Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EspejoValeroOscarJavier2017 PDF
EspejoValeroOscarJavier2017 PDF
estimación de la deforestación
mediante el análisis multitemporal de
imágenes multiespectrales en un
entorno de análisis basado en
objetos geográficos (GEOBIA).
Autor:
Oscar Javier Espejo Valero
Autor:
Oscar Javier Espejo Valero
Presentado para optar por el título de: Magíster en Ciencias de la Información y las
Telecomunicaciones
Director
Prof. MsC. Ing. William Barragan
Co-Director:
Prof. Ph.D Ing. Iván Lizarazo
AGRADECIMIENTOS
Este proceso de investigación no hubiese podido ser posible sin el apoyo del Sistema de
Monitoreo de Bosques y Carbono del IDEAM, pues me facilitaron el acceso a los recursos
de software y de manera abierta y transparente publican los datos de sus resultados del
monitoreo de la deforestación para consulta del público, especialmente agradecer a
Gustavo Galindo, Coordinador del componente de Procesamiento Digital de Imágenes, y
al Ingeniero Edersson Cabrera Coordinador del proyecto. A los docentes de la Maestría en
Ciencias de La información y las Telecomunicaciones del énfasis en Geomatica por su
orientación, especialmente al Profesor Ivan Lizarazo por sus ideas y aportes en el tema de
análisis de objetos y validación, así como en la estructura del presente documento. Al
profesor William Barragán por su apoyo en la finalización del proceso. Al Ingeniero y
Magister Salomón Ramírez por sus aportes y el desarrollo del pluggin de QuickSTEP en
QGIS, y a los revisores y jurados por sus aportes constructivos a este documento.
3
RESUMEN
Durante los últimos 30 años para la generación de datos sobre las dinámicas
espaciotemporales de las coberturas de la tierra se han implementado procesos de análisis
multitemporal mediante la superposición de mapas temáticos de coberturas. Dichos mapas
se han generado mediante metodologías de clasificación basada en píxeles, es decir que
los análisis de cambio temporal se basan en la determinación de la variación temática en
dos periodos de tiempo de un mismo píxel (Weng, 2011), por lo que carecen de un análisis
contextual, espacial y temporal de las variaciones espectrales de las coberturas
analizadas.
Los resultados obtenidos permiten concluir que una metodología de detección de cambios
completamente orientada a objetos facilita el modelamiento de las características
temáticas, geométricas y temporales para el análisis de cambios en las coberturas de la
tierra y que los conceptos de análisis y modelamiento espacial de procesos cartograficos
pueden implementarse en el mismo proceso de clasificación de la serie de tiempo.
ACRÓNIMOS
Tabla de Contenido
AGRADECIMIENTOS 2
RESUMEN 3
ACRÓNIMOS 4
TABLA DE CONTENIDO 5
ÍNDICE DE ILUSTRACIONES 9
ÍNDICE DE TABLAS 14
ÍNDICE DE MAPAS 21
1.1. INTRODUCCIÓN 23
1.7. Justificación 32
2.2. Sobre los métodos de detección de cambios: Datos temporales a Información Multitemporal. 48
3.4. Métodos 78
4.1. Resultados Fase 1. Estructuración de la serie de tiempo en eCognition (Ingesta de los datos). 96
4.1.1. Preparación de los datos. 99
4.1.1.1. Cálculo de los índices y transformaciones. 99
4.1.1.2. Incorporación de los datos CFMASK. 100
4.1.1.3. Segmentación de la Serie de Tiempo. 102
4.5. Resultados Fase 5. Análisis espaciotemporal de la serie de tiempo para la detección de cambios.
111
4.8. Algoritmo GEOBIA para detección de la deforestación en una serie de tiempo. 130
BIBLIOGRAFÍA 141
ANEXO 1. 148
Estructura en XML para la importación (ingesta) de los datos de la serie de tiempo en eCognition. 148
8
ANEXO 2. 150
Determinación del espacio de características más adecuado para la clasificación de Bosque y No Bosque
empleando 3 clasificadores Machine Learning. 150
ANEXO 3. 154
Matrices STEP de los resultados de la evaluación de los métodos DT, RF, SVM y Knn a partir de los datos
de referencia IDEAM y Global Forest Cnange. 154
Sector #1. Método RF. Validación IDEAM. 154
Sector #1. Método DT. Validación IDEAM. 155
Sector #1. Método KNN. Validación IDEAM. 156
Sector #1. Método SVM. Validación IDEAM. 157
Sector #1. Método RF. Validación GLOBAL FOREST CHANGE. 158
Sector #1. Método DT. Validación GLOBAL FOREST CHANGE. 159
Sector #1. Método KNN. Validación GLOBAL FOREST CHANGE. 160
Sector #1. Método SVM. Validación GLOBAL FOREST CHANGE. 161
Sector #2. Método RF. Validación IDEAM. 162
Sector #2. Método DT. Validación IDEAM. 163
Sector #2. Método KNN. Validación IDEAM. 164
Sector #2. Método SVM. Validación IDEAM. 165
Sector #2. Método RF. Validación GLOBAL FOREST CHANGE. 166
Sector #2. Método DT. Validación GLOBAL FOREST CHANGE. 167
Sector #2. Método KNN. Validación GLOBAL FOREST CHANGE. 168
Sector #2. Método SVM. Validación GLOBAL FOREST CHANGE. 169
Sector #3. Método RF. Validación IDEAM. 170
Sector #3. Método DT. Validación IDEAM. 171
Sector #3. Método KNN. Validación IDEAM. 172
Sector #3. Método SVM. Validación IDEAM. 173
Sector #3. Método RF. Validación GLOBAL FOREST CHANGE. 174
Sector #3. Método DT. Validación GLOBAL FOREST CHANGE. 175
Sector #3. Método KNN. Validación GLOBAL FOREST CHANGE. 176
Sector #3. Método SVM. Validación GLOBAL FOREST CHANGE. 177
9
Índice de Ilustraciones
Ilustración 1. Patrón de deforestación en la Amazonia Colombiana. (Proyecto SIMCI, 2009). .......................35
Ilustración 2 Delimitación de bosque fragmentado en zona de bosque denso. (IDEAM, 2012). ....................35
Ilustración 3 Principios y procesos del método de la teledetección. (Jensen, 2009a).....................................37
Ilustración 4. Terminología y dimensiones de una imagen digital. (Jensen, 2009a) .......................................37
Ilustración 5. Esquema de una clasificación basada en píxeles. (Jensen, 2009b) ............................................38
Ilustración 6 Construcción de los hiperplanos de separación para un conjunto de dos muestras. Tomado de
http://samuelabad1991.blogspot.com.co/2014/02/analisis-con-maquinas-de-vectores.html .............41
Ilustración 7 Comparación de los resultados de una clasificación con una función SVM Kernel Gaussiano
Base Radial para dos clases verde y rojo, con cada punto como muestra (A) C: 0.05 y Sigma: 1.0, (B) C:
0.05 y Sigma: 2.5, (C) C: 1.5 y Sigma: 1.0 y (D) C: 1.5 y Sigma: 2.5. .........................................................41
Ilustración 8 Árbol de decisión a partir de datos multiespectrales para la clasificación de áreas de Bosque y
No Bosque. IRC (Banda Espectral del Infrarrojo Cercano) A_1 (banda espectral del azul). Fuente: Autor.
................................................................................................................................................................42
Ilustración 9. Simplificación ilustrada del concepto de Bosques Aleatorios (Random Forest). (Breiman, 2001)
................................................................................................................................................................42
Ilustración 10. Principio del algortimo Knn ......................................................................................................43
Ilustración 11. Diferentes tipos de objetos generados sobre (A) una imagen multiespectral
RGB(IRC,IRM,ROJO),un objeto puede ser un píxel (B), pero son más significativos los objetos que
definen regiones espectralmente homogéneas (C). Fuente: Autor. .......................................................44
Ilustración 12.Ponderaciones más adecuadas para el parámetro de homogeneidad en proceso de
segmentación de imágenes Landsat para coberturas vegetales. (Ardila & Espejo, 2005) .....................47
Ilustración 13. Izquierda, Objetos de referencia. Derecha, Objetos clasificados. (Lizarazo, 2014a) ...............55
Ilustración 14 Detalle de los resultados de los indicadores STEP por cada objeto en el ejemplo dado por
(Lizarazo, 2014a) .....................................................................................................................................55
Ilustración 15 Sitio Web de Global Forest Change, Universidad de Maryland. Presentando los datos de
Perdida de bosque entre 2000 y 2013 para el norte de Sur América. Consultado el 20 de Marzo de
2015. .......................................................................................................................................................58
Ilustración 16 Plataforma de acceso y consulta de los datos del proyecto PRODES. Consultado el 20 de
Marzo de 2015. .......................................................................................................................................59
Ilustración 17 Plataforma web de consulta de los datos de Terra-i. ...............................................................60
Ilustración 18 Mapa de Cambio de Bosques Colombia 2012-2013. IDEAM. ...................................................61
Ilustración 19 Dinámica de cultivos de usos ilícito en el PNN Sierra de la Macarena. (UNODC & Parques
Nacionales Naturales de Colombia, 2004) ..............................................................................................65
Ilustración 20 Comparación de las escalas de las detecciones de los sistemas Terra-i CIAT (Rojo) y Global
Forest Change (Amarillo). Elaboración Propia ........................................................................................78
Ilustración 21. Metodología General Propuesta. Elaboración propia. ............................................................82
Ilustración 22 Concepto de la estructura de una imagen multiespectral estructurada como una serie de
tiempo. (eCognition Developer, 2009)....................................................................................................83
Ilustración 23 Esquema del resultado del corregistro de todas las imágenes dela serie de tiempo a la matriz
de la primera imagen Landsat 8 de la serie. Elaboración propia. ...........................................................84
Ilustración 24 Ejemplo de la definición de un proceso de importación. Los parámetros para importar cada
archivo, o cadenas de búsquedas están delimitados por { }. ..................................................................85
10
Ilustración 25 Detalle del proceso de importación. La asignación de nombres estándar, Alias, a cada una de
las bandas, Channel, de las imágenes espectral a ser importada. ..........................................................85
Ilustración 26 Proceso de construcción de links, flechas amarillas, entre un objeto, círculo rojo, en los
diferentes momentos de una serie de tiempo, T. (eCognition Developer, 2009) ..................................88
Ilustración 27 Construcción de los links entre objetos en dos momentos diferentes de la serie de tiempo,
para la definición de una clase asociada al cambio correspondiente. Elaboración Propia.....................89
Ilustración 28 Esquema de modelamiento de los objetos de deforestación validos a partir de los Links entre
objetos en diferentes Frames de la serie de tiempo. Elaboración Propia. .............................................90
Ilustración 29 Esquema de modelamiento de los objetos de deforestación validos e inválidos a partir de los
Links entre objetos en diferentes Frames de la serie de tiempo. Elaboración Propia. ...........................90
Ilustración 30 Esquema de modelamiento de los objetos de deforestación válidos y acumulados a partir de
los Links entre objetos en diferentes Frames de la serie de tiempo. Elaboración Propia. .....................91
Ilustración 31 Esquema de modelamiento de los ajustes a las objetos de Bosque y No Bosque a partir de los
Links entre objetos de deforestación no validos en los diferentes Frames de la serie de tiempo.
Elaboración Propia. .................................................................................................................................92
Ilustración 32. Ejemplo de la definición de los objetos de deforestación A y B en una serie de 3 frames.
Elaboración Propia. .................................................................................................................................93
Ilustración 33 Ejemplo de la definición y validación de los objetos de deforestación A y B en una serie de 4
frames. Elaboración Propia. ....................................................................................................................93
Ilustración 34. Pluging STEP implementado en QGIS para el cálculo de la matriz STEP. (Ramirez & Lizarazo,
2016). ......................................................................................................................................................94
Ilustración 35 Detalle de la estructura XML para definir el proceso de importación y estructuración de las
imágenes y demás datos secundarios a la serie de tiempo ....................................................................96
Ilustración 36 Detalle del resultado de la segmentación, límite de los objetos en azul, sobre los momentos
T0 (A), T1 (B), T2 (C) y T5 (D) de la serie de tiempo en una combinación de color RGB(Inf Medio, Inf
Cercano, Rojo). Elaboración propia. .......................................................................................................98
Ilustración 37 Detalle del algoritmo en lenguaje CNL para el cálculo de los índices NDVI, ARVI, NBR, y los
componentes de la transformación Tasseled Cap. Elaboración propia. .................................................99
Ilustración 38. Resultado del cálculo de las variables espectrales de (A) NDVI, (B) NBR, (C) ARVI y (D)
RGB(Brillo, Verdor, Humedad) para el frame T0. ....................................................................................99
Ilustración 39 Ejemplo del proceso de incorporación de los datos de CFMASK para la imagen T1. (A)
Mascara CFMASK, (B) Imagen analizada en una combinación de color RGB(Inf Medio, Inf Cercano,
Rojo), (C) Delimitación de la máscara CFMASK sobre la imagen y (D) Segmentación de la imagen en
zona de Nubes y No Nubes. Elaboración propia ...................................................................................100
Ilustración 40 Ejemplo del proceso de ajuste de la máscara inicial CFMASK para la imagen T1. La máscara
inicial (A) subestima las áreas de nubes, así que mediante el proceso de ajuste propuesto se expanden
(B), filtran (C) y consolida (D) la máscara final. Elaboración propia. .....................................................101
Ilustración 41. Función “Nubes” en CNL, para el ajuste de la máscara CFMASK ...........................................102
Ilustración 42 Parámetros de la segmentación multisescala realizada en eCognition y que aplicados a la
serie de tiempo generan los objetos a ser clasificados. Elaboración propia. ......................................102
Ilustración 43 Detalle del resultado de la segmentación aplicada a cada uno de los frames de la serie de
tiempo. (A) T0, (B) T2, (C) T4 y (D) T5....................................................................................................103
Ilustración 44 Proceso de creación de los objetos de muestreo en el Frame Ti, a partir de la relación
topológica del objeto y el punto de muestreo. Elaboración Propia .....................................................104
11
Ilustración 45 Detalle en el mismo sector para los frames (A) T0 (B) T7 y (C) T4 de los objetos definidos
como muestras a las clases Bosque y No Bosque en cada uno de los frames de la serie de tiempo.
Elaboración Propia ................................................................................................................................104
Ilustración 46 Detalle del proceso de generación del muestreo, y creación de los objetos de entrenamiento.
..............................................................................................................................................................105
Ilustración 47 Separabilidad estadística de los datos de las muestra. Tomado de (eCognition Developer,
2009) .....................................................................................................................................................106
Ilustración 48 Detalle de los resultados para la optimización y selección de la mejor combinación de
variables (dimensiones) para la clasificación de los objetos de la imagen a partir de los objetos
segmentados. Tomado de (eCognition Developer, 2009) ....................................................................106
Ilustración 49. Detalle del proceso de Entrenamiento y Ejecución del clasificador DT. Elaboración propia. 109
Ilustración 50 Clasificación final para el T0. Algoritmos (A) DT, (B) Knn, (C) Rf y (D) SVM. ...........................109
Ilustración 51 La sobrestimación de las áreas de No Bosque en zonas de presencia de nubes es mayor en
algoritmos como DT (A), que en algoritmos como Knn (B). La línea roja representa el límite de la
máscara CFMASK ..................................................................................................................................110
Ilustración 52 El ajuste de la máscara CFMASK, áreas naranja en (B), puede llevar a una sobrestimación de
las áreas de Nubes en zonas de presencia de Bosque, como puede verse en (A) son zonas de
vegetación boscosa con fenología y reflectancia variable que se enmascaran de forma incorrecta. ..110
Ilustración 53 Proceso de construcción de los links entre los objetos de Bosque en el T0 (A) y los objetos de
NO Bosque en el T1 (B). Los objetos conectados topológicamente (link espaciotemporal) se resaltan
en ambas imágenes. .............................................................................................................................113
Ilustración 54 Resultados del proceso de ajuste de las áreas sin información a partir de la clasificación de los
frames previos de la serie de tiempo. En zonas con varios periodos de tiempo sin información se
pueden generar asignaciones erróneas. ...............................................................................................113
Ilustración 55 Comparación temática de la detección por deforestación para el Sector #1. Los cambios por
deforestación se resaltan entre cada frame en flechas amarillas. Se presentan los agregados para cada
uno de los métodos y el mapa de referencia elaborado por IDEAM y Global Forest Change.
