¿Está buscando la señal más rápida de deforestación? Elija las alertas integradas de Global Forest Watch

Mar 09, 2022|
Anika Berger, Teresa Schofield, Amy Pickens, Johannes Reiche and Yaqing Gou
|7 minutes
Planet satellite imagery of primary forest removal in Kalimantan Barat, Indonesia on GFW map

Primary forest removal in Kalimantan Barat, Indonesia. Image © 2022 Planet Labs Inc. Accessed through GFW.

Category
  • Data
Topics
  • Deforestation Alerts

En Global Forest Watch (GFW) estamos comprometidos con poner a la disposición de nuestros usuarios los datos más precisos sobre bosques lo más rápido posible. Ampliamos constantemente las alertas sobre deforestación en tiempo casi real, que están disponibles en la plataforma de GFW, y nos complace presentar una capa actualizada. La capa de alertas de deforestación integradas combina el poder analítico de las alertas de deforestación GLAD, GLAD-S2 y RADD para proporcionar un panorama sobre las alteraciones en los bosques de forma más rápida y confiable más allá de los sistemas individuales. Esta actualización, que responde a la retroalimentación de usuarios, simplifica los flujos de trabajo y aprovecha las ventajas de los sistemas de alertas individuales para apoyar a una variedad de propósitos de monitoreo.

¿Cuáles son los sistemas de alertas que se integran?

Actualmente, GFW ofrece tres sistemas de alertas de deforestación individuales. GLAD-L (generalmente denominado “GLAD”) es el producto de alerta más antiguo de GFW del laboratorio de análisis y descubrimiento global del suelo (Global Land Analysis and Discovery, GLAD) de la Universidad de Maryland (UMD) y utiliza imágenes de los satélites Landsat de la NASA. UMD presentó las alertas de alta resolución GLAD-S2 en mayo de 2021, que utilizan una metodología similar a GLAD-L, pero se basan en análisis de las imágenes de satélites Sentinel-2 de la Agencia Espacial Europea. Por último, las alertas de radar para detectar la deforestación (Radar for Detecting Deforestation, RADD) creadas por la Universidad de Wageningen utilizando datos del radar Sentinel-1. Estas alertas tienen la ventaja adicional de detectar cambios en los bosques a través de las nubes, lo que a menudo bloquea la visión de los demás satélites.

Capas de alerta de deforestación que se ofrecen en GFW

¿Qué ofrece la capa de alertas integradas?

La capa de “alertas de deforestación integradas” combina el poder analítico de las alertas de deforestación GLAD, GLAD-S2 y RADD

Estos tres sistemas nos alertan sobre los cambios en los bosques que ocurren en diferentes partes del mundo, reúnen diferentes niveles de resolución y se actualizan con distinta frecuencia. La opción integrada permite a los usuarios obtener un resumen de estadísticas significativas que incorporan cada uno de los sistemas individuales. Mediante una red común para los tres productos de alerta, la capa integrada entiende que los múltiples sistemas informaron acerca de una alerta en un lugar determinado y la muestra mediante niveles de confianza:

Niveles de confianza de las alertas de deforestación integradas

Esta nueva capa presenta un cambio importante: ahora informamos sobre el área afectada por las alertas, a diferencia de solamente reportar el número de píxeles de alerta. Como las alertas integradas proviene de sistemas con resolución distintas, es necesario informar sobre las áreas en lugar del número de píxeles de alerta. Sin embargo, nuestros usuarios deben recordar que las alertas están diseñadas para identificar rápidamente perturbaciones en los bosques y no para delimitar con precisión la pérdida de bosques, por lo que las áreas presentadas en GFW pueden subestimar o sobreestimar la superficie real de pérdida de bosques.

El combinar las alertas ofrece varios beneficios:

1. Los usuarios siempre tendrán la primera información disponible

Al combinar los tres sistemas de alertas en una capa, aprovechamos los diferentes tiempos de los satélites para incrementar las posibilidades de obtener una perspectiva clara del bosque y así detectar los cambios más rápido. Por ejemplo, usuarios observando las alertas integradas en Perú en 2020 serían alertados sobre las pérdidas de bosques en un promedio de 11 días antes que si consultan un solo sistema. Esta mejora en los tiempos varía según la región y las estaciones, ya que los sistemas de alertas se complementan mutuamente en base a sus puntos fuertes individualmente. Por ejemplo, en áreas que constantemente están cubiertas por nubes, el sistema de alertas basado en radar tiene la ventaja de detectar pérdidas de bosques a través de las nubes. Sin embargo, en áreas con una estación seca regular, los sistemas de alerta ópticos, con un tiempo de revisitas más corto, ofrece una oportunidad de detectar perturbaciones más frecuente de entre 5-8 días, mientras que el sistema de radar puede tardar hasta 12 días en detectar los cambios.

