View
11
Download
0
Category
Preview:
Citation preview
Título de la Publicación: Texto Normal | 1.
Susceptibilidad a incendios forestales Ficha Técnica #4
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 info@reddccadgiz.org www.giz.de www.reddccadgiz.org Versión Diciembre 2018 Diseño Oscar Rodríguez, Asesor Técnico en Comunicación Estratégica Programa Regional REDD/CCAD-GIZ oscar.rodriguez@giz.de 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 abner.jimenez@giz.de 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).
Susceptibildiad a incendios forestales 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
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
3.1.3 PROCESAMIENTO .......................................................................................................... 12
3.1.3.1 DEFINICIÓN DE FECHAS ............................................................................................ 12
3.1.3.3 PROCESO DE MODELACIÓN ...................................................................................... 17
a. FUSIÓN DE VARIABLES ...................................................................................................... 17
b. NOMBRAMIENTO Y SEPARACIÓN DE BANDAS .................................................................. 17
c. UNIÓN DE COLECCIÓN DE MUESTRAS .............................................................................. 17
d. REGIONES DE ENTRENAMIENTO ....................................................................................... 17
e. EXCLUSIÓN DE VALORES NULOS ...................................................................................... 17
f. ENTRENAMIENTO .............................................................................................................. 17
g. MODELACIÓN ..................................................................................................................... 18
3.1.4 DATOS DE SALIDA.......................................................................................................... 20
3.1.4.1 VISUALIZACIÓN DE RESULTADOS ............................................................................. 20
3.1.4.2 EXPORTACIÓN DE RESULTADOS .............................................................................. 21
3.1.4.3 COMPARTIR SCRIPT .................................................................................................. 22
3.1.5 INSTRUMENTOS DE APOYO ........................................................................................... 23
CAPÍTULO III. PUNTOS CLAVES ..................................................................................................................................... 24
BIBLIOGRAFÍA.................................................................................................................................................................... 25
2 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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
Los incendios forestales tienen muchas repercusiones sobre la diversidad biológica. A escala mundial,
son una fuente importante de emisión de carbono, contribuyendo al calentamiento global que podría
modificar la biodiversidad. A nivel regional y local, modifican el volumen de biomasa, alteran el ciclo
hidrológico con consecuencias sobre los sistemas marinos como los arrecifes de coral, e influyen en
el comportamiento de las especies vegetales y animales. El humo procedente de los incendios puede
reducir notablemente la actividad fotosintética y perjudicar la salud de los seres humanos y de los
animales (Davies y Unam, 1999 citado por Nasi, Dennis, Meijaard, Applegate, & Moore, 2002).
A nivel regional, la acelerada ocurrencia de incendios forestales ha sido considero como uno de las
principales causas que altera la estructura original de los ecosistemas terrestres. La frecuencia y el
área queda en tierras forestales han ido amentando de forma gradual y significativa, dejando daños
ecosistémicos, económicos y sociales.
Debió a la problemática inminente y la falta de estudios que permitan establecer sistemas de monitoreo
robustos, surge la necesidad imperante de contar con estrategia de base o instrumentos que permitan
a los tomadores de decisiones gestionar los riesgos potenciales que repercuten en el ambiente.
En este manual se plantea una seria de pasos que permitirán estimar y modelar la susceptibilidad a
incendios forestales, integrando una serie de variables que están interrelacionadas y utilizando el
principio de clasificación basada en regresión Random Forest. Las variables consideradas responden
a los diferentes factores que interactúan en la ignición de un incendio, tal es el caso de los diferentes
tipos de acceso, condiciones climáticas irregulares, comportamiento en la vegetación y condiciones
físicas del terreno. Asimismo, el proceso metodológico hace uso de una seria de insumos satelitales
disponibles dentro de la plataforma de Google Earth Engine.
El objetivo principal es que, a través del uso de la nueva plataforma informática de procesamiento en
la nube, se pueda obtener resultados precisos sobre la estimación del riesgo para tomar medidas de
mitigación y acciones operativas en el terreno, bajo el propósito de prevenir los incendios forestales y
conservar los bosques.
3 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
CAPÍTULO I. PLANTEAMIENTO
1.1 INTRODUCCIÓN
Los bosques juegan un papel importante en diferentes aspectos de la vida para las personas, FAO
(2014) afirma que: “son el medio de subsistencia a más de mil millones de personas que viven en
condiciones de pobreza extrema en todo el mundo y aportan empleo remunerado a más de cien
millones” (p.3). Sin embargo, en los últimos años la presión que el ser humano ha ejercido sobre ellos,
plantea desafíos enormes para su recuperación. Asimismo, los bosques son uno de los recursos
naturales más importantes para lograr el equilibrio ambiental y proporcionan una amplia gama de
beneficios tangibles e intangibles para las poblaciones (Pourtaghi, Pourghasemi, & Rossi, 2015).
Según Billings et al., (2004), en América Central los bosques se ven sometidos mucho tiempo a las
amenazas de diversos agentes destructivos como huracanes, sequias, incendios, actividades
humanas y plagas forestales. La combinación de estos factores ha producido en años recientes
efectos negativos sobre los recursos forestales de la región.