Elaboración propia. ...............................................................................................................................115
Ilustración 56 Comparación temática de la detección por deforestación para el Sector #2. Se presentan los
agregados para cada uno de los métodos y el mapa de referencia elaborado por IDEAM y Global
Forest Change. Elaboración propia. .....................................................................................................116
Ilustración 57 Comparación temática de la detección por deforestación para el Sector #3. Se presentan los
agregados para cada uno de los métodos y el mapa de referencia elaborado por IDEAM y Global
Forest Change. Elaboración propia. .....................................................................................................116
Ilustración 58 Resultados comparativos para el Sector #1, a partir de los datos de validación IDEAM
(polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como referencia se
presentan las imágenes del primer frame T0 (A) y ultimo frame T5 (B). ..............................................121
Ilustración 59 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #1 a partir de los
datos de validación de IDEAM. .............................................................................................................122
Ilustración 60 Resultados comparativos para el Sector #1, a partir de los datos de validación Global Forest
Change (polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como referencia
se presentan las imágenes del primer frame T0 (A) y ultimo frame T5 (B). .........................................122
12
Ilustración 61 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #1 a partir de los
datos de validación de Global Forest Change. ......................................................................................122
Ilustración 62 Resultados comparativos para el Sector #2, a partir de los datos de validación IDEAM
(polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como referencia se
presentan las imágenes del primer frame T0 (A) y ultimo frame T5 (B). ..............................................124
Ilustración 63 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #2 a partir de los
datos de validación de IDEAM. .............................................................................................................124
Ilustración 64 Resultados comparativos para el Sector #2, a partir de los datos de validación Global Forest
Change (polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como referencia
se presentan las imágenes del primer frame T0 (A) y último frame T5 (B). .........................................124
Ilustración 65 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #2 a partir de los
datos de validación de Global Forest Change. ......................................................................................125
Ilustración 66 Resultados comparativos para el Sector #3, a partir de los datos de validación IDEAM
(polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como referencia se
presentan las imágenes del primer frame T0 (A) y ultimo frame T5 (B). ..............................................126
Ilustración 67 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #3 a partir de los
datos de validación de IDEAM. .............................................................................................................126
Ilustración 68 Resultados comparativos para el Sector #3, a partir de los datos de validación Global Forest
Change (polígonos rojos) y cada uno de los métodos empleados (polígonos purpura). Como se
referencia se presentan las imágenes del primer frame T0 (A) y ultimo frame T5 (B). ........................126
Ilustración 69 Gráficos radiales comparando las estadísticas de exactitud Promedio para todas las clases (A)
y la Exactitud del Usuario (B) y Productor (C) para la clase deforestación en el Sector #3 a partir de los
datos de validación de Global Forest Change. ......................................................................................127
Ilustración 70 Comparación del número de objetos de deforestación generados por cada algoritmo y los
datos de referencia IDEAM y Global Forest Change. Los datos corresponden al agregado del frame T4,
que correspondería al reporte de deforestación para 2014. ................................................................127
Ilustración 71 Comparación de los resultados de la detección de áreas deforestada por cada Frame
analizado de la serie de tiempo para el periodo de análisis 2013 (Frames T1 a T5) .............................128
Ilustración 72 Comparación de los resultados de la detección acumulada de áreas deforestada en cada
Frame de la serie de tiempo para el periodo de análisis 2013 (Frames T1 a T5) ..................................128
Ilustración 73 Comparación de los resultados de la detección total del área deforestada (área deforestada
acumulada para el Frame T5) para el periodo de análisis 2013 ...........................................................129
Ilustración 74 Comparación de los resultados para las clases estables, Bosque y No Bosque, para cada
método de clasificación en el frame T5. ...............................................................................................130
Ilustración 75 Esquema de procesos del algoritmo CNL para la detección de objetos de deforestación en un
entorno GEOBIA ....................................................................................................................................130
Ilustración 76. Primeras 3 partes del Algoritmo GEOBIA desarrollado para la detección de la deforestación
en una serie de tiempo. Preparación de datos, Segmentación y Generación del Muestreo................131
13
Ilustración 77 Cuarta parte del Algoritmo GEOBIA desarrollado para la detección de la deforestación en una
serie de tiempo. Entrenamiento y clasificación de cada Frame de la Serie de tiempo por cada método
definido. ................................................................................................................................................132
Ilustración 78 Quinta parte del Algoritmo GEOBIA desarrollado para la detección de la deforestación en una
serie de tiempo. Determinación de los cambios y depuración de las áreas de deforestación. ............133
Ilustración 79 Proceso para la determinación de las áreas de deforestación entre Frames consecutivos de la
Serie de tiempo. Elaboración Propia. ....................................................................................................133
Ilustración 80 Proceso de ajuste de las detecciones de deforestación a partir de la evaluación mediante
procesos iterativos entre las coberturas Bosque, No Bosque y Deforestación. ...................................134
Ilustración 81 Sexta y última parte del Algoritmo GEOBIA desarrollado para la detección de la deforestación
en una serie de tiempo. Exportación de los datos para la presentación y análisis. ..............................134
14
Índice de Tablas
Tabla 1 Resumen de las metodologías de detección de cambios en imágenes satelitales. Adaptada de
(Hussain et al., 2013). 49
Tabla 2. Matriz STEP por agregada por clase a partir de los objetos de referencia. (Lizarazo, 2014a) 55
Tabla 3 Matriz de error ponderado para la métrica de Forma (shape). (Lizarazo, 2014a) 56
Tabla 4 Exactitud geométrica y temática promedio y sus intervalos de confianza. (Lizarazo, 2014a) 56
Tabla 5 Proporción de áreas administrativas en la zona de estudio. Elaboración propia. 64
Tabla 6 Resumen de las imágenes satelitales a emplear. Elaboración Propia. 68
Tabla 7 Variable y datos auxiliarles a ser empleado en el desarrollo de la propuesta 73
Tabla 8 Procesos y herramientas propuestas para el desarrollo de la metodología propuesta. Elaboración
propia. 79
Tabla 9 Propuesta de nomenclatura para los archivos a ser incorporados a la serie de tiempo. Elaboración
propia 84
Tabla 10 Serie de tiempo de datos espectrales y datos temáticos empleados en el presente estudio.
Elaboración Propia 97
Tabla 11. Relación entre los Frames (Ti) y las fechas de las imágenes en la serie de tiempo. Elaboración
Propia. 98
Tabla 12 Comparación de resultados de la clasificación de Bosque y No Bosque para cada uno de los frames
de la serie de tiempo por medio de los algoritmos de aprendizaje de maquina aplicados. Elaboración
propia. 108
Tabla 13 Comparación de los resultados de la detección de áreas deforestadas por la metodología entre
cada uno de los momentos, frames, de la serie de tiempo. Elaboración Propia 112
Tabla 14. Comparación de los resultados de la detección acumulada de áreas deforestadas entre el primer
frame y cada nuevo momento de la serie de tiempo. Elaboración Propia 114
Tabla 15 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#1 a partir de los datos IDEAM. 117
Tabla 16 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 117
Tabla 17 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#1 a partir de los datos IDEAM. 117
Tabla 18 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 118
Tabla 19 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 118
Tabla 20 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #1 a partir de los datos IDEAM. El código de Color indica los valores más bajos (amarillo) a los
más altos (verde) 119
15
Tabla 21 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #2 a partir de los datos IDEAM. El código de Color indica los valores más bajos (amarillo) a los
más altos (verde) 119
Tabla 22 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #3 a partir de los datos IDEAM. El código de Color indica los valores más bajos (amarillo) a los
más altos (verde) 119
Tabla 23 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #1 a partir de los datos Global Forest Change. El código de Color indica los valores más bajos
(amarillo) a los más altos (verde) 119
Tabla 24 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #2 a partir de los datos Global Forest Change. El código de Color indica los valores más bajos
(amarillo) a los más altos (verde) 120
Tabla 25 Resumen de los indicadores promedio por métricas de la matriz STEP para los 4 métodos aplicados
al Sector #3 a partir de los datos Global Forest Change. El código de Color indica los valores más bajos
(amarillo) a los más altos (verde) 120
Tabla 23. Coordenadas que delimitan la muestra de la imagen para la optimización de SVM 150
Tabla 24. Resumen de resultados del Indicador de exactitud promedio para cada clasificador en los 3
ejercicios. 151
Tabla 25. Resumen de resultados del índice kappa para cada clasificador en los 3 ejercicios. 151
Tabla 26. Intervalos de confianza al 95% para kappa. 152
Tabla 27 Resumen de las comparaciones entre clasificaciones a partir de la desviación normal estándar de
kappa. 153
Tabla 28 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#1 a partir de los datos IDEAM. 154
Tabla 29 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 154
Tabla 30 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#1 a partir de los datos IDEAM. 154
Tabla 31 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 154
Tabla 32 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM. 154
Tabla 33 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#1 a partir de los datos IDEAM. 155
Tabla 34 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #1 a partir de los datos IDEAM. 155
Tabla 35 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#1 a partir de los datos IDEAM. 155
Tabla 36 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #1 a partir de los datos IDEAM. 155
Tabla 37 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #1 a partir de los datos IDEAM. 155
Tabla 38 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el Sector
#1 a partir de los datos IDEAM. 156
16
Tabla 39 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #1 a partir de los datos IDEAM. 156
Tabla 40 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el Sector
#1 a partir de los datos IDEAM. 156
Tabla 41 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #1 a partir de los datos IDEAM. 156
Tabla 42 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector #1 a partir de los datos IDEAM. 156
Tabla 43 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el Sector
#1 a partir de los datos IDEAM. 157
Tabla 44 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #1 a partir de los datos IDEAM. 157
Tabla 45 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el Sector
#1 a partir de los datos IDEAM. 157
Tabla 46 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #1 a partir de los datos IDEAM. 157
Tabla 47 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #1 a partir de los datos IDEAM. 157
Tabla 48 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 158
Tabla 49 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 158
Tabla 50 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 158
Tabla 51 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 158
Tabla 52 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 158
Tabla 53 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 159
Tabla 54 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 159
Tabla 55 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 159
Tabla 56 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 159
Tabla 57 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 159
Tabla 58 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 160
Tabla 59 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 160
Tabla 60 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 160
17
Tabla 61 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 160
Tabla 62 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 160
Tabla 63 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 161
Tabla 64 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 161
Tabla 65 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el Sector
#1 a partir de los datos GLOBAL FOREST CHANGE. 161
Tabla 66 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 161
Tabla 67 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #1 a partir de los datos GLOBAL FOREST CHANGE. 161
Tabla 68 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#2 a partir de los datos IDEAM. 162
Tabla 69 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #2 a partir de los datos IDEAM. 162
Tabla 70 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#2 a partir de los datos IDEAM. 162
Tabla 71 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #2 a partir de los datos IDEAM. 162
Tabla 72 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #2 a partir de los datos IDEAM. 162
Tabla 73 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#2 a partir de los datos IDEAM. 163
Tabla 74 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #2 a partir de los datos IDEAM. 163
Tabla 75 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#2 a partir de los datos IDEAM. 163
Tabla 76 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #2 a partir de los datos IDEAM. 163
Tabla 77 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #2 a partir de los datos IDEAM. 163
Tabla 78 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el Sector
#2 a partir de los datos IDEAM. 164
Tabla 79 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #2 a partir de los datos IDEAM. 164
Tabla 80 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el Sector
#2 a partir de los datos IDEAM. 164
Tabla 81 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #2 a partir de los datos IDEAM. 164
Tabla 82 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector 1 a partir de los datos IDEAM. 164
18
Tabla 83 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el Sector
#2 a partir de los datos IDEAM. 165
Tabla 84 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #2 a partir de los datos IDEAM. 165
Tabla 85 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el Sector
#2 a partir de los datos IDEAM. 165
Tabla 86 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #2 a partir de los datos IDEAM. 165
Tabla 87 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #2 a partir de los datos IDEAM. 165
Tabla 88 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#2 a partir de los datos GLOBAL FOREST CHANGE. 166
Tabla 89 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 166
Tabla 90 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#2 a partir de los datos GLOBAL FOREST CHANGE. 166
Tabla 91 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 166
Tabla 92 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 166
Tabla 93 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#2 a partir de los datos GLOBAL FOREST CHANGE. 167
Tabla 94 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 167
Tabla 95 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#2 a partir de los datos GLOBAL FOREST CHANGE. 167
Tabla 96 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 167
Tabla 97 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 167
Tabla 98 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el Sector
#2 a partir de los datos GLOBAL FOREST CHANGE. 168
Tabla 99 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 168
Tabla 100 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 168
Tabla 101 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 168
Tabla 102 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 168
Tabla 103 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 169
Tabla 104 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 169
19
Tabla 105 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 169
Tabla 106 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 169
Tabla 107 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #2 a partir de los datos GLOBAL FOREST CHANGE. 169
Tabla 108 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#3 a partir de los datos IDEAM. 170
Tabla 109 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #3 a partir de los datos IDEAM. 170
Tabla 110 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#3 a partir de los datos IDEAM. 170
Tabla 111 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #3 a partir de los datos IDEAM. 170
Tabla 112 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #3 a partir de los datos IDEAM. 170
Tabla 113 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#3 a partir de los datos IDEAM. 171
Tabla 114 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #3 a partir de los datos IDEAM. 171
Tabla 115 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#3 a partir de los datos IDEAM. 171
Tabla 116 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #3 a partir de los datos IDEAM. 171
Tabla 117 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #3 a partir de los datos IDEAM. 171
Tabla 118 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el
Sector #3 a partir de los datos IDEAM. 172
Tabla 119 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #3 a partir de los datos IDEAM. 172
Tabla 120 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el
Sector #3 a partir de los datos IDEAM. 172
Tabla 121 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #3 a partir de los datos IDEAM. 172
Tabla 122 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector 1 a partir de los datos IDEAM. 172
Tabla 123 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el
Sector #3 a partir de los datos IDEAM. 173
Tabla 124 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #3 a partir de los datos IDEAM. 173
Tabla 125 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el
Sector #3 a partir de los datos IDEAM. 173
Tabla 126 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #3 a partir de los datos IDEAM. 173
20
Tabla 127 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #3 a partir de los datos IDEAM. 173
Tabla 128 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el Sector
#3 a partir de los datos GLOBAL FOREST CHANGE. 174
Tabla 129 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación RF para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 174
Tabla 130 Matriz de errores ponderados para Borde (Edge) por el método de clasificación RF para el Sector
#3 a partir de los datos GLOBAL FOREST CHANGE. 174
Tabla 131 Matriz de errores ponderados para Posición (Position) por el método de clasificación RF para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 174
Tabla 132 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 174
Tabla 133 Matriz de errores ponderados para Área (Shape) por el método de clasificación DT para el Sector
#3 a partir de los datos GLOBAL FOREST CHANGE. 175
Tabla 134 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación DT para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 175
Tabla 135 Matriz de errores ponderados para Borde (Edge) por el método de clasificación DT para el Sector
#3 a partir de los datos GLOBAL FOREST CHANGE. 175
Tabla 136 Matriz de errores ponderados para Posición (Position) por el método de clasificación DT para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 175
Tabla 137 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 175
Tabla 138 Matriz de errores ponderados para Área (Shape) por el método de clasificación KNN para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 176
Tabla 139 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación KNN para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 176
Tabla 140 Matriz de errores ponderados para Borde (Edge) por el método de clasificación KNN para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 176
Tabla 141 Matriz de errores ponderados para Posición (Position) por el método de clasificación KNN para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 176
Tabla 142 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 176
Tabla 143 Matriz de errores ponderados para Área (Shape) por el método de clasificación SVM para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 177
Tabla 144 Matriz de errores ponderados para Tematico (Theme) por el método de clasificación SVM para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 177
Tabla 145 Matriz de errores ponderados para Borde (Edge) por el método de clasificación SVM para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 177
Tabla 146 Matriz de errores ponderados para Posición (Position) por el método de clasificación SVM para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 177
Tabla 147 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM para el
Sector #3 a partir de los datos GLOBAL FOREST CHANGE. 177
21
Índice de Mapas
Mapa 1 Localización General del Parque Nacional Natural Sierra de la Macarena. Elaboración propia. 63
Mapa 2. Perspectiva del Parque Nacional Natural Sierra de La Macarena y cultivos de coca 2005. (UNODC &
Parques Nacionales Naturales de Colombia, 2004) 66
Mapa 3. Dinámica del territorio afectado por cultivos de coca en el departamento del Meta. 2001-2012.
