magister en ciencias - repositorio.unapiquitos.edu.pe
TRANSCRIPT
UNIVERSIDAD NACIONAL DE LA AMAZONIA PERUANA
ESCUELA DE POST GRADO
"JOSE TORRES V ASQUEZ"
SECCION DE POST GRADO DE LA FACULTAD DE CIENCIAS BIOLOGICAS
MAESTRIA EN CIENCIAS CON MENCIONEN ECOLOGIA Y DESARROLLO SOSTENIBLE
TESIS
"Análisis comparativo del método tradicional y el método PRODES en la
interpretación de la Deforestación en un sector de la carretera !quitos-Nauta,
Loreto - Perú"
Presentado por
GILMER JOSE MACO LUJAN
Para optar el Grado Académico de
Magister en Ciencias
IQUITOS - PERU
2011
"Análisis comparativo del método tradicional y el método PRODES en la interpretación de la
Deforestación en un sector de la carretera !quitos-Nauta, Loreto-Perú"
Tesis sustentada y aprobada el 05 de setiembre de 2011
MITEMBROSDEL~DO
Dr. RO
Miembro
M Se. JORGE M ESPIRITU PEZANTES
Miembro
Asesor
DEDICATORIA
A nuestro divino maestro, Dios Padre todo Poderoso, nuestro creador y de todas las
maravillas naturales que nos rodea.
A mis queridos padres JOSÉ Y MARTHA, por el apoyo constante en la orientación de mi
vocación profesional.
A mi esposa y compañera de mi vida, LUZ DEL CARMEN, por su paciencia, su apoyo
moral y por confiar en mi capacidad.
A mis hijos INTI DEL CIELITO Y DAVID MARTÍN, para que les sirva de inspiración y
puedan continuar perseverando en el camino de la superación.
A mi alma mater la Universidad Nacional de la Amazonía Peruana (UNAP).
GilmerJosé
1
AGRADECIMIENTO
El autor reserva esta página para expresar su sincero agradecimiento:
A la Fundación John D. and Catherine MacArthur, por el apoyo financiero recibido para la
culminación de esta investigación.
Al Dr. Richer Ríos Zumaeta, asesor de la tesis, por proporcionar sugerencias útiles en el
desarrollo del presente trabajo de tesis.
Al Dr. Filomeno Encarnación, investigador y docente de la Universidad Nacional la
Amazonía Peruana, por su apoyo incondicional para la ejecución de los ensayos.
A los docente de la Facultad de Ciencias Forestales de la UNAP, por su apoyo en los ensayos
preliminares.
A todas las personas e instituciones que de una u otra manera han contribuido en la ejecución
y culminación del presente trabajo de tesis.
11
MACARTHUR Fundation Jobo D. and Catherine MacArthur
i ~> J_ •
El autor agradece a la Fundación:;;;;:J. ~atjlerine MacArib~, por ~1 apoyo financiero recibido
para la culminación de esta invJstiga~i~n; el cual ha permitido lograr los objetivos del mismo.
Mi reconocimienOO a estl injtución, que a Jia~és:de sus dOnaciones ayuda a la fonnación de
profesionales de manera persoJal,_~pa) o individual~e~te orientando ai mejoramiento de la calidad
de vida a través de sus difJrentes progra)nás; c~t'npti~ndo· satisfactdriamente sus propuestas y 1 . ., . . 1
planteando alternativas de solución para lograr el desarroiJo sostenibl~ deJas comunidades. \
lll
INDICE DE CONTENIDO
VI: Recomendaciones
VIL Referencias bibliogáficas
Anexo
53
54
INDICE DE TABLAS
N° Descripción Pág.
1 Ejemplo de matriz de confusión entre clases 33
2 Valores de grados de concordancia del índice Kappa 35
3 Unidades de cobertura de la tierra calculadas a través del método tradicional 36
y del método PRODES.
4 Exactitud global e índice Kappa de los mapeos del uso y cobertura del suelo 42
de la Región del tramo de la Carretera !quitos Nauta.
5 Matriz de error e indicadores de exactitud derivados a la clasificación no 43
supervisada de ISOSEG en el conjunto de bandas originales 3(B), 4(G) y
5(R).
6 Matriz de error e indicadores de exactitud derivados a la clasificación 44
supervisada de ISOSEG en el conjunto de bandas originales 3(B), 4(G) y
5(R).
7 Matriz de error e indicadores de exactitud derivados de la clasificación 45
supervisada de ISOSEG en las imágenes fracciones suelo-sombra
vegetación.
8 Matriz de concordancia observada entre el método PRODES y el método 47
tradicional.
9 Matriz de concordancia esperada al azar entre el método PRODES y 48
tradicional.
1 O Características operacionales del método tradicional y el método PRODES. 49
IV
INDICE DE FIGURAS
N° Descripción Pág.
1 Esquematización de la métodología del trabajo. 26
2 Aspectos generales del paisaje del tramo de la carretera !quitos-Nauta. 37
3 Imágenes fracciones suelo, sombra, vegetación y composición colorida de las 38
imágenes fracciones suelo (R), sombra (B) y vegetación (G).
4 Imagen fracción sombra 39
5 . Imagen fracción suelo segmentada 39
6 Comparativos del porcentaje de Deforestación en el área de estudio según 39
método de interpretación (Año 2008).
7 Gráfico de la dispersión de proporciones de unidades de muestreo 40
8 Imagen TM/Landsat-5 con el resultado de la clasificación sobre las 41
imágenes fracciones suelo-sombra por el método PRO DES.
9 Imagen TM/Landsat-5 con el resultado de la clasificación sobre las 41
imágenes por el método tradicional.
1 O Mapa final de uso y cobertura del suelo a lo largo de la carretera Iquitos- 50
Nauta, Loreto, según el método PRODES.
11 Mapa final de uso y cobertura del suelo a lo largo de la carretera Iquitos- 51
Nauta, Loreto mediante el método tradicional.
12 Imagen de radar SRTM fusionada mostrando el relieve del terreno y el uso 63
de la tierra. Año 2000
13 Área deforestada en la zona de influencia de las comunidades de Palo Seco, 64
Paujil, Nuevo Horizonte, Puente Tocón, ExPetroleros y Puente Pintuyacu.
Año 2000.
V
Resumen
Se realizó el análisis comparativo del método tradicional y el método PRODES a fin de
validar una metodología para interpretar la deforestación en un sector de la carretera !quitos
Nauta, Loreto, en un área aproximada de 10 000 ha, utilizando el método sistemático no
alineado; la matriz de confusión se determinó a través de la construcción de una matriz
cuadrada de m filas por m columnas, de esta manera se obtuvo datos de los puntos observados
y puntos esperados que sirvieron para calcular el índice Kappa que mide el grado de
concordancia entre el mapa de la realidad observada y la esperada simplemente al azar.
El área de calculado por el método PRO DES es de 54,01% para bosque primario y por el
método tradicional 56,49%; mientras que para la deforestación es de 45,7% por el método
PRODES y 42,67% por el método tradicional, los cuales no presentan diferencia significativa
para la interpretación de estas unidades, mediante la matriz de concordancia observada para el
método PRODES y el método tradicional se obtuvo 55 coincidencias para bosques, 52 para la
deforestación y 1 para lagos, el resultado de la concordancia de los puntos observada es de
Po=0,88 , indicando una alta coincidencia para los resultados observados; posteriormente se
procesdio a realizar el calculo de la matriz esperada, mediante la matriz de concordancia
observada en la que para el métdo PRODES y el método tradicional se obtuvo 52
coincidencias para bosques, 45 para la deforestación y 1 para Lagos, el resultado de la
concordancia de los puntos esperados es de Pe=0.53 siendo valores moderados para los
resultados esperados, empleando el índice kappa que es una medida de concordancia, se
obtuvo el siguiente resultado de 0.64, es una concordancia sustancial quedando demostrado
que tanto el metodo PRODES como el metodo tradcional para la clasificación de la
Deforestación presentan similitud en sus resultados, lo que indica que cualquiera de los dos
métodos pueden ser usados con alta confiabilidad. La utilización de las imágenes fracciones a
Vl
CAPITULOI
Introducción
En la región Loreto se encuentran tierras con diferentes capacidades de uso, en las que
predominan por su fisiográfica y drenaje las tierras de producción forestal, de conservación y
de protección, dándose el caso que si las mismas no son bien clasificadas se pueden estar
desarrollando actividades antrópicas antagónicas a su capacidad de uso natural, así como por
ejemplo la tala de árboles en laderas de ríos, en cabecera de cuencas y en falda de montañas;
estas actividades ocasionan pérdida de biodiversidad y alteración de ecosistemas, provocando
su vulnerabilidad.
Esta situación preocupante hace necesano identificar y cuantificar la Deforestación y/o
pérdida de la biodiversidad con mayor precisión, menor costo y en el menor tiempo posible.
Los métodos tradicionales de evaluación de recursos naturales requieren, entre otros, de la
verificación in situ de la interpretación realizada en gabinete. Asimismo, existe un método
actualizado denominado PRODES, desarrollado en Brasil que también permite cuantificar las
áreas deforestadas. Sin embargo, se carece del conocimiento de cuál de los dos métodos es
más eficiente en la identificación y la cuantificación de dichas áreas.
El levantamiento de información basada en imágenes Landsat Multiespectral Scanner
Subsystem (MSS) y el Thematic Mapper™, permiten el acompañamiento en el proceso de
aumento de áreas deforestadas en la Amazonía en las últimas décadas (Tardin et al.~ 1980;
INPE, 1998). El uso de imágenes también posibilita estudios de Deforestación en otras áreas
del planeta, particularmente en regiones tropicales (Chomentowski et al., 1994), donde
existen extensiones significativas de vegetación forestal que no permiten ser monitoreados
fácilmente sin los recursos satelitales de sensores remotos.
12
Los bosques de la región Loreto, son recursos de mucha importancia para los pobladores de la
zona, en aspectos ecológicos, sociales y económicos. Estos bosques se encuentran
amenazados por muchos factores, mediante la presión de uso de la tierra, causando pérdida
creciente de sus potencialidades y su degradación por prácticas inadecuadas a la realidad
ecológica del medio.
Estas metodologías se basan en los sistemas de información geográfica y la teledetección que
permite obtener una amplia gama de datos para la evaluación de los recursos naturales, en
especial de la cobertura vegetal y uso del suelo, los cuales permiten una mejor distribución de
la vegetación, obteniéndose como resultado información tanto numérica como cartográfica de
mayor detalle, esta información facilita la actualización, análisis de desarrollo, dinámica y
depredación del recurso, información fundamental para la correcta toma de decisiones en
cuanto a políticas de manejo de recursos naturales tanto a corto como a largo plazo.
El presente proyecto tiene como propósito validar una metodología para interpretar la
Deforestación en un sector de la carretera !quitos-Nauta, para la posterior toma de decisiones
sobre los impactos que viene causando las actividades antrópicas a nivel de cuencas y sub
cuencas en la región; así como también actividades que causan deterioros ambientales tales
como la tala ilegal, extracción de recursos de flora, fauna y minerales, entre otros.
Propiciando así, que se generen propuestas de gestión para la recuperación de zonas
degradadas y una coordinación oportuna para el control y prevención de delitos ecológicos;
resguardando así los servicios ambientales que brindan los bosques, a las actividades
económicas de la región, sobre todo los relacionados con la calidad y cantidad del agua que
ofertan estos bosques.
13
CAPITULOII
ANTECEDENTES
2.1. Interpretación de los recursos naturales
Se debe tener en cuenta que un determinado espacio o lugar representa a una escena o a un
paisaje que es una porción del territorio en la que se dan cita gran cantidad de elementos de
distinta naturaleza que interactúan entre sí formando una estructura dinámica que evoluciona
en el tiempo. El paisaje es un concepto que permite integrar conjuntamente todas las variables
del territorio, tanto naturales como antrópicas, considerando además la dimensión espacial.
Esto quiere decir, que permite definir unidades cartografiables que en terminología de George
Bertrand, recibe el nombre de "geosistemas" (Jiménez y Moreno, 2006).
