Nota Tecnica - Deteccion de Cambios Por Perdida de Cobertura Arborea

Detección de cambios por pérdida de
cobertura arbórea
Ficha Técnica #2
Título de la Publicación: Texto Normal | 1.

Publicado por
Deutsche Gesellschaft für

Internationale Zusammenarbeit (GIZ) GmbH
Domicilios de la empresa
Bonn y Eschborn, Alemania
Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en Centroamérica y República Dominicana
(REDD/CCAD-GIZ)
Agencia de la GIZ
Bulevar Orden de Malta, Casa de la Cooperación Alemana
Urbanización Santa Elena, Antiguo Cuscatlán, La Libertad
El Salvador, C.A.
Tel +503 2121-5100
Fax +503 2121-5101
E-Mail info@reddccadgiz.org
www.giz.de
www.reddccadgiz.org
Versión
Octubre 2018
Diseño
Oscar Rodríguez, Asesor Técnico en Comunicación Estratégica
Programa Regional REDD/CCAD-GIZ
oscar.rodriguez@giz.de
Créditos fotográficos
Todas las fotos:
Autores
Omar Orellana Díaz
Consultor, Especialista en Tecnologías de Información Geográfica
Supervisión
Abner Jiménez, Especialista Sectorial
abner.jimenez@giz.de
Componente
Monitoreo Forestal
La GIZ es responsable del contenido de la presente publicación.
El Programa Regional Reducción de Emisiones de la Deforestación y Degradación de Bosques en Centroamérica y República

Dominicana (REDD III) es un programa financiado por el Ministerio Federal de Desarrollo Económico y Cooperación de Alemania
(BMZ) y ejecutado por la GIZ en coordinación con la Comisión Centroamericana de Ambiente y Desarrollo (CCAD).
Detección de cambios por pérdida de cobertura arbórea

By Programa Regional Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en
Centroamérica y República Dominicana (REDD/CCAD-GIZ) is licensed under a Creative Commons Reconocimiento-
NoComercial 4.0 Internacional License Creado a partir de la obra en www.reddccadgiz.org
CONTENIDO
CAPÍTULO I. PLANTEAMIENTO ......................................................................................................................................... 3
1.1 INTRODUCCIÓN ......................................................................................................................................................... 3
1.2 OBJETIVO ................................................................................................................................................................... 4
1.2.1 OBJETIVO GENERAL ............................................................................................................ 4
1.2.2 OBJETIVOS ESPECÍFICO ...................................................................................................... 4
CAPÍTULO II. FICHA TÉCNICA ........................................................................................................................................... 5
2.1.1 DESCRIPCIÓN DE ALGORITMO ........................................................................................ 5
2.1.1.1 MÉTODOS .................................................................................................................... 5
2.1.1.2 DIAGRAMA DE PROCESOS .......................................................................................... 6
2.1.2 DATOS DE ENTRADA........................................................................................................ 7
2.1.3 PROCESAMIENTO ............................................................................................................ 8
2.1.3.1 RELACIÓN DE NUEVAS BANDAS .................................................................................. 8
2.1.3.2 MOSAICO MULTIFECHAS CON RELACIÓN DE BANDAS ................................................ 9
2.1.3.3 MUESTRAS ................................................................................................................. 10
2.1.3.4 INTEGRACIÓN DE LAS FIRMAS .................................................................................. 12
2.1.3.5 CLASIFICACIÓN DE MUESTRAS ................................................................................. 12
2.1.4 DATOS DE SALIDA.......................................................................................................... 14
2.1.4.1 VISUALIZACIÓN DE RESULTADOS ............................................................................. 14
2.1.4.2 EXPORTACIÓN DE RESULTADOS .............................................................................. 15
2.1.4.3 COMPARTIR SCRIPT .................................................................................................. 16
2.1.5 INSTRUMENTOS DE APOYO ........................................................................................... 17
CAPÍTULO IV. PUNTOS CLAVES ..................................................................................................................................... 18
BIBLIOGRAFÍA .................................................................................................................................................................. 20
1
Programa Reducción de Emisiones Documentación de algoritmos informáticos para la detección
por la Deforestación y de pérdidas y ganancias del componente arbóreo en los
Degradación de Bosques en países de la región SICA.
Centroamérica y República
Dominicana (REDD III)
RESUMEN
Los ecosistemas naturales se encuentran en un estado de flujo permanente de variación a escalas
espaciales y temporales en todo el mundo (Hansen et al., 2013a).
Las técnicas basadas en datos multispectrales adquiridos por satélite han demostrado potencial como
medio para detectar, identificar, mapear y monitorear los cambios en los ecosistemas naturales,
independientemente de sus agentes causales (Coppin, Jonckheere, Nackaerts, Muys, & Lambin,
2004).
En los últimos años la generación de datos sobre las dinámicas 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 citado por Espejo, 2016), por lo
que carecen de un análisis contextual, espacial y temporal de las variaciones espectrales de las
coberturas analizadas.
El presente manual implementa una metodología, completamente en un entorno orientado a objetos

