Traducido del inglés al español - www.onlinedoctranslator.

com

Teledetección del Medio Ambiente 298 (2023) 113828

Listas de contenidos disponibles enCiencia Directa

Teledetección del Medio Ambiente

revista Página de inicio:www.elsevier.com/locate/rse

Monitoreo de las intensidades de tala selectiva en África central con Sentinel-1: un

experimento de alteración del dosel

Chloé Dupuis*, Adeline Fayolle , Jean-François Bastin , Nicolas Latte , Philippe Lejeune
Centro de Enseñanza e Investigación TERRA (El bosque es vida), Gembloux Agro-Bio Tech, Universidad de Lieja, Passage des Déportés n◦2, 5030 Gembloux, Bélgica

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Editado por la Dra. Marie Weiss La degradación forestal es una gran amenaza para los bosques tropicales, y el monitoreo efectivo utilizando datos de sensores remotos
está sujeto a desafíos importantes. En particular, faltan métodos consistentes para detectar cambios sutiles en la estructura del dosel del
Palabras clave: bosque causados por la tala selectiva. Aquí, utilizando un conjunto de datos único recopilado en el sureste de Camerún, que cubre más
Intensidad de tala de 22.000 ha de áreas de cosecha mensual,>Con 6000 ubicaciones de árboles talados y un conjunto de datos independiente sobre
Serie temporal Sentinel-1 SAR
brechas en el dosel desarrollado a partir de un vuelo de un vehículo aéreo deshabitado (UAV; cámara RGB) de aproximadamente 1500 ha,
Imágenes UAV de degradación de
se diseñó un nuevo método para monitorear la perturbación del dosel y la intensidad de la tala en África Central. Utilizando datos del
bosques tropicales
radar de apertura sintética (SAR) Sentinel-1, el método se conceptualizó utilizando un enfoque de dos pasos y dos escalas, que se
África central
adaptaba mejor a las prácticas de tala. Primero, se identificaron áreas de actividad (no) de recolección utilizando índices de textura con
una resolución espacial de 300 m (paso 1), y dentro de estas áreas de actividad de recolección, se detectaron espacios en el dosel con una
resolución de 10 m (paso 2). Ambos pasos se basaron en diferencias mensuales en la serie temporal Sentinel-1 SAR calculadas utilizando
el promedio de los 12 meses anteriores y el promedio de los tres meses posteriores al mes de interés. Este método identificó áreas de
actividad de recolección (paso 1 a una resolución de 300 m) de más de 12.004 km2con alta precisión (errores de omisión y comisión para
ambas clases≤0,05) y, dentro de ellos, detectaron espacios en el dosel (paso 2 a una resolución de 10 m) con una precisión global de 0,89.
Aunque algunos claros del dosel estuvieron sujetos a errores de omisión y comisión (0,39 y 0,05, respectivamente), este método produjo
mejores resultados que otros enfoques disponibles. En comparación con los huecos de la cubierta del UAV, este método detectó la
mayoría de los huecos pequeños (≤500 metros2), que representan el 80% de todas las áreas perturbadas, mientras que otros enfoques
disponibles omitieron al menos el 70% de ellas y, en consecuencia, omitieron la mayoría de los eventos de perturbación que ocurren en
un bosque talado selectivamente. Además, las predicciones se correlacionaron con la intensidad de la tala,es decir, el número de árboles y
el volumen talado por hectárea, que son dos criterios importantes para evaluar la sostenibilidad de las actividades madereras. Este
método de dos pasos y dos escalas para el monitoreo mensual a corto plazo de las perturbaciones y la intensidad de la tala tiene fuertes
implicaciones prácticas para la administración forestal y los organismos de certificación en África Central.

1. Introducción
Los bosques tropicales están amenazados por las actividades humanas y su
superficie ha disminuido un 17% desde 1990, y al menos el 10% de los bosques restantes
están degradados (Vancutsem y otros, 2021). La degradación forestal es causada por
perturbaciones antropogénicas que incluyen la tala, la minería, la construcción de
carreteras, la agricultura, los incendios y la recolección de madera para combustible (
Pearson y otros, 2017;Tyukavina y otros, 2018). La frecuencia e intensidad de estas
perturbaciones determinan la rapidez con la que se alcanza un estado degradado y el
tiempo necesario para la recuperación del bosque (Ghazoul y otros, 2015;Rutishauser et
al., 2015). Se estima que la degradación de los bosques tropicales es responsable de 2,06
Gt de CO2año−1de emisiones de carbono (Pearson y otros, 2017) y
Aproximadamente el 20% de los bosques tropicales se ven perturbados por actividades
madereras que posteriormente pueden conducir a la degradación forestal (Hosonuma et
al., 2012; Hubau et al., 2020). En el contexto de la nueva ley europea que aborda la
deforestación y los productos libres de degradación, la degradación forestal se define
como “operaciones de aprovechamiento que no son sostenibles y causan una reducción
o pérdida de la productividad biológica o económica y la complejidad de los ecosistemas
forestales, lo que resulta en la larga reducción a largo plazo de la oferta general de
beneficios del bosque, que incluye madera, biodiversidad y otros productos o servicios” (
Comisión Europea, 2021).
En los bosques tropicales de África Central, aproximadamente 53,4 millones
de hectáreas se utilizan bajo concesiones madereras, de las cuales el 10% están
certificadas por el Forest Stewardship Council (MALO, 2018;FSC, 2022).

* Autor correspondiente.
Dirección de correo electrónico:chloe.dupuis@uliege.be (C.Dupuis).