La clasificación de la vegetación es una disciplina antigua y compleja, que es esencial para la
fotointerpretación y la verificación posterior en el campo. Para desarrollar una clasificación
que sea sencilla pero consistente, cada unidad a considerar debe estar inequívocamente
definida donde intervengan principalmente los parámetros más factibles de detectar en las
imágenes satelitales. Por su parte ONERN (1985), manifiesta que la amplitud de la Amazonía,
su inaccesibilidad y las condiciones meteorológicas, muchas veces adversas, hacen
indispensables el uso de los sistemas de percepción remota, fundamentalmente utilizando las
imágenes de satélite y su almacenamiento de la información en una base de datos, es
importante para el estudio y control de grandes áreas, así, como para la producción de
documentos cartográficos y mapas temáticos.
ONREN (1985), recomienda la utilización de los diferentes sistemas de percepción remota y
su integración con los sistemas de información geográfica. Estas herramientas constituyen una
14
excelente alternativa para el inventario y el monitoreo medioambiental permanente de la
cuenca amazónica y los elementos bióticos y abióticos que la integran.
Malleux (1975), afirma que la técnica de la fotointerpretación forestal y de la vegetación
natural data desde el año 1887; a partir de esa fecha, la fotointerpretación forestal fue
desarrollándose rápidamente, primero como una técnica de mapeo de grandes áreas, luego
como delimitación de tipos o unidades de bosques y más recientemente como una técnica de
muestreo. Como resultado de este desarrollo, el método de la fotointerpretación es
indispensable en inventarios forestales de grandes áreas, siendo también valiosos en los planes
de manejo forestal. El mismo autor asegura que la fotointerpretación forestal es una de las
técnicas que más rápidamente se ha desarrollado en las fases de trabajo práctico, así como en
la investigación.
Malleux (1971), dice que el reconocimiento o delimitación de los tipos de bosque y/o
especies, en los trópicos es todavía un gran problema, en estos bosques las fotografías aéreas
sirven en primer lugar para la delineación amplia de tipos de vegetación, los cuales son
principalmente determinados por la configuración de la topografía, la fisiografía y por las
condiciones del suelo, tales como textura y humedad. Los tipos son clasificados primero de
acuerdo con el aspecto que tenga la imagen en la fotografía, lo que en algunos casos son
llamados aspectos típicos, para este fin se puede utilizar con éxito fotografías aéreas a escalas
de 1:20000 a 1:50000.
El conocimiento de la situación actual del uso de las tierras en un mapa permite apreciar sin
necesidad de recorrer el lugar, la distribución y orientación de las principales actividades
desarrolladas por el hombre. Información que contrastada con el mapa de valor productivo de
las tierras permitirá conocer si esos suelos están siendo bien utilizados, tomando en cuenta su
potencial productivo, o es que las actividades que en ellas se desarrollan están generando
15
perturbaciones que reqmeren ser corregidas, mediante una reorientación de la actividad
(Ramírez, 2005).
En la carretera !quitos-Nauta, en términos de absorción de empleo, la actividad más
importante es la agricultura (IIAP, 2002). La agricultura practicada se caracteriza por ser de
pequeña escala, pese a que en sectores como Paujil, Nuevo Horizonte y Ex-Petroleros, el
tamaño de la parcela fluctúa entre las 30 y 40 hectáreas, la extensión cultivada en promedio
por año es de 5,6 hectáreas por familia. Esta actividad en la carretera depende del uso
intensivo de la mano de obra familiar, dado que las áreas agrícolas no están mecanizadas ni se
usa en ellas tracción animal para las labores culturales. El sistema empleado es el de 'tumba
rozo-quema' con rotación de cultivos y, dada la ausencia de capital en la zona, la mano de
obra depende de la familia y, en ocasiones, del sistema de ayuda mutua, denominado 'minga'.
La agricultura también se caracteriza por ser muy poco productiva debido a la calidad de los
suelos, a la topografía y a la inadecuada tecnología aplicada (IIAP, 2002).
El término uso de la tierra, hace referencia a la utilización "cultural" de la tierra, en lo
referente al término de "cobertura de la tierra", se refiere a su revestimiento, un ejemplo de
esta diferenciación es el de áreas forestales aunque sea un solo tipo, bajo el punto de vista de
cobertura pueden ser de diferentes usos. De esta manera un sistema de clasificación del uso de
la tierra no puede basarse solo en datos de percepción remota que abastecen información
sobre la cobertura del suelo (Niero et al., 1989).
La cartografía es la forma más simple encontrada por la humanidad para orgaruzar la
ocupación espacial (territorial). Hoy en día, está presente en lo cotidiano de las sociedades
ayudando en la delimitación de las soluciones sociales, económicas, técnicas, entre otros
(Gurgel, 2002).
16
La disponibilidad de buena información cartográfica prevé cualquier proceso de ocupación de
la tierra (FAO, 2001); el sistema de información geográfica es fundamental en la prevención
de procesos extremos de Deforestación y es herramienta fundamental para la zonificación;
mediante este instrumento de gestión, los planificadores y los tomadores de decisiones pueden
establecer planes de ocupación bastante más razonables y mucho menos destructivos; el
objetivo no es paralizar totalmente la tala de bosques, sino hacer que ésta sea lo menos
perjudicial posible en términos ecológicos y económicos para el país y los propios usuarios.
Dourojeanni (1981) citado por ISRCMDECRGAR (2008), en un estudio realizado sobre el
uso de la tierra en el departamento de San Martín, concluye que 615 3 7 5 ha de bosque fueron
talados con fines agrícolas en un área de colonización agropecuaria dirigida por el estado,
solamente 137 878 ha estaban en producción y 477 497 ha permanecían en barbecho cubiertas
por bosque secundario (77% del área talada), lo que establece una proporción de casi 1/5 de
área en producción. Con relación a la superficie total desmontada se establece que el periodo
promedio de rotación fue de 3 años, lo cual definitivamente es muy corto para permitir una
recuperación de la capacidad productiva del suelo, en consecuencia resulta en una acelerada
pérdida de la productividad de los suelos (FAO, 2001).
A escala nacional se han realizado algunos estudios y estimaciones sobre la Deforestación de
la Amazonía peruana. Malleux (1975) reporta que 4 500 000 ha de la selva han sido
deforestadas y utilizadas para la agricultura y ganadería pero que, en su mayor parte, estaban
recubiertas de vegetación secundaria. INRENA (1996), estimó que la superficie de áreas
deforestadas asciende a 6 948 237 ha, ubicadas principalmente en las partes inferiores y
medias de los bosques de montañas de los departamentos de Cajamarca, Amazonas, San
Martín, Huanuco, Paseo y Junín y en las terrazas y colinas bajas de los departamentos de
Loreto y Ucayali (selva baja). Este trabajo se realizó sobre la base del Mapa Planimétrico del
17
Perú (1988) elaborado con imágenes de satélite Landsat MSS, escala 111 000 000. El mismo
año, INRENA publicó el estudio Monitoreo de la Deforestación en la Ama.z;onía Peruana
(escala trabajada 1/250 000), donde el objetivo fue localizar y cuantificar la superficie
deforestada en la región de la selva para los años 1985 y 1990 a través de imágenes de
satélite. El estudio permitió determinar que hasta el año 1985 existían 5 642 447 ha
deforestadas, y al año 1990 dicha superficie ascendía a 6 948 23 7 ha.
Posteriormente, el INRENA (1996), elabora el Mapa de Cobertura Vegetal y Uso de la Tierra
del Perú: Base de Datos de los Recursos Naturales e Infraestructura. Para fines del presente
estudio, las áreas deforestadas de la selva amazónica, fueron revisadas y verificadas a nivel de
imágenes de satélite en formato digital, obteniéndose finalmente un mapa de la Deforestación
ajustado donde se estima una superficie acumulada al año 1990 de 5 676 236 ha. Finalmente,
CIF-INRENA (2000), elaboró el Mapa Forestal del Perú año con imágenes de satélite Landsat
TM en papel impreso, y a escala de trabajo 1/250 000, reportando 7 341 803 ha de área
deforestada en la selva amazónica.
En junio del 2003, el INRENA y el CONAM firmaron un Convenio para desarrollar el Sub
Programa IM-03: "Inventario de Gases de Efecto Invernadero de los Sectores Agricultura,
Cambio de Uso del Suelo y Silvicultura", enmarcado en el Programa de Fortalecimiento de
Capacidades Nacionales para Manejar el Impacto del Cambio Climático y la Contaminación
del Aire (PROCLIM). El programa PROCLIM, tuvo como objetivo determinar la superficie
deforestada de la Amazonía peruana al año 2000, en clases de uso de la tierra: cultivos
agrícolas, pastizales, bosque secundario, mixturas de cultivos agrícolas y bosque secundario y
áreas sin vegetación, utilizando para ello la interpretación visual en pantalla de imágenes del
· satélite Landsat a escala 1:100 000. Los resultados obtenidos fueron que la superficie total
deforestada en la Amazonía al año 2000 ascendió a 7 172 553,97 ha, de los cuales los
18
departamentos de San Martín, Amazonas y Loreto son los que presentan mayor porcentaje de
Deforestación, Mapa de Deforestación de la Amazonía Peruana (2005).
(Cámara, Morrison, Vianei, 2006), presenta un procedimiento para el cálculo de la tasa de
Deforestación en la Amazonía. Este procedimiento es el resultado de décadas de experiencia
del INPE en el uso de imágenes de sensores remotos y de análisis de estas imágenes para el
monitoreo de la perdida de en la Amazonía.
2.2.Instrumentos de interpretación satelital
La teledetección o percepción remota consiste esencialmente en la utilización de instrumentos
sensitivos de una gama de longitudes de onda de emisiones o reflexiones de la superficie
terrestre o su cobertura. Tales instrumentos son transportados en plataformas de satélite o en
aviones. Los valores captados por los sensores son transformados a valores digitales y
grabados en material magnético (cintas o discos). La estructura de los datos es de tipo
"raster". La resolución de los píxeles y el número de bandas espectrales por los sensores están
predeterminadas tanto por la orbita del satélite como por los instrumentos de sensores a bordo.
Cada imagen muestra una porción determinada de la tierra y fisicamente consiste de un
archivo raster (Ponce-Hemández, citado por Tratado de Cooperación Amazónica, 1994).
La Comisión Nacional de Investigación y Desarrollo Aeroespacial (CONIDA, 1977), sostiene
que la percepción remota significa "reconocimiento a distancia", para lo cual usan los
sensores remotos que son sistemas que utilizan instrumentos capaces de detectar determinadas
características de los objetos sin estar en contacto directo con ellos. Así mismo, la percepción
remota abarca un campo más amplio, ya que incluye también el estudio y aprovechamiento de
partes no visibles del espectro electromagnético; por ejemplo radiación termal como en
imágenes de satélite y microondas como en radar. De esta manera, la información que se
obtiene es variada y ofrece un excelente material de estudio.
19
CONIDA (1977), menciona que los sensores se pueden clasificar de acuerdo al tipo de
imagen o a la fuente de energía que utilizan en su funcionamiento. Según el tipo de imagen
pueden ser fotográficos y no fotográficos o digitales; los primeros son los que registran los
objetos en su forma como la fotografía convencional (fotografías aéreas); las no fotográficas o
digitales son las que captan la información en forma digital por medio de computadora
(imágenes de satélite).
El TCA (1994), manifiesta que el proceso de interpretación visual de imágenes, se basa en
ciertos principios de análisis que incluyen métodos para detectar, identificar y medir objetos
observados a partir de datos de una perspectiva aérea u orbital, del mismo modo Malleux
(1971; 1982), afirma que la técnica de la fotointerpretación ha alcanzado tal desarrollo que
mediante ella se extrae los datos necesarios para diversos estudios y sus resultados son
bastante confiables y por lo tanto proporcionan una información valiosa.
Chuvieco (1990), menciona que las aplicaciones de la percepción remota, pueden relacionarse
a las actividades de levantamiento y caracterización de los suelos, identificación de los
cultivos y mapeo de la vegetación. Actualmente los datos de Landsat MSS se utilizan en el
levantamiento y monitoreo de la vegetación.
El uso de imágenes de satélite y fotografías aéreas son métodos de evaluación más precisos, y
a nivel local han sido aplicados en muchos casos. Un ejemplo de su uso en el país a nivel
local, se puede mencionar a Masson (1981 ), citado por Dourojeanni, (1990), quien encontró
que en una zona del valle del Perené se había deforestado el 53,3% de los bosques entre 1957
y 1977, mientras que para el Alto Mayo en el mismo periodo la Deforestación fue del 48,6%.
