INFORME EJECUTIVO ESTIMACIÓN PRELIMINAR TASA DE DEFORESTACIÓN PARA COLOMBIA Periodo

Transcripción

1 INFORME EJECUTIVO ESTIMACIÓN PRELIMINAR TASA DE DEFORESTACIÓN PARA COLOMBIA Periodo Capacidad Institucional Técnica Científica para apoyar Proyectos REDD: Reducción de Emisiones por Deforestación en Colombia Bogotá D.C., Enero de 2010

2 INFORME EJECUTIVO Ejercicio de estimación preliminar de la tasa de deforestación para Colombia periodo Proyecto Capacidad Institucional Técnica Científica para apoyar Proyectos REDD: Reducción de Emisiones por Deforestación en Colombia EQUIPO TÉCNICO COMPONENTE PDI Edersson Cabrera M. Ing. Forestal, Esp. Coordinador componente-. Gustavo Galindo Biólogo, Esp. -Estimación Biomasa-. Diana Vargas Ingeniera Agrícola, Msc. -Cuantificación Deforestación-. Profesionales de apoyo. Helio Carrillo. Ing. Agrólogo. Karol Ramirez. Ing. Forestal, Esp. Juan Carlos Rubiano. Economista, Esp.. Incluye comentarios del equipo CLASlite, Institución Carnegie

3 ESTIMACIÓN DE LA DEFORESTACIÓN EN COLOMBIA PARA EL PERIODO El IDEAM a través del proyecto Capacidad Institucional Técnica Científica para apoyar Proyectos REDD: Reducción de Emisiones por Deforestación en Colombia realizó un ejercicio para la estimación preliminar de la deforestación a escala nacional usando imágenes de sensores remotos para el periodo Para ello se utilizó una definición de bosque basada en las definiciones de las unidades de coberturas de bosque de las leyendas de CORINE Land Cover (versiones 1 y 2)que se adaptó tanto para la cuenca Magdalena-Cauca, como para todo el país. Así, las unidades del mapa de uso y cobertura de CORINE Land Cover que por definición estarían incluidas en la categoría de bosques para los fines del ejercicio de deforestación son: Bosque denso, Bosque abierto, Bosque de galería o ripario, y Bosque fragmentado. El proyecto Capacidad Institucional Técnica Científica para apoyar Proyectos REDD: Reducción de Emisiones por Deforestación en Colombia en sus lineamientos generales ha contemplado el establecimiento de las bases para un sistema de monitoreo de la deforestación desde 2 niveles de aproximación, uno nacional y uno Subnacional, consecuente con los lineamientos hasta ahora publicados por la UNFCCC y el IPCC y sus órganos subsidiarios. En consecuencia, el proyecto propuso que en este ejercicio preliminar, que busca un dato actualizado y confiable de deforestación a nivel nacional, se utilicen diferentes caminos para obtener la información utilizando imágenes de satélite de resolución espacial gruesa. Para la primera estimación de deforestación las imágenes seleccionadas corresponden al sensor MODIS Terra, con una resolución espacial de 250m 1. Esta selección obedece a varios factores, por un lado, la disponibilidad gratuita de las imágenes y por otro, la alta frecuencia de toma de los datos facilitó la selección y compilación de conjuntos de datos con una calidad mínima aceptable, considerando los frecuentes problemas atmosféricos en ciertas zonas del país. El cálculo de la tasa de deforestación es el resultado de un estudio de cambio en la cobertura, lo que implica un análisis multi-temporal en al menos 2 puntos en el tiempo, cuyos datos sean comparables. Para este ejercicio el periodo de tiempo elegido para el cálculo de la deforestación corresponde al comprendido entre los años En términos generales, se descargaron imágenes correspondientes a los 6 cuadrantes de escenas MODIS para el país, es decir, 2 productos, 46 escenas por año y 8 años. De este 1 El producto específico utilizado fue un sinergismo de los productos MOD09A1, Surface Reflectance 8-Day L3 Global 500m y MOD09Q1, Surface Reflectance 8-Day L3 Global 250m

