Indonesia

Indonesia | Global Forest Watch Blog

Global Forest Watch Content

https://content.globalforestwatch.org/wp-content/uploads/2018/06/gfwGlobal.png

deforestation

deforestation | Global Forest Watch Blog

Brazil

Brazil | Global Forest Watch Blog

fires

fires | Global Forest Watch Blog

tree cover loss

tree cover loss | Global Forest Watch Blog

commodities

commodities | Global Forest Watch Blog

Partners

Partners | Global Forest Watch Blog

Peru

Peru | Global Forest Watch Blog

Platform

Platform | Global Forest Watch Blog

UMD | Global Forest Watch Blog

Satellite

Satellite | Global Forest Watch Blog

agriculture

agriculture | Global Forest Watch Blog

monitoring

monitoring | Global Forest Watch Blog

Biodiversity

Biodiversity | Global Forest Watch Blog

Bolivia

Bolivia | Global Forest Watch Blog

amazon

amazon | Global Forest Watch Blog

forest monitoring

forest monitoring | Global Forest Watch Blog

palm oil

palm oil | Global Forest Watch Blog

Remote sensing

Remote sensing | Global Forest Watch Blog

climate change

climate change | Global Forest Watch Blog

Colombia

Colombia | Global Forest Watch Blog

logging

logging | Global Forest Watch Blog

Emissions

Emissions | Global Forest Watch Blog

DRC | Global Forest Watch Blog

Forests

Forests | Global Forest Watch Blog

Small grants fund

Small grants fund | Global Forest Watch Blog

climate

climate | Global Forest Watch Blog

PRODES

PRODES | Global Forest Watch Blog

GLAD

GLAD | Global Forest Watch Blog

mapping

mapping | Global Forest Watch Blog

Data

Data | Global Forest Watch Blog

mexico

mexico | Global Forest Watch Blog

community

community | Global Forest Watch Blog

restoration

restoration | Global Forest Watch Blog

id | Global Forest Watch Blog

Malaysia

Malaysia | Global Forest Watch Blog

Forest Watcher

Forest Watcher | Global Forest Watch Blog

es | Global Forest Watch Blog

Satellite Imagery

Satellite Imagery | Global Forest Watch Blog

GLAD alerts

GLAD alerts | Global Forest Watch Blog

carbon

carbon | Global Forest Watch Blog

Ghana

Ghana | Global Forest Watch Blog

website

website | Global Forest Watch Blog

Tropical Deforestation

Tropical Deforestation | Global Forest Watch Blog

Australia

Australia | Global Forest Watch Blog

REDD+

REDD+ | Global Forest Watch Blog

Democratic Republic of Congo

Democratic Republic of Congo | Global Forest Watch Blog

Primary Forests

Primary Forests | Global Forest Watch Blog

mining

mining | Global Forest Watch Blog

boreal

boreal | Global Forest Watch Blog

Data and Research

GFW is first and foremost a data-driven platform. Read the latest forest research and analysis.

Data and Research | Global Forest Watch Blog

Accuracy

Accuracy | Global Forest Watch Blog

GLAD Tree Cover Loss

GLAD Tree Cover Loss | Global Forest Watch Blog

<p><em><a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2.html" target="_blank" rel="noopener noreferrer">Part 2 of this blog series available here</a>.</em></p>
<div class="attribute"></div>
<p>In 2013, Dr. Matt Hansen and collaborators at the University of Maryland’s Global Land Analysis and Discovery group (GLAD), Google, U.S. Geological Survey (USGS) and the National Aeronautics and Space Administration (NASA) released the first global scale method for annually monitoring changes in tree cover using 30-meter resolution Landsat imagery, revolutionizing the way we measure and monitor forests. The GLAD tree cover change data (formerly referred to as the Hansen tree cover change data) set consists of two maps: one of <a href="http://bit.ly/1LX4rG5">annual tree cover loss from 2001 to 2014</a>, and the other of <a href="https://www.globalforestwatch.org/map/3/23.78/6.26/ALL/grayscale/forestgain?threshold=30" target="_blank" rel="noopener noreferrer">cumulative tree cover gain during the 2000-2012 time period</a>. <iframe loading="lazy" src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&end=2015-01-01&threshold=30" width="100%" height="600" frameborder="0"></iframe> <a href="https://www.globalforestwatch.org/" target="_blank" rel="noopener noreferrer">Global Forest Watch</a> (GFW) makes this data freely available online for anyone to visualize and analyze through its easy-to-use interactive map. In addition to the analysis-rich platform, the <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">GFW Blog</a> aims to help non-experts understand the data by explaining the underlying methods and results in accessible terms. This blog is the first of a two-part technical series focusing on the accuracy of the GLAD global tree cover change data. In this piece, we explain how the authors measured the accuracy of the data, and in the <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2" target="_blank" rel="noopener noreferrer">second installment</a> we explore what this means for users of the data.</p>
<h3>How do we measure the accuracy of remotely sensed data?</h3>
<p>In remote sensing, the accuracy of data is measured by comparing detected change for sample areas on a map to the true land cover change, also known as “truth data,” which is generally determined using other satellite images or field visits. It is good practice to evaluate the “truth data” independently, or without looking at the map under evaluation because this ensures that researchers aren’t biased in their evaluations. The overall accuracy is the percentage of the sample of pixels where the map and the truth data change match. However, overall accuracy can be overestimated when stable land cover (in this case, forest land with no change) is much more prevalent than the changes (loss and gain)—any mistakes in identifying changes are overwhelmed by how well the computer identifies stable land cover. Examining the false positives (also known as commission errors) and false negatives (also known as omission errors) of the changes can provide a more useful look at the accuracy of the data. A false positive is a 30 meter pixel labelled as “loss” or “gain” on the map, but that did not change in the real world. A false negative is the opposite—a pixel labelled as “no change” by the data that actually lost or gained tree cover.</p>
<h3>Just how accurate is the GLAD tree cover change data?</h3>
<p>The data’s authors have published two accuracy assessments to date, the first in the original <a href="https://www.sciencemag.org/content/342/6160/850" target="_blank" rel="noopener noreferrer"><em>Science</em> article</a> by Hansen et al. (2013) and the second in a <a href="http://iopscience.iop.org/article/10.1088/1748-9326/10/7/074002/meta;jsessionid=B9B73099EC8D83B90613AB8104E7CD66.c1" target="_blank" rel="noopener noreferrer">recent study</a> by Tyukavina et al. (2015) on carbon loss in forests. In the first study, the authors independently evaluated the true change of 1,500 sample blocks (120 meters on each side) using Landsat, MODIS and Google Earth imagery. The truth data was then compared to the “loss” and “gain” maps globally and within the four major biomes – tropical, subtropical, temperate and boreal. At a global scale, the “loss” map had a 13 percent false positive rate and a 12 percent false negative rate. The “gain” map had a significantly higher rate of error, with a 24 percent false positive rate and a 26 percent false negative rate. The errors of “loss” and “gain” vary substantially between the four major biomes, suggesting that accuracy may be higher or lower depending on the particular location.</p>
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th colspan="2">LOSS</th>
<th colspan="2">GAIN</th>
</tr>
<tr>
<td>Biome</td>
<td>False Positives</td>
<td>False Negatives</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr>
<td><strong>Global</strong></td>
<td><strong>13.0 percent</strong></td>
<td><strong>12.2 percent</strong></td>
<td><strong>23.6 percent</strong></td>
<td><strong>26.1 percent</strong></td>
</tr>
<tr>
<td>Tropical</td>
<td>13.0 percent</td>
<td>16.9 percent</td>
<td>18.1 percent</td>
<td>52.0 percent</td>
</tr>
<tr>
<td>Subtropical</td>
<td>20.7 percent</td>
<td>20.6 percent</td>
<td>14.5 percent</td>
<td>17.6 percent</td>
</tr>
<tr>
<td>Temperate</td>
<td>11.8 percent</td>
<td>6.1 percent</td>
<td>38.0 percent</td>
<td>23.5 percent</td>
</tr>
<tr>
<td>Boreal</td>
<td>12.0 percent</td>
<td>6.1 percent</td>
<td>23.3 percent</td>
<td>1.6 percent</td>
</tr>
</tbody>
</table>
<p>The authors conducted another test to determine the temporal accuracy of the “loss” data—the extent to which the map detects loss in the correct year. Using the same 1,500 blocks, the authors compared the year of “loss” in the map to the largest change in the validation blocks. They found that the year assigned to the observed tree cover loss was correct 75.2 percent of the time, and was correct within one year before or after 96.7 percent of the time. While the first study tells us about the accuracy at regional and global scales, the second study focused on accuracy of the data in the tropics, and at a higher resolution. The second study looked at the accuracy of 3,000 individual pixels (30 × 30 meters) spread across the tropics of sub-Saharan Africa, South and Southeast Asia and Latin America compared to truth data from Landsat and Google Earth imagery. They found false negative and false positive rates below 20 percent in all areas except for Sub-Saharan Africa, which had 48 percent false negatives. The authors suspect the low accuracy in Africa is related to the prevalence of small-scale disturbance, which is harder to map at 30 meter resolution. They also found that more than 85 percent of false negatives take place within one pixel of mapped “loss,” suggesting that most of the missed loss occurs on the edges of other loss patches.</p>
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<td></td>
<th colspan="2"><strong>LOSS</strong></th>
</tr>
<tr>
<td>Continent</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr>
<td>Sub-Saharan Africa</td>
<td>4 percent</td>
<td>48 percent</td>
</tr>
<tr>
<td>South/Southeast Asia</td>
<td>8 percent</td>
<td>14 percent</td>
</tr>
<tr>
<td>Latin America</td>
<td>4 percent</td>
<td>17 percent</td>
</tr>
</tbody>
</table>
<h3>What does it all mean?</h3>
<p>It’s important to understand how accuracy is measured and be aware of the errors baked into the data. But even if it isn’t 100 percent accurate, can the GLAD tree cover change data still give us valuable insights?  <a href="http://blog.globalforestwatch.org/data-and-research/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2/" target="_blank" rel="noopener noreferrer">Check out Part 2</a> of this blog series, where we explore what these numbers all mean for users of the GLAD data.</p>
<hr />
<div class="attribute">BANNER PHOTO: GLAD tree cover loss data visualized on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>.</div>
<hr />
<style type="text/css">  --></style>

