Documentos de Académico
Documentos de Profesional
Documentos de Cultura
rmedina@udistrital.edu.co; sanadial@correo.udistrital.edu.co
1. Introducción
Los Incendios Forestales son considerados junto con la tala selectiva, como las
principales causas de degradación forestal de los bosques tropicales (Munoz, 2020) y sus
pérdidas son enormes, por lo que la lucha contra estos fenómenos no debe subestimarse
(Liang, 2019). Para la detección de información y el seguimiento de cambios dinámicos
de los ecosistemas como es el caso de los incendios forestales, se ha realizado con el
método tradicional basado en pixeles, el cual utiliza las características espectrales de
las imágenes. Sin embargo, las tecnologías de análisis de imágenes orientada a objetos
(GEOBIA), no solo usa las características espectrales de los objetos terrestres, sino que
también hace uso completo de las características como el espacio, la textura, la estructura
espacial y la forma de los objetos terres-tres. En este sentido, estudios corroboran que
la precisión de GEOBIA es mayor que la del monitoreo tradicional basado en pixeles
(Luo,2019). La información orientada a objetos presenta una ventaja comparativa
con respeto a los enfoques basado en pixeles, permitiendo una mayor exactitud para el
monitoreo ecológico y ambiental en áreas (Son, 2014).
En Colombia, a pesar de la recurrencia de los incendios forestales en distintas zonas del
país, no existen registros de cálculos de severidad y estimaciones con segmentaciones
y clasificaciones orientadas a objetos que nos permita comparar las estimaciones
calculadas por pixel. En la presente investigación se estudia los efectos posteriores al
incendio en la reserva forestal protectora Bosque Oriental, del día 30 de diciembre de
2018. La Reserva Forestal de los Cerros Orientales de Bogotá se localizan en la capital de
Colombia, en el departamento de Cundinamarca, con un área aproximada de 13.142,11
hectáreas (CAR, 2016). En este sentido, se plantea una metodología, para la estimación
de las áreas afectadas por incendios forestales con un enfoque orientado a objetos,
ejecutando un algoritmo de segmentación en lenguaje CNL en el software eCognition
para la generación de los objetos quema-dos. Posterior a esto, se determina la severidad
de los incendios a través de los índices espectrales y se valida la información por medio
de la comparación de dichos índices y una clasificación supervisada con un algoritmo
(Maquina de Soporte Vectorial), para determinar su exactitud.
Donde B8A representa al infrarrojo cercano (NIR 1) y B4 la Banda del espectro visible
rojo.
(dNDVI) Diferencial Normalized Difference Vegetation Index
La diferencia normalizada del índice de vegetación (dNDVI) proporciona información
más detallada sobre la severidad del incendio basándose en la diferencia de valor de
NDVI en momentos pre- y pos-incendio (Zhu, 2006) (Ecuación 2)
(2)
(3)
Donde BA representa a la banda del infrarrojo cercano (NIR 1) y B12 Hace referencia
al infrarrojo cercano (TIR 2).
(dNBR) Diferencia Índice de Calcinación Normalizado
Según [Key 2006], el dNBR se refiere a la diferencia entre dos imágenes antes y después
del incendio, lo que permite dar una idea de la gravedad de la calcinación de la masa
boscosa (Ecuación 4).
(4)
orientada a los píxeles utiliza las celdas independientes como la unidad básica de análisis,
usando operaciones aritméticas a nivel de píxel o transformaciones matemáticas que
normalmente se realizan en imágenes de teledetección multitemporal para obtener
la detección de cambios generados (Chímelo,2021). El enfoque GEographic-Object-
Based Image Analysis (GEOBIA) cuenta con una estructura para hacer frente a estas
restricciones en tipos de vegetaciones heterogéneos Chímelo,2021). En relación con las
técnicas basadas en pixeles GEOBIA proporciona un aumento significativo en el número
de características que se pueden considerar en el proceso de clasificación, como son
espectrales, texturales y morfológicas, como también se pueden considerar algunas
características topológicas (Musci, 2013). Tradicionalmente GEOBIA comprende dos
etapas básicas, primero la Segmentación de imágenes basado en la identificación de
regiones homogéneas, ésta genera una serie de segmentos considerados objetos y
las características de dichos objetos se calculan y se utilizan en la siguiente etapa de
Clasificación (Musci, 2013).