(UNODC, 2014a) 67
Mapa 4 Mapa Imagen Landsat 8 2014-01-10. RGB(IRC,IRM,ROJO). Elaboración propia. 69
Mapa 5 Mapa Imagen Landsat 8 2014-01-26. RGB(IRC,IRM,ROJO). Elaboración propia. 69
Mapa 6 Mapa Imagen Landsat 8 2014-03-31. RGB(IRC,IRM,ROJO). Elaboración propia. 70
Mapa 7 Mapa Imagen Landsat 8 2014-08-22. RGB(IRC,IRM,ROJO). Elaboración propia. 70
Mapa 8 Mapa Imagen Landsat 8 2014-09-23. RGB(IRC,IRM,ROJO). Elaboración propia. 71
Mapa 9 Mapa Imagen Landsat 7 2014-12-20. RGB(IRC,IRM,ROJO). Elaboración propia. 71
Mapa 10 Mapa Imagen Landsat 7 2015-01-05. RGB(IRC,IRM,ROJO). Elaboración propia. 72
Mapa 11 Mapa Imagen Landsat 7 2015-01-29. RGB(IRC,IRM,ROJO). Elaboración propia. 72
Mapa 12 Mapa de Bosque - No Bosque 1990. IDEAM. Elaboración propia. 74
Mapa 13 Mapa de Bosque - No Bosque 2010. IDEAM. Elaboración propia. 75
Mapa 14 Mapa de Bosque - No Bosque 2013. IDEAM. Elaboración propia. 75
Mapa 15 Mapa de cobertura fraccional de la vegetación 2014-03-31. CLASlite. Elaboración propia. 76
Mapa 16 Mapa de la pérdida anual de bosques 2002-2015 para la zona de interés. Global Forest Change
(Matthew C. Hansen et al., 2013). Elaboración propia. 77
Mapa 17 Mapa de las perdidas diarias en la vegetación en 2013 para la zona de interés. Terra-i CIAT.
Elaboración propia. 77
Mapa 18 Áreas de Bosque y No Bosque estables en el periodo 1990-2013, a partir de los datos de Bosque y
No Bosque del IDEAM. Elaboración propia. 86
Mapa 19 Puntos de muestreo aleatorio sobre los datos de Bosque y No Bosque Estables en el periodo
1990-2013, a partir de los datos de Bosque y No Bosque del IDEAM. 86
Mapa 20 Localización General de los puntos de entrenamiento y validación para la optimización de los
parámetros de los calificadores no paramétricos SVM, DT, RF y Knn. 151
22
1.1. INTRODUCCIÓN
Los cambios en la cobertura terrestre, generan diversos impactos en una amplia variedad
de propiedades y procesos del sistema ambiental, los efectos de dichos cambios se
perciben en un amplio espectro de subsistemas ambientales. La deforestación actúa como
una fuente emisora de carbono hacia la atmósfera, provocando una mayor erosión del
suelo, reduciendo la extensión del hábitat, así como la disminución de las especies y
contribuyendo al desplazamiento de los asentamientos humanos (Olofsson et al., 2014).
Dada la importancia de los efectos causados por el cambio en la cobertura terrestre para
el bienestar social, ha aumentado a nivel internacional el interés tanto científico como
político en cualificar y cuantificar dichos cambios (Achard & Hansen, 2012a; Phillips et al.,
2011a).
Los métodos para la determinación de la extensión de los bosques parten de los principios
de la cartografía mediante técnicas de teledetección de las características espetarles de
los diferentes tipos de coberturas (Achard & Hansen, 2012a). Los datos base son imágenes
satelitales multiespetrales de media y baja resolución espacial y temporal: Landsat,
ASTER, ALOS, SPOT y MODIS (Cabrera et al., 2011a; Galindo, Espejo, Cabrera, &
Rubiano, 2015; Hussain, Chen, Cheng, Wei, & Stanley, 2013). Los análisis realizados
sobre estas imágenes parten en su mayoría del análisis de correspondencia individual de
cada uno de los píxeles a unos patrones determinados de interés: Bosque, Agua, Suelo,
etc. Este proceso está enmarcado entonces en el análisis basado en píxeles individuales
(Lu & Weng, 2007; Salinero, 2002a; Shekhar & Xiong, 2008; Tso & Mather, 2009; Weng,
2011; Yang & Li, 2012).
Los principales problemas de los métodos basados en píxeles son: su falta de análisis de
las características contextuales y los largos tiempos requeridos en los procesos de edición
y postclasificación (T. Blaschke, 2005, 2010; Thomas Blaschke & Hay, 2001; Thomas
Blaschke & Strobl, 2001; Galindo et al., 2015). Esta inconsistencia es además la base en
la definición de un método de caracterización de cambios a nivel espectral, espacial y
24
Se ha documentado (T. Blaschke, 2005; Hussain et al., 2013; Jensen, 2009a) que en
procesos cartográficos a escala local, a partir de imágenes de alta resolución espacial
como WorldView o RapidEye, los métodos orientados a objetos permiten reducir la
variabilidad espectral de dentro de la misma cobertura, mientras que en estudios de escala
regional, empleando imágenes de media resolución espacial como SPOT y Landsat, son
más empleados los métodos basados en píxeles y a una escala global imágenes de
resolución espacial baja como MODIS técnicas de detección de cambios basadas en el
análisis Píxel y/o Sub-píxel son las que proporcionan un mejor resultado en monitoreo de
coberturas. Más sin embargo, en la práctica, son las técnicas basadas en píxeles las más
empleada para la detección de cambios en todas las escalas, dado que aun la mayoría de
técnicas y algoritmos de procesamiento y clasificación de imágenes están fundamentadas
en el análisis de píxeles individuales (Weng, 2011).
1
Durante el desarrollo y fundamentación de este nuevo campo se emplearon indistintamente los conceptos: “Basado en
objetos” u “Orientado a objetos”. Sin embargo se ha consolidado entre la mayoría de los autores el uso del concepto “Basado”
sobre el término “Orientado” dado que este último está más relacionado con el paradigma de la programación orientada a
objetos (Weng, 2011).
25
Existe la creciente demanda por una mayor capacidad técnica en el análisis de grandes
volúmenes de datos multiespectrales que permitan generar mapas temáticos cada vez más
exactos y oportunos sobre cambios en la cobertura boscosa, con la menor perdida de
información y la mayor cobertura tanto espacial como temporal (M. C. Hansen et al., 2013),
y dada la alta dinámica en la perdida de coberturas boscosas en nuestro país (Cabrera
et al., 2011b) y la mayor disponibilidad y capacidad en el análisis de este tipo de datos
existe, entonces la oportunidad de desarrollar una propuesta metodológica para la
definición de un análisis basado en objetos geográficos, GEOBIA, a partir de múltiples
27
imágenes satelitales multiespectrales que se espera permita una rápida, eficiente y más
exacta cuantificación de la extensión de la cobertura boscosa y la definición de las áreas
deforestadas.
Existen múltiples trabajos a nivel internacional que abordan el uso de GEOBIA como una
técnica adecuada para la identificación y cuantificación de cambios (Bontemps et al., 2008;
Hussain et al., 2013; Zhou et al., 2008), y se ha documentado el uso de series de tiempo
para la detección de procesos de cambio (Hamunyela, Verbesselt, & Herold, 2016; Hostert,
Griffiths, van der Linden, & Pflugmacher, 2015; Olofsson, Holden, Bullock, & Woodcock,
2016) pero estos son procesos enfocados al análisis de cambios a nivel de píxel; si bien
ya se han desarrollado procesos para formular métodos de detección de cambios por
deforestación a nivel de objetos geográficos (Formaggio et al., 2012; Kylie Johansen &
Johansen, 2011), aun no se han documentado procesos en los que la detección de
cambios se realice a nivel de objetos mediante el análisis de series de tiempo de imágenes
satelitales y aun los resultados de los procesos de detección de cambios antes
mencionados son validados bajo esquemas de cuantificación de la exactitud temática a
nivel de pixel (Olofsson et al., 2014).
Las imágenes empeladas fueron procesadas por el Servicio Geológico de los Estados
Unidos (USGS), para determinar los valores de reflectancia de Superficie (Surface
Reflectance) en cada píxel, sin embargo dichos algoritmos de calibración así como los
datos empelados para los ajustes atmosféricos y de terreno2, los datos empleados aquí
corresponden a los disponibles para Diciembre de 20143.
Debido a problemas generados en el sensor ETM+ desde mayo de 2003, el análisis con
datos de este sensor entregaran datos con aun mayor pérdida de información, no se
realizarán procesos de interpolación o ajustes sobre dichos datos.
2
Se publican constantemente los procesos de ajuste en: http://landsat.usgs.gov/CDR_LSR.php, fecha de consulta Mayo de
2016
3
Los datos satelitales pueden ser procesados por e USGS y ser publicados bajo una nueva versión.
32
1.7. Justificación
Los requerimientos de información espacial de gran calidad, representan una de las
necesidades más comunes en todas las actividades humanas, pues es cada día más
necesario y relevante conocer con mayor exactitud y velocidad los cambios sobre la
superficie terrestre. Existe una gran demanda de información espacial consistente de alto
nivel sobre las características y cambios de la cobertura vegetal, demanda que es cubierta
en su mayor grado por la información extraída de datos en imágenes satelitales.
Establecer una metodología de análisis multitemporal de imágenes satelitales más allá del
paradigma píxel y a partir del análisis de objetos geográficos permitiría establecer mejores
herramientas de análisis así como una mayor coherencia en los reportes generados sobre
las dinámicas de cambio de las coberturas boscosas, lo que permitiría un mejor análisis y
predicción de los cambios en la extensión y delimitación de un determinado fenómeno
continuo en el espacio y no restringido por el píxel (Thomas Blaschke & Strobl, 2001;
Geoffrey J. Hay & Blaschke, 2009). Y una mejor herramienta para la definición de
escenarios de referencia y cambio para el análisis y formulación de políticas ambientales
(Armenteras et al., 2006; Dávalos et al., 2011).
Las Imágenes satelitales multiespectrales son el insumo fundamental del presente estudio,
pues suministran los datos, como patrones espectrales, para la generación de los objetos
geográficos mediante el proceso de segmentación. Estos objetos serán clasificados
mediante diferente técnicas estadísticas y de aprendizaje de máquina para determinar las
áreas de cambio (perdida) en la cobertura boscosa, generando así un mapa temático sobre
la localización de las áreas deforestadas, que será evaluado y comparado con los
resultados oficiales, Mapa de Cambio de Bosque del IDEAM (Cabrera et al., 2011a),
mediante metodologías de evaluación orientadas a objetos.
.
4
Pueden referirse para ello las fichas de patrones definidas para CORINE LAND COVER disponibles en
http://www.ideam.gov.co/documents/11769/153716/Catalogo+Coberturas+Tierra.pdf/f2eafe32-f300-4ae7-9ab7-
f90a8670d75e. Consultado el 1 Marzo de 2015.
36
El análisis de cambios para este tipo datos no facilita una determinación adecuada de
fenómeno de la deforestación, pues los requerimientos de agregación y áreas solo
permiten llegar a reportes de cambios a nivel temático (tablas) pero no especificar
claramente la delimitación más precisa de los polígonos de cambio Ver por ejemplo:
Monitoreo de los bosques y otras coberturas de la Amazonia Colombiana, a escala
1:100.000 Cambios multitemporales en el período 2002 al 2007 (García et al., 2011).
Por lo anterior se determina que para a presente propuesta el análisis de las series de
tiempo se centrara en los cambios de Bosque a No Bosque mientras que las series sean
en periodos inferiores a los 5 años. En periodos de tiempo más largos, los procesos de
regeneración deberán ser tenidos en cuenta en el modelamiento de la metodología
GEOBIA, la presente propuesta debe servir de base a la generación de la estimación de
dichas áreas.
5
El tiempo de regeneración de un bosque no está claramente definido, un cronograma aproximado de formación de un
bosque por regeneración natural en zonas altas (más de 2000 m sobre el nivel del mar) partiendo de tierra desnuda, en
suelos relativamente fértiles:
Etapa 1: 0 años – Tierra desnuda
Etapa 2: 0.5 años – Flores silvestres
Etapa 3: 1 a 5 años – Pasto alto
Etapa 4: 5 a 20 años – Arbustos: surgen por encima del pasto los juveniles de los primeros arbustos y árboles pioneros; se
consolidan los primeros matorrales cerrados.
Etapa 5: 20 a 40 años – Matorral o bosque joven: la vegetación va ganando altura con los años; aparecen bromeliáceas y
orquídeas.
Etapa 6: 100 años en adelante – Bosque alto: la vegetación va adquiriendo rasgos de bosque maduro (troncos muy gruesos,
árboles de semillas grandes, jardines de plantas epífitas).
Consultado el 20 de Mayo de 2016 en: http://biodiversidadyconservacion.blogspot.com.co/2012/08/como-se-restaura-un-
bosque-la.html.
37
6
El término “escanea” es una definición conceptual más precisa del proceso de observación y medición llevado a cabo por
el sistema sensor. El escaneo es el proceso mediante el cual un sensor realiza un proceso de medición punto por punto
(equivalente a pequeñas áreas dentro de la escena) a lo largo de sucesivas líneas durante un tiempo finito (Jensen, 2009a).
38
7
El termino patrón espectral se refiere a un conjunto de observaciones de la radiancia de un mismo píxel obtenidas en
diferentes longitudes de onda (Yang & Li, 2012).
8
Cobertura hace referencia a al tipo de característica presente en la superficie terrestre: Vegetación, suelo, roca y agua son
ejemplo de coberturas. Uso hace referencia a la actividad humana o función económica asociada con una porción del
territorio. Idealmente Cobertura y uso se presentan en mapas temáticos independientes.(Lillesand, Kiefer, & Chipman, 2004)
39
por ello que los algoritmos de aprendizaje automático analizan las características de los
datos y a continuación ajustan los pesos, umbrales y otros parámetros para maximizar el
rendimiento, exactitud del clasificador, de acuerdo a los requerimientos. Este proceso de
ajuste de parámetros para cumplir un objetivo es lo que se denomina aprendizaje (Kaehler
& Bradski, 2014).
A B Ilustración 7 Comparación de los resultados de una clasificación con una función SVM
Kernel Gaussiano Base Radial para dos clases verde y rojo, con cada punto como
muestra (A) C: 0.05 y Sigma: 1.0, (B) C: 0.05 y Sigma: 2.5, (C) C: 1.5 y Sigma: 1.0 y (D)
C D C: 1.5 y Sigma: 2.5.
Tomado de: http://cs.stanford.edu/people/karpathy/svmjs/demo/
42
Ilustración 11. Diferentes tipos de objetos generados sobre (A) una imagen
A B C multiespectral RGB(IRC,IRM,ROJO),un objeto puede ser un píxel (B), pero son más
significativos los objetos que definen regiones espectralmente homogéneas (C).
Fuente: Autor.
9
http://www.ecognition.com/training. Consultado el 5 de Mayo de 2015.
45
evaluaciones realiza una agregación de píxeles adyacentes hasta que se supera un umbral
o límite establecido de heterogeneidad y se denomina Segmentación en Múltiples
Resoluciones.
hcolor wc n f cf nobj1 cobj1 nobj2 cobj2
c
Ecuación 2 Variación permitida en las características espectrales (Color) del objeto. (Baatz & Schäpe,
2000)
ponderadas además por sus tamaños de acuerdo al número de píxeles que los componen,
se hace una evaluación simétrica de la variación de heterogeneidad en el objeto resultante.
La variabilidad permitida en forma se define matemáticamente a partir del resultado del
cálculo de dos criterios complementarios: Variabilidad en Lisura de bordes y Variabilidad
en Compactación. La variabilidad permitida en forma es definida de acuerdo a:
lf lobj1 lobj2
hcompact n f nobj1 nobj2
n f nobj1 nobj2
Ecuación 4 Evaluación de la variabilidad en la compactación del objeto a ser creado. (Baatz & Schäpe,
2000)
lf l l
hlisura n f nobj1 obj1 nobj2 obj2
b f bobj1 bobj2
Ecuación 5 Evaluación de la variabilidad en la lisura de los bordes del objeto a ser creado. (Baatz &
Schäpe, 2000)
𝑆𝑖 Ψ > 𝑓
Entonces adicione el píxel u objeto al objeto n
𝑆𝑖 < 𝑓
Entonces detenga el crecimiento del objeto n, no adicione el píxel u objeto en cuestión
Tabla 1 Resumen de las metodologías de detección de cambios en imágenes satelitales. Adaptada de (Hussain et al., 2013).