4 conjunto de datos se pre-procesaron que corresponden a los años 2000 y 2007 y se procesaron en CLASlite 108 imágenes. El proceso metodológico para la generación de la tasa preliminar de deforestación a nivel nacional se desarrolló en tres grandes fases, a saber: Fase I. Preparación o pre-procesamiento de las imágenes seleccionadas con el fin de aprestarlas para su posterior procesamiento digital. Esta fase incluyó la descarga de datos, para el caso específico de este ejercicio se utilizó el portal de información Geoespacial dispuesto por el Servicio Geológico de los Estados Unidos -USGS 2 - y la NASA a través del portal web Land Processes Distributed Active Archive Center -LPDAAC-, cuyo enlace es Para esta actividad se recibió el apoyo del CIAT a través de un script que permitió agilizar el proceso de descarga. Esta fase también comprendió los procedimientos necesarios para preparar y disponer adecuadamente las imágenes descargadas para ser procesadas y utilizadas en el proceso de estimación de la tasa preliminar de deforestación para Colombia, incluyendo la conversión de formato, generación de los archivos de trabajo, selección de mejores imágenes, y reproyección espacial. Sin embargo, lo más significativo fue la selección rigurosa de las imágenes. Dado que el sensor MODIS Terra es un sistema pasivo de captura de imágenes es muy sensible a las condiciones atmosféricas presentes en el momento de la captura de la imagen. Por esto, se escogieron minuciosamente aquellas imágenes (o sectores de las imágenes) que permitían obtener la mayor superficie posible sin problemas atmosféricos. Esta selección permitió obtener una cobertura de nubes para los mosaicos de los 2 periodos inferior al 12%. Finalmente, se hizo la preparación de imágenes para el procesamiento en CLASlite. En este proceso debe asegurarse que los datos estén dispuestos espectralmente de acuerdo a la estructura de librerías espectrales implementadas en el algoritmo de CLASlite 3, en este caso se hace necesario una reorganización de las bandas espectrales de acuerdo a su posición en el espectro electromagnético. Así entonces, los archivos de trabajo finales se estructuran en el siguiente orden 3, 4, 1, 2, 5, 6 y 7 (estos números corresponden a la numeración original de las bandas en los productos MODIS utilizados). Este proceso se realiza en el software de procesamiento ERDAS Imagine 9.3. Fase II. En esta fase se realizó el procesamiento digital de las imágenes pre-procesadas en Fase I en el programa de clasificación a nivel de subpixel denominado CLASlite, desarrollado por el Instituto Carnegie, localizado en la Universidad de Stanford (USA), con financiamiento de la Fundación Gordon y Betty Moore, y de la Fundación Jhon D. y 2 Por sus siglas en Inglés, United States Geological Service. 3 Versión ligera del Carnegie Landsat Analyst System -CLAS-.

