Proyecto: DESARROLLO DE METODOLOGÍA PARA …El resultado ha sido una falta de monitoreo de cobertura regional con resultados comparables entre los diferentes países, y una falta

Proyecto: DESARROLLO DE METODOLOGÍA PARA EL MONITOREO DE LAS

EMISIONES DE CO2 PROVOCADAS POR DEFORESTACION Y DEGRADACIÓN

DE BOSQUES A NIVEL REGIONAL Y NACIONAL.

Producto 1: Propuesta metodológica para el monitoreo permanente de la cobertura

vegetal para Belice, Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua,

Panamá, Republica Dominicana.

Producto 2: Propuesta metodológica para la cuantificación de carbono forestal,

considerando las diferentes metodologías/algoritmos para el análisis de la dinámica

de cambios de los bosques y factores relacionados.

Producto 3: Ruta critica en donde se identifiquen los pasos a seguir e “hitos” para

obtener una propuesta regional para el monitoreo de los recursos forestales en el

contexto de REDD y REDD+, articulada al plan regional y los planes de nacionales

del programa REDD-CCAD/GTZ, considerando las posibles alianzas con

organizaciones dentro y fuera de la región, con las cuales se asegure su

sostenibilidad y teniendo en cuenta las implicaciones en recursos técnicos y

financieros de su aplicación.

Consultor Internacional: Dr. Jeffrey R. Jones

[email protected], [email protected]

mailto:[email protected]

mailto:[email protected]

Producto 1: Propuesta metodológica para el monitoreo permanente de la cobertura

vegetal para Belice, Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua,

Panamá, Republica Dominicana.

Contenido

1) Introducción

2) Estrategia de monitoreo

3) La cobertura MODIS VCF (cobertura porcentual de bosque) y su aplicación

en Centroamérica

4) Ventajas del uso de VCF para monitoreo de bosque

5) Clasificación de terrenos por tipos de cambios relevantes a MDL y REDD

6) Metodología de Monitoreo:

a. Creación de imágenes compuestas MOD13Q1

b. Caracterización de la dinámica fenológica

c. Revisión de campo

7) Normalización por precipitación

8) Chequeo de “campo”

9) Metodología – Construcción de Métricas MODIS

10) Aplicación de metodología árbol de decisiones

11) Agregación de nuevos datos a la secuencia VCF dinámica

12) Construcción de la línea base del comportamiento fenológico

13) Funcionamiento del sistema de monitoreo

14) Conclusión; Propuesta de monitoreo MDL/ REDD+ regional

15) Bibliografía

16) Apéndices

1) Introducción

El objetivo de esta consultoría es presentar una metodología de monitoreo de la

deforestación, eficiente y factible en las condiciones de Centroamérica, que apoya las

necesidades de la implementación del MDL y de REDD+. Este monitoreo requiere un

enfoque sobre los terrenos forestales que no se ha aplicado en el pasado; el monitoreo a

nivel regional no solo de la existencia de bosque, sino también la calidad del bosque en

términos absolutos. Fundamental a esta metodología es identificar áreas donde no hay

cambio relevante, y enfocar los esfuerzos de monitoreo mas detallado en zonas donde hay

cambios de interés desde el punto de vista de MDL o REDD+. El enfoque utiliza una

metodología ya reconocida académicamente, y por los analistas de MDL y REDD+

(GOFC-GOLD). Busca crear una estructura permanente de monitoreo que sirve para dar

respuestas concretas y confiables sobre el estado de la cobertura de la tierra en la región,

y el impacto de los diferentes esfuerzos para proteger bosques existentes, mitigar

impactos en zonas de transición, y seguir esfuerzos para incrementar la captura de

carbono.

Otro enfoque de este informe es buscar una estrategia „tropicalizada‟. La clasificación de

uso de la tierra de uso de la tierra básica de los cálculos CDM y REDD se base en un

modelo de uso de la tierra que es poco representativo de uso de la tierra en Centroamérica

y el Caribe, y tal vez en todos los trópicos. Para los trópicos, la incorporación de árboles

en el paisaje agrícola es ampliamente difundida, y eficiente desde la perspectiva de

manejo sostenible de la tierra. Este informe promueve una metodología que adapta a las

condiciones ecológicas y productivas del trópico americano.

Aunque este informe identifica las metodologías, provee referencias y pautas sobre la

implementación de los métodos, no hace el análisis de la cobertura forestal de la región.

En algunos casos se ha presentado inicios del análisis, o ejemplos de otros análisis ya

completos para ilustrar las nuevas opciones.

2) Estrategia de monitoreo

La estrategia propuesta parte de la observación de que en el pasado, el monitoreo de todo

tipo no ha sido posible por limitantes presupuestarias y logísticas y la necesidad de

simplificar y economizar. La introducción del uso de satélites con coberturas más

amplias por imagen se presta para una mejor coordinación entre países, por el gran grado

de traslape en las imágenes. Otro componente de la estrategia es la introducción de

nuevos conceptos en el monitoreo de bosque, específicamente la identificación de la

cobertura forestal en forma absoluta, para permitir la comparación entre diferentes zonas

y diferentes años.

El uso de imágenes LANDSAT, o SPOT requieren muchas imágenes a analizar, cosa que

crea su propio problema de logística. Como respuesta, se recomienda una análisis basada

en MODIS para detectar tendencias regionales, apoyada por comprobaciones especificas

con imágenes de mayor resolución donde existen dudas. Son cuatro las escenas MODIS

para cubrir la zona de Centroamérica y la Republica Dominicana que gozan de muchas

ventajas para considerar en el proceso de monitoreo. Tienen una buena resolución

temporal, con imágenes cada día, muy necesaria en una zona con mucha nubosidad.

MODIS tiene 13 bandas que comparten la cobertura espectral con las bandas de

LANDSAT, pero en la mayoria de los casos, con bandas mas angostas (por eso las 7

bandas de LANDSAT corresponden a 13 de MODIS). La cobertura de MODIS incluye

un total de 36 bandas de información que sirven para evaluar la temperatura de la

vegetación, permite la corrección atmosférica, y también sirven en la evaluación de

calidad de los datos. (Vea cuadro 1).

Para LANDSAT, son un mínimo de 35 imágenes requeridas para cubrir el istmo

centroamericano y la Republica Dominicana; en cuanto a imágenes requeridas por país,

para la Republica Dominicana son 5, para Panamá 11, Costa Rica 5, Nicaragua 15,

Honduras 12, El Salvador 4, Guatemala 8, y Belice 3. Los análisis de cobertura de la

tierra por este medio se hacen de vez en cuando, pero en forma esporádica, y sin

seguimiento metodológico; como cada revisión se hace bajo otra administración política,

no hay continuidad de criterios para el análisis. Entonces, para la nueva metodología se

propone una marco regional con una sola metodología que puede hacer a nivel regional

compartir entre países vecinos, o duplicarse en cada país, y de esta manera buscar una

continuidad metodológica.

Otro gran limitante en esta dinámica fue la falta de coordinación regional; los

presupuestos para el análisis de cobertura provienen de fondos nacionales, entonces no

había coordinación entre los países, ni en fechas de elaboración, ni en las leyendas a

aplicar. El resultado ha sido una falta de monitoreo de cobertura regional con resultados

comparables entre los diferentes países, y una falta de coordinación internacional que

podría servir para abaratar costos de implementación de los estudios. Aunque la

coordinación regional no es necesaria para hacer los análisis de cobertura, la falta de

coordinación resulta en discontinuidades en coberturas en las zonas fronterizas. Estas

discontinuidades crean incertidumbres en los analistas externos cuando evalúan los

resultados nacionales, y esto podría llegar a minar la confianza en los resultados de los

análisis.

Cuadro 1: Comparación Bandas MODIS y LANDSAT

Bandas MODIS Enhanced Thematic Mapper

Plus (ETM+)

Banda Rango(nm) Representación Banda Rango(nm)

1

620 - 670 Absolute Land Cover Transformation, Vegetation Chlorophyll Band 3 630 - 690

2

841 - 876 Cloud Amount, Vegetation Land Cover Transformation

3 459 - 479 Soil/Vegetation Differences Band 1 450 - 520

4 545 - 565 Green Vegetation Band 2 520 - 600

5 1230 - 1250 Leaf/Canopy Differences Band 8 520 - 900

6 1628 - 1652 Snow/Cloud Differences Band 5 1550 - 1750

7 2105 - 2155 Cloud Properties, Land Properties Band 7 2090 - 2350

8 405 - 420 Chlorophyll



11

526 - 536 Chlorophyll Band 2, Band 8 520 - 600, 520 - 900

12

546 - 556 Sediments Band 2, Band 8 520 - 600, 520 - 900

16 862 - 877 Aerosol Properties, Atmospheric Properties Band 4 770 - 900

17 890 - 920 Atmospheric Properties, Cloud Properties Band 4 770 - 900

21 3929 - 3989 Forest Fires & Volcanoes

22 3929 - 3989 Cloud Temperature, Surface Temperature

23 4020 - 4080 Cloud Temperature, Surface Temperature

27 6535 - 6895 Mid Troposphere Humidity

28 7175 - 7475 Upper Troposphere Humidity

29 8400 - 8700 Surface Temperature

31

10780 - 11280 Cloud Temperature, Forest Fires & Volcanoes, Surface Temp. Band 6

10400 - 12500

32

11770 - 12270 Cloud Height, Forest Fires & Volcanoes, Surface Temperature Band 6

10400 - 12500

A pesar de las fallas en la coordinación regional, hay excepciones claves que proveen

datos muy útiles. Por ejemplo, el mapeo de ecosistemas, ejecutado con una metodología

única en toda la región en 2000 (hecho con financiamiento del Banco Mundial), el

esfuerzo internacional de GLCS (Global Land Cover Survey) de la NASA para crear una

cobertura sencilla a nivel mundial, y el uso de MODIS para el mapeo a nivel regional en

los contextos de AID y NASA (cobertura CA_VEG, que se presenta abajo como el mapa

de CIESEN). Aunque estos estudios son de cobertura regional todos, no comparten

metodologías ni leyendas, entonces no forman parte de un proceso de monitoreo, hasta el

momento.

