Evaluación del índice normalizado de quemas (NBR) para la detección de la extracción selectiva de madera usando imágenes de satélite

Resumen

La deforestación y la degradación del bosque en Colombia hacen parte de las problemáticas a atender dentro del plan nacional de desarrollo 2018-2022 (DNP (2019)) y está inmerso dentro de los objetivos de desarrollo del milenio, específicamente el objetivo 7 que busca garantizar un medio ambiente sostenible (UNDP, 2019). La degradación del bosque, producto de la extracción selectiva de madera, es una disminución de la biomasa aérea y la densidad del dosel que es difícil de interpretar o clasificar con teledetección. Este estudio busca determinar si la variación del NBR proporciona evidencias o pistas de las áreas en la cuales ha existido extracción de madera a partir del procesamiento y análisis espectral en imágenes de satélite.

1 Introducción

La deforestación y la degradación del bosque son dos problemáticas que dan origen a la creación de acuerdos y programas de orden global para afrontarlas, como ejemplo la estrategia Reducción de las Emisiones de Deforestación y Degradación (REDD+). En esta línea, La degradación es entendida como la reducción de la masa boscosa que afecta una unidad de bosque que se refleja en la capacidad para suministrar productos y servicios (FAO (2010)) y puede ser de origen natural o antrópica. Esta, puede ser causada principalmente por las quemas o la extracción de madera y son consideradas unas de las mayores fuentes de emisiones de CO2 en los bosques tropicales (Beuchle, Yosio, Carboni, Janouskova, & Almeida Lima (2019)).

La degradación, producto de la extracción selectiva de madera, ha sido analizado en Brasil de forma directa a partir de estudios de la perturbación del bosque que buscaron responder si era posible detectar cambios sutiles entre dos periodos de tiempo identificados en imágenes de satélite Landsat y Sentinel 2 a partir de sus respuestas espectrales (Lima et al. (2019)). Estas variaciones fueron medidas a partir de la variación del Índice NBR (Normalized Burn Ratio) entre dos o más periodos de tiempo (Beuchle et al. (2019)). Los resultados obtenidos permitieron identificar perturbaciones del bosque asociadas a la extracción selectiva de madera con una precisión general del 96.7% y 95.7% para Sentinel-2 y Landsat 8 en relación con la información recolectada en terreno.

Por otro lado, los estudios de degradación en Colombia se han enfocado en el análisis de fragmentación del bosque entre 2000 y 2015 y se estimó la emisión de 50.67 millones de MgCO₂e/año producto de la degradación de las cuales el 45,67% se produjeron en la región amazónica (Ramírez Delgado, Galindo García, Yepes Quintero, & Cabrera Montenegro (2018)). Esta metodología aborda la degradación de forma indirecta y de acuerdo al IDEAM es más viable y costo-efectiva a escalas nacionales (Ramírez Delgado et al. (2018)). Sin embargo, estas metodologías, como lo menciona Ramírez et al, no tienen una validación y presentan menor calidad en relación con metodologías directas de estimación de la degradación.

Esto deja un panorama en el que existe extracción de madera selectiva en Colombia que disminuye la biomasa la cual no es posible monitorear en terreno a gran escala y estandarizarla para la cuantificación de CO₂. La relación que existe entre la perturbación del bosque producto de la extracción selectiva y los cambios sutiles detectables en región de los infrarrojos permitirían construir un método para la detección de esta actividad. En esta línea, la investigación busca evaluar si la variación del ∆rNBR, aplicado a los bosques amazónicos de Colombia, brindan información relaciona con la actividad de extracción. Los hallazgos obtenidos permiten avanzar en la construcción de un método para la detección de la perturbación del bosque producto de la extracción selectiva de madera.

2 Marco teórico

Abordar un estudio de degradación implica primero adoptar una definición de bosque puesto que de esto depende el rango que separa el concepto de degradación y deforestación (Armenteras et al., 2018). En general, la UNFCC define un bosque como unidad de área mínima entre 0.5 y 1 hectárea con un dosel entre 10-30% y una altura de bosque que oscila entre 2 y 5 m de altura (UNFCCC, 2002 citado por Sasaki & Putz (2009)). Al ser un protocolo adoptado por la convención de Naciones Unidas, permite que cada país ajuste los rangos o umbrales de acuerdo a las necesidades y realidades que tengan (Sasaki & Putz (2009)). En esta línea, la definición de bosque adoptada por Colombia cumple con estos parámetros y especifica el bosque como: tierra ocupada principalmente por árboles, que puede contener arbustos, palmas, guaduas, hierbas y lianas, en la que predomina la cobertura arbórea con una densidad mínima del dosel de 30%, una altura mínima del dosel (in situ) de 5 m al momento de su identificación y un área mínima de 1,0 hectárea (Armenteras et al. (2018)).