50
Debido a que las medidas de precisión se calculan típicamente de una muestra, estas
estimaciones están sujetas a incertidumbre. La incertidumbre de una estimación se puede
representar mediante el cálculo de su error estándar o mediante la presentación de
informes un intervalo de confianza. Un intervalo de confianza proporciona un rango de
valores para un parámetro teniendo en cuenta la incertidumbre de la estimación basada
en la muestra. La manera en que se aborda la incertidumbre depende del marco inferencia
empleado.
Varios estudios sobre cambios en las coberturas de la tierra además han mostrado que es
incorrecto estimar directamente la exactitud de un mapa final de cambio, a partir del
recuento de observaciones mediante una matriz de error (Abdulaziz, Hurtado, & Al-Douri,
2009; Jeon, Olofsson, & Woodcock, 2014; Olofsson et al., 2010; Seto et al., 2002). Por lo
tanto, los estudios de cambio de coberturas de la tierra habitualmente fallan al evaluar la
exactitud de los mapas finales de cambio (Olofsson et al., 2014).
Para superar las limitaciones impuestas por el enfoque tradicional de evaluación exactitud
temática de mapas de cambio de coberturas de la tierra, investigadores de la Universidad
de Boston (Olofsson et al., 2014; Olofsson, Foody, Stehman, & Woodcock, 2013) proponen
seguir una serie de recomendaciones y consideraciones, que han sido aceptadas por la
comunidad de sensores remotos como buenas practicas. De acuerdo con estas, una
persona o institución independiente al productor debe verificar la exactitud temática de los
productos que se generen en la elaboración de mapas de Bosque/No Bosque y del mapa
de Cambio de Bosque, abordando principalmente tres componentes: (i) un diseño de
muestreo probabilístico; (ii) un diseño de la respuesta que sea coherente con la información
de referencia a usar; y (iii) un análisis para estimar la exactitud, a partir una matriz de error
construida mediante estimadores insesgados.
53
𝑝𝑒𝑎𝑐
𝑁𝑃𝐼 =
𝑝𝑜𝑏𝑗
Ecuación 6 Índice de perímetro normalizado (Lizarazo, 2014a)
𝑆 = 𝑟𝑛𝑝𝑖𝑘
Ecuación 7 Cálculo de la similaridad de Forma para la matriz STEP (Lizarazo, 2014a)
10
Shape (Forma), Thematic (Categoría temática), Edge (borde), Posición (Pocision)
54
𝑑𝑐𝑒𝑛𝑡
𝑃=1−
𝑑𝑐𝑎𝑐
Ecuación 10 Cálculo de la similaridad en posición en la matriz STEP (Lizarazo, 2014a)
Ilustración 13. Izquierda, Objetos de referencia. Derecha, Objetos clasificados. (Lizarazo, 2014a)
Ilustración 14 Detalle de los resultados de los indicadores STEP por cada objeto en el ejemplo dado
por (Lizarazo, 2014a)
Tabla 2. Matriz STEP por agregada por clase a partir de los objetos de referencia11. (Lizarazo, 2014a)
11
Los valores en orden Z representan las métricas de similaridad de Forma (Shape), similaridad de Categoria (Theme),
similaridad de Borde (Edge) y similaridad de posición (Position).
56
Tabla 3 Matriz de error ponderado para la métrica de Forma (shape)12. (Lizarazo, 2014a)
Tabla 4 Exactitud geométrica y temática promedio y sus intervalos de confianza. (Lizarazo, 2014a)
En el caso ilustrado como ejemplo13 en (Lizarazo, 2014a) donde se comparan los objetos
clasificados en un sector de la ciudad de Nueva York y los objetos de referencia tomados
de la cartografía oficial de la zona, ver Ilustración 13, el resultado de la evaluación
desagregado en las 4 métricas por cada clase, ver Tabla 2, nos muestra que por ejemplo
la clase Agua tiene un indicador de forma de 0,74, temático de 0,96, Borde 0,18 y posición
de 0,94. Esto indicaría una adecuada clasificación temática de los elementos (temático,
posición) pero algunas diferencias en las características geométricas de los mismos (forma
y borde). Cada métrica se presenta de forma agreda y ponderada por las áreas de traslape
de los objetos de referencia y clasificados para poder determinar los valores de exactitud
del productor y el usuario, ver Tabla 3. Los análisis a nivel de objeto, ver Ilustración 14,
pueden llevarse a cabo para determinar con mayor exactitud las discrepancias a nivel
puntual. Finalmente los valores agregados promedio de cada métrica y su correspondiente
intervalo de confianza se determinan para todo el conjunto de muestras, ver Tabla 4.
12
El valor en cada celda en la representa la ponderación del área de traslape entre los objetos clasificados y de referencia,
agregados por clase y multiplicado por el valor de la similaridad de cada métrica.
13
Los datos compartidos por el autor se pueden encontrar en https://goo.gl/Gso2B3. Consultado el 2 de Mayo de 2015
57
Son los factores asociados al cambio climático los que mayor urgencia han requerido el
diseño e implementación de sistemas de monitoreo de los bosques a nivel global. La
deforestación y la degradación de los bosques son procesos que se asocian directamente
al aumento de las emisiones de CO2 y de allí parten la necesidad por implementar
diferentes sistemas de monitoreo (inventarios forestales, monitoreó de cambios de
coberturas) de los cambios en la superficie de las áreas de bosque y su estimación en las
potenciales emisiones de CO2 asociadas a dichos cambios de cobertura (Achard &
Hansen, 2012b; Asner, Knapp, Balaji, & Páez-Acosta, 2009; Cabrera et al., 2011a; Phillips
et al., 2011b).
14
Para propósitos del presente estudio se entiende como bosque, la tierra ocupada principalmente por árboles que puede
contener arbustos, palmas, guaduas, hierbas y lianas, en la que predomina la cobertura arbórea con una densidad mínima
del dosel de 30%, una altura mínima del dosel (in situ) de 5 metros al momento de su identificación y un área mínima de 1
ha. Se excluyen las coberturas arbóreas de plantaciones forestales comerciales (coníferas y/o latifoliadas), cultivos de palma
y arboles sembrados para producción agropecuaria (Cabrera et al., 2011a).
58
Ilustración 15 Sitio Web de Global Forest Change, Universidad de Maryland. Presentando los datos de
Perdida de bosque entre 2000 y 2013 para el norte de Sur América. Consultado el 20 de Marzo de 2015.
http://earthenginepartners.appspot.com/science-2013-global-forest
2.4.2. PRODES
En Brasil el Proyecto PRODES realiza el monitoreo por satélites la deforestación en la
Amazonía y calcula, desde 1988, las tasas anuales de deforestación que son utilizados por
el gobierno brasileño para el establecimiento de políticas públicas. Las tasas anuales se
estiman a partir de los cambios de la deforestación identificadas mediante interpretación
visualmente en cada imagen de satélite Landsat, históricamente las más utilizadas,
además de imágenes CCD del CBERS-2 y CBERS-2B, programa de monitoreo satelital
chino-brasileño, se utiliza también imágenes LISS-3 imágenes, las ResourceSat-1 satélite
de la India y de Inglés satélite UK-DMC2. Con estas imágenes, el área mínima asignada
por PRODES es 6,25 hectáreas (Achard & Hansen, 2012b; Prodes, 2013). PRODES utiliza
proceso el sistema de información geográfica llamada TerraAmazon que permite un
entorno de colaboración para el desarrollo de múltiples tareas de interpretación y gestión
de la información sobre deforestación y otros cambios de coberturas (Ribeiro, de Freitas,
de Queiroz, Petinatti, & Abreu, 2007). Los datos consolidados y los datos base empleados
pueden consultarse en la plataforma del proyecto PRODES16.
15
http://earthenginepartners.appspot.com/science-2013-global-forest. Revisado el 9 de mayo de 2015.
16
http://www.dpi.inpe.br/prodesdigital/prodes.php. Consultado el 9 de Mayo de 2015
59
Ilustración 16 Plataforma de acceso y consulta de los datos del proyecto PRODES. Consultado el 20
de Marzo de 2015.
http://www.dpi.inpe.br/prodesdigital/prodes.php
2.4.3. Terra-i
El proyecto Terra-i detecta los cambios de cobertura vegetal con una periodicidad de 16
días y una resolución espacial de 250 metros, empleando datos de MODIS y TRMM. En la
actualidad este sistema monitorea únicamente América Latina. Terra-i es una colaboración
entre el Centro Internacional de Agricultura Tropical (CIAT - DAPA, con sede en Colombia),
The Nature Conservancy (TNC), la Escuela de Negocios e Ingeniería (HEIG-VD, con sede
en Suiza) y el Kings College London (KCL, con sede en el Reino Unido). El sistema emplea
algoritmos de redes neuronales para detectar los cambios en el verdor de la vegetación,
incorporando a demás los datos sobre precipitación y ciclos fenológicos (Reymondin et al.,
2012b). Por lo tanto en el sistema se detectan no solo los cambios asociados a
deforestación, sino además a procesos naturales y agrícolas. Los datos base y reportes
consolidados pueden consultarse desde la plataforma del proyecto17.
17
http://www.terra-i.org/es/terra-i/data/data-statistics.html. Revisado el 5 de Mayo de 2015.
60
18
Tomado de
http://capacitacion.siac.ideam.gov.co/SIAC/home/img/pdfTemporalSMBYC/Cambio/DCCB_SMBYC_CBBQ_V5_2012_201
3.pdf Consultado el 20 de Julio de 2016
62
Mapa 1 Localización General del Parque Nacional Natural Sierra de la Macarena. Elaboración propia.
El área del parque nacional es de 6056 km2. El área empleada para el presente estudio, y
que comprende al Parque Nacional, comprende un total de 9242.4 km2. Y se extiende
sobre 2 departamentos, Meta y Guaviare, y 8 municipios: La Macarena, Mesetas, Puerto
Concordia, Puerto Rico, San José del Guaviare, San Juan de Arama, La Uribe y
Vistahermosa. Un resumen de las áreas de cada entidad administrativa que se encuentra
dentro del área de estudio se presenta a continuación:
19
Delimitación oficial por parte de la UESPNN. Obtenida el 10 de noviembre de 2014 en el sitio web SIG-OT del IGAC.
64
MUNICIPIO DEPARTAMENTO
Área Área de Porcentaje Área de Porcentaje
Departamento Municipio Total Estudio del Área Estudio del Área
(km2) (Km2) de Estudio (Km2) de Estudio
San José Del
GUAVIARE 16794,1 668,0 7,2% 668,0 7,2%
Guaviare
La Macarena 10835,5 1.848,2 20,0%
Mesetas 2277,2 1.223,9 13,2%
Puerto
1254,3 115,7 1,3%
Concordia
META Puerto Rico 3379,1 1.797,3 19,4% 8574,4 92,8%
San Juan De
1179,5 303,2 3,3%
Arama
Uribe 6432,7 188,9 2,0%
Vistahermosa 4835,8 3.097,1 33,5%
TOTAL 46988,2 9.242,5 100,0% 9.242,5 100,0%
Tabla 5 Proporción de áreas administrativas en la zona de estudio20. Elaboración propia.
El parque fue creado por decreto ley 1989 de 1989, cuenta con una extensión de 605.600
hectáreas y se encuentra ubicado en el departamento del Meta en jurisdicción de los
municipios de La Macarena, Mesetas, Vistahermosa, San Juan de Arama, y Puerto Rico.
Dentro del mosaico formado por los distintos ecosistemas se puede observar selvas
húmedas, bosques y matorrales tanto densos como claros y vegetación herbácea de
sabana amazónica. Se encuentran las formas de vida de cuatro grandes regiones
naturales como son la Orinoquia, la Amazonia, los Andes y la Guayana (Parques
Nacionales Naturales de Colombia, s. f.).
20
Datos administrativos en proyección MAGNA-SIRGAS tomados del SIG-OT IGAC. Consultad el 10 de Junio de 2014
21
Tomado de http://www.parquesnacionales.gov.co/portal/es/ecoturismo/region-amazonia-y-orinoquia/parque-nacional-
natural-sierra-de-la-macarena/. Consultado el 15 de Febrero de 2014.
65
Ilustración 19 Dinámica de cultivos de usos ilícito en el PNN Sierra de la Macarena. (UNODC &
Parques Nacionales Naturales de Colombia, 2004)
Mapa 2. Perspectiva del Parque Nacional Natural Sierra de La Macarena y cultivos de coca 2005.
(UNODC & Parques Nacionales Naturales de Colombia, 2004)
Mapa 3. Dinámica del territorio afectado por cultivos de coca en el departamento del Meta. 2001-2012.
(UNODC, 2014a)
5. En un análisis conjunto entre los sistemas de monitoreo de cultivos ilícitos –SIMCI-
y el sistema de monitoreo de bosques y carbono del IDEAM se estableció que Para
el período 2010 - 2012, IDEAM reporta una deforestación de 113.220 hectáreas,
mientras que SIMCI determinó que en los departamentos amazónicos se
establecieron 20.971 hectáreas nuevas de coca, de las cuales un 8% (1.666 ha)
causaron una deforestación directa de bosque primario. Teniendo en cuenta la
cifra de deforestación presentada por el IDEAM y los datos de SIMCI se puede
concluir que el 1,2% de la deforestación total del periodo fue causada por el
establecimiento directo de cultivos de coca (Cabrera, Galindo, Espejo, Gualdron,
& Vargas, 2013).
6. De acuerdo con las cifras oficiales sobre deforestación entregadas por IDEAM en
el periodo 1990-2012 el área de bosque paso de 572.368 has a 535.115 has, lo
que representa una disminución de un 6.5%. Y se determinó que la deforestación
anual en el último periodo 2012-2013 fue de 1.444 has anuales (Cabrera et al.,
2011b).
68
22
La búsqueda y descarga se realiza desde el servicio: http://earthexplorer.usgs.gov/
23
El 31 de mayo de 2003 el Scan Line Corrector (SLC), que compensa el movimiento de escaneo comenzó a fallar, lo que
genera que la cámara Enhanced Thematic Mapper Plus (ETM +) presente una toma discontinua de datos en patrón de zig-
zag sobre la imagen. Para más información: http://landsat.usgs.gov/products_slcoffbackground.php.
24
En el presente estudio se prescindió del uso de las bandas 1 (blue coastal) y 9 (cirrus) de OLI para el proceso de detección
de cambios, por ser bandas empleadas en los proceso de corrección atmosférica y no en los procesos de cartografía.
69
25
Es un paquete de análisis de imágenes desarrollado por el Instituto Carnegie para identificar automáticamente la tala de
árboles y/o la degradación del bosque a partir de métodos analíticos sobre datos multiespectrales (Asner, Knapp, Balaji, &
Páez-Acosta, 2009). Para más información referirse al sitio web del proyecto: http://claslite.carnegiescience.edu/en/
26
CFmask es una versión en lenguaje C del algoritmo nube FMASK desarrollado por la Universidad de Boston (Zhu, Wang,
& Woodcock, 2015; Zhu & Woodcock, 2012), para la detección automática de áreas agua, nube, sombra de nubes y nieve
a partir de imágenes Landsat. Los datos de la máscara CFMASK son ahora disponibles para cada escena Landsat procesada
por el USGS. Para más información referirse a : http://landsat.usgs.gov/about_LU_Vol_9_Issue_1.php
74
Se han generado mapas de cambio de la cobertura boscosa a nivel nacional para los
periodos: 1990, 2000, 2005, 2010, 2012 y 2013. Para el presente proyecto se han facilitado
los datos de los mapas de bosque y No Bosque para los periodos 1990, 2010 y 201327, ver
Mapa 12, Mapa 13 y Mapa 14. Estos mapas se encuentran en una estructura RASTER,
son de tipo temático y la leyenda de coberturas corresponde a (1) Bosque, (2) No Bosque
y (3) Áreas sin información. Los datos se encuentran en un sistema de proyección UTM
Zona 18 N basado en WGS84. A continuación se presentan los mapas empleados
27
Se descargaron los mapas de Bosque y No Bosque desde el SIAC: http://www.siac.gov.co/Catalogo_mapas.html#
75
Mapa 16 Mapa de la pérdida anual de bosques 2002-2015 para la zona de interés. Global Forest
Change (Matthew C. Hansen et al., 2013). Elaboración propia.