https://doi.org/10.1016/j.rse.2023.113828
Recibido el 24 de noviembre de 2022; Recibido en forma revisada el 15 de septiembre de 2023; Aceptado el 20 de septiembre de 2023 Disponible
en línea el 26 de septiembre de 2023
0034-4257/© 2023 Los autores. Publicado por Elsevier Inc. Este es un artículo de acceso abierto bajo licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
C. Dupuis et al.
La planificación del manejo por parte de las empresas madereras incluye dividir sus
tierras en diferentes zonas y luego trasladar la ubicación de las actividades de año en año
y de mes a mes (MALO, 2018). La tala es muy selectiva en la región, con un número
limitado de especies de árboles de alto valor objetivo y un número restringido de árboles
talados (0,7 a 4,0 árboles.ha).−1) cada 20 a 35 años (MALO, 2018;Medjibe et al., 2011).
Además de los claros de tala causados por la tala de árboles, las pistas de arrastre, los
caminos madereros y los patios de troncos construidos para la extracción y
almacenamiento de troncos también contribuyen a las perturbaciones forestales. Por lo
tanto, las prácticas de tala dan como resultado cambios en la cubierta forestal que son
diferentes de otras actividades de uso de la tierra, como la minería, la construcción de
carreteras, la agricultura, los incendios y la recolección de madera para combustible (
Pearson y otros, 2017;Tyukavina y otros, 2018), y ocurren en dos escalas. A escala de
paisaje, las áreas de actividad de explotación forestal activa son visibles y pueden
detectarse mediante datos satelitales.p.ej, los caminos madereros son visibles en los
mapas de pérdida de cubierta forestal porHansen et al. (2013). En una escala más
pequeña, aparecen parches punteados y escasos de claros de tala y aspectos lineales de
caminos y senderos en la cubierta de dosel,p.ej, en imágenes Landsat y SPOT (De
Wasseige y Defourny, 2004).
Hoy en día, no existe una evaluación sobre el terreno transparente,
sistemática y sólida del estado de la degradación forestal causada por las
actividades madereras, especialmente en África Central, donde las perturbaciones
forestales ocurren en menor escala que en otros continentes, principalmente
debido a una baja tasa de tala. intensidad (1–4 árboles.ha−1) (Durrieu de Madrón et
al., 2000) en comparación con el del Sudeste Asiático (Sist y otros, 1998) y América
del Sur (Hermana y Ferreira, 2007) (15–18 árboles.ha−1). Los avances recientes en
la adquisición de datos de teledetección, la capacidad de procesamiento y las
herramientas disponibles ofrecen nuevas oportunidades para monitorear las
perturbaciones forestales (Jackson y Adán, 2020; Sánchez-Azofeifa et al., 2017) y
alta resolución (es decir, resolución espacial entre 10 y 30 m) los datos ópticos se
pueden utilizar para monitorear la degradación forestal (Hethcoat y otros, 2019;
Hirschmugl y otros, 2017;Mitchell y otros, 2017). Por ejemplo, en la Amazonía, el
uso de datos multitemporales y análisis de mezclas espectrales permitió detectar
degradación y perturbaciones naturales cada dos años utilizando imágenes
Landsat (resolución =30 metros; precisión del productor = 0,44; precisión del
usuario = 0,73) (Bullock y otros, 2020). Además, un método de aprendizaje
automático permitió la detección de registros altamente selectivos (<15 metros3.Ja
−1; 1-2 árboles.ha−1) a escala local (11.000 ha) en la Amazonia brasileña utilizando
imágenes Landsat (Hethcoat y otros, 2019). A nivel mundial, el Centro Común de
Investigación (JRC) de la Comisión Europea ha producido mapas anuales de
degradación pantropical utilizando imágenes Landsat, independientemente de la
causa de la perturbación (Vancutsem y otros, 2021).
Sin embargo, las imágenes ópticas tienen limitaciones, como la dependencia de
imágenes sin nubes, que son particularmente raras en varias áreas de África Central (Rey
y otros, 2013), y la influencia de las geometrías de los sensores de la escena solar (Plotón
y otros, 2017) impidiendo un seguimiento regular. Para superar estas limitaciones, varios
estudios han demostrado que los datos del radar de apertura sintética (SAR) se pueden
utilizar para monitorear las perturbaciones forestales porque los sistemas de detección
remota por microondas están menos influenciados por las condiciones climáticas (
Mermoz et al., 2015). Las longitudes de onda largas (banda L, λ ~ 23 cm y banda P, λ ~ 65
cm) son particularmente adecuadas para su uso en bosques tropicales debido a su mejor
penetración en el dosel vegetal (Deutscher et al., 2017). Los datos de ALOS-2 PALSAR-2
(banda L, tiempo de revisión de 14 días) se utilizaron para detectar sitios de deforestación
en etapa temprana en Perú y Brasil donde los árboles talados se dejaron en el suelo (
Watanabe y otros, 2018). Los datos de ALOS-2 PALSAR-2 también se han utilizado en el
sistema JJ-FAST para detectar perturbaciones forestales en los trópicos, pero con una
unidad cartográfica mínima (MMU) de 2 ha que no se adapta al proceso de degradación
que se produce en una superficie más fina. escala (Nagatani y otros, 2018). El próximo
satélite BIOMASS, la primera misión espacial SAR en banda P (Scipal et al., 2010), se
espera que avance significativamente en el monitoreo de los ecosistemas forestales. Sin
embargo, su resolución temporal (dos veces al año) presenta limitaciones para el
seguimiento casi en tiempo real de las actividades madereras.
El despliegue de los satélites Sentinel-1 en 2014 por parte de la Agencia Espacial
Europea proporcionó una fuente global de datos SAR de banda C gratuitos. Con un
tiempo de revisita de 12 días sobre los trópicos y una resolución espacial de 10 m, ofrece
la oportunidad de monitorear sistemáticamente la degradación de
2
Teledetección del Medio Ambiente 298 (2023) 113828
bosques tropicales a gran escala. Debido a que las longitudes de onda de microondas
más cortas en la banda C (5,6 cm) tienen una penetración limitada en las densas copas de
los bosques, las mediciones de retrodispersión en la banda C proporcionadas por
Sentinel-1 SAR no son adecuadas para monitorear la biomasa de los bosques tropicales.
Sin embargo, las densas series temporales y la alta resolución espacial de los datos de
Sentinel-1 SAR hacen que las mediciones sean sensibles a los cambios en la estructura
del dosel y adecuadas para detectar parches de perturbación pequeños o estrechos (
Hethcoat y otros, 2021;Reiche y otros, 2021). Recientemente, varios estudios utilizaron
datos de Sentinel-1 SAR para monitorear las perturbaciones de los bosques tropicales,
incluidas las causadas por la tala. En la Guayana Francesa, la detección de explotación
forestal con alta intensidad de tala (25 m3.Ja−1) con una MMU de 0,2 ha logró una
precisión del usuario de 0,95 y una precisión del productor de 0,37 cuando se validó
utilizando datos ópticos (Ballère et al., 2021). En la Amazonia brasileña, el uso de series
temporales e índices texturales también fue eficiente (Hethcoat y otros, 2021) pero sólo
cuando la intensidad de tala era alta (>20 metros3.Ja−1). El sistema de alerta Radar para la
Detección de Deforestación (RADD) proporciona monitoreo pantropical casi en tiempo
real de todo tipo de perturbaciones, con una MMU de 0,1 ha (Reiche y otros, 2021). Si
bien estos estudios marcaron avances significativos en la detección de perturbaciones
forestales utilizando datos de Sentinel-1 SAR, es posible que no sean completamente
adecuados para el contexto específico de la tala selectiva en África Central, que se
caracteriza por bajas intensidades de tala (<15 metros3.Ja−1) y pequeños claros de tala (~
300 m2) (Medjibe et al., 2011). Recientemente, se utilizaron sombras de Sentinel-1 SAR
para detectar espacios en el dosel causados por la tala en Gabón y el método se calibró
utilizando datos LiDAR de vehículos aéreos deshabitados (UAV) (Carstairs y otros, 2022).
Si bien este estudio se basó en un pequeño conjunto de datos locales (261 claros de dosel
en 310 ha), el uso de datos LiDAR de UAV permitió refinar la comprensión de la detección
de claros utilizando datos de Sentinel-1 SAR, lo cual fue una innovación en el campo. Sin
embargo, existe una necesidad urgente de cerrar la brecha entre las mediciones
terrestres y por satélite. En primer lugar, la evaluación de la precisión sin datos de campo
sólidos no ha recibido mucha atención y sigue siendo un problema en el informe sobre
detección de tala selectiva (Hethcoat y otros, 2021). En segundo lugar, integrar los datos
de campo con las estimaciones de apertura del dosel de los sistemas existentes (Carstairs
y otros, 2022;Reiche y otros, 2021) es esencial para generar métricas específicas del
sector forestal, como el número de árboles y el volumen de madera aprovechada por
hectárea (Welsink y otros, 2023).
Para abordar la necesidad de un seguimiento eficaz de la tala selectiva,
específicamente adaptado para detectar actividades de recolección y espacios abiertos
en el dosel en África Central, se debe desarrollar un método sólido. Este método debe
poder monitorear las perturbaciones causadas a baja intensidad de tala (<15 metros3. Ja−
1) durante períodos de tiempo cortos para obtener una comprensión completa del papel
de la actividad de tala forestal en la degradación forestal. Con este fin, el enfoque de dos
pasos y dos escalas propuesto en este estudio fue diseñado para adaptarse a las
actividades de tala en África Central, detectando áreas de actividad de recolección y
claros del dosel a resoluciones de 300 my 10 m, respectivamente, mensualmente. El
enfoque se calibró y validó en un experimento de campo único, y se utilizaron imágenes
ópticas y superficies de modelos digitales de vuelos de vehículos aéreos no tripulados
para representar en detalle las actividades de tala forestal. Se evaluó la capacidad del
método para no sólo localizar perturbaciones forestales sino también predecir la
intensidad de la tala en términos del número y volumen de árboles talados por hectárea,
dos criterios comúnmente utilizados por el sector forestal para evaluar la sostenibilidad
de la tala y planificar actividades. . Finalmente, los resultados obtenidos en este estudio
se compararon con enfoques a gran escala disponibles, es decir, el mapa del JRC (
Vancutsem y otros, 2021) y el sistema RADD (Reiche y otros, 2021).
2. Material y métodos
2.1. Recopilación y procesamiento de datos de campo y satelitales.
2.1.1. Datos de campo
El área de estudio cubre 12.004 km2en el sureste de Camerún y se centra
en las Unidades de Manejo Forestal (UMF) otorgadas a la empresa Pallisco-
CIFM certificada por el FSC. Estos bosques son semideciduos.Celtisbosques (
Fayolle y otros, 2014;Réjou-Méchain et al., 2021). En el centro
C. Dupuis et al. Teledetección del Medio Ambiente 298 (2023) 113828