Entendido esto, es pertinente aclarar los conceptos de deforestación y degradación. En esta línea, la deforestación la entenderemos como el cambio directo o inducido del bosque hacia otro tipo de cobertura (GO- FC-GOLD, 2009 Citado por Galindo, Espejo, Rubiano, Vergara, & Cabrera (2014)). Por otro lado, a diferencia de la deforestación, en la degradación la cobertura de bosque no cambia pero su riqueza biológica si lo cual se ve reflejado en la calidad de los bosques y sus características (Lund, 2009; Simula, 2009 citados por Armenteras et al. (2018)). La degradación, al igual que la deforestación, genera emisiones de CO2 y es considerada una de las principales fuentes de emisión en los bosques tropicales (Beuchle et al. (2019)).

La estimación de la degradación del bosque por teledetección se puede abordar por métodos directos e indirectos (Herold et al. (2011)). Los métodos indirectos buscan utilizar las evidencias en la fragmentación del bosque que deja el avance de la infraestructura y los asentamientos humanos (Herold et al. (2011); Ramírez Delgado et al. (2018)). Estas metodologías son útiles cuando se requiere hacer análisis a gran escala, hay baja intensidad en la perturbación o no es posible realizar la aplicación de un método directo (Herold et al. (2011)). En 2018 el IDEAM presentó un primer reporte de análisis de degradación del bosque a partir de una método indirecto con el cual se encontró que entre 2000 y el 2015 se emitieron 50.67 millones de MgCO²e/año (Ramírez Delgado et al. (2018)).

Una de las más recientes publicaciones se llevó a cabo en el estado de Amazonas, Brasil (Lima et al. (2019)). El estudio tuvo por objetivos el mapeo de las perturbaciones del bosque producto de la extracción de madera y la comparación de la eficiencia en el uso de Landsat-8 en relación con Sentinel-2. Para ello se seleccionaron siete zonas donde se realiza extracción de madera de forma controlada. Los resultados presentaron una precisión general en el mapeo de perturbaciones del bosque del 96.7% en las imágenes Sentinel-2 y del 95.7% en las Imágenes Landsat.

Adicional a esta, se realizó una investigación en el norte del estado de Mato Grosso, Brazil (Beuchle et al. (2019)). En el estudio se analizaron imágenes Landsat del periodo 2001-2011 y su objetivo fue la detección a larga escala de la degradación del bosque producto de las quemas y la extracción de madera. En el estudio se pudo establecer que dependiendo del área se podían presentar errores de omisión causadas por cobertura de nubes, cambios de humedad de la vegetación y fenología. Adicional a esto, el estudio buscó una nueva aproximación al procesamiento de datos en la nube a través de Google Earth Engine.

En ambos casos se usó el índice ∆rNBR (Self-referenced Normalized Burn Ratio) con el cual se busca realzar las características espectrales de la vegetación y el grado de afectación que se pueda encontrar entre dos periodos de tiempo. Para ello, se construye el índice NBR a partir de la banda del infrarrojo cercano (NIR) y la banda del infrarrojo de onda corta 2 (SWIR-2) (Lima et al. (2019)).

\[NBR=\frac{NIR-SWIR2}{NIR+SWIR2} \]

El índice NBR debe ser calculado para los dos momentos de análisis, antes y después de la afectación o extracción. La diferencia entre los dos valores estimados de NBR se entiende como el ∆NBR (Lima et al. (2019)). Sin embargo, es posible que en la estimación de los dos NBR se presenten diferentes condiciones atmosféricas o de iluminación de las geometrías (Lima et al. (2019)). Para evitar esto, el ∆rNBR incluye un paso adicional en el cual toma como referencia los valores de los pixeles vecinos (Lima et al. (2019)).

\[rNBR=NBR_n - NBR \] donde \(NBR_n\) equivale al promedio de los valores vecinos

La Figura 1 presenta un ejemplo de la aplicación del método usado al norte de Mato Grosso en Brazil (Beuchle et al. (2019)) en el cual el índice ∆rNBR fué sometido a un proceso de supervisión por interpretación visual para remover falsas detecciones (Figura 1c), incorrecciones por máscara de nubes y otros tipos de variaciones. Adicional a esto, se definió un treshold para limpiar el ∆rNBR y el resultado produce una imagen binaria de perturbaciones del bosque al cual se le superpone un marco un celdas de 300 m x 300 m y se realiza un conteo de eventos de perturbación por celda (figura 2d).