En el caso particular de los incendios forestales el grado de cambio ecológico inducido y la gravedad
del fuego, ha sido el foco de innumerables estudios en todo el mundo (Parks et al., 2018).
A nivel regional los avances sobre el monitoreo de los incendios han tenido a un impacto significativos
tanto en la generación de información como en la mitigación y monitoreo; tal es el caso de la plataforma
de CONABIO el cual es un es un sistema que genera información en forma operacional para la
atención de incendios forestales, usando datos satelitales como insumo principal. Asimismo, la
plataforma de Global Forest Watch Fire, pone a disposición un sistema de monitorea a nivel mundial
donde basa todos sus análisis en anomalías térmicas provenientes de espectrorradiómetros de
imágenes de resolución moderada (VIIRS, MODIS y NOAA).
Sin embargo, la producción de conjuntos de datos sobre la susceptibilidad de incendios inferidos por
satélite ha sido un desafío, debido a la falta de información y la limitada investigación en la temática
sobre el monitoreo de incendios forestales. Por esta razón, modelar la variabilidad espacial de la
susceptibilidad a incendios forestales es esencial (Parisien et al., 2012). Ya que esto nos permite
diseñar estrategias para mitigar la ignición de incendios forestales (Finney 2005 citado por Valdez,
Chang, Chen, Chiang, & Santos, 2017)
4 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
1.2 OBJETIVO
1.2.1 OBJETIVO GENERAL
Documentar un manual metodológico sobre el procesamiento de imágenes satelitales para modelar la
variabilidad espacial de la susceptibilidad a incendios forestales 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.
5 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
CAPÍTULO II. FICHA TÉCNICA
2.1 MODELACIÓN DE SUSCEPTIBILIDAD A INCENDIOS FORESTALES
2.1.1 DESCRIPCIÓN DE ALGORITMO
Los incendios forestales son probablemente el evento más perjudicial en las áreas de bosques y áreas
de distribución en el Mediterráneo hoy en día. A pesar de la significativa área quemada cada año,
poco se ha hecho para desarrollar estrategias y técnicas para la conservación de los bosque (Ferreira
et al., 2015).
En la actualidad existen algunos tipos de algoritmos especializados en el monitoreo de incendios
forestales. Asimismo, en los últimos años, el uso de algoritmos de aprendizaje automático; redes
neuronales y los clasificadores de árbol de decisión han demostrado a través de plataformas
informáticos (Global Forest Watch Fiere, CONAMBIO ect) ser efectivos tanto en tiempo como recursos
(Financiero y Técnico).
Muchos estudios para el monitoreo de incendios han utilizado métodos estadísticos como la regresión
logística y la regresión lineal múltiple (Zhang, Lim, & Sharples, 2016). Otros estudios han demostrado
que los algoritmos de aprendizaje automático pueden proporcionar una precisión mejorada sobre los
métodos estadísticos y es más probable que reduzcan el efecto de autocorrelación espacial (Bisquert,
Caselles, Sánchez, & Caselles, 2012).
La base para el desarrollo de este manual es el estudio realizado por Valdez et al., (2017) & Cáceres,
(2017); mismo que describe un proceso metodológico para modelar la susceptibilidad a incendios
forestales.
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 identificar la variabilidad espacial de
la susceptibilidad a incendios forestales, la metodología diseñada para esta guía metodológica sigue
tres pasos principales: (1) recolección y procesamiento de datos, (2) análisis exploratorio de variables
y (3) modelación (Random Forest).
6
2.1.1.2 DIAGRAMA DE PROCESOS
Datos de EntradaStep: ProcesamientoStep:
Análisis
Distancia
Euclidiana
Preprocesamiento
Algoritmo
Random Forest
(Probabilístico)
3. SalidaStep:
Mapa de
Riesgo o
Susceptibilidad
Procesamiento en la
Nube (GEE)
Publicación de datos
Pesentación de Datos
Muestras:
• Incendios
Histórico
• Seudopunt
os
Variables de
Acceso
• Red Vial
• Red Hídrica
• Urbano
Variables Climáticas
• Temperatura
• Precipitación
Variables Físicas
• Altitud
• Pendiente
• Radiación Solar
Variables Biofísicas
• NDVI
• NMDI
DEM MODIS WordClim
Fusión de
variables
7
2.1.2 DATOS DE ENTRADA
Para el desarrollo del ejemplo sobre la estimación de susceptibilidad a incendios forestales 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.
Ejemplo: 1 2
// Límite de área de estudio.
var Limite = ee.FeatureCollection ("ft:ID de la tabla dinámica");
2. Muestras de incendios
Previo a correr el modelo será necesario contar con las siguientes capas vectoriales (puntos):
1. Puntos de presencia de Incendios
2. Puntos de pseudo ausencia de incendio
Puntos de presencia de Incendios
La capa de puntos de presencia de incendio deberá comprender dentro de la tabla de atributos,
información sobre la fecha de ocurrencia (la fecha hace referencia solamente al mes) y el código de
ocurrencia (Normalmente se usa el valor de 1 para presencia de incendios y 0 para ausencia de
incendios).
