El Laboratorio de Análisis y Descubrimiento Global de tierras (Global Land Analysis and Discovery - GLAD) de la Universidad de Maryland genera cada año la pérdida de cobertura arbórea global como producto operativo para la iniciativa Global Forest Watch del Instituto de Recursos Mundiales (World Resources Institute - WRI). En 2021 se entregará un nuevo producto, los mapas quinquenales de altura de los árboles a nivel mundial, como parte del nuevo Global Land and Carbon Watch, también en colaboración con el WRI.
Para COP-26, el GLAD presentará estos mapas junto con series temporales de la cobertura terrestre mundial y la dinámica de los cambios en el uso de la tierra como prototipos para un seguimiento global de la tierra.
Descripción del conjunto de datos
El Laboratorio de Análisis y Descubrimiento Global de tierras (GLAD) de la Universidad de Maryland genera cada año la pérdida de cobertura arbórea global como producto operativo para la iniciativa (Global Forest Watch) del Instituto de Recursos Mundiales (WRI). En 2021 se entregará un nuevo producto, los mapas quinquenales de altura de los árboles a nivel mundial, como parte del nuevo Global Land and Carbon Watch, también en colaboración con el WRI.
Para la COP-26, el GLAD presentará estos mapas junto con series temporales de la cubierta terrestre mundial y la dinámica de los cambios en el uso de la tierra como prototipos para un seguimiento global de la tierra.
Uso
Los usuarios deben tener presente que el conjunto de datos de GFW es a escala global, generado con una única metodología aplicada a todas las regiones, y como tal, la precisión del mapa puede variar entre lugares y para diferentes resoluciones espaciales. Por lo tanto, se espera que el conjunto de datos sea más útil para los países que no tienen sus propios sistemas de seguimiento forestal.
Los mapas de series temporales de pérdida de bosques de GLAD son un indicador relativo de tendencias ampliamente viable, pero hay que tener cuidado al comparar el cambio cartografiado en cualquier intervalo. Para discernir las tendencias, suele ser útil la aplicación de un filtro temporal, por ejemplo una media móvil de 3 años. Ahora bien, la estimación definitiva de la superficie no debe realizarse utilizando los recuentos de píxeles de las capas de pérdida de bosques. El Grupo Intergubernamental de Expertos sobre el Cambio Climático (Intergovernmental Panel on Climate Change - IPCC) y la Iniciativa Mundial de Observación de los Bosques (Global Forest Observations Initiative - GFOI) proporcionan una guía sobre la notificación de la extensión y el cambio de la superficie de los bosques, exigiendo el uso de estimadores que no sobrestimen o subestimen la dinámica en la medida de lo posible, y que tengan incertidumbres conocidas. Los mapas que provee GLAD pueden aprovecharse para favorecer métodos estadísticos adecuados basados en la probabilidad para derivar áreas de extensión y cambio forestal estadísticamente válidas. En concreto, los mapas pueden usarse como estratificadores para determinar la extensión y/o el cambio de los bosques mediante una muestra probabilística. El equipo de GLAD ha demostrado dichos enfoques usando los datos de pérdida de bosques de GLAD en la estimación de áreas basada en la muestra (Tyukavina et al., ERL, 2018, Turubanova et al., ERL, 2019, y Potapov et al., RSE, 2019, entre otros).
La capa global de pérdidas forestales está dividida en mosaicos de 10x10 grados, que está compuesta de siete archivos por mosaico. Todos los archivos contienen valores de 8 bits sin signo y tienen una resolución espacial de 1 arco-segundo por píxel, o aproximadamente 30 metros por píxel en el ecuador. La capa por año de pérdida de la cubierta forestal representa la pérdida de bosques durante el período 2000-2020, definida como una perturbación de reemplazo del rodal, o un cambio de un estado forestal a uno no forestal. Se codifica como 0 (sin pérdida) o bien un valor en el rango 1-20, que representa la pérdida detectada en los años 2001-2020, inclusive.
