estimación del grado de degradación forestal

Título de la Publicación: Texto Normal | 1.

Estimación del grado de degradación forestal

Ficha Técnica #5

Publicado por Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) GmbH

Domicilios de la empresa

Bonn y Eschborn, Alemania Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD/CCAD-GIZ) Agencia de la GIZ Bulevar Orden de Malta, Casa de la Cooperación Alemana Urbanización Santa Elena, Antiguo Cuscatlán, La Libertad El Salvador, C.A. Tel +503 2121-5100 Fax +503 2121-5101 E-Mail [email protected] www.giz.de www.reddccadgiz.org Versión Diciembre 2018 Diseño Oscar Rodríguez, Asesor Técnico en Comunicación Estratégica Programa Regional REDD/CCAD-GIZ [email protected] Créditos fotográficos Todas las fotos: Programa Regional REDD/CCAD-GIZ Autores Fabio Casco Consultor, Especialista en Tecnologías de Información Geográfica Supervisión Abner Jiménez, Especialista Sectorial Programa Regional REDD/CCAD-GIZ [email protected] Componente Monitoreo Forestal La GIZ es responsable del contenido de la presente publicación. El Programa Regional Reducción de Emisiones de la Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD III) es un programa financiado por el Ministerio Federal de Desarrollo Económico y Cooperación de Alemania (BMZ) y ejecutado por la GIZ en coordinación con la Comisión Centroamericana de Ambiente y Desarrollo (CCAD).

Estimación del grado de degradación forestal By Programa Regional Programa Regional Reducción de Emisiones por Deforestación y Degradación de Bosques en Centroamérica y República Dominicana (REDD/CCAD-GIZ) is licensed under a Creative Commons Reconocimiento-NoComercial 4.0 Internacional License Creado a partir de la obra en www.reddccadgiz.org

http://creativecommons.org/licenses/by-nc/4.0/

http://creativecommons.org/licenses/by-nc/4.0/

1

CONTENIDO

CAPÍTULO I. PLANTEAMIENTO ......................................................................................................................................... 3

1.1 INTRODUCCIÓN ......................................................................................................................................................... 3

1.2 OBJETIVO .................................................................................................................................................................. 4

1.2.1 OBJETIVO GENERAL ............................................................................................................ 4

1.2.2 OBJETIVOS ESPECÍFICO ...................................................................................................... 4

CAPÍTULO II. FICHA TÉCNICA ........................................................................................................................................... 5

2.1.1 DESCRIPCIÓN DE ALGORITMO ........................................................................................ 5

2.1.1.1 MATERIALES Y MÉTODO .............................................................................................. 5

2.1.1.2 DIAGRAMA DE PROCESOS .......................................................................................... 6

2.1.2 DATOS DE ENTRADA ........................................................................................................ 7

2.1.3 PROCESAMIENTO ............................................................................................................ 8

2.1.3.1 DEFINICIÓN DE FECHAS .............................................................................................. 9

2.1.3.2 PROCESAMIENTO DE VARIABLES ................................................................................ 9

a. COBERTURA FORESTAL (LÍNEA BASE) ................................................................................ 9

b. MOSAICOS LIBRES DE NUBES ........................................................................................... 10

c. RELACIÓN DE NUEVAS BANDAS ........................................................................................ 10

d. ESTIMACIÓN DE NDVI ........................................................................................................ 11

2.1.3.3 PROCESO DE MODELACIÓN ...................................................................................... 14

a. MOSAICO DE TODAS LAS CAPAS ....................................................................................... 14

b. NOMBRAMIENTO Y SEPARACIÓN DE BANDAS .................................................................. 14

d. REGIONES DE ENTRENAMIENTO ....................................................................................... 15

e. ENTRENAMIENTO .............................................................................................................. 16

f. MODELACIÓN ..................................................................................................................... 17

2.1.4 DATOS DE SALIDA.......................................................................................................... 18

2.1.4.1 VISUALIZACIÓN DE RESULTADOS ............................................................................. 18

2.1.4.2 EXPORTACIÓN DE RESULTADOS .............................................................................. 19

2.1.4.3 COMPARTIR SCRIPT .................................................................................................. 20

2.1.5 INSTRUMENTOS DE APOYO ........................................................................................... 21

CAPÍTULO III. PUNTOS CLAVES ..................................................................................................................................... 22

BIBLIOGRAFÍA.................................................................................................................................................................... 23

2 Ficha Técnica: Estimación del grado de Degradación Forestal

Documentación de algoritmos informáticos para la detección

de pérdidas y ganancias del componente arbóreo en los

países de la región SICA.

Programa Reducción de Emisiones

por la Deforestación y

Degradación de Bosques en

Centroamérica y República

Dominicana (REDD III)

RESUMEN

La degradación forestal es una preocupación mundial generalizada y un tema contemporáneo

importante para varias organizaciones y convenciones a nivel global. Junto con la deforestación, la

degradación forestal tiene importantes consecuencias para las sociedades humanas, la biodiversidad

y la economía, repercutiendo particularmente en los países en desarrollo y contribuye

significativamente a las emisiones de gases de efecto invernadero de forma global (Thompson et al.,

2013 y otros autores).Si bien anticipamos el uso de las directrices del IPCC en virtud de la CMNUCC,

no existe una definición oficial y un solo método para monitorear la degradación forestal en el caso de

la política de REDD + (Herold et al., 2011).

En este Manual se reitera que la elección del método de estimación, depende de una serie de factores

que incluyen el tipo de degradación, los datos históricos disponibles, las capacidades y los recursos,

las posibilidades y limitaciones de diversos enfoques de medición y monitoreo. Asimismo, se describe

un proceso metodológico basado en la combinación de diferentes variables relacionadas directamente

al estado de la vegetación, en función de modelaciones de clasificación que comprenden análisis

detallados sobre el enfoque de regresión y arboles de decisión (Random Forest). El enfoque

metodológico es implementado en la estructura de la plataforma de Google Earth Engine.

La medición de la degradación forestal dentro del contexto de implementación de REDD+ puede

basarse en dos componentes: Datos de actividad y Factores de Emisión. Estos dos componentes son

la base para la construcción del sistema de monitoreo forestal. Sin embargo aún es un desafío lograr

la estimación de la degradación debidos a la complejidad en su abordaje tanto conceptual como

metodológico (Bustamante et al., 2015). La medición de los parámetros que permiten medir este

proceso y llegar a establecer un estado, o incluso varios grados del mismo, se clasifican en aquellos

que se realizan a través de levantamientos de información de campo (Inventarios Forestales),

sensores remotos o de una combinación de ambas estrategias (Herold et al. 2011; Thompson, 2011;

Bustamante et al. 2015). De forma general, tres indicadores aproximativos pueden unirse para

representar un enfoque completo para evaluar la degradación la cual debe ser gradualmente

expansible a través del tiempo y debe incorporar mejoras en la información y experiencia acumulada.