Alves et al. (1992), utilizaron varias técnicas de clasificación digital en levantamiento de
áreas deforestadas tales como: (1) rangos de segmentación, Research Systems (1997) de la
20
banda TMS. (2) clasificación no supervisada de regiones utilizando las bandas TM3, TM4 y
TMS. (3) clasificación supervisada por regiones utilizando las bandas TM3, TM4 y TMS
(http://www.dpi.inpe.br/spring/usuario.outubro de 1997) y (4) clasificación por el algoritmo
de máxima para ver semejanza de las bandas de proporción de componentes vegetación, suelo
y sombra producidas por la combinación de rangos de bandas TM3, TM4 y TMS
(Shimabukuro . E. y J. A. Smith, 1991) y de las bandas TM3, TM4 y TMS. Las técnicas
fueron validadas en una región de Rondonia en proyectos de agricultura y pecuaria de
tamaños entre 25 a 1000 ha, componiendo un mosaico relativamente complejo de patrones de
uso de la tierra.
2.3.EI método PRODES
La metodología PRODES fue desenvuelta en el período 1988-2002 (Cámara, Morrison,
Vianei, 2006) y consiste en:
a) Interpretación de las imágenes
Seleccionar imágenes con menor contenido de nubes y con datos de adquisición lo más
aproximado posible al dato del cálculo de la tasa de Deforestación, así como la
georreferenciación de imágenes, la transformación de los datos radiométricos de las imágenes
en imágenes de escena (vegetación, suelo y sombra) por la aplicación de algoritmo de la
mezclas espectrales para concentrar la información sobre la Deforestación en una de las dos
imágenes segmentadas en campos homogéneos de las imágenes de los componentes suelo y
sombra, luego la clasificación no supervisada y por campos de las imágenes suelo y sombra,
mapeando las clases no supervisadas en clases informativas (Cámara, Morrison, Vianei, 2006)
y finalmente la edición del mapeo de las clases y la elaboración del mosaico· de las cartas
temáticas de cada unidad del área.
21
b) Modelo lineal de mezclas espectrales
El modelo umbral de mezcla espectral (MLME), busca estimar la proporción de los
componentes suelo, vegetación y sombra, para cada píxel, a partir de la respuesta espectral de
las diversas bandas del TM, generando la imagen fracción suelo, ·vegetación y sombra. El
modelo de mezcla espectral puede ser escrito como:
ri=a*vegei+b*sueloi+c*sombrai+ei
Donde: ri es la respuesta del píxel en la banda i de la imagen TM/Landsat; a, b y e, son
proporciones de vegetación, suelo y sombra (o agua), que componen el píxel; a*vegetación,
b*suelo, y c*sombra , corresponden a las respuestas espectrales de cada uno de los
componentes citados; ei es el error de la estimación intrínseca para cada banda i. las bandas 3,
4 y 5 del TM-Landsat están siendo utilizadas, formando un sistema de ecuaciones lineales que
pueden ser resueltos utilizando el método de los mínimos cuadrados ponderados. Luego, la
aplicación del modelo de mezclas espectrales es la resultante de las tres bandas sintéticas,
representando las proporciones de la vegetación, de suelo y sombra existente en cada píxel de
la imagen.
" e) La segmentación de las imágenes fracción sombra y suelo
La segmentación de imagen es una técnica de agrupamiento de datos, en el que sólo las
regiones espacialmente adyacentes y de características espectrales semejantes pueden ser
agrupadas. Para llevar a cabo el proceso de segmentación es necesario definir dos umbrales:
a) el umbral de similitud, la mayoría de los valores mínimos son establecidos por el intérprete,
bajo el cual dos regiones son consideradas espectralmente semejantes y agrupadas en una
única región; b) el umbral de área (píxel), el valor mínimo y la dimensión se transformaron en
número de píxeles para que una región sea individualizada.
22
d) Clasificación de las imágenes fracción sombra y suelo
Una vez realizada la segmentación de las imágenes sintéticas derivadas del MLME
seleccionadas, es necesario como fase secuencial de operación, la creación de un archivo de
contexto externo y extracción de regiones, antes de la fase de clasificación propiamente dicha.
En este archivo de contexto quedan almacenadas las informaciones: a) tipo de clasificación
por regiones; b) bandas o imágenes utilizadas y e) imágenes segmentadas.
En la fase de extracción de las regiones, un algoritmo extrae los atributos estadísticos (medias
y matrices de co-varianza) del conjunto de regiones definidas por la segmentación. Luego, se
inicia el proceso clasificatorio, cuyas imágenes fracción (sombra o suelo) segmentadas son
tratadas por algoritmos de clasificación no-supervisados de agrupamiento de datos (ISOSEG),
donde la discriminación de las clases tienen como base los atributos estadísticos de la región,
dentro de ciertos umbrales o rangos de aceptación predeterminados iguales a 95% o 90%,
conforme a la complejidad del paisaje investigado (Cámara, Morrison, Vianei, 2006). Los
temas resultantes de la clasificación son entonces asociadas a las clases definidas
posteriormente en el banco de datos, cuyos resultados de identificación y de mapeo de las
áreas deforestadas pueden ser presentadas en el formato raster o vectorial.
e) Edición y actualización de la información
Una vez realizada la clasificación de una imagen por el procedimiento no-supervisado, es
necesario hacer una pre-auditoria del mapeo resultante. Esta etapa se denomina "edición" y
actualización de la información esta es realizada por el foto intérprete, quien analizará
minuciosamente (directamente en la pantalla del computador teniendo como plano de fondo,
para comparar, a la imagen original en composición colorida) los polígonos temáticos
generados por la operación conjunta de segmentación y clasificación de una determinada
imagen fracción. Los polígonos mapeados son aceptados o reclasificados en otra categoría de
23
uso de la tierra, basado en la experiencia del fotointérprete, que sea válido para el padrón y
aspectos de contexto. Es necesario contar con datos históricos derivados de estudios similares
en el área de estudio. En cambio en el método tradicional de interpretación de imágenes
satelitales, para el caso de determinar la cobertura de Deforestación en imágenes Landsat TM,
es muy usada la combinación de bandas 5Rojo, 4Verde y 3Azul.
Al identificar bosques secundarios, esta clase agrupa a bosques secundarios de diversas
edades, por lo tanto, tienen diversas alturas, diámetros de copa y composición florística. En
las imágenes se presentan en color verde claro con mayor intensidad en la combinación de
bandas 5R-4V -3A. Presenta texturas medias. Los bosques secundarios de mayor edad se
confunden con el bosque alto pues sus estructuras son similares (Barrena y Vargas, 2003). Así
mismo, para identificar bosque secundario/agricultura, se considera interpretar esta unidad
mixta integrando parcelas agrícolas muy fraccionadas y pequeñas al interior del bosque
secundario joven y adulto. En esta clase la dominancia del bosque secundario sobre la
agricultura es en más del 50 %, sin llegar al 80% de predominancia. Esto se presenta en
particular en las áreas con mucha actividad antrópica.
Al identificar aéreas sin vegetación (centros poblados), éstos se observan de color rojo intenso
debido principalmente a los techos de las viviendas, a áreas sin cobertura vegetal y a las
veredas y pistas; algunas áreas urbanas se presentan de color blanco. Se puede observar la
distribución de calles en algunas ciudades en combinación de bandas 5R-4V -3a (Barrena y
Vargas, 2003). Se incluyen en esta clase a aquellas zonas ocupadas por infraestructura
energética (oleoductos, gaseoductos, campamentos), infraestructura minera, centros poblados,
aeropuertos, campos de aterrizaje y relaves mineros.
Los principales criterios· de diferenciación entre bosque y Deforestación fueron BIRF 4085-
AR 1998-2001:
24
• Áreas boscosas: tonalidades naranjas, pardo rojizas o verdes oscuras para bosques nativos y
tonalidades rojizas para plantaciones, donde estas últimas, además se diferencian por su
textura uniforme y formas geométricas.
• Áreas no boscosas: tonos celestes (suelo desnudo), verdosos y/o anaranjados (pasturas o
cultivos) para las áreas agrícolas que en la mayoría de los casos presentan formas
geométricas, tonos azul oscuro a negro para los cuerpos de agua y celestes o blancos para
caminos y zonas urbanas.
LANDSAT 5 TM, constituye una mejora fundamental con respecto a MSS, se ha utilizado en
los Landsat 4 y 5. Responde al tipo de escáner transversal, posee 7 bandas espectrales, en los
siguientes intervalos (en micras): banda 1 (0,45 a 0.52), banda 2 (0,52 a 0,60), banda 3 (0,63 a
0,69), banda 4 (0,76 a 0,90), banda 5(1,55 a 1,75), banda 6 (10,4 a 12,5) y banda 7 (2,08 a
2.35). Es decir, posee 3 bandas en el visible (1,2 y 3) situadas, respectivamente en el azul,
verde y rojo; dos bandas en el IR próximo (4 y 5), una en el IR medio (5) y otra en el IR
térmico (6). La banda 6 tiene una unidad de resolución de campo de 120 por 120 m.(que
corresponde a un IFOV de O, 17 mrad), en todas las demás la citada unidad es de 30 por 30
m.(IFOV de 0.043 mrad), es decir, en estas bandas la resolución es muy superior a la de MSS.
El tamaño de la imagen es de 185 km de ancho por 170 km en la dirección Norte-Sur. El
número de píxeles de cada banda es de 39 millones.
El área de estudio está cubierta por dos escenas de imágenes Landsat 5 TM, que fueron
georeferenciadas para el DATUM GSW 84, a partir de la imagen del mosaico de la NASA,
que es una imagen georeferenciada y orto-rectificada de imágenes ETM+ del Landsat 7
resultante de "shapening" de las bandas 7, 4, 2 y 8. Este procesamiento realiza la
transformación RGB-IHS utilizando las bandas 7, 4, y 2 con resolución espacial de 30 metros,
y posteriormente la transformación IHS-RGB utilizando la banda 8 la Intensidad (1) para
25
aprovechar la resolución espacial de 15 metros. (https://zulu.ssc.nasa.gov/mrsid; Crepani y
Madeiros, 2004; Maco, 2006). Fueron utilizados de 3 a 6 puntos de control, para el polinomio
de primer orden, con algoritmo de re-muestreo por vecinos más próximos, con error menor a
un píxel.
Acondicionamiento de la cartografía base
Metodología
Procesamiento de Imágenes de Satélite
(Corrección geométrica, correcciones Aritmetrica. realces\
Análisis Comparativo de la interpretación (Trabajo de campo)
Preparación e impresión de 1 ·-----•------, mapas de Deforestación ~Ll ___ T_ra_b_a_jo_F_in_a_I __ ...J
Figura l. Esquematización de la métodología del trabajo.
26
3.l.Lugar de ejecución
CAPITULO 111
METODOLOGIA
El estudio se llevó a cabo en el área de influencia de las comunidades de Palo Seco, Paujil,
Nuevo Horizonte, Puente Tocón, Ex Petroleros y Puente Pintuyacu, ubicados a lo largo de la
carretera lquitos-Nauta entre las coordenadas UTM E665582-N9544770; E665582-
N9554000; E676000-N9554000 y E676000-N9544770 (Ver figura 13 del Anexo). El área
presente clima cálido-húmedo, típica de una región bioclimática amazónica, tropical
ecuatorial, caracterizado por lluvias abundantes durante casi todos los meses del año
(Cárdenas, 1986). La temperatura media anual es de 26°C, las temperaturas máximas y
mínimas promedios alcanzan los 32°C y 21 °C. Las precipitaciones varían año a año,
estimándose un promedio de 3050 mm, siendo el mes de marzo el más lluvioso y agosto el
mes más seco con 150 mm; en tanto que la humedad relativa anual es de 87%.