geográficos (JavaScript/GEE), para la estimación y cuantificación de las dinámicas espaciotemporales
de la cobertura del Bosque (pérdida o deforestación), mediante el análisis de una serie de tiempo de
imágenes multiespectrales de media resolución espacial (Landsat). En la ficha técnica se formula el
paso a paso de los procesos para la adecuada estructuración de los datos y construcción de la serie
de tiempo basados en el sensor Landsat, la construcción de mosaicos libres de nubes, entrenamiento
y clasificación de la serie de tiempo de objetos a partir de 2 algoritmos de clasificación geoespacial
(CART y Random Forest).
Los resultados que los diferentes usuarios pueden obtener mediante la metodología utilizando la
herramienta de GEE pueden llegar a ser la basa operativa para la definición de un sistema de
monitoreo de bosques. Asimismo, el propósito de este manual es permitir que diversos usuarios en la
temática de monitoreo ambiental logren tener un instrumento de soporte y fortalecimiento en el uso de
GEE para el monitoreo de los bosques.
Palabras claves: Google Earth Engine, Deforestación, Algoritmos
2
Ficha Técnica: Detección de cambios por pérdida de la cobertura arbórea
CAPÍTULO I. PLANTEAMIENTO
1.1 INTRODUCCIÓN
Actualmente gran parte de los bosques de todo el mundo se encuentran en un constante estado de
cambio, con pérdidas aceleradas en algunas regiones y ganancias en otras (Hansen et al., 2013b).
La deforestación es uno de los factores negativos que ha desequilibrado la estructura original de los
ecosistemas en todos los niveles de desarrollo de sucesión ecológica por lo que FAO (2015) describe
que los bosques del mundo siguen disminuyendo, a medida que la población aumenta y las áreas
forestales se reconvierten a la agricultura y otros usos, pero en los últimos 25 años la tasa de
deforestación neta mundial (3.1%) ha disminuido en más del 50%. Desde 1990 al 2015 se han perdido
unos 129 millones de hectáreas de bosques, una superficie casi equivalente a la de Sudáfrica (p.26).
A nivel regional según UICN (2005) afirma que: “Centroamérica continúa deforestando a un ritmo de
48 hectáreas por hora, lo que equivale a entre 375,000 y 400,000 hectáreas por año. Esta cifra
alarmante no ha cambiado en los últimos diez años” (p.5). Con esto se pone en evidencia que la
situación ambiental en la región centroamericana es alarmante ya que el avance de la frontera
agrícola, el aumento de la población, el cambio climático y los efectos antropogénicos están afectando
de forma directa los ecosistemas de la región.
Debido a la difícil situación y sobre todo la falta de información para el montaje de sistemas de
monitoreo, muchos países en vías de desarrollo se ven en la compleja tarea de lograr monitorear,
reportar y verificar el estado de los bosques y de esta forma formular políticas y estrategias basados
en una línea base de monitoreo de los bosques. En referencia a lo anterior, en este manual se pretende
documentar una guía metodológica sobre algoritmos informáticos relacionados a la detección de
pérdidas de la cobertura arbórea en el paisaje utilizando plataformas de “cloud computing” en un
formato adecuado para que pueda ser replicado por los técnicos nacionales responsables de
monitorear el cambio de la cobertura forestal y otros usos de la tierra en los países de la región SICA.
.
3
1.2 OBJETIVO
1.2.1 OBJETIVO GENERAL

Documentar un manual metodológico sobre el procesamiento de imágenes satelitales para la
detección de cambios de cobertura (Pérdida) utilizando la herramienta de Google Earth Engine.
1.2.2 OBJETIVOS ESPECÍFICO
❖ Elaborar un script incorporando encabezados en formas de comentarios que expliquen las

instrucciones y consideraciones a tener en cuenta sobre los parámetros a usar y tipo de
cálculo desarrollado en forma consistente con los pasos definidos en la ficha descriptiva-
metodológica.
❖ Desarrollar y documentar un ejemplo de aplicación (en la zona seleccionada) con el objetivo

de visualizar de manera ilustrada los datos de entrada, los resultados intermedios y los
resultados obtenidos (salidas)
❖ Describir sobre documentación de soporte existente y guías de referencia que sirvan de apoyo
en el proceso de aprendizaje.
4
CAPÍTULO II. FICHA TÉCNICA
2.1 DETECCIÓN DE CAMBIOS POR PÉRDIDA DE COBERTURA FORESTAL
2.1.1 DESCRIPCIÓN DE ALGORITMO

Las técnicas basadas en datos multitemporales, multiespectrales, adquiridos por sensores satelitales
han demostrado ser un medio para detectar, identificar, mapear y monitorear los cambios en los
ecosistemas, independientemente de sus agentes causales (Coppin et al., 2004).
En la actualidad existen muchos tipos de algoritmos especializados en la detección de cambios.

