Metodología
El MAAP tiene una metodología en constante proceso de evolución destinada a incorporar la tecnología más actualizada en el campo del monitoreo satelital. Nuestro objetivo general es el utilizar la mejor tecnología disponible para detectar deforestación y otras amenazas en tiempo casi real, determinar las causas directas de estas actividades y entender los patrones de la deforestación a una escala nacional.
Nuestra metodología ha sido recientemente publicada en la prestigiosa revista Science, donde se detallan los 5 pasos propuestos a continuación:
Paso 1. Analizar Alertas de Deforestación
A inicios del 2016, WRI’s Global Forest Watch, en colaboración con el laboratorio GLAD (Global Land Analysis & Discovery) de la universidad de Maryland, empezaron a publicar alertas de deforestación GLAD para Perú. Las alertas GLAD están basadas en imágenes Landsat de 30 metros de resolución, a diferencia de los sistemas previos de alerta que estaban basados en imágenes MODIS de 250 – 500 metros de resolución. Para detalles en la metodología de las alertas GLAD, ver: Hansen et al 2016, ERL 11:3. Para ubicar los frentes de deforestación reciente, o en expansión, en la Amazonía peruana, analizamos semanalmente las alertas GLAD más actuales.
También, analizamos periódicamente, las alertas de Terra-i de deforestación, particularmente para áreas fuera de Perú. Estas alertas están basadas en imágenes MODIS de 250 metros resolución. Asimismo, producimos ocasionalmente nuestras propias alertas de deforestación, particularmente para áreas fuera de Perú, mediante el software CLASlite. CLASlite es un sistema automático que detecta pérdidas de bosque entre dos imágenes Landsat.
Nuestro objetivo es permitir que estas alertas de deforestación dirijan nuestro análisis hacia procedimientos más concretos descritos en pasos subsiguientes. Analizamos estas alertas en la búsqueda de los frentes de deforestación más reciente o en expansión en la Amazonía Andina (con un enfoque inicial en Perú), por ejemplo buscamos:
- Alertas de deforestación en áreas protegidas o en comunidades indígenas.
- Hotspots de deforestación a través del análisis de densidad Kemel.
- Concentración de alertas que indican deforestación a mediana o gran escala.
- Alertas en frentes activos de deforestación, tales como las zonas de minería aurífera en Madre de Dios.
- Patrones lineares que indiquen construcción de nuevas carreteras.
- Asimismo, aceptamos solicitudes para análisis en áreas de interés específicas.
Paso 2. Verificar Alertas de Deforestación Críticas
Cada que una alerta crítica, o potencialmente importante, es detectada, verificamos manualmente la deforestación, a través del análisis directo de imágenes Landsat de 30 metros de resolución (note: estas imágenes son la base para las alertas GLAD y CLASlite). Construimos a menudo, series temporales de imágenes Landsat para determinar el marco de tiempo preciso de la deforestación en cuestión. Las imágenes Landsat están disponibles, sin costo alguno, desde USGS en GloVis portal web: http://glovis.usgs.gov/. Desde el reciente lanzamiento de las imágenes Sentinel-2, estamos usándolas con más frecuencia, para verificar manualmente las alertas de deforestación. Las imágenes Sentinel-2 se pueden encontrar disponibles en European Space Agency, sin costo alguno.
Paso 3. Imágenes de Alta Resolución para Identificar Causas de Deforestación
Una vez que hemos verificado una alerta importante, utilizamos imágenes de alta resolución para identificar las causas de la deforestación. Tenemos tres fuentes primarias de imágenes resolución:
- Digital Globe via el programa de NextView, cortesía de un acuerdo entre ACA y USAID. Este incluye imágenes de Worldview y de Geoeye (0.5 m de resolución).
- Planet Labs via su programa Ambassador. Este incluye imágenes Planet Dove (3 m de resolución).
- Airbus via Apollo Mapping. Este incluye imágenes SPOT (1.5 m de resolución).
A través del análisis de estas imágenes, podemos determinar si la causa de deforestación es minería, agricultura, pastizal, expansión urbana, o construcción de infraestructura (como carreteras o represas). Junto con la agricultura, podemos identificar árboles de palma aceitera adultos, otros cultivos son difíciles de diferenciar.