De no contar con una capa de puntos sobre la presencia de incendios que describa la información
necesaria para correr el modelo, se puede obtener una capa base de alertas de incendios provenientes
del sistema de monitoreo de incendios forestales CONABIO.
Acceso: http://incendios.conabio.gob.mx/
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.
8 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Luego seleccionamos en Áreas administrativas los siguientes parámetros:
Una vez descargado el archivo se puede visualizar los datos en algún software especializado en SIG
(Qgis o ArcMap).
Puntos de pseudo ausencia de incendio
Los puntos de ausencia de incendios son muestras que se generan de forma aleatoria en el área de
estudio. El número de puntos puede ser igual o mayor que la cantidad de puntos de presencia de
incendios.
Para este proceso, la malla de puntos puede ser generada utilizando el software de ArcMap o Qgis,
utilizando la función de “ArcToolbox/DataManagementTools/Feature -> “CreateRandomPoints” en
ArcMap o en Vector -> Research Tools -> Random Points en Qgis.
La cantidad o número de puntos aleatorios puede esa definida en función del número de muestras de
incendios. A manera de ejemplo y para efecto prácticos, si se tiene 100 muestras de ocurrencia de
incendios, podemos usar 100 muestras de pseudo ausencia.
Una vez generada la malla de puntos aleatoria, es importante considerar en la configuración de la
función, colocar en el campo de distancia mínima entre puntos, una distancia mayor a la resolución
Damos clic en
Consultas
Avanzadas
Rango de fecha
País de interés
Región o Departamento
Descargar archivo
1
2
9 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
espacial de los ráster que se esté analizando (Como ejemplo se puede trabajar con una distancia
mínima de 500 m, si se utiliza los insumos del sensor MODIS).
Unión de muestras
Como proceso final, se realiza la una unión de ambas capas (Puntos de presencia de Incendios +
Puntos de pseudo ausencia de incendio) con el objetivo de tener una sola capa al momento de correr
el modelo estadístico (Randon Forest) para determinar la susceptibilidad. En este paso, es importante
que la columna de Ocurrencia describa valores 1 a todas las muestras de incendios y valores 0 a todos
los pseudospuntos generados. Asimismo, una vez unidas las capas, en la columna de fecha de
ocurrencia, dado a que los pseudopuntos no especificaran una fecha, se puede colocar el nombre de
“Ramdon” (sólo como referencia) con el objetivo de diferencia las muestras y poder aplicar los filtros
correspondientes.
Puntos de pseudo ausencia
de incendio
Puntos de presencia de
Incendios
Nota: Debido a que la generación de la malla de puntos es aleatoria; estos pueden llegar a estar muy cerca
de los puntos de presencia de incendios o incluso llegar a coincidir con estos mismo. Con el objetivo de
obtener una modelación más precisa es necesario eliminar todos los pseudountos que se encuentren un
margen entre 2 a 3 km de las muestras de presencia de incendios. Este problema puede ser resuelto
utilizando algunas funciones sobre proximidad de puntos o realizando selecciones por localización en
función de un distanciamiento de proximidad.
10 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
La capa final, se puede importar a GEE como archivo KML o shapefile. Luego con la función
filterMetadata, se hará el filtrado de las muestras.
Ejemplo: 1 2 3 4 5
//Muestras de incendios
var incendios_hist = ee.FeatureCollection ("ft:ID de table dinámica")
.filterMetadata('Meses', 'equals', 'Enero');
var incendios_alea = ee.FeatureCollection ("ft:ID de tabla dinámica")
.filterMetadata('Meses', 'equals', 'random');
3. Definición de Variables:
Para el desarrollo de este ejemplo práctico se utilizaron las siguientes colecciones de datos:
❖ Reflectancia de superficie de la Tierra 8 días Global 500m (MOD09A1.006)
❖ Índices de vegetación de Terra 16 días Global 500 m (MOD13A1.006)
❖ Temperatura y emisividad de la superficie terrestre, 8 días Global 1km (MOD11A2.006)
❖ Datos de Elevación Digital SRTM 30m
❖ Mapeo Global Satelital de Precipitaciones (Operacional GSMaP)
❖ Sistema de pronóstico global 384 horas de datos de atmósfera pronosticados (GFS)
❖ Sistema de información de incendios para el manejo de recursos (FIRMS)
Nota: Nota: Tener en cuenta que el filtro también se puede aplicar el valor numero descrito en la columna de
ocurrencia (1 para presencia de incendios y 0 para la ausencia de incendios. Ejemplo:
.filterMetadata('ocurrencia', 'equals', 1)
Nota: Las capas de proximidad a Ríos, Carreteras y Urbano, fueron procesadas de forma externa. El análisis
aplicado se desarrollo utilizando el software de ArcMap con la herramienta de Euclidean Distance. Para
mayor información la aplicación de la herramienta se puede consultar el siguiente enlace:
http://desktop.ArcMap.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/understanding-euclidean-
distance-analysis.htm