El área de estudio está ubicado en la zona de vida denominada bosque húmedo tropical (bhT)
cuyas características fisionómicas, estructural y de composición florística corresponden a
precipitaciones mayores a 2000 mm y menores a 4000 mm. ONERN (1985), distingue una
gran unidad fisiográfica denominada "paisaje aluvial", caracterizada principalmente por la
topografía relativamente plana de 0% a 5% de pendiente. Según León et al. (2000),
geológicamente el área está conformada tanto por sedimentos recientes del Holoceno como
por sedimentos antiguos del Terciario y del Pleistoceno, ,depositados por las aguas de los
principales ríos. En este paisaje se identifican dos sub paisajes: llanura de inundación y
llanura de sedimentación. Calderón y Castillo (1981 ), mencionan que los suelos son muy
profundos y franco arenosos, friables; con pH entre 5,0 a 5,3; con un 70% a 80% de aluminio
cambiable, el relieve es suavemente ondulado a llano, con drenaje moderado.
27
3.2. Materiales y equipo
a) De campo
Vestuario de campo (poncho impermeable, botas de jebe, etc.), botiquín personal, linterna de
mano y pilas, wincha de 3 m, libretas de campo, lapiceros, lápices, plumones indelebles de
punta fina, tablero de mano, pares de pilas alcalinas AA para receptor GPS, pilas alcalinas AA
para cámara digital, puñal de monte, receptor GPS, cámara digital, brújula y clinómetro.
b) De gabinete
Computadora portátil, software Are View 3.2. o 3.3., cartografía del proyecto PROCLIM año
2000, software Spring 4.5, Global mapper 5.0, imágenes de satélite Landsat 5 TM del año
2008, mosaico de la NASA de imágenes Landsat 7 ETM+, georreferenciadas y
ortorectificadas, disponibles en la web: https://zulu.ssc.nasa.gov/mrsid, imágenes SRTM de
90m de la Universidad de Maryland, http://glcfapp.umiacs.umd.edu:8080/esdi/ index.jsp
3.3. Tipo de investigación
El tipo de investigación fue el descriptivo explicativo, mediante el cual se comparó la
aplicabilidad del método tradicional y PRODES al identificar y cuantificar la Deforestación
en un sector de la carretera !quitos-Nauta en la región Loreto.
3.4.Validación de la información
La validación de la información comprendió las siguientes fases:
3.4.1. Fase inicial de gabinete
a. Diseño de muestreo sistemático no alineado
El método sistemático no alineado consiste en ubicar en forma aleatoria el primer punto de
muestreo, y a partir de su ubicación determinar la ubicación de todos los demás puntos en
forma sistemática, pero introduciendo una modificación aleatoria de la ubicación espacial de
28
éstos en uno o los dos ejes. La distancia entre los puntos fue de 50 a 100 m, con lo que el
cuadrado de 1 hectáreas, 1 O 000 m2 se divide de 20 a 1 O cuadros que conprendieron los
puntos de muestreo. De esta cantidad se deben descontar los puntos que caen fuera de las
franjas accesibles por las vías carrozables.
La generación de las coordenadas de los puntos se hizo con ayuda de un programa de hoja de
cálculo utilizando una función que genere valores aleatorios. La utilización de un punto de
muestreo en particular en la evaluación estadística, dependio también del azar y de la cantidad
de unidades requerida para satisfacer el nivel de exigencia previsto para la prueba.
b. Cálculo del tamaño de la muestra
El tamaño de la muestra se estableció para obtener una estimación apropiada de un
determinado parámetro poblacional. La estimación de parámetros consistio en el cálculo
aproximado del valor de un parámetro en la población, utilizando la inferencia estadística, a
partir de los valores observados en la muestra estudiada. Para el cálculo del tamaño de la
muestra en una estimación de parámetros son necesarios los conceptos de intervalo de
confianza, variabilidad del parámetro, error, nivel de confianza, valor crítico y valor a. El
cálculo del tamaño de la muestra se baso en la siguiente fórmula:
Donde Z es 1,96 , el valor de la abscisa de la curva normal estandarizada para un nivel
determinado de probabilidad; p= 0,5 indica el porcentaje de aciertos estimado; p y q
representan las probabilidades de ocurrencia y no ocurrencia de un evento y E, el nivel
permitido de error. Considerando las probabilidades de ocurrencia y no ocurrencia iguales a
95% y 5%, y el error estándar permisible 10%, para 95% de confianza, la fórmula quedo
definida en la forma siguiente:
29
n = 1,962
x 95x5 = 18 24 102 '
Esto significa que el tamaño mínimo fue de 18 puntos de verificación. Esta cantidad de puntos
se distribuiyo en forma proporcional al área de estudio, pudiendo resultar en un número
mayor de puntos pues las fracciones se convierten en puntos enteros y además se consideraron
un mínimo de tres (3) puntos de muestreo por clase de áreas.
c. Selección aleatoria de puntos de muestreo
Los pasos y consideraciones seguidas para la ubicación de los puntos de muestreo de la
validación estadística son los siguientes:
• Se hizo un reconocimiento de toda la imagen para ubicar la zona donde se ubicará la
grilla para la validación estadística, la misma que deberá incluir todas las clases de interés
para el estudio y que sean accesibles por vía terrestre.
• Cada uno de los puntos que conforman la grilla tienen en su tabla de atributos los códigos
de las unidades interpretadas que las contengan, con el fm de hallar la superficie de cada
clase al interior de la grilla y posteriormente determinar el número de puntos de muestreo
por cada clase de interés en proporción a su superficie.
• Se actualizaron las vías de acceso del área de validación con el fin de conseguir una
adecuada planificación para el trabajo de campo.
• A partir de la red vial actualizada del área de validación, se procedió a la toma de
información cada 4 km a 20 km.
• Se realizó el trabajo estadístico para encontrar el porcentaje de cada clase de interés para
el estudio (B, D, L).
30
3.4.2. Fase de campo
Se priorizaron cuatro zonas para realizar la validación de la interpretación de la
Deforestación. En cada zona de validación se realizó la localización de los puntos de muestreo
seleccionados aleatoriamente, empleando para ello receptores GPS. Se verificó que las clases
de áreas de deforestadas del mapa correspondan a la verdad del campo, se realizó también la
caracterización de las clases, acompañadas de material fílmico y fotográfico. La inspección de
los puntos arrojó un listado de puntos de verificación con sus respectivos datos de
clasificación según el mapa real, proveniente del trabajo de campo.
3.4.3. Fase final de gabinete
a. Modelo lineal de mezcla espectral
Consistió en la generación de imágenes fracciones, que representaron las proporciones de los
componentes suelo y sombra para cada píxel a partir de la respuesta espectral en las diversas
bandas del Tematic Mapper (TM), generando finalmente la.S imágenes fracciones.
El modelo de mezcla utilizó la ecuación en la descomposición de una imagen basada en la
siguiente regresión (Shimabukuro y Smith, 1991).
ri = a * sueloi + b * sombrai + e* vegetación i + ei
Donde:
n = respuesta espectral del píxel en la banda i
a, b y e = proporciones de suelo, sombra y vegetación, respectivamente
sueloi, sombrai ,vegetacióni =respuestas espectrales de los componentes
ei =error en la banda i.
Para la aplicación del modelo de mezcla se utilizó las bandas 3, 4, y 5 del TM/5, por que estas
bandas representan con claridad los elementos: suelo, sombra, agua y vegetación mediante la
31
comparación de sus respuestas espectrales. De esta manera se obtuvieron las imágenes
resultantes de suelo y sombra. El valor gris representó el porcentaje de estos materiales en
cada píxel, donde mayor ocurrió el nivel gris (más claro), mayor fue el porcentaje del
material en ese determinado píxel.
b. Clasificación supervisada por el algoritmo ISOSEG
Es un clasificador que no requiere ningún parámetro inicial para comenzar el agrupamiento de
los píxeles en regiones homogéneas. Él acepta todos los píxeles de la escena como
pertenecientes a una clase, después se comienza a dividir la escena en diferentes clases, según
las diferencias espectrales observadas en los píxeles.
c. Exactitud de la clasificación
La fase final de la clasificación digital consiste en la comprobación y verificación de los
resultados, este es la evaluación de la exactitud del mapeo realizado por el algoritmo de
clasificación (Chuvieco, 2002). Para representar la exactitud de los mapas obtenidos a partir
de la clasificación, el análisis de la exactitud es uno de los parámetros más utilizados, que es
obtenido a través de la matriz de error, o matriz de confusión, que expresa el cálculo de la
concordancia y no concordancia entre las categorías clasificadas de un mapa de uso y
cobertura del suelo y los datos de campo (Ponzoni y Almeida, 2003).
El último proceso de la clasificación consistió en la evaluación de los resultados, por medio
de la exactitud de las clasificaciones, permitiendo evaluar el desempeño del algoritmo
utilizado (ISOSEG). Se utilizó la matriz de error para determinar la exactitud de cada
categoría, calculándose el índice Kappa y la exactitud global. Para crear las matrices de error
se hizo un cruzamiento de la información generado por la clasificación y los datos de campo.
Para verificar los datos de campo se empleó puntos obtenidos con GPS. Después se creó los
32
planos de información para cada clase como: Bosque pnmano, Deforestación y Lagos.
Después se comparó las diferentes imágenes clasificadas con los datos de campo.
Según Story y Congalton (1986), en las matrices de error, los errores de inclusión y omisión
son tan importantes, porque el usuario del mapa temático esta interesado en cuanto al mapeo
que representa la realidad terrestre. El número de muestras clasificadas correctamente en una
determinada categoría fue dividida por el número total de las muestras que fueron clasificados
en aquella categoría, el porcentaje resultante indica la probabilidad de la muestra a representar
aquella categoría en la superficie terrestre, calculándose así la exactitud del usuario y los
errores de inclusión (Story y Congalton, 1986).
d. Matriz de confusión
Con los datos obtenidos en la fase de inspección se construyó una matriz cuadrada de m filas
x m columnas. Las filas corresponden a las clases referenciales (verdad de campo), mientras
que las columnas corresponden a las clases del mapa (Cuadro 1).
Cuadro l. Ejemplo de matriz de confusión entre clases .
-- -··- .. . -·
Clase mapa Exactitud Error de Omisión
Clase campo 1 11 Total
1 ·=tJ 11
Total
Exactitud (%)
Error deOmisión
%)
33
En esta matriz, la diagonal expresa el número de puntos de verificación en donde concuerdan
ambas fuentes (mapa y campo), mientras que los marginales suponen errores de asignación.
La relación entre el número de puntos correctamente asignados y el total expresa la fiabilidad
global del mapa. Los residuales en filas indican tipos de cubierta real que no se incluyeron en
el mapa, mientras que los residuales en columnas implican categorías del mapa que no se
ajustan a la realidad.
En el trabajo se construyeron dos tipos de matrices de confusión. La matriz de confusión
observada que se obtiene a partir de la comparación de los datos de campo obtenidos
mediante el método PRODES y el método tradicional y la matriz de confusión esperada que
se obtiene a partir de los resultados consignados en la matriz de confusión observada,
multiplicando los extremos de los puntos observados en cada clase de campo.
e. Índice Kappa (k)
El índice Kappa (k) es un método utilizado para evaluar la concordancia entre los datos de
campo y un mapa temático, fundamentado en criterios de análisis multivariado discreto
(Ponzoni y Almeida, 2003). El objetivo principal es evaluar el resultado de una clasificación a
partir de una matriz de error o confusión. Se calcula a partir de las matriz de confusión
observada y esperada mediante la siguiente
(http:/ /www .schooltube.com/video/ 4cbd82292e8f4d 12877 4/Indice-kappa-de-Cohen):
k= (Po-Pe)/1-Pe
Donde:
Po= Puntos observados = (Concordancia observado+ Concordancia Deforestación
observada+ concordancia Lagos observada)/Total de puntos muestreados
34
fórmula
Pe= Puntos esperados= (Concordancia esperado+ Concordancia Deforestación esperado+
concordancia Lagos esperado )/Total de puntos muestreados
Se consideran tres clases de resultados: un valor k< 0,4 representa una concordancia pobre;
un valor entre 0,4 < k < 0,8 una concordancia moderada, y un valor k> 0,8, una fuerte
concordancia (Ver tabla de valores de grados de concordancia del índice Kappa).
Cuadro 2. Valores de grados de concordancia del índice Kappa.
