Comparación de la clasificación de la cobertura de bosque a partir de una clasificación supervisada y no supervisada
Maria Alejandra Molina Berbeo
12/10/2019
Advertencia
Algunos códigos son dejados visibles para soportar el desarrollo de algunos procedimintos.
Resumen
Se realiza una clasificación supervisada y otra no supervisada con una imagen Sentinel del 2018 cerca a los minicipios de El Rosal y San Francisco en Cundinamarca. La clasificación supervisada arroja mejores resultados que la no supervisada puesto que su exactitud se encuentra en un 82% en contraste con la no supervisada que obtuvo un valor de exactitud del 51%. Respecto a la clase de bosque en general es sobreestimada por los tipos de clasificación y menos del 8% de la misma está bajo alguna categoría de protección actualmente en cada una de las clasificaciones.
Introducción
La conversión de las coberturas naturales a coberturas agrícolas es cada vez más constante, las principales consecuencias se han evidenciado sobre los bosques maduros tropicales afectando gran parte de los puntos calientes de biodiversidad del mundo (Laurance 2004). Adicionalmente, según la ONU cerca de 13 millones de hectáreas de bosque se pierden al año contribuyendo a la deforestación y por ende a la pérdida de biodiversidad por fragmentación (Fahrig 2010).
La existencia y permanencia de los bosques garantiza el provisionamiento de los servicios ecosistémicos lo cual repercute directamente en el bienestar de las personas, de allí que el cuidado y protección de los bosques sea una problemática de interés que necesita medidas urgentes y eficientes (Phalan et al. 2011; Lin & Fuller 2013). Paralelamente, la agenda 2030 de los objetivos de desarrollo sostenible tiene dentro de su plan el objetivo número 15 que dicta: “Promover el uso sostenible de los ecosistemas terrestres, luchar contra la desertificación, detener e invertir la degradación de las tierras y frenar la pérdida de la diversidad biológica” (ONU 2017) y dentro de sus metas del objetivo están la conservación de ecosistemas montañosos garantizando su capacidad de proporcionar beneficios.
Por otro lado la percepción remota tiene como uno de sus objetivos la identificación de patrones espaciales que den cuenta de los usos o coberturas que se encuentran en una imagen a través del procesamiento de la misma (Jensen 2015), este tipo de ejercicios ha sido de gran importancia en temas que tienen que ver con cuidado del ambiente y conservación ya que permiten identificar áreas de interés ecológica, soportar decisiones de planeación sistemática de la conservación, ayudan a predecir modelos de distribución de especies entre otras (Turner et al. 2003).
En este contexto, este trabajo tiene como fin obtener una clasificación supervisada y no supervisada para comparar el área de bosque que identifica cada una de ellas y el área que se encuentra de esta cobertura bajo alguna categoría de protección actualmente. El ejercicio se realiza cerca al municipio de San Francisco y El Rosal y tiene en cuenta imágenes Sentinel del año 2018.
Área de estudio
Se escoge una ventana de estudio cerca a los municipios de El Rosal y San Francisco, que se ubican en el departamento de Cundinamarca (figura 1), el municipio de San Francisco tiene una altitud de 1520 m.s.n.m aproximadamente y una temperatura de 20°C y se ubica a unos 55 Km al noroccidente de la capital, mientras que el municipio de El Rosal tiene una altitud de 2685 m.s.n.m y una temperatura promedio de 14°C y está a una distancia de 20 km de Bogotá (CAR 2004).
Tanto el Rosal como San Francisco hacen parte de la provincia de Gualivá la cual posee una topografía montañosa con considerables escarpes y cerros empinados entre los que se destacan Cerro del Tablazo que cubre parte del municipio de San Francisco. En cuanto a su hidrografía, los dos municipios de la ventana de estudio hacen parte de la cuenca del río Negro y subcuencas como la de Villeta o Tobia y Pinzaima-Supatá (CAR 2004).