Esto incluye (a) reducción en biomasa para las existencias en formación y el almacenaje de carbono;

(b) reducción en la pérdida de la biodiversidad la cual debe ser asociada con la incidencia de las

especias y hábitats; (c) reducción en los suelos como un indicador de la cobertura del suelo,

profundidad y fertilidad.










CAPÍTULO I. PLANTEAMIENTO

1.1 INTRODUCCIÓN

De acuerdo con el Quinto Informe sobre el Cambio Climático del IPCC, las emisiones asociadas a la

agricultura, la forestería y otros usos del suelo (AFOLU, por sus siglas en inglés) equivalen al 24% del

total de las emisiones globales. Estas emisiones están asociadas a la deforestación y degradación de

los bosques tropicales, mismas que tiene importantes consecuencias para las sociedades humanas y

la biodiversidad, y contribuye significativamente a las emisiones de gases de efecto invernadero

(Secretariat of the Convention on Biological Diversity, 2002 citado por Thompson et al., 2013, y otros

autores1).

La degradación forestal es un problema global significativo que requiere ser abordado dada sus

particulares implicancias económicas, ambientales y sociales (Vergara Asenjo & Schlegel, 2017).

Según estimaciones, el uso insustentable de los bosques ha producido una degradación forestal

extensiva que afecta actualmente a más de 2.000 millones de hectáreas a nivel mundial (Minnemeyer,

S, Laestadius, L, Sizer, N, Saint-Laurent, C, & Potapov, P, 2011).

Medir la degradación forestal y los cambios en las reservas de carbono es más difícil que medir la

deforestación, ya que la degradación implica cambios en la estructura del bosque y no implica un

cambio en el uso de la tierra, lo que hace que sea menos detectable a través de la teledetección. Si

bien anticipamos el uso de las directrices del IPCC en virtud de la Convención Marco Unida sobre el

Cambio Climático (CMNUCC), no existe un solo método para monitorear la degradación forestal en el

caso de la política de REDD + (Herold et al., 2011).

La medición de la degradación forestal dentro del contexto de implementación de REDD+ puede

basarse en dos componentes:

• Datos de actividad (DA), para evaluar los cambios en el área de bosque en el tiempo, y

• Factores de emisión (FE), para evaluar los cambios en promedio de las reservas de carbono

por unidad de área en el tiempo (cambios en las reservas de carbono en Mg C/ha) (Herold et

al. 2011 & GOFC-GOLD 2014 citado por Armenteras et al., 2016)).

Estos dos componentes son la base para la construcción del sistema de monitoreo forestal. Sin

embargo aún es un desafío lograr la estimación de la degradación debidos a la complejidad en si

abordaje tanto conceptual como metodológico (Bustamante et al., 2015). La medición de los

parámetros que permiten medir este proceso y llegar a establecer un estado, o incluso varios

grados del mismo, se clasifican en aquellos que se realizan a través de levantamientos de

información de campo (Inventarios Forestales), sensores remotos o de una combinación de

ambas estrategias (Herold et al. 2011; Thompson, 2013; Bustamante et al. 2015).

1 (Mery et al., 2010), (van der Werf et al., 2009), (Parry, Canziani, Palutikof, Linden, & Hanson, 2007)










1.2 OBJETIVO

1.2.1 OBJETIVO GENERAL

Documentar un manual metodológico sobre el procesamiento de imágenes satelitales para estimar el

grado de degradación forestal utilizando la herramienta de Google Earth Engine.

1.2.2 OBJETIVOS ESPECÍFICO

❖ Elaborar un script incorporando encabezados en formas de comentarios que expliquen las

instrucciones y consideraciones a tener en cuenta sobre los parámetros a usar y tipo de

cálculo desarrollado en forma consistente con los pasos definidos en la ficha descriptiva-

metodológica.

❖ Desarrollar y documentar un ejemplo de aplicación (en la zona seleccionada) con el objetivo

de visualizar de manera ilustrada los datos de entrada, los resultados intermedios y los

resultados obtenidos (salidas)

❖ Describir sobre documentación de soporte existente y guías de referencia que sirvan de apoyo

en el proceso de aprendizaje.










CAPÍTULO II. FICHA TÉCNICA

2.1 MODELACIÓN DEL GRADO DE DEGRADACIÓN FORESTAL

2.1.1 DESCRIPCIÓN DE ALGORITMO

Existen algunos enfoques metodológicos, como los que se describen en el artículo sobre las opciones

para monitorear y estimar las emisiones de carbono históricas de la degradación forestal en el contexto

de REDD por Herold et al., (2011) y el marco de monitoreo integrado para evaluar los efectos de la

degradación y recuperación de los bosques tropicales en las reservas de carbono y la biodiversidad

por Bustamante et al., (2015). También hay investigaciones científicas como la fragmentación del

hábitat y su impacto duradero en los ecosistemas de la Tierra por (Haddad et al., 2015). De forma muy

general y según algunos autores, estos son los enfoques empleados para la estimación de la

degradación forestal:

Ilustración 1. Enfoques metodológicos

2.1.1.1 MATERIALES Y MÉTODO

Este manual trata de explicar, como el uso de la plataforma de GEE puede

lograr estimaciones precisas y efectivas a través del procesamiento en la nube.

Para estimar el grado de la degradación, la metodología diseñada para esta

guía metodológica sigue tres pasos principales: (1) recolección y procesamiento

de datos, (2) análisis exploratorio de variables (Índices espectrales y relaciones

de bandas) y (3) modelación (Random Forest).