En África, las UMF se dividen en áreas de corta anual, que a su vez se dividen en áreas de empresa, la intensidad promedio de tala se estimó en 16 m3.Ja−1
actividad de recolección mensual. Los caminos forestales se construyen un año antes de y 1,6 árboles.ha−1.
las operaciones de tala planificadas en las áreas cortadas anualmente. Durante el año de
las operaciones de aprovechamiento, el frente de aprovechamiento avanza 2.1.2. Vuelos con vehículos aéreos no tripulados

mensualmente a través de áreas de actividad de aprovechamiento predefinidas. La
empresa maderera archiva datos espaciales sobre las áreas de extracción, incluido el mes
de operación correspondiente y la ubicación de los depósitos de troncos, los caminos
forestales, las pistas de arrastre y los árboles talados. Estos datos se utilizaron para
construir un conjunto de datos de referencia en dos escalas espaciales, áreas de actividad
de recolección y claros del dosel (Figura 1a y d). Los datos se recopilaron en el campo con
un GPS y luego fueron verificados y reajustados por un cartógrafo que geolocalizó todas
las pistas de arrastre hasta los tocones de los árboles cortados y reposicionó los árboles
al final de cada pista de arrastre. También se registró la especie y la clase diamétrica de
10 cm de ancho de cada árbol. El volumen de árboles talados se estimó a partir del punto
medio de la clase diamétrica utilizando ecuaciones alométricas específicas de cada
especie (Tabla S1). Según estos datos proporcionados por la tala
Se adquirieron dos conjuntos de datos de vehículos aéreos deshabitados (UAV)
(imágenes RGB) (Tabla S2) después de la tala de madera en mayo de 2019 y mayo de
2021, que cubren dos áreas de tala distintas de 504 ha y 964 ha, respectivamente. Se
utilizó GPS RTK/PPK de alta precisión para garantizar la correcta georreferenciación de
las imágenes. Se generaron mosaicos de ortofotos y un modelo de superficie digital
(DSM) con una resolución de 10 cm utilizandometaformasoftware (Lisein y otros, 2013).
Todos los espacios del dosel visibles en las ortofotos y DSM fueron digitalizados
manualmente (norte=1384) y categorizados en claros de corta, caminos, senderos de
arrastre, patios de troncos; la categoría otros se utilizó cuando la causa no era
claramente identificable. Los claros de corta se identificaron y distinguieron de los
naturales debido a sus distintos patrones, que incluían una corona, un corte recto, un
agujero donde se colocaba el tronco.

Figura 1.Datos utilizados en este estudio para la detección de áreas de actividad (no) cosecha con una resolución de 300 m en el paso 1 (a-c), y de los claros del dosel con una resolución de 10 m en el
paso 2 (d-e) y para el estudio independiente. Validación utilizando imágenes de UAV tomadas después del registro (f). (a) y (d) datos espaciales proporcionados por la empresa maderera para el área de
tala anual de 2019; (b) composición gris de color rojo de VH-diff, VV-diff y relación VH:VV para mayo de 2019; (c) índices de textura a una resolución de 300 m para mayo de 2019; (e) espacios en el dosel
fotointerpretados con datos de Sentinel-1 SAR (aquí VH-diff) con la ayuda de datos espaciales proporcionados por la empresa maderera; (f) Imagen de UAV y espacios de dosel fotointerpretados para
mayo de 2019. Alcance de la ACA 2019 (a): 423469, 362361: 430647, 370982 (EPSG: 32633). (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión
web de este artículo).

3
C. Dupuis et al.
Se eliminó, e idealmente, un muñón (Fig. S1). El conjunto de datos de la brecha del dosel del UAV
construido a partir de la fotointerpretación de las perturbaciones registradas se utilizó para
validar de forma independiente el método (Figura 1F).
2.1.3. Datos y procesamiento de satélites.
Los productos Sentinel-1 (VH y VV, banda C) con alcance terrestre
detectado (GRD) adquiridos en modo amplio interferométrico y en órbita
descendente se obtuvieron del Google Earth Engine. Se utilizaron todas las
escenas entre 2016 y 2021, con un tiempo de revisita de 12 días para el área
de estudio. Se aplicó un conjunto de tratamientos de datos en Google Earth
Engine utilizando Sentinel-1 Toolbox de la Agencia Espacial Europea, incluida
la aplicación de un archivo orbital, eliminación de ruido térmico, eliminación
de ruido fronterizo GRD, calibración radiométrica a sigma cero y rango-
Doppler. Corrección del terreno. Además, se aplicó una corrección de
pendiente radiométrica y los datos se transformaron a gamma cero, que se
adapta mejor a bosques densos (Rudant y Frison, 2019), utilizando códigos
desarrollados previamente (Vollrath y otros, 2020). Filtrado de moteado
multitemporal (3×Luego se aplicó una ventana de 3 píxeles) (Quegan y Yu,
2001). Posteriormente, para cada franja (VH y VV) y fecha, los valores se
dividieron por la mediana de los valores dentro de los límites de la
concesión. Esta corrección facilitó la comparación de imágenes entre
diferentes fechas y destacó los píxeles no boscosos. Se generó un conjunto
de imágenes de retrodispersión polarizadas VV y VH estandarizadas con una
resolución de 10 m para toda el área de interés. Finalmente, para cada mes
se calculó la diferencia entre el promedio de los 12 meses de datos
anteriores y el promedio de los tres meses posteriores al mes de interés (
Figura 2). El uso de un año de datos antes del mes de interés permitió
suavizar la variabilidad estacional durante todo el año. Se descubrió que
utilizar tres meses de datos después del mes de interés era un buen
compromiso entre una señal estabilizada y reactiva y evitaba la dilución de la
señal generada por la alteración del dosel, ya que la vegetación del
sotobosque reaparece rápidamente. Las diferencias de producción final en
las bandas VH (VH-diff) y VV (VVdiff) se generaron para cada mes entre 2017
y 2021 (Figura 1bHigo.2).
2.2. Detección de áreas de actividad de recolección y huecos de dosel.
Con el objetivo de adaptar las actividades de tala en el campo y proporcionar una
herramienta que pueda ser utilizada directamente por el sector forestal en África Central,
en particular para estimar la intensidad de la tala que se evalúa en escalas de actividad
de recolección o de un área de corta anual, se ha desarrollado un método de detección.
Se desarrolló dividido en dos pasos en dos escalas espaciales (Figura 2): (1) la detección
de áreas de actividad de recolección con signos de actividades de tala por celda de
cuadrícula de 300 m, y (2) dentro de estas áreas de actividad de recolección, la detección
de píxeles perturbados de 10 m en los que se extrajo madera, llamado dosel brechas.
2.2.1. Variables predictoras
Se probaron varias variables predictivas en cada paso del método (Figura 1c y2
). Las estadísticas locales y las características de Haralick se calcularon en función
de VH-diff utilizando aplicaciones encaja de herramientas orfeo,dentro de una
ventana de 31 píxeles para el paso 1 y dentro de una ventana de 5 píxeles para el
paso 2 (Haralick y otros, 1973). Sólo se utilizaron observaciones con polarización
cruzada (bandas VH) porque se reconoce que son mejores para rastrear la
degradación forestal e identificar cambios de volúmenes (bosques) a superficies
(no forestales) (Kellndorfer, 2019). En el primer paso también se probó la
exposición y pendiente basada en el SRTM como variables predictoras, así como el
mes, debido a que la variación de la humedad entre estaciones húmedas y secas
puede influir en los datos del SAR (Flores-Anderson et al., 2019). Estas variables se
promediaron a una resolución de 300 m. En el segundo paso, se probaron VV-diff,
VHdiff y la relación entre VH-diff y VV-diff. Entre ellas, las mejores variables
explicativas fueron seleccionadas utilizando elVSURFpaquete en R (Tabla S1). El
VSURFEl método se basa en bosques aleatorios; La clasificación preliminar de las
variables explicativas se obtiene utilizando el indicador de importancia del bosque
aleatorio, seguido de una estrategia de introducción de variables ascendentes
paso a paso para resaltar las variables más importantes.
4
Teledetección del Medio Ambiente 298 (2023) 113828
(Genuer et al., 2014). El segundo subconjunto de variables deVSURFque tiene
como objetivo minimizar la redundancia mientras se centra en un objetivo de
predicción. Finalmente, se seleccionaron 26 y 7 variables para el primer y segundo
paso, respectivamente (Tabla S3).
2.2.2. Conjuntos de datos de entrenamiento y prueba
Para detectar áreas de actividad de recolección a una resolución de 300 m (paso 1),
se utilizó información espacial proporcionada por la empresa maderera para construir un
conjunto de datos de referencia (Figura 1a). Las referencias para las áreas de actividad de
cosecha correspondieron a los límites de las áreas de cosecha mensual registradas entre
2017 y 2021. Para las áreas de no cosecha, se utilizaron las áreas de corta anual
planificadas para ser taladas después de 2025. Los píxeles de entrenamiento y prueba se
eligieron para distribuirse en el tiempo y el espacio a través de la concesión maderera, y
eran espacialmente independientes (Tabla S4). En total, 9002 píxeles de 300×Se utilizaron
300 m en el conjunto de datos de referencia, de los cuales el 80% se utilizó para
entrenamiento y el 20% para validación.
Para construir un conjunto de datos de referencia para la detección de espacios en el
dosel con una resolución de 10 m (paso 2), se fotointerpretaron VH-diff y VV-diff con la
ayuda de datos espaciales de la empresa maderera (es decir, ubicación de árboles
talados, depósitos de troncos y pistas de arrastre) para 2019 y 2020 (Figura 1d). Un
operador verificó los datos espaciales de la empresa maderera, siguiendo cada sendero
de arrastre hasta los tocones de los árboles para guiar la fotointerpretación de los datos
SAR utilizando VH-diff y VV-diff, en los que eran visibles los espacios en el dosel, para
crear un conjunto de datos de referencia. (Figura 1mi). Aunque la utilización de datos
espaciales de la empresa ayudó a guiar la evaluación del operador durante la
fotointerpretación de los datos SAR de Sentinel-1, es importante reconocer que este
enfoque tiene algunas limitaciones. Es posible que se hayan pasado por alto o pasado
por alto algunos espacios del dosel durante la interpretación. En total se digitalizaron 801
polígonos correspondientes a huecos de dosel creados entre enero de 2019 y agosto de
2020, con un tamaño medio de 1.538 m.2y dimensiones mínimas y máximas de 362 m.2y
5802m2, respectivamente (Figura 1mi). En las áreas de actividad de recolección, el 80% de
los polígonos se utilizaron para entrenamiento y el 20% para pruebas, lo que asciende a
24,566 10×10 m de píxeles para la clase “espacios en el dosel”. Se seleccionó
aleatoriamente la misma cantidad de píxeles en áreas de tala anual que se planea talar
después de 2025 para construir el conjunto de datos de referencia para la clase "bosque".
Los conjuntos de datos de entrenamiento y prueba se distribuyeron espacial y
temporalmente (Tabla S5).
2.2.3. Construcción y validación de modelos.
Se construyeron dos modelos aleatorios de clasificación de bosques en R (bosque
aleatoriopaquete) para detectar (1) áreas de actividad de recolección en una cuadrícula
de 300 m y (2) espacios en el dosel en píxeles de 10 m (Figura 2). El número de árboles
utilizados en cada modelo se estableció en 2000 y tres, respectivamente, y se utilizaron
dos variables predictoras en cada nodo para los dos pasos según el índice de Gini. Se
aplicaron tratamientos adicionales para mejorar las predicciones de modelos forestales
aleatorios. Para la detección de áreas de actividad de recolección (paso 1), se realizan
predicciones con un área>Se mantuvieron 180 ha, que correspondieron a la superficie
mínima del área de cosecha mensual en el sitio de estudio. Luego, los falsos positivos se
redujeron validando las predicciones con el mes siguiente y reteniendo solo los píxeles
detectados dos veces. Los resultados del paso 1 se utilizaron como una máscara dentro
de la cual se detectaron espacios en el dosel en píxeles de 10 m (paso 2). Como la clase
“brechas en el dosel” tenía un halo de falsos positivos en comparación con el conjunto de
datos de referencia, solo las predicciones con una tasa de confianza>Se retuvieron 0,95.
Finalmente, predicciones<500 metros2fueron removidos (MMU de 500 m2) por dos
razones: (1) para mejorar la intersección sobre la unión (IoU, área de superposición/área
de unión) entre las predicciones y los espacios rasterizados de la cubierta del UAV (ver
Sección 2.3.), y (2) cumplir con el límite impuesto por el producto de alta resolución IW
GRD con una resolución espacial de 20×22 metros (ESA, 2022). Por lo tanto, la MMU sirvió
como un paso de posprocesamiento que puede ajustarse según sea necesario. Se
construyó una matriz de confusión basada en los conjuntos de datos de prueba para los
dos pasos para controlar las precisiones del usuario y del productor.
2.2.4. Predicción de intensidad de registro
Para establecer si este método podría usarse para monitorear la intensidad de la
tala, se realizó una regresión lineal entre el porcentaje de área de claros del dosel
C. Dupuis et al. Teledetección del Medio Ambiente 298 (2023) 113828

