Identificación de perturbaciones en el bosque húmedo tropical colombiano usando series temporales de imágenes satelitales Landsat mediante el algoritmo Landtrendr

• Hurtado, L. ^[1] ; Lizarazo, I. ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Revista de teledetección: Revista de la Asociación Española de Teledetección, ISSN 1133-0953, Nº. 54, 2019, págs. 25-39
• Idioma: español
• Títulos paralelos:
  • Identification of disturbances in the Colombian tropical rainforest from Landsat satellite image time series using the Landtrendr algorithm
• Enlaces
  • Texto completo
• Resumen
  • español

    El análisis de series temporales de imágenes satelitales para la detección de deforestación o perturbaciones en bosques en un momento específico del tiempo ha sido motivo de investigación a lo largo de los últimos años. Son muchas las limitaciones en la identificación del momento exacto de la deforestación debido principalmente al gran volumen de datos y a los criterios requeridos para su correcta caracterización. Una segunda limitación en el análisis de series temporales de datos multiespectrales es la identificación de una verdadera deforestación teniendo en cuenta que la vegetación boscosa puede sufrir diferentes cambios a lo largo del tiempo. En este estudio se analizó la deforestación en una zona de la Amazonia colombiana usando series temporales del índice de vegetación de diferencia normalizada (NDVI) obtenido a partir de mosaicos semestrales de mediana generados a partir de imágenes Landsat obtenidas entre los años 2000 y 2017. Se extrajeron diferentes muestras que representan la tendencia de cambio a lo largo de la serie temporal y se clasificaron según su grado de cambio y persistencia en la serie, usando cuatro categorías: (i) deforestación, (ii) degradación, (iii) plantación forestal y (iv) regeneración. Las muestras específicas de deforestación se analizaron de igual manera usando el índice de vegetación ajustado al suelo (SAVI) para reducir el efecto de las variaciones de respuesta espectral debido a cambios en la reflectancia del suelo. Se concluye como los dos índices empleados, junto con las bandas espectrales del infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR 1) permiten extraer valores e intervalos donde se identifica el cambio producido por deforestación con un nivel aceptable de exactitud. El análisis de la serie temporal haciendo uso del algoritmo Landtrendr corroboró una detección acertada de cambios en cada una de las categorías de perturbaciones de la cobertura boscosa.

  • English

    Time series analysis of satellite images for detection of deforestation and forest disturbances at specific dates has been a subject of research over the last few years. There are many limitations to identify the exact date of deforestation due mainly to the large volume of data and the criteria required for its correct characterization. A further limitation in the analysis of multispectral time series is the identification of true deforestation considering that forest vegetation may undergo different changes over time. This study analyzes deforestation in a zone within the Colombian Amazon using the Normalized Difference Vegetation Index (NDVI) based on semestral median mosaics generated from Landsat images collected from 2000 to 2017. Several samples representing trends of change over the time series were extracted and classified according to their degree of change and persistence in the series, using four categories: (i) deforestation, (ii) degradation, (iii) forest plantation, and (iv) regeneration. Specific deforestation samples were analyzed in the same way using the soil-adjusted vegetation index (SAVI) to reduce the effect of spectral response variations due to soil reflectance changes. It is concluded that the two indices used, together with the near infrared (NIR) and short-wave infrared (SWIR 1) spectral bands, allow to extract values and intervals where the change produced by deforestation on forest vegetation is identified with acceptable accuracy. The analysis of time series using the Landtrendr algorithm confirmed a reliable change detection in each of the forest disturbance categories.