•Índices espectrales, series de tiempo

•Datos de actividad, Factor de Emisión, Calibración

•Evaluaciones nacionales forestales, investigaciones

•Datos sectoriales, encuestas opinión experto

Campo indirecto

Campo directo

Sensores Remotos

Sensores Remotos y Campo

6

2.1.1.2 DIAGRAMA DE PROCESOS

1. Datos de EntradaStep:

Datos Satelital

2. ProcesamientoStep:

lu.1

oc tubre de 2018ma.

mi.

ju.

vi.

sá.

do.2 3 4 5 6 7

8 91

0

1

1

1

2

1

3

1

41

5

1

6

1

7

1

8

1

9

2

0

2

12

2

2

3

2

4

2

5

2

6

2

7

2

82

9

3

0

3

1

Filtro por

Fecha, Limite y

% de nube

Mascara y

Limpieza de

nubes

Relación de

nuevas bandas

Mosaico

combinado

Muestras:

• Bosque Estable

• Degradación

Algoritmo de

Clasificación

Random Forest

(Probabilístico)

3. SalidaStep:

Mapas de

Deagradación

Procesamiento en la

Nube (GEE)

Publicación de datos

Pesentación de Datos

Tiempo 2Tiempo 1

Gradiente

Landsat

Capa de

Bosque línea

basa

Mascara de

Bosque

NDVI

Ratio

7

2.1.2 DATOS DE ENTRADA

Para el desarrollo del análisis sobre el grado de degradación forestal utilizando la plataforma de GEE

será necesario los siguientes datos de entrada:

1. Límite de estudio: Es necesario contar con un límite de área de estudio. Este puede ser

cualquier área administrativa (País, Cantón, Departamento, Municipio, Área Protegida etc.).

una vez, definida el área de interés, se importa el archivo vectorial (KML o shapefile) a la

plataforma de GEE.

A continuación, se presenta un ejemplo de cómo agregar un límite a la ventana de código a GEE:

Ejemplo: 1 2

// Límite de área de estudio.

var Limite = ee.FeatureCollection ("ft:ID de la tabla dinámica");

2. Colección de datos: Las colecciones utilizadas para la estimación de degradación son las

siguientes:

❖ Base de datos Hansen

Capa de bosque año 2000

Hansen Global Forest Change v1.5 (2000-2017): Es resultados del análisis de series

temporales de imágenes Landsat en la caracterización de la extensión y el cambio de los

bosques globales. La capa de cobertura de copa para el año 2000, está definida como el cierre

Nota: Es importante resaltar que para importar un archivo KML o Shapefile; ambos tipos

de archivo tienen un proceso de importación diferente. Para mayor detalle en este

procedimiento consultar el Manual generación de mosaicos libres de nubes.

Nota: El ID hace referencia al enlace que se genera cuando se importa un archivo. Este puede ser consultado

en las propiedades del archivo. Si es una Tabla dinámica, consultar en Google Drive, si es un Shapefile,

consultar en Assets directamente en GEE.

Al escribir “Hansen” en el buscador

inteligente de GEE, se desplegará

una serie de colecciones y versiones

de la base de datos. Se recomienda

usar la última versión (V1.5).










de la copa para toda la vegetación de más de 5 m de altura. Asimismo, la unidad de la capa

está expresada en porcentaje (%).

❖ Colecciones Landsat

Escenas crudas USGS Landsat 5 TM (ortorrectificadas)



Ejemplo: 1 2 3 4 5

//---------------------COLECCIÓN DE DATOS--------------------------//

//Base de datos Hansen

var Cobertura_Forestal =

ee.Image('UMD/hansen/global_forest_change_2013');

//Colecciones Landsat

var landsat5 = ee.ImageCollection('LT5_L1T');

var landsat7 = ee.ImageCollection('LE7_L1T');

var landsat8 = ee.ImageCollection('LC8_L1T');

Nota: Cuando se desee consultar con más detalle sobre la disponibilidad de alguna colección en

interés, solo hace falta, escribir el nombre completo del sensor en el buscador, ejemplo:

De igual manera, se puede acceder a las colecciones a través del Catálogo de Datos desde el siguiente

enlace: https://developers.google.com/earth-engine/datasets/catalog/landsat/

2.1.3 PROCESAMIENTO

El desarrollo del Script para la estimación de degradación, consiste en las siguientes fases:

https://developers.google.com/earth-engine/datasets/catalog/landsat/










2.1.3.1 DEFINICIÓN DE FECHAS

Debido a que la metodología es comparar la dinámica en dos periodos diferentes, será necesario

describir las fechas para ambos periodos:

Ejemplo: 1

2

3

4

5

6

7

8

9

//---------------------DEFINICIÓN DE FECHAS-----------------------//

//Fecha para el primer Mosaico

var Fecha_inicio1 = '2011-06-01';

var Fecha_final1 = '2012-06-30';

//Fecha para el segundo Mosaico

var Fecha_inicio2 = '2015-11-01';

var Fecha_final2 = '2016-08-09';

2.1.3.2 PROCESAMIENTO DE VARIABLES

El procesamiento consiste en las siguientes fases:

a. COBERTURA FORESTAL (LÍNEA BASE)

Para el ejemplo descrito en este manual, se requiere contar con una capa base de bosque con el

objetivo de focalizar el análisis solo en áreas boscosas. Por efectos prácticos y operativos, se puede

utilizar la capa mundial de bosques de Hansen (Capa base o capa de referencia) y seleccionar el

rango de bosque de interés. Dentro del catálogo de datos de GEE, la capa mundial de bosque tiene

implícito dentro de su metadato el porcentaje de bosque, lo cual, permite su fácil análisis en función

de un umbral de copa. En este ejemplo se utiliza el umbral > de 30% de boque.

Ejemplo: 1 2 3 4 5 6 7 8 9 10 11

//------------------PROCESAMIENTO DE CAPAS------------------------//

//COBERTURA FORESTAL (LINEA BASE)

var = Cobertura_Forestal.select(['treecover2000']);

//Definición de porcentaje de copa

var Bosque10_2000=treeCover.gt(30).and(treeCover.lt(100));

var Bosque10_2000_mask=treeCover.updateMask(Bosque10_2000)

.clip(Limite);










b. MOSAICOS LIBRES DE NUBES

Este proceso puede ser consultado con más detalle en el Manual de construcción de mosaicos

libres de nubes.

Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

//CONSTRUCCIÓN DE MOSAICOS

//Filtros fechas _lugar _ nubes

var f2012_l7 = landsat7.filterDate(Fecha_inicio1, Fecha_final1)

.filterBounds(Limite)

.filterMetadata('CLOUD_COVER', 'less_than', 50);

var f2016_l8 = landsat8.filterDate(Fecha_inicio2, Fecha_final2)

.filterBounds(Limite)

.filterMetadata('CLOUD_COVER', 'less_than', 50);

/*Aplicación de algoritmo para construcción de mosaicos

eligiendo los pixeles con valores concentrados al percentil 50,

con un porcentaje de nubosidad del pixel de 10 y que elija 50

mejores imágenes para construirlo */

var m2012_l7 = ee.Algorithms.Landsat.simpleComposite

(f2012_l7, 60, 10, 50);

var m2016_l8 = ee.Algorithms.Landsat.simpleComposite(

(f2016_l8, 40, 10, 50);

//Nombrar las bandas de los sensores para luego renombrarlas en cada

uno de ellos

var my_band_names = ['B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7'];

//Función para luego aplicarla a cada uno de los mosaicos de acuerdo

al sensor con el que se construyó

var l7 = function(image) {return image.select(

['B1', 'B2', 'B3', 'B4', 'B5', 'B6_VCID_1','B7'], my_band_names);};

var l8 = function(image) {return image.select(

['B2','B3','B4', 'B5', 'B6', 'B7','B8'], my_band_names);};

//Enmascaramiento de capas en función de la capa de Bosque (linea

base)

var Mosaico_1 = l7(m2012_l7).mask(Bosque10_2000_mask);

var Mosaico_2 = l8(m2016_l8).mask(Bosque10_2000_mask);

c. RELACIÓN DE NUEVAS BANDAS

Para obtener mejores resultados en las clasificaciones, es necesario establecer ciertas relaciones

entre bandas de la misma imagen satelital y posteriormente construir nuevas imágenes con las

relaciones de bandas definidas. Este proceso se aplica tanto para el Mosaico T1 como para el Mosaico

T2.










Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

//Relaciones de bandas para construir nuevas bandas con algunas

//normalizaciones que permiten resultados más precisos en las

//clasificaciones

var rat45_00 =Mosaico_1.select("B4").divide(Mosaico_1.select("B5"));












d. ESTIMACIÓN DE NDVI

El Índice de Vegetación de Diferencia Normalizada (NDVI) dada sus características determinantes en

relación a los niveles de clorofilas de la vegetación, puede ser un indicar importante al momento de

estimar la dinámica en los ecosistemas. Debido que el sensor Landsat tiene sub conjuntos de

colecciones de imágenes satelital (L5, L7 y L8), la fórmula para estimar el NDVI es:

Fórmula 1. Fórmula para calcular NDVI

𝑵𝑫𝑽𝑰 =𝑷𝒏𝒊𝒓 − 𝑷𝒓𝒆𝒅

𝑷𝒏𝒊𝒓 + 𝑷𝒓𝒆𝒅

Fuente: (Manrique, 1999)

Fórmula 2. Estimación de NDVI utilizando el sensor Landsat.

𝑵𝑫𝑽𝑰𝑳𝟖 =𝑩𝒂𝒏𝒅𝒂𝟓 − 𝑩𝒂𝒏𝒅𝒂𝟒

𝑩𝒂𝒏𝒅𝒂𝟓 + 𝑩𝒂𝒏𝒅𝒂𝟒

𝑵𝑫𝑽𝑰𝑳𝟓 𝒚 𝑳𝟕 =𝑩𝒂𝒏𝒅𝒂𝟒 − 𝑩𝒂𝒏𝒅𝒂𝟑

𝑩𝒂𝒏𝒅𝒂𝟒 + 𝑩𝒂𝒏𝒅𝒂𝟑

Fuente: (GEO University, 2018)

Nota: Para una mejor legibilidad del código, se recomienda utilizar abreviaciones concisas que permitan

reconocer lo que estamos haciendo. En la primer variables, el valor 45_00, hace referencia a la combinación

de banda (45) y al periodo (00).

En el ejemplo anterior se muestra como seleccionar (select) una banda de una colección y luego dividirla

(divide)por otra banda de la misma colección.










Dentro del catálogo de datos de GEE, ya existen capas de NDVI procesadas para diferentes tipos de

sensor (Landsat, MODIS, Sentinel etc.). Asimismo, estos productos tienen sus diferentes niveles de

resolución temporal (cada 8 días, 16 días, mensual y anual). Asimismo, la estimación del NDVI se

puede aplicar a cualquier imagen de interés a través de una expresión matemática o utilizando la

función de .normalizedDifference en función de las bandas NIR y RED que equivalen a la banda 4 y

3 en Landsat 5 y 7 y la Banda 5 y 4 en Landsat 8.

Ejemplo: 1

2

3

4

5

6

7

//Índice de vegetación diferencial normalizado (NDVI)

//NDVI Landsat

var NDVI_L7 = Mosaico_1

.normalizedDifference(['B4', 'B3']).rename('NDVI');

var NDVI_L8 = Mosaico_2

.normalizedDifference(['B4', 'B3']).rename('NDVI');

e. MUESTRAS

Las muestras son la base para entrenar cualquier tipo de clasificador; éstas, pueden ser ingresadas

directamente desde GEE o pueden ser importadas desde un archivo externo (KML o Shapefile). Para

crear una muestra en GEE, en el panel superior izquierdo del visor del mapa, se selecciona cualquier

elemento geométrico (punto, línea o polígono) y luego se configuran los parámetros en el icono de

proceso

Para agregar una nueva muestra se selecciona + new layer. El icono de configuración muestras las

propiedades de cada muestra.










En la configuración de los parámetros, en name se describe el nombre de la categoría (eje. Bosque),

en “Import as” se elige FeatureCollection dado que se asignarán varias muestras para esa categoría;

en properties escribir un nombre (o field) que debe ser el mismo para todas las categorías (ej. clase),

que estará relacionado con el codigo de cada cobertura (este debe ser un número diferente para cada

categoría, ej. bosque estable “1”, y degradación “2”).

Este proceso se repite hasta lograr tener las clases necesarias o las clases de interés del usuario. En

este manual se trabajará con las siguientes clases:

Nomenclatura de clases

T1 T2 Dinámica

Bosque Estable

Degradación










2.1.3.3 PROCESO DE MODELACIÓN

El proceso de modelación consiste en 6 pasos importantes:

a. MOSAICO DE TODAS LAS CAPAS

Para correr el modelo de clasificación es necesario tener una multicapa que contenga las diferentes

variables con el objetivo de correlacionar cada valor del pixel en función de las muestras y encontrar

rangos estadísticos predictivos. La función para fusionar las multicapas es: addBands.

Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12

13

//-----------PROCESO DE MODELACIÓN DE DEGRADACIÓN----------------//

//1. Mosaico de todas las capas

var m1_rat = Mosaico_1

.addBands(rat4512).addBands(rat4612).addBands(rat4712)


.addBands(NDVI_L7).clip(Limite);

var m2_rat = Mosaico_2



.addBands(NDVI_L8).clip(Limite);

//2. Mosaico Multifechas

var m_1_2_multifecha = m1_rat.addBands(m2_rat).clip(Limite);

b. NOMBRAMIENTO Y SEPARACIÓN DE BANDAS

El objetivo de este proceso es devolver una lista que contenga los nombres de las bandas de cada

una de las imágenes. La función para el nombramiento de las bandas es: bandNames.

Ejemplo: 1

2

3


//3. Nombramiento y Separaciónde bandas

var predictionBands = m_1_2_multifecha.bandNames();

c. COLECCIÓN DE MUESTRAS

c.1 Asignación de valores validos

La asignación de valores validos se realiza para no confundir los valores 0 con valores nulos. Esto se

realiza mediante una función que opera para procesar y reconocer todos los valores 0 como valores

reales mediante la aplicación de un conjunto (.set) en base a las clases.

c.2 Unión de colección de muestras

Debido a que las muestras se interpretan por separado según sea su valor (0 y 1), para el análisis de

la modelación, se hace la unión con el objetivo de correr sola una muestra unificada. Asimismo, los

valores de 0 y 1 es con el objetivo de obtener valores de salida expresados en probabilidad (0-1).










Ejemplo: 1

2

3

4

5

6

7

8

9


//4. Colección de muestra

//4.1 Asignación de valores validos de 0 para la clasificación

estable = estable.map(function(f) {

return f.set('clase', 0);

});

//4.2 Unión de muestras

var classFeatures= degradacion.randomColumn()

.merge(estable.randomColumn());

d. REGIONES DE ENTRENAMIENTO

En este paso lo que se realiza es un reductor de imagen, el cual consiste en devolver las funciones de

entrada, a cada una de las muestras en función de reductor correspondiente (para este caso la media).

Cada muestra toma la media de los valores del mosaico multicapa, dando como resultado regiones

de entrenamiento con valores de media para cada una de las variables analizadas. La función aplicada

para este proceso es: reduceRegions.

Ejemplo: 1

2

3

4

5

6

7


//5. Regiones de Entranamiento

var trainingSamples = m_1_2_multifecha.reduceRegions({

collection: classFeatures,

reducer: 'mean',

scale: 10000

});

d.1 Exclusión de valores nulos

Durante el procesamiento de las variables, algunas capas dan como resultado valores nulos. Esto se

debe principalmente por el efecto de filtrado y enmascaramiento de las capas. asimismo, se puede

dar por el efecto de la disponibilidad temporal de la capa en análisis. Para esto, se selecciona la banda

que presenta el problema y se filtran todos los valores nulos.

Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12


//5.1. Exclusión de valores nulos

trainingSamples = trainingSamples.filter(

ee.Filter.and(

ee.Filter.neq('B1', null),





ee.Filter.neq('NDVI', null)

)

);










e. ENTRENAMIENTO

Google Earth Engine contiene una serie de algoritmos de clasificación muy eficientes que pueden

utilizarse de acuerdo a la naturaleza o tipo de producto que se quiere obtener, sin embargo, los

métodos o algoritmos más utilizados se describen en la siguiente tabla:

Tabla 1. Algoritmos implícitos dentro de la plataforma de GEE

Modelo Uso Descripción

FastNaiveBayes Clasificación Algoritmo de clasificación rápida que utiliza la estimación de máxima verosimilitud para evaluar la probabilidad de una observación perteneciendo a una categoría específica, asumiendo que las variables predictoras son independientes (Rich, 2001)

GmoMaxEnt Clasificación Implementación de un clasificador de máxima entropía, también conocido como regresión logística multinomial (Böhning, 1992).Similar Fast Naive Bayes, sin el supuesto de independencia variable predicto

CART Clasificación & regresión

Implementación del algoritmo de árboles de clasificación y regresión donde se particionan los datos maximizando la diferencia entre grupos, generando una estructura de nodos (clases) similar al de un árbol. En la regresión, se instala un modelo lineal en cada nodo final (Breiman, 2017).

Random Forest Clasificación & regresión

Random Forest es un conjunto de árboles de regresión o clasificación sin afinar creados mediante el uso de muestras bootstrap de los datos de entrenamiento y la selección aleatoria de características en la inducción de árboles. La predicción se realiza agregando (mayoría de votos o promediando) las predicciones del conjunto (Svetnik et al., 2003).

VotingSvm Clasificación & regresión

Implementación de SVM donde los valores se asignan seleccionando el valor de la clase con el mayor número de apariciones (modo) (Padarian, Minasny, & Mcbratney, 2015).

MultiClassPerceptron Clasificación & regresión

Implementación de redes neuronales basadas en el algoritmo propuesto originalmente por Rosenblatt (1958) citado por Padarian, Minasny, & Mcbratney, (2015). El algoritmo crea una red de funciones conectadas por pesos, simulando la estructura neuronal del cerebro humano.

Fuente: adaptado de Padarian, Minasny, & Mcbratney, (2015)

Para este ejercicio se utilizará el modelo de clasificación de Random Forest.

Ejemplo: 1

2

3

4

5


// 6. Entrenamiento con Clasificador

var classifier = ee.Classifier.randomForest(50)

.train(trainingSamples, 'clase', predictionBands)

.setOutputMode('PROBABILITY');










f. MODELACIÓN

Una vez teniendo el mosaico multicapa con todas las variables y las muestras entrenadas, se procede

a clasificarlas. En este ejemplo se utilizada el algoritmo de clasificación Random Forest.

Ejemplo: 1

2

3

4


// 7. Modelación

var classified = m_1_2_multifecha.classify(classifier);

g. ESTIMACIÓN DE DEGRADACIÓN

Al tener la modelación basada en probabilidad (valores entre 0 y 1), el resultado final se expresa en

términos de áreas. Al tener las áreas, se procede multiplicar la capa final por el factor de emisión.

Al contar con datos de inventarios forestal, que hayan estimado contenido de carbono, permite calcular

los factores de emisión. Estos, de igual forma pueden estar clasificados por tipo de bosque o tener un

factor promedio aplicado a todos los bosques. De no contar con información de campo para determinar

un tipo de factor en común, se podría considerar los datos mundiales procedentes de estudios

regionales o los datos que proporciona el IPCC en sus estándares globales.

Asimismo, el análisis será más preciso si se cuenta con una capa de zonificación de los ecosistemas

(Tipología de bosque), ya que, al tener un factor por tipo de bosque, se procede a realizar un

enmascaramiento para cada bosque y se multiplica por su respectivo factor de emisión.