Por otro lado, respecto a las actividades agrícolas, se tiene que los dos productos más importantes son el café y la caña que se extienden hacia el muncipio de San Francisco, mientras que el municipio del Rosal se caracteriza por la siembra de papa, flores y frutales (CAR 2004).
San Francisco es considerado un municipio de importancia ecológica ya que representa una parte importante de la conectividad para los parques naturales Chinagza, Sumapaz, El Santuario de Flora y Fauna de Iguaque además de algunos distritos de manejo de la zona (Instituto Alexander Von Humboldt 2017). El municipio de San Francisco posee además una parte de lo que se considera un hotspot de biodiversidad como lo es el el bosque andino de alta montaña (Hincapié et al. 2002).
Adicionalmente, la zona de estudio posee bosques secundarios que son el resultado del abandono de actividades antrópicas, los bosques secundarios han tomado un papel importante dentro de la conservación de las especies que se ven afectadas por diferentes usos de la tierra (Chazdon et al. 2009) debido a que se ha evidenciado que pueden llegar a ser igual de importantes que los bosques maduros a la hora garantizar la conservación y persistencia en el tiempo de las especies en zonas tropicales (Chazdon 2013).
Métodos
En primer lugar, se descargó la imagen a estudiar de la fuente de los Servicios Geológicos de los Estados Unidos (USGS sus siglas en inglés) adquirida el 24 de enero de 2018, captada por la misión Sentinal-2B de la Agencia Espacial de Europa (Tabla 1) (https://earthexplorer.usgs.gov/metadata/10880/2786319/).
Tabla 1: Descripción general de imagen descargada
Una vez obtenida la imagen, se construye un stack de las bandas de 10m (banda 2,3,4,8) y otro de las bandas (5,6,7) debido a que se complementan en el espectro que cubren (Gašparović & Jogun 2018), teniendo este grupo de bandas se hace un breve procesamiento. En primer lugar, se realizó una corrección atmosférica haciendo uso de la función sen2cor de la librería Sen2r de R 6.3.1. Posteriormente se hace una fusión a través del método de PCA tomando como banda pancromática el promedio de la banda 8 y 4 de 10m y bandas de baja resolución las bandas de 20 m (5, 6, 7) siguiendo la metodología de (Gašparović & Jogun 2018) (Figura 2).
Una vez obtenido el compilado de las bandas de 10m más las bandas de 20m con resolución mejorada a través de la fusión, se procede a realizar la clasificación de coberturas a través de la clasificación supervisada con ayuda de puntos muestreados en Arcgis (Tabla 2) y no supervisada en R para su posterior comparación a través de la exactitud del productor y del usuario (figura 2).
Finalmente, se extrae el área de bosque que cada uno de los clasficadores arrojó y este producto se cruza con las áreas protegidas de la ventana de estudio para poder obtener el área que actualmente se encuentra bajo alguna categoría de protección o conservación.
Resultados
1.Corrección atmosférica
# Esta linea se ejecuta en otro debido a la capacidad de
# máquina, por este motivo está comentada# library(df)
# install.packages('remotes') library(remotes)
# install_github('ranghetti/sen2r') library(sen2r)
# install_aria2(aria2_dir = system.file(package = 'aria2'))
# library(aria2) install_sen2cor(sen2cor_dir = NA, force =
# FALSE) Mirar si estÃ<U+0083>¡n todos los complementos para
# que Sen2r funcione check_sen2r_deps() Ahora la correccion,
# meto la direccion donde estan todas las bandas de la
# carpeta .SAFE y le digo donde quiero que me las guarde
# sen2cor('S2B_MSIL1C_20180124T152629_N0206_R025_T18NWL_20180124T202241.SAFE',
# l1c_dir='D:/maria', outdir='D:/maria')Se tiene que la corrección hecha por la librearía Sen2cor, aunque no elimina la totalidad de las nubes a nivel de la imagen completa, sí lo hace a nivel de la ventana de estudio (Figura 3).
