DDeetteecccciióónn ddee ccaammbbiiooss eenn eell hháábbiittaatt uussaannddoo

rreeddeess nneeuurroonnaalleess yy ddaattooss ssaatteelliittaalleess

MMOODDIISS yy TTRRMMMM eenn PPeerrúú ((22000044--22001111))

Karolina Argote D.1, Louis Reymondin1,3, Andy Jarvis1,2

1Centro Internacional de Agricultura Tropical (CIAT), Cali, Colombia

2Bioversity International, Regional Office for the Americas, Cali, Colombia

3Department of Geography, King’s College London, Strand, London

e-mail: k.a.argote@cgiar.org, Louis.reymondin@gmail.com, a.jarvis@cgiar.org

RREESSUUMMEENN

Terra-i es un modelo capaz de detectar cambios en la cobertura vegetal de un hábitat usando Redes

Neuronales y datos satelitales MODIS y TRMM. Su principio fundamental se basa en el comportamiento

que tiene la intensidad verde de la vegetación, la cual cumple un ciclo natural que depende principalmente

de factores climáticos como la precipitación y la temperatura, del tipo de vegetación y de las alteraciones

naturales o antropogénicas.

Usando datos de índice de vegetación NDVI-MODIS con resolución 250m y frecuencia de 16días, y datos

de precipitación TRMM con resolución de 28km y frecuencia de 3días, el modelo es entrenado entre los

años 2000 y 2004 con el fin de conocer el ciclo de la vegetación en estudio y con base a ello es capaz de

predecir su comportamiento futuro detectando cambios significativos en el hábitat.

Este modelo fue implementado en Perú, con el fin de determinar la tasa de deforestación entre el 01 de

Enero de 2004 y el 10 de junio de 2011. Del 100% del área se analizó el 96% restando un 4% que no

pudo ser analizado debido a baja calidad de las imágenes MODIS en estas áreas.

En Perú se detecta un cambio total acumulado en los 7.5 años de estudio de 589,544 hectáreas de las

cuales 452,719 corresponden a pérdidas de la cobertura vegetal; equivalente a una tasa promedio de

deforestación de 60,363 ha/año.

Los resultados fueron calibrados mediante el uso de imágenes Landsat obteniendo muy buenos

resultados.

PPaallaabbrraass CCllaavveess:: Deforestación, Redes Neuronales, datos MODIS.

11.. IINNTTRROODDUUCCCCIIÓÓNN

Las principales actividades productivas que se realizan en la Amazonía peruana son la agricultura, la

ganadería, la pesca, la minería, entre otras. La agricultura local se caracteriza por la práctica del sistema

de “roza, tumba y quema”, donde talan los arboles y luego eliminan con fuego toda la biomasa quedando,

de esta forma, las tierras listas para ser sembradas. La producción se mantiene por un periodo de dos o

tres años y luego son abandonadas para facilitar la regeneración natural y ser cultivadas nuevamente,

después de un periodo de descanso que varía entre cinco a diez años. [1]

De acuerdo con la Memoria Descriptiva del Mapa de la Deforestación de la Amazonía Peruana (INRENA –

CONAM, PROCLIM, 2005) la superficie deforestada al año 2000 fue de 7.172.253,97Ha principalmente

debido a la agricultura migratoria. Sin embargo, no existen datos de deforestación oficiales recientes no

solo en el Perú sino en la mayor parte de América latina. Por esto surge la necesidad de crear un modelo

que permita la estimación rápida y automatizada de la deforestación.

Terra-i es un modelo que mediante redes neuronales y datos satelitales de índice de vegetación NDVI-

MODIS y de precipitación TRMM es capaz de predecir la evolución de la intensidad de verde de la

vegetación basándose en medidas de intensidad verde anteriores y en medidas climáticas actuales para

detectar cambios significativos en el hábitat.

En este informe se determina la superficie deforestada de un área específica ubicada en la Amazonía

peruana aplicando el modelo Terra-i entre los años 2004 y 2011 y calibrando y validando sus resultados

mediante el uso de imágenes satelitales Landsat-5 TM de 30m de resolución.

22.. MMEETTOODDOOLLOOGGÍÍAA

22..11 ÁÁrreeaa ddee eessttuuddiioo

Figura 1. Área de Estudio Perú, tile MODIS: H9V9, H10V9, H11V9 y H11V10.

El área de estudio tiene una extensión geográfica de 129,072,788Ha, ubicado en la zona tropical de

Sudamérica comprendida entre la línea ecuatorial y el Trópico de Capricornio. Para su estudio fueron

descargadas imágenes MODIS-NDVI de los tiles H9V9, H10V9, H11V9 y H11V10, desde el 18 de febrero

del 2000 hasta el 10 de junio de 2011

22..22 MMeettooddoollooggííaa TTeerrrraa--ii

El modelo se basa en algoritmos de aprendizaje automático o redes neuronales para detectar

automáticamente la conversión de hábitats naturales.