Figura 1. Aplicación del ∆rNBR en Matogrosso Brazil. a) Imágen de satélite antes de la extracción (2009) y b) despúes de los eventos de la extracción (2010). c) ∆rNBR revisado y d) ∆rNBR con la aplicación de un treshold

3 Metodología

La Figura 2 presenta el diagrama metodológico que se implementó en el proyecto. Para ello se utilizó la información de municipios, vías e hidrografía del Instituto Geográfico Agustín Codazzi, el mapa de bosque no bosques 2015 y 2016 del IDEAM y la localización de un área potencial de aprovechamiento suministrada por Earth Innovation Institute. El procesamiento de la información se desarrolló en Google Earth Engine y Python a partir de la librería Arcpy de Esri.

Figura 2. Metodología de trabajo aplicada

3.1 Definición del área de estudio

El estudio se desarrolló entre los municipios de La Macarena – Meta, Calamar - Guaviare y San Vicente del Caguán – Caquetá. En estos tres departamentos se presenta la mayor cantidad de deforestación de acuerdo con los resultados reportados por el gobierno de Colombia en 2018 (IDEAM & MADS, 2019). En particular, San Vicente del Caguán es el municipio con mayor deforestación de Colombia (19.652 ha), seguido de La Macarena (18.680 ha), Calamar se encuentra en el puesto quinto (10.733 ha). Entre los tres municipios abarcan un área de 42.595 km2 de las cuales aproximadamente el 71% del territorio está cubierto por bosque (Ver Figura 3).

Tabla 2. Proporción de cobertura de bosque en los municipios de estudio

	Área Municipio (Ha)	Bosque (Ha)	%
Calamar	19981	12863	92
La macarena	10854	5139	47
San Vicente del Caguán	17758	12043	68

Los tres municipios se encuentran en la región amazónica (SINCHI (2019)) con precipitaciones anuales que oscilan entre los 2,500 y los 3,000 mm por año, una temperatura promedio de 25ºC (IDEAM (2019a)). Los tres municipios presentan un comportamiento modal en la precipitación en la cual la mayor cantidad de lluvias se presenta entre los meses mayo y julio (IDEAM (2019b)).

Figura 3. Área de estudio.

3.2 Definición de la máscara de interpretación

La construcción de una máscara de trabajo permite focalizar el análisis espectral en función de la interpretación de la extracción selectiva de madera. Para ello, se desarrolló un análisis multicriterio a partir de lógica difusa, aplicada en el software ArcGis (ESRI (2016)), el cual busca establecer el grado de susceptibilidad a la extracción a partir de cinco variables: i) Estimación de la cantidad de bosque en los dos periodos de análisis (T1-T2); ii) Porcentaje de cambio entre los dos periodos de tiempo; iii) Distancia a ríos que podría ser rutas de transporte de madera en las zonas de bosque denso; iii) Distancia a vías que sirvan de extracción de madera; distancia a áreas de aprovechamiento forestal. Cada una de las variables es califacada de acuerdo al grado de pertenencia de cada varibale.

Con los resultados obtenidos se calculó el valor promedio de pertenencia y se clasificó por límites naturales en cinco categorías que reflejan la susceptibilidad a encontrar evidencias de extracción (Ver Figura 8). En total existen 150,350 hectáreas clasificadas como Muy Susceptibles de las cuales 38%, 36%, y 26% se encuentran en los municipios de Calamar, La Macarena y San Vicente del Caguán (Ver Tabla 3). Esta categoría funciona como máscara de trabajo.