2.Fusión de imágenes
A partir de este resultado, se realiza la fusión a través del método de PCA obteniendo la mejora de la resolución espacial de las bandas 5 6 y 7 a partir de la construcción de una banda pancromática que se obtiene de promedio de la banda 8 y 4 (Figura 4). Resultando en un cambio visual significativo de las bandas escogidas (Figura 5). 
3.Exploración
Para efectos de este ejercicio se tomaron en cuenta 5 clases: bosque, construcciones, vías, mosaico de cultivos y suelo desnudo. Respecto a las firmas espectrales se puede observar que la clase que tiene menor valor de reflectancia es la clase de bosques y la que tiene mayor número de reflectancia es suelo desnudo. En general todas las clases tienen un pico de reflectancia en la banda 4 que corresponde a la banda del rojo del espectro visible. Todas las clases descienden después de la banda 4 excepto la clase de suelo desnudo que tiene un segundo pico en la banda 9 que corresponde al vapor de agua (Figura 6).
#{r exploracion de datos, echo=FALSE} #Firmas expectrales # load the polygons with land use land cover information ptsamp <- shapefile('E:/MESTRIA UNAL/PERCEPCION/COBERTURA.shp') names(ptsamp)[1]="class" # generate 300 point samples from the polygons ptsamp <- ptsamp[sample(nrow(ptsamp),300),] #class(ptsamp) # add the land cover class to the points #ptsamp$class <- over(ptsamp, samp)$class # extract values with points df <- extract(total_fusion, ptsamp) # To see some of the reflectance values #head(df) ms <- aggregate(df, list(ptsamp$class), mean) # instead of the first column, we use row names rownames(ms) <- ms[,1] ms <- ms[,-1] # Create a vector of color for the land cover classes for use in plotting mycolor <- c("#38814E","#D2CDC0","#AF963C","#FBF65D","#B50000") #transform ms from a data.frame to a matrix ms <- as.matrix(ms) # First create an empty plot plot(0, ylim=c(0,max(ms)), xlim = c(1,12), type='n', xlab="Bandas", ylab = "Reflectancia") # add the different classes for (i in 1:nrow(ms)){ lines(ms[i,], type = "l", lwd = 3, lty = 1, col = mycolor[i]) } # Title title(main="Figura 6: Firmas espectrales Sentinel", font.main = 2) # Legend legend("topleft", rownames(ms), cex=0.8, col=mycolor, lty = 1, lwd =3, bty = "n") Respecto al análisis multibanda, el grupo de las bandas que están a una resolución de 10m y corresponden al espectro visible tienen más correlación entre ellas evidentemente porque están seguidas en el espectro abarcando una longitud de onda de 0.90 y 0.665 μm. La banda ocho a pesar de que está a la misma resolución espacial de las otras tres bandas, tiene una relación de máximo 50% con estas, puesto que se trata del infrarrojo; además su longitud de onda está en los 0.84 μm, casi dos veces la longitud de onda que tienen las otras tres bandas del espectro visible (Figura 6.1) 
Para el segundo grupo de bandas que son las que están a una resolución de 20m, las bandas 5 6 7 y 8A son las que poseen una correlación mayor, todas ellas por encima del 60%, esta fuerte correlación está dada a que todas estas bandas se centran en la franja “red edge” del espectro, de gran importancia en trabajos relacionados con contenido de clorofila en plantas. Por su parte, las bandas 11 y 12 están correlacionadas en menor medida con las anteriores, pero entre ellas tienen una fuerte correlación (92%) debido a que se encuentran reflejando la parte del infrarrojo de onda corta del espectro (Figura 6.2). 