11 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Variables de acceso
• Red Vial
• Red hídrica
• Zonas Urbanas
Variables climáticas
• Precipitación
• Temperatura
Variables físicas
• Altitud
• Pendiente
• Radiación Solar
Variables biofísicas
• NDVI
• MNDI
Para generar las capas de acceso es necario contar con archivos vectoriales para de red vial, red
hídrica y de zonas urbanas. Luego se realiza un analisis de distacia euclidiana para cada una de las
capas. Las herramientas de distancia euclidiana describen la relación de cada celda con un origen o
un conjunto de orígenes basándose en la distancia de la línea recta. El parámetro a cosiderar al definir
la distancia puede estar en función a la desidad de la red vial y red hídrica. Para efectos prácticos
puede iniciar utilizando una distacia de 1 km. Para mayor informacion puede consultar el siguiente
enlace: http://desktop.ArcMap.com/es/arcmap/10.3/tools/spatial-analyst-toolbox/euclidean-
distance.htm
12 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Ejemplo: 1 2 3 4 5 6 7 8 9 10 11 12 13
//Entradas de información para el modelo de incedios, (Varianles
Físicas, Climáticas y de Acceso)
var Prox_carreteras =
ee.Image("users/usuarioGEE/proxim_carreteras");
var Prox_rios = ee.Image("users/usuarioGEE/proxim_rios");
var Prox_urbano = ee.Image("users/usuarioGEE/proxim_urbano");
var Reflectancia = ee.ImageCollection('MODIS/006/MOD09A1');
var NDVI_colleccion = ee.ImageCollection('MODIS/006/MOD13A1');
var Temperatura = ee.ImageCollection('MODIS/006/MOD11A2');
var Elevaciones = ee.Image("USGS/SRTMGL1_003");
var Precipitacion_diaria = ee.ImageCollection('JAXA/GPM_L3/GSMaP');
var Radiacion_coleccion = ee.ImageCollection('NOAA/GFS0P25');
var FIRMS_colection = ee.ImageCollection('FIRMS');
3.1.3 PROCESAMIENTO
En el desarrollo del Script para la modelación de la susceptibilidad, el procesamiento consiste en las
siguientes fases:
3.1.3.1 DEFINICIÓN DE FECHAS
Debido a que los insumos utilizados para este análisis son en su mayoría productos provenientes del
sensor MODIS, estos, son actualizados cada 8 días, lo cual, significa que los análisis para las
actualizaciones estarán sujetos a este rango de fecha. Asimismo, si se logro adaptar dicho
procedimiento utilizando un sensor como Landsat o Sentinel, el rango de fecha para la actualización
podría variar.
Ejemplo: 1
2
3
//Filtros por fecha
var inicio_mes= "2018-03-01"
var fin_mes= "2018-03-31"
3.1.3.2 PROCESAMIENTO DE VARIABLES
Debido a que el catálogo de datos dentro de la plataforma de GEE contiene un seria de colecciones
de datos de forma completa, estas muchas veces se requiere configurar en función de los
requerimientos del usuario. Para esto muchas de los datos se procesan en función de su disponibilidad
temporal (Fecha) y en función de las características explicitas en su metadato (Nombre y número de
Bandas, Niveles de procesamiento, Calidad, etc.). Para los siguientes ejemplos cada proceso hace
llamada a las colecciones descrita anteriormente.
a. Elevación
13 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
El conjunto de datos de elevación digital de Shuttle Radar Topography Mission (SRTM) se produjo
originalmente para proporcionar datos de elevación consistentes y de alta calidad en un ámbito casi
global. Esta versión de los datos de elevación digital SRTM se ha procesado para llenar los vacíos de
datos y facilitar su uso. Para procesar la altitud sólo es necesario hacer un corte a la colección
"USGS/SRTMGL1_003" en función del área de estudio.
Ejemplo: 1
2
3
4
//PROCESAMIENTO DE VARIABLES
//ELEVACIÓN
var DEM= Elevaciones.clip(Limite);
b. Pendiente
Las pendientes y las orientaciones del terreno se pueden calcular directamente a partir de algunos
modelos. Los modelos del terreno basados en celdas son como otros modelos de datos de tipo raster.
Los valores de altitud se almacenan en una malla o grid regular. Esta estructura permite que algoritmos
sencillos puedan modelar pendientes, orientaciones, análisis de intervisibilidad, etc. En GEE, para
calcular la pendiente se utiliza la función, ee.Algorithms o ee.Terrain, luego se debe seleccionar del
catálogo SRTM ("USGS/SRTMGL1_003"); el producto “slope”.
Ejemplo: 1
2
3
4
5
6
//PROCESAMIENTO DE VARIABLES
//PENDIENTE
var Pendiente= ee.Algorithms.Terrain(Elevaciones)
.select("slope")
.clip(Limite);
c. Temperatura
La estimación de la temperatura se puede realizar si el sensor cuenta con bandas térmicas. En la
actualidad los sensores más utilizados como Landsat, MODIS y Sentinel cuenta con información
térmica. En este manual se muestra un ejemplo para estimar la temperatura superficial utilizado el
sensor de MODIS. Para el cálculo de temperatura en GEE utilizando MODIS, se debe seleccionar el
producto 'MODIS/006/MOD11A2' el cual dentro del Metada contiene la información de temperatura
tanto del día como de la noche. Para seleccionar los datos de temperatura del día, solo es necesario
seleccionar en la ventana de código: "LST_Day_1km".
