Proyecto Lecciones aprendidas y desarrollo de capacidades para aplicar REDD+ - La experiencia de Costa Rica

Transcripción

1 Proyecto Lecciones aprendidas y desarrollo de capacidades para aplicar REDD+ - La experiencia de Costa Rica Objetivo específico: Evaluar cómo y dónde REDD+ tiene mayor impacto en la mejora de los SPE y la reducción de la pobreza. Preguntas guía: Dónde se deben aplicar las diferentes actividades de REDD+ (conservación, restauración, gestión sostenible de los bosques, etc.) para contribuir a la mejora de los servicios de los ecosistemas y a la reducción de la pobreza? Metodología para la definición de los ecosistemas, la cobertura de la tierra y sus cambios durante el período de estudio Para este estudio seleccionaron los años 1986, 2000 y una combinación de El año 1986 se seleccionó debido a que en este periodo se presentaron varios acontecimientos relevantes para el desarrollo forestal de Costa Rica, a saber: la creación, vía decreto y luego mediante la ley No de 1990, del Ministerio de Recursos Naturales, Energía y Minas (MIRENEM), que conllevó el traslado de las dependencias: Forestal, Vida Silvestre y Parques Nacionales del Ministerio de Agricultura y Ganadería (MAG) al MIRENEM; la promulgación de la Ley forestal 7032 de mayo de 1986, que estableció nuevos mecanismos para incentivar la actividad forestal del país; y el establecimiento de los Certificados de Abono Forestal (CAF) en 1986, y de los Certificados de Abono Forestal por adelantado (CAFA) en 1988, que permitieron una mayor democratización de los incentivos forestales mediante la participación de pequeños y medianos productores. Por su parte, el año 2000 se seleccionó por ser un periodo intermedio, y aunque originalmente se había seleccionado el año 2013 como el año más reciente, este debió cambiarse por , debido a la alta nubosidad de las imágenes disponibles para el 2011 y El año 2013 se considera necesario para contar con el dato más actualizado respecto a la cobertura forestal costarricense, pudiéndose obtener a partir del análisis e interpretación de las imágenes Landsat 7 y 8. El análisis comparativo, se implementó en tres etapas: selección del sensor, creación de mosaicos para el proceso de interpretación asistida, y clasificación supervisada Etapa I Selección del sensor La selección del sensor se hizo entre LANDSAT y ASTER tomando en cuenta un porcentaje máximo de cobertura nubosa de 40% por escena. Este porcentaje fue cotejado visualmente por el intérprete, principalmente para aquellas imágenes con límites costeros, debido a que en ocasiones, dicho porcentaje nuboso estaba ubicado en el área marina. Otros criterios para la selección del sensor fueron: a) resolución espacial media (e.g. Landsat) (Sarría & Palazón Ferrando, 2008); b) periodicidad (ser un sensor con periodicidad estable, es decir que se haya mantenido en operación por lo menos en los últimos 25 años y