Finalmente respecto a las bandas que están a 60m que corresponden a la banda 1 y 9 tienen una mínima correlación del 16% esto debido a que están en extremos en el espectro, la primer a de ellas corresponde a 0.443 μm y la segunda en 0.95 μm, además de esto corresponden al aerosol y a la vapor de agua respectivamente (Figura 6.3 ) 
- Clasificación no supervisada
## class : Extent
## xmin : 574960
## xmax : 590720
## ymin : 537020
## ymax : 549310
5. Clasificación suepervisada 
6. Evaluación de la clasificiación supervisada
Se tiene que la exactitud de la clasificación supervisada es del 82% es decir que del total de pixeles que fueron clasificados el 82% lo fueron correctamente y este resultado puede variar entre el 80% y el 84%. Respecto a su índice de kappa que es 70%, se tiene que la clasificación es 70% mejor que la confiabilidad esperada asignando aleatoriamente una categoría de cobertura a los puntos de muestreo (Tabla 3).
Referente a las clases, el bosque tiene una sensitividad del 89%, es decir que del total de pixeles que fueron clasificados como bosque el 89% lo fueron correctamente mientras que para el caso de la especificidad se trata del 98%, es decir que el 98% de los pixeles que no eran bosque los clasificó efectivamente como no bosque y lo asignó a otra de las 4 clases restantes. La prevalencia, que es la que nos indica qué tan común es encontrar un verdadero positivo de esta clase, nos indica que hay un 38% de probabilidad de encontrar un píxel que sea correctamente clasificado como bosque (Tabla 3).
La clase de construcciones tiene una sensitividad del 73%, es decir que del total de pixeles que fueron clasificados como construcciones el 73% lo fueron correctamente mientras que para el caso de la especificidad se trata del 98%, es decir que el 98% de los pixeles que no eran construcciones los clasificó efectivamente como no construcciones y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 16% de probabilidad de encontrar un píxel que sea correctamente clasificado como construcciones (Tabla 3).
Del total de pixeles que fueron clasificados como mosaico de cultivo el 88% lo fueron correctamente mientras que el 91% de los pixeles que no eran mosaico de cultivo los clasificó efectivamente como no mosaico de cultivo y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 14% de probabildiad de encontrar un píxel que sea correctamente clasificado como mosaico de cultivo (Tabla 3).
Por otro lado, del total de pixeles que fueron clasificados como suelo desnudo el 68% lo fueron correctamente mientras que el 98% de los pixeles que no eran suelo desnudo los clasificó efectivamente como no suelo desnudo y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 4% de probabilidad de encontrar un píxel que sea correctamente clasificado como suelo desnudo. Esta es la clase que tiene un porcentaje de sensitividad menor respecto a las demás (Tabla 3).
Finalmente, del total de pixeles que fueron clasificados como vías el 78% lo fueron correctamente mientras que el 92% de los pixeles que no eran vías los clasificó efectivamente como no vías y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 17% de probabilidad de encontrar un píxel que sea correctamente clasificado como vías (Tabla 3).