Una innovación importante en el momento de contemplar la implementación de REDD o

MDL es la calidad de bosque; en el pasado había mas interés en especificar la

biodiversidad del bosque (especies, edades). Para los efectos de mitigación de cambio

climático, es más importante la cobertura absoluta de hojas y una clasificación numérica

que pasa mas allá de la distinción entre bosques densos y ralos, que permite la

cuantificación de impactos potenciales de cambios en la cobertura de la tierra. Esta

innovación es critica por un efecto en la explotación forestal moderna, consecuencia del

interés mundial en controlar la deforestación; los intereses forestales, especialmente los

no–legales, buscan burlar controles a la explotación de bosques por medio de una

degradación. Consiste en una extracción de madera sin hacer un corte completo, con la

finalidad de no sufrir castigo por la deforestación. El monitoreo de la cobertura forestal

tiene que buscar detectar esta nueva forma de explotación del bosque, ya que afecta la

eficiencia del bosque en el secuestro de carbono.

Desde hace mas de una década se

busca el monitoreo cuantitativo de la

cobertura boscosa a grande escala,

empezando con imágenes AVHRR (tal

como la clasificación de vegetación en

Centroamérica hecho por el CIESEN).

El sensor AVHRR da la posibilidad de

una cobertura muy amplia debida a su

baja resolución; la introducción de

MODIS favoreció mejorar la precisión

del monitoreo, y aprovechó de las

experiencias con AVHRR para dibujar

pautas de un sistema de monitoreo de

bosques a grande escala (Hansen et.al

2002). El MODIS también se utiliza

para la evaluación de cobertura de la

tierra, y se puede combinar con otras

fuentes de información, tal como

Google Earth o imágenes LANDSAT

para mejorar el detalle de la

clasificación (Clark 2010). Combinado con un algoritmo de árbol de regresión

supervisado (“supervised regression tree algorithm”) puede mejorar mucho sobre las

observaciones de AVHRR, y proveer un método para evaluar la densidad de árboles a

escalas muy grandes (Hansen et.al. 2003). Ya se ha aplicado el MODIS al monitoreo en

Amazonas como un sistema de „alerta temprana‟ de deforestación y degradación (Ferreira

2007).

En febrero 2009, se celebró el taller “Forest Area Change Assessment: The Experience of

Existing Operational Systems” en Sao Jose Dos Campos, Brasil, bajo auspicios de

GOFC-GOLD, INPE, Coalition for Rainforest Nations y GTZ. El MODIS fue

presentado para el monitoreo de incendios forestales (Boschetti 2009), la deforestación a

escala nacional en Indonesia (Hansen 2009ª), y el monitoreo de la deforestación a escala

global (Hansen 2009b). Para México, Meneses Tovar (2009) presentó una metodología

que enfocaba en la evaluación de NDVI de MODIS 250m para una vista general, y el uso

de imágenes SPOT para el detalle. El uso de MODIS representa una innovación en

eficiencia y economía sobre las metodologías de monitoreo presentados por el Brasil

(Valeriano 2009), y la India (Ashutosh 2009) en el mismo taller, que se enfocaron en una

revisión „a pie‟ y de imágenes, que reflejaba la abundancia de imágenes de satélite que

poseen los países, por tener sus propios satélites (Brasil y la India).

Para iniciar el monitoreo para la región centroamericano, se propone un enfoque multi-

escala, que utiliza imágenes MODIS de resolución moderada para un monitoreo frecuente

(varias veces por año), complementado por análisis de alta resolución. Esta estrategia

aprovecha de las características de MODIS, en que su resolución permite un manejo de

datos regionales (Centroamérica y la Republica Dominicana) con tan solo 4 imágenes. El

repetir las imágenes todos los días permite la creación de imágenes donde se reduce la

cobertura de nubes, aunque en invierno, hay que escoger entre mas días para lograr una

cobertura mínima de nubes.

Además, MODIS viene con una corrección atmosférica bastante sofisticada, que

garantiza la compatibilidad de los datos de las diferentes escenas. (Vermotte 2002,

Vermotte 2006), y una serie de productos que faciliten el análisis de cambio de cobertura.

De mucha importancia, las escenas MODIS que se toman a diario se consolidan en

„compuestos‟ de 8 días, con el objetivo de eliminar píxeles de mala calidad

(especialmente cobertura de nubes). Las imágenes compuestas se utilizan para generar

imágenes con índices de vegetación, y radiación, y forman una base para un análisis mas

especifica de cambio de uso.

Las coberturas MODIS de relevancia para el monitoreo son; MOD13Q1 (Vegetation

Indices 16-Day L3 Global 250m), MOD12Q2 (Land Cover Type Yearly L3 Global 1km

SIN Grid), y MOD11A2 (Land Surface Temperature & Emissivity 8-Day L3 Global

1km). (El sitio para bajar todos estos productos se inicia aquí;

https://lpdaac.usgs.gov/lpdaac/products/modis_products_table ).

Descripciones detalladas de las imágenes MODIS y los productos derivados se

encuentran en los anexos a este informe.

3) La cobertura MODIS VCF (cobertura porcentual de bosque) y su aplicación en

Centroamérica

Por una combinación de

factores, que incluyen la

precipitación, la topografía, y

las clases de suelos, todo

paisaje en Centroamérica tiene

un gran porcentaje de árboles.

Estas condiciones locales no

concuerdan con las

condiciones de cobertura de la

tierra que se encuentra en

zonas templadas. La

introducción de REDD+

incluye la opción de reconocer

paisajes agrícolas arboladas,

concepto que conforma a las

condiciones de cobertura en

Centroamérica. El uso de VCF

abre una base de evaluación

para la contribución de paisajes

https://lpdaac.usgs.gov/lpdaac/products/modis_products_table

agrícolas arboladas al balance de carbono regional.

Como ejemplo de estas condiciones, se presenta un análisis de uso de la tierra para la

cuenca del Rio Birris. Esta cuenca tiene funciones de generación de fuerza

hidroeléctrica, a pesar de que su uso predominante del suelo es la producción hortícola.

Esta cuenca esta ubicada en las faldas de los volcanes Irazu y Turrialba, y los terrenos

extienden desde alturas de 1400m hasta 3000msnm.

Por la alta concentración de terrenos hortícolas y ganadera/lecheras, en los mapas de

escala más común, es decir, 1:50,000, el área aparece como zona agrícola. Sin embargo,

a una escala de 1:5000, aparece una cobertura significante de bosques, aunque en áreas

relativamente pequeñas.

En adición a la existencia de parches de bosque, el área goza de sistemas silvopastoriles,

donde hay una cobertura significante de árboles aun en zonas de producción intensiva de

leche. Los sistemas silvopastoriles responden a condiciones especiales de producción,

específicamente un sol fuerte, que puede afectar la humedad del suelo y la condición de

hidratación de los animales. Por

ser una zona alta, la producción

lechera también se afecta por

vientos frescos en su época que

pueden afectar la producción de

leche.

En el caso de los productores

hortícolas, sus áreas de

producción aprovechan pequeñas

zonas de condiciones adecuadas,

en cuanto a suelo y pendiente.

Los terrenos de producción

suelen ser relativamente

pequeñas, por lo que quedan

muchos bordes de terrenos donde

por razones de linderos, y

condiciones topográficas (por

ejemplo quebradas), se dejan

áreas de árboles, o como parte de

cercas vivas, rompevientos o

protecciones para cauces de

agua.

Entonces, por diseño del

sistema productivo, y por

las condiciones de

medioambiente, esta zona

agrícola tiene una alta

concentración de árboles.

Ni en los mapas

forestales típicos ni en los

mapas de uso de la tierra

aparece la concentración

de árboles, a pesar de que

el paisaje como un todo

cuenta con una cobertura

de 25% árboles. Y como

se aprecia de la fotografía

aérea, hay puntos

pequeños donde la

cobertura de árboles llega

a los 100%, a pesar de la

vocación agrícola de la

zona.

En la imagen VCF de

Birris, se aprecia la alta concentración de árboles en los sistemas silvopastoriles en las

partes altas de la zona. Presenta concentraciones de hasta 80% en las zonas de pastoreo,

y aun en la parte de producción hortícola, documenta cobertura de hasta 30% de árboles.

El uso del análisis VCF remedia un enorme error conceptual del concepto MDL, que

enfocaba solamente de reforestación a grande escala. Este error fue reconocido con la

introducción de REDD, especialmente REDD+. El uso de VCF presenta una

metodología que refleja los cambios REDD+ en una estructura de política de manejo de

la tierra, y abre la posibilidad de incentivar el manejo de árboles en zonas tropicales, aun

en zonas que no son „forestales‟ pero donde la introducción de árboles representa una

contribución al balance de carbono a nivel de la región, y además trae beneficios

ambientales diversos.