Kappa Grados de concordancia
<0,00 Sin concordancia -·· -·
>0,00-0,20 Insignificante
0,21-0,40 Discreto
>0,41-0,60 Moderado --·
0,61-0,80 Sustancial
0,81-l,OO Casi perfecto
f. Ajuste y edición del mapa rmal de Deforestación
Se realizó el ajuste y revisión de la interpretación de las clases de uso de la tierra, en base al
trabajo de campo y a los patrones que pudieron observarse en el terreno, rectificando los
límites y los códigos de las clases de uso de la tierra, obteniendo finalmente el mapa de
Deforestación de la carretera Iquitos-Nautal año 2008.
35
CAPITULO IV
Resultados y discusión
4.1. Unidades de cobertura de la tierra
Cuadro 3. Unidades de cobertura de la tierra calculadas a través del método tradicional y del
método PRODES.
Unidades de cobertura Método tradicional Método PRODES No
de la tierra Área (ha) Área (ha) % 0/o
1 Bosque primario 5649 56,49 5401 54,01
2 Deforestación 4267 42,67 4517 45,17
3 Lagos 84 0,84 82 0,82
Total 10000 100,00 10000 100,00
En el sector de estudio se encontraron tres unidades de cobertura de la tierra que son los
Bosques primarios , la superficie deforestada y los Lagos, que hacen un total de 1 O 000 ha
aproximadamente (Cuadro 2). Con método tradicional de mapeo se identificaron 5649 ha de
(56,49% del total), 4267 ha de superficies deforestadas (42,67%) y solamente 84 ha de Lagos
(0,84%).
Similares resultados se encontraron aplicando el método PRODES, esto es, 5,401 ha de
(54,01% del total), 4517 ha de superficies deforestadas (45,17%) y 82 ha de Lagos {0,82%).
Vasconcelos y Novo (2004), en un estudio sobre mapeo del uso y cobertura de la tierra a
partir de ]a segmentación y clasificación de imágenes fracción suelo, sombra y vegetación el
la región del reservatorio de Tucuruí-Pará, encontraron diferentes resultados al ser
comparados con el presente estudio con 263,52 ha de regeneración natural, 599,6 ha de agua,
929,78 ha de vegetación nativa, 19,13 ha de áreas inundadas y 234,64 ha de áreas
agrosilvopastoriles. De igual manera Céspedes (2011), en un estudio sobre caracterización del
uso y cobertura del suelo en la región de Paragominas-Pará, Brasil, reporta que el es el que
36
presenta la mayor área con 1646,10 ha que representa el 44,75% del total y el menor le
corresponde al suelo expuesto con 8,99 ha (0,24%).
En la figura 2, se muestra las características generales del área de estudio, que se utilizó para
la clasificación y la obtención de las clases temáticas como son: , áreas deforestadas y Lagos.
Figura 2. Aspectos generales del paisaje del tramo de la carretera !quitos-Nauta.
4.2. Modelo lineal de mezcla espectral
La utilización de las imágenes fracciones se mostraron eficientes para la discriminación de
unidades de cobertura de la tierra. Las imágenes fracciones suelo y sombra fueron las que
mejor resaltaron las diferencias entre bosque y no bosque. Las imágenes fracciones generadas
por el modelo lineal de mixtura espectral se presentan en la Figura 3. Son muchos los trabajos
encontrados en la literatura abordando aplicaciones y metodologías de generación de
imágenes fracciones de componentes descompuestos por un modelo lineal de mezcla espectral
aplicados al uso y cobertura del suelo, consiguiendo buenos resultados mediante el uso de la
técnica del modelo de mezcla (Vasconcelos y Novo, 2004 y Shinji et al. 2003).
Vasconcelos y Novo (2004), manifiestan haber encontrado en un estudio realizado en la
región del reservatorio de Tucuruí-Pará, que la aplicación de la técnica de segmentación de las
imágenes fracción suelo, sombra y vegetación a partir del modelo lineal de mixtura se
muestran satisfactorios para obtener la separación de las clases y con eso facilitó la selección
de las muestras para realizar la clasificación automática supervisada. Asimismo, manifiestan
que las imágenes fracciones suelo y sombra fueron extremadamente importantes para
37
diferenciar la clase de vegetación natural. La utilización de las imágenes fracciones a partir
del modelo lineal de mezcla espectral resultaron eficientes para la discriminación de tipos de
cobertura de la tierra (Céspedes, 2011).
Imagen fracción sombra (B)
Composición colorida de las imágenes fracciones sombra (B), suelo (R),
vegetación (G).
Figont3. Imágenes fiaccíones suelo, .sombra, vegetación y composrcton colorida de las unagenes fracciones suelo (R), sombra (B) y vegetación (G).
La utilización de la imagen fracción sombra, se mostró eficiente para caracterizar el (Figura
4); mientras que la imagen fracción suelo segmentada, ayudo a caracterizar las diferentes
unidades del suelo como: y Deforestación (Figura 5). Ambas imágenes fueron útiles para
distinguir las clases que caracterizan el área de estudio. Por su parte Céspedes (2011),
manifiesta haber utilizado la imagen fracción sombra para discriminar los diferentes tipos de
vegetación como (A), bosque secundario (B), y bosque aluvial (C); y la imagen fracción
suelo, permitió caracterizar las áreas de suelo (D) y pasto (E). Asimismo manifiesta que la
aplicación de segmentación de las imágenes fracciones (suelo y sombra) a partir del modelo
lineal de mixtura espectral fue eficiente para obtener la separación de las clases.
38
Figura 4. Imagen Fracción sombra Figura 5. Imagen fracción suelo segmentada
4.3. Comparativos de metodologías de análisis de Deforestación
En la Figura 6 se muestra la comparación de los métodos tradicional y PRODES, donde se
puede apreciar claramente que los resultados obtenidos son similares, siendo el método
PRODES un instrumento automático más fácil de aplicar al ser comparado con el método
tradicional debido al mayor tiempo que se emplea en el proceso de digitalización.
60
.... 50 CIJ "U liG
"U 40 "E
::ll <1111
"''lll 30 CIJ ;¡¡ ....
20 11: liD u ... o 10 o.
o PRODES Tradicional
Método
Figura 6. Comparativos del porcentaje de Deforestación en el área de estudio según método
de interpretación (Año 2008).
39
En la Figura 7 se presenta el gráfico de dispersión de proporciones de las unidades de
muestreo donde se observa que no existe diferencia en la distribución de las unidades
muéstrales por lo tanto es posible usar cualquiera de los dos métodos. Asimismo, se puede
afirmar que el método tradicional es más oneroso debido a que ocupa mayor tiempo de .\'
trabajo; en contraste, el método PRODES es más sistematizado y facilita la obtención de las
diferentes unidades del suelo, sin embargo, el empleo de esta metodología requiere de
personal entrenado.
Dispen:ión del Método PRODES y Método TRADJctONAL
... e ~ ~ 3000 -t--------------------1 e CD ... e ~200m-t-------------------I
1miD.f------------------~
0+--~--~-~--~-~--~-~
o 1 2 2 3 3 4
Unidades muestreadas
Figura 7. Gráfico de la dispersión de proporciones de unidades de muestreo
4.4. Clasificación supervisada por el algoritmo ISOSEG
Las Figuras 8 y 9 presentan la imagen TWLandSat-5 con el resultado de la clasificación en
las imágenes fracciones suelo-sombra por el m~todo PRODES y tradicional, a través del
abordaje supervisado aplicando el algoritmo ISOSEG. Después de haber realizado el análisis
de comparación por regiones que agrupa al vecino más próximo al 95% se demuestra que es
posible caracterizar en la imagen final las diferentes unidades de cobertura del suelo.
40
Vasconcelos y Novo (2004), en un estudio realizado en la región del reservatorio de Tucuruí-
Pará, manifiestan que la clasificación automática (Battacharya) agilizó el proceso de trabajo,
siendo ésta una de las mayores ventajas de esta técnica para la clasificación supervisada.
Céspedes (20 11 ), manifiesta que al comparar varios test de aceptación de las clases
espectrales al 99,9% y la aplicación del algoritmo Battacharya fue posible caracterizar el uso
y cobertura del suelo a nivel general.
,.,?
~~~
_/ ......
o ,
. ·~ í}g mm oo
Figura 8. Imagen TM/Landsat-5 con el resultado de la clasificación sobre las imágenes
fracciones suelo-sombra por el método PRODES.
•)
~~~
. . . /.
: . ~ e n .......... ~~
o .-~ ,
DEIOJU'STACIIÓ:N DEL ÁREA DE ESIUDIO l\tEDIA..1llo"TE EL METODO TRADICIONAL -
Figura 9. Imagen TM/Landsat-5 con el resultado de la clasificación sobre las imágenes por el
método tradicional.
41
4.5. Exactitud de la clasificación
El resultado de la clasificación fue evaluado a través de la exactitud global y el índice Kappa,
de los mapeos del uso y cobertura del suelo, entre la referencia terrestre y la clasificación
realizada (Cuadro 3). La clasificación de las imágenes por el método PRODES presentan una
exactitud global (83,53%) siendo superior al metodo TRADICIONAL con exactitud global
(54,95%) al haber sido clasificadas. El valor del índice Kappa al comparar ambas
metodologías fue de (0,64), indica que los mapsa resultantes presentan un índice de
concordancia "muy buena" de acuerdo con Landis y Koch (1977).
Cuadro 4. Exactitud global e índice Kappa de los mapeos del uso y cobertura del suelo de la
Región del tramo de la Carretera !quitos Nauta.
Método Exactitud Global(%) Kappa
PRO DES 83,53 0,64 -------TRADICIONAL 54,95 0,64
Similares resultados reporta Céspedes (20 11) con valores del índice Kappa superiores a O, 7 en
las clasificaciones supervisadas, con test de aceptación del 99 ,9%.
4.6. Matrices de error
En los Cuadros 5, 6, y 7 se muestran las matrices de error de las clasificaciones efectuadas por
el algoritmo ISOSEG, donde la diagonal principal (valores en azul) corresponde al número de
puntos clasificados correctamente. Además se especifica la cantidad de puntos muestreados
para cada clase, la exactitud del productor y exactitud del usuario.
Según el Cuadro 4, de un total de 123 puntos muestreados, la clasificación efectuada por el
algoritmo ISOSEG (banda original 3, 4 y 5) realizó la mayor omisión en la clase Lagos en un
100% del total con respecto a los datos de campo y el menor se presenta en la clase (78%).
42
Cuadro 5. Matriz de error e indicadores de exactitud derivados a la clasificación no
supervisada de ISOSEG en el conjunto de bandas originales 3(B), 4(G) y 5(R).
Puntos de Control rll - -~~ ~-C!) (verdad terrestre) o "CC~ rll"CC
~ o = "CC'-' "CC _.
~g Clases .... ~ J. = = o = J. o :S ........
Bosque Deforest =~ .... J.
J. rll .... = ooll'l Lagos ~ ~ J. = ~ = ¡..;- primario ación = ~<:i .§ ~ e ~ rll
.5 ~ = .... ...,. ~- 68,7 5~ 53 1 5 59 31,3 =-.... ~ rll Deforestación o 59 1 60 35,4 64,6 = ü
Lagos 3 o 1 4 99,9 0,1
Puntos muestreados 56 60 7 123 Error de omisión (%) 29,7 35,4 99,6 Exactitud del productor 70,3 64,6 0,4 (%)
La clase presenta la mayor exactitud del usuario en un 68,7% con respecto a la clasificación
realizada por el algoritmo ISOSEG y el menor se aprecia en la clase Lagoss (0,1 %). En
cuanto a la exactitud del productor (datos de campo) la clase reporta una precisión en un
70,3% y el menor se manifiesta en la clase de Lagoss (0,4%).
Céspedes (2011), reporta para la matriz de error en imágenes fracción suelo-sombra elaborada
por el algoritmo Battacharya que la mayor omisión ocurre en la clase bosque aluvial con 88%
del total con respecto a los datos de campo y el menor se presenta en la clase (5%).
Asimismo, la clase muestra el más alto error de inclusión con 25% del total con respecto a la
clasificación realizada por el algoritmo Battacharya y el menor error ocurre en las clases
bosque aluvial (0%) y suelo expuesto (0%). Las clases bosque aluvial y suelo expuesto
presentan la mayor exactitud del usuario en un 100% y el menor se aprecia en la clase (75%).
