegetación y de los cultivos.

Tabla 1. Tipo de compuestos (mediana) creados, según período de referencia y cantidad de imágenes empleadas.

Compuesto mensual de mediana Período

Sub - total imágenes procesadas

Sentinel 1

● Polarización VH

● Procesamiento GRD

● 10 m resolución espacial

● dB (ND)

Octubre 2020 25

Noviembre 2020 24

Diciembre 2020 26

Enero 2021 28

Febrero 2021 21

Sentinel 2

● Corrección atmosférica LIBRADTRAN

-Compuesto RGB -B1, B2, B3, B4, B5, B6,

B7, B8, B8A, B9, B10, B11 y B12

T1: 16/8/2020 al

30/9/2020 83 (1%<CN) T2: 21/2/2021 al

15/4/2021 85 (1%<CN)

-Compuesto NDVI

Julio 2020 40 (1%<CN) Agosto 2020 94 (4%<CN) Septiembre 2020 46 (2%<CN) Octubre 2020 40 (1%<CN) Noviembre 2020 54 (1%<CN) Diciembre 2020 80 (2%<CN) Enero 2021 94 (1%<CN) Febrero 2021 70 (1%<CN) Marzo 2021 15 (1%<CN) Abril 2021 51 (1%<CN)

Mayo 2021 88 (1%<CN)

Junio 2021 31 (1%<CN)

Habiendo procesado un total de 995 imágenes y a modo de síntesis, para la clasificación supervisada, en la etapa definida como “búsqueda de datos”, se crearon como datos de entrada: cinco compuestos SAR, dos compuestos RGB y doce mosaicos de NDVI.

1.3 ENMASCARAMIENTO DE NUBES

Para la presente clasificación se trabajó con todas las bandas de S2, con los valores de reflectancia a nivel de superficie (Surface Reflectance), es decir con correcciones atmosféricas ya incorporadas. Dado que en estas colecciones se encuentran corregidas geométrica y radiométricamente, la única corrección necesaria fue el enmascaramiento de los píxeles nubosos de las imágenes, tanto con nubes como con sombras de nubes. Este filtrado fue realizado utilizando la función “maskS2clouds” dentro de la plataforma GEE.

1.4 CLASIFICACIÓN SUPERVISADA

Contando con los datos de entrada mencionados (Mosaicos Sentinel 2, Mosaicos Sentinel 1 y NDVI mensuales), la puesta a punto de la clasificación supervisada estuvo supeditada a la creación de las muestras de entrenamiento, a la ejecución del clasificador, a la aplicación de filtros espaciales, a la edición/corrección de errores menores y a la validación.

Como fue mencionado, se confeccionaron dos compuestos de imágenes para dos períodos diferentes (T1 y T2) con la intención de captar la variabilidad fenológica en la vegetación y diferenciar distintos cultivos agrícolas. Para tareas posteriores de digitalización de polígonos de entrenamiento y validación, fueron exportadas en formato .TIFF, las bandas B8, B4, B3;

inherentes a las unidades espaciales previamente identificadas.

Se digitalizaron a partir de interpretación visual de los compuestos RGB Sentinel 2 seleccionados, 1450 polígonos a los cuales se los dividió aleatoriamente en dos subconjuntos;

uno con el 70% de los polígonos digitalizados, que se utilizará para entrenar los algoritmos de clasificación, y el subconjunto restante (30%) se utilizará para evaluar los mapas resultantes con datos independientes. Las clases definidas para la digitalización de muestras fueron las 15 clases del mapa de UCS descritas en el apartado 1.1.

Para generar la clasificación supervisada del UCS para el 2020-2021, para la CRN, se utilizó la plataforma GEE, la cual permite procesar, analizar y almacenar la información satelital. Adicionalmente a los mosaicos de S1 y S2, y con el fin de mejorar la separabilidad de las diferentes clases a cartografiar, se incluyó información sobre: a) la actividad fotosintética de la vegetación, expresada a partir del NDVI y, b) topografía del terreno (elevación y pendiente) vinculada con los modelos digitales de elevación. Toda esta información se encuentra disponible y de libre acceso en la plataforma Google Earth Engine.