Asimismo, en los últimos años, el uso de algoritmos de aprendizaje automático; redes neuronales y
los clasificadores de árbol de decisión han demostrado a través de preformas informáticos (GEE,
SEPAL1, Terra-I2, Global Forest Watch3, ect) ser efectivos tanto en tiempo como recursos (Financiero
y Técnico).
El uso de la plataforma de GEE incorpora una serie de diferentes casos de estudios en el cual se
describe y pone a disposición toda las bases de datos de estimación de la dinámica de la cobertura
forestal a nivel planetarios (Hansen et al., 2013a).
2.1.1.1 MÉTODOS
Este manual trata de explicar, como el uso de la plataforma de GEE puede lograr estimaciones
precisas y efectivas a través del procesamiento en la nube. Aplicando los principios basados en
comparaciones Bi-Temporales entre imágenes satelitales, la ayuda de algunos algoritmos
especializados del sensor Landsat (ee.Algorithms.Landsat.simpleComposite) para construir
mosaicos libres de nubes y la aplicación de modelos estadísticos de clasificación (Rando Forest,
CART4, etc.); hace posible tener una aplicación paralela de varios métodos de detección de cambios,
seguido de una integración de los resultados la manera más eficaz de detectar el cambio en una
amplia gama de entornos.
1 SEPAL: https://sepal.io/
2 Terra-I: http://www.terra-i.org/terra-i.html
3 Global Forest Watch: https://www.globalforestwatch.org/
4
CART: Classification And Regression Trees (Breiman, 2017)
5
2.1.1.2 DIAGRAMA DE PROCESOS
Step: 1. Datos de Entrada Step: 2. Procesamiento Step: 3. Salida
Datos Satelital u
l
1.
moc tubre jde 2018 s
a
2.
m
i.
3 4.
u
v
i.
5 6.
á
d
o
7.
Filtro por
Mapas de
Fecha, Limite y
1 1 1 1 1
8 9
1 1 1 0 1 1 1 2 23 4
2
5
2 6 2
2 7 2 8 2 9 20 1
2
Dinámica
% de nube
2
2 3 3
3 4 5 6 7 8
9 0 1
Mascara y
Limpieza de
nubes
Relación de
nuevas bandas
Publicación de datos
Mosaico
combinado
Procesamiento en la
Nube (GEE) Muestras:
• Bosque Estable
• No Bosque
Estable
• Deforestación
Pesentación de Datos
Algoritmo de
Clasificación
Imágenes
Landsat
6
2.1.2 DATOS DE ENTRADA
Para el desarrollo del ejemplo sobre la estimación de cambios por deforestación (Pérdidas), es
necesario contar con los siguientes datos de entrada:
1. Límite de estudio: Es necesario contar con un límite de área de estudio. Este puede ser
cualquier área administrativa (País, Cantón, Departamento, Municipio, Área Protegida etc.).
una vez, definida el área de interés, se importa el archivo vectorial (KML o Shapefile) a la
plataforma de GEE.
Nota: Es importante resaltar que para importar un archivo KML o Shapefile; ambos tipos
de archivo tienen un proceso de importación diferente. Para mayor detalle en este
procedimiento consultar el Manual generación de mosaicos libres de nubes.
Ejemplo:
1 // Límite de área de estudio.
2 var Limite = ee.FeatureCollection ("ft:ID de la tabla dinámica");
Nota: El ID hace referencia al enlace que se genera cuando se importa un archivo. Este puede ser consultado
en las propiedades del archivo. Si es una Tabla dinámica, consultar en Google Drive, si es un Shapefile,
consultar en Assets directamente en GEE.
2. Colección de datos: Las colecciones utilizadas para este ejemplo provienen de las imágenes
disponibles por el sensor Landsat:
❖ Escenas crudas USGS Landsat 5 TM (ortorrectificadas)
Nota: Cuando se desee consultar con más detalle sobre la disponibilidad de alguna colección en
interés, solo hace falta, escribir el nombre completo del sensor en el buscador, ejemplo:
7
De igual manera, se puede acceder a las colecciones a través del Catálogo de Datos desde el siguiente
enlace: https://developers.google.com/earth-engine/datasets/catalog/landsat/
A continuación, se muestra un ejemplo de cómo agregar una colección en la ventana de condigo de

GEE:
… Ejemplo:
1 //Colecciones Landsat
2 var landsat5 = ee.ImageCollection('LT5_L1T'); Nota: En GEE se puede
3 var landsat7 = ee.ImageCollection('LE7_L1T');
agregar el nombre completo
4 var landsat8 = ee.ImageCollection('LC8_L1T');
de la colección o solamente
5
agregar el abreviado.
2.1.3 PROCESAMIENTO
El procesamiento consiste en construir mosaicos libres de nubes (Para mayor detalle sobre este
procedimiento Consultar el Manual de Construcción de Mosaicos libres de nube) con el propósito
de comparar dos o más temporalidades (Wall to Wall) en función de un entrenamiento de muestras
que sirven de base para la modelación de una clasificación utilizando el método CART. Una vez
teniendo los mosaicos libres de nube, las muestras de entrenamiento y el método de clasificación se
prosigue a correr el modelo para la estimación de pérdida de área. En este manual sólo se detalla las
líneas de códigos que son necesarias para la construcción de:
❖ Relación de nuevas bandas,

❖ Mosaicos multicapas,
❖ Muestras y
❖ clasificación de muestras de entrenamiento.
2.1.3.1 RELACIÓN DE NUEVAS BANDAS

Para obtener mejores resultados en las clasificaciones, es necesario establecer ciertas relaciones
entre bandas de la misma imagen satelital y posteriormente construir nuevas imágenes con las
relaciones de bandas definidas. Este proceso se aplica tanto para el Mosaico T1 como para el Mosaico
T2.
Ejemplo:
1 //Relaciones de bandas para construir nuevas bandas con algunas
2 //normalizaciones que permiten resultados más precisos en las
3 //clasificaciones
4 varrat45_00 = Mosaico_1.select("B4").divide(Mosaico_1.select("B5"));
10
8
Nota: Para una mejor legibilidad del código, se recomienda utilizar abreviaciones concisas que permitan
reconocer lo que estamos haciendo. En la primer variables, el valor 45_00, hace referencia a la combinación
de banda (45) y al periodo (00).
En el ejemplo anterior se muestra como seleccionar (select) una banda de una colección y luego dividirla
(divide)por otra banda de la misma colección.
2.1.3.2 MOSAICO MULTIFECHAS CON RELACIÓN DE BANDAS

Los mosaicos construidos por otros de diferentes temporalidades o años, son denominados mosaicos
multifechas y se generan para clasificar en un solo archivo las temporalidades que sean necesarias y
en principal para obtener mejores resultados en las clasificaciones de salida, esto debido a las
relaciones intrínsecas o arboles de decisión que los algoritmos pueden establecer a partir de las
relaciones de bandas.
Ejemplo:
1 //Construcción de pilas de capas con múltiples bandas entre
2 //originales y bandas relacionadas
3 var m2000_RB =
4 m2000.addBands(rat45_00).addBands(rat46_00).addBands(rat47_00).addBan
5 ds(rat56_00).addBands(rat57_00).addBands(rat67_00);
var m2015_RB =
m2015.addBands(rat45_15).addBands(rat46_15).addBands(rat47_15).addBan
ds(rat56_15).addBands(rat57_15).addBands(rat67_15);
//Construcción de mosaico multifechas (del 2000 y 2015)

var m_multifecha = m2000_RB.addBands(m2015_RB);
Nota: En el ejemplo anterior se muestra una forma operativa de como fusionar múltiples capas
(addBands). El archivo de salida de este proceso es una capa ráster con múltiples valores de bandas.
9
2.1.3.3 MUESTRAS
Las muestras son la base para entrenar cualquier tipo de clasificador; éstas, pueden ser ingresadas
directamente desde GEE o pueden ser importadas desde un archivo externo (KML o Shapefile). Para
crear una muestra en GEE, en el panel superior izquierdo del visor del mapa, se selecciona cualquier
elemento geométrico (punto, línea o polígono) y luego se configuran los parámetros en el icono de
proceso:
Para agregar una nueva muestra se selecciona + new layer. El icono de configuración muestras las
propiedades de cada muestra.
En la configuración de los parámetros, en name se describe el nombre de la categoría (eje. Bosque),