How accurate is accurate enough? Examining the GLAD global tree cover change data (Part 1)

<em><a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2.html" target="_blank" rel="noopener noreferrer">Part 2 of this blog series available here</a>.</em>
<div class="attribute"></div>
In 2013, Dr. Matt Hansen and collaborators at the University of Maryland's Global Land Analysis and Discovery group (GLAD), Google, U.S. Geological Survey (USGS) and the National Aeronautics and Space Administration (NASA) released the first global scale method for annually monitoring changes in tree cover using 30-meter resolution Landsat imagery, revolutionizing the way we measure and monitor forests. The GLAD tree cover change data (formerly referred to as the Hansen tree cover change data) set consists of two maps: one of <a href="http://bit.ly/1LX4rG5">annual tree cover loss from 2001 to 2014</a>, and the other of <a href="https://www.globalforestwatch.org/map/3/23.78/6.26/ALL/grayscale/forestgain?threshold=30" target="_blank" rel="noopener noreferrer">cumulative tree cover gain during the 2000-2012 time period</a>. <iframe src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&amp;end=2015-01-01&amp;threshold=30" width="100%" height="600" frameborder="0"></iframe> <a href="https://www.globalforestwatch.org/" target="_blank" rel="noopener noreferrer">Global Forest Watch</a> (GFW) makes this data freely available online for anyone to visualize and analyze through its easy-to-use interactive map. In addition to the analysis-rich platform, the <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">GFW Blog</a> aims to help non-experts understand the data by explaining the underlying methods and results in accessible terms. This blog is the first of a two-part technical series focusing on the accuracy of the GLAD global tree cover change data. In this piece, we explain how the authors measured the accuracy of the data, and in the <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2" target="_blank" rel="noopener noreferrer">second installment</a> we explore what this means for users of the data.
<h3>How do we measure the accuracy of remotely sensed data?</h3>
In remote sensing, the accuracy of data is measured by comparing detected change for sample areas on a map to the true land cover change, also known as “truth data,” which is generally determined using other satellite images or field visits. It is good practice to evaluate the “truth data” independently, or without looking at the map under evaluation because this ensures that researchers aren’t biased in their evaluations. The overall accuracy is the percentage of the sample of pixels where the map and the truth data change match. However, overall accuracy can be overestimated when stable land cover (in this case, forest land with no change) is much more prevalent than the changes (loss and gain)—any mistakes in identifying changes are overwhelmed by how well the computer identifies stable land cover. Examining the false positives (also known as commission errors) and false negatives (also known as omission errors) of the changes can provide a more useful look at the accuracy of the data. A false positive is a 30 meter pixel labelled as “loss” or “gain” on the map, but that did not change in the real world. A false negative is the opposite—a pixel labelled as “no change” by the data that actually lost or gained tree cover.
<h3>Just how accurate is the GLAD tree cover change data?</h3>
The data’s authors have published two accuracy assessments to date, the first in the original <a href="https://www.sciencemag.org/content/342/6160/850" target="_blank" rel="noopener noreferrer"><em>Science</em> article</a> by Hansen et al. (2013) and the second in a <a href="http://iopscience.iop.org/article/10.1088/1748-9326/10/7/074002/meta;jsessionid=B9B73099EC8D83B90613AB8104E7CD66.c1" target="_blank" rel="noopener noreferrer">recent study</a> by Tyukavina et al. (2015) on carbon loss in forests. In the first study, the authors independently evaluated the true change of 1,500 sample blocks (120 meters on each side) using Landsat, MODIS and Google Earth imagery. The truth data was then compared to the “loss” and “gain” maps globally and within the four major biomes – tropical, subtropical, temperate and boreal. At a global scale, the “loss” map had a 13 percent false positive rate and a 12 percent false negative rate. The “gain” map had a significantly higher rate of error, with a 24 percent false positive rate and a 26 percent false negative rate. The errors of “loss” and “gain” vary substantially between the four major biomes, suggesting that accuracy may be higher or lower depending on the particular location.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th colspan="2">LOSS</th>
<th colspan="2">GAIN</th>
</tr>
<tr>
<td>Biome</td>
<td>False Positives</td>
<td>False Negatives</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr>
<td><strong>Global</strong></td>
<td><strong>13.0 percent</strong></td>
<td><strong>12.2 percent</strong></td>
<td><strong>23.6 percent</strong></td>
<td><strong>26.1 percent</strong></td>
</tr>
<tr>
<td>Tropical</td>
<td>13.0 percent</td>
<td>16.9 percent</td>
<td>18.1 percent</td>
<td>52.0 percent</td>
</tr>
<tr>
<td>Subtropical</td>
<td>20.7 percent</td>
<td>20.6 percent</td>
<td>14.5 percent</td>
<td>17.6 percent</td>
</tr>
<tr>
<td>Temperate</td>
<td>11.8 percent</td>
<td>6.1 percent</td>
<td>38.0 percent</td>
<td>23.5 percent</td>
</tr>
<tr>
<td>Boreal</td>
<td>12.0 percent</td>
<td>6.1 percent</td>
<td>23.3 percent</td>
<td>1.6 percent</td>
</tr>
</tbody>
</table>
The authors conducted another test to determine the temporal accuracy of the “loss” data—the extent to which the map detects loss in the correct year. Using the same 1,500 blocks, the authors compared the year of “loss” in the map to the largest change in the validation blocks. They found that the year assigned to the observed tree cover loss was correct 75.2 percent of the time, and was correct within one year before or after 96.7 percent of the time. While the first study tells us about the accuracy at regional and global scales, the second study focused on accuracy of the data in the tropics, and at a higher resolution. The second study looked at the accuracy of 3,000 individual pixels (30 × 30 meters) spread across the tropics of sub-Saharan Africa, South and Southeast Asia and Latin America compared to truth data from Landsat and Google Earth imagery. They found false negative and false positive rates below 20 percent in all areas except for Sub-Saharan Africa, which had 48 percent false negatives. The authors suspect the low accuracy in Africa is related to the prevalence of small-scale disturbance, which is harder to map at 30 meter resolution. They also found that more than 85 percent of false negatives take place within one pixel of mapped “loss,” suggesting that most of the missed loss occurs on the edges of other loss patches.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<td></td>
<th colspan="2"><strong>LOSS</strong></th>
</tr>
<tr>
<td>Continent</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr>
<td>Sub-Saharan Africa</td>
<td>4 percent</td>
<td>48 percent</td>
</tr>
<tr>
<td>South/Southeast Asia</td>
<td>8 percent</td>
<td>14 percent</td>
</tr>
<tr>
<td>Latin America</td>
<td>4 percent</td>
<td>17 percent</td>
</tr>
</tbody>
</table>
<h3>What does it all mean?</h3>
It’s important to understand how accuracy is measured and be aware of the errors baked into the data. But even if it isn’t 100 percent accurate, can the GLAD tree cover change data still give us valuable insights?  <a href="http://blog.globalforestwatch.org/data-and-research/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2/" target="_blank" rel="noopener noreferrer">Check out Part 2</a> of this blog series, where we explore what these numbers all mean for users of the GLAD data.