El algoritmo de clasificación seleccionado para este proceso de clasificación fue Random Forest (Breiman, 2001) disponible en el motor de GEE, utilizando 100 árboles de decisión como parámetro principal de este algoritmo. La aplicación del algoritmo Random Forest, que es uno de los más utilizados en teledetección (Cánovas-García, Alonso-Sarría, Gomariz-Castillo, 2016) debido a la precisión de sus resultados (Belgiu y Drăguț, 2016). Los productos fueron exportados en formato .TIFF para la posterior aplicación de ediciones/correcciones en ambiente SIG.

1.5 EDICIÓN POST-CLASIFICACIÓN

Al producto resultante de la clasificación se le aplicó un filtro de paso bajo con el objeto de eliminar el llamado efecto de “sal y pimienta” típico de resultados de clasificaciones basadas en píxeles. Para esto se aplicó un filtro espacial modal de 3x3 para eliminar el ruido de clasificación (Chuvieco, 2008), empleando el software ENVI para esta tarea. Seguidamente se procedió a realizar ediciones/correcciones menores a algunos elementos que se encontraban erróneamente clasificados. En este paso se digitalizaron manualmente ciertos polígonos para reclasificar sitios clasificados como “Cultivos agrícolas” hacia las clases de “Humedal” y

“Campo natural”, principalmente en la zona del embalse Rincón del Bonete. Con los productos editados/corregidos, se generó un único mapa contentivo de las categorías de UCS para la CRN.

1.6 VALIDACIÓN

La clasificación obtenida fue evaluada a partir de la construcción y análisis de una matriz de contingencia entre el resultado de la clasificación (filas) y la información de los píxeles correspondientes a los polígonos de control digitalizados (información de referencia o

“verdad de campo”, representada en las columnas) (Congalton, 1991). Se calculó el porcentaje de acierto global y los errores del productor y del usuario (Olofsson et al., 2014). El error del usuario (o de comisión) es una medida de la sobrecobertura, en el sentido de que es el porcentaje de casos (píxeles de determinada clase) incluidos en el mapa, que en la realidad o información de referencia, no corresponde a dicha clase. El error del productor (o de omisión) se define como el porcentaje de casos de la muestra de referencia, que no fueron capturados por el mapa. Otra medida para la exactitud de la clasificación basada en la matriz de confusión es el coeficiente kappa de Cohen (Stehman, 1996). Este coeficiente mide la diferencia entre el acuerdo mapa-realidad observado y el que cabría esperar simplemente por azar; es decir, intenta delimitar el grado de ajuste debido sólo a la exactitud de la clasificación, prescindiendo del causado por factores aleatorios. A mayor concordancia, mayor valor del coeficiente kappa.

2. RESULTADOS.

Luego de obtener los mapas finales resultantes de la clasificación de la CRN mediante la metodología mencionada, se procedió a calcular las superficies de cada clase de UCS. Los resultados se presentan en la siguiente tabla (Tabla 2). A modo de ejemplo de los resultados obtenidos en la clasificación, se presenta (Figura 4) un mapa en el que se puede visualizar la cobertura de cada clase para la totalidad de la CRN y para una zona de ejemplo. Al disponer de imágenes con 10 metros de resolución espacial, se obtuvo una base de datos cartográfica digital con un detalle espacial cercano a 1:15.000.

Figura 4. Clasificación de UCS 2020/2021 para CRN, con foco en zona de ejemplo.

El mapa de usos y coberturas del suelo, para la totalidad de la CRN, cubre una superficie de más de 7 millones de hectáreas. La clase que mayor área ocupa en esta región es el campo natural con cerca del 62% de la superficie, seguida de la clase de doble cultivo agrícola (8,42%) y la clase de plantaciones forestales (8,13%). Si por ejemplo agrupamos las clases correspondientes al uso forestal (forestación, área cosechada y área reforestada) se estima que este estrato ocupa una superficie de 663.348 ha, correspondiente al 9,32% del total de la cuenca. Si hacemos lo mismo con el estrato agrícola, agrupando las clases de cultivos de verano incluyendo el arroz, cultivos de invierno, doble cultivo, suelos agrícolas desnudos y cobertura de rastrojo o barbecho, obtenemos una superficie de 1.321.348 ha para el estrato de agricultura, ocupando el 18,56% de la cuenca.