en “Import as” se elige FeatureCollection dado que se asignarán varias muestras para esa categoría;
en properties escribir un nombre (o field) que debe ser el mismo para todas las categorías (ej. clase),
que estará relacionado con el codigo de cada cobertura (este debe ser un número diferente para cada
categoría, ej. no bosque estable “1”, no bosque estable “2” y pérdida “3”).
Este proceso se repite hasta lograr tener las clases necesarias o las clases de interés del usuario. En
este manual se trabajará con las siguientes clases:
10
Nomenclatura de clases
Durante el proceso de asignación de muestras, se debe ser preciso para no lograr confundir los
modelos durante los procesos de clasificación. No existe una cantidad o número de muestras ideal en
la identificación de los objetos de entrenamiento al momento de correr un algoritmo de clasificación.
Lo recomendables es tratar de colocar muestras que sean fácil de identificar y que presenten con
claridad la dinámica del bosque. Si el modelo no muestra un resultado satisfactorio, se recomienda
adecuar de forma proporcional al área, un número de muestras de entrenamiento adecuado. En
ocasiones se debe agregar más muestras en las áreas más extensas (Bosque y No Bosque) y menos
muestras en las áreas en donde la dinámica es reducida (Perdida y Ganancia).
T1 T2 Dinámica
Bosque Estable
No Bosque Estable
Pérdida
Cuerpos de Agua
11
2.1.3.4 INTEGRACIÓN DE LAS FIRMAS

Dado a que las colecciones de firmas están separadas, es necesario combinarlas en el script; para
ello, se utiliza el comando .merge que permite ir agregando categoría por categoría
Ejemplo:
1 var Muestras =
2 Bosque_estable.merge(No_Bosque_estable).merge(Perdida).merge(Agua);
3
Nota: Dentro de los geoprocesos de GEE, la función .merge, es utilizada específicamente para archivos
vectoriales.
2.1.3.5 CLASIFICACIÓN DE MUESTRAS

Google Earth Engine contiene una serie de algoritmos de clasificación muy eficientes que pueden
utilizarse de acuerdo a la naturaleza o tipo de producto que se quiere obtener, sin embargo, los
métodos o algoritmos más utilizados se describen en la siguiente tabla:
Tabla 1. Algoritmos implícitos dentro de la plataforma de GEE

Modelo Uso Descripción
FastNaiveBayes Clasificación Algoritmo de clasificación rápida que utiliza la estimación de máxima
verosimilitud para evaluar la probabilidad de una observación
perteneciendo a una categoría específica, asumiendo que las
variables predictoras son independientes (Rich, 2001)
GmoMaxEnt Clasificación Implementación de un clasificador de máxima entropía, también
conocido como regresión logística multinomial (Böhning,
1992).Similar
Fast Naive Bayes, sin el supuesto de independencia variable
predicto
CART Clasificación & Implementación del algoritmo de árboles de clasificación y regresión
regresión donde se particionan los datos maximizando la diferencia entre
grupos, generando una estructura de nodos (clases) similar al de un
árbol. En la regresión, se instala un modelo lineal en cada nodo final
(Breiman, 2017).
Random Forest Clasificación & Random Forest es un conjunto de árboles de regresión o
regresión clasificación sin afinar creados mediante el uso de muestras
bootstrap de los datos de entrenamiento y la selección aleatoria de
características en la inducción de árboles. La predicción se realiza
agregando (mayoría de votos o promediando) las predicciones del
conjunto (Svetnik et al., 2003).
VotingSvm Clasificación & Implementación de SVM donde los valores se asignan
regresión seleccionando el valor de la clase con el mayor número de
apariciones (modo) (Padarian, Minasny, & Mcbratney, 2015).
MultiClassPerceptron Clasificación &
regresión Implementación de redes neuronales basadas en el algoritmo
propuesto originalmente por Rosenblatt (1958) citado por Padarian,
Minasny, & Mcbratney, (2015). El algoritmo crea una red de
funciones conectadas por pesos, simulando la estructura neuronal
del cerebro humano.
Fuente: adaptado de Padarian, Minasny, & Mcbratney, (2015)
12
Los métodos más comunes y utilizados son los clasificadores CART y Random Forest, dado por su
eficiencia y resultados obtenidos en diferentes estudios. Estos algoritmos dividen de forma recursiva
píxeles de datos de entrenamiento en subconjuntos homogéneos, hasta llegar a los nodos terminales
con la máxima homogeneidad. La homogeneidad se mide en relación a las clases definidas por datos
de entrenamiento (muestras). En resumen, estos métodos aprenden cada vez que se asignan puntos
de entrenamiento y de esta manera cada vez que se corre presenta mejores resultados en las
clasificaciones.
Para este ejemplo en el Manual la clasificación utiliza el mosaico multifechas obtenido a partir de
relación de bandas y las firmas asignadas respectivamente:
Ejemplo:
1 //PASOS PARA LA CLASIFICACIÓN
2 // 1. nombramiento y separación de bandas del mosaico multifechas
3 var bands= m_multifecha.bandNames();
4 //2. unir las muestras
5 var Muestras =
6 Bosque_estable.merge(No_Bosque_estable).merge(Perdida).merge(Agua);
7
8 //3. Sobreposición de puntos de muestras en el mosaico multifecha
9 para hacer el entrenamiento.
10 var Entrenamiento = m_multifecha.sampleRegions({ La escala descrita hace
11 collection: Muestras, referencia a la resolución con
12 properties: ['clase'], la cual se desea extraer los
13 scale: 30 valores del pixel.
14 });
15 //4. Entrenar a un clasificador CART con parámetros predeterminados.
16 var Entrenando = ee.Classifier.cart().train(Entrenamiento, 'clase',
17 bands);
18
19 //5. Clasifica el mosaico multifecha con las mismas bandas
20 utilizadas para el entrenamiento.
21 var clasificacion = m_multifecha.select(bands).classify(Entrenando);
22
Nota: Para mayor detalle sobre los operadores y funciones específicas dentro del código descrito
anteriormente, se puede apoyar en el diccionario técnico que se describe al final de este manual.
Nota: Si desea realizar un método diferente de clasificación, solo hace falta cambiar,
ee.Classifier.cart()por ee.Classifier.randomforest().Al finalizar el procedimiento se
puede observar que ambos clasificadores tienden a mostrar diferentes resultados.
13
2.1.4 DATOS DE SALIDA
2.1.4.1 VISUALIZACIÓN DE RESULTADOS