Mapa 17 Mapa de las perdidas diarias en la vegetación en 2013 para la zona de interés. Terra-i CIAT.
Elaboración propia.
78
Una vez descargados y consolidados los datos de cada uno de estos sistemas de reporte
no oficiales se evidencio que las detecciones de Terra-I para la zona de interés (i) se
encontraban limitadas al sector nororiental del PNN Serranía de la Macarena, ver Mapa
17, (ii) dadas las condiciones topográficas y atmosféricas de la zonas las estas detecciones
serian debido a variaciones de iluminación y no a cambios de la cobertura boscosa (Panel
A de la Ilustración 20), (iii) y ya que los datos de Terra-i son detecciones basadas en
cambios de las seres de tiempo de NDVI de MODIS en pixeles de 250 mts, la escala de
estos datos solo permitirían usar estos datos para ejercicios de comparación general mas
no para los ejercicios de validación propuestos en esta metodología.
Por lo tanto y ya que los datos de las detecciones entregadas anualmente por Global Forest
Change (i) presentan un mayor nivel de detalle, al ser detecciones basadas en cambios
espectrales a nivel de pixeles de las imágenes LandSat, a 30 mts, ver panel B de la
Ilustración 20, y (ii) si bien no cuentan con el nivel de resolución temporal diaria de los
datos de Terra-i, para el presente estudio se considera más adecuado este conjunto de
datos para los procesos de validación y comparación propuestos por la presente
metodología.
3.4. Métodos
Los procesos propuestos en la metodología ser desarrollados se enmarcan en el área de
las Ciencias de la Información Geográfica (GISc) (Longley et al., 2005), se emplearan
proceso de análisis espacio-temporal de imágenes obtenidas mediante técnicas de
teledetección, procesamiento digital de datos multiespectrales, elaboración de productos y
reportes cartográficos, así como la elaboración y análisis de datos estadísticos. A
continuación un esquema general de los procesos y herramientas a ser empleadas en el
desarrollo de la metodología propuesta.
79
Cada una de las fases aporta al cumplimento de los objetivos secundarios definidos, a
saber:
Las fases 1, 2 y 3 permiten alcanzar el Objetivo Especifico 1 (Estructuración,
clasificación y análisis de la serie de tiempo).
La fase 4 y 5 permiten cumplir con lo propuesto en el Objetivo Especifico 2
(Criterios de análisis espaciotemporal y espectral para la definición de los objetos
de deforestación).
Los procesos de modelamiento de las fases 2, 3, 4 y 5 dan como resultado el
cumplimiento del Objetivo Especifico 3 (Implementación de un algoritmo para la
generación y clasificación de los objetos de deforestación).
Finalmente la fase 6 permitió el cumplimiento del Objetivo Especifico 4 (Evaluar
la exactitud temática de los objetos de deforestación).
Ilustración 22 Concepto de la estructura de una imagen multiespectral estructurada como una serie
de tiempo. (eCognition Developer, 2009)
28
Para mayor detalle ver: http://landsat.gsfc.nasa.gov/?p=3231. Consultado el 3 de Agosto de 2015.
84
Se encontró que una práctica adecuada para la carga y manejo de los datos en la
herramienta eCognttion es:
1. Asegurar el corregistro, mediante reproyeccion, de los datos a una matriz
de datos común, ver Ilustración 23. Para el presente trabajo se definió el
tamaño estándar, filas, columnas y esquinas georreferenciadas de la
primera imagen Landsat 8 de la serie a ser analizada. Esto dado que las
imágenes de este sensor cuentan con una mayor área de cubrimiento tanto
horizontal como vertical. Este proceso se lleva a cabo mediante la
herramienta Data Merge de PCI Geomatica.
2. Esto permitió estructurar una sola imagen multiespectral para cada Frame
de análisis, con los datos de Muestreo, CFMASK y Vegetación Fraccional.
Si bien y como se indicó anteriormente los datos pueden estar almacenados
en carpetas diferentes.
Ilustración 23 Esquema del resultado del corregistro de todas las imágenes dela serie de tiempo a la
matriz de la primera imagen Landsat 8 de la serie. Elaboración propia.
Los datos pueden almacenarse en una misma carpeta o carpetas diferentes, ya que para
el proceso de importación la definición de la “cadena de búsqueda”, mediante bloques
delimitadores, definidos en eCognition como {}, ver Ilustración 24, permiten definir qué
parte del nombre del archivo identifica a que parte de la serie o qué tipo de dato se está
importando.
Este proceso también permite estandarizar el nombre que identificara a cada banda o capa
de la imagen multiespectral, ver Ilustración 25. Esto facilita los procesos de identificación
y modelamiento de datos dentro de eCogntion.
Ilustración 25 Detalle del proceso de importación. La asignación de nombres estándar, Alias, a cada
una de las bandas, Channel, de las imágenes espectral a ser importada.
Mapa 18 Áreas de Bosque y No Bosque estables en el periodo 1990-2013, a partir de los datos de
Bosque y No Bosque del IDEAM. Elaboración propia.
Mapa 19 Puntos de muestreo aleatorio sobre los datos de Bosque y No Bosque Estables en el periodo
1990-2013, a partir de los datos de Bosque y No Bosque del IDEAM.
87
Ilustración 26 Proceso de construcción de links, flechas amarillas, entre un objeto, círculo rojo, en los
diferentes momentos de una serie de tiempo, T. (eCognition Developer, 2009)
29
Este proceso permite realizar una asociación temporal entre objetos, a partir de una relación topológica, que puede luego
ser analizada para definir o determinar la clasificación a una determinada cobertura. El proceso de conexión entre objetos
se basa en el proceso de rastreo o seguimiento y es empleado en proceso de análisis de imágenes médicas y biológicas,
cuando se requiere detectar como un objeto cambia de posición en el tiempo (eCognition Developer, 2009).
89
Los links son construidos entre los diferentes momentos de la serie de tiempo, ver
Ilustración 27, bien puede ser hacia adelante (in), por ejemplo T0 a T1, o hacia atrás (out),
T2 a T1. También se deben definir cuáles son las coberturas a conectar del primer
momento al último, y si se desea definir un umbral mínimo de traslape que se debe
considerar para que un link sea válido al momento de clasificar un objeto. Como se muestra
a continuación los links en esta propuesta para la definición de los objetos de Deforestación
se evalúan como links entre objetos Bosque (out) y a objetos No Bosque (in).
Ilustración 27 Construcción de los links entre objetos en dos momentos diferentes de la serie de
tiempo, para la definición de una clase asociada al cambio correspondiente. Elaboración Propia.
Ilustración 28 Esquema de modelamiento de los objetos de deforestación validos a partir de los Links
entre objetos en diferentes Frames de la serie de tiempo. Elaboración Propia.
30
Si bien algunos de estos cambios podrían catalogarse como Regeneración, No Bosque a Bosque, se debe tener en que
esta caracterización requiere modelar, como se indicó en la sección 2.1.1, el tiempo definido entre los cambios (fechas de
las imágenes). Estos procesos deberán ser revisados en desarrollos metodológicos futuros.
91
Ilustración 34. Pluging STEP implementado en QGIS para el cálculo de la matriz STEP. (Ramirez &
Lizarazo, 2016).
31
Se usa la versión 0.1 disponible en https://plugins.qgis.org/plugins/QuickSTEP/
95
CAPITULO 4. PRESENTACIÓN Y
ANÁLISIS DE LOS RESULTADOS
96
AZUL
VERDE
ROJO
IRC
IRM
IRL
CFMASK
Tabla 10 Serie de tiempo de datos espectrales y datos temáticos empleados en el presente estudio.
Elaboración Propia
98
Frame T0 T1 T2 T3 T4 T5 T6 T7
Imagen 10/01/2014 26/01/2014 31/03/2014 22/08/2014 23/09/2014 20/12/2014 05/01/2015 29/01/2015
Tabla 11. Relación entre los Frames (Ti) y las fechas de las imágenes en la serie de tiempo.
Elaboración Propia.
Una de las ventajas de esta estructura es que cualquier proceso tanto de visualización y/o
análisis se aplica simultáneamente a cada uno de los Frames de la serie de tiempo. Por
ejemplo, al aplicar un proceso de ajuste visual o un proceso más complejo como una
segmentación multiescala, solo se hace necesario realizar una vez el proceso, pues este
es aplicado a cada frame de la serie. El resultado, como se muestra a continuación en la
Ilustración 36, es un proceso homogéneo aplicado simultáneamente a las T imágenes de
la serie de tiempo en un solo proceso.
Ilustración 37 Detalle del algoritmo en lenguaje CNL para el cálculo de los índices NDVI, ARVI, NBR, y
los componentes de la transformación Tasseled Cap. Elaboración propia.
A B Ilustración 38. Resultado del cálculo de las variables espectrales de (A) NDVI, (B) NBR,
(C) ARVI y (D) RGB(Brillo, Verdor, Humedad) para el frame T0.
C D
100
Como se observa, la máscara CKMASK subestima las áreas de nubes y sombras, por lo
que se diseña e implementa un proceso de ajuste a las zonas de nubes. Para ello se
procede segmentar las áreas adyacentes empleando únicamente los datos de las bandas
del visible (Azul y verde). La función generada en CNL, Nubes, se presenta en la Ilustración
41. Los resultados de esta función dentro del algoritmo general se presentan en la
Ilustración 40Ilustración 41.
101
En la Ilustración 40 se puede ver un ejemplo del proceso de ajuste a la máscara inicial que
subestima la cobertura de nubes (A), es mediante un proceso de crecimiento de regiones
segmentadas a partir de los índices NBR y NDVI que se expande inicialmente la máscara
CFMASK (B), y con un proceso adicional de segmentación a nivel de píxeles
espectralmente similares, a partir de las estadísticas de la máscara ajustada, proceso
Optimizar en la Ilustración 41, la máscara se ajusta mediante una última expansión (C).
La máscara es finalmente depurada y consolidada en un único objeto clasificado como
Nube (D), proceso Depurar, en la Ilustración 41. Durante el proceso no se procede a la
detección de zonas de nubes no identificadas por CFMASK, de igual forma el proceso
puede sobreestimar en algunos casos la extensión de la cobertura de nubes.
102
Composición del
parámetro de
Homogeneidad
Se da una mayor ponderación a los índices ARVI, NDVI y NBR sobre las bandas
espectrales de mayor longitud de onda (IRC a IRL), ya que estos facilitan la separación de
coberturas vegetales de suelo, cuerpos de agua y nubes. Las bandas del visible no se
usaron en la segmentación dada su alta correlación y a la alta presencia de fenómenos
atmosféricos en las imágenes que afectan significativamente a las longitudes de onda más
cortas. Mientras que los mayores pesos se asignaron a los componentes de la
transformación Tasseled Cap, por permitir esta una mejor definición de las coberturas
vegetales y sus variaciones. Un detalle de los resultados de la segmentación se presentan
en la Ilustración 43, los límites de los objetos se ajustan adecuadamente a las coberturas
de interés.
Ilustración 44 Proceso de creación de los objetos de muestreo en el Frame Ti, a partir de la relación
topológica del objeto y el punto de muestreo. Elaboración Propia
Este proceso genera un número equivalente de muestras en cada uno de los Frames de
la serie de tiempo. Este proceso permitirá además generar una asignación siempre
coherente e independiente del tipo de dato o imagen que se emplee hasta el momento el
que se encuentre disponibles datos históricos de Bosque y No Bosque, como se muestra
a continuación en la Ilustración 45.
Ilustración 45 Detalle en el mismo sector para los frames (A) T0 (B) T7 y (C) T4 de
A B C los objetos definidos como muestras a las clases Bosque y No Bosque en cada
uno de los frames de la serie de tiempo. Elaboración Propia
Para la selección de los objetos muestra, las zonas que no fueron clasificadas como nubes
son segmentadas. Esto para generar objetos que delimiten de la mejor forma las zonas de
vegetación y no vegetación. Cuando un objeto generado coincide espacialmente con un
punto de muestreo este será entonces definido como una muestra para el posterior
proceso de clasificación. A continuación en la Ilustración 46 se presenta el detalle del
algoritmo en CNL para la generación del muestreo a partir de las áreas que no son Nubes.
105
Ilustración 46 Detalle del proceso de generación del muestreo, y creación de los objetos de
entrenamiento.
De acuerdo a los resultados del análisis, para todas las combinaciones de clasificadores
los métodos en los que se ha empleado únicamente los datos espectrales o su
combinación con los datos de cobertura fraccional, son significativamente diferentes, y de
acuerdo al valor de kappa, de una mayor exactitud temática que empleando únicamente
los datos de cobertura fraccional e índices. No es posible determinar a un nivel de
confianza del 95% y/o 99% una diferencia significativa de un método, bien sea SVM, DT o
RF sobre otro. Por ende el desarrollo de los procesos para la clasificación de la cobertura
bosque y no bosque se realizara siempre la comparación y generación de los datos por
106
A
DT
32
Como se indicaba en la sección 3.5.2.5.2 para el modelamiento de la detección de cambios los resultados de los últimos dos frames de la serie de tiempo T6 05/01/2015 y T7
05/01/2015 sirven para la reducción de la incertidumbre en la detección de cambios de la serie, pero no para una cuantificación de la deforestación en estos frames. Por lo tanto los
resultados presentados de aquí en adelante en el documento no detallan en estos resultaos, aunque los mapas obtenidos y estadísticas fueron generaos y almacenados.
108
SVM
A
RF
A
KNN
Tabla 12 Comparación de resultados de la clasificación de Bosque y No Bosque para cada uno de los frames de la serie de tiempo por medio de los
algoritmos de aprendizaje de maquina aplicados. Elaboración propia.
Cada algoritmo presenta múltiples potencialidades y de igual forma muchas limitaciones al realizar una revisión visual de los resultados
de la clasificación. Algunas de las principales anotaciones en este momento serian la dificultad de la delimitación de drenajes con
ancho inferior a los 450 mts, ver por ejemplo en el recuadro A las clasificaciones para el frame T2 26/01/2014. También se presentan
variaciones en la clasificación de áreas de vegetación leñosa no boscosa, tales como arbustales, y es en estas áreas donde se
presenta la mayor variabilidad en la clasificación entre momento y momento de la serie.
Cada algoritmo se implementa en dos etapas, en la Ilustración 49, inicialmente se realiza la etapa de entrenamiento y definición de
los parámetros de los clasificadores, para posteriormente aplicar a la totalidad de la serie de tiempo el algoritmo determinado.
Ilustración 49. Detalle del proceso de Entrenamiento y Ejecución del clasificador DT. Elaboración
propia.
Se generaron las clasificaciones de Bosque y No Bosque por cada método y para cada
periodo de tiempo, es decir 32 mapas de Bosque y No Bosque, para un ejemplo ver
Ilustración 50. Si bien el propósito del presente estudio no era realizar una validación
comparativa de los 4 algoritmos de aprendizaje de maquina empleados, si es posible
mediante el proceso realizado llegar a resultados que pueden dar elementos de análisis
inicial que pueden ser reafirmados o refutados por investigaciones definitivas en otros
estudios posteriores.
A B Ilustración 50 Clasificación final para el T0. Algoritmos (A) DT, (B) Knn, (C) Rf y (D)
C D SVM.
Mapa de Cambio Mapa de Cambio Mapa de Cambio Mapa de Cambio Mapa de Cambio
10/01/2014 - 26/01/2014 - 31/03/2014 - 22/08/2014 - 23/09/2014 -
26/01/2014 31/03/2014 22/08/2014 23/09/2014 20/12/2014
DT
A
SVM
A
112
RF
A
KNN
Tabla 13 Comparación de los resultados de la detección de áreas deforestadas por la metodología entre cada uno de los momentos, frames, de la serie
de tiempo. Elaboración Propia
Como se puede observar en Tabla 13 la evolución del proceso de deforestación para el establecimiento de un camino o vía, recuadro
A, entre dos puntos diferentes se da en los dos primeros frames de la serie. Todos los métodos detectan el cambio producido por la
pérdida de bosque entre la imagen del 10/01/2014 y la imagen 31/03/2014, es decir en menos de 40 días un sector lineal de casi 900
metros fue deforestado.