Tabla 3: Evaluación clasificación supervisada
##
## Bosque Construcciones Mosaico de cultivo
## Bosque 473 0 14
## Construcciones 0 168 0
## Mosaico de cultivo 55 10 200
## Suelo desnudo 0 11 0
## Vias 0 40 12
##
## Suelo desnudo Vias
## Bosque 0 0
## Construcciones 2 20
## Mosaico de cultivo 2 34
## Suelo desnudo 64 11
## Vias 25 235## Confusion Matrix and Statistics
##
##
## Bosque Construcciones Mosaico de cultivo
## Bosque 473 0 14
## Construcciones 0 168 0
## Mosaico de cultivo 55 10 200
## Suelo desnudo 0 11 0
## Vias 0 40 12
##
## Suelo desnudo Vias
## Bosque 0 0
## Construcciones 2 20
## Mosaico de cultivo 2 34
## Suelo desnudo 64 11
## Vias 25 235
##
## Overall Statistics
##
## Accuracy : 0.8285
## 95% CI : (0.8075, 0.8481)
## No Information Rate : 0.3837
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.7718
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: Bosque Class: Construcciones
## Sensitivity 0.8958 0.7336
## Specificity 0.9835 0.9808
## Pos Pred Value 0.9713 0.8842
## Neg Pred Value 0.9381 0.9486
## Prevalence 0.3837 0.1664
## Detection Rate 0.3438 0.1221
## Detection Prevalence 0.3539 0.1381
## Balanced Accuracy 0.9397 0.8572
## Class: Mosaico de cultivo Class: Suelo desnudo
## Sensitivity 0.8850 0.68817
## Specificity 0.9122 0.98285
## Pos Pred Value 0.6645 0.74419
## Neg Pred Value 0.9758 0.97752
## Prevalence 0.1642 0.06759
## Detection Rate 0.1453 0.04651
## Detection Prevalence 0.2188 0.06250
## Balanced Accuracy 0.8986 0.83551
## Class: Vias
## Sensitivity 0.7833
## Specificity 0.9284
## Pos Pred Value 0.7532
## Neg Pred Value 0.9389
## Prevalence 0.2180
## Detection Rate 0.1708
## Detection Prevalence 0.2267
## Balanced Accuracy 0.8559- Evaluación de la clasificación no supervisada
Se tiene que la exactitud de la clasificación no supervisada es del 51% es decir que del total de pixeles que fueron clasificados el 51% lo fueron correctamente y este resultado puede variar entre el 48% y el 53%. Respecto a su índice de kappa que es el que mide la exactitud de un clasificador automático y uno al azar está en 35% es decir que esta matriz de confusión es 35% mejor que una que pueda resultar de un proceso aleatorio (Tabla 4).
Referente a las clases, el bosque tiene una sensitividad del 57%, es decir que del total de pixeles que fueron clasificados como bosque el 57% lo fueron correctamente mientras que para el caso de la especificidad se trata del 88%, es decir que el 88% de los pixeles que no eran bosque los clasificó efectivamente como no bosque y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 38% de probabilidad de encontrar un píxel que sea correctamente clasificado como bosque (Tabla 4).
La clase de construcciones tiene una sensitividad del 75%, es decir que del total de pixeles que fueron clasificados como construcciones el 75% lo fueron correctamente mientras que para el caso de la especificidad se trata del 85%, es decir que el 85% de los pixeles que no eran construcciones los clasificó efectivamente como no construcciones y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 16% de probabilaid de encontrar un píxel que sea correctamente clasificado como construcciones (Tabla 4).
Del total de pixeles que fueron clasificados como mosaico de cultivo el 30% lo fueron correctamente mientras que el 99% de los pixeles que no eran mosaico de cultivo los clasificó efectivamente como no mosaico de cultivo y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 38% de probabilidad de encontrar un píxel que sea correctamente clasificado como mosaico de cultivo (Tabla 4).
Por otro lado, del total de pixeles que fueron clasificados como suelo desnudo el 0% lo fueron correctamente mientras que el 92% de los pixeles que no eran suelo desnudo los clasificó efectivamente como no suelo desnudo y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 0% de probabilidad de encontrar un píxel que sea correctamente clasificado como suelo desnudo. Esta es la clase que tiene un porcentaje de sensitividad menor respecto a las demás y respecto a los dos tipos de clasificación (Tabla 4).
Finalmente, del total de pixeles que fueron clasificados como vías el 52% lo fueron correctamente mientras que el 72% de los pixeles que no eran vías los clasificó efectivamente como no suelo desnudo y lo asignó a otra de las 4 clases restantes. La prevalencia de esta clase nos indica que hay un 21% de probabilidad de encontrar un píxel que sea correctamente clasificado como vías (Tabla 4).