Figura 2.Diagrama de flujo del método de dos pasos y dos escalas implementado para monitorear la alteración del dosel en el bosque tropical causada por la tala selectiva utilizando la serie temporal
Sentinel-1 SAR. En el primer paso (izquierda), se identificaron áreas de actividad cosechada (en amarillo) con una resolución de 300 m, dentro de las cuales se identificaron espacios en el dosel (en rojo)
con una resolución de 10 m en el segundo paso (derecha). (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

5
C. Dupuis et al.
predicho y tanto el número como el volumen (m3) de árboles cortados dentro de
cuadrículas entre 100 y 2000 m de longitud de lado. A partir de estas relaciones se
calcularon el valor R cuadrado ajustado, el error cuadrático medio (RMSE), el error
estándar (SE) y el error absoluto medio (MAE). Las predicciones mensuales de los claros
del dosel corresponden a pistas de arrastre y claros de corta porque los caminos y los
patios de troncos se construyeron antes del mes de cosecha en esta concesión. Para
evaluar qué tipos de perturbaciones estaban más relacionadas con la intensidad de la
tala, las mismas relaciones entre los espacios de dosel fotointerpretados con vehículos
aéreos no tripulados se dividieron en tres categorías (espacios de tala y senderos de
arrastre, espacios de tala y todos los espacios), y tanto el número como el volumen de Se
establecieron árboles cortados.
2.3. Validación y comparación independientes utilizando los enfoques disponibles.
Los espacios en el dosel fotointerpretados con vehículos aéreos no tripulados se
utilizaron como un conjunto de datos de validación independiente para comparar la
calidad de la detección de espacios en el dosel utilizando este método con otros
enfoques disponibles, a saber, el sistema RADD (Reiche y otros, 2021) y el mapa del CCI (
Vancutsem y otros, 2021). Los huecos de la cubierta del UAV se rasterizaron en función
de la extensión y resolución (10 m) de las predicciones para comparar. Las predicciones
se consideraron correctas si cruzaban huecos rasterizados en la cubierta de los vehículos
aéreos no tripulados. Se calculó la proporción de predicciones que fueron correctas
(precisión del usuario) y la proporción de huecos en la cubierta del UAV que se
detectaron bien (precisión del productor) utilizando las superficies de las predicciones. La
precisión del productor se calculó para cada tipo de espacio en el dosel (es decir, claros
de corta, pistas de arrastre, caminos, patios de troncos y otros) y evaluados aplicando
diferentes umbrales (hasta 2300 m2) a los huecos de la cubierta del UAV. Finalmente, se
calculó el IoU entre las predicciones y los espacios rasterizados de la cubierta del UAV
para los tres métodos para estimar qué tan bien las predicciones coincidían con los datos
terrestres reales.
3. Resultados
3.1. Detección de áreas de actividad de recolección y huecos de dosel.
El método mostró una precisión global de 0,98 y 0,89 para la detección de
áreas de actividad de recolección y claros del dosel, respectivamente, según
conjuntos de datos de prueba. Teniendo en cuenta las variables predictivas
utilizadas en el modelo de bosque aleatorio para la detección de áreas de
actividad de recolección (paso 1), la varianza en VH-diff, calculada con una ventana
de 31 píxeles, fue la variable más importante (Fig. S2). La matriz de confusión de la
clasificación final para este paso mostró que las áreas de actividad de cosecha y no
cosecha estaban bien discriminadas con precisiones de usuarios y productores.≥
0,95 (tabla 1). Para la detección de espacios en el dosel (paso 2), las variables
predictivas más importantes en el modelo de bosque aleatorio fueron VHdiff, la
varianza de VH-diff y la media de VH-diff, calculadas con una ventana de cinco
píxeles (Fig. S3). ). La detección de espacios en el dosel fue buena, sin errores de
comisión, pero se omitieron algunos píxeles (precisión del productor = 0,78,tabla 1
) y clasificados como áreas forestales (precisión del usuario para áreas forestales =
0,82,tabla 1).
3.2. Estimación de la intensidad de la tala
El porcentaje del área del claro del dosel detectado por este método
se comparó con la intensidad de la tala y la fuerza de las relaciones.
tabla 1
Matriz de confusión para la detección de áreas de actividad de cosecha en una cuadrícula de 300 m (paso 1) y espacios de dosel de 10 píxeles (paso 2).
Paso 1: áreas de actividad de recolección (300 m)
Referencia
Bosque Actividad de recolección
Predicción Bosque 483 21
Actividad de recolección 0 411
Precisión del productor 1 0,95
Teledetección del Medio Ambiente 298 (2023) 113828
aumentado (mayor R ajustado2y RMSE más bajo) con la escala de agregación
considerada para ambos volúmenes (Fig. 3) y el número de árboles talados por
hectárea (Fig. S4). La R ajustada2aumenta con el tamaño de la cuadrícula (Figura 4
), y una resolución de 200 m surgió como un umbral adecuado, más allá del cual
las relaciones se volvieron menos ruidosas, con un R ajustado2>0,5 (figura S4, Fig.
3). Se utilizaron predicciones mensuales correspondientes a pistas de arrastre y
claros de tala porque estos tipos de claros mostraron la mayor correlación con la
intensidad de la tala, como lo indican las relaciones derivadas de los claros del
dosel de los UAV (Fig. S5). Las relaciones para el volumen cosechado por hectárea
fueron ligeramente mejores que las del número de árboles cosechados por
hectárea (Figura 4), mientras que se observó lo contrario para las relaciones
basadas en espacios en el dosel de los UAV (Fig. S5). La tala puede ser muy intensa
localmente (hasta 9 árboles y 200 m3.Ja−1para una red de 100 m); sin embargo,
este patrón restringido se debe a la densidad local de árboles explotados y se
suaviza a mayor tamaño de cuadrícula (<2 árboles y 30 m3.Ja−1, con la mayoría <20
metros3.Ja−1para una red de 2000 m). Por el contrario, el sistema RADD (Reiche y
otros, 2021) y el mapa del CCI (Vancutsem y otros, 2021) fueron menos efectivos
para predecir la intensidad de la tala (Figura 4, Figuras S6 a S9).
3.3. Validación independiente y comparación con enfoques disponibles.
En comparación con las zonas rasterizadas de los huecos de la cubierta de los
vehículos aéreos no tripulados, este método detectó el 61 % de los huecos de la cubierta,
mientras que los sistemas JRC y RADD detectaron sólo el 28 % y el 20 % de los huecos de
la cubierta, respectivamente. En cuanto a la precisión de los tres métodos basados en
los huecos de la cubierta del UAV, los errores de comisión fueron bajos (5%, 12% y 2%
para nuestro método, el mapa JRC y el sistema RADD, respectivamente); sin embargo, el
sistema RADD y, en menor medida, el mapa JRC predijeron sólo 62 y 124 polígonos en el
área de estudio, respectivamente, en comparación con los 476 polígonos detectados por
este método. Se muestra un ejemplo de las predicciones del mapa del JRC y del sistema
RADD para la zona de actividad de recolección en mayo de 2019 (Fig. S10). IoU fue bajo
para los tres métodos (0.33.10−3, 31.0.10−3y 0.24.10−3para este método, el mapa JRC y el
sistema RADD, respectivamente). Las predicciones obtenidas usando este método
sobreestimaron ligeramente el área de los claros del dosel (efecto halo), mientras que los
otros dos métodos sobreestimaron el área pero omitieron muchos pequeños claros (
figura 5a y Fig. S10).
El tamaño de los huecos del dosel influyó fuertemente en el rendimiento de la
detección; cuanto mayores eran las brechas, mejor fueron detectadas por los tres
métodos, con un mejor desempeño de este método en general, particularmente para
brechas más pequeñas (figura 5a). Los huecos de la cubierta del UAV tenían un tamaño
medio de 247 m.2y la mayoría eran<500 metros2(figura 5a). Al considerar espacios
inferiores a 500 m2, la precisión del productor para este estudio osciló entre 0,32 y 0,50,
para el sistema RADD de 0,12 a 0,16 y para el mapa JRC de 0,19 a 0,26 (líneas con
triángulos enfigura 5a). Al considerar las brechas
> 500 metros2, la precisión del productor mejoró para los tres métodos, oscilando
entre 0,74 y 1,00 para este estudio, entre 0,28 y 0,69 para el sistema RADD y entre
0,37 y 1,00 para el mapa JRC (líneas de puntos enfigura 5a).
También se exploró el tipo de hueco del dosel. Del 3,88% de la pérdida de dosel
causada por las actividades madereras (la proporción de espacios vacíos en el dosel de
los vehículos aéreos no tripulados en el área estudiada), los claros de tala fueron los más
significativos, representando el 68% del área perturbada. El rendimiento de la detección
varió según el tipo de perturbación de registro para los tres métodos (figura 5b). Sin
embargo, para cada tipo de perturbación, este método funcionó mejor que el mapa del
JRC y el sistema RADD. La diferencia fue particularmente clara en el
Paso 2: huecos del dosel (10 m)
Referencia
Precisión del usuario Bosque Espacios en el dosel Precisión del usuario
0,95 Predicción Bosque 2516 549 0,82
1 Espacios en el dosel 0 1995 1
0,98 Precisión del productor 1 0,78 0,89
6
C. Dupuis et al. Teledetección del Medio Ambiente 298 (2023) 113828