5 Catherine T. MacArthur. Esta herramienta ha permite la identificación automatizada de la deforestación y la degradación del bosque a través del uso de imágenes de sensores remotos satelitales. La principal versatilidad de este programa especializado de computo es determinar uno de los componentes más importantes de la estructura del bosque tropical, como lo es la cobertura fraccional del dosel de la vegetación fotosintética (VF), de la vegetación no fotosintética (VNF) y de las superficies descubiertas (S) (Asner et al., 2009), que son los principales conjuntos de información que pueden ser extraídos con el uso de imágenes de sensores remotos satelitales. Los procesos de la herramienta se pueden sintetizar en: Calibración radiométrica y corrección atmosférica de la imagen(es). Este proceso convierte la información por pixel de niveles digitales -ND- a Radiancia captada por el sensor. Luego, implementando la corrección atmosférica Second Simulation of the Satellite Signal in the Solar Spectrum -6S- desarrollada a partir del trabajo de Vermote y colaboradores en 1997, se transforma la radiancia captada a niveles de reflectancia de las coberturas. Descomposición de los pixeles de la imagen en coberturas fraccionales a nivel de subpixel de la vegetación fotosintética, vegetación no-fotosintética o senescente y las superficies descubiertas. CLASlite cuenta con tres librerías espectrales para convertir los niveles de reflectancia por pixel de las coberturas captadas por el sensor en información ecológicamente relevante que represente la variación general de las propiedades del dosel de la vegetación y el suelo (Asner et al., 2009). De igual forma, el aplicativo incluye un submodelo central denominado Automated Monte Carlo Unmixing -AutoMCU- (Asner y Heidebrecht, 2002; Asner et al., 2004) el cual permite realizar un análisis cuantitativo de la cobertura fraccional (0-100%) de la VF, VNF y S contenida en cada pixel de la imagen analizada. Enmascaramiento de nubes y cuerpos de agua. Permite sustraer de la imagen errores causados por nubes, neblina atmosférica, cuerpos de agua y otros artefactos muy comunes en imágenes satelitales. Clasificación de la imagen(es) en coberturas de Bosque/No-Bosque, deforestación y perturbación. A partir de un umbral determinado en las coberturas fraccionales de VF, VNF y S el sistema de clasificación obtiene mapas de Bosque/No-Bosque para la imagen(es) analizada. Específicamente, CLASlite está configurado para utilizar un umbral 80% en la cobertura fraccional de VF para identificar áreas boscosas, considerándose todo lo demás como áreas de No-Bosque, esta particularidad se debe a que este programa fue desarrollado para bosques tropicales amazónicos, es decir, de tierras bajas, donde este umbral permite

6 identificar satisfactoriamente casi la totalidad de las áreas boscosas. Sin embargo, este último procedimiento no podría aplicarse directamente para otros tipos diferentes de bosques tropicales, ya que sus respuestas espectrales no estarían incluidas en las librerías espectrales incorporadas en el programa. Debido a esta situación, esta etapa del sistema de procesamiento de CLASlite no fue tenida en cuenta para este ejercicio como se explicará en detalle más adelante. Fase III. Esta fase incluyó varios procedimientos necesarios a fin de generar información sobre la extensión total de las coberturas de bosque para los años 2000 y A partir de estos resultados se estimó la tasa de deforestación para Colombia. Los procesos realizados en esta fase se pueden sintetizar en: Conversión de formato. Se utilizaron Los mapas de cobertura fraccional generados por CLASlite. Estos están originalmente en formato ENVI (ya que la aplicación fue desarrollada en lenguaje de programación IDL ). Para ser posible su manipulación deben ser convertidos a formatos compatibles con los programas SIG disponibles, en este caso fueron transformados a formato TIFF georreferenciado que puede ser desplegado y manipulado en programas como ERDAS Imagine 9.3 ó ArcGIS Ajustes a los umbrales de detección de bosque. A partir de los productos obtenidos de CLASlite (mapas de cobertura fraccional), el equipo del componente PDI del proyecto IDEAM a través de la modificación manual de los umbrales entre las clases Vegetación Fotosintética (Bosque) y Vegetación No Fotosintética / Suelo desnudo (No Bosque), obtiene mapas de Bosque/No bosque para el 88% de la superficie continental del país. Esta modificación se realiza puesto que la biblioteca espectral que utiliza CLASlite se concentra principalmente en los bosques tropicales de tierras bajas amazónicas, presentando dificultades para la clasificación de otros tipos de bosques (p.e. Bosques Andinos. Bosque de tierras bajas del Pacífico). Este proceso se realiza en el software de procesamiento ArcGIS 9.3 (figura 1). 4 La versión actual CLASlite V 2.2 ya permite guardar las imágenes producto en formato GeoTIFF. Ver más en la sección de consideraciones finales.