De igual manera, es importante evaluar el grado de degradación ya que al tener valores entre 0 y 1,

se puede considerar dividir los grados de degradación de la siguiente manera:

Tabla 2. Grados de Degradación

Grado de Degradación Tipo de degradación

0-0.25 Degradación leve

0.25-0.50 Degradación moderada

0.50-0.75 Degradación alta

0.75-1 Degradación muy alta

Los descrito anteriormente son algunas consideraciones que se podrían llegar a tomar al momento de

realizar los análisis finales, sin embargo, en este manual por efectos prácticos se llega hasta el proceso

de modelación multiplicado por un factor estándar de todos los tipos de bosques existente (el valor

100 es un dato hipotético).

Ejemplo: 1

2

3

//Estimación de Degradación en función de Factor de Emisión

var CO2 = classified.multiply(100).rename('CO2');










2.1.4 DATOS DE SALIDA

2.1.4.1 VISUALIZACIÓN DE RESULTADOS

Cualquier capa importada al Script u obtenida a partir de éste, puede desplegarse en la ventana de

Cualquier capa importada a GEE u obtenida a partir de un Script, puede desplegarse en la ventana de

visualización del codificador de GEE. Si es una imagen satelital es necesario definir la combinación

de bandas con la que se quiere observar, el mínimo y el máximo valor de las bandas y el nombre de

salida en la ventana de visualización. Por otra parte, si es una clasificación o capa subdividida en

categorías, se debe asignar un color (los colores se identifican con códigos y se pueden obtener de la

ventana de muestras de entrenamiento o desde el siguiente encale : https://htmlcolorcodes.com/es/) para

cada una de las categorías, así como el valor mínimo y máximo ocupado por las mismas (en el

siguiente ejemplo se muestra un min: 0 max: 1, ya que la clasificación de salida está dada en valores

de probabilidad).

A continuación, se muestra un ejemplo de cómo definir algunos parámetros de visualización dentro de

la ventana de código de GEE. La función para la visualización de capa se describe como:

Map.addLayer.

Ejemplo: 1

2

3

4

5

6

7

8

9

10

11

12

13

14

//-------------------Visualización de capas-----------------------//

//Paletas de degradado de colores

var Palette_degradatio = ["green", "yellow", "orange", "red"];

var Palette_bosque30 = {opacity: 0.6, palette:"green"};

var ndviViz = {min: -1, max: 1, palette: ['red','yellow','green']};

//Visualización

Map.addLayer(Mosaico_1,{'bands': ['B4', 'B5', 'B3']},

'Mosaico T1', false);

Map.addLayer(Mosaico_2,{'bands': ['B4', 'B5', 'B3']},

'Mosaico_T2', false);

Map.addLayer(classified, {min:0, max:1, palette:

Palette_degradatio}, "degradación", true );

https://htmlcolorcodes.com/es/










A continuación, se muestra un ejemplo de como se muestra una capa una vez finalizado un proceso de clasificación.

Ilustración 2. Estimación de Degradación

2.1.4.2 EXPORTACIÓN DE RESULTADOS

Una vez obtenidas las clasificaciones se deben descargar para sus respectivos análisis y edición. Se

puede exportar imágenes de Earth Engine en formato GeoTIFF o TFRecord. Para exportar una imagen

a su cuenta de Drive, use Export.image.toDrive(). Por ejemplo, para exportar partes de una imagen

Landsat, defina una región para exportar, luego llame Export.image.toDrive(). Cuando los archivos

sean muy grandes se puede utilizar el maxPixels; este parámetro está destinado a evitar que se creen

inadvertidamente exportaciones muy grandes. Si el valor predeterminado es demasiado bajo para la

imagen de salida deseada, puede aumentar maxPixels. La descarga se mostrará en la pestaña de

Tasks (parte superior derecha).

Ejemplo: 1

2

3

4

5

6

7

8

//Descargar Mosaicos

Export.image.toDrive

({image: clasificacion,

description: 'clasificacion',

fileNamePrefix: 'clasificacion2015',

scale:30,

maxPixels: 1e12,});










2.1.4.3 COMPARTIR SCRIPT

El botón Obtener enlace (Get a Link) genera una URL único para el script en la barra de direcciones.

Este Link se puede compartir a diferentes usuarios de GEE y estos podrán ver y editar cada línea de

código que conta el Script.

Ejemplo: https://code.earthengine.google.com/eca892c01c4f07855860f4e900cbfb6e

Nota: El Script descrito anteriormente, hace referencia sobre la aplicación de un ejemplo Degradación de

bosques en Honduras. Las muestras utilizadas dentro del script, fueron seleccionas para fines

demostrativos. El análisis y resultados no expresan los datos reales u oficiales por parte del país. Todos los

ejemplos descritos solo son para fines educativos. El script descrito anteriormente, se puede compartir,

adecuar o mejorar para los fines que desee el usuario.










2.1.5 INSTRUMENTOS DE APOYO

Con el objetivo de contar con instrumentos de apoyo sobre la temática en el manejo de GEE,

aplicaciones, manejo y ejemplos en el lenguaje de programación relacionados en temas

geoambientales, a continuación, se describen algunas plataformas didactas que sirven como

instrumento o guía en el proceso de aprendizaje:

Clic aquí

Clic aquí

Clic aquí

Clic aquí

Clic aquí

https://github.com/google/earthengine-api

https://medium.com/google-earth

https://gis.stackexchange.com/questions/tagged/google-earth-engine

https://www.youtube.com/googleearth

https://mygeoblog.com/category/google-earth-engine/page/2/








































































CAPÍTULO III. PUNTOS CLAVES

En el contexto de implementación de REDD+ la medida de degradación puede basarse en dos

componentes: datos de actividad para evaluar los cambios en el área de bosque en el tiempo, y

factores de emisión, para evaluar los cambios en promedio de las reservas de carbono por unidad de

área en el tiempo (cambios en las reservas de carbono en Mg C/ha).

Debido a la falta de datos de campo históricos consistentes para evaluar la degradación forestal

pasada, se deben confiar más en los enfoques de teledetección combinados con las evaluaciones de

campo actuales de los cambios en las reservas de carbono ya que esta estrategia combinada permitir

obtener resultados más confiables y precisos, así como también otorgar soluciones objetivas, prácticas

y costo efectivas para desarrollar y mantener iniciativas REDD+ (Herold et al., 2011 & Armenteras

et al., 2016).