(5)
(6)
3. Materiales y Métodos
Se presenta una metodología para la evaluación de áreas quemadas usando imágenes de
Sentinel-2. Se implementa un algoritmo en lenguaje CNL, segmentando y clasificando
los objetos en la imagen, determinando a través de los índices espectrales las áreas
quemadas y la severidad del incendio. Finalmente, se implementa un algoritmo de
Máquinas de Soporte Vectorial (MSV), una clasificación supervisada que se valida evalúa
a través de la matriz STEP.
4. Resultados
A partir de la aplicación de las diferentes etapas de la metodología, se presentan a
continuación los resultados obtenidos. Se muestran las bandas de las imágenes satelitales
Sentinel 2A, anterior y posterior al incendio, se realiza la composición de análisis de
vegetación con las bandas 11-8A-4 y el cálculo de índices espectrales. Se hace una
segmentación con base en el NDVI (Índice de Vegetación de Diferencia Normalizada).
Se implementa un algoritmo (flujo de procesos en lenguaje CNL) de segmentación y de
clasificación orientada a objetos para las diferentes clases de coberturas identificadas.
Posteriormente, se realiza una clasificación supervisada con un algoritmo de Maquina
de Soporte Vectorial, con el objeto de realizar la comparación de las áreas quemadas con
los dos tipos de clasificación, para la implementación de la validación de los resultados
a nivel temático.
Figura 1. Figura
Análisis
1 –de Vegetación
Análisis Pre y Post-Incendio
de Vegetación combinación
Pre y Post-Incendio de bandas
combinación de11-8A-4.
bandas 11-8A-4.
Figura
Figura 2.
2 –Cálculo
CálculoNBR
NBR(Normalized
(NormalizedBurn
BurnRatio)
Ratio)Post-Incendio
Post-Incendio
SegúnSegún el Análisis
el Análisis de Vegetación
de Vegetación conimágenes
con las las imágenes
pre ypre y post
post incendios,
incendios, se observa las
se observa
áreascon
las áreas con posibles
posibles afectaciones.
afectaciones. En
Eneste
estesentido,
sentido,seserealiza la elección
realiza de las
la elección de localidades
las
localidades que fueron afectadas en el incendio en la reserva, zona rural de las
localidades de Chapinero y santa fe, tal como se ve en la figura 3.
RISTI, N.º E54, 11/2022 307
Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá
Figura 2. Cálculo NBR (Normalized Burn Ratio) Post-Incendio
Según el Análisis de Vegetación con las imágenes pre y post incendios, se observa
que las áreasafectadas
fueron con posibles
en elafectaciones.
incendio en En este sentido,
la reserva, zona se realiza
rural la elección
de las de las
localidades de
localidades
Chapinero quefe,fueron
y santa afectadas
tal como se ve en en el incendio
la figura 3. en la reserva, zona rural de las
localidades de Chapinero y santa fe, tal como se ve en la figura 3.
Figura 3 – Zona de Estudio reserva forestal en las localidades Chapinero y Santa Fe,
Figura 3. ZonaIzquierda)
Pre (Imagen de Estudioy reserva forestal
post Incendio en las localidades
(Imagen derecha) Chapinero y
Santa Fe, Pre (Imagen Izquierda) y post Incendio (Imagen derecha)
SeSecalcula
calculaunun NDVI
NDVI con
con el el objeto
objeto dede lograr
lograr una
una mejor
mejor segmentación
segmentación entre
entre laslas zonas
zonas con
con vegetación
vegetación y no vegetación,
y no vegetación, que seque se deducen
deducen son afectadas
son áreas áreas afectadas por Incendios.
por Incendios. Análisis
deAnálisis
Imágenes de Orientado
Imágenes aOrientado
Objetos dealaObjetos
zona dede la zona
estudio deImagen
de la estudioSentinel
de la Imagen
2A Post-
Sentinel A
Incendio. 2Apartir
Post-Incendio.
del NDVI A separtir del un
ejecutan NDVI se ejecutan
grupo de tareasunpara
grupo de tareas para la
la segmentación. Ver
segmentación.
figura N° 4. Ver figura N° 4.