Tabla 2: Superficie expresada en hectáreas y porcentaje de cada una de las clases cartografiadas.

Clase Superficie (ha) %

Bosque nativo 296.541 4,16

Cuerpo de agua 151.922 2,13

Forestación 578.975 8,13

Cosecha forestal 16.002 0,22

Plantación/rebrote forestal 68.371 0,96

Área inundable 251.420 3,53

Campo natural 4.416.945 62,03

Área urbanizada 11.400 0,16

Cultivo de verano 159.278 2,24

Cultivo de invierno 468.393 6,58

Doble cultivo agrícola 599.525 8,42

Cultivo de arroz 31.537 0,44

Suelo desnudo 16.357 0,23

Rastrojo/barbecho 46.257 0,65

Arena 7.893 0,11

Total CRN 7.120.816 100,00

3. VALIDACIÓN

Fue evaluada la precisión del producto final (clasificación de UCS) a partir de la comparación entre la cartografía o clasificación generada, con datos de referencia (o verdad terrestre) que en este caso, se identificó el tipo de UCS a partir de interpretación visual de los mosaicos RGB en T1 y T2, junto con imágenes de alta resolución disponibles. Se utilizó con tal fin un conjunto de 435 polígonos, donde se utilizaron todos los píxeles (10 metros de lado) dentro de este conjunto como el tamaño de muestra para la validación (87.171 píxeles). En la diagonal de esta matriz se encuentran los casos bien clasificados, y fuera de la diagonal los errores de clasificación. Los resultados pueden interpretarse a partir de la Tabla 4 (ver Anexo).

Fueron obtenidas las estadísticas: fiabilidad total o exactitud global, errores de comisión (de usuario) y errores de omisión (de productor). La evaluación de la clasificación mostró resultados muy satisfactorios (Tabla 3). La exactitud global de clasificación se define como el cociente entre los casos bien clasificados y el total de la muestra y esta fue de 96,73%. El cálculo del coeficiente kappa arrojó un resultado de 0,96. Por su parte, los errores de omisión y comisión fueron relativamente bajos y similares (Tabla 3).

Tabla 3. Errores de comisión – Errores de omisión.

Clase Errores de

comisión (%)

Errores de omisión (%)

Bosque nativo 1,82 1,28

Cuerpo de agua 1,29 0,00

Forestación 0,27 0,21

Cosecha forestal 0,00 0,00

Plantación/rebrote forestal

0,79 6,23

Área inundable 1,40 19,30

Campo natural 2,58 0,37

Área urbanizada 6,15 3,47

Cultivo de verano 1,99 10,75

Cultivo de invierno 5,25 4,68

Doble cultivo agrícola 4,57 2,88

Cultivo de arroz 10,71 0,11

Suelo desnudo 13,79 2,04

Rastrojo/barbecho 0,73 2,32

Arena 1,59 2,97

La fiabilidad total resultó ser muy alta (96,73%), considerando que se considera valor alto todo aquel valor mayor al 85% (Anderson et al., 1976), y por lo tanto, este parámetro confirma nuevamente que son adecuados los frutos de esta clasificación. Los errores de comisión y los errores de omisión arrojaron también resultados favorables: en la mayoría de las clases se obtuvieron valores superiores al 90% de exactitud.

4. CONCLUSIONES

A partir de la clasificación desarrollada se obtuvo un resultado espacialmente explícito del uso/cobertura del suelo de la Cuenca del Río Negro para el período 2020/2021, para el cual se calculó la superficie que ocupa cada una de las categorías de la leyenda. Se desprende de la evaluación de exactitud desarrollada para la matriz de confusión, que los resultados presentan tanto una alta fiabilidad total (96,73%), así como altos valores de exactitud de usuario y de productor para cada una de las clases de la clasificación. La metodología desarrollada en el presente documento se trata de una metodología válida y replicable en el futuro, para implementar una nueva cartografía de uso/cobertura del suelo de forma semi-automática, con la posibilidad también de detectar cambios en la cobertura mediante la comparación de ambas clasificaciones, o inclusive aplicar la misma metodología para otra área de estudio. Finalmente, la utilización de una plataforma basada en la nube (Google Earth Engine) constituye una poderosa herramienta para el análisis de datos ambientales a gran escala, permitiendo procesar, analizar y almacenar información satelital para superficies extensas sin necesidad de descargar los datos.