Determinar diferentes grados de degradación puede ser complejo debido a la naturaleza del proceso

y dependerá tanto del estado inicial, como de las medidas para cuantificarlo y los umbrales que se

definan.

Con el objetivo de encontrar un mejor clasificador que responda bien a las características sobre la

dinámica de los ecosistemas, se puede considerar utilizar otros modelos de clasificación como CART,

SVM, entre otros.

No existe una cantidad o número de muestras ideal en la identificación de las muestras de

entrenamiento al momento de correr un algoritmo de clasificación. Lo recomendables es tratar de

colocar muestras que sean fácil de identificar y que presenten con claridad la dinámica del bosque. Si

el modelo no muestra un resultado satisfactorio, seguramente hay que trabajar mejor las muestras de

entrenamiento. En ocasiones se debe agregar más muestras en las áreas más extensas (Bosque y

No Bosque) y menos muestras en las áreas en donde la dinámica es reducida (Pérdida y Ganancia).

En ocasiones y debido a la similitud de la respuesta espectral de los cuerpos de agua con las sombras,

se tiende a tener ruido en el resultado final de la clasificación. Respecto a este problema, puede ser

sugerible declarar dichas muestras como áreas de No Bosque.

Cuando se requiere realizar la descargar de alguna capa de GEE, es importante que ésta, se

muestre completamente en el remarco del visor del mapa. El proceso de descarga, descrito en

el ejemplo de la sección de exportación, aplica la función de descarga a lo que se observa en

el visor de mapa.










BIBLIOGRAFÍA

Armenteras, D., González, T. M., & Retana, J. (2016). Degradación de bosques en Latinoamérica.

IBERO-REDD+.

Böhning, D. (1992). Multinomial logistic regression algorithm. Annals of the Institute of Statistical

Mathematics, 44(1), 197-200. https://doi.org/10.1007/BF00048682

Breiman, L. (2017). Classification and Regression Trees. Routledge.

https://doi.org/10.1201/9781315139470

Bustamante, M., Roitman, I., Aide, T. M., Alencar, A., Anderson, L., Aragão, L., … Guimarães Vieira,

I. (2015). Toward an integrated monitoring framework to assess the effects of tropical forest

degradation and recovery on carbon stocks and biodiversity (Vol. 22).

https://doi.org/10.1111/gcb.13087

Cáceres, J. D. (2017). Protocolo para la definición de Riesgo a Incendios Forestales – Metodología

Random Forest.

GEO University. (2018). Spectral Indices with multispectral satellite data. Recuperado 4 de

noviembre de 2018, de https://www.geo.university/pages/spectral-indices-with-multispectral-

satellite-data

Haddad, N. M., Brudvig, L. A., Clobert, J., Davies, K. F., Andrew Gonzalez, Holt, R. D., …

Townshend, J. R. (2015). Habitat fragmentation and its lasting impact on Earth’s ecosystems

| Science Advances, Vol 1, No. 2. https://doi.org/10.1126/sciadv.1500052

Herold, M., Román-Cuesta, R. M., Mollicone, D., Hirata, Y., Van Laake, P., Asner, G. P., …

Macdicken, K. (2011). Options for monitoring and estimating historical carbon emissions from

forest degradation in the context of REDD+. Carbon Balance and Management, 6(1), 13.

https://doi.org/10.1186/1750-0680-6-13

Manrique, E. G. (1999). ÍNDICE DE VEGETACIÓN. APLICACIÓN DEL NDVI.

Mery, G., Katila, P., Galloway, G., Alfaro, R. I., Kanninen, M., Lobovikov, M., & Varjo, J. (2010).

Forests and Society – Responding to Global Drivers of Change / Special Project on World

Forests, Society and Environment (IUFRO-WFSE) / Special Programmes and Projects.

Recuperado 22 de agosto de 2018, de https://www.iufro.org/science/special/wfse/forests-

society-global-drivers/

Minnemeyer, S, Laestadius, L, Sizer, N, Saint-Laurent, C, & Potapov, P. (2011). Mapping

Opportunities for Forest Landscape Restoration.










Padarian, J., Minasny, B., & Mcbratney, A. (2015). Using Google’s cloud-based platform for digital

soil mapping. Computers & Geosciences, 83, 80-83.

https://doi.org/10.1016/j.cageo.2015.06.023

Parry, M., Canziani, O., Palutikof, J., Linden, P. van der, & Hanson, C. (2007). Cuarto Informe de

Evaluación del IPCC: Cambio Climático 2007 (AR4). Recuperado 22 de agosto de 2018, de

http://www.ipcc.ch/publications_and_data/ar4/wg2/es/contents.html

Rich, I. (2001). An empirical study of the naive Bayes classifier, 3, 41-46.

Secretariat of the Convention on Biological Diversity. (2002). Review of the status and trends of, and

major threats to, the forest biological diversity. CBD Technical Series 7. CBD. Recuperado

de https://www.cbd.int/doc/publications/cbd-ts-07.pdf

Svetnik, V., Liaw, A., Tong, C., Culberson, J. C., Sheridan, R. P., & Feuston, B. P. (2003). Random

Forest: A Classification and Regression Tool for Compound Classification and QSAR

Modeling. Journal of Chemical Information and Computer Sciences, 43(6), 1947-1958.

https://doi.org/10.1021/ci034160g

Thompson, I. D., Guariguata, M. R., Okabe, K., Bahamondez, C., Nasi, R., Heymell, V., & Sabogal,

C. (2013). An Operational Framework for Defining and Monitoring Forest Degradation.

Ecology and Society, 18(2). Recuperado de

https://www.ecologyandsociety.org/vol18/iss2/art20/

Valdez, M. C., Chang, K.-T., Chen, C.-F., Chiang, S.-H., & Santos, J. L. (2017). Modelling the spatial

variability of wildfire susceptibility in Honduras using remote sensing and geographical

information systems. Geomatics, Natural Hazards and Risk, 8(2), 876-892.

https://doi.org/10.1080/19475705.2016.1278404

van der Werf, G. R., Morton, D. C., DeFries, R. S., Olivier, J. G. J., Kasibhatla, P. S., Jackson, R. B.,

… Randerson, J. T. (2009). CO2 emissions from forest loss. Nature Geoscience, 2, 737.

Vergara Asenjo, G., & Schlegel, B. (2017). Degradación Forestal: Enfoques conceptuales y sus

implicancias para Chile. Ciencia e Investigación Forestal, 23, 73-83.