2 que se garantice su trabajo por al menos los próximos 5 años), y c) resolución espectral (que permita establecer la clasificación de cobertura de la tierra en al menos 10 clases). A pesar de que el sensor ASTER presentaba mejores condiciones para la interpretación de diferentes tipos de cobertura de la tierra, gracias a su mejor resolución espacial (Tabla 1), se seleccionó el sensor Landsat, debido a que este cumple con la temporalidad requerida para llevar a cabo los análisis desde la línea base (año 1986), manteniéndose hasta la fecha con el nuevo sensor Landsat 8. Tabla nº. Comparación espectral entre los sensores Landsat (5 y 7) vs Aster Fuente: Para realizar el análisis de la cobertura de la tierra para el periodo establecido ( /2011) se utilizaron imágenes de tres diferentes versiones del sensor, a saber: Landsat 5 TM, con el cual se obtuvo la información necesaria para la elaboración del año base (1986); Landsat 7 ETM+ L1T (SLC-on), el cual permitió realizar los análisis de cobertura para el año 2000 y finalmente Landsat7 ETM + L1T (SLC off) y Landsat 8, para cubrir el periodo La condición multiespectral de Landsat proporcionó una gama de bandas a elegir, especialmente tres bandas en el infrarrojo cercano y medio (bandas 4, 5 y 7), una banda térmica (banda 6) y las tres bandas del espectro visible (bandas 1, 2 y 3). El error de instrumentación en el Corrector Line Scan (SLC) que presenta Landsat 7, y que ocasiona que todas las escenas adquiridas posterior al 31 de mayo de 2003 presenten pérdida de datos, reflejadas en las imágenes como líneas negras en dirección este - oeste con valor 0 (cero), se corrigió mediante la metodología de relleno de vacíos, por medio de la herramienta Focal Analysis, presente en Erdas Imagine 2013, la cual consiste en otorgar a los pixeles de valor cero, el valor del vecino cercano y con ello proceder con la clasificación supervisada (Erdas, 2005). Adquisición de las imágenes Las imágenes se descargaron, según los años de estudio, del sitio web considerando tres áreas geográficas de concentración de datos: Lago de Granada Guanacaste Llanuras del norte, Caribe norte, Valle Central, Pacífico Central, Oeste de Osa. Caribe sur, Bocas del Toro, Parque Nacional La Amistad, Punta Burica, Boquete, David Se descargaron 1967 imágenes, las cuales fueron filtradas inicialmente de acuerdo con el porcentaje de nubosidad presente, entre el 20% y 40%, lo cual posteriormente, fue filtrado por segunda vez, de forma visual para aquellas imágenes con límite marino-costero y con límite internacional, esto por cuanto en algunos casos la mayor parte de nubosidad se encontraba en el área marina o fuera del país.

3 Compilación de capas (bandas) La compilación de capas o bandas se llevó a cabo para unir en un único archivo ráster las diferentes bandas que constituyen las imágenes satelitales. Este proceso se llevó a cabo por medio de la función Pila de Capas de la herramienta Combinar, presente en el software libre Quantum GIS v1.8. (Development Team, 2013). Etapa II Creación de mosaicos para el proceso de interpretac ión asistida Las imágenes Landsat están georreferenciadas desde el momento de la adquisición. El sistema de coordenadas geográficas está dado por la proyección Universal Transversal Mercator (UTM) con Datum WGS 1984, que en el caso de Costa Rica abarca las zonas 16 y 17 (Hemisferio Norte). Con el fin de facilitar el proceso de clasificación se procedió a realizar mosaicos de imágenes de acuerdo con la cantidad de escenas que correspondían a cada zona, para ello se utilizó la herramienta Mosaic presente en el software Erdas Imagine Tratamiento radiométrico Debido a que las imágenes no fueron tomadas en un mismo momento presentan diferencias radiométricas notorias al compararlas visualmente. Por ello se aplicó un proceso de ajuste de la resolución radiométrica de las imágenes para obtener una mejor identificación de las coberturas, mediante la definición dentro del área de traslape entre las escenas de una región de interés como muestra limpia (sin efectos de nubosidad y sombras), con el objetivo de asignar a la imagen valores más contrastantes (imagen esclava), información radiométrica de la imagen más nítida y homogénea (imagen maestra). Bajo estas consideraciones se determinó que la imagen maestra es aquella que contiene valores radiométricos y contrastes más homogéneos, menor porcentaje de nubes y mayor cobertura dentro del área de interés. Este procedimiento facilita la posterior interpretación visual y selección de los sitios de entrenamiento o áreas de interés (AOI) para el posterior proceso de clasificación supervisada. Muestreo con el método de áreas de interés (AOI) Los programas para analizar imágenes de satélite permiten realizar zonas de entrenamiento o áreas de interés (AOI) que son utilizados por el programa para generar las diferentes coberturas. La identificación de áreas de interés de los diferentes tipos de vegetación y usos de la tierra fueron clasificados de acuerdo con datos previos de campo generados por el INBio en experiencias previas y con la interpretación de otras coberturas identificadas por el usuario intérprete (Figura1).