<hr />

<div class="attribute">BANNER PHOTO: GLAD tree cover loss data visualized on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>.</div>

<hr />

<style type="text/css">  --></style>

<em><a href="http://content.globalforestwatch.org/data/que-tan-preciso-es-suficientemente-preciso-como-examinar-los-datos-sobre-el-cambio-de-cobertura-arborea-a-nivel-mundial-de-glad-parte-2.html" target="_blank" rel="noopener noreferrer">La Parte 2 de este blog está disponible aquí</a>.</em>

En 2013, el Dr. Matt Hansen y sus colaboradores del grupo Global Land Analysis and Discovery (GLAD) de la Universidad de Maryland, Google, el Servicio de Estudios Geológicos de los Estados Unidos (USGS, por sus siglas en inglés) y la Administración Nacional de Aeronáutica y del Espacio (NASA, por sus siglas en inglés) divulgaron el primer método a escala mundial para monitorear de forma anual los cambios en la cobertura arbórea usando resolución de imagen Landsat de 30 metros, lo que revolucionó la forma en que medimos y monitoreamos los bosques. El conjunto de datos sobre el cambio en la cobertura arbórea de GLAD (anteriormente conocido como datos sobre cambio arbóreo Hansen) consiste en dos mapas: uno de la <a href="http://bit.ly/1LX4rG5" target="_blank" rel="noopener noreferrer">pérdida de cobertura arbórea anual desde 2001 a 2014</a>, y el otro de la <a href="https://www.globalforestwatch.org/map/3/23.78/6.26/ALL/grayscale/forestgain?threshold=30" target="_blank" rel="noopener noreferrer">ganancia de cobertura arbórea acumulada durante el período 2000 a 2012</a>. <iframe src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&amp;end=2015-01-01&amp;threshold=30" width="100%" height="600" frameborder="0"></iframe> <a href="https://www.globalforestwatch.org/" target="_blank" rel="noopener noreferrer">Global Forest Watch</a> (GFW) permite que esta información esté disponible en Internet de manera gratuita para que todos puedan visualizar y analizar mediante su mapa interactivo fácil de utilizar. Además de la plataforma con abundante análisis, el <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">blog de GFW</a> tiene como objetivo ayudar a aquellas personas no expertas a que comprendan los datos al explicarles los métodos y resultados subyacentes con términos fáciles de entender. Este blog es el primero de una serie técnica de dos partes que se focaliza en la precisión de la información de GLAD sobre el cambio de la cobertura arbórea mundial. En esta parte, explicamos cómo los autores midieron la precisión de los datos, y en el <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2" target="_blank" rel="noopener noreferrer">segundo capítulo</a> exploramos qué significa para quienes utilizan los datos. <strong>¿Cómo medimos la precisión de los datos enviados de forma remota?</strong> En la detección remota, la precisión de los datos se mide al comparar el cambio detectado para áreas de muestra en un mapa con el cambio real de la cobertura de la tierra, también conocido como "datos verdaderos", que generalmente se determina mediante el uso de otras imágenes satelitales o visitas de campo. Es una buena práctica para evaluar los "datos verdaderos" de forma independiente, o sin mirar el mapa en evaluación ya que esto garantiza que los investigadores no se vean influenciados en sus evaluaciones. La precisión general es el porcentaje de la muestra de píxeles en el que el mapa y el cambio que reflejan los datos verdaderos coinciden. Sin embargo, la precisión general se puede sobrestimar cuando la cobertura de tierra estable (en este caso, la tierra forestal sin cambios) es mucho más predominante que los cambios (pérdida y ganancia). Cualquier error en la identificación de cambios se ve afectado por la precisión con la que la computadora identifica la cobertura de tierra estable. El examen de los falsos positivos (también conocidos como errores de comisión) y los falsos negativos (también conocidos como errores de omisión) de los cambios puede brindar una mirada más útil sobre la precisión de los datos. Un falso positivo es un píxel de 30 metros etiquetado como "pérdida" o "ganancia" en el mapa, pero que no cambió en el mundo real. Un falso negativo es lo opuesto; un píxel etiquetado en los datos como "sin cambio", pero que en realidad perdió o ganó cobertura arbórea. <strong>¿Qué tan exactos son los datos sobre el cambio de cobertura arbórea de GLAD?</strong> Hasta la fecha, los autores de los datos publicaron dos evaluaciones sobre precisión, la primera en el artículo original <a href="https://www.sciencemag.org/content/342/6160/850" target="_blank" rel="noopener noreferrer"><em>Science</em> de Hansen et. al. (2013)</a>, y la segunda en un estudio reciente de Tyukavina et. al. (2015) sobe la pérdida de carbono en los bosques. En el primer estudio, los autores evaluaron, de manera independiente, el cambio real de los 1500 bloques de muestra (120 metros en cada lado) con imágenes de Landsat, MODIS y Google Earth. Los datos verdaderos luego se compararon con los mapas de "pérdidas" y "ganancias" a nivel mundial y dentro de los cuatro biomedios principales (tropical, subtropical, templado y boreal). A una escala mundial, el mapa de "pérdidas" presentó una tasa de falsos positivos del 13 % y una tasa de falsos negativos del 12 %. El mapa de "ganancias" presentó una tasa de error significativamente mayor, con una tasa de falsos positivos del 24 % y una tasa de falsos negativos del 26 %. Los errores de "pérdidas" y "ganancias" varían significativamente entre los cuatro biomedios principales, lo que sugiere que la precisión puede ser mayor o menor según la ubicación específica.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th colspan="2"><strong>PÉRDIDAS</strong></th>
<th colspan="2"><strong>GANANCIAS</strong></th>
</tr>
<tr>
<td>Biomedio</td>
<td>Falsos positivos</td>
<td>Falsos negativos</td>
<td>Falsos positivos</td>
<td>Falsos negativos</td>
</tr>
<tr>
<td><strong>Global</strong></td>
<td><strong>13 %</strong></td>
<td><strong>12,2 %</strong></td>
<td><strong>23,6 %</strong></td>
<td><strong>26,1 %</strong></td>
</tr>
<tr>
<td>Tropical</td>
<td>13 %</td>
<td>16,9 %</td>
<td>18,1 %</td>
<td>52 %</td>
</tr>
<tr>
<td>Subtropical</td>
<td>20,7 %</td>
<td>20,6 %</td>
<td>14,5 %</td>
<td>17,6 %</td>
</tr>
<tr>
<td>Templado</td>
<td>11,8 %</td>
<td>6,1 %</td>
<td>38 %</td>
<td>23,5 %</td>
</tr>
<tr>
<td>Boreal</td>
<td>12 %</td>
<td>6,1 %</td>
<td>23,3 %</td>
<td>1,6 %</td>
</tr>
</tbody>
</table>
Los autores llevaron a cabo otra prueba para determinar la precisión temporal de los datos de "pérdidas"; es decir, el grado en el que el mapa detecta pérdidas en el año correcto. Con los mismos 1500 bloques, los autores compararon el año de "pérdidas" en el mapa con el cambio más importante en los bloques de validación. Determinaron que el año asignado a la pérdida de cobertura arbórea observada era correcto en un 75,2 %, y había sido correcto dentro de un plazo de un año antes y después en un 96,7 %. Mientras que el primer estudio nos indica la precisión a escala regional y mundial, el segundo estudio se focalizó en la precisión de los datos en los trópicos y con una resolución más alta. El segundo estudio se enfocó en la precisión de 3000 píxeles individuales (30 x 30 metros) esparcidos en los trópicos de África subsahariana, el sur y sudeste de Asia y América Latina en comparación con los datos verdaderos obtenidos mediante las imágenes de Landsat y Google Earth. Se determinó que las tasas de falsos negativos y falsos positivos estaban por debajo del 20 % en todas las áreas a excepción de África subsahariana, que presentaba un 48 % de falsos negativos. Los autores sospechan que la baja precisión en África está relacionada con el predominio de obstrucciones a pequeña escala, lo que dificulta la representación en una resolución de 30 metros. Además, detectaron que más del 85 % de los falsos negativos ocurren dentro de un píxel de "pérdida" representada, lo que sugiere que la mayor parte de la pérdida omitida ocurre en los límites de otras áreas de pérdida.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th><strong>PÉRDIDAS</strong></th>
</tr>
<tr>
<td>Continente</td>
<td>Falsos positivos</td>
<td>Falsos negativos</td>
</tr>
<tr>
<td>África subsahariana</td>
<td>4 %</td>
<td>48 %</td>
</tr>
<tr>
<td>Sur/Sudeste de Asia</td>
<td>8 %</td>
<td>14 %</td>
</tr>
<tr>
<td>América Latina</td>
<td>4 %</td>
<td>17 %</td>
</tr>
</tbody>
</table>
<strong>¿Qué significa todo esto?</strong> Es importante comprender cómo se mide la precisión y estar atentos a los errores incorporados en los datos. Aún cuando la precisión no alcance el 100 %, ¿pueden los datos sobre el cambio de la cobertura arbórea de GLAD brindarnos percepciones valiosas? <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2/">Consulte la Parte 2</a> de esta serie de blogs, en la que exploramos qué significan estos números para quienes usan los datos de GLAD.