4) Ventajas del uso de VCF para monitoreo de bosque

Los mapas de cobertura del suelo generalmente tienen un formato de clases de cobertura,

en vez de escalas de densidad. Sin embargo, para la evaluación de la contribución de

clases de cobertura a la captura o emisión de GEI es más importante conocer el

porcentaje de cobertura para aproximar mejor al volumen de madera que puede existir en

cualquier clase de uso.

La cobertura de una clase de uso en muchos casos no es homogénea. El caso más obvio

se encuentra en los sistemas agropecuarios, que pueden incluir coberturas de pastos, con

muy poca cobertura de corona, y sistemas agroforestales, como café, con una gran

densidad de árboles y carbono.

De igual manera, un área de bosque de una sola clase (p.ej. bosque húmedo tropical)

puede tener mucha variabilidad en la densidad de árboles por condiciones de suelo, de

topografía, o sucesos históricos (huracanes, deslizamientos).

Para demostrar esta variabilidad se puede revisar la cobertura de porcentaje de árboles de

NASA/USGS (se encuentra en la pagina de productos MODIS como la cobertura

MOD44B “Vegetation Continuous Fields”), sobre el territorio de Honduras. Esta

cobertura no distingue clases de cobertura, sino diferencia el porcentaje de cobertura de

árboles en cada píxel, sin importar si se clasifica como „bosque‟ o „agricultura‟. Si se

compara el resultado de este producto con una clasificación de uso de la tierra, también

hecho con MODIS (por el CIESEN) se aprecia la variabilidad en la densidad de árboles

que se encuentra dentro de cualquier clase „homogénea‟ de uso.

Agricultura

0.000

0.010

0.020

0.030

0.040

0.050

0.060

0.070

0.080

1 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Agricultura

El grafico de agricultura lleva la misma estructura que todos los otros gráficos. El eje X,

horizontal, indica el porcentaje de cobertura de árboles por píxel, y el eje Y indica el área/

número de píxeles que reportan cada porcentaje. El valor de porcentaje de árboles mas

común para áreas agrícolas es entre 15% y 35%, distribución que refleja la vocación

productiva de las fincas, y también la tendencia a mantener sistemas agroforestales (como

huertos caseros o cercas vivas) o silvopastoriles (con sombra para ganado, o cercas vivas

entre apartos). Además, se encuentran hasta densidades muy altas de árboles en los

terrenos clasificados como agricultura. El área total de estos sistemas de alta densidad de

árboles es casi igual que la situación „típica‟ de finca. Esta variabilidad puede reflejar la

existencia de sistemas agroforestales con alta densidad de árboles, como café o cacao, la

existencia de bosque secundario en largas rotaciones agrícolas, o bosques protectoras de

fuentes de agua o de casas.

Selva tropical siempreverde acicular

0.000

0.010

0.020

0.030

0.040

0.050

0.060

0.070

0.0801 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Selva tropical siempreverde acicular

Selva tropical latifoliado siempreverde

0.000

0.020

0.040

0.060

0.080

0.100

0.120

0.140

1 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Selva tropical latifoliado siempreverde

Los histogramas de los bosques Selvas Tropicales Siempreverdes Latifoliado y Acicular

también demuestran diferencias importantes en patrones de cobertura. Primero se ve que

la cobertura del bosque Latifoliado es mucho más densa que el bosque de Acicular; con

una cobertura medio de 80% para latifoliado, y 35% para el pino. Sin embargo, se nota

una distribución parecida a la de agricultura, en el sentido que la mitad, o más, de los

bosques de estos tipos no son „típicos‟ en sus densidades de árboles, con rangos que van

desde 5% hasta 97%. Estas diferencias pueden afectar el calculo final de carbono, ya que

el numero de árboles puede variar en mas de 100% dentro de una sola „clase‟ de bosque.

Manglares

0.000

0.002

0.004

0.006

0.008

0.010

0.0121 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Manglares

Una situación mas extrema se encuentra en el caso de los manglares. Son áreas

relativamente pequeñas, pero no se presenta una situación „típica‟ ya que las áreas que

corresponden a los distintos porcentajes de cobertura están bien distribuidas entre 35% y

75%. Refleja que la zona de manglar tiene grandes manchas de una densidad reducida de

árboles, o tal vez áreas completamente convertidas para camaroneras, etc, que da el

resultado que no hay una densidad „típica‟ para el mangle.

Sabana tropical arbolada siempreverde latifoliad

0.000

0.000

0.000

0.001

0.001

0.001

0.001

1 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Sabana tropical arbolada siempreverde latifoliad

Una situación similar se encuentra en las sabanas arboladas de especies latifoliadas; hay

un rango de densidades, entre 35% y 90%, pero ninguna densidad que predomina.

Sabana tropical arbolada siempreverde acicular

0.000

0.001

0.002

0.003

0.004

0.005

0.006

0.007

0.0081 4 7

10

13

16

19

22

25

28

31

34

37

40

43

46

49

52

55

58

61

64

67

70

73

76

79

82

85

88

91

94

97

100

Sabana tropical arbolada siempreverde acicular

Las sabanas arboladas con especies aciculares presentan densidades de árboles mas bajas

de las que se ven en las latifoliadas, con una densidad típica de 15% a 40%, pero con

algunos casos con densidades más altas, hasta 85%.

El uso de la cobertura de porcentaje cobertura de árboles resuelve un problema que ha

sido identificado desde hace mucho; las clases de cobertura de la tierra, ni en agricultura

ni en los bosques, no son uniformes. No hay consistencia ni entre las diferentes clases de

bosque, ni dentro de un mismo bosque de una sola clase, debido a las variaciones

naturales en suelos, topografía, etc. La aplicación de la cobertura de porcentaje de

cobertura permite la diferenciación de densidades dentro de bosques, y abre la posibilidad

de manejo de conceptos MDL y REDD dentro del área de uso más extenso de

Centroamérica; los áreas agrícolas.

Como se demuestra en la primera figura de esta sección, la agricultura centroamericana

suele tener una cobertura significante de árboles para una variedad de razones; aunque la

distribución no es homogénea, provee pautas para reconocer que hay un gran sumidero

potencial de carbono en las zonas productivas, que podrían hacer una gran contribución al

balance de carbono de la región. Por ser la cobertura predominante en la región, la

agricultura tiene un potencial de hacer una gran contribución al balance de carbono en la

región. La cobertura VCF presenta una base para esta evaluación.

5) Clasificación de terrenos por tipos de cambios relevantes a MDL y REDD

El poder distinguir los terrenos MDL y REDD permite enfocar en un área mas pequeña

para las evaluaciones de cambio. En contraste, si hay zonas donde los cambios en

cobertura no tienen impacto sobre el estatus MDL o REDD, la eficiencia exige que se

ignoran estas zonas, y se dedican esfuerzos al análisis de zonas donde hay cambios que sí

tienen impacto.

Las reglas establecidas para el Mecanismo de Desarrollo Limpio (MDL) en el Protocolo

de Kioto y el Acuerdo de Marruecos definen cuales son los terrenos aptos para la

mitigación de los impactos de cambio climático. Estas definiciones han sido la base para

el desarrollo de una serie de estudios por el FAO que marca „El Área Kioto‟ para cada

país en Centroamérica. (http://www.fao.org/regional/honduras/pbcc/Documentos.htm)

Siguiendo una estrategia de enfocar en áreas relevantes para el monitoreo de cambio de

cobertura con relevancia a MDL, vale destacar que hay áreas relativamente pequeñas que

son „Areas Kioto‟. Por ejemplo, Costa Rica, un país que por condiciones climáticas y

topográficas es de vocación forestal, solo presenta 20% de su superficie como área Kioto.

(FAO 2003).

Los áreas Kioto en el

estudio FAO de

Costa Rica se

definan;

“Para estimar las Áreas

Kyoto, el aspecto más

relevante que debe

considerarse es el

relacionado con la

presencia o ausencia de

cobertura forestal en

dichas áreas. De acuerdo

con las definiciones

dadas

en el PK y la

Declaración de

Marrakech, son Áreas

Kyoto aquellas que al

01-01-1990 estaban bajo

un Uso No Forestal y se

mantuvieron de esa

forma hasta el 31-12-

1999.

http://www.fao.org/regional/honduras/pbcc/Documentos.htm

Otra forma de definir las Áreas Kyoto es la siguiente:

• No son Áreas Kyoto aquellas que al 01-01-1990 tenían algún tipo de

cobertura forestal.

• No son Áreas Kyoto aquellas que del 01-01-1990 al 31-12-1999 fueron

deforestadas.

• No son Áreas Kyoto aquellas que del 01-01-1990 al 31-12-1999 fueron

reforestadas. Esto debido a que aquellas que fueron reforestadas durante ese

período no cumplen con la condición de adicionalidad, pues su uso es

forestal.”

El mapa Kioto para Costa Rica se ve en la figura 1. Muy notable es la falta de bosques

Area Kioto en Talamanca, en el sureste, fronterizo con Panamá; es el área boscosa mas

grande de Costa Rica, pero no es sujeto a MDL porque no fue deforestado antes de 1990;

de hecho, hasta la fecha sigue con cobertura forestal en su mayor parte.

La introducción del concepto REDD, Reducción de Emisiones por Deforestación y

Degradación, amplia el „Área Kioto‟ ya que puede incluir bosques con potencial de

deforestación o degradación. Potencialmente, el concepto REDD puede incluir áreas

agroforestales o silvopastoriles, aunque la incorporación de áreas especificas depende de

la estrategia y las definiciones propuestas a nivel de cada país, y en casi todos los casos,

estas definiciones no se han formalizado.