En cuanto a la exactitud del productor (datos de campo) la clase pasto limpio reporta la mayor
precisión en un 100% y el menor se manifiesta en el bosque aluvial (12%).
43
Cuadro 6. Matriz de error e indicadores de exactitud derivados a la clasificación supervisada
de ISOSEG en el conjunto de bandas originales 3(B), 4(G) y 5(R).
Puntos de control <1.1 - -o ~-(verdad terrestre)
o ~~ "CC~ ~ r~.~"CS "CS'-' "CC '-' rilil o = - .5 ... ~ = o ~g Clases = - o·- ... ·-
Deforest =~ - <1.1 ·- -... = r.Lltn Lagos ¡:l.¡ ~ - = ~ = """"- ación = rililCj = <1.1
=~ e .5 ~ = -o '-' ·- '-.:1' ~-B~ 55 15 o 70 38,5 61,5 e='-' ·- ~ <1.1 = Deforestación o 52 o 52 o 100 -u
Lagos o o 1 1 o 100 Puntos muestreados 55 67 1 123 Error de omisión (%) o 34,8 o Exactitud del productor 100 65,2 100 (%)
Asimismo, la clase de expresa el más alto error de inclusión con 38,5% del total con respecto
a la clasificación realizada por el algoritmo ISOSEG y el menor ocurre en la clase de Lagos y
Deforestación (0%). La clase Lagos y Deforestación presenta la mayor exactitud del usuario
en un 100% con respecto a la clasificación realizada por puntos de muestreo campo el menor
error de omisión en la clase y Lagos (0%) y el mayor error en la clase Deforestación (34,8%).
En cuanto a la exactitud del productor (datos de campo) la clase y Lagos reporta la mayor
precisión con un 100% y el menor se manifiesta en las Deforestación (65,2%).
Los errores cometidos en el método tradicional se deben comúnmente a error humano y en el
método PRODES se debe al tamaño de los pixeles según imagen de satelite, nubes y a las
sombras; ambos errores se corrigen al final con el ajuste del trabajo de campo.
Céspedes (20 11 ), reporta para un total de 213 puntos muestreados a través de la clasificación
efectuada por el algoritmo Battacharya, donde la mayor omisión se presenta en la clase
bosque aluvial en un 88% del total con respecto a laverdad terrestre y el menor en la clase
(2%). Asimismo, la clase suelo expuesto expresa el más alto error de inclusión con 33% del
total y el menor ocurre en la clase bosque aluvial (0%).
44
El Cuadro 7, presenta la clasificación efectuada por el algoritmo ISOSEG (imagen fracción
suelo-sombra) donde la mayor omisión se reporta en la clase Lagos con 99,6% del total con
respecto a los datos de campo y el menor se presenta en la clase (29,7%). Asimismo, la clase
Lagos muestra el más alto error de inclusión con 99,9% del total con respecto a la
clasificación realizada por el algoritmo ISOSEG y el menor ocurre en la clase de (31 ,3% ).
La clase presenta la mayor exactitud del usuario ( 68,7%) y el menor ocurre en la clase Lagos
(0,1 %). En cuanto a la exactitud del productor, la clase reporta la mayor precisión con 70,3%
y el menor se manifiesta en Lagos 0,4%.
Cuadro 7. Matriz de error e indicadores de exactitud derivados de la clasificación
supervisada de ISOSEG en las imágenes fracciones suelo-sombra-vegetación.
Puntos de Control ~ - -Ql~ Ql-= "'~ \.!) (verdad terrestre) ~"' "0'-' = = '"' ,g "' .._,
~ Clases .... ~ = = .... ·-~g = .... =·- ·- '"' = ~ '"' ~ .... = Bosque Deforest ~ Ql '"' = ~ = rJJlf') Lagos = ~ü li"l ~
~- primario ación e = J;¡il = ,g ~ ·-·-...,. 52 15 6 73 37,9 62,1 CJ-
~e ·- !") Ol'l Deforestación 3 45 o 48 21,6 78,4 = -u
Lagos 1 o 1 2 0,1 99,9
Puntos muestreados 56 60 7 123 Error de omisión(%) 29,1 27 99,6 Exactitud del productor 79,9 73 0,4 (%)
En el Cuadro 7, la clasificación efectuada por el algoritmo ISOSEG (imagen fracción suelo-
sombra-vegetación) reporta la mayor omisión en la clase de Lagos con 99,6% del total con
respecto a los datos de campo y el menor se presenta en la clase Deforestación (27%).
Asimismo, la clase presenta el más alto error de inclusión con 3 7,9% del total con respecto a
la clasificación realizada por el algoritmo ISOSEG y el menor ocurre en la clase de Lagos
(0,1%).
45
Los polígonos temáticos mal clasificados determinados al final de la clasificación de las
imágenes por el método supervisado (ISOSEG), se corrigieron a través de la edición matricial
directamente en la pantalla del computador teniendo como plano de fondo para la
comparación la imagen original en composición colorida (bandas 3, 4 y 5).
La clase Lagos presenta la mayor exactitud del usuario (99,9%) con respecto a la clasificación
realizada por el algoritmo ISOSEG y la menor se aprecia en la clase (62,1%). En cuanto a la
exactitud del productor (datos de campo) la clase reporta la mayor precisión (79,9%) y el
menor se manifiesta en la clase Lagos (0,4%).
Céspedes (2011), indica que la mayor omisión sucede en la clase bosque aluvial con 89% del
total con respecto a los datos de campo y el menor se presenta en la clase pasto limpio (0% ).
Asimismo, la clase bosque aluvial presenta el más alto error de inclusión con 50% del total
con respecto a la clasificación y el menor ocurre en la clase suelo expuesto (0%). La clase
suelo expuesto presenta la mayor exactitud del usuario en un 1 00% con respecto a la
clasificación realizada por el algoritmo Battacharya y el menor se aprecia en la clase bosque
aluvial (50%). En cuanto a la exactitud del productor (datos de campo) la clase pasto limpio
reporta la mayor precisión en un 100% y el menor se manifiesta en el bosque aluvial (11 %).
4. 7. Matrices de concordancia observada y esperada
El cuadro 8 muestra la concordancia observada entre el método PRODES y el tradicional. Al
cruzar la información resultante se observa que el método PRODES y el método tradicional
presentan 52 coincidencias para bosques, 45 para la Deforestación y 1 para Lagos, siendo
resultados altamente concordantes para los puntos observados.
46
Cuadro 8. Matriz de concordancia observada entre el método PRODES y el método
tradicional
Método Tr.uticional <1.1 ,-... -cu'te
(U ,-... o -='te r~.~"CC "CC'-' m o = -= .._, - (U loo .§ = o ~ Clases = loo -....
~ =~ o .... .... loo
Deforest loo <1.1 - = o Lagos ~ (U loo = CJ = ~ ación = lioil"Cj = <1.1
p.. e .!3 ~ = o
15 6 73 37,9 62,1 "' 52 o -"4::J )1
Deforestación 3 45 o 48 21,6 78,4
Lagos 1 o 1 2 0,1 99,9
Puntos muestreados 55 50 7 123
Error de omisión (%) 28,6 22,5 99,6
Exactitud del productor 71,4 77,5 0,4 49,76 80,13 i(%)
Asimismo, la clase de expresa el más alto error de inclusión con 37,9% del total con respecto
a la clasificación realizada por el algoritmo ISOSEG del método PRODES y el menor ocurre
en la clase de Lagos (0,1%). La clase Lagos presenta la mayor exactitud del usuario en un
99,9% con respecto a la clasificación realizada por el Métdo PRODES el menor se aprecia en
la clase (62,1%). En cuanto a la exactitud del productor (datos el metodo Tradicional) la clase
Deforestación reporta la mayor precisión con un 77,5% y el menor se manifiesta en Lagos
(0,4%).
Con los resultados del Cuadro 9 se calcularon las concordancias esperadas entre el método
PRODES y el tradicional (Cuadro 8). Se observa que ambos métodos presentan 32,6
coincidencias para bosques, 21,9 para la Deforestación y l para Lagos, siendo resultados
moderadamente concordantes para los puntos esperados.
47
Cuadro 9. Matriz de concordancia esperada al azar entre el método PRODES y tradicional.
Método Tradicional l7i - -~~ ~-o "'~ 171"0 -o'-' m o = "' '-" rillill Clases
.... ~ J. = = o = J. o~ ....... @ =~ ·- J. Deforest J. l7i .... = Lagos ~ ~ J. = ~ = ~ ación = ~Cj ~ l7i
~ S .e ~ = o
"t:: 32,6 15 6 53,6 17,5 82,5 o -'O
~ Deforestación 3 21,9 o 23,9 5,2 78,4
Lagos ] o 1 2 O, 1 99,9
Puntos muestreados 36,6 36,9 7 123
Error de omisión (%) 11,9 8,1 99,6
Exactitud del productor 88,1 91,9 0,4 60,13 86,93 (%)
4.8. Indice Kappa
Con los resultados obtenidos en las matrices de concordancia observada y esperada y teniendo
como base llas concordancias observadas (Po) y esperadas (]pe) entre Jos dos métodos~ :se
calculó el índice de Kappa (k), el cual resultó ser de 0,64, que se sitúa el rango de grado de
concordancia de 0,61 a 0,80, es decir una concordancia "sustancial". Esto quiere decir que los
métodos PRODES y tradicional utilizados para clasificar la Deforestación presentan similitud
en sus resultados, lo cual implica que se puede utilizar cualquiera de los dos métodos con alta
confiabilidad. Similares resultados presentan Landis y Koch (1977), en las clasificaciones
producidas por las imágenes fracciones suelo-sombra-vegetación e imagen original en las
bandas 3(B) 4(G) y 5(R), los cuales alcanzaron valores de exactitud global de 79% para
ambos los valores de índice Kappa de 0,724 y 0,7183 respectivamente, lo cual tiene una
concordancia de índice muy buena.
4.9. Mapa final de uso y cobertura del suelo
Las Figuras 11 y 12 muestran los mapas finales editados mediante el método PRODES y el
tradicional, donde se observa que no existe diferencia en la clasificación, lo que concuerda
con el índice Kappa calculado para ambos métodos (0,64). Finalmente el área es una zona que
48
presenta fuerte presión antrópica dirigida a actividades agrícolas y crianza de animales
menores, no obstante se observa que aún existe una gran proporción de áreas con Bosque
pnmano.
Cuadro 10. Características operacionales del método tradicional y el método PRODES.
CARACTERISTICAS TRADICIONAL PRO DES GENERACION DE LENTO RAPIDO INFORMACIÓN DIGITALIZACION LENTA POCA EDICION LENTA POCA AUTOMATIZACION DIGIT ALIZACON EN AGRUP ACION POR
PANTALLA REGONES DE PIXCELES SIMILARES
ESCALA DE TRABAJO VARIADO UNICO A NIVEL DE PIXCEL POCO-CONFIABLE CONFIABLE
PRECISIÓN ES NECESARIO REVISION ES NECESARIO REVISION (GEORREFERENCIA) (GEORREFERENCIA)
REQUERIMIENTOS MAYOR PERSONAL MAQUINA MAS POTENTE Y CALIFICADO PERSONAL CALIFICASO
MANEJO DE DEPENDE DEL AREA DE DEPENDE DEL AREA DE INFORMACIÓN ESTUDIO ESTUDIO MANEJO DE BASE DE RAPIDA RAPIDA DATOS COSTO DE COSTOSO COMO DO IMPLEMENTACIÓN
49
w~•
Figura 10. Mapa final de uso y cobertura del suelo a lo largo de la carretera !quitos-Nauta, Loreto, según el método PRO DES.
50
~.a.'".c.A DE ESTUDIO
Figura 11. Mapa final de uso y cobertura del suelo a lo largo de la carretera !quitos-Nauta, Loreto mediante el método tradicional.
51
CAPITULO V
Conclusiones
l. El área de calculado para Bosue primario en el método PRO DES es de 54,01%, mientras
que por el método tradicional es de 56,49%, teniendo una diferencia de 2,48%, valor no
siginificativo para la interpretación de esta unidad.
2. El área de Deforestación calculado por el método PRODES es de 45,17%, miestras que
por el método tradicional es de 42,67%, teniedo una diferencia de 2,5%, valor no
significativo para la interpretación de esta unidad.