Tabla 4: Evaluación clasificación no supervisada
##
## Bosque Construcciones Mosaico de cultivo
## Bosque 304 4 82
## Construcciones 0 173 2
## Mosaico de cultivo 1 2 68
## Suelo desnudo 16 14 41
## Vias 207 36 33
##
## Suelo desnudo Vias
## Bosque 2 13
## Construcciones 74 94
## Mosaico de cultivo 0 6
## Suelo desnudo 0 29
## Vias 17 158## Confusion Matrix and Statistics
##
##
## Bosque Construcciones Mosaico de cultivo
## Bosque 304 4 82
## Construcciones 0 173 2
## Mosaico de cultivo 1 2 68
## Suelo desnudo 16 14 41
## Vias 207 36 33
##
## Suelo desnudo Vias
## Bosque 2 13
## Construcciones 74 94
## Mosaico de cultivo 0 6
## Suelo desnudo 0 29
## Vias 17 158
##
## Overall Statistics
##
## Accuracy : 0.5109
## 95% CI : (0.4841, 0.5376)
## No Information Rate : 0.3837
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.3565
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Bosque Class: Construcciones
## Sensitivity 0.5758 0.7555
## Specificity 0.8809 0.8518
## Pos Pred Value 0.7506 0.5044
## Neg Pred Value 0.7693 0.9458
## Prevalence 0.3837 0.1664
## Detection Rate 0.2209 0.1257
## Detection Prevalence 0.2943 0.2493
## Balanced Accuracy 0.7283 0.8036
## Class: Mosaico de cultivo Class: Suelo desnudo
## Sensitivity 0.30088 0.00000
## Specificity 0.99217 0.92206
## Pos Pred Value 0.88312 0.00000
## Neg Pred Value 0.87837 0.92712
## Prevalence 0.16424 0.06759
## Detection Rate 0.04942 0.00000
## Detection Prevalence 0.05596 0.07267
## Balanced Accuracy 0.64653 0.46103
## Class: Vias
## Sensitivity 0.5267
## Specificity 0.7277
## Pos Pred Value 0.3503
## Neg Pred Value 0.8465
## Prevalence 0.2180
## Detection Rate 0.1148
## Detection Prevalence 0.3278
## Balanced Accuracy 0.6272- Comparación de áreas entre clasificaciones
De la comparación de las dos clasificaciones se tiene que la clasificación supervisada identificó 5929.35 ha de bosque mientras que la clasificación no supervisada clasificó tan solo 3591.23 ha. Mientras que, en la clase de construcciones la clasificación no supervisada identificó 911.85 ha la supervisada clasifica únicamente 348 ha (Tabla 5).
Respecto a la clase de mosaico de cultivo que es la cobertura matriz de esta ventana de estudio, obtuvo 11159.22 ha en la clasificación supervisada, mientras que en la clasificación no supervisada tiene 3039.93 ha, lo cual es poco visualmente si se compara con la imagen original (Figura 1) (Tabla 5).
La clase de suelo desnudo obtuvo 161.63 ha en la clasificación supervisada mientras que en la no supervisada obtuvo un total de 5992.69 ha. Finalmente, la clase de vías obtuvo 1770.12 ha en la clasificación supervisada y en la no supervisada 5833.34 ha (Tabla 5).