<style type="text/css"></style> <style type="text/css"></style>

¿Qué tan preciso es suficientemente preciso? Cómo examinar los datos sobre el cambio de cobertura arbórea a nivel mundial de GLAD (Parte 1)

<em><a href="http://content.globalforestwatch.org/data/seberapa-besarkah-akurasi-yang-dibutuhkan-mengkaji-data-perubahan-tutupan-pohon-global-glad-bagian-2.html" target="_blank" rel="noopener noreferrer">Bagian 2 dari seri blog ini tersedia disini</a>.</em>

Pada tahun 2013, Dr. Matt Hansen dan rekan-rekannya dari kelompok Global Land Analysis and Discovery (GLAD) University of Maryland, Google, U.S. Geological Survey (USGS) dan National Aeronautics and Space Administration (NASA) mengeluarkan metode berskala global pertama untuk mengawasi perubahan tutupan hutan tahunan menggunakan citra Landsat dengan resolusi 30-meter, yang merevolusi cara kita mengukur dan mengawasi hutan. Data perubahan tutupan pohon GLAD (yang sebelumnya dikenal sebagai data perubahan tutupan pohon Hansen) meliputi dua peta: kehilangan tutupan pohon tahunan dari 2001-2014, dan perolehan tutupan pohon komulatif selama periode 2000-2012. <iframe src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&amp;end=2015-01-01&amp;threshold=30" width="100%" height="600" frameborder="0"></iframe> Berkat Global Forest Watch (GFW), data tersebut kini tersedia gratis secara online bagi siapapun untuk melihat dan menganalisis melalui peta interakti yang mudah digunakan. Selain itu, Blog GFW bertujuan untuk membantu masyarakat awam untuk memahami data dengan menjelaskan metode dasar dan hasil analisis secara sederhana. Blog ini merupakan bagian pertama dari dua bagian seri teknis yang fokus kepada akurasi data perubahan tutupan pohon global GLAD. Dalam tulisan ini, kami menjelaskan bagaimana penulis mengukur akurasi data, dan di bagian kedua kami membahas apa pengaruhnya terhadap pengguna data.

<aside id="newsletter"><strong><span style="font-size: 1.5em; color: #97bd3d;">Jangan lewatkan berita terbaru!</span></strong>
<div></div>
<div class="notified">Untuk mendapatkan notifikasi mengenai berbagai cerita seperti ini, daftarkan diri Anda untuk menerima Rekap Bulanan GFW.</div>
<a href="http://content.globalforestwatch.org/data/seberapa-besarkah-akurasi-yang-dibutuhkan-mengkaji-data-perubahan-tutupan-pohon-global-glad-bagian-1.html?show_newsletter=true"><button>Daftar</button></a>

</aside>
<h3>Bagaimana kami mengukur akurasi dari data yang diambil dari penginderaan jarak jauh?</h3>
Dalam penginderaan jarak jauh, akurasi data diukur dengan membandingkan perubahan yang terdeteksi untuk wilayah sampel di peta, dengan perubahan tutupan lahan yang sebenarnya, yang juga dikenal dengan "truth data," yang secara umum ditentukan dengan menggunakan citra satelit lainnya atau kunjungan lapangan. Merupakan sebuah good practice untuk mengevaluasi "truth data" secara independen, atau tanpa melihat peta yang dievaluasi karena hal tersebut dapat memastikan bahwa para peneliti tidak bias dalam evaluasi mereka. Akurasi keseluruhan adalah persentase sampel pixel di mana terdapat kecocokkan di antara peta dengan "truth data". Namun demikian, akurasi keseluruhan dapat ditaksir terlalu tinggi ketika tutupan lahan stabil (dalam hal ini lahan berhutan yang tidak mengalami perubahan) lebih sering ditemukan dibandingkan terjadinya perubahan (kehilangan dan perolehan) - kesalahan apapun dalam identifikasi perubahan dapat ditutupi oleh seberapa akurat komputer mengidentifikasi tutupan lahan stabil. Mengkaji false positives (yang juga dikenal sebagai commission errors) dan false negatives (yang juga dikenal sebagai omission errors) dari perubahan yang terjadi dapat memberikan sebuah perspektif yang lebih bermanfaat mengenai akurasi data. Sebuah false positive merupakan sebuah pixel 30 meter berlabel "kehilangan" atau "perolehan" pada peta, namun sesungguhnya tidak mengalami perubahan apapun di lapangan. Sebuah false negative adalah kebalikannya - sebuah pixel yang berlabel "tidak ada perubahan" oleh data yang sebenarnya mengalami kehilangan atau perolehan tutupan pohon.
<h3>Seberapa akuratkah data perubahan tutupan pohon GLAD?</h3>
Hingga saat ini pemilik data telah mempublikasikan dua penilaian akurasi, pertama di Sciencearticle oleh Hansen et al. (2013) dan kedua di dalam sebuah studi terbaru oleh Tyukavina et al. (2015) mengenai kehilangan karbon di hutan. Di studi yang pertama, para penulis secara independen mengevaluasi perubahan yang sebenarnya dari 1,500 blok sampel (120 meter di setiap sisinya) menggunakan citra Landsat, MODIS dan Google Earth. Truth data kemudian dibandingkan dengan "kehilangan" dan "perolehan" pada peta-peta global dan di dalam empat bioma utama - tropis, subtropis, sedang, dan kutub. Pada skala global, peta "kehilangan" memiliki 13 persen tingkat false positive dan 12 persen tingkat false negative. Peta "perolehan" memiliki tingkat error yang secara signifikan lebih tinggi, dengan 24 persen tingkat false positives dan 26 persen tingkat false negative. Tingkat error "kehilangan" dan "perolehan" di antara keempat bioma utama secara substansial beragam, yang menunjukkan bahwa akurasi mungkin dapat lebih tinggi atau rendah tergantung kepada lokasinya.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr class="HEADER">
<td></td>
<th colspan="2">KEHILANGAN</th>
<th colspan="2">PEROLEHAN</th>
</tr>
<tr class="DARKGREY">
<td>Bioma</td>
<td>False Positives</td>
<td>False Negatives</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr style="font-weight: bold;">
<td>Global</td>
<td>13.0 persen</td>
<td>12.2 persen</td>
<td>23.6 persen</td>
<td>26.1 persen</td>
</tr>
<tr>
<td>Tropis</td>
<td>13.0 persen</td>
<td>16.9 persen</td>
<td>18.1 persen</td>
<td>52.0 persen</td>
</tr>
<tr>
<td>Subtropis</td>
<td>20.7 persen</td>
<td>20.6 persen</td>
<td>14.5 persen</td>
<td>17.6 persen</td>
</tr>
<tr>
<td>Sedang</td>
<td>11.8 persen</td>
<td>6.1 persen</td>
<td>38.0 persen</td>
<td>23.5 persen</td>
</tr>
<tr id="BOTTOM">
<td>Kutub</td>
<td>12.0 persen</td>
<td>6.1 persen</td>
<td>23.3 persen</td>
<td>1.6 persen</td>
</tr>
</tbody>
</table>
Para penulis melakukan tes lain untuk menentukan akurasi sementara dari data "kehilangan" - hingga melihat apakah peta mendeteksi kehilangan pohon di tahun yang benar. Dengan menggunakan 1,500 blok yang sama, para penulis membandingkan tahun "kehilangan" pada peta terhadap perubahan terbesar pada blok falidasi. Mereka menemukan bahwa tahun yang digunakan untuk melihat kehilangan tutupan pohon memiliki tingkat keakuratan sebesar 75.2 persen, dan memiliki tingkat keakuratan sebesar 96.7 persen setahun setelah dan sebelumnya. Sementara studi yang pertama menjelaskan tentang akurasi pada skala regional dan global, studi kedua fokus menjelaskan tentang akurasi data di daerah tropis, dan pada resolusi yang lebih tinggi. Studi kedua mengamati akurasi dari 3,000 pixel satuan (30 x 30 meter) yang tersebar di sepanjang daerah tropis Afrika sub-Sahara, Asia Selatan dan Tenggara dan Amerika Latin dibandingkan dengan truth data dari citra Landsat dan Google Earth. Mereka menemukan tingkat false negative dan false positive dibawah 20 persen di semua wilayah kecuali Afrika sub-Sahara, yang memiliki 48 persen false negative. Para penulis menduga bahwa akurasi yang rendah di Afrika berhubungan dengan banyaknya gangguan skala kecil, yang lebih susah dipetakan pada resolusi 30 meter. Mereka juga menemukan bahwa lebih dari 85 persen false negative terjadi di dalam satu pixel "kehilangan" yang dipetakan, yang menunjukkan bahwa sebagian besar error "kehilangan" terjadi di tepian wilayah "kehilangan" lainnya.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr class="HEADER">
<td></td>
<th colspan="2">KEHILANGAN</th>
</tr>
<tr class="DARKGREY">
<td>Kontinen</td>
<td>False Positives</td>
<td>False Negatives</td>
</tr>
<tr>
<td>Afrika Sub-Sahara</td>
<td>4 persen</td>
<td>48 persen</td>
</tr>
<tr>
<td>Asia Selatan/Tenggara</td>
<td>8 persen</td>
<td>14 persen</td>
</tr>
<tr>
<td>Amerika Latin</td>
<td>4 persen</td>
<td>17 persen</td>
</tr>
</tbody>
</table>
<h3>Apa artinya?</h3>
Penting untuk memahami bagaimana akurasi diukur dan mewaspadai error yang terjadi di dalam data. Namun meskipun data tersebut tidak 100 persen akurat, dapatkah data perubahan tutupan pohon GLAD tetap memberikan kita masukan yang bermanfaat? Lihat Bagian 2 dari seri blog ini, di mana kami menganalisis apa manfaat angka-angka ini bagi pengguna data GLAD.