3. La utilización de las imágenes fracciones a partir del modelo lineal de mezcla espectral
muestran eficiencia para la discriminacióin de unidades de cobertura de la tierra.
4. Después de haber realizado el análisis de comparación por regiones que agrupa al vecino
más proximo al 95% y al aplicarse la segmentación y el algoritmo ISOSEG es posible
caracterizar las diferentes unidades de cobertura del suelo,
"www .dpi.inpe. br/ spring/portugues/banco.html".
5. La clasificación de imágenes por el método PRODES y el método tradicional presentan
diferente exactitud global de (83,53%) y (54,95) respectivamente e igual índice Kappa
de (0,64) lo que indica que el mapa resultante presenta un índice de concordancia
sustancial, podiendo emplear tanto el método PRO DES como el método Tradicional para
la determinación de la Deforestación con alto grado de confiabilidad.
6. La cuantificación de la matriz de error de omisión e inclusión son importantes para
determinar el mapeo que representan los datos de campo.
52
CAPITULO VI
Recomendaciones
l. Usar la clasificación del método PRODES para elaborar mapas de áreas deforestadas por
ser más sistematizado y fácil de aplicar en áreas pequeñas (cuadriculas de 1 O km x 1 O km,
20km x 20 km o 30km x km) que tengan traslapes entere ellas dependiendo de la
complejidad del paisaje para la generación de mosaicos ya que para superficies mayores
se requiere de mayor memoria virtual.
2. Se recomienda utilizar el método PRODES para trabajos automatizados porque los errores
de clasificación tienen alta correspondencia en el muestreo y el método tradicional para la
presentación de resultados finales.
3. Se debe revisar , corregir la topología y definir bien la proyección de la cobertura a
trabajar, antes de presentar los resultados finales.
4. Es recomendable antes de ir a campo rtener información no supervisada y determinar las
áreas de dudas a ser muestreadas.
53
CAPITULO VII
Referencias bibliográficas
Alves, D.; G. Meira Filho; C. L. d' Alge: E.K. Mello; J.C. Moreira; J.S. de Madeiros. 1992.
The Amazonia information system. ISPRS Archives, Commission VI, 28:259-266.
Barrena, V., C. Vargas. 2003. Metodología de interpretación y mapificación de bosques
secundarios y áreas intervenidas, utilizando imágenes Landsat, con fines de inventario
de fuentes de emisión de gases de efecto invernadero. Lima, Perú. 27 p.
BIRF 4085-AR 1998-2001, Proyecto Bosques Nativos y Áreas Protegidas "Primer Inventario
Nacional de Bosques Nativos" Manual de Teledetección, Republica de Argentina. 57p.
Calderón, M y A. Castillo, 1981. Evaluación y lineamiento de manejo de suelos y bosques
para el desarrollo agrario del área de influencia de la carretera !quitos-Nauta.
Ministerio de Agricultura. Dirección General Forestal y Fauna. Iquitos-Perú. 20 p.
Cfunara, G.; D. Morisson; J. Vianei. 2006. Metodología para o calculo da taxa anual de
desmatamento na Amazonia legal. Programa PRODES. Sao José dos Campos, INPE,
Brasil. 23 p.
Cárdenas, L. 1986. Estudio ecológico y diagnóstico silvicultura! de un bosque de terraza
media en la llanura aluvial del río Nanay en Iquitos-Perú. Tesis M.Sc. CATIE,
Turrialba, Costa Rica. 133 p.
Center for Biodiversity and Conservation and American Museum of Natural History. 2004.
Remote Sensing and geographic information systems facility. Remote Sensing
Resources. http:/ /cbc.rs-gis.amnh.org/
Centro de Datos para la Conservación. 200 l. Análisis y modelación espacio-temporal del
paisaje en las áreas de intervención del PDA. Informe final. Manejo ambiental y uso
sostenible de bosques y recursos naturales en las áreas de intervención del Programa
de Desarrollo Alternativo (PDA). USAID/CDC-UNALM 1 WWF. Lima, Perú. 62 p.
54
Centro de Base de Datos para la Conservación. 2004 Análisis y modelación espacio-temporal
del paisaje en las áreas de intervención del PDA. Resumen ejecutivo. Manejo
ambiental y uso sostenible de bosques y recursos naturales en las áreas de intervención
del Programa de Desarrollo Alternativo (PDA). USAID/CDC-UNALM 1 WWF. Lima,
Perú. 82 p.
Centro de Base de Datos para la Conservación. 2006. Sistema Nacional de Áreas Naturales
Protegidas por el Estado SINANPE. Hacia un sistema de monitoreo ambiental remoto
estandarizado por el SINANPE. Parque Nacional Manu, Parque Nacional Alto Purús,
Reserva Comunal Purús y Santuario Nacional Megantoni (2000-2005). Informe Final.
Lima. 65 p.
Céspedes, R. J. C. 2011. Caracterización del uso y cobertura del suelo mediante la aplicación
de percepción remota y sistemas de información geográfica, en le región de
Paragominas-Pará-Brasil. Borrador de Tesis de Ingeniero Forestal. Universidad
Nacional de la Arnazonía Peruana. !quitos, Perú. 38 p.
CIF-INRENA (2000), Mapa de Deforestación de la Arnazonía Peruana 2000, Memoria
descriptiva, Programa de Fortalecimiento de Capacidades Nacionales para Manejar el
Impacto del Cambio Climático y la Contaminación del Aire Lima-Perú, 83 p.
Chomentowski W.; W. Salas; D. Skole. 1994. Landsat pathfinder project advances
Deforestation Mapping. GIS World 7:34-38.
Chuvieco, E. 1990. Fundamentos de teledetección espacial. Ediciones RIALP, S.A. Sebastián
Elcano, 30-28012 Madrid, 453 p.
Chuvieco, E. 2002. Teledetección ambiental. España. 586 p.
Comisión Nacional de Investigación y Desarrollo Aeroespacial (CONIDA). 1977. Utilización
de la cámara multiespectral "Identificación de un área parcial de cultivo" Valle
Chancay-Huaral. 33 p.
55
Crepani, E. y J. Madeiros 2004. Imagens fotográficas derivadas do MNT do Projeto SRTM
para fotointerpreta¡;ao na geología, geomorfologia e pedologia. Sao José dos Campos:
INP. 40 p.
Doujoreanni, M. 1990. Amazonia ¿Qué hacer? Centro de Estudios Teológicos de la
Amazonia, !quitos, Perú. 444 p.
El caso de Sierra del Divisor Zona de Impacto http://www.amazonjungleperu.es.tll
RESERVA-NATURAL- -SIERRA-DEL-DIVISOR.htm
ESRI. 1996. Are view spatial analyst. Advanced spatial analysis using raster and vector data.
Environmental Systems Research Institute. Redlands.
FAO. 2001. Causas y tendencias de la Deforestación en América latina. Documento de
trabajo 52. Programa de evaluación de los recursos forestales. Departamento de
Montes. Roma, Italia. 91 p.
Jiménez, Y. y Moreno J. 2006. Los SIG en el análisis y el Diagnostico del Paisaje. El caso del
Río Guadix (Parque Nacional de Sierra Nevada). Cuaderno geográfico, No. 039,
Universidad de Granada, Granada España. p 103-123.
Landis, J. R. Y G. G. Koch. 1977. The measurement of observer agreement for categorical
data. Biometrics 33:159-174.
García, E.; F. Allende; J. Soriano. s/f. Estudio de la evolución temporal del sector centro
oriental de la Cuenca del Segura. En: Revista Ingeniería Civil, 1999. Julio-setiembre;
(115). Universidad Complutense de Madrid. Madrid, España. p. 99-106.
GURGEL. 2002. Ensinando cartografia. Capítulo 10. INPE. Sao José dos Campos. Brasil. 15
p.
Imágenes SRTM de 90m de la Universidad de Maryland, Global Land Cover Facility,
Maryland University. http :/ /glcfapp. umiacs. umd.edu: 8080/esdi/index.j sp.
56
INEI. 2005. Oficina Zonal Tarapoto, compendio estadístico 1999-1995, Estimaciones y
Proyecciones de población total2007, Encuesta Nacional Continua.
Instituto Nacional de Pesquisas Espaciais (INPE). 1988. INPE atualiza os dados do
desflorestamento na Amazonia de 1995 a 1997. INPE Notícias. No. 13, 1-2.
INEI. 2006. Resultados de los Censos Nacionales X de Población y V de Vivienda. 1993 y
2005.
INRENAa. 1996. Guía explicativa del mapa forestall995. Lima, Perú. 129 p.
INRENAb. 1996. Monitoreo de la Deforestación en la Amazonía peruana. Dirección General
de Medio ambiente Rural. Lima, Perú. 35 p.
Instituto Geográfico Nacional. 1989. Atlas del Perú. Lima, Perú. 400 p.
Instituto Nacional de Colonizassem y Reforma Agrária (INCRA). 1996. Dossie (Divisao de
Assentamento)(Porto Velho: INCRA), Dezembro de 1996 (Relatório Interno).
Instituto de Investigaciones de la Amazonía Peruana (IIAP, 2002). Zonificación ecológica
económica para el desarrollo sostenible de !quitos-Nauta. Equipo técnico del Instituto
de Investigaciones de la Amazonía Peruana convenio con AECI-ARAUCA, !quitos
Perú.
Implementación de Sistema Remoto de Control y Monitoreo de la Deforestación y Estado de
Conservación de los Recursos Naturales para la Gestión Ambiental Regional
ISRCMDECRGAR (2008), Mapa de Deforestación de la Región San Martín 2000-
2006- Memoria descriptiva. Moyobamba, Perú, p 95.
Maco, G. 2006. Zonificación floresta! com fines de aprovechamiento sustentable na cuenca do
rio Itaya. Instituto Nacional de Pesquisas Espaciais (INPE), XIX Curso Internacional
em Sensoriamento Remoto e Sistema de Informa<;oes Geográficas, Sao José dos
Campos, Sao Paulo, Brasil. 35 p.
57
Malleux, J. 1971. Estratificación forestal con uso de fotografías aéreas. Universidad Nacional
Agraria La Molina, Dpto. de Manejo Forestal. Lima, Perú.
Malleux, J. 1975. Mapa forestal del Perú (Memoria explicativa) Lima-Perú. Universidad
Nacional Agraria La Molina. Dpto. de Manejo Forestal. Lima, Perú. 161 p.
Malleux, J. 1982. Inventarios forestales en bosques tropicales. Cap. 111 Utilización de las
fotografías aéreas en la estratificación de bosques tropicales. Universidad Nacional
Agraria La Molina, Lima-Perú. p. 149-238.
Miró Quesada, A. 2007. Revista Viajeros Conservación y Culturas. Tamshiyacu-Tahuayo:
una experiencia de conservación productiva para el desarrollo de Loreto
http://www.premioreportaje.org/article.sub?docld=27021&c=Per%C3%BA&cRef=Pe
ru&year=2008&date=septiembre%202007.
Mosaico de la Nasa de imágenes landsat 7 ETM+, Georreferenciadas y Ortorectificadas,
disponibles en la web: https://zulu.ssc.nasa.gov/mrsid
Niero, P.; M. Kurdjiam; C. Forest. 1989. Cobertura e uso da terra a través de sensoriamento
remoto. INPE 5032. MD/042. 182 p.
ONERN. 1985. Clasificación de las tierras del Perú. Lima, Perú. 113 p.
ONU. 2003. Perú. Monitoreo de cultivos de Coca para el2002. Lima, Perú. 35 p.
Ponzoni, F. y E. Almeida. 1996. Estimativa do parfunetro KAPPA (K) da análise multivariada
discreta no contexto de um SIG. Simpósio Brasileiro de Sensoriamento Remoto. Sao
Jose dos Campos- Brasil. Instituto Nacional de Pesquisas Espaciais. p. 729-733.
PROCLIM. 2005. Mapa de Deforestación de la Amazonía peruana 2000. Memoria
Descriptiva. Lima. 96 p.
Ramírez, J. 2005. Uso actual de las tierras. Zonificación ecológica económica de la Región
San Martín, Convenio IIAP-GORESAM. lquitos-Perú. 54 p.