Fig. 3.Relaciones entre la intensidad de la tala (volumen de árboles cortados por hectárea en una celda de la cuadrícula) y el porcentaje de área de brecha de dosel detectada por nuestro método en la
misma celda de la cuadrícula por tamaño de cuadrícula. La tabla muestra los resultados de regresiones lineales ajustadas para todos los tamaños de cuadrícula: la pendiente (a), la intersección (b), el
error estándar (SE) asociado con a y b, la R ajustada2(Adj.R2), el error cuadrático medio (RMSE) y el error absoluto medio (MAE) en m3por hectárea.

Figura 4.Comparación del rendimiento de los tres métodos (este método, el sistema RADD y el mapa JRC) para estimar la intensidad de la tala (en términos de número de
árboles y volumen de tala por hectárea) dependiendo de la escala de observación. La R ajustada2Se calculó la relación lineal entre la intensidad de tala prevista y la
intensidad de tala del campo según el tamaño de la cuadrícula para los diferentes métodos comparando este método (Fig. 3y Fig. S4), el sistema RADD (Fig. S6 y S8) y el
mapa JRC (Fig. S7 y S9).

7
C. Dupuis et al. Teledetección del Medio Ambiente 298 (2023) 113828

Figura 5.Comparación del rendimiento de este método (en amarillo) y el de otros enfoques disponibles (el sistema RADD y JRC, en verde y azul, respectivamente) cuando se compara con un conjunto de
datos independiente derivado de la fotointerpretación de imágenes de vehículos aéreos no tripulados (en rojo) . Específicamente, se examinó el rendimiento para detectar eventos de perturbación
según su tamaño (a) y tipo (b). En a), la distribución de los espacios del dosel fotointerpretados por UAV (eje y izquierdo = Densidades decir, la probabilidad relativa del valor del tamaño de la brecha
dentro de un intervalo específico) por el tamaño de la brecha, y la evolución de la precisión del productor del sistema RADD, el mapa del JRC y este estudio (eje y derecho = precisión del productor) por el
área de las brechas en la cubierta del UAV (x = área de los huecos de la cubierta del UAV en m2). En b), la distribución de la cobertura de dosel impactada por el tipo de perturbación de la tala (espacios
de tala, caminos, senderos de arrastre, patios de troncos y otros) utilizando espacios de dosel de vehículos aéreos no tripulados y la precisión del productor para este estudio, el sistema RADD y el mapa
del JRC. . (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

detección de espacios vacíos en la tala, para lo cual la precisión del productor
alcanzó 0,59 y sólo 0,13 para el sistema RADD y 0,18 para el mapa JRC (figura 5b).
El mejor rendimiento de detección se logró para los caminos forestales (precisión
del productor = 0,81 en este estudio) y el peor para las pistas de arrastre (precisión
del productor = 0,43 en este estudio) (figura 5b).
detección de los eventos de perturbación a pequeña escala más comunes y
estimación de la intensidad de la tala. Debido a la validación completamente
independiente basada en imágenes de vehículos aéreos no tripulados posteriores
al registro que fueron fotointerpretadas, el rendimiento de este método se
comparó con el de otros enfoques disponibles, el sistema RADD (Reiche y otros,
2021), y el mapa del JRC (Vancutsem y otros, 2021), los cuales fueron superados.

4. Discusión
El método propuesto mostró buenos resultados en la detección de actividades

En este estudio, se desarrolló un método de dos pasos y dos escalas para el de tala selectiva en el área de estudio (12,004 km2) donde los bosques

monitoreo mensual y a corto plazo de las alteraciones del dosel en los bosques semicaducifolios dominan el paisaje (Fayolle y otros, 2014;Réjou-Méchain et al.,

tropicales, específicamente adaptado a las prácticas de tala en África Central. Se utilizó 2021). El excelente rendimiento de detección del área de actividad de recolección

una combinación única de conjuntos de datos de campo, incluida la ubicación de las con una resolución de 300 m (paso 1) es una ventaja real del método,

áreas de cosecha mensual (>22.000 ha) durante cinco años, árboles talados (>6000), e particularmente porque las predicciones fueron muy precisas (error de comisión

imágenes de vehículos aéreos no tripulados tomadas después de la tala (~ 1500 ha). Esto bajo), lo cual es importante para los sistemas de monitoreo (Reiche y otros, 2021).

fue posible gracias a la asociación a largo plazo con la empresa maderera. El monitoreo La detección de espacios en el dosel a una resolución de 10 m (paso 2) fue mejor

mensual de las áreas de actividad de cosecha con una resolución de 300 m (paso 1) y de con este método que con el sistema RADD (Reiche y otros, 2021) y el mapa del CCI

los claros del dosel con una resolución de 10 m (paso 2) permitió (Vancutsem y otros, 2021). Esto se debe especialmente a los pequeños