Para la evaluación del impacto REDD sobre emisiones de GEI el Sourcebook (2008)

sugiere la necesidad de datos nacionales de tipo „Tier 3‟, que requiere datos específicos

de „activity data‟ que refiere a patrones de manejo de la tierra, extracción, etc. La

definición de los áreas REDD depende del compromiso nacional de ejecutar ciertos

programas que tengan efectos sobre GEI, y la priorización de actividades y zonas donde

la intervención se va a ejecutar.

Vale destacar que hay esfuerzos actuales para el mapeo de zonas REDD+, paralelo al

mapa de „áreas Kioto‟ (Cisneros 2010). Sin embargo, los resultados de esta actividad

todavía no se han aprobado, ni implementado, entonces de momento, se puede notar que

hay la posibilidad de que habrá un mapa consensuado de „áreas REDD+‟ que puede

servir como guía para la selección de áreas de concentración en el monitoreo de cambios.

La identificación de áreas MDL y REDD tiene otra ventaja en el análisis, en que permite

identificar clases de cambios a controlar en cada sitio. Por ejemplo, áreas MDL tendrán

una dinámica de bosques o plantaciones en crecimiento, debido a su recién renovación.

En el caso de REDD, hay una variedad de programas que se puede esperar, desde la

reducción del proceso de degradación que va ocurrir en zonas de bosques establecidas, al

enriquecimiento de sistemas agroforestales o silvopastoriles, que pueden ocurrir en zonas

agrícolas cuando se calcula carbono en base de „Activity data‟. Las firmas espectrales de

los cambios esperados, y sus ubicaciones, varían dependiendo de la categoría de actividad

MDL o REDD que se está tratando de monitorear. (Sourcebook 2008).

La aplicación exitosa de una estrategia de estratificación de áreas de análisis depende

dela distribución de estos áreas, y la eficiencia con que pueden agruparse para reducir el

trabajo del análisis. También depende del nivel de concordancia entre todos los

participantes en el proceso MDL/REDD+, y que todos están de acuerdo con la definición

de áreas propuestas.

6) Metodología de Monitoreo:

En una sección anterior se hizo referencia a la combinación de imágenes MODIS para

mejorar la calidad de los datos. A continuación, se presentan las actividades construcción

de las imágenes compuestas de varios días, y la creación de una línea base con estas

imágenes mejoradas como herramienta para medir el proceso de cambio.

a) Creación de imágenes compuestas MOD13Q1

Las imágenes MOD13Q1 son compuestas de 16 días de imágenes. Además de los

mejores píxeles de esos 16 días traen información sobre calidad de cada píxel que facilite

el mejoramiento de imágenes compuestas basadas en ellas. Las MOD13Q1 traen 2 tipos

de información sobre calidad de imagen. El primero es „Pixel reliability‟, que tiene un

valor resumido que solamente indica o que el dato es bueno o malo; tiene indicaciones

limitadas de la razón por problemas de calidad, y refiere a una segunda fuente de

información de calidad, VI Qualty.

La banda VI Quality contiene una serie de „bit flags‟ cuya posición indica muchos

aspectos de la calidad de la imagen. Inclusive, contiene una calificación progresiva de

calidad de 9 niveles, desde la mejor calificación a la ultima que indica que el dato no

tiene ningún valor. En adición a la calificación general, contiene información sobre las

causas de problemas de calidad, que incluyen la calidad del aire, y posibles efectos de

nubes, o sombras.

La creación de la imagen compuesta de dos compuestas existentes empieza con las

bandas de “reliability” y “”VI Quality”; compara la calidad del píxel en cada imagen, y

escoge el mejor para la imagen final.

Cuando la calidad de los píxeles no es excelente, se puede topar con problemas de

valoración que son arbitrarios para resolver. Por ejemplo, si dos son de la misma

„reliability‟ y con valores iguales de „VI usefulness‟, y los pixeles solamente se

diferencian en las categorías „Possible shadow‟ y „Climatology‟, como se comparan las

valoraciones de estas, o cualquier otras, categorías?

Aunque se puede definir una „regla‟ para seleccionar una u otra píxel para la creación de

la imagen compuesta, la solución recomendada es establecer un nivel de calidad de

píxeles en general en porcentaje de píxeles con valores „excelente‟. En base de el

historial de datos MODIS, se hace una comparación de niveles de error por mes para

definir la mas apropiada de las soluciones, o por la extensión del periodo para hacer la

imagen compuesta (de 32 a 48 días) o con establecer un protocolo para ignorar datos por

debajo de cierto umbral de calidad para efectos del análisis.

Vale notar que Hansen en su análisis mundial utilizó compuestas de 40 días (Hansen

et.al. 2005), pero que no gozaba de los datos de calidad que tienen las compuestas de los

productos MODIS estándares, y tuvo que recurrir a técnicas de selección menos

eficientes, p.ej. la selección de píxeles para las compuestas que corresponden a los

valores azules segundo mas bajo, para tratar de evitar sombras de nubes. La ineficiencia

de esta metodología se ve en la lógica que supone que un píxel en promedio tendrá un

solo día de sombra de nube; si fueran 2 o mas, el segundo valor mas bajo siempre será

sombra de nube. Otro ejemplo es el uso del valor NDVI segundo mas alto, para evitar

contaminación de píxeles cuyos valores estan afectados por el ángulo de reflejo del sol;

de igual manera como se menciona arriba, los datos de calidad para MOD09Q1 incluye

un „flag‟ para indicar cuales píxeles están mas propensos a sufrir de reflejo.

b) Caracterización de la dinámica fenológica

Un problema común en la teledetección y clasificación de bosques tropicales es la

estacionalidad, es decir, la dinámica fenológica. Los ciclos climáticos anuales traen

respuestas de la vegetación, mas dramáticamente en la zona seca con los bosques

caducifolios, pero en cierto grado, con todos las clases de vegetación. Cuando se trata de

comparar la cobertura de la tierra en dos imágenes „estáticas‟ resulta muy difícil si no se

puede especificar la etapa de cada imagen dentro del ciclo fenológico. Aunque para

efectos del monitoreo no es necesaria la clasificación de bosques, es necesario distinguir

entre dinámicas fenológicas normales, y las degradadas.

El uso de una secuencia mensual de datos MODIS provee un mecanismo para superar el

problema de comparación de condiciones de bosque entre un año y otro, para definir si

diferencias detectadas en las imágenes representan cambios en el estado del bosque, o si

representan diferentes etapas en el ciclo anual.

El primer paso en la caracterización de la dinámica fenológica es la creación de „firmas

espectrales‟ de las respuestas „normales‟ de las diferentes clases de vegetación. Con la

definición de las clases de vegetación a diferenciar; se clasifica los grupos de clases de

vegetación que tienen respuestas similares.

Como una demostración, se seleccionaron 14 clases de vegetación boscosa del mapa de

ecosistemas de Honduras. Estas clases fueron muy diferentes en estructuras, algunas

pantanosas, otras sabanas arboladas y otros de bosques tropicales densos. Áreas dentro

de los polígonos definidos en el mapa de ecosistemas fueron marcadas como „sitios de

entrenamiento‟, con el cuidado que no se acercaron mucho a los bordes de los polígonos

para evitar errores por imprecisiones en la Registración de imágenes. Estas áreas fueron

sobrepuestas sobre las imágenes MODIS NDVI en la siguiente secuencia;

Cuadros 1: Leyenda Ecosistemas

1 Bosque tropical siempreverde latifoliado de tierras bajas, bien drenado

14-HCW Bosque tropical siempreverde latifoliado montano superior, HCW

16-HCW Bosque tropical siempreverde mixto, altimontano, HCW

23-s-M Bosque tropical siempreverde estacional latifoliado de tierras bajas, bien drenado, en colinas cársticas escarpadas, M

3 Bosque tropical siempreverde latifoliado de tierras bajas, moderadamente drenado

37-2 Bosque tropical siempreverde estacional aciculifolia, submontano intervenido

40 Bosque tropical siempreverde estacional aciculifolia montano inferior

48-M Bosque tropical siempreverde estacional latifoliado aluvial de tierras bajas, estacionalmente anegado

6 Bosque tropical siempreverde latifoliado, submontano

65 Bosque de manglar del Caribe sobre sustrato limoso

67 Bosque de manglar Pacífico sobre sustrato limoso

85 Sabana de graminoides cortos con árboles aciculifolias

9 Bosque tropical siempreverde latifoliado montano inferior

90 Herbazal pantanoso con gramíneas, palmas y/o arbustos

Cuadro 2. Imagenes MOD13Q1 utilizadas en caracterizacion de vegetacion MOD13Q1.A2009225.h09v07.005.2009247062624.hdf

MOD13Q1.A2009257.h09v07.005.2009275212543.hdf

MOD13Q1.A2009289.h09v07.005.2009307214445.hdf

MOD13Q1.A2009321.h09v07.005.2009338160041.hdf

MOD13Q1.A2009353.h09v07.005.2010008004525.hdf

MOD13Q1.A2010017.h09v07.005.2010035183811.hdf

MOD13Q1.A2010049.h09v07.005.2010066185600.hdf

MOD13Q1.A2010081.h09v07.005.2010101012308.hdf

MOD13Q1.A2010113.h09v07.005.2010132224207.hdf

MOD13Q1.A2010145.h09v07.005.2010165035812.hdf

MOD13Q1.A2010177.h09v07.005.2010195191458.hdf

MOD13Q1.A2010193.h09v07.005.2010211162938.hdf

MOD13Q1.A2010209.h09v07.005.2010238040255.hdf

MOD13Q1.A2010225.h09v07.005.2010250120545.hdf

El Segundo elemento en el nombre es la fecha de la imagen; primero el año, seguido por

el día „juliano‟, en numero de días desde el primer día del año. La primera imagen cae en

septiembre de 2009, la segunda imagen 32 días después, etc.