Cualquier capa importada a GEE u obtenida a partir de un Script, puede desplegarse en la ventana de
visualización del codificador de GEE. Si es una imagen satelital es necesario definir la combinación
de bandas con la que se quiere observar, el mínimo y el máximo valor de las bandas y el nombre de
salida en la ventana de visualización. Por otra parte, si es una clasificación o capa subdividida en
categorías, se debe asignar un color (los colores se identifican con códigos y se pueden obtener de la
ventana de muestras de entrenamiento o desde el siguiente encale : https://htmlcolorcodes.com/es/) para
cada una de las categorías, así como el valor mínimo y máximo ocupado por las mismas (en el
siguiente ejemplo se muestra un min: 1 max: 4, ya que se utilizaron 4 categorías). Para el caso del
min: 0 y max: 180, provienen del metadado de la imagen; al dar clic en Inspector (parte superior
derecha de la ventana) y luego en el mapa se mostrará las propiedades de las bandas, lo cual define
en que rango anda los valores de visualización.
A continuación, se muestra un ejemplo de cómo definir algunos parámetros de visualización dentro de

la ventana de código de GEE. La función para la visualización de capa se describe como:
Map.addLayer.
Ejemplo:
1 //Visualización de capas.
2 Map.addLayer(Mosaico_2000,{'bands': ['B4', 'B5', 'B3'], 'min': 0,
3 'max': 180},'m_Landsat2000', false);
4 Map.addLayer(Mosaico_2015,{'bands': ['B4', 'B5', 'B3'], 'min': 0,
5 'max': 128},'m_Landsat2015', false);
6 Map.addLayer(clasificacion, {min: 1, max: 4, palette: ['1b5e0f',
7 'f0ff19', 'e23913', '2e21ff']}, 'classification');
Nota: Al momento de configurar los parámetros de visualización es importante recalcar que se debe tener
en cuenta las propiedades o características de las bandas del sensor que se está utilizando ya que el nombre
y número de banda varía según el tipo de satélite. Para mostrar un ejemplo sobre lo descrito anteriormente,
consultar la siguiente tabla comparativa:
C
Enlace Tabla comparativa:
14
Nota: Tener en cuenta que, para análisis sobre el estado de la vegetación, comúnmente se utiliza la
combinación de banda: Rojo, Infrarrojo cercano (NIR) y SWIR 1.
Landsat 5
Año:2000
A continuación, se muestra un ejemplo de como se muestra una capa una vez finalizado un proceso
de clasificación.
Ilustración 1. Pérdidas estimadas
2.1.4.2 EXPORTACIÓN DE RESULTADOS

Una vez obtenidas las clasificaciones se deben descargar para sus respectivos análisis y edición. Se
puede exportar imágenes de Earth Engine en formato GeoTIFF o TFRecord. Para exportar una imagen
a su cuenta de Drive, use Export.image.toDrive(). Por ejemplo, para exportar partes de una imagen
Landsat, defina una región para exportar, luego llame Export.image.toDrive(). Cuando los archivos
sean muy grandes se puede utilizar el maxPixels; este parámetro está destinado a evitar que se creen
inadvertidamente exportaciones muy grandes. Si el valor predeterminado es demasiado bajo para la
imagen de salida deseada, puede aumentar maxPixels. La descarga se mostrará en la pestaña de
Tasks (parte superior derecha).
Ejemplo:
1 //Descargar Mosaicos
2 Export.image.toDrive
3 ({image: clasificacion,
4 description: 'clasificacion',
5 fileNamePrefix: 'Deforestacion',
6 scale:30,
7 maxPixels: 1e12,});
15
Nota: Cuando se requiera descargar una imagen o mosaico que contenga de forma implícita la descripción
del número y nombre de las bandas, se debe detallar que bandas se desean descargar ya que, de no hacerlo,
el sistema entenderá que ha seleccionado todas las bandas. Para ver un ejemplo de como descargar un
mosaico, consultar el Manual de mosaicos libres de nubes.
2.1.4.3 COMPARTIR SCRIPT

El botón Obtener enlace (Get a Link) genera un acceso único para el script en la barra de direcciones.
Este Link se puede compartir a diferentes usuarios de GEE y estos podrán ver y editar cada línea de
código del Script.
Ejemplo: https://code.earthengine.google.com/8bb728bacac006b22dffbe9e3b7ecaed
Nota: Cuando se construye un Script donde se importa archivos ráster o vectoriales, estos pueden estar
protegidos por temas de seguridad del usuario. Esto significa que, al consultar algunas capas de un script
externo, las capas pueden tener restringida su descarga. Las configuraciones de privacidad se definen en las
propiedades de las capas que se importan. Para que todo el público pueda acceder a las capas se debe dar
el permiso de acceso.
Nota: El Script descrito anteriormente, hace referencia sobre la aplicación de un ejemplo de deforestación
en República Dominicana. Las muestras utilizadas dentro del script, fueron seleccionas para fines
demostrativos. El análisis y resultados no expresan los datos reales u oficiales por parte del país. Todos los
ejemplos descritos solo son para fines educativos. El script descrito anteriormente, se puede compartir,
adecuar o mejorar para los fines que desee el usuario.
16
2.1.5 INSTRUMENTOS DE APOYO