ANEXO

Tabla 4: Matriz de contingencia de la clasificación UCS expresada en píxeles.

R e f e r e n c i a

Clasificación

B.

nativo Agua C.

Forestal

Suelo

desnudo Humedal C. natural Sup.

artificial C.

verano C.

invierno

Doble cultivo

Cosecha forest.

Plant.

forest.

Rastrojo Arena C. arroz Total productor

B. nativo 5393 54 16 0 0 0 0 0 0 0 0 0 0 0 0 ⁵⁴⁶³

Agua 0 10196 0 0 0 0 0 0 0 0 0 0 0 0 0 ¹⁰¹⁹⁶

Cultivo forestal 12 0 5837 0 0 0 0 0 0 0 0 0 0 0 0 ⁵⁸⁴⁹

Suelo desnudo 88 79 0 1875 0 7 0 0 21 0 0 4 7 0 0 ¹⁹¹⁴

Humedal 0 0 0 298 3808 382 0 0 0 64 0 0 0 0 0 ⁴⁷¹⁹

Campo natural 0 0 0 0 0 14789 0 0 55 0 0 0 0 0 0 ¹⁴⁸⁴⁴

Sup. artificial 0 0 0 0 0 0 778 0 0 0 0 0 1 27 0 ⁸⁰⁶

Cultivo verano 0 0 0 0 38 0 0 5530 0 0 0 0 0 0 628 ⁶¹⁹⁶

Cultivo invierno 0 0 0 0 0 0 0 0 9110 412 0 0 35 0 0 ⁹⁵⁵⁷

Doble cultivo 0 0 0 0 0 0 0 0 295 9931 0 0 0 0 0 ¹⁰²²⁶

Cosecha forestal 0 0 0 0 0 0 0 0 0 0 2238 0 0 0 0 ²²³⁸

Plantación forest 0 0 0 2 16 3 0 112 0 0 0 2001 0 0 0 ²¹³⁴

Rastrojo 0 0 0 0 0 0 0 0 128 0 0 12 5886 0 0 ⁶⁰²⁶

Arena 0 0 0 0 0 0 51 0 0 0 0 0 0 1668 0 ¹⁷¹⁹

Cultivo arroz 0 0 0 0 0 0 0 0 6 0 0 0 0 0 915 ⁵²⁴⁴

Total usuario 5493 10329 5853 2175 3862 15181 829 5642 9615 10407 2238 2017 5929 1695 5866 87131

REFERENCIAS BIBLIOGRÁFICAS

ACHKAR, M., BLUM, A., BARTESAGHI, L. y CERONI, M. 2012. Escenarios de cambio de uso del suelo en Uruguay. Informe Técnico. Convenio MGAP/PPR – Facultad de Ciencias/Vida Silvestre/ Sociedad Zoológica del Uruguay/CIEDUR. 24p.

ANDERSON, J.R. HARDY, J.E., ROACH, J.T. y WITMER, R.E. 1976. A land use and land cover classification system for use with remote sensor data vol. 964. Washington: US Government Printing Office.

ARBELETCHE, P. y GUTIÉRREZ, G. 2010. Crecimiento de la agricultura en Uruguay: exclusión social o integración económica en redes. Pampa (Santa Fe), 6, 113-138. Disponible en:

http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S2314-02082010000100006 Última visita: 19 de diciembre de 2018.

BAEZA, S. 2016. El uso/cobertura del suelo en Uruguay y los pastizales del Río de la Plata:

caracterización, análisis de sus cambios a lo largo del tiempo e impactos sobre el funcionamiento ecosistémico. Tesis de Doctorado en Ciencias Biológicas - Programa de Desarrollo de las Ciencias Básicas. Montevideo - Uruguay.

BELGIU, M. y DRĂGUŢ, L. 2016. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, Volume 114, Pages 24-31.