58
Rodríguez F. 2007. Características biofisicas, análisis del paisaje y efectos de proyectos de
infraestructura en las áreas inundables de la Amazonia peruana. Resumen preparado
para el seminario sobre el uso sostenible de las áreas de inundación en la Amazonía
peruana, realizado el día 7 de diciembre del 2007, sobre la base del documento
preparado para el Taller Ecorregional de !quitos 27 al 29 de Junio del2000 (Convenio
IIAP-WWF).
Smith, R., D. Pinedo. 2002. Comunidades y áreas naturales protegidas en la Amazonia
peruana. 93• Conferencia Bienal de la IASCP. Zimbawe. Junio 19-21.
Shimabukuro, y. E. y J. A. Smith. 1991. The least-squares mixing models to generate fraction
images derived from remote sensing multispectral data. IEEE Transactions on
Geoscience and Re mote Sensing 29(1 ): 16-20.
Shinji, k. F.; m. R. Gomez; C. P. Almeida y A. Luchiari. 2003. Caracterizayao atual do uso da
terra e da cobertura vegetal na regiao da terra Indígena Sangradouro/volta Grande
Mato Grosso. Red de revistas científicas de América latina y el Caribe, España y
Portugal 53: 27-38.
Story, M. y R. G. Congalton. 1986. Accuracy assessment: a user's perspective.
Photograrnmetric Engineering and Remote Sensing 52(3):397-399.
Tardin, A.T.; D.C.L. Lee; R.J.R. Santos; O.R. Assis; M.P.S. Barbosa; M.L. Moreira; M.T
Pereira; D. Silvia; C.P Santos Filho. 1980. Subprojeto desmatamento: Convenio
IBDF/CNPq- INPE. Sao José dos Campos: Instituto de Pesquisas Espaciais (INPE-
1649-RPE/103)
Tratado de Cooperación Amazónica (TCA). 1994. Zonificación ecológica económica;
Instrumento para la conservación y el desarrollo sostenible de los recursos de la
Amazonía. Secretaría pro-tempore. Memoria de la reunión regional realizada en
Manaos, Brasil, 25-29 de abril de 1994. Lima-Perú. 382 p.
59
Torres, J. 1993. Manejo forestal, un cambio hacia la conservación de los bosques en la selva
baja. En: Amazonia peruana. Vegetación húmeda tropical en el llano subandino.
Proyecto Amazonia. Universidad de Turku-ONERN. Kalliola, R.; Puhakka, M.;
Danjoy, W. (eds). Finlandia, 265 p.
Tuomisto, H. 1993. Clasificación de vegetación en la selva baja. En: Amazonía Peruana.
Vegetación húmeda tropical en el llano subandino. Proyecto Amazonía. Universidad
de Turku-ONERN. Kalliola, R.; Puhakka, M.; Danjoy, W. (eds). Finlandia. 265 p.
Vargas, J. 2005. "Zonificación ecológica económica de la Región San Martín". Grupo
Técnico de la ZEE: Gobierno Regional de San Martín-Instituto de Investigaciones de
la Amazonía Peruana, Iquitos-Perú, Diciembre 2005. 59 p.
Vasconcelos, C. H. y E. M. L. M. Novo. 2004. Mapeo y uso de la cobertura de tierra a partir
de la segmentación y clasificación de imágenes-fracción suelo, sombra y vegetación
derivadas de los modelos lineales de mixtura aplicado a los datos del sensor
TM/Landsat 5, en la región del reservatorio Tucuruí-PA. Acta Amazónica 34(3):487-
493.
WWF-Oficina de Programa Perú. 2003. Análisis de cambios del paisaje: Toumavista-Campo
Verde y su área de influencia. Pérdida y fragmentación de bosques (1963-2000).
Informe técnico. Lima, Perú. 31 p.
https://zulu.ssc.nasa.gov/mrsid: Link de descarga de Imágenes del Mosaico de la Nasa.
http://glcfapp.umiacs.umd.edu:8080/esdi/ index.jsp: Link de descarga de Imágenes del
SRTM, de la Universidad de Maryland.
"www.dpi.inpe.br/spring/portugues/banco.html". Tutorial do SPRING en 10 Aulas, INPE
Brasil.
60
Anexo
Glosario
MINA M Ministerio Nacional del Ambiente
FAO Food and Agriculture Organization (Organización de las Naciones Unidas
para la Agricultura y la Alimentación)
GTZ-PDRS Cooperación Técnica Alemana 1 Programa Desarrollo Rural Sostenible
PROCLIM Programa de Fortalecimiento de Capacidades Nacionales para Manejar el
Impacto del Cambio Climático y la Contaminación del Aire
PRO DES Programa del calculo de Deforestación de la Amazonia
Implementación de Sistema Remoto de Control y Monitoreo de la
ISRCMDECRGAR Deforestación y Estado de Conservación de los Recursos Naturales para la
Gestión Ambiental Regional.
IGN Instituto Geográfico Nacional
SIG Sistema de Información Geográfica
LANDSAT Satélite de la Tierra
TCA Tratado de Cooperación Amazónica
ONERN Oficina Nacional de Evaluación de Recursos Naturales
CONIDA Comisión Nacional de Investigación y Desarrollo Aeroespacial
ONU Organización de las Naciones Unidas
SPRING Sistemas de Procesamiento de Información Geográfica
WWF World Wildlife Fund (Fondo mundial para la vida silvestre)
Figura 12. Imagen de radar SRTM fusionada mostrando el relieve del terreno y el uso de la tierra. Año 2000
Figura 13. Área deforestada en la zona de influencia de las comunidades de Palo Seco, Paujil, Nuevo Horizonte, Puente Tocón, ExPetroleros y
Puente Pintuyacu. Afio.
1.- KM 34+700
Vista Este: Arbustos pioneros deforestación Vista Oeste: Fundo Tigre 34+700 Km.
Vista Norte: Arbustos pioneros deforestación Vista Sur: Arbustos pioneros deforestación
2.- km 35
60
Vista Este: Arbustos pioneros deforestación Vista Oeste: Arbustos y Quebrada en el km 35.
Vista Norte: Arbustos pioneros deforestación Vista Sur: Arbustos pioneros deforestación
3.- el Paujil
X:0660177;Y:9517622;Z:139msnm
Vista Este: Arbustos pioneros deforestación Vista Oeste: Deforestado y árboles altos
Vista Norte: Arbustos pioneros deforestación Vista Sur: Arbustos pioneros deforestación
4.- Ministerio de salud en Paujil
X:0673454;Y:9552852;Z:113msnm
Vista Este: Vivienda poblado Paujil Vista Oeste: Vivienda entrada Paujil
/ /(
Vista Norte: Portal de mi vivienda Paujil Vista Sur: Publicación Ministerio de Salud Paujil
5.- Dentro del cruce en Paujil
X: 0673148; Y: 9553148; Z: 120 msnm
Vista Norte: Arbustos y quebrada
Vista Sur: Arbustos y quebrada
Vista Este: Arboles Arbustos Camino Paujil Vista Oeste: Arboles Arbustos Camino Paujil
6.- Dentro del cruce en Paujil_2
X:0672900;Y:9553436;Z:115msnm
Vista Norte: Arbustos y árboles Paujil Vista Sur: Céticos pioneros bosque secundario
Vista Este: Arbustos pioneros camino Paujil Vista Oeste: Arbustos pioneros camino Paujil
7.- Paujil km 36
X:0673401;Y:9552424;Z:l14msnm
,..
~
~.·· -- ........ ,,-
Vista Oeste: Arbustos pioneros Carretera Vista Este: desforestación Arbustos y Musáceas
Vista Sur: Arbustos pioneros Carretera Vista Norte: Arbustos pioneros camino
8.- Paujil km 37
X:0673251;Y:9551434;Z:109msnm
Vista Sur: Arbustos pioneros Carretera Vista Oeste: Pastos Comunidad Paujil
Vista Este: Pasto Lago, arbustivos. Vista Norte: Pioneros carretera lquitos-Nauta.
9.- Paujil km 38
X:0673027;Y:9550462;Z:110msnm
. .
Vista sur: Pioneros arbustivos carretera Vista Oeste: Posada Ecológica Los Reyes
Vista Norte: Pioneros arbustivos, palmeras. Vista Este: Comunidad Paujil.
10.- Nuevo Horizonte
X: 0672811; V: 9550058; Z: 111 msnm
Vista Este: Vegetación arbustiva Vista Oeste: Comunidad Nuevo Horizonte
.-<.,;.. 2:=1 .... - ; . ... "-'t
.... - Ca. • . . .. .
Vista Norte: arbustos secundarios carretera Vista Sur: arbustos en comunidad intervenidos.
11.- Nuevo Horizonte cruce
X:0672650;Y:9549712;Z:106msnm
Vista Este: Comunidad Nuevo Horizonte Vista Oeste: Nuevo Horizonte gramíneas.
Vista Norte: Arbustos, palmeras carreteras Vista Sur: Arbustos secundarios y gramíneas.
12.- Nuevo Horizonte cruce_l
X:0672454;Y:9549910;Z:121msnm
Vista Norte: Arbustos y gramíneas Vista Oeste: Vista hacia locales de FONDEPES.
Vista Sur: Arbusto Comunidad Nuevo Horizonte Vista Este: Comunidad Nuevo Horizonte
13.- Nuevo Horizonte km 39
X:0672587¡Y:9549572¡Z:107msnm
Vista Este: arbustos y gramíneas
Vista Sur: arbustos, musáceas y gramíneas.
Vista Oeste: arbustos, musáceas, palmas, lago.
Vista Norte: cobertura arbustiva secundaria.
14.- Nuevo Horizonte km 40
X: 0672261; Y: 9548626; Z: 109 msnm
Vista Este: Sección musácea Vista Oeste: arbustos secundarios.
Vista Sur: Nuevo Horizonte Vista Norte: Especies arbustivas
15.- Cerca del Puente Tocón
X:0662247;Y:9548566¡Z:l04msnm
Vista Sur: arbustivas y musáceas Vista Oeste: especies arbustivas Puente Tocón
Vista Este: Musáceas y arbustos Vista Norte: Especies arbustivas puente Tocón.
16.- Puente Tocón
X: 0672220; V: 9548496; Z: 102 msnm
Vista Este: Puente Tocón Vista Oeste: quebrada Tocón arbustos
Vista Sur: Arbustos en Puente Tocón Vista Norte: Arbustos en Puente Tocón
17.- Ex_Petroleros
X:0672009;Y:9547906;Z:105msnm
Vista Este: Palmeras comunidad Ex _petroleros. Vista Oeste: Arbusto, palmera y gramíneas.
-~..r· •'' ~- ~
Vista Sur: Palmera, arbusto, comuna Ex _petroleros Vista Norte: camuna Ex_petroleros.
18.- Ex_Petroleros km 41
X:0671893;Y:9547694;Z:109msnm
Vista Este: Comuna Ex_Petroleros Vista Oeste: Comuna Ex_Petroleros Km 41.
Vista Sur: Sembrío de Palmeras Vista Norte: Comuna Ex_Petroleros
19.- Ex_Petroleros cruce
X:0671800¡Y:9547500¡Z:104msnm
Vista Sur: Comuna Ex_Petroleros
Vista Oeste: Comuna Ex_Petroleros
Vista Este: Comuna Ex_Petroleros
Vista Norte: Comuna Ex_Petroleros
20.- San lucas
X:0671555¡Y:9546924¡Z:107msnm
Vista Sur: Especies arbustivas Vista Oeste: Comunidad San Lucas
·-1-
Vista Norte: Especies Arbustivas Vista Este: Comunidad San Lucas.
21.- Puente Pintuyacu km 42
X: 0671503; Y: 9546782; Z: 101 msnm
Vista Sur: Comunidad de Pintuyacu Vista Oeste: Comunidad de Pintuyacu
Vista Este: Arbustos Comunidad. Vista Norte: Especies Arbustivas.
22.- Puente Pintuyacu
X:0671490;Y:9546704;Z:110msnm
Vista Este: Puente Pintuyacu vegetación arbórea Vista Oeste: R. Pintuyacu vegetación Arborea.
Vista Sur: Puente Pintuyacu. Vista Norte: Puente Pintuyacu.