<style type="text/css"></style> <style type="text/css"></style>

Seberapa besarkah akurasi yang dibutuhkan? Mengkaji data perubahan tutupan pohon global GLAD (Bagian 1)

<a href="http://content.globalforestwatch.org/2015/12/quanta-precisao-e-necessaria-examinando-os-dados-globais-de-mudanca-na-cobertura-vegetal-glad-parte-2/" target="_blank" rel="noopener noreferrer"><em>A Parte 2 dessa série de blog encontra-se disponível aqui.</em></a> Em 2013, o Dr. Matt Hansen e os seus colaboradores da Universidade de Maryland, do grupo de Análises e Descobertas de Territórios Globais (GLAD), juntamente ao Google, Serviço Geológico dos EUA (USGS) e a Administração Nacional de Aeronáutica e Espaço (NASA) divulgaram o primeiro método de escala global para o monitoramento anual das mudanças na cobertura vegetal usando imagens de resolução Landsat de 30 metros, revolucionando a maneira como as florestas são avaliadas e monitoradas. Os dados das mudanças de cobertura vegetal do GLAD (anteriormente designados como os dados de mudança de cobertura vegetal Hansen) consistem em dois mapas: um da <a href="http://bit.ly/1LX4rG5" target="_blank" rel="noopener noreferrer">perda anual de cobertura vegetal de 2001-2014</a>, E o outro do <a href="https://www.globalforestwatch.org/map/3/23.78/6.26/ALL/grayscale/forestgain?threshold=30" target="_blank" rel="noopener noreferrer">ganho acumulado de cobertura vegetal durante o período entre 2000-2012</a>. <iframe src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&amp;end=2015-01-01&amp;threshold=30" width="100%" height="600" frameborder="0"></iframe> <a href="https://www.globalforestwatch.org/" target="_blank" rel="noopener noreferrer">O Global Forest Watch</a> (GFW) disponibiliza essas informações livremente na Internet para que todos possam visualizá-las e analisá-las através do seu mapa interativo simples de usar. Além da plataforma rica em análises, o <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">Blog GFW</a> tem como objetivo ajudar as pessoas comuns a compreender os dados, explicando os métodos subjacentes e os resultados em termos acessíveis. Esse blog é o primeiro de uma série de duas partes técnicas que abordam a precisão dos dados de mudança de cobertura vegetal globais do GLAD. Nesta parte, vamos explicar como os autores mediram com precisão os dados, e na <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2" target="_blank" rel="noopener noreferrer">segunda parte</a> vamos explorar o que isso significa para quem está acessando as informações.
<h3>Como podemos medir a precisão de dados de sensoriamento remoto?</h3>
Na detecção remota, a precisão dos dados é medida pela comparação entre a alteração detectada em amostras de área de um mapa com as verdadeiras alterações de cobertura vegetal do local, também conhecidos como "dados verdadeiros", o que é geralmente determinado por meio de outras imagens de satélite ou visitas de campo. É uma boa prática avaliar os "dados verdadeiros" de forma independente ou sem olhar para o mapa em fase de avaliação, porque isso garante que os investigadores sejam imparciais em suas avaliações. A precisão geral é o percentual da amostra de pixels em que o mapa e os dados verdadeiros apresentam variações. No entanto, a precisão geral pode ser superestimada quando a cobertura vegetal estável (nesse caso, florestas inalteradas) prevalece sobre as mudanças (perda e ganho) - os erros na identificação de mudanças são sobrepujados pela forma como o computador identifica a cobertura vegetal estável. Examinar os falsos positivos (também conhecidos como erros de comissão) e os falsos negativos (também conhecidos como erros de omissão) das mudanças pode proporcionar uma visão mais correta da precisão dos dados. Um falso positivo é um pixel de 30 metros rotulado como "perda" ou "ganho" no mapa, mas que não se alterou no mundo real. Um falso negativo é o oposto, um pixel rotulado como "nenhuma mudança" pelos dados sendo que na verdade houve ganho ou perda de cobertura vegetal.
<h3>O quão precisos são os dados de alteração da cobertura vegetal GLAD?</h3>
Os autores dos dados publicaram duas avaliações de precisão até a presente data, a primeira no original <a href="https://www.sciencemag.org/content/342/6160/850" target="_blank" rel="noopener noreferrer"><em>Science</em> article</a> por Hansen et al. (2013) e a segunda em um <a href="http://iopscience.iop.org/article/10.1088/1748-9326/10/7/074002/meta;jsessionid=B9B73099EC8D83B90613AB8104E7CD66.c1" target="_blank" rel="noopener noreferrer">estudo recente</a> de Tyukavina et al. (2015) sobre a perda de carbono em florestas. No primeiro estudo, os autores avaliaram de forma independente a verdadeira mudança de 1.500 blocos de amostras (120 metros de cada lado) usando imagens do Landsat, MODIS e Google Earth. Os dados verdadeiros foram, então, comparados com os mapas de "perda" e "ganho" a nível mundial, e dentro dos quatro grandes biomas - tropical, subtropical, temperado e boreal. Em uma escala global, o mapa de "perda" tinha uma taxa de falsos positivos de 13% e uma taxa de falso negativo de 12%. O mapa de "ganho" teve uma taxa significativamente mais elevada de erro, com uma taxa de falso-positivo de 24% e uma taxa de falso negativo de 26%. Os erros de "perda" e "ganho" variam consideravelmente entre os quatro grandes biomas, o que sugere que a precisão pode ser maior ou menor dependendo da localização em particular.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th colspan="2">PERDA</th>
<th colspan="2">GANHO</th>
</tr>
<tr>
<td>Bioma</td>
<td>Falso-positivos</td>
<td>Falso-negativos</td>
<td>Falso-positivos</td>
<td>Falso-negativos</td>
</tr>
<tr>
<td><strong>Global</strong></td>
<td><strong>13%</strong></td>
<td><strong>12,2%</strong></td>
<td><strong>23,6%</strong></td>
<td><strong>26,1%</strong></td>
</tr>
<tr>
<td>Tropical</td>
<td>13%</td>
<td>16,9%</td>
<td>18,1%</td>
<td>52,0%</td>
</tr>
<tr>
<td>Subtropical</td>
<td>20,7%</td>
<td>20,6%</td>
<td>14,5%</td>
<td>17,6%</td>
</tr>
<tr>
<td>Temperado</td>
<td>11,8%</td>
<td>6,1%</td>
<td>38,0%</td>
<td>23,5%</td>
</tr>
<tr>
<td>Boreal</td>
<td>12,2%</td>
<td>6,1%</td>
<td>23,3%</td>
<td>1,6%</td>
</tr>
</tbody>
</table>
Os autores realizaram outro teste para determinar a precisão temporal dos dados de "perda", na medida em que o mapa detecta perdas no ano correto. Usando os mesmos 1.500 blocos, os autores compararam o ano da "perda" no mapa com a maior mudança nos blocos de validação. Eles descobriram que o ano atribuído às perdas de cobertura vegetal observado foi correto em 75,2% das vezes, e estava correto um ano antes ou depois em 96,7% das vezes. Enquanto o primeiro estudo mostrou a precisão em escalas regionais e globais, o segundo estudo tratou da precisão dos dados nos trópicos e em uma resolução maior. O segundo estudo analisou a precisão de 3.000 pixels individuais (30 x 30 metros), distribuídos por regiões tropicais da África Subsaariana e Sul e Sudeste da Ásia e da América Latina, em comparação com os dados verdadeiros das imagens do Landsat e Google Earth. Eles encontraram taxas ativas e positivas abaixo de 20% em todas as áreas, exceto na África Subsaariana, que teve 48% de falsos negativos. Os autores suspeitam que a baixa precisão na África esteja relacionada com a prevalência de distúrbio em pequena escala, o que é mais difícil de mapear com uma resolução de 30 metros. Descobriram também que mais de 85% de falso-negativos ocorrem dentro de um pixel mapeado como "perda", sugerindo que a maior parte do equívoco na perda ocorre nos blocos adjacentes de outras áreas de perda.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<td></td>
<th>PERDA</th>
<th>GANHO</th>
</tr>
<tr>
<td>Continente</td>
<td>Falso-positivos</td>
<td>Falso-negativos</td>
</tr>
<tr>
<td>África subsaariana</td>
<td>4%</td>
<td>48%</td>
</tr>
<tr>
<td>Sul / Sudeste da Ásia</td>
<td>8%</td>
<td>14%</td>
</tr>
<tr>
<td>América Latina</td>
<td>4%</td>
<td>17%</td>
</tr>
</tbody>
</table>
<h3>O que significa tudo isso?</h3>
É importante entender como a precisão é medida e estar ciente dos erros inseridos ​​nos dados. Mas mesmo que não seja 100% preciso os dados de cobertura vegetal GLAD ainda podem nos fornecer informações valiosas?  Confira a <a href="http://content.globalforestwatch.org/2015/12/quanta-precisao-e-necessaria-examinando-os-dados-globais-de-mudanca-na-cobertura-vegetal-glad-parte-2/" target="_blank" rel="noopener noreferrer">Parte 2 </a>dessa série de blog, onde vamos explorar o que todos esses números significam para os usuários dos dados GLAD.