7 Figura 1 Modificación de los umbrales de detección de Bosque para un sector de la escena h11v08 del 11 de diciembre de 2000 en límites de los departamentos de Vichada y Guainía.. Empalme de resultados por escena. A partir de las modificaciones a los umbrales de detección de bosque realizados para cada escena se procede a realizar un empalme de estos resultados, es decir, por cada escena se cuenta con varias imágenes a partir de las cuales se genera una cobertura de Bosque/No Bosque por escena. Este proceso se realiza en el software de procesamiento ERDAS Imagine 9.3. Mosaicos de coberturas de Bosque/No Bosque para los años 2000 y A partir de las coberturas de Bosque/No Bosque por escena se genera un mosaico de Bosque /No Bosque para todo el país. Este proceso se realiza en el software de procesamiento ERDAS Imagine 9.3. Revisión y ajustes de los mosaicos generados. Una vez se han elaborado los mosaicos de cobertura para 2000 y 2007 se realiza una verificación de los resultados. En esta etapa se utiliza la información del mapa de coberturas CORINE Land Cover a escala 1: para eliminar de los mosaicos áreas que no correspondan a coberturas de bosque y que hayan sido clasificadas por CLASlite como bosque, esta situación se puede presentar por ejemplo con cultivos de Palma africana, plantaciones forestales y cultivos de frutales. Este proceso se realiza en el software de procesamiento ERDAS Imagine 9.3. Una vez elaborados los mosaicos de cobertura para 2000 y 2007, se realizó una verificación de los resultados. En esta etapa se utilizó la información del mapa de coberturas CORINE Land Cover a escala 1: para eliminar de los mosaicos áreas que no correspondían a coberturas de bosque y que habían sido clasificadas por CLASlite como bosque. Esta situación se presentó por ejemplo, con cultivos de Palma africana, plantaciones forestales y cultivos de frutales. Después de revisar y ajustar los mosaicos de cobertura para 2000 y 2007 se realizó una depuración de los

8 resultados utilizando como base las imágenes pre-procesadas, recodificándose algunos pixeles erróneamente clasificados. Finalmente con los productos depurados de cobertura para los años 2000 y 2007 se realizó un proceso de superposición temática de estas dos capas para obtener la superficie de cambio de la cobertura de bosque en el periodo (figura 2). RESULTADOS Los principales resultados obtenidos de la aplicación del proceso metodológico aquí descrito son: Selección de productos MODIS con baja cobertura nubes para los años 2000 y 2007 (en promedio <12% para el área continental). Mapas de cobertura fraccional 2000 y Mapas Bosque / No Bosque 2000 y Mapa de cambio en coberturas boscosas y tasa de deforestación preliminar.

9 Figura 2 Mapa de cambio de coberturas Bosque/No-Bosque para el periodo

10 CONSIDERACIONES FINALES 1. Baja resolución espacial (250m) de los insumos utilizados. Por lo tanto el nivel de detalle corresponde a una escala 1: En este sentido, este tipo de aproximación permite un acercamiento general al estado de las coberturas boscosas del país, siendo una metodología orientada a la identificación de "Hotspots" de deforestación. 2. Los diferentes tipos de coberturas boscosas presentes en las regiones del país, comportan retos adicionales para su identificación de manera automatizada. Es necesario tener en cuenta, factores atmosféricos, climatológicos y fenológicos para ajustar las metodologías. El uso de la herramienta CLASlite permite obtener datos de deforestación y perturbación pero requiere de un proceso de calibración y ajuste con base en las especificidades del área de interés. 3. Se requiere una validación de los resultados obtenidos en este ejercicio preliminar de estimación de la tasa de deforestación, bien sea vía datos obtenidos en campo, o validaciones mediante la utilización de imágenes de sensores remotos de mayor resolución espacial en áreas previamente identificadas. 4. El IDEAM continuará trabajando este tipo de ejercicios en el marco de la conformación de un Sistema de monitoreo de la deforestación mediante la prueba con otras imágenes de sensores remotos de mayores resoluciones espaciales y espectrales (p.e. imágenes tipo Landsat), o realizando el mismo ejercicio de detección de cambios aplicado en este ejercicio para periodos anuales o bienales. 5. Se debe continuar con la generación de series temporales de productos MODIS con bajos niveles de coberturas de nubosidad y otros efectos atmosféricos no deseados que permitan la observación de procesos de cambio de las coberturas de la Tierra a través de un cubrimiento continuo del territorio nacional, minimizando artefactos. Para esto se sugiere utilizar los productos diarios del sensor MODIS (Terra y Aqua). 6. Se debe evaluar el uso de imágenes de sensores remotos de similares características técnicas de las imágenes MODIS, como es el caso de imágenes MERIS, CBERS-2, para reducir las coberturas de nubosidad y obtener productos de mayor calidad.