Figura4.4 –Cálculo
Figura de NDVI
Cálculo de NDVIen en Ecognition:
Ecognition: En la En la de
figura figura de la
la derecha de derecha de la
la Ilustración
Ilustración N° 4 se observan con tonos verdes áreas con vegetación
N° 4 se observan con tonos verdes áreas con vegetación y en azules áreasy en azules
áreas degradadas o desprovista
degradadasdeo las mismas.de las mismas.
desprovista
(a) (b)
(a) (b)
(c) (d)
Figura 5. Segmentación Multiresolución
Figura 5 – Segmentación Multiresolución
(c) (d)
4.4. Algoritmos GEOBIA para el cálculo de índices,
Figura 5. Segmentación Multiresolución
Segmentación y Clasificación
4.4. Algoritmos GEOBIA para el cálculo de índices,
4.4. Algoritmos
El lenguaje
Segmentación CNL permiteGEOBIA
y Clasificaciónestablecerpara el cálculo
los algoritmos como un de proceso
índices,
automatizado.
Segmentación y Clasificación
Para el cálculo de índices espectrales, la segmentación y la clasificación
El lenguaje CNL permite establecer los algoritmos como un proceso automatizado. Para de las
coberturas como
El lenguaje
el cálculo se observa
CNL permite en
establecerlas
lossiguientes gráficas
algoritmos como (eCognition,
un proceso 2014).
automatizado.
de índices espectrales, la segmentación y la clasificación de las coberturas
Para el cálculo de índices espectrales, la segmentación y la clasificación de las
comocoberturas
se observa en las
como siguientes
se observa en lasgráficas (eCognition,
siguientes 2014). 2014).
gráficas (eCognition,
Figura
Figura6.
6– Zona dede
Zona estudio clasificada
estudio orientada
clasificada a objetos
orientada (GEOBIA)
a objetos (GEOBIA)
Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVIFigura 6. Zona
y el Brillo. de estudio clasificada
La separabilidad no es muy alta orientada
entre lasaclases
objetos (GEOBIA)
Zona de
RISTI,preservación
N.º E54, 11/2022
y Zonas Quemadas, se deduce que estamos frente a un área con un 309
Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVI y el Brillo. La separabilidad no es muy alta entre las clases Zona de
Estimación de áreas afectadas por incendios en la reserva forestal protectora bosque oriental de Bogotá
Los atributos óptimos para la separabilidad de las clases fueron la relación entre
NDVI y el Brillo. La separabilidad no es muy alta entre las clases Zona de preservación
y Zonas Quemadas, se deduce que estamos frente a un área con un bosque primario
bosque
muyprimario
bosque muypor
intervenido
primariointervenido
procesos
muy por
de procesos
intervenido de degradación
degradación y sede
por procesos han y se hanypropuesto
propuesto
degradación estas
se hanzonas para
propuesto
estas
la zonas
estaspara
conservación la conservación
zonas para de los ecosistemas.
de losla ecosistemas.
conservación Clases Clases al
de los exportadas
ecosistemas. exportadas
software
Clases al
Arc software
exportadasMapal 10.8. Se
software
Arc observan
MapArc 10.8.
MapSeáreas
las observan
10.8. las áreas
quemadas
Se observan quemadas
a través
las de los
áreas aobjetos
través ade
quemadas los objetos
de los segmentados
segmentados
través objetos segmentados
Area índices
Nombre Clases Area GEOBIA Area Pixel (MSV) Espectrales
Combinación 11-8ª-4
Arbusto 1.260,00 768,34
Area quemada 47,88 86,05 49,08
Bosques 1.291,62 956,01 1.396,25
Zona de
2.938,06 741,04 2.864,93
Preservación
Nubes 145,48 416,04 135,09
Zona de restauración 502,20 279,53
Total 3.247,18 3.247,18
Fuente: Elaboración propia
5. Conclusiones y Recomendaciones
La implementación de la metodología para la estimación de afectadas por incendios en
un entorno orientado a objetos (GEOBIA) presentó resultados altamente precisos. La
segmentación basada en el NDVI, la segmentación de los objetos y la clasificación de las
diferentes clases por cobertura del área de estudio se pudieron aplicar correctamente.