<style type="text/css"></style> <style type="text/css"></style>

Quanta precisão é necessária? Examinando os dados de alteração de cobertura vegetal global GLAD (Parte 1)

<strong>Étude de l’outil de suivi des données d’évolution de la couverture arborée mondiale GLAD</strong>  <em><a href="http://content.globalforestwatch.org/data/dans-quelle-mesure-la-precision-est-elle-suffisamment-precise-partie-2.html" target="_blank" rel="noopener noreferrer">La Partie 2 de la série du blog est disponible ici</a>.</em>

En 2013, le Dr. Matt Hansen et des collaborateurs du groupe Global Land Analysis and Discovery (GLAD) de l’Université du maryland (University of Maryland), de Google, de l’Institut d’études géologiques des États-Unis (U.S. Geological Survey, USGS) et de l’Administration nationale de l’aéronautique et de l’espace (National Aeronautics and Space Administration, NASA), ont lancé la première méthode à l’échelle mondiale de suivi annuel de l’évolution de la couverture arborée en utilisant l’imagerie Landsat à résolution spatiale de 30 mètres, révolutionnant ainsi les moyens de mesures et de suivi des forêts. L’outil de suivi des données d’évolution de la couverture arborée GLAD (anciennement désigné données d’évolution de la couverture arborée Hansen) est composé de deux cartes : une présentant la <a href="http://bit.ly/1LX4rG5" target="_blank" rel="noopener noreferrer">perte de la couverture arborée annuelle entre 2001 et 2014</a>, et l’autre représentant <a href="https://www.globalforestwatch.org/map/3/23.78/6.26/ALL/grayscale/forestgain?threshold=30" target="_blank" rel="noopener noreferrer">le gain de la couverture arborée cumulé sur la période 2000-2012</a>. <iframe src="https://www.globalforestwatch.org/embed/map/3/23.78/6.26/ALL/grayscale/forestgain,loss?begin=2001-01-01&amp;end=2015-01-01&amp;threshold=30" width="100%" height="600" frameborder="0"></iframe> <a href="https://www.globalforestwatch.org/" target="_blank" rel="noopener noreferrer">Global Forest Watch</a> (GFW) tient ces données à disposition de tous gratuitement en ligne pour les visualiser et les analyser via sa carte interactive facile d’utilisation. En complément de la plateforme riche en analyses, le <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">blog GFW</a> vise à aider le public non expert à comprendre les données en expliquant les méthodes sous-jacentes et les résultats dans des termes accessibles. Ce blog est le premier d’une série technique en deux parties qui se concentre sur la précision de l’outil de suivi des données d’évolution de la couverture arborée mondiale GLAD. Dans cette partie, nous expliquons la manière dont les auteurs ont mesuré la précision des données, puis dans la <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2" target="_blank" rel="noopener noreferrer">seconde partie</a> nous étudions ce que cela signifie pour les utilisateurs des données. <strong>Comment mesurons-nous la précision des données de télédétection ?</strong> En télédétection, la précision des données est mesurée par comparaison des changements détectés de zones échantillons d’une carte avec les véritables changements de la couverture terrestre, également désignés « données réelles », ce qui est en général déterminé en utilisant d’autres images satellites ou des visites sur le terrain. La bonne pratique consiste à évaluer les « données réelles » indépendamment, ou sans regarder la carte évaluée afin de garantir que les évaluations des chercheurs ne sont pas biaisées. La précision globale est le pourcentage de correspondance de l’échantillon de pixels entre la carte et les données réelles. Cependant, la précision globale peut être surestimée lorsque la couverture terrestre stable (dans ce cas, les terres forestières n’ayant pas évolué) est bien plus abondante que celle ayant changé (perte et gain). Toute erreur d’identification des changements dépend de la précision selon laquelle l’ordinateur identifie la couverture terrestre stable. L’étude des faux positifs (également désignés erreurs réelles) et des faux négatifs (également désignés omissions) des changements peut fournir une représentation plus utile de la précision des données. Un faux positif est un pixel de 30 mètres étiqueté comme « perte » ou « gain » sur la carte, mais qui n’a pas changé dans le monde réel. Un faux négatif est le contraire, c’est-à-dire un pixel étiqueté comme « inchangé » par les données, mais qui en réalité a perdu ou gagné de la couverture arborée. <strong>Dans quelle mesure l’outil de suivi des données d’évolution de la couverture arborée GLAD est-il précis ?</strong> Les auteurs des données ont à ce jour publié deux évaluations de précision, la première dans la <a href="https://www.sciencemag.org/content/342/6160/850" target="_blank" rel="noopener noreferrer"><em>publication originale de Science</em></a> de Hansen et al. (2013) et la deuxième dans une <a href="http://iopscience.iop.org/article/10.1088/1748-9326/10/7/074002/meta;jsessionid=B9B73099EC8D83B90613AB8104E7CD66.c1" target="_blank" rel="noopener noreferrer">étude récente</a> de Tyukavina et al. (2015) sur la perte en carbone des forêts. Dans la première étude, les auteurs ont évalué indépendamment les changements réels de 1 500 blocs échantillons (120 mètres de chaque côté), à l’aide de l’imagerie satellitaire Landsat, MODIS (Moderate Resolution Imaging Spectroradiometer, soit Radiomètre spectral pour imagerie de résolution moyenne) et Google Earth. Les données réelles ont ensuite été comparées aux cartes de « perte » et « gain » globalement et dans les quatre principaux biomes (tropical, subtropical, tempéré et boréal). À l’échelle mondiale, la carte de « perte » compte un taux de 13 % de faux positifs et un taux de 12 % de faux négatifs. La carte de « gain » compte un taux d’erreurs significativement plus élevé, avec 24 % de faux positifs et 26 % de faux négatifs. Les erreurs en « perte » et en « gain » varient de manière significative entre les quatre principaux biomes, suggérant que la précision peut s’avérer supérieure ou inférieure selon la particularité de la localisation.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th colspan="2">PERTE</th>
<th colspan="2">GAIN</th>
</tr>
<tr>
<td>Biome</td>
<td>Faux positifs</td>
<td>Faux négatifs</td>
<td>Faux positifs</td>
<td>Faux négatifs</td>
</tr>
<tr>
<td><strong>Mondial</strong></td>
<td><strong>13,0 %</strong></td>
<td><strong>12,2 %</strong></td>
<td><strong>23,6 %</strong></td>
<td><strong>26,1 %</strong></td>
</tr>
<tr>
<td>Tropical</td>
<td>13,0 %</td>
<td>16,9 %</td>
<td>18,1 %</td>
<td>52,0 %</td>
</tr>
<tr>
<td>Subtropical</td>
<td>20,7 %</td>
<td>20,6 %</td>
<td>14,5 %</td>
<td>17,6 %</td>
</tr>
<tr>
<td>Tempéré</td>
<td>11,8 %</td>
<td>6,1 %</td>
<td>38,0 %</td>
<td>23,5 %</td>
</tr>
<tr>
<td>Boréal</td>
<td>12,0 %</td>
<td>6,1 %</td>
<td>23,3 %</td>
<td>1,6 %</td>
</tr>
</tbody>
</table>
Les auteurs ont réalisé un autre test pour déterminer l’exactitude temporelle des données de « perte » (la mesure selon laquelle la carte détecte les pertes lors de l’année exacte). À l’aide des mêmes 1 500 blocs, les auteurs ont comparé l’année de « perte » sur la carte au plus important changement dans les blocs de validation. Ils ont déterminé que l’année assignée à la perte de la couverture arborée observée était exacte dans 75,2 % des cas, et exacte à plus ou moins un an à 96,7 %. Tandis que la première étude nous indique la précision aux échelles régionale et mondiale, la deuxième étude se concentre sur la précision des données dans les zones tropicales et à une haute résolution. La deuxième étude s’intéresse à la précision de 3 000 pixels individuels (30 x 30 mètres) répartis dans les zones tropicales d’Afrique subsaharienne, d’Asie du Sud et du Sud-Est et d’Amérique latine comparée aux données réelles d’imagerie Landsat et Google Earth. Les taux de faux négatifs et de faux positifs se sont avérés inférieurs à 20 % dans toutes les régions, à l’exception de l’Afrique subsaharienne qui compte 48 % de faux négatifs. Les auteurs ont le sentiment que la faible précision en Afrique est liée à la prépondérance de perturbations de petite échelle, ce qui est plus difficile à cartographier à une résolution de 30 mètres. Ils ont également indiqué que plus de 85 % des faux négatifs se produisent dans un pixel cartographié en « perte », suggérant que la plupart des pertes manquées se produisent en bordure des zones.
<table style="undefined;table-layout: fixed; width: 459px;" cellspacing="0" cellpadding="0" align="center">
<tbody class="CLASS1">
<tr>
<th></th>
<th>PERTE</th>
<th>GAIN</th>
</tr>
<tr>
<td>Continent</td>
<td>Faux positifs</td>
<td>Faux négatifs</td>
</tr>
<tr>
<td>Afrique subsaharienne</td>
<td>4 %</td>
<td>48 %</td>
</tr>
<tr>
<td>Asie du Sud/Sud-Est</td>
<td>8 %</td>
<td>14 %</td>
</tr>
<tr>
<td>Amérique latine</td>
<td>4 %</td>
<td>17 %</td>
</tr>
</tbody>
</table>
<strong>Qu’est-ce que tout cela signifie?</strong> Il est important de comprendre la manière dont la précision est mesurée et d’avoir conscience des erreurs contenues dans les données. Mais même si la précision n’est pas de 100 %, les données d’évolution de la couverture arborée GLAD peuvent-elles encore nous donner des renseignements utiles ? <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-2/" target="_blank" rel="noopener noreferrer">Consultez la Partie 2</a> de cette série du blog dans laquelle nous étudions la signification de tous ces chiffres pour les utilisateurs des données GLAD.