11 LIMITACIONES TÉCNICAS DEL EJERCICIO A continuación se presentan las limitaciones técnicas más relevantes en cuanto al ejercicio avanzado así como de manera específica la aplicación de CLASlite a nivel nacional Variaciones radiométricas en el sinergismo entre los productos MOD09A1 y MOD09Q1. Por la forma en que se generan los productos MODIS utilizados para el ejercicio (productos resumen para cada 8 días) se generaron variaciones radiométricas en el sinergismo propuesto, tal y como se presenta en la figura 3. Figura 3. Variaciones radiométricas en el sinergismo generado para el ejercicio. Limite Amazonia-Orinoquia, Imagen MODIS H11V08 de diciembre de 2007 RGB=463. Presencia de áreas sin información (Bandeamiento) en el sinergismo entre los productos MOD09A1 y MOD09Q1. Esta situación se presenta en algunas de las escenas del producto MOD09Q1 y éstas podrían influenciar los resultados finales. Sin embargo, según se observó, esto no fue un problema en la imagen de cobertura fraccional generada por CLASlite y la posterior generación del mapa de Bosque/No Bosque (figura 4).

12 Figura 4. Bandeamiento en el sinergismo generado para el ejercicio. Limite Amazonia- Orinoquia, Imagen de cobertura fraccional de la MODIS H11V08 de diciembre de 2007 RGB=S/VF/VNF. Interoperabilidad entre CLASlite con otros programas comerciales de Procesamiento Digital de Imágenes. La metodología que se siguió implicó realizar procesos alternos fuera de la plataforma de CLASlite (modificación de los umbrales de detección de bosque) en programas comerciales tales como ENVI, ArcGIS y ERDAS Imagine. Estos procesos pueden generar problemas con el adecuado reconocimiento de los sistemas de proyección y alteración de los valores de niveles digitales. Posterior a este estudio, CLASlite V 2.2 ya permite guardar los resultados productos de todos los pasos en formato GeoTIFF, con lo cual se subsanan los problemas presentados durante el presente ejercicio. Los efectos atmosféricos en una imagen causados por alto niveles de humedad en cualquiera de sus formas: nubes, niebla, neblina, etc. son una de las limitaciones principales del uso de sensores ópticos. Entonces, áreas con mucha variación en las niveles de humedad de una imagen pueden generar resultados variables. Para tratar esto, CLASlite proporciona varias opciones, incluyendo la corrección de neblina y tres momentos de enmascaramiento. La corrección neblina no puede usarse con MODIS por lo cual no pudo ser aplicada en este ejercicio, pero sí podría usarse en un futuro ejercicio con Landsat, tal y como está planteado por IDEAM. Ésta opción puede ayudar a generar resultados con una menor variación por causa de altos niveles de humedad. Adicionalmente, para minimizar ésta variación, es recomendable usar imágenes de la misma época en caso que éstas estén disponibles.