Anexo 1. Diccionario técnico

Función Descripción

Colecciones

ee.FeatureCollection

FeatureCollections se puede construir a partir de los siguientes argumentos: - Una cadena: se asume que es el nombre de una colección. - Una geometría única. - Una sola característica. - Una lista de características. - Un objeto computado: reinterpretado como una colección.

ee.Image

Un objeto para representar una imagen de GEE. Este constructor acepta una variedad de argumentos: - Una cadena: un ID de activo de EarthEngine, - Una cadena y un número - un ID y versión de activo de EarthEngine, - Un número o EEArray: crea una imagen constante, - Una lista: crea una imagen fuera de cada elemento de la lista y las combina en una sola imagen, - Una ee.Image: devuelve el argumento, - Nada: da como resultado una imagen transparente vacía.

Geoproceso

.clip Recorta una imagen en una Geometría o Característica.

.select Devuelve la colección de imágenes con las bandas seleccionadas.

.merge Fusiona dos colecciones en una sola. El resultado tiene todos los elementos que estaban en cualquier colección.

.randomColumn Agrega una columna de números pseudoaleatorios deterministas a una colección. Los números son números de coma flotante de precisión doble en el rango de 0.0 (inclusive) a 1.0 (exclusivo).

Filtros

.filter Aplicar un filtro a esta colección.

.filterDate Atajo para filtrar una colección por un rango de fechas

.filterBounds Atajo para filtrar una colección por geometría. Los elementos de la colección con una huella que no se interseca con los límites se excluirán cuando se evalúe la colección.

ee.Filter.neq El filtro a metadatos no es igual al valor dado.

ee.Filter.and Combina dos o más filtros utilizando booleano AND.

.filterMetadata Atajos para filtrar una colección por metadatos. Esto es equivalente a this.filter (ee.Filter.metadata (...)).

Operaciones

.sum Reduce una colección de imágenes calculando la suma de todos los valores en cada píxel en la pila de todas las bandas coincidentes. Las bandas se emparejan por nombre.

.divede Divide el primer valor por el segundo, devolviendo 0 para la división por 0.

.mean Reduce una colección de imágenes calculando la media de todos los valores en cada píxel en la pila de todas las bandas coincidentes.











.min Sobre una base de elementos, selecciona el mínimo de los valores primero y segundo.

.multiply Sobre una base de elementos, multiplica el primer valor por el segundo.

Algorítmos

ee.Algorithms.Terrain Calcula la pendiente, el aspecto y una sombreada simple desde un DEM de terreno.

ee.Algorithms.Landsat.simpleComposite

Calcula un compuesto Landsat TOA a partir de una colección de escenas en bruto Landsat. Aplica la calibración estándar de TOA y luego asigna una puntuación de nube a cada píxel usando el algoritmo SimpleLandsatCloudScore. Selecciona el rango más bajo posible de puntajes de nube en cada punto y luego calcula los valores de percentil por banda a partir de los píxeles aceptados. Este algoritmo también utiliza el algoritmo LandsatPathRowLimit para seleccionar solo las escenas menos nubladas en regiones donde hay más de max.

Clasficador

.Classifier.randomForest Crea un clasificador de Rifle Serial vacío, que usa el algoritmo de bosque aleatorio.

.train

Entrena al Clusterer en una colección de características, utilizando las propiedades numéricas especificadas de cada característica como datos de entrenamiento. La geometría de las características se ignora.

.setOutputMode

Establece el modo de salida. El modo de salida puede ser: - CLASIFICACIÓN (predeterminado): la salida es el número de clase. - REGRESIÓN: La salida es el resultado de una regresión estándar. - PROBABILIDAD: La salida es la probabilidad de que la clasificación sea correcta. No todos los tipos de clasificadores admiten los modos REGRESSION y PROBABILITY.

.classify Clasifica cada característica en una colección.

Diccionarios

.rename Renombrar elementos en un diccionario.

.map Mapea un algoritmo sobre una colección.

Operadores

.eq Sobre una base de elementos, devuelve 1 si el primer valor es igual al segundo.

.gte Sobre una base de elementos, devuelve 1 si el primer valor es mayor o igual que el segundo.

.lte En términos de elementos, devuelve 1 si el primer valor es menor o igual que el segundo.

.and Devuelve un 1 en cada posición de bit para el cual los bits correspondientes de ambos operandos son 1.

.not Invierte los valores de su operando.











.set Establecer un valor en un diccionario.

Análisis Espacial a Imágenes

.updateMask Actualiza la máscara de una imagen en todas las posiciones donde la máscara existente no es cero. La imagen de salida conserva los metadatos y la huella de la imagen de entrada.

.mask Crea un subconjunto dividiendo cada posición en una matriz de entrada que es paralela a un elemento distinto de cero de la matriz de máscara dada

.expression Evalúa una expresión aritmética en una imagen, posiblemente involucrando imágenes adicionales.

.addBands Devuelve una imagen que contiene todas las bandas copiadas desde la primera entrada y bandas seleccionadas desde la segunda entrada, opcionalmente sobrescribiendo las bandas en la primera imagen con el mismo nombre. La nueva imagen tiene los metadatos y la huella de la primera imagen de entrada.

.bandNames Devuelve una lista que contiene los nombres de las bandas de una imagen.

.reducerRegions

Aplique un reductor sobre el área de cada característica en la colección dada. El reductor debe tener el mismo número de entradas que la imagen de entrada tiene bandas.

.sampleRegions

Muestra los píxeles de una imagen en una o más regiones, devolviéndolos como FeatureCollection. Cada función de salida tendrá 1 propiedad por banda en la imagen de entrada, así como las propiedades especificadas copiadas de la función de entrada. Tenga en cuenta que las geometrías se ajustarán a los centros de píxeles.

.normalizedDifference

Calcula la diferencia normalizada entre dos bandas. Si las bandas a usar no están especificadas, usa las dos primeras bandas. La diferencia normalizada se calcula como (primer - segundo) / (primer + segundo).

Imprimir

print Imprime en la ventana de la consola los resultados de una operación o presental la visualización de los metadatos de una colección en específico.

Visualizacion de mapa

Map.addLayer Agrega un objeto al visor de EE dado al mapa como una capa.

Map.centerObject Centra la vista del mapa en un objeto dado.

Descarga

Export.image.toDrive Crea una tarea por lotes para exportar una imagen como ráster a la unidad de Google Drive.

estimación del grado de degradación forestal

Documents