<style type="text/css"></style> <style type="text/css"></style>

Dans quelle mesure la précision est-elle suffisamment précise ? (Partie 1)

Part 2 of this blog series available here. In 2013, Dr. Matt Hansen and collaborators at the University of Maryland's Global Land Analysis and Discovery

How accurate is accurate enough? Examining the GLAD global tree cover change data (Part 1) | Global Forest Watch Blog

Comment

https://secure.gravatar.com/avatar/24e4b4a3160f1ef325f06a7df2da246f?s=96&d=mm&r=g

Octavia Payne

<p><em><a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-1.html" target="_blank" rel="noopener noreferrer">Part 1 of this blog series available here</a>.</em> In <a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-1.html" target="_blank" rel="noopener noreferrer">Part 1</a> of the GLAD tree cover data accuracy blog series, we explained two different accuracy assessments of the global tree cover loss and gain data produced by Dr. Matt Hansen and collaborators at the University f Maryland’s Global Land Analysis and Discovery group (GLAD), Google, the U.S. Geological Survey (USGS) and the National Aeronautics and Space Administration (NASA) . Today, we’ll dig into factors that increase errors and how this impacts the use of the data.</p>
<h3>What causes errors in the data?</h3>
<p>Errors are unavoidable in data that attempt to simplify the world—in the case of the GLAD global tree cover data into categories of tree cover loss, gain and no change. For most measures, the GLAD “loss” data has lower error rates than similar data sets—for example, recent data for Landsat-derived <a href="http://www.sciencedirect.com/science/article/pii/S0924271614002275" target="_blank" rel="noopener noreferrer">land cover</a> and <a href="http://www.sciencedirect.com/science/article/pii/S0034425714003149" target="_blank" rel="noopener noreferrer">forest change in the 1990s</a> had error rates of 21 percent and 17 percent, respectively. However, there are some areas in the GLAD data where error rates are 20 percent or even greater. Higher error rates can result from a number of factors, including:</p>
<ul>
<li><strong>Low density tree cover canopy,</strong> such as that found in the subtropical biome, which makes it harder to detect loss because the change from tree cover to bare ground is less noticeable than in a dense forest.</li>
</ul>
<ul>
<li><strong>Small-scale clearings,</strong> like those prevalent in Sub-Sahara Africa, which are more likely to get missed or underestimated by the data set because they have more edges compared to their area. Pixels on the edges of clearings are often blurred in satellite images, so the data misses a lot of “loss” in these small patches.</li>
</ul>
<ul>
<li><strong>Gradual changes,</strong> like tree cover gain, which are more difficult to detect than sudden changes.</li>
</ul>
<p>It is also important to remember the scale evaluated in these studies—both evaluated the accuracy of the data for large regions or continents, but not for local areas. This means that while we can feel confident that the data is broadly accurate at global or regional scales, we can’t say anything about the accuracy of any specific location.</p>
<h3>How accurate is accurate enough? It depends</h3>
<p>We know that the GLAD data is not perfect, and that error rates vary even between regions and biomes, but that still doesn’t tell us if the data is accurate enough to give us insight into how the world’s forests are changing. The answer: <strong>It depends on where you’re looking and how you want to use the data</strong>. When deciding if it is appropriate to use the data for your needs, the first step is to understand the accuracy of the data—congrats, you have already started by reading this series! The next step is to determine how the precision and possible errors may impact your specific application. The question of whether the data is accurate enough will be different for each use case, but here are some general guidelines:</p>
<ul>
<li><strong>Investigate trends and patterns at large scales:</strong> The global error rates are relatively low compared to similar data sets, so we can feel confident using the data to examine trends and patterns at large scales (e.g., global, regional, national).</li>
</ul>
<ul>
<li><strong>Use 3-year averages:</strong> Given year-to-year uncertainties, we recommend using 3-year averages.  Clouds literally get in the way of what satellites can “see,” especially in the humid tropics where clouds can obscure the view below for much of the year. That means that occasionally trees may be felled or burned under the cover of clouds and it may not be detected until the following year. Users of the data can smooth out such uncertainty by examining the average over multiple years.</li>
</ul>
<ul>
<li><strong>Assess general locations of loss:</strong> While the accuracy was not assessed at local scales, we know that most missed “loss” occurs on edges and so we can confidently use the data to identify the general location of loss locally.</li>
</ul>
<ul>
<li><strong>Use caution with local measurements:</strong> However, making precise measurements locally (e.g. hectares of tree cover loss, carbon emitted from deforestation) requires further information on accuracy in that particular location—for example, through knowledge of the local context, satellite imagery, comparing to other forest change data, etc.</li>
</ul>
<ul>
<li><strong>Match your confidence to the accuracy<strong>: Avoid making strong claims based on data with low accuracy (i.e. areas with low canopy density, tree cover gain, etc.).</strong></strong></li>
</ul>
<p>If you have questions about your use case, you can reach out to our community through the <a href="https://groups.google.com/forum/#!forum/globalforestwatch" target="_blank" rel="noopener noreferrer">GFW Discussion Forum</a> where other users discuss the strengths and limitations of the data.</p>
<aside class="textbox right"><strong>CRITICISM OF ACCURACY FROM DISAGREEMENT OVER DEFINITIONS OF FOREST</strong>Other researchers have published critiques of the data’s accuracy in particular regions including <a href="https://www.sciencemag.org/content/344/6187/981.4.full" target="_blank" rel="noopener noreferrer">the tropics</a>, <a href="http://www.forclime.org/documents/press_release/FORCLIME_Overestimation of Deforestation.pdf" target="_blank" rel="noopener noreferrer">Indonesia</a> and <a href="http://www.nbforest.info/blog/deforestation-north" target="_blank" rel="noopener noreferrer">boreal forests</a>. However, many of these critiques concern disagreements over how “forest” should be defined rather than the accuracy of the data per se. Most of the reported inaccuracies in these papers are cases of tree cover loss within areas not considered forests, such as in plantations. According to the definition of tree cover by the data set—vegetation taller than 5 meters and a canopy cover of over 30 percent—these areas are correctly classified. For those interested in human caused deforestation, however, these areas are considered incorrect. Current automated remote sensing methods cannot distinguish between natural and planted forests; thus, at the moment, tree cover loss is the closest we can get to deforestation using these global methods.</aside>
<h3>The GLAD data in context</h3>
<p>Though not without error, the GLAD data remains the best global tree cover loss data set, with a consistent methodology world-wide that allows tracking of <a href="http://content.globalforestwatch.org/2015/04/tree-cover-loss-spikes-in-russia-and-canada-remains-high-globally/" target="_blank" rel="noopener noreferrer">global trends</a> as well as a high enough resolution to monitor and discover local areas of tree cover loss, such as in the <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">tar sands of Canada</a> or for <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">cocoa production in Peru</a>. The data represents a major improvement over <a href="http://iopscience.iop.org/article/10.1088/1748-9326/2/4/045022/meta;jsessionid=BE9929693C251EC3B9CEE22DDBF2D597.c1" target="_blank" rel="noopener noreferrer">previous global data</a> of forest change: many are based on low spatial resolution data (250- or 500-meter), while others (such as the Forest Resources Assessment of the FAO) are not spatially explicit or updated as frequently. Local data often boasts lower error rates, since it is calibrated in that particular context, but is costly to produce and rarely available on a yearly basis. GLAD tree cover change data is not a perfect representation of tree cover loss or gain, and there are some aspects of the data with high error rates. Nevertheless, it is the best available data of tree cover change at a global scale and is freely accessible on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>. We hope that by explaining the accuracy of the data and encouraging consideration of the error rates before application, we can empower our users to draw appropriate conclusions that can challenge “business-as-usual” deforestation across the world.</p>
<hr />
<div class="attribute">BANNER PHOTO: GLAD tree cover loss data visualized on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>.</div>
<hr />
<style type="text/css"></style>

How accurate is accurate enough? Examining the GLAD global tree cover change data (Part 2)