En la figura 1, se presenta el promedio de los valores de cada muestra para cada mes del

año (son 13 meses ya que se incluyeron el primer y el ultimo septiembre). Se notan

respuestas marcadas en algunos meses; por ejemplo, en mes 3, noviembre, se nota un

cambio dramático con la finalización de las lluvias en algunas clases de vegetación. Sin

embargo, en ese mismo mes, hay otras clases de vegetación que realicen un „pico‟ en los

valores NDVI, que refleja otra clase de respuesta fenológica a la escasez de agua. Como

resultado, cada clase de vegetación tiene su propia „firma espectral‟ en los valores de

NDVI en el curso del año.

Estas „firmas‟ pueden evaluarse como en cualquier imagen para apreciar la

„separabilidad‟ de las firmas, es decir, el grado hasta que se contrasten en forma

estadística. En esta clase de análisis, los índices de separabilidad de 1.9 en adelante son

buenos, en cuanto a su separabilidad entre categorías. El cuadro 1 contiene los indices

para cada clase de vegetación, a su vez; por ejemplo, el primero contrasta “3 Bosque

tropical” con cada una de las otras clases. (Note que en este cuadro las descripciones de

las categorías han sido acortadas; los números, en cambio, se mantienen en las dos tablas.

Entonces “3 Bosque tropical siempreverde latifoliado de tierras bajas, moderadamente

drenado” del cuadro 1 equivale a “3 Bosque tropical” del Cuadro 3.)

Cuadro 3: Índices de separabilidad de las firmas espectrales

Input File: yearstack_h09v07.005.pix

ROI Name: (Jeffries-Matusita, Transformed Divergence)

3 Bosque tropical [Green] 677 points:

85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)

1 Bosque tropical [Green2] 763 points: (1.86692742 1.99976758)

23-s-M bosque trop estacional [Green3] 332 points: (1.99375173 2.00000000)

6 Bosque trop lat submontano [Sea Green] 361 points: (1.97456881 2.00000000)

48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99802779 2.00000000)

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99959881 2.00000000)

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99993858

2.00000000)


2.00000000)

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99856252

2.00000000)

40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99837850 2.00000000)

16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99609564

1.99999994)

90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99991066 2.00000000)

67 Bosque manglar Pacifico [Purple2] 98 points: (1.99392096 2.00000000)

65 Bosque manglar Caribe [Purple2] 20 points: (1.99968902 2.00000000)

85 Sabana con pinos [Green1] 612 points:

3 Bosque tropical [Green] 677 points: (2.00000000 2.00000000)







1.99975591)


2.00000000)


2.00000000)



2.00000000)




1 Bosque tropical [Green2] 763 points:








2.00000000)


2.00000000)


2.00000000)



2.00000000)




23-s-M bosque trop estacional [Green3] 332 points:








2.00000000)


2.00000000)


2.00000000)



2.00000000)




6 Bosque trop lat submontano [Sea Green] 361 points:








1.99999424)


1.99995598)


2.00000000)



1.99999993)




48-M Bosque trop sv estac aluvial [Sienna1] 119 points:








2.00000000)


2.00000000)


2.00000000)



2.00000000)




9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points:








2.00000000)


2.00000000)


2.00000000)



2.00000000)




37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points:









1.99839784)


2.00000000)



2.00000000)




37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points:









1.99839784)


2.00000000)



2.00000000)




14-HCW Bosque trop sv lat montano superior [Blue1] 322 points:









2.00000000)


2.00000000)



1.99918320)




40 Bosque trop sv esac montano inferior [Blue2] 165 points:









1.99999997)


1.99999970)


2.00000000)


1.99999968)




16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points:









2.00000000)


2.00000000)


1.99918320)





90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points:









1.99994661)


1.99975281)


2.00000000)



2.00000000)



67 Bosque manglar Pacifico [Purple2] 98 points:









1.99949387)


1.99999938)


2.00000000)



2.00000000)



65 Bosque manglar Caribe [Purple2] 20 points:









2.00000000)


2.00000000)


2.00000000)



2.00000000)



Separación de pares: (de menos a mas);

90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points and 67 Bosque manglar

Pacifico [Purple2] 98 points - 1.75025525

3 Bosque tropical [Green] 677 points and 1 Bosque tropical [Green2] 763 points -

1.86692742

40 Bosque trop sv esac montano inferior [Blue2] 165 points and 67 Bosque manglar Pacifico

[Purple2] 98 points - 1.88812789

40 Bosque trop sv esac montano inferior [Blue2] 165 points and 90 Herbazal pantanoso,

gramineas/palmas [Purple2] 180 points - 1.89515332

85 Sabana con pinos [Green1] 612 points and 67 Bosque manglar Pacifico [Purple2] 98

points - 1.90622911

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 37-2 Bosque trop

sv estac acic, submontano [Aquamarine] 378 points - 1.90901893

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 16-HCW Bosq trop sv

mixto, altimontano, HCW [Magenta1] 195 points - 1.92251146

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 90 Herbazal

pantanoso, gramineas/palmas [Purple2] 180 points - 1.94648745

6 Bosque trop lat submontano [Sea Green] 361 points and 67 Bosque manglar Pacifico

[Purple2] 98 points - 1.95781163

6 Bosque trop lat submontano [Sea Green] 361 points and 48-M Bosque trop sv estac aluvial

[Sienna1] 119 points - 1.95966559

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 40 Bosque trop sv

esac montano inferior [Blue2] 165 points - 1.96375423

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 67 Bosque manglar


3 Bosque tropical [Green] 677 points and 6 Bosque trop lat submontano [Sea Green] 361

points - 1.97456881



85 Sabana con pinos [Green1] 612 points and 90 Herbazal pantanoso, gramineas/palmas

[Purple2] 180 points - 1.98511245

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 90 Herbazal


1 Bosque tropical [Green2] 763 points and 23-s-M bosque trop estacional [Green3] 332

points - 1.98708873

85 Sabana con pinos [Green1] 612 points and 37-2 Bosque trop sv estac acic, submontano

[Aquamarine] 624 points - 1.98826978

16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 67 Bosque manglar


1 Bosque tropical [Green2] 763 points and 6 Bosque trop lat submontano [Sea Green] 361

points - 1.98860521

6 Bosque trop lat submontano [Sea Green] 361 points and 37-2 Bosque trop sv estac acic,

submontano [Aquamarine] 378 points - 1.99098916

6 Bosque trop lat submontano [Sea Green] 361 points and 65 Bosque manglar Caribe

[Purple2] 20 points - 1.99134675

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 40 Bosque trop sv esac

montano inferior [Blue2] 165 points - 1.99194193

6 Bosque trop lat submontano [Sea Green] 361 points and 16-HCW Bosq trop sv mixto,

altimontano, HCW [Magenta1] 195 points - 1.99236886

6 Bosque trop lat submontano [Sea Green] 361 points and 9 Bosqeu trop sv lat montano

inferior [Sienna2] 168 points - 1.99323696

3 Bosque tropical [Green] 677 points and 23-s-M bosque trop estacional [Green3] 332

points - 1.99375173

3 Bosque tropical [Green] 677 points and 67 Bosque manglar Pacifico [Purple2] 98 points -

1.99392096

6 Bosque trop lat submontano [Sea Green] 361 points and 40 Bosque trop sv esac montano

inferior [Blue2] 165 points - 1.99403550

40 Bosque trop sv esac montano inferior [Blue2] 165 points and 16-HCW Bosq trop sv mixto,


6 Bosque trop lat submontano [Sea Green] 361 points and 90 Herbazal pantanoso,


6 Bosque trop lat submontano [Sea Green] 361 points and 14-HCW Bosque trop sv lat montano

superior [Blue1] 322 points - 1.99458905

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 67 Bosque manglar


3 Bosque tropical [Green] 677 points and 16-HCW Bosq trop sv mixto, altimontano, HCW

[Magenta1] 195 points - 1.99609564

6 Bosque trop lat submontano [Sea Green] 361 points and 37-2 Bosque trop sv estac acic,


37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 40 Bosque trop sv

esac montano inferior [Blue2] 165 points - 1.99772208

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 16-HCW Bosq trop sv mixto,


3 Bosque tropical [Green] 677 points and 48-M Bosque trop sv estac aluvial [Sienna1] 119

points - 1.99802779

67 Bosque manglar Pacifico [Purple2] 98 points and 65 Bosque manglar Caribe [Purple2] 20

points - 1.99807918

1 Bosque tropical [Green2] 763 points and 48-M Bosque trop sv estac aluvial [Sienna1] 119

points - 1.99815045

23-s-M bosque trop estacional [Green3] 332 points and 6 Bosque trop lat submontano [Sea