La implementación metodológica de un análisis espaciotemporal de los objetos de Bosque y No Bosque para definir Objetos de
Deforestación, mediante el uso del concepto de Link entre objetos de diferentes Frames pues permitió:
La definición del concepto de Objeto de Deforestación como el área de traslape entre objetos de Bosque en el Frame n
conectado a objetos de No Bosque en el Frame n+1 por una relación Link(out), ver Ilustración 53.
Se valida además la permanencia temporal de este cambio en toda la serie de tiempo, para evitar así las falsas detecciones
debidas a nubes, sombras u otros artefactos no enmascarados correctamente.
Es decir el Objeto deforestación debe ser un Objeto asociado a un cambio permanente de un objeto Bosque en el Frame n a
todos los objetos no Bosque de los frames n+1 hasta el último frame.
La definición de este marco metodólogo para la detección de la deforestación a partir de
los mapas de Bosque y No Bosque, se implementó y modelo completamente en un entorno
GEOBIA, permitiendo así involucrar los conceptos de análisis especial en el análisis
espectral de cambios las características del proceso de detección de la deforestación.
Ilustración 54 Resultados del proceso de ajuste de las áreas sin información a partir
A B de la clasificación de los frames previos de la serie de tiempo. En zonas con varios
periodos de tiempo sin información se pueden generar asignaciones erróneas.
Para cada uno de los métodos se generan además de los mapas de detección entre cada
uno de los momentos, frames, el mapa agregado de la detección hasta el último frame
como se indicaba en la sección 3.5.2, que para el año 2014 correspondería al T5, ver la
Tabla 14. Las detecciones de los frames T6 y T7 no se analizaran en este caso, pues
corresponden a detecciones en el periodo 2015 y requieren de más observaciones en ese
mismo año para ser consolidadas y validadas. Por lo tanto la detección acumulada en T5
sería la detección acumulada anual para dicha zona, ver Ilustración 30.
Mapa de Cambio Mapa de Cambio Mapa de Cambio Mapa de Cambio Mapa de Cambio
Agregado 10/01/2014 Agregado 10/01/2014 Agregado 10/01/2014 Agregado 10/01/2014- Agregado 10/01/2014-
- 26/01/2014 -31/03/2014 - 22/08/2014 23/09/2014 20/12/2014
DT
SVM
RF
KNN
Tabla 14. Comparación de los resultados de la detección acumulada de áreas deforestadas entre el primer frame y cada nuevo momento de la serie de
tiempo. Elaboración Propia
115
Ilustración 55 Comparación temática de la detección por deforestación para el Sector #1. Los cambios
por deforestación se resaltan entre cada frame en flechas amarillas. Se presentan los agregados para
cada uno de los métodos y el mapa de referencia elaborado por IDEAM y Global Forest Change.
Elaboración propia.
116
Exactitud
SHAPE Bosque Deforestación No Bosque Total Productor (%)
Exactitud
THEME Bosque Deforestación No Bosque Total Productor (%)
Exactitud
EDGE Bosque Deforestación No Bosque Total Productor (%)
33
El valor de cada celda representa área superpuesta ponderada, acumulada por categoría temática clasificada, entre los
objetos de referencia y los correspondientes objetos clasificados, multiplicado por la correspondiente métrica evaluada
(Lizarazo, 2014a).
118
Exactitud
POSITION Bosque Deforestación No Bosque Total Productor (%)
Si se observa en este caso particular del algoritmo RF en el sector 1, los más altos
indicadores de exactitud, tanto del usuario como del productor, los presenta la clase de
Bosque. La clase deforestación y No Bosque presentan en todas las métricas indicadores
no mayores al 86% tanto en la exactitud del productor como del usuario. Es de anotar los
bajos valores de exactitud en el indicador de forma, ver Tabla 19, para la clase
deforestación, no hay correspondencia geométrica adecuada entre los objetos de
deforestación generados y los datos de referencia del IDEAM. En términos generales el
consolidado STEP, ver Tabla 19, presenta una adecuada correspondencia geométrica y
temática de todas las clases (Bosque, No Bosque y Deforestación) por el método RF en el
Sector #2 a partir de la validación respecto a los datos oficiales del IDEAM.
Para tener un panorama más claro sobre el comportamiento de cada uno de los métodos
en todas las clases, a partir de los datos de validación IDEAM, se procede a agregar las
métricas en una tabla consolidada por sector y método de clasificación. En el caso del
Sector #2, ver Tabla 20, el método DT ofrece una ligera y mayor exactitud en forma, tema
y limite que los otros tres clasificadores. Mientras que la métrica de exactitud temática es
baja, menor al 80%, en los métodos RF y SVM. Sin embargo todos los métodos presentan
un muy alto indicador de exactitud, por arriba del 95%, para el indicador de Borde. Para el
sector #2 y #3, ver Tabla 21 y Tabla 22, todos los métodos presentan estadísticas similares
y significativamente altas para todas las clases en todas las métricas STEP.
119
Para los resultados de la validación de todas las clases en los tres sectores a partir de los
datos de validación de Global Forest Change, a modo de resumen, se presentan
igualmente los resultados agregados de las métricas STEP para todas las clases, ver Tabla
23 a Tabla 25. Las matrices por métricas se encuentran en el anexo 3. Es de notar lo
relativamente bajo, entre 58% a 72%, de los indicadores agregados para el sector #1,
excepto el indicador de Borde que es además el que mayor valor presenta para todos los
métodos. En todos los sectores y para todos los métodos el indicador de exactitud en
posición es el indicador con menor valor. En todos los sectores los resultados de los 4
métodos son bastante similares.
Finalmente y para presentar un consolidado final de todos los métodos, en todos los
sectores y a partir de la validación de los datos IDEAM y Global Forest Change, se
consolidan los siguientes reportes gráficos de tipo radial sobre los indicadores de exactitud
Promedio (Todas las clases) y las exactitudes Usuario y Productor (Deforestación), pues
son los objetos de interés para el presente estudio.
Los indicadores de exactitud temática promedio son mayores, entre 75% a 100% para
IDEAM y entre 55% a 90% para Global Forest Change a partir de los datos de validación
para todas las clases en todas las métricas. Caso particular es el método DT a partir de la
validación con IDEAM (Ilustración 59 A) donde reporta el mayor indicador de exactitud
promedio para todas las clases, pero como se evidencia los indicadores de exactitud del
121
Los resultados del Sector #3 son similares para todos los métodos, en todas las métricas
STEP y para ambos procesos de validación. Comparados con los datos de validación
IDEAM, Ilustración 66 A y B, y Global Forest Change, Ilustración 68 A y B, todos los
resultados subestiman el área deforestada, dado que por las características espectrales
de la vegetación y la presencia de nubes, para el T0, los algoritmos de clasificación
determinan que inicialmente esta área es No Bosque, aunque espectralmente dicha área
podría ser de Bosque, y aun dado el fuerte cambio a suelo desnudo en el T1, ver Ilustración
57, y de mantenerse claramente hasta el T5 como un área de No Bosque, el modelamiento
de la dinámica de dichos objetos es de No Bosque Estable. De allí que aunque todos los
métodos generan un objeto de deforestación, Ilustración 66 e Ilustración 68 paneles C a F,
las detecciones de deforestación no son comparables a las indicadas por los datos de
validación IDEAM y Global Forest Change.
La exactitud promedio para todos los métodos en todas las métricas a partir de ambos
conjuntos de validación son superiores al 85%, ver Ilustración 67 A e Ilustración 69 A. Pero
en el análisis de la exactitud de la clase deforestación la subestimación del área
deforestada por todos los métodos en comparación con los datos de validación generan
indicadores muy altos de exactitud del productor para todas las métricas STEP, es decir
un bajo error de omisión, por cuanto toda el área del objeto de deforestación está contenido
en el objeto de validación deforestación, ver Ilustración 66 y Ilustración 68 paneles C a F;
pero de igual forma se obtienen una muy baja exactitud del usuario, un alto indicador del
error de comisión, por cuanto, las áreas indicadas como deforestación en los conjuntos de
validación no fueron identificados como tales, sino por el contrario como áreas de Bosque
o No Bosque.
126
2367 2408
2500
2000
1617
1500 1249
1037
1000
500 214
0
DT Knn RF SVM IDEAM GFC
Ilustración 70 Comparación del número de objetos de deforestación generados por cada algoritmo y
los datos de referencia IDEAM y Global Forest Change. Los datos corresponden al agregado del
frame T4, que correspondería al reporte de deforestación para 2014.
128
Todos los algoritmos aplicados generan más objetos de deforestación que los reportados
por los datos de referencia IDEAM y Global Forest Change. A partir de los datos de
validación de IDEAM los algoritmos DT y Knn generan 12 veces más objetos de
deforestación que los reportados oficialmente, mientras que los algoritmos SVM y RF
generan 6 y 7.8 veces más objetos de deforestación que los detectados por IDEAM.
Comparados con el número de objetos generados y los reportados por Global Forest
Change este indicador varía entre 2.3, para los algoritmos DT y Knn, a 1.2 y 1.6 veces el
número de polígonos para los algoritmos SVM y RF respectivamente.
183.2
118.8
116.3
104.9
92.3
92.3
88.7
56.9
56.3
41.5
40.1
36.5
30.5
28.2
15.6
10.1
3.2
DT KNN RF SVM
T1 T2 T3 T4 T5
Ilustración 71 Comparación de los resultados de la detección de áreas deforestada por cada Frame
analizado de la serie de tiempo para el periodo de análisis 2013 (Frames T1 a T5)
731.4
710.3
662.0
643.1
628.7
521.7
409.0
HECTAREAS
365.2
356.4
342.0
304.0
248.4
203.1
203.0
171.8
168.8
167.0
118.8
116.3
104.9
DT KNN RF SVM
T1 T2 T3 T4 T5
400.0 356.4
304.0
300.0
200.0
100.0
0.0
DT Knn RF SVM IDEAM GFC
Ilustración 73 Comparación de los resultados de la detección total del área deforestada (área
deforestada acumulada para el Frame T5) para el periodo de análisis 2013
A partir de los resultados del área deforestada para cada uno de los momentos de la serie
de tiempo, ver Ilustración 71, se puede decir que la tendencia en el área deforestada para
el área de estudio, a partir de los resultados de los algoritmos SVM, RF y Knn, que hay
una mayor cantidad de deforestación en los momentos T1 con un descenso hasta los
frames T2 a T3 para luego un aumento hacia el T4 a T5. Para el método DT, esta tendencia
es similar, excepto por el momento T2, donde el área deforestada es la mayor de todos los
momentos. Para el método Knn las detecciones de los dos primeros momentos de la serie
de tiempo son considerablemente altos, en comparación con los mismos momentos para
los demás métodos, pero al mismo tiempo las detecciones para los últimos 3 momentos
son las más bajas, excepto para el T4.
Son evidentes las similitudes en las tendencias para las áreas deforestadas acumuladas,
ver Ilustración 72, de los métodos Knn y DT y de igual forma para los métodos SVM y RF.
Los datos acumulados del frame T5 corresponderían al área deforestada para el periodo
2013, y se consolidan y comparan, en la Ilustración 73, con las áreas de los datos de
validación IDEAM y Global Forest Change. Se puede observar que las estimaciones de
área Knn y DT son similares a la estimación de Global Forest Change, mientras que la
detección acumulada de los métodos RF y SVM correspondería, subestimando en un 25%
aproximadamente, el área estimada por IDEAM.
Finalmente se presenta a continuación los datos de las áreas de las clases estables
Bosque y No Bosque para el frame T5 para cada uno de los métodos y los datos de
validación. Puede notarse que el método Knn estima una mayor cantidad de área de No
Bosque, y por ende una menor área de bosque estable, respecto a ambos datos de
validación.
130
180000.0
160000.0
154634.8
153375.1
150878.0
149879.4
149162.7
140000.0
146594.8
120000.0
Hectareas
100000.0
80000.0
60000.0
40000.0
33228.8
29569.1
28998.0
20000.0
26094.6
25066.7
19296.5
0.0
DT Knn RF SVM IDEAM GFC
T5 - Bosque T5 - No Bosque
Ilustración 74 Comparación de los resultados para las clases estables, Bosque y No Bosque, para
cada método de clasificación en el frame T5.
Ilustración 75 Esquema de procesos del algoritmo CNL para la detección de objetos de deforestación
en un entorno GEOBIA
131
Ilustración 76. Primeras 3 partes del Algoritmo GEOBIA desarrollado para la detección de la
deforestación en una serie de tiempo. Preparación de datos, Segmentación y Generación del
Muestreo.
132
4. Clasificación: Para cada uno de los algoritmos a aplicar procede a tomar las
muestras definidas en la etapa previa y realizar el entrenamiento, (Resultado de la
Fase 4). En esta parte del proceso se genera para cada método y en cada Frame
de la serie de tiempo, Ilustración 77 4, el entrenamiento del algoritmo, la aplicación
del método con los parámetros definidos, sección 4.3.2, y se aplican los algoritmos
de Análisis de Cambios, Ilustración 75 5, y Exportación de los datos, Ilustración 75
6.
5
6
Ilustración 78 Quinta parte del Algoritmo GEOBIA desarrollado para la detección de la deforestación
en una serie de tiempo. Determinación de los cambios y depuración de las áreas de deforestación.
Ilustración 81 Sexta y última parte del Algoritmo GEOBIA desarrollado para la detección de la
deforestación en una serie de tiempo. Exportación de los datos para la presentación y análisis.
135
CAPITULO 5. RECOMENDACIONES
136
CAPITULO 6. CONCLUSIONES
138
BIBLIOGRAFÍA
Abdulaziz, A. M., Hurtado, J. M., & Al-Douri, R. (2009). Application of multitemporal Landsat
data to monitor land cover changes in the Eastern Nile Delta region, Egypt.
International Journal of Remote Sensing, 30(11), 2977–2996.
Achard, F., & Hansen, M. C. (2012a). Global Forest Monitoring from Earth Observation.
CRC Press.
Achard, F., & Hansen, M. C. (2012b). Global Forest Monitoring from Earth Observation.
CRC Press.
Addesso, P., Conte, R., Longo, M., Restaino, R., & Vivone, G. (2012). SVM-based cloud
detection aided by contextual information. En Advances in Radar and Remote
Sensing (TyWRRS), 2012 Tyrrhenian Workshop on (pp. 214–221). IEEE.
Aguirre-Gutiérrez, J., Seijmonsbergen, A. C., & Duivenvoorden, J. F. (2012). Optimizing
land cover classification accuracy for change detection, a combined pixel-based
and object-based approach in a mountainous area in Mexico. Applied Geography,
34, 29–37.
Ardila, J., & Espejo, O. J. (2005). Extracción de Información Temática en imágenes
satelitales mediante la aplicación y validación de una metodología de clasificación
orientada a objetos. Semana de Geomática, Bogotá DC, Colombia, Instituto
Geográfico Agustín Codazzi.
Ardila, J., Espejo, O. J., & Herrera, J. L. (2004). Validación de una Metodología de
Clasificación de Imágenes Satelitales en un Entorno Orientado a Objetos.
Ingeniería, 10(1), 61–69.
Ardila López, J. P., & Espejo Valero, O. J. (2005). Extracción de Información Temática en
imágenes satelitales mediante la aplicación y validación de una metodología de
clasificación orientada a objetos. Semana de Geomática, Bogotá DC, Colombia,
Instituto Geográfico Agustín Codazzi.
Armenteras, D., Rudas, G., Rodriguez, N., Sua, S., & Romero, M. (2006). Patterns and
causes of deforestation in the Colombian Amazon. Ecological Indicators, 6(2), 353–
368.
Asner, G. P., Knapp, D. E., Balaji, A., & Páez-Acosta, G. (2009). Automated mapping of
tropical deforestation and forest degradation: CLASlite. Journal of Applied Remote
Sensing, 3(1), 033543–033543.
Baatz, M., & Schäpe, A. (2000). Multiresolution segmentation: an optimization approach for
high quality multi-scale image segmentation. Angewandte geographische
informationsverarbeitung, 12(12), 12–23.
Blaschke, T. (2005). Towards a framework for change detection based on image objects.