8
C. Dupuis et al. Teledetección del Medio Ambiente 298 (2023) 113828

claros de tala, la perturbación más importante inducida por la tala selectiva en el relevantes para el control por parte de la administración forestal y los organismos
área de estudio, con el 80% y el 72% de estos omitidos por el sistema RADD ( de certificación. Además, a pesar de su limitado desempeño local, el sistema RADD
Reiche y otros, 2021) y el mapa del CCI (Vancutsem y otros, 2021), (Reiche y otros, 2021) y el mapa del CCI (Vancutsem y otros, 2021) ya podría usarse
respectivamente. En ambos pasos, se encontró que los índices de textura, que para monitorear la intensidad de la tala en África Central, dadas las relaciones
permiten la contextualización de los píxeles, son predictores importantes, como se prometedoras presentadas en este estudio para un tamaño de cuadrícula de 500 a
demostró previamente para la detección de la tala selectiva en el Amazonas ( 1000 m, mientras se espera la extensión de este método.
Hethcoat y otros, 2021). Este método fue diseñado específicamente para imitar la
organización de las actividades madereras en África Central, donde la intensidad Declaración de contribución de autoría CRediT
de la tala es baja (10 a 15 m3.Ja−1; 1-2 árboles.ha−1) con un impacto limitado en la
cobertura del dosel para una concesión certificada por el FSC (3,88% de pérdida Chloé Dupuis:Conceptualización, Metodología, Software, Validación,
basada en los huecos del dosel del UAV), en comparación con el impacto en el Investigación, Análisis formal, Escritura – borrador original, Escritura –
10,8% de la cobertura del dosel en una concesión convencional (Ngueguim et al., revisión y edición, Visualización.Adeline Fayolle:Conceptualización,
2009). Otros estudios que utilizan datos de Sentinel-1 SAR para monitorear la tala Redacción – revisión y edición, Visualización, Supervisión.Jean-François
en los trópicos (Ballère et al., 2021;Hethcoat y otros, 2021;Reiche y otros, 2021), Bastin:Conceptualización, Software, Redacción – revisión y edición,
presentan resultados para mayores intensidades de tala (>20 metros3.Ja−1) o con Visualización.Nicolás Latte:Software, Análisis formal.Philippe Lejeune:
una MMU que no esté adaptada a esta baja intensidad de tala. Además, esta es la Conceptualización, Metodología, Redacción – revisión y edición,
primera vez que se predice la intensidad de la tala en términos tanto del volumen Visualización, Supervisión.
como del número de árboles talados por hectárea, que son métricas valiosas para
el sector forestal (Welsink y otros, 2023). Este método capturó una amplia gama de
Declaración de intereses en competencia
intensidades de tala, dependiendo del tamaño de la cuadrícula de observación,
porque, localmente, la tala puede ser más intensa (hasta 9 árboles.ha).−1y 200
Los autores declaran los siguientes intereses financieros/relaciones
metros3.Ja−1para una cuadrícula de 100 m), o completamente ausente en algunas
personales que pueden considerarse como posibles intereses en competencia:
áreas. Las relaciones basadas en el volumen fueron ligeramente mejores que las
Chloe Dupuis informa que Pallisco-CIFM proporcionó el equipo, los medicamentos
basadas en el número de árboles talados por hectárea, mientras que se observó lo
o los suministros.
contrario cuando se utilizaron espacios en el dosel de los UAV. Esta disparidad se
puede atribuir al hecho de que la banda C utilizada por Sentinel-1 puede penetrar
Disponibilidad de datos
el dosel hasta cierto punto (Kellndorfer, 2019) y potencialmente capturar
perturbaciones del sotobosque (mayores con el volumen del árbol cortado) en
Los autores no tienen permiso para compartir datos.
comparación con imágenes de vehículos aéreos no tripulados que solo reflejan las
aberturas del dosel (más relacionadas con la cantidad de árboles cortados). De
Expresiones de gratitud
hecho, dada la distribución diamétrica relativamente homogénea de los árboles
talados, un árbol talado causa, en promedio, la misma perturbación.
Agradecemos a la Empresa Pallisco-CIFM por su bienvenida y apoyo
Respecto a la evaluación y comparación del desempeño entre estudios de monitoreo
logístico durante las misiones de campo así como por los intercambios y
en bosques tropicales (Ballère et al., 2021;Carstairs y otros, 2022;Hethcoat y otros, 2021;
datos transmitidos durante sus actividades madereras. Agradecemos a
Reiche y otros, 2021;Vancutsem y otros, 2021), la disparidad tanto en los conjuntos de
Clément Dupuis por corregir este manuscrito. Agradecemos a nuestros
datos de referencia como en los enfoques de validación plantea dudas. Los conjuntos de
patrocinadores financieros: la Universidad de Lieja; el proyecto iDROC
datos de referencia basados en datos de satélites ópticos pueden pasar por alto los
cofinanciado por el “Programme de Promotion de l'Exploitation Certifiée des
espacios del dosel debido a la cobertura de nubes y la resolución espacial (Reiche y otros,
Forêts” (PPECF), FEDER y la Región de Occitania, e implementado por ASBL
2021). Quienes utilizan inventarios forestales no consideran todos los tipos de
Nature+ en colaboración con las empresas Sunbirds y TER-Consult, y el los
perturbaciones madereras, sólo los árboles talados (Hethcoat y otros, 2021), y patios de
organismos de investigación Gembloux Agro-Bio Tech, el Commissariat à
troncos y caminos (Ballère et al., 2021). Además, el conjunto de datos de referencia
l'énergie atomique (CEA) y el CIRAD. También agradecemos al Fondo Francés
puede estar completo localmente para las perturbaciones pero restringido
para el Medio Ambiente Mundial (FGEF) por el apoyo financiero de este
espacialmente. Por ejemplo,Carstairs y cols. (2022)utilizó un vuelo UAV LiDAR que cubrió
estudio a través del DynAfFor (Dinámica de los Bosques de África Central;
310 ha para ampliar Gabón, reportando una precisión global del 99,9%. En este estudio,
convenciones n◦CZZ 1636.01 D y n◦CZZ 1636.02 E) y P3FAC (Asociación
se utilizó un conjunto de datos independiente (brechas en la cubierta del UAV) para la
Público-Privada para la Gestión Sostenible de los Bosques de África Central;
validación, y su rendimiento fue inferior al evaluado utilizando el conjunto de datos de
convenio n◦CZZ201.01R) proyectos.
prueba basado en la fotointerpretación de los datos de Sentinel-1 SAR. El enfoque de
validación independiente propuesto en este estudio se basa en datos de campo sólidos
Apéndice A. Datos complementarios
necesarios para informar la detección de tala selectiva (Hethcoat y otros, 2021) y permite
una evaluación precisa del método.
Los datos complementarios de este artículo se pueden encontrar en línea enhttps://
doi. org/10.1016/j.rse.2023.113828.
En el futuro, este método utilizado en un solo sitio en Camerún debería
probarse en otros tipos de bosques (Fayolle y otros, 2014;Réjou-Méchain et al.,
Referencias
2021) y prácticas madereras como la tala convencional, artesanal e ilegal (Lescuyer
et al., 2016), que se practican en la región. Dado que cuanto mayor sea la
BAD, 2018. Rapport Stratégique Régional - Développement intégré et durable de la filière
intensidad de tala, mejor será la detección de claros en el dosel (Hethcoat y otros, bois dans le bassin du Congo: Opportunités, Défis et recommmandations
2021), confiamos en que este método también funcionará bien en áreas donde la Opérationnelles. Vision stratégique et industrialization de la filière bois en afrique
Centrale. hori.
intensidad de la tala es mayor, específicamente en las concesiones convencionales
Ballère, M., Bouvet, A., Mermoz, S., Le Toan, T., Koleck, T., Bedeau, C., André, M.,
que son las más extendidas en África Central (MALO, 2018). Además, es probable Forestier, E., Frison, PL, Lardeux, C., 2021. Datos SAR para alertas de perturbación de bosques
que la intensidad de la tala y el alcance de las concesiones madereras aumenten tropicales en la Guayana Francesa: beneficio sobre las imágenes ópticas. Sensores remotos. Medio
ambiente. 252 https://doi.org/10.1016/j.rse.2020.112159.
en los próximos años con el deseo de industrializar aún más el sector maderero en
Bullock, EL, Woodcock, CE, Souza, C., Olofsson, P., 2020. Estimaciones basadas en satélites
África Central (MALO, 2018). En este contexto, el seguimiento mensual de las revelan una degradación forestal generalizada en el Amazonas. Globo. Chang. Biol. 00, 1–
actividades de tala selectiva utilizando este método tendrá importantes 14. https://doi.org/10.1111/gcb.15029.
aplicaciones prácticas. Específicamente, este método permite la estimación directa Carstairs, H., Mitchard, ETA, McNicol, I., Aquino, C., Chezeaux, E., Ebanega, MO,
Dikongo, AM, Disney, M., 2022. Se utilizan sombras de Sentinel-1 para cuantificar la pérdida de dosel
de la intensidad de la tala en la escala de áreas de cosecha mensual o de corta debido a la tala selectiva en Gabón. Sensores remotos 14, 4233.https://doi.org/10.3390/rs14174233.
anual, las cuales son