Tabla 5: Comparación de áreas entre clasificaciones
# tabla no super
frec_no_super <- as.data.frame(freq(knr))
names_no_super <- c(`1` = "Vias", `2` = "Suelo desnudo", `3` = "Mosaico de cultivo",
`4` = "Bosque", `5` = "Construcciones")
frec_no_super$cobertura_no_super <- as.character(names_no_super[frec_no_super$value])
frec_no_super$area_ha_no_super <- ((frec_no_super$count * 10 *
10)/10000)
frec_no_super = frec_no_super[, -1]
names(frec_no_super)[1] = "pixel_no_super"
frec_no_super = frec_no_super[, c(3, 1, 2)]
frec_no_super = frec_no_super[order(frec_no_super$cobertura_no_super),
]
# tabla supervisada
frec_super <- as.data.frame(freq(supervisada))
names_super <- c(`1` = "Bosque", `2` = "Construcciones", `3` = "Mosaico de cultivo",
`4` = "Suelo desnudo", `5` = "Vias")
frec_super$cobertura_super <- as.character(names_super[frec_super$value])
frec_super$area_ha_super <- ((frec_super$count * 10 * 10)/10000)
frec_super = frec_super[, -1]
names(frec_super)[1] = "pixel_super"
frec_super = frec_super[, c(2, 1, 3)]
frec_super = frec_super[order(frec_super$cobertura_super), ]
frec_total <- cbind(frec_super, frec_no_super)
frec_total = frec_total[, -6]
names(frec_total)[1] = "cobertura"
frec_total = frec_total[, c(1, 2, 3, 5, 4)]
frec_total- Área de bosque en cada clasificación
Según los límites de las áreas protegidas de Colombia la ventana de estudio posee 8 áreas entre las categorías de Distritos Regionales de Manejo Integrado y Reserva Natural de la Sociedad Civil, respecto a la clase de bosque que arroja la clasificación supervisada se observa que el área de protegido es 444.62 ha mientras que el área de bosque que está protegido en la clasificación no supervisada es de 226.75 ha (Figura 9).
Si se compara este resultado con el área total de bosque que cada una de las clasificaciones arrojó (Tabla 5), la clasificación supervisada clasificó 5929.35 ha de las cuales 444.62 ha están bajo alguna categoría de amenaza, es decir que tan solo el 7.49% de la cobertura está protegida actualmente (Figura 9).
Por otro lado, la clasificación no supervisada clasifica 3591.23 ha de las cuales 226.75 ha están bajo alguna categoría de amenaza, es decir que el 6.31% de la cobertura está protegida actualmente (Figura 9).
alt text
Discusión y recomendaciones
Como se evidencia, la cobertura de bosque es la que tiene un error menor respecto a las demás coberturas en las dos clasificaciones, aunque visualmente parece que las dos clasificaciones están sobreestimando la clase y tienen confusión entre la clase de bosques y cultivos (Figura 9). En general los clasificadores tienden a confundir cercas vivas con bosque y a veces mosaico de cultivos, esto puede deberse a que los árboles del bosque son los mismos que son empleados para este fin y por ende su valor de reflectancia puede ser similar.
En general la clase que peor fue clasificada fue la de suelos desnudos en la clasificación no supervisada, esto sugiere que esta clase debería ser eliminada o muestreada de mejor manera ya que parece que en la ventana de estudio no es representativa y por eso el clasificador tiene problemas al categorizarla.
Aunque visualmente el mosaico de cultivos es la matriz y clase dominante de la ventana de estudio (figura 1), la clasificación supervisada tan solo clasifica 3039.93 ha de esta (Tabla 5) y le da la mayoría de los pixeles a suelo desnudo lo cual es evidentemente falso. Por su lado la clasificación supervisada clasifica 11159.22 ha como mosaico de cultivos (Tabla 5) y es la clase dominante de esta clasificación, lo cual es más aproximado a la realidad (Figura 1) esto mismo sucede con la clase de suelo desnudo, la cual es mucho más baja en la clasificación supervisada.
En general el clasificador no supervisado tiende a sobreestimar las clases y esto puede deberse a que al hacer la clasificación se determinó el mismo número de clases que se querían obtener, se recomienda entonces que para el futuro se modele la clasificación no supervisada con más clases de las que se desean obtener para poder hacer agrupaciones y así llegar a resultados más satisfactorios, este punto se obvió en este ejercicio.
En relación con los resultados que arrojan las comparaciones de áreas de bosque vs áreas protegida para cada clasificador (Figura 9), menos del 8% del total de la cobertura del bosque de cada clasificación está bajo alguna categoría de protección, sin embargo, esta conclusión debe ser tomada con precaución ya que los dos clasificadores están sobreestimando el área de la clase de bosque.