Ejemplo: 1
2
3
4
5
6
7
89
//PROCESAMIENTO DE VARIABLES
//TEMPERATURA SUPERFICIAL
var LST_Day_K = Temperatura.select("LST_Day_1km");
var filtro_temperatura = ee.ImageCollection(LST_Day_K
.filterDate(inicio_mes,fin_mes));
var Media_T = filtro_temperatura
.mean().clip(Limite)
.rename("grados K");
14 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
d. NDVI
Dentro del catálogo de datos de GEE, se encuentran una amplia colección de datos procesados sobre
NDVI. Asimismo, la plataforma permite a través de la ventana de código, realizar estimación en función
de las bandas NIR y RED. En este manual, se muestra un ejemplo aplicado sobre NDVI utilizando la
colección de MODIS procesada. El producto utilizado se encuentra con el nombre:
'MODIS/006/MOD13A1'. El producto MOD13A1 V6 (Índices de vegetación de Terra 16 días Global
500 m) proporciona un valor de Índice de vegetación (VI) por píxel. Hay dos capas primarias de
vegetación. El primero es el Índice de Vegetación de Diferencia Normalizada (NDVI, por sus siglas en
inglés), que se conoce como índice de continuidad del NDVI derivado del Radiómetro Avanzado de
Muy Alta Resolución (NOAA-AVHRR) de la Administración Nacional Oceánica y Atmosférica. La
segunda capa de vegetación es el Índice de Vegetación Mejorada (EVI) que minimiza las variaciones
de fondo del dosel y mantiene la sensibilidad sobre las condiciones de vegetación densa. Ambas capas
se pueden seleccionar escribiendo en la ventana de código el nombre exacto descrito en el Metadato.
Ejemplo: 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
//PROCESAMIENTO DE VARIABLES
//NDVI
var modisNDVI= NDVI_colleccion
.select("NDVI","SummaryQA")
.filterDate(inicio_mes,fin_mes)
.map(function(image){
return image.multiply(0.0001).clip(Limite);
});
//Enmascara NDVI por nube
var maskClouds= function (image){
var quality= image.select("SummaryQA");
var mask= quality.eq(3).not();
return image.updateMask(mask);
};
var NDVI_mask=modisNDVI.map(maskClouds)
.select("NDVI")
.min();
e. Precipitación
Para el análisis de precipitación se puede utilizar dos fuentes valiosas de datos, CHIRPS Daily y
GSMaP Operational. En este manual se aplica el uso de la colección de GSMaP Operational ya que
la base de datos es actualizada de formas más reciente. GSMaP proporciona una tasa global de lluvia
por hora con una resolución de 0.1 x 0.1 grados. GSMaP es un producto de la misión de medición de
precipitación global (GPM), que proporciona observaciones de precipitación global en intervalos de
tres horas. Para el análisis en GEE, se seleccionada del Metadato la tasa de precipitación por hora
ajustada al pluviómetro, escribiendo: "hourlyPrecipRateGC".
15 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Ejemplo: 1
2
3
4
5
6
7
8
//PROCESAMIENTO DE VARIABLES
//PRECIPITACIÓN
var Precipitacion_fecha= Precipitacion_diaria
.filterDate(inicio_mes,fin_mes)
.select("hourlyPrecipRateGC");
var sumaP= Precipitacion_fecha.sum()
.clip(Limite_PN);
f. NMDI
El Índice de sequía multibanda normalizado (NMDI), se propone como variable para el monitorear de
la humedad del suelo y de la vegetación. Debido a que existe un estrecha de relación con la humedad
y a los incendios, se propone utilizar el NMDI como una variable base para el análisis de susceptibilidad
a incendios. Según Wang & Qu, (2007), el NMDI usa el canal de 860 nm como referencia; Sin
embargo, en lugar de utilizar un solo canal de absorción de agua líquida, utiliza la diferencia entre dos
canales de absorción de agua líquida centrados a 1640 nm y 2130 nm como la banda sensible a la
humedad del suelo y la vegetación. La fórmula para estimar el NMDI es:
Fórmula 1. Índice de sequía multibanda normalizado (NMDI)
𝑵𝑴𝑫𝑰 =𝑹𝟎.𝟖𝟔µ𝒎 − (𝑹𝟏.𝟔𝟒µ𝒎 − 𝑹𝟐.𝟏𝟑µ𝒎)
𝑹𝟎.𝟖𝟔µ𝒎 + (𝑹𝟏.𝟔𝟒µ𝒎 − 𝑹𝟐.𝟏𝟑µ𝒎)
Fuente: (Wang & Qu, 2007)
Para el análisis en GEE, se utiliza el producto de MODIS, “MOD09A1”, al cual se le aplica la fórmula
descrita anteriormente basada en una expresión y se obtiene el índice de humedad.