22..22..11 DDaattooss ddee EEnnttrraaddaa

Como datos de entrada se utilizan:

Datos NDVI (Normalized Difference Vegetation Index) y datos Quality del producto MOD13Q1 del

sensor MODIS, con una frecuencia de medición de 16 días y una resolución de 250m.

Datos de precipitación del sensor TRMM (Tropical Rainfall Measuring Mision), con una frecuencia

de medición de 3 horas y una resolución de 28km.

22..22..22 LLooss MMooddeellooss

Al recopilar los datos de entrada al modelo entre los años 2000 y 2011, se aplican diversos algoritmos, se

entrena la red neuronal y finalmente se predice el valor NDVI que debería tener cada pixel en una

determinada fecha.

Figura 2. Terra-i Methodology.

Como se muestra en la figura 2, en su primera etapa Terra-i toma los datos de entrada NDVI del sensor

MODIS, y aplicando el algoritmo de HANTS limpia los datos, eliminando todas las variaciones a corto

plazo (inferiores a tres meses), y finalmente ajusta iterativamente las curvas limpias usando los datos de

calidad de MODIS, el análisis de Fourier y el ajuste de mínimos cuadrados con valores de alta calidad. [2]

Figura 3. Detección de anomalías en un píxel.

A continuación y después de crear los clúster o conjuntos de datos que alimentaran la red neuronal junto

con los datos TRMM, se inicia el periodo de entrenamiento de la red neuronal (2000-2003), donde el

modelo aprenderá píxel por píxel, cómo la vegetación responde a una unidad de lluvia.

Una vez que Terra-i ha aprendido cómo cada píxel responde a las variaciones climáticas, se aplica el

modelo de predicción (Bayesian Neural Network), en función de las precipitaciones medidas y al NDVI

de un píxel en fechas anteriores. De esta manera, si lo que se prevé tiene un mayor valor NDVI al que se

midió, este pixel estará indicado una anomalía; si el píxel está reportado como una anomalía en dos

fechas consecutivas, indicara una perturbación en el hábitat. [2]

Al finalizar la detección de cambios el modelo genera un mapa que muestra la probabilidad de cambio de

cada pixel. Y por ultimo con base a este mapa de probabilidades de cambio se puede establecer reglas y

seleccionar así los pixeles con una probabilidad de cambio determinada, la cual se establece con base a

al conjunto de datos de calibración.

33.. RREESSUULLTTAADDOOSS YY AANNÁÁLLIISSIISS

En Perú fueron analizadas 129,072,788 hectáreas y solo un 5% de esta área no fue analizada debido a

nubosidad y/o datos de baja calidad.

Terra-i detecta a nivel nacional un cambio total acumulado en los 7.5 años de estudio de 589,544

hectáreas de las cuales 452,719 corresponden a pérdidas de la cobertura vegetal; equivalente a una tasa

promedio de deforestación de 60,363 ha/año.

Figura 4. Mapa de detección de pérdidas en la cobertura vegetal de Terra-i en el departamento de Madre de Dios.

Figura 5. Mapa de detección de pérdidas en la cobertura vegetal de Terra-i en el departamento de Loreto.

En las figuras 4, 5 y 6 se observan los mapas de detección de pérdidas de cobertura vegetal en Perú detectadas entre el 1 de Enero de 2004 y el 10 de Junio de 2011.

Figura 6. Mapa de detección de pérdidas en la cobertura vegetal de Terra-i en el departamento de Uyacali.

Tabla 1. Deforestación detectada por Terra-i.

Departamento Area NoData (%) 2004 2005 2006 2007 2008 2009 2010 2011 Accum Rate

Amazonas 3,824,894 17% 300 1,050 713 650 1,006 1,344 2,663 3,150 10,875 1,450

Aancash 3,585,444 6% 19 50 13 0 25 0 0 13 119 16

Apurimac 2,084,650 0% 0 19 19 50 6 6 0 0 100 13

Arequipa 6,289,613 0% 81 94 38 581 194 269 269 38 1,563 208

Ayacucho 4,426,844 3% 25 313 125 100 113 150 313 94 1,231 164

Cajamarca 3,237,625 3% 144 813 119 25 13 63 2,138 106 3,419 456

Callao 111,850 6% 0 0 6 0 0 0 156 0 163 22

Cusco 7,403,956 6% 544 944 1,294 1,531 1,963 2,775 4,200 2,944 16,194 2,159

Huancaveli 2,145,875 0% 0 6 0 25 0 0 0 0 31 4

Huanuco 3,792,713 24% 669 6,675 5,288 3,119 11,606 10,269 5,169 2,344 45,138 6,018

Ica 2,159,125 1% 175 325 650 756 756 663 725 431 4,481 598

Junin 4,249,888 28% 131 8,738 450 369 2,306 1,581 1,256 400 15,231 2,031

La libertad 2,464,925 1% 663 169 106 13 63 38 19 0 1,069 143

Lambayeque 1,421,356 0% 206 194 25 131 13 0 106 6 681 91

Lima 3,281,781 2% 56 13 13 69 56 94 213 125 638 85

Loreto 37,902,194 1% 22,794 10,538 8,500 11,213 17,350 18,944 21,656 20,119 131,113 17,482