No obstante, si al área de bosque en realidad fuera la que acá se presenta en los clasificadores, menos del 8% estaría bajo protección; teniendo en cuenta la introducción de este trabajo y la importancia que los bosques representan en esta zona, esta realidad sería desalentadora porque los esfuerzos por conservarlos no serían suficientes.
Respecto al preprocesamiento que se le hizo a la imagen, la fusión acá realizada tuvo un cambio perceptible de las bandas de 20m fusionadas con el promedio de la banda 4 y 8 como pancromática, esta es una de las formas como se puede abordar el problema de la ausencia de la banda pancromática en los productos Sentinel, sin embargo se han explorado otras alternativas como tomar una de las bandas (bien sea la 8 o la 4) (Gašparović & Jogun 2018) para hacer este proceso, por lo cual varios métodos deben ser explorados.
Tanto la corrección y la fusión deberían ser evaluadas, por ejemplo haciendo la clasificación con o sin corrección o con o sin fusión para mirar el verdadero efecto de este tipo de preprocesamiento, ya que acá solo se hace un análisis visualmente comparativo. Adicionalmente, del análisis exploratorio se podría analizar mejor cuáles de las bandas están mpas correlacioandas y poder excluir alguna del análisis para no generar redundancia.
Análisis como texturas y bordes de imágenes a través de filtros pueden mejorar los resultados acá presentados, además de reducir el número de bandas con el que se trabaja, esta parte debe ser explorada sobre todo porque se trata de una ventana de estudio que tiene una matriz de cultivos muy amplia, en análisis de textura podría ayudar a diferenciar con mejor exactitud las zonas de cultivo que el clasificador está confundiendo con bosque o viceversa.
En conclusión, la clasificación supervisada en este ejercicio es mejor que la no supervisada, aunque se debería tener en cuenta el aumento del muestreo para que mejore y tratar de definir unas clases más adecuadas, por ejemplo, el desempeño de la clase de vías hace pensar que podría excluirse o agruparse con la clase de construcciones.
Finalmente, aunque la percepción remota actualmente es una ciencia transversal a la conservación y protección de los ecosistemas y puede llegar a ser una herramienta importante para guiar procesos de conservación y estado de los bosques, no puede ser la única opción para apoyar decisiones en la realidad, todos los resultados acá presentados deberían ser validados en campo y tener comparaciones con el campo real para que sea de mayor utilidad.
Referencias
CAR, 2004. Departamento de Cundinamarca Provincia del Gualivá, audiencia pública. , pp.2–3. Chazdon, R.L. et al., 2009. The Potential for Species Conservation in Tropical Secondary Forests. , 23(6), pp.1406–1417.
Fahrig, L., 2010. Effects of Habitat Fragmentation on Biodiversity. Review Literature And Arts Of The Americas, 34(2003), pp.487–515.
Gašparović, M. & Jogun, T., 2018. The effect of fusing Sentinel-2 bands on land-cover classification. International Journal of Remote Sensing, 39(3), pp.822–841. Available at: https://doi.org/10.1080/01431161.2017.1392640.
Hincapié, J.C. et al., 2002. Páramos y ecosistemas altos andinos de Colombia en condición hotspot y global climatic tensor.
Instituto Alexander Von Humboldt, 2017. Expediciones Humboldt, San Francisco, Cundinamarca.
Jensen, J.R., 2015. Introductory digital image processing. A remote sensing perspective 4th ed.,
Laurance, W.F., 2004. Rapid Land-Use Change and Its Impacts on Tropical Biodiversity. ONU, 2017. Agenda 2030 y los Objetivos de Desarrollo Sostenible. Una oportunidad para América Latina y El Caribe. , 1(11).
Turner, W. et al., 2003. Remote sensing for biodiversity science and conservation. Trends in Ecology and Evolution, 18(6), pp.306–314.