Monitoreo de la degradación forestal asistido por sensores remotos. Martín Enrique Romero Sánchez, INIFAP

1. Monitoreo de la degradación forestal asistido por
sensores remotos.
Taller sobre enfoques metodológicos para la cuantificación
de la degradación forestal.
Zapopan, Jalisco, 9-12 de Abril de 2018
Martín Enrique Romero Sánchez
Centro Nacional de Investigación Disciplinaria en Conservación y
Mejoramiento de Ecosistemas Forestales.

2. Antecedentes
• Deforestación y degradación forestal son la
segunda fuente mas grande de gases de
efecto invernadero, solo por detrás de los
combustibles fósiles (IPCC, 2014).
• Diferentes definiciones de degradación
forestal
• Operacionalmente los monitoreos de la
degradación se enfocan a cambios en la
estructura del bosque y a biomasa.

3. • Degradación forestal (FAO, 2001,2003,2006)
“Reducción de la cobertura de copa dentro del bosque”
.
“Cambios en el bosque que afectan negativamente la estructura
o función”
.
“La reducción a largo plazo del potencial promedio para proveer
servicios ambientales, los cuales incluyen carbón, madera,
biodiversidad y otros bienes y servicios.”

4. • Degradación forestal enfoque operativo
• Selección de indicadores “fáciles” de medir
• Metodologías verificables y reproducibles
• Uso de variables auxiliares
• Sensores remotos

5. 53%13%
34%
Biomass/Carbon Biodiversity Forest structure
Indicadores de la degradación forestal

6. 0.0
10.0
20.0
30.0
40.0
50.0
60.0
Tr (h) Te Tr (s) Tr (Ds) Tr (D) De Mi (For) Dr
%
Distribución de evaluación de la degradación por tipo de vegetación evaluada Tr (h): Bosque
tropical húmedo, Te: Bosque templado; Tr(s): Bosque Tropical semideciduo: Tr(D) Bosque
tropical seco; De; Bosque deciduo; Mi (For): Bosques mixtos; Dr: Zonas áridas.

7. Indicador Fuentes
Biomasa aérea/carbon
Gerwing 2002; DeFries et al. 2007; Eckert et al. 2011; Mitchard et
al. 2011; Herold et al. 2011; Ryan et al. 2012; Houghton et al. 2012;
Kronseder et al. 2012
Cobertura de copa
Achard et al. 2004; Foley et al. 2007; Panta et al. 2008; Lopez-
Garcia 2009; Matricardi et al. 2010; Nandy et al. 2011; Kolb &
Galicia 2012; Mon et al. 2012; le Polain de Waroux & Lambin 2012
Fragmentación Herold et al. 2011; Margono et al. 2012
Disturbios Gerwing 2002; Asner et al. 2010b; Matricardi et al. 2010
Biodiversidad Chidumayo 2013; Xaud et al. 2013
Métricas derivadas de
paisaje
Lu et al. 2012; Houghton 2012
Otros Ponce 2007;Tang et al. 2010; Xaud et al. 2013
Monitoreo de la degradación forestal asistido por sensores remotos

8. Degradación forestal.
• Cambios en la estructura del bosque que rompen con el estado de
equilibrio o la capacidad de un ecosistema forestal para mantener
almacenes de carbono en condiciones naturales.

9. Nivel de referencia (relativo).
´ Concepto de bosque primario.
´ Capacidad de carga de carbon.
´ Indicadores.

10. • Cobertura de copa.
Algunos indicadores derivados de PR
´ Biomasa aérea.
´ Productividad Primaria Neta.

11. Analisis de trajectorias
Compilado
de
imagenes
Años

12. Diseño.
Definición
de
degradación
forestal
Mapeo y cuantifición de la
degradacion forestal
Selección de
indicadores
Datos de sensores
remotos
Estrategia
de
validación
Análisis de
trayectorias
Patrones temporales
y espaciales
Selección del
nivel de
referencia
Selección de valores
umbrales por
indicador
Comparación de los patrones temporales y
espaciales vs nivel de referencia
Estimación
de
indicadores

13. Área de estudio
Localization of the study area.

14. Datos
´ Sensores remotos
´ Landsat TM y ETM+ (1985-2014)
´ Modis (MOD17A).
´ LiDAR
´ Imágenes de muy alta resolución (World View-2 y Google Earth®)
´ Inventarios forestales (2004, 2009)
´ Bases de datos de variables meteorológicas
´ CONAGUA (1970-2010) e INIFAP (2007-2014)

15. Preparación de imágenes Landsat
Problem:
SLC off Gaps in ETM+
imagery from 2003
onwards

16. 0
50
100
150
200
250
Jan Feb March April May June July August Sept Oct Nov Dec
1987
PP ETP ETP*.5 Soil moisture
LGP ends (Oct, 16th)
0
50
100
150
200
250
300
Jan Feb March April May June July August Sept Oct Nov Dec
1997
PP ETP ETP*.5 Soil moisture
LGP begins (April, 6th) LGP ends (Dec,30th )
LGP begins (May, 18th)
Calculo de la duración del periodo de crecimiento para separar las imágenes por etapa fenológica
mmmm

17. Degradación Forestal
Monitoreo
de la
degradació
n
CC
PPN
BA
Landsat
LidarDatos de
inventario
Análisis de
trayectoria
Patrones
espaciales y
temporales
Linea
base
BACCPPN
PPNb
CCb
BAbSelección de valores umbrales
Comparación espacial y temporal
contra niveles de referencia

18. ´ Comparación de métodos de llenado de “Gaps” en Landsat
´ Pearson (r > 0.79) y RMSE < 0.02 %
Resultados
Comparación visual de los resultados

19. ´ Imágenes Landsat SLC-off de Junio, 2003 a Febrero 2014 fueron restauradas
utilizando el método GNSPI.
Resultados
Landsat ETM+ SLC-off 2 de enero de 2004: antes y después del proceso.