Ejemplo: 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
//PROCESAMIENTO DE VARIABLES
//NMDI
var Filtro_NMDI= Reflectancia
.filterDate(inicio_mes,fin_mes)
.filterBounds(Limite_PN);
print(Filtro_NMDI) ;
var ima_NMDI= ee.Image("MODIS/006/MOD09A1/2018_03_30").clip(Limite);
var NMDI= ima_NMDI.expression(
"(b2-(b6-b7))/(b2+(b6-b7))",
{"b2":ima_NMDI.select("sur_refl_b02"),
"b6":ima_NMDI.select("sur_refl_b06"),
"b7":ima_NMDI.select("sur_refl_b07")
}).rename("NMDI");
16 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
g. Radiación solar
Dentro del catálogo de datos de GEE, se cuenta con una amplia colección sobre datos meteorológicos
que incluye proyecciones y simulaciones sobre la radiación solar. Algunos de los sistemas incluidos
dentro del catálogo se destacan, el conjunto de datos meteorológicos de superficie de rejilla de la
Universidad de Idaho (GRIDMET), el sistema global de asimilación de datos terrestres (GLDAS-1), el
sistema de pronóstico global de 384 horas de datos de atmósfera pronosticados (GFS), entre otros.
En este manual se detalla un ejemplo aplicando la información de GFS. Para el análisis en GEE, dentro
de la venta de código se selecciona la colección como 'NOAA/GFS0P25' y luego se filtra por el
producto de radiación por hora “forecast_hours”.
En importante resaltar que este proceso se puede realizar desde otras fuentes externas (basadas
desde un DEM) y luego importar la capa directamente a la nube de GEE y procesarla. Para el análisis
de susceptibilidad a incendios, la capa de radiación es la capa menos precisa ya que la resolución
espacial de la mayoría de los catálogos de datos disponibles es muy baja, lo cual hace que en el
producto final se visualicen recuadros grandes del pixel. Para obtener un resultado más detallados es
recomendable utilizar capas con una mejor resolución (preferible que sea igual o menor 500 m). Para
efectos prácticos en este ejemplo se utiliza los productos implícitos dentro de la plataforma.
Ejemplo: 1
2
3
4
5
6
7
8
9
10
//PROCESAMIENTO DE VARIABLES
//RADIACIÓN
var radiacion= Radiacion_coleccion.filterDate(inicio_mes,fin_mes)
.filter(ee.Filter.eq("forecast_hours", 13));
var Rmedia=radiacion
.select("downward_shortwave_radiation_flux")
.mean()
.clip(Limite);
17 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
3.1.3.3 PROCESO DE MODELACIÓN
El proceso de modelación consiste en 6 pasos importantes:
a. FUSIÓN DE VARIABLES
Para correr el modelo de clasificación es necesario tener una multicapa que contenga las diferentes
variables con el objetivo correlacionar cada valor del pixel en función de las muestras y encontrar
rangos estadísticos predictivos. La función para fusionar las multicapas es: addBands.
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 renombrar las capas es: bandNames.
c. 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 una muestra unificada. Asimismo, los valores
de 0 y 1 es con el objetivo de obtener valores de salida expresados en probabilidad (0-1). La función
para unión de las muestras es: merge.
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 para
aplicar el reductor de imagen es: reduceRegions.
e. 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 las capas en análisis. Para resolver este
inconveniente, se selecciona la banda que presenta el problema y se filtran todos los valores nulos.
La función aplicada para filtrar los valores nulos es: ee.Filter.and y ee.Filter.neq.
f. 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:
18 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
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 el caso en análisis y según los estudios realizados por Valdez et al., (2017) & Cáceres, (2017),
el método de Random Forest ha resultados como un excelente clasificador para la modelación de
susceptibilidad a incendios forestales. El modelo de clasificación Random Forest fue desarrollado por
Breiman, (2017) y lo define como un conjunto de técnicas que extienden el enfoque de modelado de
árboles de clasificación por medio de un promedio de predicciones de muchos árboles de regresión o
clasificaciones individuales, cada una desarrollada usando un subconjunto de datos de entrenamiento.
La función para el proceso de entrenamiento es: ee.Classifier.randomForest.
g. MODELACIÓN
Una vez teniendo el mosaico multicapa con todas las variables y las muestras entrenadas, se procede
a clasificarlas. La función para la clasificación del modelo empleado es: classify.