4 Figura 1. Áreas de interés (AOI) para el bosque. Etapa III Clasificación supervisada Una vez establecidas las áreas de interés se agruparon todas con la finalidad de generar la media de los valores estadísticos de cada área de entrenamiento. Posteriormente se procesaron con el programa ERDAS Imagine 2013 y se obtuvo la cobertura de la imagen por completo. Sin embargo, fue necesario la corroboración del resultado preliminar por medio de la evaluación de la clasificación implementando la matriz de contingencia, la cual establece los porcentajes de confusión entre una cobertura y otra, esto debido a que en muchos casos coberturas similares tienden a presentar confusión; como en el caso de los cuerpos de agua con las sombras o el bosque denso con bosque de manglar. La clasificación de las imágenes se realiza en dos pasos: 1. Preparación de las AOI. Las AOI se agrupan en dos archivos vectoriales, uno para puntos y otro para polígonos, en formato shapefile, que reúnen todas las clases de cobertura muestreadas (e.g. bosque, manglar, herbazal,...) y que contienen una columna con un código para cada cobertura (e.g. 1, 2, 3,...) y otra columna con una etiqueta para cada código (e.g. bosque=1, manglar=2, herbazal=3, ). Este procedimiento se ejecuta con varios scripts en lenguaje bash que acceden a las bibliotecas GDAL/OGR para procesamiento de datos geoespaciales. Si las AOI están ya reunidas en un mismo archivo shapefile (o en dos, si hay puntos y polígonos) y contienen las columnas de código y de etiqueta, este paso no es necesario.

5 2. Clasificación y generación de estadísticas. La clasificación de la cobertura de la tierra se realiza mediante un programa en lenguaje Python que se ejecuta en el ambiente del software GRASS GIS. El programa toma como entrada dos conjuntos principales de datos: La imagen o el mosaico de imágenes Landsat que van a clasificarse. El conjunto de AOI que fue procesado en el paso 1. La salida del programa consiste en tres imágenes y dos archivos de estadísticas. Las imágenes son: Una clasificación no supervisada de la imagen (o imágenes). En este caso se usa un parámetro de entrada adicional que especifica la cantidad de clases a usar en la clasificación. Una clasificación supervisada obtenida mediante el algoritmo de máxima similitud (maximum likelihood). Una clasificación supervisada generada mediante el algoritmo de estimación SMAP (Sequential Maximum A Posteriori). De esta manera, el analista puede elegir cual clasificación es la más apropiada. Junto con cada clasificación supervisada, se genera un archivo de texto con estadísticas para cada método que contiene: La matriz de contingencia. El índice kappa. Una vez ejecutada la matriz de contingencia, todas aquellas coberturas cuyo porcentaje de clasificación fue inferior a 80% se verificaron y corrigieron haciendo uso de nuevas zonas de entrenamiento y desarrollando un proceso de clasificación independiente para aquellas zonas más propensas a confusión, como las del bosque seco. Nubes y sombras Debido que algunas secciones de las nubes tienen a confundirse con otro tipo de cobertura, al igual que las sombras con algunos cuerpos de agua, se procedió a generar una máscara de ambas coberturas para minimizar el grado de confusión.