BRAZEIRO, A., ACHKAR, M., TORANZA, C. y BARTHESAGUI, L. 2008. Potenciales impactos del cambio de uso de suelo sobre la biodiversidad terrestre de Uruguay. Efectos de los cambios globales sobre la biodiversidad: Capítulo 1. Programa Iberoamericano de Ciencia y Tecnología

para el Desarrollo (CYTED). Disponible en:

https://www.researchgate.net/publication/276353230_Potenciales_impactos_del_cambio_de _uso_de_suelo_sobre_la_biodiversidad_terrestre_de_Uruguay Última visita: 20 de diciembre de 2018.

BREIMAN, L. 2001. Random forests. Machine learning, 45(1), 5-32.

CÁNOVAS-GARCÍA, F., ALONSO-SARRÍA, F. y GOMARIZ-CASTILLO, F. 2016. Modificación del algoritmo random forest para su empleo en clasificación de imágenes de teledetección.

Aplicaciones de las Tecnologías de la Información Geográfica (TIG) para el desarrollo económico sostenible XVII Congreso Nacional de Tecnologías de Información Geográfica, Málaga, 29, 30 de junio y 1 de julio 2016.

CHUVIECO, E. 2008. Teledetección Ambiental. La observación de la Tierra desde el espacio, Barcelona, Ed. Ariel Ciencia, 3ª ed., 594 pp.

CONGALTON, R.G. 1991. A review of assessing the accuracy of classifications of remotely sensed data.Remote sensing of environment, 37(1), 35-46.

GARCÍA, F., ERNST, O., ARBELETCHE, P., PÉREZ, M., PRITSCH, C., FERENCZI, A. y RIVAS, M. 2010.

Intensificación agrícola: oportunidades y amenazas para un país productivo y natural.

Universidad de la República – Comisión Sectorial de Investigación Científica.

GORELICK, N., HANCHER, M., DIXON, M., ILYUSHCHENKO, S., THAU, D., y MOORE, R. 2017.

Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment.

HUANG, H., CHEN, Y., CLINTON, N., WANG, J., WANG, X., LIU, C., GONG, P., YANG, J., BAI, Y., ZHENG, Y. y ZHU, Z. 2017. Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine. Remote Sensing of Environment, Volume 202, Pages 166-176.

INSTITUTO NACIONAL DE INVESTIGACIÓN AGROPECUARIA. 2011. Efectos de la actividad forestal sobre los recursos suelos y aguas. Informe técnico del proyecto “FPTA-210 efecto de la actividad forestal sobre los recursos suelos y aguas, en microcuencas similares sometidas a

distinto manejo”. Disponible en:

http://www.ainfo.inia.uy/digital/bitstream/item/2827/1/18429301111103934.pdf. Última visita: 7 de octubre de 2021.

IVERSEN, P., LEE, D. y ROCHA, M. 2014. Comprensión del uso de la tierra en el marco de la

CMNUCC. Disponible en: https://ghginstitute.org/wp-

content/uploads/2015/04/Understanding_Land_Use_in_the_UNFCCC_Spanish-1.pdf. Última visita: 19 de diciembre de 2018.

OLOFSSON, P., FOODY, G., HEROLD, M., STEHMAN, S., WOODCOCK, C. y WULDER, M. 2014.

Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57.

PARUELO, J., GUERSCHMAN, P., PIÑEIRO, G., JOBBÁGY, E., VERÓN, S., BALDI, G. y BAEZA, S.

2006. Cambios en el uso de la tierra en Argentina y Uruguay: marcos conceptuales para su análisis. Agrociencia, 2, 47 – 61.

ROUSE, J.W., HAAS, R.H., SCHELL, J.A. y DEERING, D.W. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication 351, 309.

STEHMAN, S. 1996. Estimating the kappa coefficient and its variance under stratified random sampling. Photogrammetric Engineering and Remote Sensing, 62(4), 401-407.

XIONG, J., THENKABAIL, P., GUMMA, M., TELUGUNTLA, P., POEHNELT, J., CONGALTON, R., YADAV, K. y THAU, D. 2017. Automated cropland mapping of continental Africa using Google Earth Engine cloud computing. ISPRS Journal of Photogrammetry and Remote Sensing.

Volume 126, Pages 225-244.