A continuación, se muestra los pasos a seguir en el proceso de modelación:
19 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
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 36 37 38 39
//PROCESO DE MODELACIÓN DE RIESGO A INCENDIOS
//1. MOSAICO MULTICAPA
var Mosaico_capas =
Prox_carreteras.addBands(Prox_rios).addBands(Prox_urbano)
.addBands(DEM) .addBands(Pendiente)
.addBands(Media_T) .addBands(NDVI_mask)
.addBands(sumaP) .addBands(NMDI)
.addBands(Rmedia);
//2. NOMBRAMIENTO Y SEPARACIÓN DE BANDAS
var Nombre_bandas = Mosaico_capas.bandNames();
//3. UNIÓN DE COLECCIONES DE MUESTRAS
var Muestras = incendios_hist.randomColumn()
.merge(incendios_alea.randomColumn());
//4. REGIONES DE ENTRENAMIENTO
var regiones_entrenamiento = Mosaico_capas.reduceRegions({
collection: Muestras,
reducer: 'mean',
scale: 10000});
//4.1. EXCLUIR VALORES NULOS DE ALGUNAS CAPAS
regiones_entrenamiento = regiones_entrenamiento.filter(
ee.Filter.and(
ee.Filter.neq('NDVI', null),
ee.Filter.neq('b1', null)
));
// 5 ENTRENAR CON UN CLAFIFICADOR
var clasificador = ee.Classifier.randomForest(50)
.train(regiones_entrenamiento, 'Ocurrencia',
Nombre_bandas)
.setOutputMode('PROBABILITY');
//6 MODELACIÓN
var clasificacion = Mosaico_capas.classify(clasificador);
Nota: Para mayor detalle sobre los operadores y funciones específicas dentro del código descrito
anteriormente, se puede apoyar en el diccionario técnico que se describe al final de este manual.
La escala descrita hace referencia a la
resolución con la cual se desea
extraer los valores del pixel. Si se
aumenta la escala, la demora del
procedimiento será menor.
20 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
3.1.4 DATOS DE SALIDA
3.1.4.1 VISUALIZACIÓN DE RESULTADOS
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 el resultado final de la clasificación se expresa
en valores de probabilidad). Para el caso del min y max de las demás capas, provienen del metadado
de las diferentes colecciones; al dar clic en Inspector (parte superior derecha de la ventana) y luego
en el mapa se mostrará las propiedades de las bandas, lo cual define en que rango anda los valores
de visualización.
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
//VISUALIZACIÓN DE CAPAS
Map.addLayer (Prox_carreteras, {min: 0, max: 20000,
palette:["red" ,"green" ]}, "Carreteras" ,false);
Map.addLayer (Prox_rios, {min: 0, max: 20000,
palette:["blue" ,"green" ]}, "Rios" ,false);
Map.addLayer (Prox_urbano, {min: 0, max: 20000,
palette:["red" ,"yellow"]}, "Urbano" ,false);
Map.addLayer (DEM, {min: 0, max: 3475,
palette:["gray" ,"black" ]}, "Elevacion" ,false);
Map.addLayer (Pendiente, {min: 0, max: 30,
palette:["yellow","orange"]}, "Pendiente" ,false);
Map.addLayer (Media_T, {min: 14500, max: 15500,
palette:["yellow","red" ]}, "Temperatura",false);
Map.addLayer (NDVI_mask, {min: 0, max: 1,
palette:["red" ,"green" ]}, "NDVI" ,false);
1
2
3
21 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Map.addLayer (sumaP, {min: 0, max: 30,
palette:["red" ,"blue" ]}, "P" ,false);
Map.addLayer (NMDI, {min: 0, max: 1,
palette:["red" ,"blue" ]}, "NMDI" ,false);
Map.addLayer (Rmedia, {min: 100, max: 500,
palette:["yellow","red" ]}, "Radicion" ,false);
Map.addLayer (clasificacion, {min: 0, max: 1,
palette:["green","yellow" ,"red" ]},
"Riesgo_incendios",false);
A continuación, se muestra un ejemplo de como se muestra una capa una vez finalizado un proceso de clasificación.
Ilustración 1. Susceptibilidad a incendios
3.1.4.2 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.
Nota: Los colores pueden denotarse, escribiendo el nombre o el valor numérico de la paleta de colores (#RGB)
22 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Ejemplo: 1
2
3
4
5
6
7
8
//Descargar Mosaicos
Export.image.toDrive
({image: clasificacion,
description: 'clasificacion',
fileNamePrefix: 'Susceptibilidad_Incendios',
scale:30,
maxPixels: 1e12,});
3.1.4.3 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/bc5d1da2cd94e81c6341c64706ead033
Nota: Cuando se construye un Script donde se importa archivos ráster o vectoriales, estos pueden estar
protegidos por temas de seguridad del usuario. Esto significa que, al consultar algunas capas de un script
externo, las capas pueden tener restringida su descarga. Las configuraciones de privacidad se definen en las
propiedades de las capas que se importan. Para que todo el público pueda acceder a las capas se debe dar
el permiso de acceso.
Nota: El Script descrito anteriormente, hace referencia sobre la aplicación de un ejemplo de susceptibilidad
a incendios forestales en Panamá. 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.
23 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
3.1.5 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
24 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
CAPÍTULO III. PUNTOS CLAVES
Debido a la alta variabilidad de las condiciones climáticas en toda la región de Centroamérica, es difícil
determinar que variables y condiciones se deben considerar en la modelación de la susceptibilidad de
los incendios ya que los factores climáticos y la dinámica social en el espacio se mantienen en
constante proceso de cambios impredecible.
En este manual se consideraron cada una de las variables y condiciones que permiten una ignición
bajo parámetros ideales en términos de acceso, clima, orografía y estado de la vegetación.