6 Verificación y validación de resultados El resultado de la clasificación se evaluó de dos formas mediante el programa ERDAS IMAGINE En primer lugar, mediante una matriz de contingencia donde se indica el porcentaje de cada tipo de cobertura de la tierra identificado por el investigador intérprete durante el proceso supervisado y clasificado como tal, estableciendo como valor mínimo 80% para garantizar la debida clasificación, mientras que aquellas clases cuyo valor porcentual fue inferior a 80%, debieron ser corroboradas y corregidas por medio de la identificación de nuevos sitios de entrenamiento y/o la eliminación de algunos mal seleccionados. El segundo modo de evaluación se basó en el índice de Kappa, el cual establece una relación entre las áreas muestreadas a partir de elementos constantes (parcelas de bosque permanente, trabajos de campo anteriores, entre otras) asociándolos con la clasificación supervisada obtenida por el programa, con el objetivo de que este último señale la cantidad de sitios coincidentes con el producto obtenido, teniendo como meta, una certeza mayor o igual al 80%. Área mínima mapeable El AMM (Área mínima mapeable) está definida como el área de terreno mínimo que puede ser legible en el mapa, convertida a la escala de terreno. Para el caso específico de las imágenes Landsat, el AMM es de 6,25 ha ( m 2 ). A partir del establecimiento de este valor se eliminaron aquellas zonas que no cumplían con este criterio. La fórmula para obtener el AMM fue establecida por Vink (citado por (Rossiter, 2000) Dónde: E = Escala de salida 1000 = Constante = Constante 2 Área del píxel = 30x30 (metros) Como resultado se obtiene: (50.000/1.000) 2 / 400 = 6,25 ha AMM= (E / 1000) 2 / 400) Clasificación supervisada en archivo Shape El resultado final obtenido con la aplicación del AMM se convirtió a formato vectorial (shapefile) por medio de las herramientas de conversión presentes en Grass GIS, esto con el fin de llevar a cabo los procesos de comparación espacial y la obtención de las estadísticas correspondientes a la tasa de cambio para cada uno de los años analizados.

7 Tasa porcentual anual de cambio Para el cálculo de la tasa porcentual anual de cambio se utilizó la fórmula de tasa estandarizada de Puyravaud (Puyravaud, 2003) Dónde: A1 es el área o variable en estudio encontrada en la primera fecha de evaluación o t1. A2 es el área o variable en estudio encontrada en la segunda fecha de evaluación o t2. Modelos futuros y tendencia de cambio Para el modelaje del cambio y tendencia de cambio de cobertura de la tierra se hará uso del software DINAMICA EGO, el cual consiste en una plataforma para el modelamiento ambiental que permite llevar a cabo procesos de estadística dinámica compleja, incluyendo las siguientes como las principales características. Diseño del modelo en forma de diagramas utilizando el lenguaje de flujo de datos en una interfaz gráfica amigable. Iteraciones anidadas. Multi-transiciones. Evaluaciones dinámicas. Multi-región y multi-escala de enfoque. Procesos de decisión para bifurcar y unirse a tuberías de ejecución. Una serie de algoritmos espaciales complejos para el análisis y la simulación de los fenómenos del espacio-tiempo. Sub-modelos. Modelo asistidos. Alto rendimiento, incluyendo la versión nativa de 64 bits, multiprocesador arquitectura de computación, manejo inteligente de grandes conjuntos de datos ráster. Modelado de distribución de bosque con procesos de cambio climático Este análisis se llevará a cabo mediante la implementación del software estadístico R y su paquete de interacción con variables climáticas (R, 2013). Gracias a este software y su interacción con algoritmos presentes en Maxent y la relación con Biomod, herramienta que permite llevar a cabo el modelaje de las relaciones tanto de especies como de ecosistemas con el medio ambiente, tomando en cuenta variables

8 climáticas del presente y el futuro para modelar los posibles cambios que pueda sufrir la distribución de la especie o el ecosistema).

9 Bibliografía Development Team, Q. G. (2013). Quantum GIS Geographic Information System. Source Geospatial Foundation. From Erdas, I. (2005). Leica Geosystem Geospatial Imaging (versión 9.0). Atlanta, Georgia, E.U. Puyravaud, J. (2003). Standardizing the calculations of the annual rate of deforestation. Forest Ecology and Management. R, P. (2013). The R Project for Statistical Computing. Rossiter, D. (2000). Lecture Notes & Reference: Methodology for Soil Resource Inventories. Retrieved from Sarría, F., & Palazón Ferrando, J. (2008). Herramientas de teledetección aplicadas a la gestión del recurso hídrico. Retrieved from Resolución imágenes de satélite: 1/tema-5-plataformas-sensores-y-canales.pdf