Green] 361 points - 1.99816329

1 Bosque tropical [Green2] 763 points and 67 Bosque manglar Pacifico [Purple2] 98 points

- 1.99828497

3 Bosque tropical [Green] 677 points and 40 Bosque trop sv esac montano inferior [Blue2]

165 points - 1.99837850

3 Bosque tropical [Green] 677 points and 14-HCW Bosque trop sv lat montano superior

[Blue1] 322 points - 1.99856252

1 Bosque tropical [Green2] 763 points and 14-HCW Bosque trop sv lat montano superior

[Blue1] 322 points - 1.99860459

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 14-HCW Bosque trop sv lat

montano superior [Blue1] 322 points - 1.99875244

85 Sabana con pinos [Green1] 612 points and 40 Bosque trop sv esac montano inferior

[Blue2] 165 points - 1.99876371

23-s-M bosque trop estacional [Green3] 332 points and 67 Bosque manglar Pacifico

[Purple2] 98 points - 1.99887705

85 Sabana con pinos [Green1] 612 points and 37-2 Bosque trop sv estac acic, submontano


37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 14-HCW Bosque trop

sv lat montano superior [Blue1] 322 points - 1.99954375

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 14-HCW Bosque trop

sv lat montano superior [Blue1] 322 points - 1.99955795

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 67 Bosque manglar Pacifico

[Purple2] 98 points - 1.99957520

3 Bosque tropical [Green] 677 points and 9 Bosqeu trop sv lat montano inferior [Sienna2]

168 points - 1.99959881

1 Bosque tropical [Green2] 763 points and 16-HCW Bosq trop sv mixto, altimontano, HCW

[Magenta1] 195 points - 1.99964765

48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 67 Bosque manglar Pacifico

[Purple2] 98 points - 1.99966551

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 40 Bosque trop sv esac

montano inferior [Blue2] 165 points - 1.99968684

3 Bosque tropical [Green] 677 points and 65 Bosque manglar Caribe [Purple2] 20 points -

1.99968902

1 Bosque tropical [Green2] 763 points and 40 Bosque trop sv esac montano inferior [Blue2]

165 points - 1.99970523

48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 14-HCW Bosque trop sv lat

montano superior [Blue1] 322 points - 1.99973832

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 90 Herbazal pantanoso,


23-s-M bosque trop estacional [Green3] 332 points and 16-HCW Bosq trop sv mixto,


23-s-M bosque trop estacional [Green3] 332 points and 40 Bosque trop sv esac montano


48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 9 Bosqeu trop sv lat montano


1 Bosque tropical [Green2] 763 points and 65 Bosque manglar Caribe [Purple2] 20 points -

1.99982422

14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 65 Bosque manglar

Caribe [Purple2] 20 points - 1.99985666

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 65 Bosque manglar Caribe

[Purple2] 20 points - 1.99987895

3 Bosque tropical [Green] 677 points and 37-2 Bosque trop sv estac acic, submontano


16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 90 Herbazal


23-s-M bosque trop estacional [Green3] 332 points and 14-HCW Bosque trop sv lat montano

superior [Blue1] 322 points - 1.99990936

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 16-HCW Bosq trop

sv mixto, altimontano, HCW [Magenta1] 195 points - 1.99991045

3 Bosque tropical [Green] 677 points and 90 Herbazal pantanoso, gramineas/palmas

[Purple2] 180 points - 1.99991066

48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 37-2 Bosque trop sv estac

acic, submontano [Aquamarine] 624 points - 1.99991268

48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 37-2 Bosque trop sv estac


1 Bosque tropical [Green2] 763 points and 9 Bosqeu trop sv lat montano inferior [Sienna2]

168 points - 1.99991681

40 Bosque trop sv esac montano inferior [Blue2] 165 points and 65 Bosque manglar Caribe

[Purple2] 20 points - 1.99992269

48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 65 Bosque manglar Caribe

[Purple2] 20 points - 1.99993470

37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 16-HCW Bosq trop

sv mixto, altimontano, HCW [Magenta1] 195 points - 1.99993594

3 Bosque tropical [Green] 677 points and 37-2 Bosque trop sv estac acic, submontano


48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 16-HCW Bosq trop sv mixto,


48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 40 Bosque trop sv esac montano


90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points and 65 Bosque manglar Caribe

[Purple2] 20 points - 1.99995582

23-s-M bosque trop estacional [Green3] 332 points and 9 Bosqeu trop sv lat montano


23-s-M bosque trop estacional [Green3] 332 points and 65 Bosque manglar Caribe [Purple2]

20 points - 1.99996803

1 Bosque tropical [Green2] 763 points and 90 Herbazal pantanoso, gramineas/palmas

[Purple2] 180 points - 1.99997183

16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 65 Bosque manglar


9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 90 Herbazal pantanoso,


23-s-M bosque trop estacional [Green3] 332 points and 90 Herbazal pantanoso,


1 Bosque tropical [Green2] 763 points and 37-2 Bosque trop sv estac acic, submontano


1 Bosque tropical [Green2] 763 points and 37-2 Bosque trop sv estac acic, submontano




9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 37-2 Bosque trop sv estac


48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 90 Herbazal pantanoso,




85 Sabana con pinos [Green1] 612 points and 6 Bosque trop lat submontano [Sea Green] 361

points - 1.99999857

9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 37-2 Bosque trop sv estac


23-s-M bosque trop estacional [Green3] 332 points and 37-2 Bosque trop sv estac acic,


23-s-M bosque trop estacional [Green3] 332 points and 37-2 Bosque trop sv estac acic,


23-s-M bosque trop estacional [Green3] 332 points and 48-M Bosque trop sv estac aluvial

[Sienna1] 119 points - 1.99999984

85 Sabana con pinos [Green1] 612 points and 16-HCW Bosq trop sv mixto, altimontano, HCW

[Magenta1] 195 points - 2.00000000

85 Sabana con pinos [Green1] 612 points and 14-HCW Bosque trop sv lat montano superior

[Blue1] 322 points - 2.00000000

85 Sabana con pinos [Green1] 612 points and 48-M Bosque trop sv estac aluvial [Sienna1]

119 points - 2.00000000

85 Sabana con pinos [Green1] 612 points and 65 Bosque manglar Caribe [Purple2] 20 points

- 2.00000000

3 Bosque tropical [Green] 677 points and 85 Sabana con pinos [Green1] 612 points -

2.00000000

85 Sabana con pinos [Green1] 612 points and 1 Bosque tropical [Green2] 763 points -

2.00000000

85 Sabana con pinos [Green1] 612 points and 9 Bosqeu trop sv lat montano inferior

[Sienna2] 168 points - 2.00000000

85 Sabana con pinos [Green1] 612 points and 23-s-M bosque trop estacional [Green3] 332

points - 2.00000000

Las firmas espectrales también pueden presentarse en forma individual, con mas detalle

sobre sus características. La presentación de las estadísticas detalladas incluye además

del medio de todos los valores de la imagen, los valores mínimos y máximos (rojos) y el

rango de la primera desviación estándar. La leyenda en detalle se ve solamente en la

primera presentación para “23-s-M bosque trop estacional”.

Si se compara todos las histogramas, se nota diferencias significativas que serán de

utilidad en definir características de la respuesta de cada clase de vegetación, que forman

parte del análisis para distinguir entre variaciones anuales y cambios en la vegetación

como consecuencia de la degradación de recursos.

Si se compara estos resultados con la metodología para la evaluación del porcentaje de

cobertura de bosque, se nota la similitud en el uso de los valores más bajos de ndvi como

índice, que reconoce que estos valores pueden ser diagnósticos de condiciones regulares

y especificas en la vegetación.

La metodología para completar el catálogo de firmas espectrales de cada clase de

vegetación seria el desarrollo de estadísticas para cada clase de vegetación para cada año,

para apreciar el rango de variabilidad que se espera bajo la variabilidad climática normal.

Se puede construir una firma espectral „promedio‟ para cada clase de vegetación y

guardarlo como parte de las definiciones estándares. Este catálogo será el „machote‟

contra cual se compara las firmas espectrales „instantáneos‟ para evaluar si hay

probabilidad de degradación en la vegetación.

7) Chequeo de “campo”

Un elemento clave en el sistema de monitoreo es comprobar

que representan los cambios detectados con MODIS. La

evaluación mas completa seria una visita de campo,

acompañado por una evaluación de fotografías aéreas de la

zona en tiempos pasados. Sin embargo, esta clase de inversión

de personal y tiempo es lo mas caro, entonces aquí se propone

una serie de pasos que se puede tomar, que permiten ajustar la

respuesta a la duda a la capacidad presupuestaria.

Como respuesta más práctico, se puede aplicar una

metodología mixta, que utiliza fotografías aéreas e imágenes de

satélite como base, que enfoca en la revisión ocular para dar

una respuesta definitiva a la duda

sobre los cambios ocurridos.

Esta metodología brinca por

completo la etapa de

clasificación e imágenes de alta

resolución tipo LANDSAT,

porque los resultados de tal

actividad siempre serian

probabilísticas, y en la mayoría

de los casos dependerían de una

revisión de fotografías o visitas

de campo. Las fotografías aéreas

y/o imágenes de satélite a utilizar

para esta fase pueden ser mas

fácilmente accesadas por medio

de Google Earth, que provee

imágenes de diferentes fechas, en

un muchos casos, de muy buena

resolución.

Google Earth actualiza imágenes

en forma irregular, pero

frecuente. En la figura adjunta se

presentan las fechas recientes de

actualización de imágenes, donde

se aprecia 20 fechas de

actualización, en todo el mundo.

Centroamérica recibe

actualizaciones, aunque para la

fecha 5 Octubre 2010 no hay

imágenes para Republica

Dominicana.

En una segunda foto se ven las „fajitas‟ de imagen de alta resolución sobre puestas en la

parte occidental de Honduras. Las imágenes con borde rojo son los mas recientemente

actualizadas; sin embargo, se nota otras imágenes de alta resolución sin borde, que son

las imágenes anteriores a las actualizaciones mas recientes.