Con el objetivo de contar con instrumentos de apoyo sobre la temática en el manejo de GEE,
aplicaciones, manejo y ejemplos en el lenguaje de programación relacionados en temas
geoambientales, a continuación, se describen algunas plataformas didactas que sirven como
instrumento o guía en el proceso de aprendizaje:
Clic aquí
Clic aquí
Clic aquí
Clic aquí
Clic aquí
17
CAPÍTULO IV. PUNTOS CLAVES
La mayor ventaja de usar GEE Es que muchos de las caspas ya están disponibles, facilitando el
proceso de recopilación de datos, y la naturaleza paralela de sus algoritmos, Lo que acelera
considerablemente los tiempos de cómputo.
Una implementación paralela de varios métodos de detección de cambios seguida de una integración
de resultados es, por lo tanto, la forma más efectiva de detectar cambios en una amplia gama de
entornos (Zhan et al., 2002).
Si bien los resultados obtenidos sobrestiman en algunos casos el área deforestada en la zona, se
pueden considerar como un “adecuado primer resultado” de una metodología automatizada, sin
ningún tipo de pos-procesamiento, o uso de variables auxiliares, criterios de probabilidad, cercanía o
distancia, etc. a los resultados de cada algoritmo.
La metodología que emplea proceso de análisis espaciaotemporal para determinar la validez y

permanencia de un cambio a nivel temático en cada una de las imágenes de la serie, es altamente
dependiente de un adecuado muestreo, la capacidad de los algoritmos de reconocimiento de patrones
en generar una adecuada clasificación de los datos y un adecuado enmascaramiento de las áreas de
nubes y sombras, depende mucho del conocimiento del áreas de estudio (Espejo, 2016).
Es importante considerar que para futuros análisis sobre la dinámica de los bosques es importante
tratar los tipos ecosistema de forma individual y separarlos ya que la dinámica de los mismo se ve
influencia y alterada por condiciones totalmente diferenciadas. Asimismo, hace que el proceso de
detección de cambios sea más fácil y precisos al momento de clasificar.
Para el sistema de monitoreo de bosques de cualquier región o área de interés, esta metodología
puede ser integrada a su sistema de procesamiento, e incluso puede actualizarse para seguir el nuevo
protocolo de procesamiento basada en la detección directa de cambios a partir de componentes
principales utilizando la plataforma de GEE. La plataforma al final, resulta ser una excelente opción
desde el punto de vista técnico, operativo, eficiente y eficaz.
Durante el proceso de identificación de las Pérdidas (Deforestación), se debe tomar en cuenta las
siguientes condiciones:
❖ Bandeo Satelital: El satélite Landsat 7 a partir del 2003 sufrió un fallo en su sistema SLC,
que la parte del sensor ETM+ que compensa el movimiento hacia adelante del satélite durante
la adquisición de las imágenes. Sin el SLC, el área escaneada por el sensor delinea un patrón
de zigzag provocando un bandeado o efecto gaps en la imagen. Este problema tiende a ser
un factor importante al momento de realizar un análisis comparativo entre imágenes, ya que
puede dar la percepción de que es una pérdida de vegetación. Debido a esto, los análisis que
se realicen con otros sensores como L5, L8, Sentinel entre otros, serán más precisos.
❖ Humedad: la variación y acumulación de humedad provocan algunos cambios sustanciales
en las áreas de alta precipitación. Estos problemas se dan en los ecosistemas de extensas
18
sabanas humedad cerca de lagos o lagunas. Los problemas causados por cambios en las
condiciones de humedad del suelo deben evitarse revisando cuidadosamente los registros de
precipitación durante los días y semanas previos de la toma de datos. Cuando las diferencias
de humedad del suelo y los datos de cada fecha son significativas para algunas partes del
área de estudio (quizá debido a tormentas locales), estas áreas afectadas se deben analizar
por separado en la etapa final del proyecto y revisar de forma más detallada.
❖ Fenología: en verano algunas especies durante su proceso fenológico, tienden a perder sus
hojas, factor que influye al momento de clasificar una imagen ya que visualmente puede
confundirse que un efecto de deforestación. Para esto se requería tener insumos y puntos de
control de ciertas zonas para validar este tipo de bosque y no confundir esta dinámica con
deforestación.
No existe una cantidad o número de muestras ideal en la identificación de los objetos de entrenamiento
al momento de correr un algoritmo de clasificación. Lo recomendables es tratar de colocar muestras
que sean fácil de identificar y que presenten con claridad la dinámica del bosque. Si el modelo no
muestra un resultado satisfactorio, seguramente hay que trabajar mejor las muestras de
entrenamiento. En ocasiones se debe agregar más muestras en las áreas más extensas (Bosque y
No Bosque) y menos muestras en las áreas en donde la dinámica es reducida (Pérdida y Ganancia).
En ocasiones y debido a la similitud de la respuesta espectral de los cuerpos de agua con las sombras,
se tiende a tener ruido en el resultado final de la clasificación. Respecto a este problema, puede ser
sugerible declarar dichas muestras como áreas de No Bosque.
Cuando se requiere realizar la descargar de alguna capa de GEE, es importante que ésta, se
muestre completamente en el remarco del visor del mapa. El proceso de descarga, descrito en
el ejemplo de la sección de exportación, aplica la función de descarga a lo que se observa en
el visor de mapa.
19
BIBLIOGRAFÍA
Böhning, D. (1992). Multinomial logistic regression algorithm. Annals of the Institute of Statistical Mathematics,
44(1), 197-200. https://doi.org/10.1007/BF00048682
Breiman, L. (2017). Classification and Regression Trees. Routledge. https://doi.org/10.1201/9781315139470
Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., & Lambin, E. (2004). Digital Change Detection Methods in
Ecosystem Monitoring: A Review. International Journal of Remote Sensing - INT J REMOTE SENS,
25, 1565-1596. https://doi.org/10.1080/0143116031000101675
FAO. (2015). Global Forest Resources Assessment. Roma. Recuperado de Obtenido de
http://www.fao.org/3/a-i4808e.pdf
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., … Townshend, J.
R. G. (2013a). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science,
342(6160), 850-853. https://doi.org/10.1126/science.1244693
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., … Townshend, J.
R. G. (2013b). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science,
342(6160), 850-853. https://doi.org/10.1126/science.1244693
Padarian, J., Minasny, B., & Mcbratney, A. (2015). Using Google’s cloud-based platform for digital soil
mapping. Computers & Geosciences, 83, 80-83. https://doi.org/10.1016/j.cageo.2015.06.023
Rich, I. (2001). An empirical study of the naive Bayes classifier, 3, 41-46.
Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random Forest: A
Classification and Regression Tool for Compound Classification and QSAR Modeling. Journal of
Chemical Information and Computer Sciences, 43(6), 1947-1958. https://doi.org/10.1021/ci034160g
UICN. (2005). Centroamérica en el límie Forestal. Desafíos para la Implementación de las Políticas Forestales
en el Istmo (Técnico) (p. 172). Suiza: Unión Internacional para la Conservación de la Naturaleza.
Recuperado de https://portals.iucn.org/library/sites/library/files/documents/2005-050.pdf
Espejo, O. J. (2016). Desarrollo de una metodología para estimación de la deforestación mediante el análisis
multitemporal de imágenes multiespectrales en un entorno de análisis basado en objetos geográficos
(GEOBIA). Universidad Distrital Francisco José De Caldas, Bogotá, Colombia.
Zhan, X., Sohlberg, R. A., Townshend, J. R. G., DiMiceli, C., Carroll, M. L., Eastman, J. C., … DeFries, R. S.
(2002). Detection of land cover changes using MODIS 250 m data. Remote Sensing of Environment,
83(1), 336-350. https://doi.org/10.1016/S0034-4257(02)00081-0
20
Anexo 1. Diccionario técnico
Función Descripción
Colecciones
FeatureCollections se puede construir a partir de los siguientes
argumentos:
- Una cadena: se asume que es el nombre de una colección.
ee.FeatureCollection - Una geometría única.
- Una sola característica.
- Una lista de características.
- Un objeto computado: reinterpretado como una colección.
Un objeto para representar una imagen de GEE. Este constructor