Göttinger Geographische Abhandlungen, 113, 1–9.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of
Photogrammetry and Remote Sensing, 65(1), 2-16.
Blaschke, Thomas, & Hay, G. J. (2001). Object-oriented image analysis and scale-space:
theory and methods for modeling and evaluating multiscale landscape structure.
International Archives of Photogrammetry and Remote Sensing, 34(4), 22–29.
Blaschke, Thomas, & Strobl, J. (2001). What’s wrong with pixels? Some recent
developments interfacing remote sensing and GIS. GeoBIT/GIS, 6, 12–17.
Bontemps, S., Bogaert, P., Titeux, N., & Defourny, P. (2008). An object-based change
detection method accounting for temporal dependences in time series with medium
to coarse spatial resolution. Remote Sensing of Environment, 112(6), 3181–3191.
142
Boulesteix, A.-L., Janitza, S., Kruppa, J., & König, I. R. (2012). Overview of random forest
methodology and practical guidance with emphasis on computational biology and
bioinformatics. Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, 2(6), 493–507.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32.
Buddhiraju, K. M., & Rizvi, I. A. (2010). Comparison of CBF, ANN and SVM classifiers for
object based classification of high resolution satellite images. En Geoscience and
Remote Sensing Symposium (IGARSS), 2010 IEEE International (pp. 40–43).
IEEE.
Cabrera, E., Galindo, G., Espejo, O. J., Gualdron, M., & Vargas, R. (2013, Diciembre).
Deforestación Y Cultivos De Úso Ilícito: Un Análisis Espacial De La Pérdida Del
Bosque En La Amazonia Colombia. Revista del Ejercito Nacional de COlombia,
(168).
Cabrera, E., Vargas, D. M., Galindo, G., García, M. C., Ordóñez, M. F., Vergara, L. K., …
Giraldo, P. (2011a). Memoria técnica de la cuantificación de la deforestación
histórica nacional–escalas gruesa y fina. Bogotá, DC, Colombia: Instituto de
Hidrología, Meteorología y Estudios Ambientales (IDEAM).
Cabrera, E., Vargas, D. M., Galindo, G., García, M. C., Ordóñez, M. F., Vergara, L. K., …
Giraldo, P. (2011b). Memoria técnica de la cuantificación de la deforestación
histórica nacional–escalas gruesa y fina. Bogotá, DC, Colombia: Instituto de
Hidrología, Meteorología y Estudios Ambientales (IDEAM).
Cheng, G., & Han, J. (2016). A survey on object detection in optical remote sensing images.
ISPRS Journal of Photogrammetry and Remote Sensing, 117, 11–28.
Chethan, H. K., Kumar, G. H., & Raghavendra, R. (2009). Texture based approach for cloud
classification using SVM. En Advances in Recent Technologies in Communication
and Computing, 2009. ARTCom’09. International Conference on (pp. 688–690).
IEEE.
Colditz, R. R., Schmidt, M., Ressl, R., Hansen, M. C., & Dech, S. (2008). A method for
selecting training data and its effect on automated land cover mapping of large
areas. En Geoscience and Remote Sensing Symposium, 2008. IGARSS 2008.
IEEE International (Vol. 4, p. IV–542). IEEE.
Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sensing of Environment, 37(1), 35-46.
Congalton, R. G., & Green, K. (2008a). Assessing the accuracy of remotely sensed data:
principles and practices. CRC press.
Congalton, R. G., & Green, K. (2008b). Assessing the accuracy of remotely sensed data:
principles and practices. CRC press.
Dávalos, L. M., Bejarano, A. C., Hall, M. A., Correa, H. L., Corthals, A., & Espejo, O. J.
(2011). Forests and drugs: coca-driven deforestation in tropical biodiversity
hotspots. Environ. Sci. Technol, 45(4), 1219–1227.
Desclée, B., Bogaert, P., & Defourny, P. (2006). Forest change detection by statistical
object-based method. Remote Sensing of Environment, 102(1), 1–11.
eCognition Developer, D. (2009). 8, Reference Book. Definiens AG, München.
Etter, A., McAlpine, C., Phinn, S., Pullar, D., & Possingham, H. (2006). Characterizing a
tropical deforestation wave: a dynamic spatial analysis of a deforestation hotspot in
the Colombian Amazon. Global Change Biology, 12(8), 1409–1420.
Etter, A., McAlpine, C., Wilson, K., Phinn, S., & Possingham, H. (2006). Regional patterns
of agricultural land use and deforestation in Colombia. Agriculture, ecosystems &
environment, 114(2), 369–386.
143
Formaggio, A. R., Vieira, M. A., & Renno, C. D. (2012). Object Based Image Analysis
(OBIA) and Data Mining (DM) in Landsat time series for mapping soybean in
intensive agricultural regions (pp. 2257-2260). IEEE.
Fuller, R. M., Smith, G. M., & Devereux, B. J. (2003). The characterisation and
measurement of land cover change through remote sensing: problems in
operational applications? International Journal of Applied Earth Observation and
Geoinformation, 4(3), 243–253.
Galindo, G., Espejo, O. J., Cabrera, E., & Rubiano, J. C. (2015). Protocolo De
Procesamiento Digital De Imagenes Para La Cuantificación De La Deforestación
En Colombia V. 2.
García, U. G. M., García, C. M. H., Rondón, J. M. R., & Castellanos, H. O. A. (2011).
Instituto Amazónico de Investigaciones Científicas, Sinchi.
Gebhardt, S., Wehrmann, T., Ruiz, M. A. M., Maeda, P., Bishop, J., Schramm, M., …
Schmidt, M. (2014). MAD-MEX: Automatic Wall-to-Wall Land Cover Monitoring for
the Mexican REDD-MRV Program Using All Landsat Data. Remote Sensing, 6(5),
3923-3943.
Global Forest Change. (s. f.). Recuperado 10 de junio de 2015, a partir de
http://google.org/crisismap/google.com/science-2013-global-forest/
GOFC-GOLD, A. (2010). A Sourcebook of Methods and Procedures for Monitoring and
Reporting Anthropogenic Greenhouse Gas Emissions and Removals Caused by
Deforestation, Gains and Losses of Carbon Stocks in Forests Remaining Forests,
and Forestation. AB, Canada: GOFC-GOLD GOFC-GOLD Project Office. Natural
Resources Canada Calgary.
Hall, O., & Hay, G. J. (2003). A multiscale object-specific approach to digital change
detection. International Journal of Applied Earth Observation and Geoinformation,
4(4), 311–327.
Hamunyela, E., Verbesselt, J., & Herold, M. (2016). Using spatial context to improve early
detection of deforestation from Landsat time series. Remote Sensing of
Environment, 172, 126–138.
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A.,
… Townshend, J. R. G. (2013). High-Resolution Global Maps of 21st-Century
Forest Cover Change. Science, 342(6160), 850-853.
Hansen, Matthew C., Krylov, A., Tyukavina, A., Potapov, P. V., Turubanova, S., Bryan
Zutta, … Moore, R. (2016). Humid tropical forest disturbance alerts using Landsat
data. Environmental Research Letters, 11(3), 034008.
Hansen, Matthew C., & Loveland, T. R. (2012). A review of large area monitoring of land
cover change using Landsat data. Remote sensing of Environment, 122, 66–74.
Hansen, Matthew C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A.,
Tyukavina, A., … others. (2013). High-resolution global maps of 21st-century forest
cover change. science, 342(6160), 850–853.
Hay, G. J., & Castilla, G. (2008). Geographic Object-Based Image Analysis (GEOBIA): A
new name for a new discipline. Object-based image analysis, 75–89.
Hay, Geoffrey J., & Blaschke, T. (2009). Special issue: Geographic objectbased image
analysis (geobia). Photogrammetric Engineering and Remote Sensing, 76(2), 121–
122.
Hostert, P., Griffiths, P., van der Linden, S., & Pflugmacher, D. (2015). Time series analyses
in a new era of optical satellite data. En Remote Sensing Time Series (pp. 25–41).
Springer.
144
Hussain, M., Chen, D., Cheng, A., Wei, H., & Stanley, D. (2013). Change detection from
remotely sensed images: From pixel-based to object-based approaches. ISPRS
Journal of Photogrammetry and Remote Sensing, 80, 91-106.
IDEAM. (2010). Leyenda Nacional de Coberturas de la Tierra. Metodología CORINE Land
Cover adaptada para Colombia Escala 1:100.000.
IDEAM. (2012). Manual de Control de Calidad para el Procedimiento de Cobertura de la
Tierra. Recuperado 21 de julio de 2016,
IDEAM, I., & CORMAGDALENA, M. de C. de la. (2008). Metodología CORINE land Cover
adaptada para Colombia a escala 1: 100.000. Instituto de Hidrología, Meteorología
y Estudios Ambientales, Instituto Geográfico Agustín Codazzi y Corporación
Autónoma Regional del río Grande de La Magdalena: Bogotá, DC, 200.
Im, J., Jensen, J. R., & Tullis, J. A. (2008). Object-based change detection using correlation
image analysis and image segmentation. International Journal of Remote Sensing,
29(2), 399–423.
Im, Jungho, & Jensen, J. R. (2005). A change detection model based on neighborhood
correlation image analysis and decision tree classification. Remote Sensing of
Environment, 99(3), 326–340.
Janssen, L. L. (2000). Principles of remote sensing (2.a ed.).
Jensen, J. R. (2009a). Remote Sensing of the Environment: An Earth Resource
Perspective 2/e. Pearson Education India.
Jensen, J. R. (2009b). Remote Sensing of the Environment: An Earth Resource
Perspective 2/e. Pearson Education India.
Jeon, S. B., Olofsson, P., & Woodcock, C. E. (2014). Land use change in New England: a
reversal of the forest transition. Journal of Land Use Science, 9(1), 105–130.
Johansen, K., Bartolo, R., & Phinn, S. (2010). SPECIAL FEATURE–Geographic Object-
Based Image Analysis. Journal of Spatial Science, 55(1), 3–7.
Johansen, Kylie, & Johansen, K. (2011). Time-series analysis of rainforest clearing in
Sabah, Borneo using Landsat imagery (pp. 277-280). IEEE.
Kaehler, A., & Bradski, G. (2014). Learning OpenCV. O’Reilly Media, Inc.
Khalilia, M., Chakraborty, S., & Popescu, M. (2011). Predicting disease risks from highly
imbalanced data using random forest. BMC medical informatics and decision
making, 11(1), 1.
Latorre, J. P., & Corredor, L. P. (2011). Analisis multitemporal de las coberturas de la tierra
de los parques nacionales naturales de colombia. 2005-2007 / 2010-2012.
Li, N., Huo, H., & Fang, T. (2012). Integrating segmentation and classification accuracy for
accuracy assessment in object-based image analysis (pp. 599-604). IEEE.
Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2004). Remote sensing and image
interpretation. John Wiley & Sons Ltd.
Liu, C., Frazier, P., & Kumar, L. (2007). Comparative assessment of the measures of
thematic classification accuracy. Remote Sensing of Environment, 107(4), 606-616.
Lizarazo, I. (2008). SVM-based segmentation and classification of remotely sensed data.
International Journal of Remote Sensing, 29(24), 7277–7283.
Lizarazo, I. (2010). Fuzzy Image Regions For Quantitative Land Cover Analysis. GEOBIA
2010.
Lizarazo, I. (2014a). Accuracy assessment of object-based image classification: another
STEP. International Journal of Remote Sensing, 35(16), 6135-6156.
Lizarazo, I. (2014b). Accuracy assessment of object-based image classification: another
STEP. International Journal of Remote Sensing, 35(16), 6135–6156.
145
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2005). Geographic
information systems and science. Wiley.
Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for
improving classification performance. International journal of Remote sensing,
28(5), 823–870.
Möller, M., Lymburner, L., & Volk, M. (2007). The comparison index: A tool for assessing
the accuracy of image segmentation. International Journal of Applied Earth
Observation and Geoinformation, 9(3), 311–321.
Novoa, C., & Aguilar, D. (2012). Metodologia Para La Actualización Del Mapa De Cobertura
De La Tierra. Lineamiento Metodológico Documento de trabajo Versión 3. IDEAM.
Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A.
(2014). Good practices for estimating area and assessing accuracy of land change.
Remote Sensing of Environment, 148, 42–57.
Olofsson, P., Foody, G. M., Stehman, S. V., & Woodcock, C. E. (2013). Making better use
of accuracy data in land change studies: Estimating accuracy and area and
quantifying uncertainty using stratified estimation. Remote Sensing of Environment,
129, 122–131.
Olofsson, P., Holden, C. E., Bullock, E. L., & Woodcock, C. E. (2016). Time series analysis
of satellite data reveals continuous deforestation of New England since the 1980s.
Environmental Research Letters, 11(6), 064002.
Olofsson, P., Torchinava, P., Woodcock, C. E., Baccini, A., Houghton, R. A., Ozdogan, M.,
… Yang, X. (2010). Implications of land use change on the national terrestrial
carbon budget of Georgia. Carbon balance and management, 5(4).
Parques Nacionales Naturales de Colombia. (s. f.). Parques Nacionales.
Phillips, J. F., Duque, A., Cabrera, K., Yepes, A., Navarrete, D., García, M. C., … Galindo,
G. (2011a). Estimación de las reserves potenciales de carbono almacenadas en la
biomasa aérea en bosques naturales de Colombia. Instituto de Hidrología,
Meteorología y Estudios Ambientales (IDEAM), Bogotá, DC, Colombia.
Phillips, J. F., Duque, A., Cabrera, K., Yepes, A., Navarrete, D., García, M. C., … Galindo,
G. (2011b). Estimación de las reserves potenciales de carbono almacenadas en la
biomasa aérea en bosques naturales de Colombia. Instituto de Hidrología,
Meteorología y Estudios Ambientales (IDEAM), Bogotá, DC, Colombia.
Platt, R. V., & Rapoza, L. (2008). An Evaluation of an Object-Oriented Paradigm for Land
Use/Land Cover Classification∗. The Professional Geographer, 60(1), 87–100.
Pontius, R. G., & Millones, M. (2011). Death to Kappa: birth of quantity disagreement and
allocation disagreement for accuracy assessment. International Journal of Remote
Sensing, 32(15), 4407-4429.
Prodes, P. (2013). Monitoramento da Floresta Amazônica brasileira por satélite. Instituto
Nacional de Pesquisas Espaciais Projeto Prodes.
Proyecto SIMCI. (2009). Análisis multitemporal de Cultivos de Coca 2007-2008.
Ramirez, S., Galindo, G., & Espejo, O. J. (2014). Evaluación de la exactitud temática del
mapa de cambio de bosque para la región amazónica colombiana en el periodo
2010-2012.
Ramirez, S., & Lizarazo, I. (2016). Quick STEP: Accuracy assessment similarity matrix for
GEOBIA. QGIS plugin version 0.1.
Reymondin, L., Jarvis, A., Pérez-Uribe, A., Touval, J., Argote, K., Rebetez, J., … Mulligan,
M. (2012a). A methodology for near real-time monitoring of habitat change at
continental scales using MODIS-NDVI and TRMM. Submitted Remote Sensing of
Environment.
146
Reymondin, L., Jarvis, A., Pérez-Uribe, A., Touval, J., Argote, K., Rebetez, J., … Mulligan,
M. (2012b). A methodology for near real-time monitoring of habitat change at
continental scales using MODIS-NDVI and TRMM. Submitted Remote Sensing of
Environment.
Ribeiro, V., de Freitas, U. M., de Queiroz, G. R., Petinatti, M. R., & Abreu, E. S. (2007). The
Amazon Deforestation Monitoring System. OSGeo Journal, 3(1).
Salinero, E. C. (2002a). Teledetección ambiental. La observación de la Tierra desde el
espacio. Ariel Ciencia.
Salinero, E. C. (2002b). Teledetección ambiental. La observación de la Tierra desde el
espacio. Ariel Ciencia.
Sarría, F. A. (2006). Sistemas de Información Geográfica. Universidad de Murcia.
Senseman, G. M., Bagley, C. F., & Tweddale, S. A. (1995). Accuracy Assessment of the
Discrete Classification of Remotely-Sensed Digital Data for Landcover Mapping.
DTIC Document.
Seto, K. C., Woodcock, C. E., Song, C., Huang, X., Lu, J., & Kaufmann, R. K. (2002).
Monitoring land-use change in the Pearl River Delta using Landsat TM. International
Journal of Remote Sensing, 23(10), 1985–2004.
