Evaluación del uso de imágenes radar y multiespectrales con técnicas de aprendizaje profundo para monitorear la deforestación y la degradación forestal en bosques tropicales

• Solórzano, Jonathan V. ^[1] ; Mas, Jean François ^[1] ; Gao, Yan ^[2] ; Gallardo-Cruz, J. Alberto ^[3]
  1. [1] Centro de Investigaciones en Geografía Ambiental
  2. [2] Centro de Investigaciones en Geografía Ambiental, Universidad Nacional Aut´onoma de M´exico
  3. [3] Centro Transdisciplinar Universitario para la Sustentabilidad

  Mostrar afiliaciones +
• Localización: Revista Cartográfica, ISSN 0080-2085, ISSN-e 2663-3981, Nº. 111, 2025 (Ejemplar dedicado a: Revista Cartográfica N°111 (2025) Editora: Dra. María Ester Gonzalez), págs. 79-101
• Idioma: español
• Títulos paralelos:
  • Evaluation of SAR and multispectral images with deep learning algorithms to monitor deforestation and forest degradation in tropical forests.
• Enlaces
  • Texto completo
• Resumen
  • español

    La deforestación y la degradación forestal son dos procesos que contribuyen al cambio global mediante la emisión de gases de efecto invernadero, la pérdida de biodiversidad y la reducción en la calidad de algunos servicios ecosistémicos. Gracias a su capacidad de estudiar grandes superficies y contar con un registro histórico, la percepción remota ha demostrado ser una herramienta esencial para cuantificar estos procesos. Además, el desarrollo de nuevos métodos de análisis como los algoritmos de aprendizaje profundo e imágenes de mayor resolución espectral, espacial y temporal gratuitas abren la posibilidad de desarrollar métodos que permitan mejorar las capacidades actuales de monitoreo. En este contexto, el presente trabajo evaluó el desempeño de los algoritmos de aprendizaje profundo con imágenes multiespectrales y de radarde apertura sintética para clasificar distintos tipos de coberturas del suelo, detectar la deforestación y la degradación forestal. Los resultados muestran que los algoritmos de aprendizaje profundo, en general, permiten obtener mejores resultados que su contraparte de aprendizaje automatizado, debido a la incorporación de patrones en las dimensiones espaciales y temporales. Sin embargo, dicho desempeño está condicionado al tamaño de muestra y la fuerza de la relación entre la señal remota y la clase o característica a evaluar. Por otro lado, la combinación de la información multiespectral y radar de apertura sintética, en general, fue beneficiosa, aunque en algunos casos no brindó nueva información útil, en comparación con la que ya brindan las imágenes multiespectrales. Los resultados apuntan a que este tipo de técnicas permiten obtener resultados más precisos para identificar estos procesos, por lo cual, representan una herramienta atractiva para el desarrollo de futuras herramientas encaminadas al monitoreo de estos procesos.

  • English

    Deforestation and forest degradation are two global change drivers that contribute to greenhouse gases emissions, biodiversity loss and reduction in the quality of ecosystemic services. Due to their ability to study large extents and count with a historical record, remote sensing has demonstrated being an essential tool to monitor these processes. Besides, the development of new methods of analysis, such as deep learning and images with higher spatial, spectral and temporal resolution open the possibility to develop methods that enhance the current monitoring capacities. In this context, the current study evaluated the performance of deep learning algorithms with multispectral and synthetic aperture radar images to classify different land use land covers, identify deforestation and forest degradation. The results show that, in general, deep learning algorithms obtain more accurate results than its machine learning counterparts, due to the incorporation of spatial and temporal dimensions. Nonetheless, this performance is conditioned by sample size and the force of the relation between the remote signal and the class or attribute being evaluated. On the other hand, the combination of multispectral and synthetic aperture radar was, in general, beneficial; although in certain cases, it did not add new useful information, in comparison with the one already contributed by the multispectral ones. The results indicate that these techniques are capable of obtaining more accurate evaluations to identify deforestation and forest degradation; thus, they represent a very attractive alternative to develop future tools to monitor these processes.