Tabla 3. Clases de susceptibilidad por municipio

	Calamar	La Macarena	San Vicente del Caguán	Total
No Susceptible	45475	142900	64625	253000
Poco susceptible	790850	294325	819975	1905150
Moderadamente	204300	240225	345075	789600
Susceptible	282000	176475	314675	773150
Muy susceptible	59100	55775	39475	154350

Figura 4. Mapa de susceptibilidad a la extracción selectiva de madera

3.3 Selección de las imágenes Landsat 8

La busqueda de las imágenes se hizo a partir de un script de Google Earth Engine en el cual se definió usar la colección de Landsat 8 corregida atmosféricamente y con reflectancia de superfie. Para el periodo T1 se encontró una imagen del 10 de enero del 2014 y para el periodo T2 se encontró una imagen del 1 de febrero del 2016.

Figura 5. Imágenes Seleccionadas para el análisis en composición Falso Color

3.4 Cortar las imagenes por el área de estudio

A partir de la máscara de interpretación se cortan las imagenes. El resultado permite focalizar el esfuerzo en lás áreas con mayor susceptibilidad de hallar evidencias de degradación.

Figura 6. Imágenes Seleccionadas para el análisis

3.5 Máscara de nubes

A partir de la banda pixel_qa se desarrolló una función que enmascara las nubes. Este proceso se realizó con el objeto de eliminar aquellos pixeles que puedan alterar la estimación de NBR. La función desarrollada toma los valores de 322 y 324 en los cuales, de acuerdo a la documentación del nivel 2 de procesamiento de Landsat 8 (U.S. Geological Survey (2019)), es posible construir la máscara de nubes.

Figura 7. Script para eliminar las nubes. a) Imágen sin remover las nubes; b) Imágen después de aplicar la máscara de nubes

3.6 Calculo del NBR

La estimación del índice NBR se realiza para las dos imagenes a partir de la banda NIR y SWIR II. El índice presenta valores entre -1 y 1 en los cual valores superiores a 0.66 equivalen a incendios de alta severidad, Por otro lado, los valores entre -0.1 y -0.5 están asociados con vegetación en recuperación posterior a la afectación (Unidas (2019)). La Figura 8 presenta un ejemplo de un área de pasto quemado en el cual los tonos más oscuros, en la figura de la derecha, están asociados con vegentación en proceso de recuperación.

Figura 8. Imágenes Seleccionadas para el análisis

3.7 Estimación del valor de referencia (rNBR)

Al comparar dos imágenes las cuales se han obtenido de diferentes fechas se debe sortear con condiciones atmosféricas diferentes. Es por ello que se realiza la estimación de un valor de referencia que permita reducir el efecto que esto pueda producir. Para eso se calcula el valor promedio del pixel central en un kernel de 3 x 3.

Figura 9. Imágenes seleccionadas para el análisis

3.8 Estimación del ∆rNBR entre el periodo T2 - T1

La estimación del ∆rNBR se calula restando del rNBR del T2 el valor del rNBR del T1. La Figura 10a presenta los resultados de este proceso en la cual se muestra un área de la imagen del periodo T1 y la imagen c) presenta la misma zona en el periodo T2. Estas dos zonas, visualmente parecen iguales, sin embargo, en la imagen b) se puede ver una variación sustancial que se interpreta como un indicio de áreas degradadas en proceso de recuperación.

Figura 10. Imágenes seleccionadas para el análisis

4 Discusión

Los resultados del ejercicio anterior no permitieron llegar a la estimación de áreas degradadas puesto que la ausencia de evidencias puntuales de extracción limitan el análisis. Es por esta razón que un siquiente paso estaría orientado a cruzar la información de campo con el ∆rNBR para extraer el valor del índice y con esto definir un umbral en el cual se detecten las afectaciones al bosque. Sin embargo, los resultados son un avance en el desarrollo de un método para el mapeo de la degradación en los bosques amazónicos colombianos a partir de imágenes de satélite.

Sin embargo, los avances que se han desarrollado permiten determinar que si es posible detectar la perturbación del bosque a partir del ∆rNBR en el bosque amazónico colombiano y a su vez la contrucción de un método más robusto que clasifique la extración dentro de un área de estudio.

Una posible mejora para una siguiente interacción del estudio sería reducir el área de análisis a una mucho más pequeña, preferiblemente a nivel de predio. Con esto se focaliza el esfuerzo y se podría realizar un ejercicio de entrenamiento a partir de evidencias de campo, tal vez con redes neuronales que posteriormente permitan expander el ejercicio a zonas sin evidencias de extracción.