Incertidumbre y precisión
Los errores son inevitables en los datos que intentan simplificar el mundo — en el caso de los datos de la cobertura arbórea mundial de GLAD en categorías de pérdida de cobertura arbórea, ganancia y cuando no hay cambios. Una evaluación reciente de los datos de la cobertura arbórea mundial de GLAD del año 2000 en China mostró una alta precisión general que alcanzó el 94,5%. La precisión de la clasificación de los bosques por parte del usuario y del productor fue del 89,26 % y del 82,13 %. Un estudio sobre la extensión y la pérdida de bosques primarios tropicales húmedos (Turubanova et al. 2018) encontró alta precisión para la extensión (99,28%, 99,02%, 99,45% de usuarios y 96,84%, 96,65%, 96,75% de productores para las Américas, África y Asia, respectivamente) y la pérdida (95,83% 86,43%, 97,57% de usuarios y 80,34%, 63,21%, 86,21% de productores para las Américas, África y Asia, respectivamente).
Los porcentajes de error más elevados pueden deberse a los siguientes factores:
Cobertura arbórea de baja densidad, como la que se encuentra en el bioma subtropical, que hace más difícil detectar la pérdida porque el cambio de cobertura arbórea a suelo desnudo es menos perceptible que en un bosque denso.
Los claros a pequeña escala, como los que predominan en África subsahariana, que tienen más probabilidades de pasar desapercibidos o de ser subestimados por el conjunto de datos porque tienen más bordes en comparación con su superficie.Los píxeles en los bordes de los claros están con frecuencia borrosos en las imágenes de satélite, por lo que los datos pasan por alto muchas "pérdidas" en estos parches pequeños.
Los cambios graduales, como el incremento de la cobertura arbórea, son más complejos de detectar que los cambios abruptos.
A la hora de decidir si es adecuado usar los datos para sus necesidades, el primer paso es entender su nivel de precisión. El siguiente paso es establecer cómo la precisión y los errores potenciales pueden afectar su aplicación específica. Determinar si los datos son lo suficientemente precisos será diferente para cada caso de uso, pero he aquí algunas directrices generales:
Investigar patrones y tendencias a gran escala: los índices de error globales son relativamente bajos en comparación con otros conjuntos de datos similares, por lo que podemos sentirnos seguros al utilizar los datos para examinar patrones y tendencias a gran escala (por ejemplo, global, regional, nacional).
Utilizar promedios de tres años: debido a las incertidumbres interanuales, sugerimos usar promedios de tres años. Las nubes se interponen literalmente en lo que los satélites pueden "ver", sobre todo en los trópicos húmedos, donde las nubes pueden ocultar la vista inferior durante gran parte del año. Esto quiere decir que, ocasionalmente, pueden derribarse o quemarse árboles bajo la cobertura de las nubes y no detectarse hasta el año siguiente. Los usuarios de los datos pueden atenuar esa incertidumbre revisando el promedio de varios años.
Evaluar las localizaciones generales de las pérdidas: aunque la precisión no se ha evaluado a escala local, sabemos que la mayor parte de las "pérdidas" no detectadas se presentan en los bordes, por lo que podemos usar los datos con confianza para identificar la ubicación general de las pérdidas a nivel local.
Es necesario tener cuidado con las mediciones locales: para realizar mediciones precisas a nivel local (por ejemplo, hectáreas de pérdida de cobertura arbórea, carbono emitido por la deforestación) es necesario disponer de más información sobre la precisión en ese lugar concreto, por ejemplo, mediante el conocimiento del contexto local, las imágenes por satélite, la comparación con otros datos sobre cambios forestales, etc.
Adecuar la confianza a la precisión: evite hacer afirmaciones contundentes basadas en datos de baja precisión (es decir, zonas con baja densidad de dosel, incremento de la cobertura forestal, etc.).
Formato: el portal de datos abiertos de GFW está disponible para su acceso y visualización. Los mosaicos de datos también pueden descargarse directamente o analizarse en Google Earth Engine, donde ya residen. Más detalles aquí.
Política de datos: Abierto al público (Creative Commons CC BY 4.0)