La metodología implementada permitió procesar los datos en un entorno orientado a
objetos y compararlas con el resultado obtenido en un entorno orientado al pixel con
el algoritmo de Maquinas de Soporte Vectorial, para así validar los resultados de los
índices espectrales y demostrar que clasificación es más precisa. El método basado en
objetos para la clasificación de imágenes satelitales presenta una mayor precisión que las
técnicas basadas en pixel, debido GEOBIA no solo se basa en propiedades estadísticas y
características espectrales de la imagen, sino que involucra la información espacial. La
metodología orientada al pixel omite el contexto del objeto y su entorno, aumentando
los inconvenientes con la resolución espacial lo que imposibilita mejorar el potencial de
clasificación digital de estas.
Las combinaciones de Bandas para análisis de vegetación 11-8A-4 y los índices
espectrales permitió determinar y validar las clasificaciones orientadas a objetos y por
pixeles a través del cálculo de las áreas que se observan con vegetación, sin vegetación
y afectadas por incendios a través del cálculo de la severidad de los mismos. A pesar de
que el algoritmo que se implementó orientado al pixel fue el de Maquinas de Soporte
Vectorial con una precisión global y un índice Kappa mayores al 90% y que de igual
manera se caracteriza por su alta precisión en clasificaciones frente a otros algoritmos,
la cantidad de áreas que ofrece dentro de su clasificación no es tan precisa como la
clasificación orientada a objetos.
El método de clasificación basados en pixeles no permitió clasificar de manera exacta
las coberturas presentes en la imagen, ya que no discriminaron de manera robusta
las categorías temáticas basadas en los comportamientos espectrales similares, lo que
produjo inconsistencias en los resultados. La validación temática de los resultados
se realiza dentro de las clasificaciones orientada a objetos y a pixeles, como también
entre los resultados obtenidos entre las áreas estimadas por GEOBIA, MSV y los índices
espectrales. Es relevante para los usuarios de la información resultante en el tratamiento
de los datos de las imágenes Sentinel 2A, determinar la correspondencia de dicha
información a partir de los porcentajes de precisión de productor y usuario en la matriz
donde se cruzan las clases. Ya que si se usa como referencia la exactitud promedio del
mapa puede llevar a variaciones de los indicadores de la matriz STEP para algunas clases.
Referencias
Brewer CK, W. J. (2005). Classifying and Mapping Wildfire Severity: a comparison of
Methods. . Brewer CK, Winne JC, Opitz DW, Mangrich M V (2005) Classifying and
Mapping Wildfire Severity: a comparison of Methods. PhotogrammePhotogrammetric
Engineering & Remote Sensing, 1311-1320.
Bond WJ, K. E. (2005). El fuego como un hervíboro global: la ecología y evolución de los
ecosistemas infamables. . Ecol Evol, 387-394.
CAR, C. A. (2016). Corporacion Autónoma Regional de Cundinamarca Modificación al
Plan de Manejo Forestal protectora: Bosque Oriental de Bogotá.
Chimelo. L, G. D. (2021). Object-based classification of vegetation species in a subtropical
wetland using Sentinel-1 and Sentinel-2A images. Revista Ciencia de la Detección,
1-10.
Chuvieco. E. (2008). Earth Observation of Global Change The Role of Satellite Remote
in Monitoring the Global Enviroment. doi:10.1007/978-1-4020-6358-9_9.
Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely
sensed data. Remote Sensing of EnvironmenT, 37,35-46.
Forero, P. R. (2019). Machine Learning for the identification of students at risk of
academic desertion. Bogotá.
Key C, B. N. (2006). Landscape assessment (LA): Sampling and analysis methods. USDA
Forest Service General Technical Report, 1-55.
Krebs P, P. G. (2010). Fire regime: History and definition of a key concept in disturbance
ecology theory in Biosciences. doi:10.1007/s12064-010-0082-z, 53-69.