Una gran contribución de Google Earth es en la provisión de imágenes de muy alta

resolución, aunque estén en una distribución irregular. Estas imágenes sirven para definir

la línea base, las condiciones históricas de la tierra cuando es necesario evaluar algún

cambio. En la foto adjunta, se aprecia una zona de quema bajo bosque, con algunos

árboles severamente afectados, y otros con muy poco daño por la quema.

Como etapa final de comprobación, se puede programar una revisión por avioneta anual

que visite sitios analizados de tal manera. Con el apoyo de GPS, y la preparación de cada

sitio con fotografías aéreas y mapas, la mayoría de las dudas sobre supuestos cambios en

cobertura pueden ser investigados y documentados fotográficamente. El uso del avioneta

llega a ser factible, técnicamente y económicamente, por medio de la preparación; la

documentación previa de

los sitios

georeferenciadas permite

una llegada precisa y

rápida, y el hecho de

tener fotografías

históricas resuelve dudas

sobre actividades de uso

y la ubicación exacta de

la observación. En pocos

días, o semanas

(dependiendo del numero

y la distribución de

puntos de dudas), se

puede hacer un sobre

vuelo de decenas de

puntos para una respuesta

definitiva; aunque el

costo del uso del avión

sería de miles de dólares,

resulta relativamente económica como forma de desplazarse a puntos diversos a lo largo

del territorio nacional, especialmente en zonas alejadas y de mal acceso.

8) Normalización por precipitación

Como el análisis fenológico depende mucho del crecimiento de hojas, hay que tomar en

cuenta el estado hidrometeoro lógico de la región cuando se evalúan las firmas

espectrales. Aunque las diferencias en clima entre la zona atlántica y pacifica están bien

conocidas, también hay variantes año a año, por causa de ciclos de clima, el niño, o una

variedad de otros factores. Aunque no es posible hacer una revisión exhaustiva de clima

(por los variantes locales dentro del patrón general), se puede caracterizar los años

climáticos como húmedos, normales o secos. Hay varios métodos para documentar el

estado de la precipitación para cualquier año;

1) el CRRH emite en forma regular una apreciación de condiciones de clima,

usualmente en forma trimestral. Además hace un pronostico de condiciones en

los próximos meses.

2) Fuentes satelitales, tal como TRMM, reportan tendencias de precipitación para

toda la región con una alta resolución. Estos datos pueden estratificarse en zonas

pacificas y atlánticas para caracterizar las condiciones climáticas del año como un

todo (especialmente importante para crear la línea base) y también en forma

mensual, para ayudar en la apreciación „instantáneo‟ del estado de bosque.

9) Metodología – Construcción de Métricas MODIS

La gran fortaleza de MODIS para el análisis de vegetación es su frecuencia de imágenes,

que permite el análisis de la reflectancia de la vegetación en varios diferentes periodos

del año. Aprovechar esta fortaleza requiere crear „métricas‟ de las imágenes compuestas

que captan la dinámica fenológica, y permite cuantificar la dinámica como base de un

análisis de estados de vegetación, y eventualmente, cambios en el estado año a año.

Han experimentado con varias métricas, con AVHRR y MODIS para precisar grado de

cobertura forestal (Hansen et.al. 2002, Hansen et.al. 2003, Hansen et.al. 2005). Llegan

hasta 62 métricas en base de las primeras 7 bandas MODIS y las bandas de temperatura

para los análisis mas recientes de MODIS.

La construcción de las métricas busca captar momentos significativos en el ciclo anual,

para enfocar el análisis en esos momentos, y sacar contrastes de vegetación en esos

momentos (ejemplo de Hansen et.al. 2002). La construcción de las métricas utiliza la

misma lógica de la selección de los mejores píxeles en las compuestas de 8 o 16 días; se

busca fechas con valores apropiadas según diferentes criterios (NDVI al máximo, mínimo

o medio) y se extrae los datos de cada banda de la misma imagen.

Las métricas incluyen;

1) los valores máximos, mínimos y promedios de cada píxel para el año. Esta

métrica arroja 3 bandas, una de máximos, otra de mínimos, y otro de promedios,

para cada una de las primeras 7 bandas MODIS.

2) Los valores de banda correspondientes a los valores máximos, mínimos y

promedios de NDVI.

3) Los valores de banda correspondientes a los valores máximos, mínimos y

promedios de temperatura.

4) Valor promedio de banda para los 3 meses con valores mas bajos.

5) Valor promedio de banda para los 3 meses con valores mas altos de NDVI

6) Valor promedio de banda para los 3 meses con valores mas altos de temperatura

7) Amplitud de valores máximos, mínimos y promedios

8) Amplitud de valores para meses con máximo, mínimo y promedio de valores

NDVI

9) Amplitud de valores para meses con máximo, mínimo y promedio de

temperaturas altas

10) Lo mismo para bandas 3,4,5,6

En el interés de eficiencia en el manejo de datos, se puede priorizar las métricas que dan

mas resultado para la construcción de la cobertura final. En el cuadro 1 se presentan las

contribuciones de cada métrica a la clasificación de las imágenes finales. Algunas de las

métricas de las bandas 1,3, 4 y 6 explican mas de 80% de la varianza en la clasificación,

que sugiere que se puede hacer un análisis preliminar fácilmente con una base de datos

incompleta, y dependiendo de la evaluación de los resultados de las clasificaciones, este

juego limitado de métricas puede ser la lista definitiva para el trabajo de monitoreo.

El uso de estas métricas requiere tareas repetitivas para construir las bases de datos

relevantes. Al igual que las imágenes compuestas, estas imágenes pueden almacenar una

vez terminadas, para uso futuro. La construcción de las “imágenes” de las métricas

podria ser muy tedioso, por requerir mucho manipuleo de datos; para reducir el costo de

preparación de estas imágenes el proceso puede ser automatizado por medio de

programas creados específicamente para crearlas; se provee nombres de archivos MODIS

como insumos, los programas se encargan de generar métricas sin supervisión.

10) Aplicación de metodología árbol de decisiones

La implementación del análisis VCF con se hace con el clasificador „árbol de decisiones‟,

que está disponible en ENVI. La metodología se desarrolla paso por paso, tomando cada

decisión en base de la variabilidad existente en la colección de datos a analizar.

Contribución de cada banda o métrica a la clasificación puede cambiar con la época del

año, especialmente entre la época lluviosa y la época seca. La aplicación del árbol de

decisiones se hace con referencia a las firmas espectrales del bosque de interés (vea la

sección Caracterización de la dinámica fenológica), y la época del año. Aquí un ejemplo

de la contribución de cada banda y métrica a la reducción de la varianza en los datos.

(Hansen 2003)

El numero dentro de los elipses son el porcentaje de cobertura forestal en esa porción del

árbol, mientras que debajo de los elipses se indica cuales son las métricas utilizadas y el

valor de evaluación. (Diagrama de Hansen 2003).

11) Agregación de nuevos datos a secuencia NDVI dinámica

La metodología VCF depende de una secuencia de datos completo para el año, ya que se

diferencia sus métricas en base de la variabilidad anual y la posición de los datos de cada

banda en este ciclo. La evaluación dinámica de condiciones de cobertura requiere la

introducción de periodos nuevos para la evaluación, de manera que será necesaria

eliminar un periodo que corresponde al inicio de la secuencia anual para agregar el

nuevo; para agregar datos para el mes de septiembre, hay que eliminar los datos del

septiembre anterior.

Una vez construidas las bases de datos nuevos, hay que volver a hacer la evaluación de

las métricas. Hay que evaluar si los valores del periodo nuevo son de los mas altos, o

mas bajos, de su clase, y cambiar las métricas en forma correspondiente. Es un proceso

rutinario, pero grande y tedioso, entonces vale la pena generar procedimientos para

automatizar algunas partes de la re-evaluación.

12) Construcción de la línea base del comportamiento fenológico

Es necesario crear una secuencia de imágenes „oficiales‟ de varios años para establecer el

patrón de cambio anual. Las imágenes se evalúan por calidad de píxel general (vea

cuadro “VI Quality”, banda 3 y “Píxel Reliability Summary” banda 12) en cada época del

año; si calidad es baja, hay que hacer la compuesta de mas días de largo para identificar

el máximo numero de píxeles sin contaminación de nubes.

Hay una „dinámica anual‟ de la vegetación a nivel nacional (o regional) correspondiente

al cambio de las estaciones, entre épocas húmedas y secas, frías y calientes. El producto

MODIS “MOD12Q2 _ Dynamics Yearly L3 Global 1km _ Land Cover” (vea anexo),

describa a nivel mundial los hitos anuales en los cambios de verdor; mínimo, máximo,

inicio del „enverdecer‟, en días desde el inicio del año. Para el monitoreo a nivel nacional

hay que describir esta dinámica específicamente zona por zona, ya que el monitoreo tiene

que distinguir cambios en el patrón en cualquier de los microclimas del país. La

cobertura MOD12Q2 puede ser modelo de cómo describir la dinámica anual.

La función de la línea base será construir una serie de evaluaciones anuales que forma la

base para evaluar cambios observados en cualquier año siguiente. Se crea una desviación

estándar en los cambios observados, para poder concretar en que momento un cambio

sale de la norma de las variaciones anuales. La secuencia histórica crea la base para una

estadística fenológica.

La construcción de la línea base será la tarea mas grande del sistema de monitoreo.

Requiere conseguir las imágenes originales MODIS para cada quincena, crear las

imágenes compuestas, generar las métricas anuales VCF, y crear la tabla estadística de

variaciones. Además, debe de generar experiencias con la „predicción‟ de condiciones de

cambio en base de evaluaciones de meses nuevos, como una simulación de la evaluación

de los procesos de cambio a que se expondrán con la implementación del sistema de

monitoreo.