Para realizar un análisis de susceptibilidad es indispensable contar con información relevante sobre la
dinámica y comportamiento de los incendios tanto en su forma temporal como espacial. Esta
información se traduce en archivos vectoriales que describen el punto de referencia espacial de la
ignición de los incendios. Las regiones que no cuentan con dicha información se pueden inferir
utilizando las anomalías y alertas provenientes del sensor MODIS y VIIRS. Asimismo, se puede
obtener información del Sistema de información de incendios para el manejo de recursos (FIRMS) el
cual contiene el producto de detección de incendios LANCE en forma rasterizada. LANCE procesa las
ubicaciones de incendio activo casi en tiempo real (NRT) utilizando el producto estándar MODIS
MOD14 / MYD14 contra incendios y anomalías térmicas. Cada ubicación de disparo activo representa
el centroide de un píxel de 1 km que está marcado por el algoritmo y contiene uno o más incendios
dentro del píxel.
La colección de datos sobre radiación solar disponible en GEE, son en su mayoría capas de muy baja
resolución. Debido a esta peculiaridad sobre estas colecciones de dados, las estimaciones de
susceptibilidad o riegos a incendios, tienden a ser menos precisión. Para resolver este inconveniente
y de ser posible, es preferible generar una capa de radiación solar con mejor resolución (menor o igual
a 500 m). Esta capa puede ser generada de forma externa utilizando algún software especializados
(ArcMap o Qgis) en análisis geoespacial.
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.
25 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
BIBLIOGRAFÍA
Billings, R. F., Clarke, S. R., Espino Mendoza, V., Cordón Cabrera, P., Melendez Figueroa, B.,
Campos, J. R., & Baeza, G. (2004). Gorgojo descortezador e incendios: una combinación
devastadora para los pinares de América Central. Unasylva, 55. Recuperado de
https://www.barkbeetles.org/centralamerica/y5507s06.pdf
Bisquert, M., Caselles, E., Sánchez, J. M., & Caselles, V. (2012). Application of artificial neural
networks and logistic regression to the prediction of forest fire danger in Galicia using MODIS
data. International Journal of Wildland Fire, 21(8), 1025-1029.
https://doi.org/10.1071/WF11105
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
Cáceres, J. D. (2017). Protocolo para la definición de Riesgo a Incendios Forestales – Metodología
Random Forest.
FAO. (2014). Los Bosques y el Cambio Climático (p. 20). Roma: Naciones Unidas. Recuperado de
http://www.fao.org/docrep/017/i2906s/i2906s00.pdf
Ferreira, A. J. D., Alegre, S. P., Coelho, C. O. A., Shakesby, R. A., Páscoa, F. M., Ferreira, C. S. S.,
… Ritsema, C. (2015). Strategies to prevent forest fires and techniques to reverse degradation
processes in burned areas. CATENA, 128, 224-237.
https://doi.org/10.1016/j.catena.2014.09.002
Nasi, R., Dennis, R., Meijaard, E., Applegate, G., & Moore, P. (2002). Los incendios forestales y la
diversidad biológica, 53. Recuperado de http://www.fao.org/docrep/004/y3582s/y3582s08.htm
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
Parisien, M.-A., Snetsinger, S., Greenberg, J. A., Nelson, C. R., Schoennagel, T., Dobrowski, S. Z., &
Moritz, M. A. (2012). Spatial variability in wildfire probability across the western United States.
International Journal of Wildland Fire, 21(4), 313-327. https://doi.org/10.1071/WF11044
Parks, S., Holsinger, L., Voss, M., Loehman, R., Robinson, N., Parks, S. A., … Robinson, N. P. (2018).
Mean Composite Fire Severity Metrics Computed with Google Earth Engine Offer Improved
26 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Accuracy and Expanded Mapping Potential. Remote Sensing, 10(6), 879.
https://doi.org/10.3390/rs10060879
Pourtaghi, Z. S., Pourghasemi, H. R., & Rossi, M. (2015). Forest fire susceptibility mapping in the
Minudasht forests, Golestan province, Iran. Environmental Earth Sciences, 73(4), 1515-1533.
https://doi.org/10.1007/s12665-014-3502-4
Rich, I. (2001). An empirical study of the naive Bayes classifier, 3, 41-46.
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
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
Wang, L., & Qu, J. J. (2007). NMDI: A normalized multi-band drought index for monitoring soil and
vegetation moisture with satellite remote sensing. Geophysical Research Letters, 34(20).
https://doi.org/10.1029/2007GL031021
Zhang, Y., Lim, S., & Sharples, J. J. (2016). Modelling spatial patterns of wildfire occurrence in South-
Eastern Australia. Geomatics, Natural Hazards and Risk, 7(6), 1800-1815.
https://doi.org/10.1080/19475705.2016.1155501
27 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
ANEXO
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.
28 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Función Descripción
.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.
Algoritmos
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.
29 Ficha Técnica: Susceptibilidad a Incendios Forestales utilizando GEE
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)
Función Descripción
.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 de 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.
Visualización 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.
Recommended