9
C. Dupuis et al.
De Wasseige, C., Defourny, P., 2004. Teledetección del impacto de la tala selectiva para
manejo de bosques tropicales. Para. Ecológico. Gestionar. 188, 161-173.https://
doi.org/10.1016/j.foreco.2003.07.035.
Deutscher, J., Gutjahr, K., Perko, R., Raggam, H., Hirschmugl, M., Schardt, M., 2017.
Monitoreo de bosques tropicales húmedos con datos SAR multitemporales de banda L, C y
X. En: 2017 Noveno Taller Internacional sobre el Análisis de Imágenes de Percepción
Remota Multitemporal, MultiTemp 2017.https://doi.org/10.1109/Multi-Temp.2017.8035264.
Durrieu de Madron, L., Fontez, B., Dipapoundji, B., 2000. Dégats d'exploitation et de
Débardage en función de la intensidad de explotación en un bosque denso y húmedo de África
central. Bosque Forêt des Trop 264, 57–60.
Esa, 2022. Guía del usuario de Sentinel-1 SAR [Documento WWW].https://sentinels.copernicus.
eu/web/sentinel/guías-de-usuario/sentinel-1-sarconsultado el 17/10/22.
Comisión Europea, 2021. Reglamento del Parlamento Europeo y del consejo
sobre la comercialización en el mercado de la Unión y la exportación desde la Unión de
determinadas materias primas y productos asociados a la deforestación y la degradación forestal y
por el que se deroga el Reglamento (UE) n.º.
Fayolle, A., Picard, N., Doucet, JL, Swaine, M., Bayol, N., Bénédet, F., Gourlet-Fleury, S.,
2014. Una nueva visión de la estructura, composición y funcionamiento de los bosques húmedos de
África central. Para. Ecológico. Gestionar. 329, 195–205.https://doi.org/10.1016/j. foreco.2014.06.014.
Flores-Anderson, AI, Herndon, K., Cherrington, E., Thapa, R., Kucera, L., Nguyen, HQ,
Odour, P., Wahome, A., Tenneson, K., Mamane, B., Saah, D., Chishtie, F., Limaye, A.,
2019. Introducción y justificación. En: Manual SAR: Metodologías integrales para el
seguimiento forestal y la estimación de la biomasa, págs. 13-18. FSC, 2022. Forest
Stewardship Council - África [Documento WWW]. Subregión Congo
Cuenca. URL (consultado el 13/09/22).https://africa.fsc.org/.
Genuer, R., Poggi, J.-M., Tuleau-malot, C., 2014. En: VSURF : un package R pour la
selección de variables à l'aide de forêts aléatoires, en: Journées de Statistique de La SFdS.
Rennes, págs. 1 a 6.
Ghazoul, J., Burivalova, Z., García-Ulloa, J., King, LA, 2015. Conceptualizando el bosque
degradación. Tendencias Ecológicas. Evolución. 30, 622–632.https://doi.org/10.1016/j.
árbol.2015.08.001.
Hansen, MCC, Potapov, PV, Moore, R., Hancher, M., Tyukavina, A., Thau, D.,
Stehman, SVV, Goetz, SJJ, Loveland, TRR, Kommareddy, A., Egorov, A., Chini, L.,
Justice, COO, Townshend, JRGRG, Patapov, PV, Moore, R., Hancher, M., Tyukavina ,
A., Thau, D., Stehman, SVV, Goetz, SJJ, Loveland, TRR, Kommaredy, A., Egorov, A.,
Chini, L., Justice, COO, Townshend, JRGRG, Turubanova, SAA, Turubanova, SAA, 2013.
Mapas globales de alta resolución sobre los cambios en la cubierta forestal del siglo
XXI. Ciencias (80-.) 342, 850–854.https://doi.org/10.1126/science.1244693.
Haralick, RM, Shanmugam, K., Dinstein, I., 1973. Características texturales de la imagen.
clasificación. Traducción IEEE. Sistema. Hombre. Cibern. 3, 610–621.
Hethcoat, MG, Carreiras, JMB, Edwards, DP, Bryant, RG, Quegan, S., 2021.
La detección de registros selectivos tropicales con datos SAR de banda C puede requerir un enfoque de series de
tiempo. Sensores remotos. Medio ambiente. 259, 112411https://doi.org/10.1016/j. rse.2021.112411.
Hethcoat, MG, Edwards, DP, Carreiras, JMB, Bryant, RG, França, FM, Quegan, S.,
2019. Un enfoque de aprendizaje automático para mapear la tala selectiva tropical. Sensores
remotos. Medio ambiente. 221, 569–582.https://doi.org/10.1016/j.rse.2018.11.044. Hirschmugl, M.,
Gallaun, H., Dees, M., Datta, P., Deutscher, J., Koutsias, N., Schardt, M.,
2017. Métodos para mapear la perturbación y degradación forestal a partir de datos ópticos de
observación de la Tierra: una revisión. actual. Para. Representante 3, 32–45.https://doi.org/10.1007/
s40725-017-0047-2.
Hosonuma, N., Herold, M., De Sy, V., De Fries, RS, Brockhaus, M., Verchot, L.,
Angelsen, A., Romijn, E., 2012. Una evaluación de los impulsores de la deforestación y la
degradación forestal en los países en desarrollo. Reinar. Res. Letón. 7https://doi.org/
10.1088/1748-9326/7/4/044009.
Hubau, W., Lewis, S., Phillips, O., Affum-Baffoe, K., Beeckman, H., Cuní-Sanchez, A.,
Daniels, A., Ewango, C., Fauset, S., Mukinzi, J., Sheil, D., Sonké, B., Sullivan, M.,
Sunderland, T., Taedoumg, H., Thomas, S., White, L., Abernethy, K., Adu-Bredu, S.,
Amani, C., Baker, T., Banin, L., Baya, F., Begne, S., Bennett, A., Benedet, F ., Bitariho,
R., Bocko, Y., Boeckx, P., Boundja, P., Brienen, R., Brncic, T., Chezeaux, E., Chuyong,
G., Clark, C., Collins, M ., Comiskey, J., Coomes, D., Dargie, G., de Haulleville, T.,
Djuikouo, KM, Doucet, J.-L., Esquivel-Muelbert, A., Feldpausch, T., Fofanah, A. ., Foli,
E., Gilpin, M., Gloor, E., Gonmadje, C., Gourlet-Fleury, S., Hall, J., Hamilton, A., Harris,
D., Hart, T., Hockemba , M., Hladik, A., Ifo, S., Jeffery, K., Jucker, T., Yakusu, E.,
Kearsley, E., Kenfack, D., Koch, A., Leal, M., Levesley , A., Lindsell, J., Lisingo, J., López-
González, G., Lovett, J., Makana, J.-R., Malhi, Y., Marshall, A., Martin, J., Martin , E.,
Mbayu, F., Medjibe, V., Mihindou, V., Mitchard, E., Moore, S., Munish, P., Bengone, N.,
Ojo, L., Ondo, F., Peh , K., Pickavance, G., Poulsen, A., Poulsen, J., Qie, L., Reitsma, J.,
Rovero, F., Swaine, M., Talbot, J., Taplin, J., Taylor , D., Thomas, D., Toirambe, B.,
Mukendi, J., Tuagben, D., Umunay, P., Van Der Heijden, G., Verbeeck, H., Vleminckx,
J., Willcock, S. , Woell, H., Woods, J., Zemagho, L., 2020. Saturación asincrónica de
sumideros de carbono en bosques tropicales africanos y amazónicos. Naturaleza
579, 80–87.https://doi.org/10.1038/s41586-020-2035-0.
Jackson, CM, Adam, E., 2020. Teledetección de la tala selectiva en bosques tropicales:
Estado actual y direcciones futuras. Bosquejo 13, 286–300.https://doi.org/10.3832/
ifor3301-013.
Kellndorfer, J., 2019. Uso de datos SAR para mapear la deforestación y la degradación forestal.
En: Manual SAR: Metodologías integrales para el monitoreo forestal y la
estimación de biomasa.
King, MD, Platnick, S., Menzel, WP, Ackerman, SA, Hubanks, PA, 2013. Espacial y
Distribución temporal de las nubes observadas por MODIS a bordo de Terra y Aqua.
10
Teledetección del Medio Ambiente 298 (2023) 113828
satélites. Traducción IEEE. Geociencias. Sensores remotos 51, 3826–3852.https://
doi.org/10.1109/TGRS.2012.2227333.
Lescuyer, G., Cerutti, PO, Tsanga, R., 2016. Contribuciones de la comunidad y el individuo