2. La superposición de varios sistemas incrementa la confianza de priorizar alertas

Si dos o más sistemas de alertas detectan un cambio en la misma ubicación, tenemos la confianza máxima de que estas alertas indican una perturbación real. En el caso de los sistemas individuales, hay un retraso para verificar la primera detección hasta que el satélite pase otra vez por el mismo lugar y alcanzar así una “alta confianza” sobre la detección. La capa integrada muestra dónde se superponen varios sistemas, lo que proporciona una mayor confianza más rápidamente que esperar a que los sistemas individuales alcancen una confianza alta mediante el análisis de imágenes satelitales adicionales, lo que puede demorar semanas o meses. En el caso de los monitores de bosques que dependen de las alertas de confianza alta para responder a los eventos de deforestación, esperamos que esta nueva capa facilite el uso de varios sistemas de alertas conjuntamente y que pueda promover un seguimiento más rápido al identificar estas alertas de máxima confianza tan pronto como un segundo sistema detecte la misma perturbación.

3. Los diferentes tipos de pérdida de cobertura arbórea se registran en varios paisajes

Las opciones de alertas integradas ayudan a cubrir las brechas que puede presentar el uso de cualquier sistema por sí solo. Uno de los puntos más fuertes de las alertas RADD y GLAD-S2 de alta resolución es la capacidad de registrar cambios sutiles en el bosque comparado con el producto GLAD-L, que tiene una resolución de 30 metros. Esto plantea avances prometedores para la detección de pequeñas aperturas en el dosel debido a actividades de tala, que ocurren en toda la Cuenca amazónica. Ahora que los tres sistemas están disponibles en la Cuenca amazónica, pueden utilizarse en conjunto para identificar actividades ilegales rápidamente y con la máxima confianza posible, lo cual es una herramienta crítica para las fuerzas de seguridad y las comunidades indígenas y locales que luchan contra la deforestación.

La capa de alertas de deforestación integrada demuestra la capacidad de los múltiples sistemas de alertas para detectar pequeños cambios, como la tala de árboles en una carretera forestal en la Amazonia peruana.

Comenzar con las alertas integradas

Con tres sistemas de alertas para elegir, nuestro objetivo es simplificar el flujo de trabajo de los usuarios de identificar alertas prioritarias. La capa integrada proporciona la mayor información sobre cambios recientes en los bosques para aquellos usuarios que deseen que se los notifique acerca de la pérdida de bosques con la máxima confianza posible. Aunque consideremos que estos sistemas se complementan, los usuarios tal vez opten por seleccionar los sistemas individuales para las notificaciones de alerta y análisis que satisfagan sus necesidades.

¿Y ahora, qué sigue?

Esta capa de alerta de deforestación integrada es solamente el primer paso para combinar el potencial de múltiples sistemas de alertas. Próximamente se presentará un estudio más exhaustivo en el que se determinará cómo integrar aún más los sistemas en un conjunto de datos descargables, se evaluará cómo varían los distintos sistemas entre regiones y se tendrán en cuenta los píxeles cercanos que detecten la misma perturbación. Manténgase al tanto de los próximos avances en el campo del monitoreo de bosques.

Para conocer en profundidad cómo se ha diseñado la capa integrada y cómo utilizarla, consulte el Centro de ayuda. 


Amy Pickens ha realizado un posdoctorado en la Universidad de Maryland y opera los sistemas de alertas de GLAD.

Johannes Reiche es un profesor adjunto de la Universidad de Wageningen y opera el sistema de alertas RADD.

Yaqing Gou realizó un posdoctorado en la Universidad de Wageningen e investiga los diversos sistemas de alertas.
Category
  • Data
Topics
  • Deforestation Alerts

Explore More Articles

Aerial footage of palm oil and the forest in Sentabai Village, West Kalimantan, 2017.
Apr 04, 2024|Data|6 minutes

Global Forest Watch’s 2023 Tree Cover Loss Data Explained

New data shows persistent primary forest loss in 2023. What does the data measure and how does it compare to other official estimates of deforestation?

Ripe Cocoa pods from a cocoa farm in Ghana.
Feb 14, 2024|Data|10 minutes

Ending Deforestation from Cocoa in West Africa with New Data-Driven Resources

Two new data-driven resources provide a shared view of priority areas in West Africa and can help realize a a deforestation-free cocoa sector.

Aerial view of the Amazon Rainforest
Jan 18, 2024|Data|8 minutes

Comparing Forest Extent in 2020 from Global Forest Watch and the Forest Resources Assessment

This blog compares the forest extent in 2020 for data from UMD on GFW and the FAO Forest Resources Assessment and explains the differences.

Explore More Articles
Aerial footage of palm oil and the forest in Sentabai Village, West Kalimantan, 2017.
Apr 04, 2024|Data|6 minutes

Global Forest Watch’s 2023 Tree Cover Loss Data Explained

Ripe Cocoa pods from a cocoa farm in Ghana.
Feb 14, 2024|Data|10 minutes

Ending Deforestation from Cocoa in West Africa with New Data-Driven Resources

Aerial view of the Amazon Rainforest
Jan 18, 2024|Data|8 minutes

Comparing Forest Extent in 2020 from Global Forest Watch and the Forest Resources Assessment

fetching comments...