13) Funcionamiento del sistema de monitoreo

El puesto en marcha del sistema de monitoreo no requiere mucho equipo, pero sí requiere

la seguridad de un buen sistema de respaldo para las secuencias históricas de la linea

base. Requiere una computadora con un disco de 1TB, con dos discos de respaldo, cada

uno de 1TB; estos discos deben de seguir un protocolo muy estricto de seguridad, donde

los respaldos residen en lugares separados, y los dos están separados del equipo de

trabajo, con la excepción del momento en que se esta haciendo el respaldo.

El elemento más engorrosa del proceso será la consecución de los datos MODIS.

Aunque están gratis, siempre requieren que se bajen por internet, un proceso que puede

durar un par de horas por quincena, y requiere una conexión confiable que no arruine el

flujo de datos por causa de „bajonazos‟ de la conectividad de la red. Habrá otras

necesidades de conexión de internet, ya que toda la documentación de MODIS y sus

productos esta en línea, y periódicamente hace actualizaciones del pre-procesamiento de

las imágenes. A veces mejoran algunos aspectos de la georeferenciación, o la corrección

atmosférica que se aplica a los productos MODIS distribuidos, y puede ser deseable bajar

toda la serie de imágenes nuevas para remplazar la serie histórica existente para la región

(una tarea bastante grande), pero este cambio tiene que ser evaluado muy

cuidadosamente, para asegurar que no perjudica la integridad de las observaciones

históricas y la estadística que se ha generado.

La replicación de las estaciones de trabajo en los diferentes países es importante en el

proceso de establecer el sistema de monitoreo. Las variaciones observadas en las

métricas VCF tienen que relacionarse con comunidades vegetativas especificas, para

asegurar la mayor probabilidad de que los cambios potenciales identificados sean

correctos; esta relación con las comunidades vegetales requiere conocimiento nacional, y

la generación de una documentación para uso en el futuro.

El procesamiento de las imágenes MODIS será posible en una sola computadora

eventualmente, entonces se puede visualizar un sistema regional mucho mas compacto en

el futuro. Sin embargo, para la fase de arranque es importante contar con expertos en

cada país para establecer los ritmos fenológicos visibles por MODIS, y generar la

documentación de cómo relaciona con la vegetación nacional. La decisión final de

cuantos sistemas duplicados mantener será una decisión política a nivel de país, si

disponen del compromiso nacional para mantener el sistema de monitoreo que no es

100% necesario, ya que podría apoyarse en los datos procesados de países vecinos.

Otro elemento necesario es el sistema de impresión. La revisión de campo requiere una

capacidad de duplicar imágenes a una escala moderada, para revisión en el avión, o desde

un carro. El sistema de impresión no puede fallar, especialmente en el periodo de

revisión. También será de importancia en el periodo de generación del sistema, cuando

se explora la variedad en respuestas de reflectancia, y se trata de relacionarlos con la

vegetación de campo.

Los programas necesarias para implementar el sistema son ENVI para la ejecución de la

clasificacion arbol de decisiones, WEKA, un programa Java de dominio público de „data

mining‟ para apoyar el árbol de decisiones, el programa PCI para su facilidad en la

georeferenciación de imágenes, el ArcGIS para la comparación y la evaluación

estadística de resultados, y el Google Earth.

El plan de chequeo de campo es muy innovador para la región, y pareciera difícil por

cuestión de costos. Sin embargo, con una buena planificación, la comprobación de

campo puede hacerse un menos de un mes, y los costos del avión no saldrán muy

diferentes del costo de desplazar un equipo a lugares remotos en vehículo de doble

tracción, financiar hospedajes y viáticos. El uso de avión podría hacerse aprovechando

personal en sus sedes de trabajo (cuando tienen aeropuerto cerca) para evitar muchos

costos de viáticos y viaje.

14) Conclusión; Propuesta de monitoreo REDD+ regional

El sistema propuesta diverge de la estrategia tradicional de mapeo forestal en

Centroamérica (basado en LANDSAT) para lograr una serie de objetivos;

1) promover la sostenibilidad del sistema por medio de bajos costos

2) generar una línea base confiable para poder defender observaciones y

conclusiones resultantes del sistema de monitoreo

3) proponer una metodología que abarca áreas grandes de la zona para reducir el

impacto del procesamiento nacional

4) visualizar una metodología con chequeo de campo que da mas fortaleza a

conclusiones

15) Bibliografía

Ashutosh, Subhash. 2009. “Nationwide Biennial Forest Cover Monitoring;

Nationwide Biennial Forest Cover Monitoring : India‟ s Experience.” En REDD Capacity

Development Workshop on: “Forest Area Change Assessment: The Experience of

Existing Operational Systems”. INPE, Sao Jose dos Campos, Brazil. 4-6 February 2009.

Luigi Boschetti, David Roy, Chris Justice, y Louis Giglio. 2009. “Burned Area Mapping:

The MODIS Global Burned Area Product. En REDD Capacity Development Workshop

on: “Forest Area Change Assessment: The Experience of Existing Operational Systems”.

INPE, Sao Jose dos Campos, Brazil. 4-6 February 2009.

Cisneros, Jorge. 2010: comunicación personal.

Matthew L. Clark, T. Mitchell Aide, H. Ricardo Grau, George Riner. 2010. ”A scalable

approach to mapping annual land cover at 250 m using MODIS time series data: A case

study in the Dry Chaco ecoregion of South America”. En Remote Sensing of

Environment 114 (2010) 2816–2832.

FAO 2003: Costa Rica frente al Cambio Climático. Serie Centroamericana de Bosques y

Cambio Climático.

FERREIRA, N.C., L. G. FERREIRA, A. R. HUETE y M. E. FERREIRA. 2007. “An

operational deforestation mapping system using MODIS data and spatial context

analysis”. En International Journal of Remote Sensing: Vol. 28, No. 1, 10 January 2007,

47–62.

GOFC-GOLD, 2008, Reducing greenhouse gas emissions from deforestation and

degradation in developing countries: a sourcebook of methods and procedures for

monitoring, measuring and reporting, GOFC-GOLD Report version COP13-2, (GOFC-

GOLD Project Office, Natural Resources Canada, Alberta, Canada).

Sourcebook_Version_June_2008_COP13-2.pdf

Hansen, M.C., R.S. DeFries, J.R.G. Townshend, R. Sohlberg, C. Dimiceli, M. Carroll.

2001. “Towards an operational MODIS continuous field of percent tree cover algorithm:

examples using AVHRR and MODIS data”. En Remote Sensing of Environment 83

(2002) 303–319.

Hansen, M.C., R. S. DeFries, J. R. G. Townshend, M. Carroll, C. Dimiceli, and R. A.

Sohlberg. 2003. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First

Results of the MODIS Vegetation Continuous Fields Algorithm. In Earth Interactions,

Volume 7 (2003), Paper No. 10; Page 1.

Hansen, Matthew C., Stephen V. Stehman, Peter V. Potapov, Thomas R. Loveland, John

R. G. Townshend, Ruth S. DeFries¶, Kyle W. Pittman, Belinda Arunarwati, Fred Stolle,

Marc K. Steininger, Mark Carroll, and Charlene DiMiceli. 2008. Humid tropical forest

clearing from 2000 to 2005 quantified by using multitemporal and multiresolution

remotely sensed data. PNAS. July 8, 2008; vol. 105; no. 27: 9439–9444.

Matthew C. Hansen, David P. Roy, Erik Lindquist, Bernard Adusei, Christopher O.

Justice, Alice Altstatt. 2008. “A method for integrating MODIS and Landsat data for

systematic monitoring of forest cover and change in the Congo Basin”. Remote Sensing

of Environment 112 (2008) 2495–2513.

Meneses Tovar, Carmen. 2009. MONITORING MONITORING OF VEGETATION

COVER: México. En REDD Capacity Development Workshop on: “Forest Area

Change Assessment: The Experience of Existing Operational Systems”. INPE, Sao Jose

dos Campos, Brazil. 4-6 February 2009.

Valeriano, Dalton de Morisson. 2009. Satellite Monitoring of the Brazilian Amazon. En

REDD Capacity Development Workshop on: “Forest Area Change Assessment: The

Experience of Existing Operational Systems”. INPE, Sao Jose dos Campos, Brazil. 4-6

February 2009.

Vermote, Eric F., Nazmi Z. El Saleous, Christopher O. Justice. 2002. “Atmospheric

correction of MODIS data in the visible to middle infrared: first results”. En Remote

Sensing of Environment 83 (2002) 97– 111.

Vermote, Eric F., Nazmi Z. El Saleous. 2006. “Operational Atmospheric Correction of

MODIS Visible to Middle Infrared Land Surface Data in the Case of an Infinite

Lambertian Target.” Capitulo 8.

16) Anexos:

MODIS Overview.pdf

MOD11A2 _ 8-Day L3 Global 1km _ Land Surface Temperature & Emissivity.pdf

MOD12Q2 _ Dynamics Yearly L3 Global 1km _ Land Cover.pdf

MOD13Q1 _ 16-Day L3 Global 250m _ Vegetation Indices.pdf

MOD44B _ Yearly L3 Global 500m _ Vegetation Conversion-Continuous Fields.pdf

Documents

Proyecto: DESARROLLO DE METODOLOGÍA PARA …El resultado ha sido una falta de monitoreo de cobertura regional con resultados comparables entre los diferentes países, y una falta