acepta una variedad de argumentos:
- Una cadena: un ID de activo de EarthEngine,
- Una cadena y un número - un ID y versión de activo de
ee.Image EarthEngine,
- Un número o EEArray: crea una imagen constante,
- Una lista: crea una imagen fuera de cada elemento de la lista y
las combina en una sola imagen,
- Una ee.Image: devuelve el argumento,
- Nada: da como resultado una imagen transparente vacía.
Geoproceso
.clip Recorta una imagen en una Geometría o Característica.
.select
Devuelve la colección de imágenes con las bandas seleccionadas.
Fusiona dos colecciones en una sola. El resultado tiene todos los
.merge
elementos que estaban en cualquier colección.
.randomColumn Agrega una columna de números pseudoaleatorios deterministas

a una colección. Los números son números de coma flotante de
precisión doble en el rango de 0.0 (inclusive) a 1.0 (exclusivo).
Filtros
.filter Aplicar un filtro a esta colección.
.filterDate Atajo para filtrar una colección por un rango de fechas
Atajo para filtrar una colección por geometría. Los elementos de
.filterBounds la colección con una huella que no se interseca con los límites se
excluirán cuando se evalúe la colección.
ee.Filter.neq El filtro a metadatos no es igual al valor dado.
ee.Filter.and Combina dos o más filtros utilizando booleano AND.
Atajos para filtrar una colección por metadatos. Esto es
.filterMetadata
equivalente a this.filter (ee.Filter.metadata (...)).
Operaciones
Reduce una colección de imágenes calculando la suma de todos
.sum los valores en cada píxel en la pila de todas las bandas
coincidentes. Las bandas se emparejan por nombre.
Divide el primer valor por el segundo, devolviendo 0 para la
.divede
división por 0.
Reduce una colección de imágenes calculando la media de todos
.mean los valores en cada píxel en la pila de todas las bandas
coincidentes.
21
Sobre una base de elementos, selecciona el mínimo de los
.min
valores primero y segundo.
Sobre una base de elementos, multiplica el primer valor por el
.multiply
segundo.
Algorítmos
Calcula la pendiente, el aspecto y una sombreada simple desde

ee.Algorithms.Terrain
un DEM de terreno.
Calcula un compuesto Landsat TOA a partir de una colección de

escenas en bruto Landsat. Aplica la calibración estándar de TOA y
luego asigna una puntuación de nube a cada píxel usando el
algoritmo SimpleLandsatCloudScore. Selecciona el rango más
ee.Algorithms.Landsat.simpleComposite bajo posible de puntajes de nube en cada punto y luego calcula
los valores de percentil por banda a partir de los píxeles
aceptados. Este algoritmo también utiliza el algoritmo
LandsatPathRowLimit para seleccionar solo las escenas menos
nubladas en regiones donde hay más de max.
Clasficador
Crea un clasificador de Rifle Serial vacío, que usa el algoritmo de
.Classifier.randomForest
bosque aleatorio.
Entrena al Clusterer en una colección de características,
.train utilizando las propiedades numéricas especificadas de cada
característica como datos de entrenamiento. La geometría de las
características se ignora.
Establece el modo de salida. El modo de salida puede ser:

- CLASIFICACIÓN (predeterminado): la salida es el número de
clase.
.setOutputMode - REGRESIÓN: La salida es el resultado de una regresión estándar.
- PROBABILIDAD: La salida es la probabilidad de que la
clasificación sea correcta.
No todos los tipos de clasificadores admiten los modos
REGRESSION y PROBABILITY.
.classify Clasifica cada característica en una colección.
Diccionarios
.rename Renombrar elementos en un diccionario.
.map Mapea un algoritmo sobre una colección.
Operadores
Sobre una base de elementos, devuelve 1 si el primer valor es
.eq
igual al segundo.
Sobre una base de elementos, devuelve 1 si el primer valor es
.gte
mayor o igual que el segundo.
En términos de elementos, devuelve 1 si el primer valor es menor
.lte
o igual que el segundo.
Devuelve un 1 en cada posición de bit para el cual los bits
.and
correspondientes de ambos operandos son 1.
.not Invierte los valores de su operando.
22
.set Establecer un valor en un diccionario.
Análisis Espacial a Imágenes
Actualiza la máscara de una imagen en todas las posiciones
.updateMask donde la máscara existente no es cero. La imagen de salida
conserva los metadatos y la huella de la imagen de entrada.
Crea un subconjunto dividiendo cada posición en una matriz de
.mask entrada que es paralela a un elemento distinto de cero de la
matriz de máscara dada
Evalúa una expresión aritmética en una imagen, posiblemente
.expression
involucrando imágenes adicionales.
Devuelve una imagen que contiene todas las bandas copiadas

.addBands desde la primera entrada y bandas seleccionadas desde la
segunda entrada, opcionalmente sobrescribiendo las bandas en
la primera imagen con el mismo nombre. La nueva imagen tiene
los metadatos y la huella de la primera imagen de entrada.
Devuelve una lista que contiene los nombres de las bandas de
.bandNames
una imagen.
Aplique un reductor sobre el área de cada característica en la
.reducerRegions colección dada.
El reductor debe tener el mismo número de entradas que la
imagen de entrada tiene bandas.
Muestra los píxeles de una imagen en una o más regiones,

devolviéndolos como FeatureCollection. Cada función de salida
.sampleRegions tendrá 1 propiedad por banda en la imagen de entrada, así como
las propiedades especificadas copiadas de la función de entrada.
Tenga en cuenta que las geometrías se ajustarán a los centros de
píxeles.
Calcula la diferencia normalizada entre dos bandas. Si las bandas
a usar no están especificadas, usa las dos primeras bandas. La
.normalizedDifference diferencia normalizada se calcula como (primer - segundo) /
(primer + segundo).
Imprimir
Imprime en la ventana de la consola los resultados de una
print operación o presental la visualización de los metadatos de una
colección en específico.
Visualizacion de mapa
Map.addLayer Agrega un objeto al visor de EE dado al mapa como una capa.
Map.centerObject Centra la vista del mapa en un objeto dado.
Descarga
Crea una tarea por lotes para exportar una imagen como ráster a
Export.image.toDrive
la unidad de Google Drive.
23

Nota Tecnica - Deteccion de Cambios Por Perdida de Cobertura Arborea

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Nota Tecnica - Deteccion de Cambios Por Perdida de Cobertura Arborea

Cargado por

Copyright:

Formatos disponibles

Detección de cambios por pérdida de

Título de la Publicación: Texto Normal | 1.

Deutsche Gesellschaft für

La GIZ es responsable del contenido de la presente publicación.

El Programa Regional Reducción de Emisiones de la Deforestación y Degradación de Bosques en Centroamérica y República

Detección de cambios por pérdida de cobertura arbórea

El presente manual implementa una metodología, completamente en un entorno orientado a objetos

Palabras claves: Google Earth Engine, Deforestación, Algoritmos

1.2.1 OBJETIVO GENERAL

1.2.2 OBJETIVOS ESPECÍFICO

❖ Elaborar un script incorporando encabezados en formas de comentarios que expliquen las

❖ Desarrollar y documentar un ejemplo de aplicación (en la zona seleccionada) con el objetivo

CAPÍTULO II. FICHA TÉCNICA

2.1 DETECCIÓN DE CAMBIOS POR PÉRDIDA DE COBERTURA FORESTAL

2.1.1 DESCRIPCIÓN DE ALGORITMO

En la actualidad existen muchos tipos de algoritmos especializados en la detección de cambios.

Step: 1. Datos de Entrada Step: 2. Procesamiento Step: 3. Salida

A continuación, se muestra un ejemplo de cómo agregar una colección en la ventana de condigo de

❖ Relación de nuevas bandas,

2.1.3.1 RELACIÓN DE NUEVAS BANDAS

2.1.3.2 MOSAICO MULTIFECHAS CON RELACIÓN DE BANDAS

//Construcción de mosaico multifechas (del 2000 y 2015)

En la configuración de los parámetros, en name se describe el nombre de la categoría (eje. Bosque),

2.1.3.4 INTEGRACIÓN DE LAS FIRMAS

2.1.3.5 CLASIFICACIÓN DE MUESTRAS

Tabla 1. Algoritmos implícitos dentro de la plataforma de GEE

2.1.4 DATOS DE SALIDA

2.1.4.1 VISUALIZACIÓN DE RESULTADOS

A continuación, se muestra un ejemplo de cómo definir algunos parámetros de visualización dentro de

2.1.4.2 EXPORTACIÓN DE RESULTADOS

2.1.4.3 COMPARTIR SCRIPT

2.1.5 INSTRUMENTOS DE APOYO

CAPÍTULO IV. PUNTOS CLAVES

La metodología que emplea proceso de análisis espaciaotemporal para determinar la validez y

Anexo 1. Diccionario técnico

Un objeto para representar una imagen de GEE. Este constructor

.randomColumn Agrega una columna de números pseudoaleatorios deterministas

Calcula la pendiente, el aspecto y una sombreada simple desde

Calcula un compuesto Landsat TOA a partir de una colección de

Establece el modo de salida. El modo de salida puede ser:

Devuelve una imagen que contiene todas las bandas copiadas

Muestra los píxeles de una imagen en una o más regiones,

También podría gustarte