Madre de Dios 8,373,100 0% 994 5,350 2,681 3,756 5,906 6,138 11,350 2,138 38,313 5,108

Moquegua 1,503,663 0% 0 0 0 13 0 0 0 0 13 2

Pasco 2,382,644 13% 356 594 1,275 1,025 2,194 919 1,481 794 8,638 1,152

Piura 3,545,569 3% 256 294 13 6 63 44 38 0 713 95

Puno 7,359,813 1% 225 275 463 831 456 575 1,875 563 5,263 702

San Martin 5,234,113 29% 3,769 7,781 6,663 8,400 12,494 17,781 17,388 5,219 79,494 10,599

Tacna 1,607,456 0% 0 0 0 0 0 0 0 0 0 0

Tumbes 457,300 1% 725 325 0 0 6 0 0 0 1,056 141

Ucayali 10,226,400 4% 7,338 16,925 9,263 8,481 14,538 14,688 9,806 6,150 87,188 11,625

Total 129,072,788 5% 39,469 61,481 37,713 41,144 71,125 76,338 80,819 44,631 452,719 60,363

Como se observa en la figura 7, la mayor tasa de deforestación se registra en el año 2010 pasando de

39,469 hectáreas de pérdida registradas en el 2004 a 80,819 hectáreas en el año 2010.Un incremento del

51%.

Figura 7. Deforestation rate per year in Perú.

Los departamentos con mayor pérdida de hábitat fueron Loreto, Ucayalí, San Martín, Huanuco y Madre de

Dios donde se registran tasas anuales de deforestación de 17,482; 11,625; 10,599; 6,018 y 5,108 ha/año

respectivamente. Ubicados en la Amazonía Peruana.

Figura 8. Deforestation rate per year in the departments Loreto, Huanuco, Ucayali, Madre de Dios y San Martín.

0

5,000

10,000

15,000

20,000

25,000

2004 2005 2006 2007 2008 2009 2010 2011

Deforestation rate in Peru (Ha)

Loreto Ucayali San Martin

Huanuco Madre de Dios

0

10,000

20,000

30,000

40,000

50,000

60,000

70,000

80,000

90,000

2004 2005 2006 2007 2008 2009 2010 2011

Deforestation rate in Peru (Ha)

0

50,000

100,000

150,000

200,000

250,000

300,000

350,000

400,000

450,000

500,000

2004 2005 2006 2007 2008 2009 2010 2011

Accumulative Deforestation in Peru (Ha)

Por otra parte del cambio total detectado de 513,394 hectáreas; hay 136,825 hectáreas correspondientes

a ganancias en la cobertura vegetal. Como se observa en las figuras 9 y 10 corresponden a zonas

desérticas donde fueron implementados sistemas agrícolas con tecnificados sistemas de riego, en los

departamentos de Arequipa, Piura, Lambayeque y La Libertad.

Figura 9. Mapa de detección de pérdidas en la cobertura vegetal de Terra-i en los departamentos de San Martin y Junin.

Figura 10. Mapa de detección de pérdidas en la cobertura vegetal de Terra-i en los departamentos de San Martin y Junin.

44.. CCOONNCCLLUUSSIIOONNEESS YY RREECCOOMMEENNDDAACCIIOONNEESS

El promedio anual de deforestación para el período evaluado de 7.5 años (2004 – 2011) fue de

60,363 ha/año.

Las mayores superficies deforestadas se encuentran distribuidas en territorio Amazónico,

principalmente en los departamento de Loreto, San Martin, Ucayali y Madre de Dios.

La actividad principal causante de la deforestación es la actividad agropecuaria. La construcción de

nuevas carreteras implica directamente el asentamiento de nuevos pueblos cuya población va a

ejercer una fuerte presión sobre los recursos naturales del bosque, convirtiéndolas al poco tiempo

en áreas de cultivos agropecuarios.

Es importante realizar un análisis profundo de las causas de la deforestación, así como su

dinámica a través del tiempo, de tal forma que permita tomar conciencia del problema y adoptar

medidas para frenar y regular este proceso.

RREEFFEERREENNCCIIAASS BBIIBBLLIIOOGGRRÁÁFFIICCAASS

[1] Mapa de deforestación de la Amazonía Peruana, Ministerios del Medio Ambiente, 2009. Lima-Peru,

103p. En línea: www.minam.gob.pe

[2] Reymondin L., Jarvis A., Perez-Uribe A., Touval J., Argote K., Rebetez J., Guevara E., Mulligan M., A

methodology for near real-time monitoring of habitat change at continental scales using MODIS-NDVI and

TRMM, 2010, Artículo en Revisión en Remote Sensing of Enviroment Journal.

[3] World Imagery Map from ArcGIS. Usado como imágen base en todos los mapas. En línea:

http://www.arcgis.com/home/item.html?id=10df2279f9684e4a9f6a7f08febac2a9