20. ´ Cobertura de copa:
Resultados
Enero, 2005 De 1987-2013

21. ´ Productividad Primaria Neta: 𝑁𝑃𝑃 = 𝜀 & 𝑓𝑃𝐴𝑅 & 𝑃𝐴𝑅
Resultados: Indicatores
2007 2013

22. ´ Biomasa:
BA (Mg/ha) Mean(SD*) Max
2004-2007 36.31(17.86) 123.70
2009-2011 66.04 (47.15) 270.03

23. ´ Validación con datos LiDAR
´ Cobertura de copa
´ Se obtuvo una diferencia de 4.41% (RMSE) entre estimaciones de Landsat y Cobertura
de copa derivada de LiDAR.
´ Biomasa Aérea
´ Los valores de RMSE derivados de la comparación entre Landsat y Lidar estuvo en el e
rango de 32 – 53 Mg/ha
Resultados

24. Inventario forestal del área de estudio.

25. 1986 1995 2000 2005 2010
Productividad primaria neta (PPN)

26. ´ Productividad PrimariaNeta
NPP (gC·m2·y) Vegetation Type Location Reference
520 Bosque tropical San Carlos, Venezuela (Clark et al., 2001)
610 Bosque tropical San Eusebio, Venezuela (Clark et al., 2001)
450 Bosque seco Guanica, Puerto Rico (Clark et al., 2001)
400 Seco semi-deciduo Jalisco, Mexico (Martinez-Yrizar et al., 1992)
547 Seco semi-deciduo Yucatan, Mexico Esteestudio*

27. ´ Análisis de trayectorias
´ Bfast
El análisis de trayectorias para
el periodo 1987-2014
identifico bosques en
condiciones estables.

28. ´ Análisis de trayectoria
´ BFAST fue capaz de identificar trayectorias donde áreas forestales se
mantuvieron estables y áreas donde ocurre existió alguna alteración
Pixel Stable period selected Monitoring period assessed Break
detected
Model Fit (R2)
A 1987(267)--1999(364) 2000(1)--2014(45) 2002(204) 0.18
B 1995(17)--1999(364) 2000(1)--2014(45) 2002(204) 0.53
C 1995(17)--1999(364) 2000(1)--2014(45) 2002(204) 0.81
D 1987(267)--1999(364) 2000(1)--2014(45) No Break
detected
0.20

29. ´ Nivel de referencia relativa.
Resultados
Baseline Forest.
Carbon
Mg/ha
NPP (gC/m2/year)
min 14 205
Average 23.28 519
Max 51.84 844
St. Dev. 7.4 245
Capacidad de carga de carbono.

30. ´ Patron temporal de la degradación en el area de estudio.
Results

31. ´ Tasas de degradación (hectáreas por año) por subcuenca
ResultDOSs
0
500
1000
1500
2000
2500
3000
〖"Ha·year" 〗^(−1)

32. ´ Valores umbrales reportados para biomasa en el monitoreo de la degradación.
Resultados
Fuente BA
Mg/ha
Tipo de vegetación Localización
Martinez-Yrizar et al.,
1992
85 Bosque seco semi-
deciduo
Chamela Jalisco,
Mexico
Cairns et al., 2003 191.5 Bosque seco semi-
deciduo
Yucatan Peninsula,
Mexico
Yingchun et al., 2012 112 Bosque tropical seco Evaluation global
Morales-Barquero et
al., 2014
20* Bosque seco semi-
deciduo
Chamela Jalisco,
Mexico
Este estudio 25.30* Bosque seco semi-
deciduo
Peninsula Central
Yucatan

34. Algunas conclusiones
• El continuo progreso y la disponibilidad de datos de sensores remotos son
factores promisorios para avanzar en programas de monitoreo de la
degradación forestal
• Los resultados sugieren que es posible producir estimaciones
espacialmente explicitas y razonablemente precisas de degradación
forestal de acuerdo a los indicadores utilizados.

35. Algunas conclusiones
• En este trabajo, la densidad de carbono en áreas no degradadas varia de
78 a 150 ton/ha
• La tasa de fijación de carbono para este tipo de vegetación fue entre 400
a 600 gC/m2/y
• Productividad primaria neta , cobertura de copa y biomasa aérea
mostraron potencial para identificar y cuantificar degradación forestal .

36. Que sigue?
• Probar y validar diferentes indicadores y metodologías a lo largo del país.
• Las torres de covarianza de flujos (The Eddy covariance) en combinación con
sensores remotos son elementos promisorios para apoyar el modelado de PPN
en diferentes tipos de vegetación a lo largo del país.
• El impacto directo que el cambio climático esta teniendo sobre procesos
fisiológicos (e.g. productividad de bosques) y sobre la distribución especial de
algunas especies son considerados elementos valiosos de futuras
investigaciones.

37. Reconocimientos

38. Copyright © 2015 · Hacienda Xcanatun
GRACIAS
romero.martin@inifap.gob.mx