la tala en pequeña escala hasta la gestión sostenible de la madera en Camerún. En t. Para.
Apocalipsis 18, 40–51.https://doi.org/10.1505/146554816819683744.
Lisein, J., Pierrot-Deseilligny, M., Bonnet, S., Lejeune, P., 2013. Un estudio fotogramétrico
Flujo de trabajo para la creación de un modelo de altura del dosel forestal a partir de imágenes de
pequeños sistemas aéreos no tripulados. Bosques 4, 922–944.https://doi.org/10.3390/f4040922.
Medjibe, VP, Putz, FE, Starkey, MP, Ndouna, AA, Memiaghe, HR, 2011. Impactos de
Tala selectiva de biomasa forestal aérea en los Montes de Cristal en Gabón. Para.
Ecológico. Gestionar. 262, 1799–1806.https://doi.org/10.1016/j.foreco.2011.07.014.
Mermoz, S., Réjou-Méchain, M., Villard, L., Le Toan, T., Rossi, V., Gourlet-Fleury, S.,
2015. Disminución de la retrodispersión SAR de banda L con biomasa de bosques densos. Sensores
remotos. Medio ambiente. 159, 307–317.https://doi.org/10.1016/j.rse.2014.12.019. Mitchell, AL,
Rosenqvist, A., Mora, B., 2017. Enfoques actuales de teledetección para
monitorear la degradación forestal en apoyo de los sistemas de medición, notificación y
verificación (MRV) de los países para REDD+. Gestión del balance de carbono. 12https://
doi.org/10.1186/s13021-017-0078-9.
Nagatani, I., Hayashi, M., Watanabe, M., Tadano, T., Watanabe, T., Koyama, C.,
Shimada, M., 2018. En: Sistema de alerta temprana forestal utilizando datos SCanSAR ALOS-2/
PALSAR-2 (JJ-FAST). En t. Geociencias. Sens. Remota Símp. 2018-julio,
págs. 4181–4184.https://doi.org/10.1109/IGARSS.2018.8517431.
Ngueguim, J., Gatchui, H., Ayobami, S., Orimoogunje, O., 2009. Evaluación de la tala
impactos en la selva tropical del este de Camerún utilizando técnicas de teledetección y SIG.
En t. J. Biol. Química. Ciencia. 3https://doi.org/10.4314/ijbcs.v3i4.47163. Pearson, TRH,
Brown, S., Murray, L., Sidman, G., 2017. Emisiones de gases de efecto invernadero de
Degradación de los bosques tropicales: una fuente subestimada. Gestión del balance de carbono.
12, 1–11.https://doi.org/10.1186/s13021-017-0072-2.
Ploton, P., Barbier, N., Couteron, P., Antin, CM, Ayyappan, N., Balachandran, N., 2017.
Teledetección del medio ambiente hacia un modelo general de predicción de la biomasa de los bosques
tropicales a partir de imágenes ópticas de satélite de muy alta resolución. Sensores remotos. Medio ambiente.
200, 140-153.https://doi.org/10.1016/j.rse.2017.08.001.
Quegan, S., Yu, JJ, 2001. Filtrado de imágenes SAR multicanal. Traducción IEEE. Geociencias.
Sensores remotos 39, 2373–2379.https://doi.org/10.1109/36.964973. Reiche,
J., Mullissa, A., Slagter, B., Gou, Y., Tsendbazar, NE, Odongo-Braun, C.,
Vollrath, A., Weisse, MJ, Stolle, F., Pickens, A., Donchyts, G., Clinton, N., Gorelick, N., Herold,
M., 2021. Alertas de perturbación forestal para la cuenca del Congo utilizando Sentinel -1.
Reinar. Res. Letón. dieciséishttps://doi.org/10.1088/1748-9326/abd0a8. Réjou-Méchain, M.,
Mortier, F., Bastin, JF, Cornu, G., Barbier, N., Bayol, N., Bénédet, F.,
Bry, X., Dauby, G., Deblauwe, V., Doucet, JL, Doumenge, C., Fayolle, A., García, C., Kibambe
Lubamba, JP, Loumeto, JJ, Ngomanda, A., Ploton, P., Sonké, B., Trottier, C., Vimal, R., Yongo,
O., Pélissier, R., Gourlet-Fleury, S., 2021. Revelando la composición de la selva tropical
africana y su vulnerabilidad al cambio global. Naturaleza 593, 90–94.https://doi.org/10.1038/
s41586-021-03483-6.
Rudant, JP, Frison, PL, 2019. Radar de teledetección: De l'image d'intensite iniciale au
elección del modo de calibración de los coeficientes de difusión B◦, Σ◦Γ◦. Rev. P.
Fotograma. Teledetección. 2019-junio, 19-28.
Rutishauser, E., Hérault, B., Baraloto, C., Blanc, L., Descroix, L., Sotta, ED, Ferreira, J.,
Kanashiro, M., Mazzei, L., D'Oliveira, MVN, De Oliveira, LC, Peña-Claros, M., Putz, FE, Ruschel,
AR, Rodney, K., Roopsind, A., Shenkin, A. , Da Silva, KE, De Souza, CR, Toledo, M., Vidal, E.,
West, TAP, Wortel, V., Sist, P., 2015. Recuperación rápida de las reservas de carbono de los
árboles en bosques amazónicos gestionados. actual. Biol. 25, R787–R788. https://doi.org/
10.1016/j.cub.2015.07.034.
Sánchez-Azofeifa, A., Antonio Guzmán, J., Campos, CA, Castro, S., García-Millan, V.,
Nightingale, J., Rankine, C., 2017. Las tecnologías de teledetección del siglo XXI están
revolucionando el estudio de los bosques tropicales. Biotrópica 49, 604–619.https://doi. org/
10.1111/btp.12454.
Scipal, K., Arcioni, M., Chave, J., Dall, J., Fois, F., LeToan, T., Lin, CC,
Papathanassiou, K., Quegan, S., Rocca, F., Saatchi, S., Shugart, H., Ulander, L., Williams, M.,
2010. La misión BIOMASS: un candidato a explorador terrestre de la ESA para medir la
BIOMASA de los bosques de la Tierra. En t. Geociencias. Sens. Remota Símp. 52–55 https://
doi.org/10.1109/IGARSS.2010.5648979.
Sist, P., Ferreira, FN, 2007. Sostenibilidad de la tala de impacto reducido en el Este
Amazonas. Para. Ecológico. Administrar. 243, 199–209.https://doi.org/10.1016/j.foreco.2007.0 2.014.
Sist, P., Nolan, T., Bertault, JG, Dykstra, D., 1998. Intensidad de cosecha versus
sostenibilidad en Indonesia. Para. Ecológico. Administrar. 108, 251–260.https://
doi. org/10.1016/S0378-1127(98)00228-X.
Tyukavina, A., Hansen, MC, Potapov, P., Parker, D., Okpa, C., Stehman, SV,
Kommareddy, I., Turubanova, S., 2018. La pérdida de bosques en la cuenca del Congo está dominada por el aumento del
desmonte por parte de los pequeños agricultores. Ciencia. Adv. 4, 1–12.https://doi.org/10.1126/sciadv. aat2993.
Vancutsem, C., Achard, F., Pekel, JF, Vieilledent, G., Carboni, S., Simonetti, D.,
Gallego, J., Aragão, LEOC, Nasi, R., 2021. Monitoreo a largo plazo (1990-2019) de los cambios
en la cubierta forestal en los trópicos húmedos. Ciencia. Adv. 7, 1–22.https://doi.org/
10.1126/sciadv.abe1603.
Vollrath, A., Mullissa, A., Reiche, J., 2020. Corrección de pendiente radiométrica basada en angular
para Sentinel-1 en Google Earth Engine. Sensores remotos 12, 1-14.https://doi.org/
10.3390/rs12111867.
Watanabe, M., Koyama, CN, Hayashi, M., Nagatani, I., Shimada, M., 2018. Etapa inicial
Detección de deforestación en los trópicos con SAR de banda L. IEEE JSel. Arriba. Aplica. Observación
de la Tierra. Sensores remotos 11, 2127–2133.https://doi.org/10.1109/JSTARS.2018.2810857. Welsink,
AJ, Reiche, J., de Sy, V., Carter, S., Slagter, B., Suárez, DR, Batros, B., Peña-
Claros, M., Herold, M., 2023. Hacia el uso de alertas de perturbación de los bosques tropicales
basadas en satélites para evaluar las intensidades de la tala selectiva. Reinar. Res. Letón. 18
https://doi.org/10.1088/1748-9326/acd018.