Shekhar, S., & Xiong, H. (2008). Encyclopedia of GIS. Springer.
Tan, P.-N. (2007). Introduction to data mining. Pearson Education India.
Tso, B., & Mather, P. M. (2009). Classification methods for remotely sensed data. CRC
PressI Llc.
UNODC. (2014a). Analisis Multitemporal del Cultivos de Coca. Periodo 2001-2012.
UNODC. (2014b). Censo de Cultivos de Coca 2013.
UNODC, & Parques Nacionales Naturales de Colombia. (2004). Análisis Multitemporal de
cultivos de coca en las Áreas del Sistema de Parques Nacionales Naturales Periodo
2001 - 2004.
Valeriano, D. M., Mello, E. M. K., Moreira, J. C., Shimabukuro, Y. E., Duarte, V., Souza, I.
M., … Souza, R. C. M. (2004). Monitoring tropical forest from space: the Prodes
digital project. International Archives of Photogrammetry Remote Sensing and
Spatial Information Sciences, 35, 272–274.
van Oort, P. A. J. (2007). Interpreting the change detection error matrix. Remote Sensing
of Environment, 108(1), 1-8.
Weng, Q. (2011). Advances in Environmental Remote Sensing: Sensors, Algorithms, and
Applications. CRC Press.
Wilches, H. M., & Ch, M. C. (2005). Adaptación DE LA Metodología Corine Land Cover
PARA Colombia Adjustment OF Corine Land Cover Methodology FOR Colombia.
Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE
transactions on evolutionary computation, 1(1), 67–82.
Wu, J., Cui, Z., Sheng, V. S., Shi, Y., & Zhao, P. (2014). Mixed pattern matching-based
traffic abnormal behavior recognition. The Scientific World Journal, 2014.
Wulder, M. A., Masek, J. G., Cohen, W. B., Loveland, T. R., & Woodcock, C. E. (2012).
Opening the archive: How free data has enabled the science and monitoring
promise of Landsat. Remote Sensing of Environment, 122, 2–10.
Yang, X., & Li, J. (2012). Advances in Mapping from Remote Sensor Imagery: Techniques
and Applications. CRC Press.
Zhou, W., Troy, A., & Grove, M. (2008). Object-based land cover classification and change
analysis in the Baltimore metropolitan area using multitemporal high resolution
remote sensing data. Sensors, 8(3), 1613–1636.
147
Zhu, Z., Wang, S., & Woodcock, C. E. (2015). Improvement and expansion of the Fmask
algorithm: cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and
Sentinel 2 images. Remote Sensing of Environment, 159, 269–277.
Zhu, Z., & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in
Landsat imagery. Remote Sensing of Environment, 118, 83–94.
148
ANEXO 1.
Estructura en XML para la importación (ingesta) de los datos de la
serie de tiempo en eCognition.
<?xml version="1.0" encoding="UTF-8"?>
<ImportDefinitions>
<ImportDefinition name="Customized Import" description="">
<LcnsIds></LcnsIds>
<SceneSearch folders-from-file-system="no" bdi-driver="" scene-name="{scene}" map-
name="">
<TagString>{{root}\sr\sub8_sr_{scene}_{frame}.img:reverse}</TagString>
<SiteInfo x-coo="decimal" y-coo="decimal">
<TagString></TagString>
</SiteInfo>
</SceneSearch>
<SceneDefinition force-fitting="0" geo-coding="from-file" scene-extent="union" scene-
unit="auto" pixel-size="auto" frame-res="1." slice-res="1." slice-order="desc">
<ImageLayer channel="1" alias="AZUL" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="2" alias="VERDE" driver="GDAL" nodata-value="0." nodata-
apply-type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="3" alias="ROJO" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="4" alias="IRC" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="5" alias="IRM" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="6" alias="IRL" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{search-string}</TagString>
</ImageLayer>
<ImageLayer channel="1" alias="" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\Fraccional\sub8_frac_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="2" alias="S" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\Fraccional\sub8_frac_{scene}_{frame}.img:reverse}</TagString>
149
</ImageLayer>
<ImageLayer channel="3" alias="VF" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\Fraccional\sub8_frac_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="4" alias="VNF" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\Fraccional\sub8_frac_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="1" alias="" driver="" nodata-value="0." nodata-apply-type="and">
<TagString>{{root}\cfmask\sub_sr_{scene}_{frame}_cfmask_t.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="2" alias="CFMASK" driver="" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\cfmask\sub_sr_{scene}_{frame}_cfmask_t.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="1" alias="" driver="" nodata-value="0." nodata-apply-type="and">
<TagString>{{root}\Muestreo\muestreo_{scene}_{frame}_t.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="2" alias="MUESTREO" driver="" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\Muestreo\muestreo_{scene}_{frame}_t.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="1" alias="" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\INDICES\indices_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="2" alias="NDVI" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\INDICES\indices_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
<ImageLayer channel="3" alias="NBR" driver="GDAL" nodata-value="0." nodata-apply-
type="and">
<TagString>{{root}\INDICES\indices_{scene}_{frame}.img:reverse}</TagString>
</ImageLayer>
</SceneDefinition>
</ImportDefinition>
</ImportDefinitions>
150
ANEXO 2.
Determinación del espacio de características más adecuado para
la clasificación de Bosque y No Bosque empleando 3
clasificadores Machine Learning.
UL X 333345 LR X 303345
UL Y 656085 LR Y 686085
Tabla 26. Coordenadas que delimitan la muestra de la imagen para la optimización de SVM
Una primera prueba solo empleando los datos espectrales (XS), en una segunda prueba
se emplean únicamente los datos de cobertura fraccional, índices NDVI, NDBR y ARVI y
los 3 componentes de la transformación Tasseled Cap (IND+FRACC) y finalmente la
combinación de todos los datos (XS+IND+FRACC) para la clasificación. Se compara el
indicador de exactitud temática promedio, ver Tabla 27, derivado de la matriz de confusión
y el índice Kappa, ver Tabla 28, que resumen adecuadamente los errores de omisión y
comisión determinados por la misma matriz para ofrecer así un mejor estimador de la
calidad del proceso de clasificación.
XS IND+FRA XS+IND+FRACC
DT 92,89% 91,00% 92,89%
GEOBIA SVM 90,30% 92,89% 93,19%
RF 92,40% 91,30% 92,49%
Tabla 27. Resumen de resultados del Indicador de exactitud promedio para cada clasificador en los 3
ejercicios.
XS FRACC XS+IND+FRACC
DT 81,34% 75,78% 81,34%
GEOBIA SVM 75,96% 80,41% 81,36%
RF 80,32% 76,89% 80,44%
Tabla 28. Resumen de resultados del índice kappa para cada clasificador en los 3 ejercicios.
Los resultados para los tres métodos, DT, SVM y RF son sobresalientemente altos,
siempre superiores 90% en el indicador de exactitud promedio y más del 80% en el
indicador Kappa. Y aunque los tres métodos se desempeñan de forma adecuada, las
diferencias únicamente comparativas entre los valores Kappa y promedio no parecen
significativamente altas. Se puede anotar inicialmente que los resultados empleando los
datos espectrales y fraccionales simultáneamente ofrece una mejoría en los resultados.
Se determinan además los intervalos de confianza del índice kappa, de acuerdo con (Tan,
2007).
152
95%
Limite Límite
Superior Inferior
XS 81,63% 81,05%
DT FRACC 76,10% 75,46%
XS+IND+FRACC 81,63% 81,05%
XS 76,27% 75,64%
GEOBIA SVM FRACC 80,70% 80,11%
XS+IND+FRACC 81,64% 81,07%
XS 80,61% 80,03%
RF FRACC 77,20% 76,58%
XS+IND+FRACC 80,73% 80,14%
Tabla 29. Intervalos de confianza al 95% para kappa.
El índice Kappa nos da un mejor panorama de los resultados sobre el desempeño de cada
método, incorporando no solo los aciertos en la matriz de confusión sino además los
errores de comisión y omisión. Se observa en promedio que los métodos de clasificación
por Árboles de decisión y Maquinas de soporte Vectorial ofrecen los mayores indicadores.
Sin embargo para obtener una adecuada y más concluyente comparación y determinar si
la exactitud entre ellas es significativamente diferentes (Senseman, Bagley, & Tweddale,
1995) se implementa el test de independencia estadística entre dos matrices de confusión
expuesto en (Congalton & Green, 2008b), se determina inicialmente las varianzas del
indicador Kappa a partir del método Delta:
DT SVM RF
XS+IND+F XS+IND+ XS+IND+
XS FRACC XS FRACC XS FRACC
RACC FRACC FRACC
XS - 4,578 0,000 4,561 0,805 0,014 0,891 3,720 0,788
De acuerdo a los resultados del análisis de la diferencia de los índices Kappa para todas
las combinaciones de clasificadores los métodos en los que se ha empleado únicamente
los datos espectrales o su combinación con los datos de cobertura fraccional, son
significativamente diferentes, y de acuerdo al valor de kappa, de una mayor exactitud
temática que empleando únicamente los datos de cobertura fraccional e índices. No es
posible determinar a un nivel de confianza del 95% y/o 99% una diferencia significativa de
un método, bien sea SVM, DT o RF sobre otro. Por ende el desarrollo de los procesos para
la clasificación de la cobertura bosque y no bosque se realizara siempre la comparación y
generación de los datos por todos los métodos definidos a partir de los datos espectrales
y de índices y transformaciones, y no se preferirá en la metodología un método sobre otro,
hasta no realizar la evaluación final.
154
ANEXO 3.
Matrices STEP de los resultados de la evaluación de los métodos
DT, RF, SVM y Knn a partir de los datos de referencia IDEAM y
Global Forest Cnange.
Sector #1. Método RF. Validación IDEAM.
SHAPE Bosque Deforestación No Bosque Total Exactitud Productor (%)
Bosque 90,830 4,839 1,637 97,305 93%
Deforestación 6,292 13,916 1,164 21,371 65%
No Bosque 8,636 12,517 53,341 74,494 72%
Total 105,758 31,272 56,142 193,171 100%
Exactitud Usuario (%) 86% 44% 95% 100% 82%
Tabla 31 Matriz de errores ponderados para Área (Shape) por el método de clasificación RF para el
Sector #1 a partir de los datos IDEAM.
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 82% 60.0% 100.0%
Theme 79% 56.7% 100.0%
Edge 96% 81.1% 100.0%
Position 83% 61.2% 100.0%
Tabla 35 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para
el Sector #1 a partir de los datos IDEAM.
155
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 86% 65.3% 100.0%
Theme 87% 66.6% 100.0%
Edge 94% 77.0% 100.0%
Position 91% 73.2% 100.0%
Tabla 40 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para
el Sector #1 a partir de los datos IDEAM.
156
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 84% 62.3% 100.0%
Theme 82% 60.3% 100.0%
Edge 96% 81.1% 100.0%
Position 86% 65.8% 100.0%
Tabla 45 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector #1 a partir de los datos IDEAM.
157
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 81% 58.4% 100.0%
Theme 76% 52.8% 98.8%
Edge 96% 81.6% 100.0%
Position 80% 57.6% 100.0%
Tabla 50 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #1 a partir de los datos IDEAM.
158
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 70% 63.8% 75.4%
Theme 70% 64.3% 75.9%
Edge 89% 84.5% 92.9%
Position 60% 54.1% 66.4%
Tabla 55 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para
el Sector #1 a partir de los datos GLOBAL FOREST CHANGE.
159
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 66% 59.8% 71.6%
Theme 68% 61.8% 73.5%
Edge 85% 80.8% 89.6%
Position 58% 51.8% 64.2%
Tabla 60 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para
el Sector #1 a partir de los datos GLOBAL FOREST CHANGE.
160
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 71% 64.9% 76.5%
Theme 70% 64.2% 75.8%
Edge 92% 88.1% 96.0%
Position 62% 56.1% 68.3%
Tabla 65 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector #1 a partir de los datos GLOBAL FOREST CHANGE.
161
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 72% 66.2% 77.7%
Theme 71% 65.1% 76.7%
Edge 90% 86.4% 94.5%
Position 64% 57.7% 70.0%
Tabla 70 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #1 a partir de los datos GLOBAL FOREST CHANGE.
162
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 92% 80.2% 100.0%
Theme 91% 78.3% 100.0%
Edge 98% 90.6% 100.0%
Position 92% 80.5% 100.0%
Tabla 75 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para
el Sector #2 a partir de los datos IDEAM.
163
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 91% 78.9% 100.0%
Theme 89% 76.0% 100.0%
Edge 98% 89.4% 100.0%
Position 91% 79.0% 100.0%
Tabla 80 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT para
el Sector #2 a partir de los datos IDEAM.
164
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 90% 77.3% 100.0%
Theme 88% 74.2% 100.0%
Edge 98% 89.0% 100.0%
Position 91% 78.1% 100.0%
Tabla 85 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector 1 a partir de los datos IDEAM.
165
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 91% 78.1% 100.0%
Theme 89% 76.3% 100.0%
Edge 98% 88.8% 100.0%
Position 91% 78.0% 100.0%
Tabla 90 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #2 a partir de los datos IDEAM.
166
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 88.9% 98.6%
Theme 91% 85.5% 96.6%
Edge 99% 95.8% 100.0%
Position 86% 79.8% 92.7%
Tabla 95 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF para
el Sector #2 a partir de los datos GLOBAL FOREST CHANGE.
167
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 93% 88.0% 98.0%
Theme 90% 84.6% 95.9%
Edge 98% 95.0% 100.0%
Position 85% 78.1% 91.2%
Tabla 100 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT
para el Sector #2 a partir de los datos GLOBAL FOREST CHANGE.
168
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 93% 87.7% 97.7%
Theme 90% 84.8% 96.0%
Edge 98% 94.5% 100.0%
Position 86% 79.9% 92.8%
Tabla 105 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector #2 a partir de los datos GLOBAL FOREST CHANGE.
169
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 93% 87.6% 97.7%
Theme 90% 84.2% 95.5%
Edge 98% 94.9% 100.0%
Position 84% 77.6% 90.8%
Tabla 110 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #2 a partir de los datos GLOBAL FOREST CHANGE.
170
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 77.9% 100.0%
Theme 93% 76.0% 100.0%
Edge 96% 82.2% 100.0%
Position 94% 77.1% 100.0%
Tabla 115 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF
para el Sector #3 a partir de los datos IDEAM.
171
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 95% 79.6% 100.0%
Theme 94% 77.4% 100.0%
Edge 96% 81.6% 100.0%
Position 94% 77.9% 100.0%
Tabla 120 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT
para el Sector #3 a partir de los datos IDEAM.
172
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 78.1% 100.0%
Theme 94% 77.5% 100.0%
Edge 97% 82.3% 100.0%
Position 94% 77.1% 100.0%
Tabla 125 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector 1 a partir de los datos IDEAM.
173
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 92% 75.0% 100.0%
Theme 93% 76.1% 100.0%
Edge 97% 82.6% 100.0%
Position 93% 76.2% 100.0%
Tabla 130 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #3 a partir de los datos IDEAM.
174
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 95% 92.0% 97.1%
Theme 92% 89.5% 95.3%
Edge 98% 96.4% 99.8%
Position 85% 81.4% 88.9%
Tabla 135 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación RF
para el Sector #3 a partir de los datos GLOBAL FOREST CHANGE.
175
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 91.0% 96.3%
Theme 94% 90.8% 96.4%
Edge 98% 96.8% 100.0%
Position 85% 81.0% 88.5%
Tabla 140 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación DT
para el Sector #3 a partir de los datos GLOBAL FOREST CHANGE.
176
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 91.4% 96.6%
Theme 94% 91.9% 97.4%
Edge 99% 97.0% 100.0%
Position 84% 80.5% 88.0%
Tabla 145 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación KNN
para el Sector #3 a partir de los datos GLOBAL FOREST CHANGE.
177
Exactitud Promedio por Componente Lim Inf IC 95% Lim Sup IC 95%
Shape 94% 91.3% 96.5%
Theme 93% 90.2% 95.9%
Edge 98% 96.6% 100.0%
Position 85% 81.1% 88.6%
Tabla 150 Matriz de Exactitud Promedio Geométrica y Temática por el método de clasificación SVM
para el Sector #3 a partir de los datos GLOBAL FOREST CHANGE.