La busqueda de imágenes en la colección de Landsat 8 con reflectancia a la superficie limitó las opciones del periodo 1 lo cual redundó en la distancia temporal entre las dos imágenes. Esto afecta el análisis puesto que una degradación por extracción de madera sería visible por un periodo cercano a 1 año (Armenteras et al. (2018)). Es por ello que se podría explorar con la colección de Landsat 8 con nivel procesamiento TOA.

Finalmente, el ejercicio se podría complementar con la eliminación de áreas de no bosque interpretadas por el IDEAM en el periodo T2.

Referencias

Armenteras, D., González, T., Meza, M., Ramírez-Delgado, J., Cabrera, E., Galindo, G., & Yepes, A. (2018). Causas de Degradación Forestal en Colombia: una primera aproximación (2018th ed., p. 105). Bogotá D.C., Colombia: Universidad Nacional de Colombia Sede Bogotá, Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia-IDEAM, Programa ONU-REDD.

Beuchle, R., Yosio, S., Carboni, S., Janouskova, K., & Almeida Lima, T. (2019). Large-scale monitoring of forest disturbances in northern mato grosso from 2000 – 2011 based on the cloud computed \(\Delta\) RNBR index. 4–7.

DNP, D. N. de P. (2019). Bases del Plan Nacional de Desarrollo 2018-2022. Departamento Nacional de Planeación, 861.

ESRI. (2016). How Fuzzy Membership works—Help | ArcGIS for Desktop. Retrieved from http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/how-fuzzy-membership-works.htm

FAO. (2010). Evaluación de los recursos forestales mundiales 2010, Términos y definiciones.

Galindo, G., Espejo, O., Rubiano, J., Vergara, K., & Cabrera, E. (2014). Protocolo de procesamiento digital de imágenes para la cuantificación de la deforestación en Colombia. V 2.0 (p. 55). Bogotá D.C., Colombia: Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM.

Herold, M., Román-Cuesta, R., Heymell, V., Hirata, Y., Laake, P. V., Asner, G., … MacDicken, K. (2011). Examen de los métodos para la medición y el seguimiento de las emisiones históricas de carbono producidas por la degradación forestal. Unasylva, 62, 16–24.

IDEAM. (2019a). Atlas Interactivo - Climatológico - IDEAM. Retrieved from http://atlas.ideam.gov.co/visorAtlasClimatologico.html{\#}

IDEAM. (2019b). CLIMAGRAMAS AMAZONIA Leticia-Amazonas Florencia-Caqueta San Vicente-Caqueta San Jose del Guaviare-Guaviare Mocoa-Putumayo Puerto Leguizamo-Putumayo Sibundoy-Putumayo Mitu-Vaupes.

Lima, T. A., Beuchle, R., Langner, A., Grecchi, R. C., Griess, V. C., & Achard, F. (2019). Comparing Sentinel-2 MSI and Landsat 8 OLI Imagery for Monitoring Selective Logging in the Brazilian Amazon. Remote Sensing, 11(8), 961. https://doi.org/10.3390/RS11080961

Ramírez Delgado, J. P., Galindo García, G., Yepes Quintero, A. P., & Cabrera Montenegro, E. (2018). Estimación de la degradación de bosques de Colombia a través de un análisis de fragmentación (Vol. 111, p. 141). https://doi.org/10.1192/bjp.111.479.1009-a

Sasaki, N., & Putz, F. E. (2009). Critical need for new definitions of “forest” and “forest degradation” in global climate change agreements. Conservation Letters, 2(5), 226–232. https://doi.org/10.1111/j.1755-263x.2009.00067.x

SINCHI. (2019). SINCHI - División Político Administrativa. Retrieved from https://sinchi.org.co/division-politico

Unidas, N. (2019). Normalized Burn Ratio (NBR) | UN-SPIDER Knowledge Portal. Retrieved from http://www.un-spider.org/advisory-support/recommended-practices/recommended-practice-burn-severity/in-detail/normalized-burn-ratio

U.S. Geological Survey. (2019). Landsat 8 Surface Reflectance Code (LASRC) Poduct Guide. (No. LSDS-1368 Version 2.0). (May), 40. Retrieved from https://www.usgs.gov/media/files/landsat-8-surface-reflectance-code-lasrc-product-guide