<em><a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-1.html" target="_blank" rel="noopener noreferrer">Part 1 of this blog series available here</a>.</em> In <a href="http://content.globalforestwatch.org/data/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-1.html" target="_blank" rel="noopener noreferrer">Part 1</a> of the GLAD tree cover data accuracy blog series, we explained two different accuracy assessments of the global tree cover loss and gain data produced by Dr. Matt Hansen and collaborators at the University f Maryland's Global Land Analysis and Discovery group (GLAD), Google, the U.S. Geological Survey (USGS) and the National Aeronautics and Space Administration (NASA) . Today, we’ll dig into factors that increase errors and how this impacts the use of the data.
<h3>What causes errors in the data?</h3>
Errors are unavoidable in data that attempt to simplify the world—in the case of the GLAD global tree cover data into categories of tree cover loss, gain and no change. For most measures, the GLAD “loss” data has lower error rates than similar data sets—for example, recent data for Landsat-derived <a href="http://www.sciencedirect.com/science/article/pii/S0924271614002275" target="_blank" rel="noopener noreferrer">land cover</a> and <a href="http://www.sciencedirect.com/science/article/pii/S0034425714003149" target="_blank" rel="noopener noreferrer">forest change in the 1990s</a> had error rates of 21 percent and 17 percent, respectively. However, there are some areas in the GLAD data where error rates are 20 percent or even greater. Higher error rates can result from a number of factors, including:
<ul>
 	<li><strong>Low density tree cover canopy,</strong> such as that found in the subtropical biome, which makes it harder to detect loss because the change from tree cover to bare ground is less noticeable than in a dense forest.</li>
</ul>
<ul>
 	<li><strong>Small-scale clearings,</strong> like those prevalent in Sub-Sahara Africa, which are more likely to get missed or underestimated by the data set because they have more edges compared to their area. Pixels on the edges of clearings are often blurred in satellite images, so the data misses a lot of “loss” in these small patches.</li>
</ul>
<ul>
 	<li><strong>Gradual changes,</strong> like tree cover gain, which are more difficult to detect than sudden changes.</li>
</ul>
It is also important to remember the scale evaluated in these studies—both evaluated the accuracy of the data for large regions or continents, but not for local areas. This means that while we can feel confident that the data is broadly accurate at global or regional scales, we can’t say anything about the accuracy of any specific location.
<h3>How accurate is accurate enough? It depends</h3>
We know that the GLAD data is not perfect, and that error rates vary even between regions and biomes, but that still doesn’t tell us if the data is accurate enough to give us insight into how the world’s forests are changing. The answer: <strong>It depends on where you’re looking and how you want to use the data</strong>. When deciding if it is appropriate to use the data for your needs, the first step is to understand the accuracy of the data—congrats, you have already started by reading this series! The next step is to determine how the precision and possible errors may impact your specific application. The question of whether the data is accurate enough will be different for each use case, but here are some general guidelines:
<ul>
 	<li><strong>Investigate trends and patterns at large scales:</strong> The global error rates are relatively low compared to similar data sets, so we can feel confident using the data to examine trends and patterns at large scales (e.g., global, regional, national).</li>
</ul>
<ul>
 	<li><strong>Use 3-year averages:</strong> Given year-to-year uncertainties, we recommend using 3-year averages.  Clouds literally get in the way of what satellites can “see,” especially in the humid tropics where clouds can obscure the view below for much of the year. That means that occasionally trees may be felled or burned under the cover of clouds and it may not be detected until the following year. Users of the data can smooth out such uncertainty by examining the average over multiple years.</li>
</ul>
<ul>
 	<li><strong>Assess general locations of loss:</strong> While the accuracy was not assessed at local scales, we know that most missed “loss” occurs on edges and so we can confidently use the data to identify the general location of loss locally.</li>
</ul>
<ul>
 	<li><strong>Use caution with local measurements:</strong> However, making precise measurements locally (e.g. hectares of tree cover loss, carbon emitted from deforestation) requires further information on accuracy in that particular location—for example, through knowledge of the local context, satellite imagery, comparing to other forest change data, etc.</li>
</ul>
<ul>
 	<li><strong>Match your confidence to the accuracy<strong>: Avoid making strong claims based on data with low accuracy (i.e. areas with low canopy density, tree cover gain, etc.).</strong></strong></li>
</ul>
If you have questions about your use case, you can reach out to our community through the <a href="https://groups.google.com/forum/#!forum/globalforestwatch" target="_blank" rel="noopener noreferrer">GFW Discussion Forum</a> where other users discuss the strengths and limitations of the data.

<aside class="textbox right"><strong>CRITICISM OF ACCURACY FROM DISAGREEMENT OVER DEFINITIONS OF FOREST</strong>Other researchers have published critiques of the data’s accuracy in particular regions including <a href="https://www.sciencemag.org/content/344/6187/981.4.full" target="_blank" rel="noopener noreferrer">the tropics</a>, <a href="http://www.forclime.org/documents/press_release/FORCLIME_Overestimation of Deforestation.pdf" target="_blank" rel="noopener noreferrer">Indonesia</a> and <a href="http://www.nbforest.info/blog/deforestation-north" target="_blank" rel="noopener noreferrer">boreal forests</a>. However, many of these critiques concern disagreements over how “forest” should be defined rather than the accuracy of the data per se. Most of the reported inaccuracies in these papers are cases of tree cover loss within areas not considered forests, such as in plantations. According to the definition of tree cover by the data set—vegetation taller than 5 meters and a canopy cover of over 30 percent—these areas are correctly classified. For those interested in human caused deforestation, however, these areas are considered incorrect. Current automated remote sensing methods cannot distinguish between natural and planted forests; thus, at the moment, tree cover loss is the closest we can get to deforestation using these global methods.</aside>
<h3>The GLAD data in context</h3>
Though not without error, the GLAD data remains the best global tree cover loss data set, with a consistent methodology world-wide that allows tracking of <a href="http://content.globalforestwatch.org/2015/04/tree-cover-loss-spikes-in-russia-and-canada-remains-high-globally/" target="_blank" rel="noopener noreferrer">global trends</a> as well as a high enough resolution to monitor and discover local areas of tree cover loss, such as in the <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">tar sands of Canada</a> or for <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">cocoa production in Peru</a>. The data represents a major improvement over <a href="http://iopscience.iop.org/article/10.1088/1748-9326/2/4/045022/meta;jsessionid=BE9929693C251EC3B9CEE22DDBF2D597.c1" target="_blank" rel="noopener noreferrer">previous global data</a> of forest change: many are based on low spatial resolution data (250- or 500-meter), while others (such as the Forest Resources Assessment of the FAO) are not spatially explicit or updated as frequently. Local data often boasts lower error rates, since it is calibrated in that particular context, but is costly to produce and rarely available on a yearly basis. GLAD tree cover change data is not a perfect representation of tree cover loss or gain, and there are some aspects of the data with high error rates. Nevertheless, it is the best available data of tree cover change at a global scale and is freely accessible on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>. We hope that by explaining the accuracy of the data and encouraging consideration of the error rates before application, we can empower our users to draw appropriate conclusions that can challenge “business-as-usual” deforestation across the world.

<hr />

<div class="attribute">BANNER PHOTO: GLAD tree cover loss data visualized on <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>.</div>

<hr />

<style type="text/css"></style>

<em><a href="http://content.globalforestwatch.org/data/que-tan-preciso-es-suficientemente-preciso-como-examinar-los-datos-sobre-el-cambio-de-cobertura-arborea-a-nivel-mundial-de-glad-parte-1.html" target="_blank" rel="noopener noreferrer">La Parte 1 de este blog está disponible aquí</a>.</em> En la <a href="http://content.globalforestwatch.org/data/que-tan-preciso-es-suficientemente-preciso-como-examinar-los-datos-sobre-el-cambio-de-cobertura-arborea-a-nivel-mundial-de-glad-parte-1.html" target="_blank" rel="noopener noreferrer">Parte 1</a> de la serie de blogs sobre la precisión de los datos de cobertura arbórea de GLAD explicamos dos evaluaciones diferentes de precisión de los datos de pérdida y ganancia de la cobertura arbórea mundial producidas por el Dr. Matt Hansen y sus colaboradores del grupo Global Land Analysis and Discovery (GLAD) de la Universidad de Maryland, Google, el Servicio de Estudios Geológicos de los Estados Unidos (USGS, por sus siglas en inglés) y la Administración Nacional de Aeronáutica y del Espacio (NASA, por sus siglas en inglés). En la actualidad, indagaremos en los factores que aumentan los errores y cómo afectan el uso de los datos.
<h3>¿Qué ocasiona errores en los datos?</h3>
Los errores son inevitables en los datos que intentan simplificar el mundo, en el caso de los datos de cobertura arbórea mundial de GLAD en categorías de pérdida arbórea, ganancia y sin cambios. Para la mayoría de las mediciones, los datos de "pérdida" de GLAD presentan tasas de error menores que los conjuntos de datos similares. Por ejemplo, los datos recientes sobre la <a href="http://www.sciencedirect.com/science/article/pii/S0924271614002275" target="_blank" rel="noopener noreferrer">cobertura de tierra</a> y el <a href="http://www.sciencedirect.com/science/article/pii/S0034425714003149" target="_blank" rel="noopener noreferrer">cambio forestal en la década de 1990</a> obtenidos de Landsat mostraron tasas de error del 21 % y el 17 % respectivamente. Sin embargo, hay algunas áreas en los datos de GLAD en las que las tasas de error son del 20 % o incluso mayores. Las tasas de error más elevadas se pueden deber a diferentes factores, que incluyen:
<ul>
 	<li><strong>El dosel de cobertura arbórea de baja densidad,</strong> como el encontrado en el biomedio subtropical, que dificulta la detección de la pérdida ya que el cambio de la cobertura arbórea en un terreno descubierto es menos notable que en un bosque denso.</li>
</ul>
<ul>
 	<li><strong>Desmontes a pequeña escala,</strong> como los que predominan en África subsahariana, que son más propensos a omisión o subestimación por parte del conjunto de datos ya que tienen más límites en comparación con su área. Los píxeles en los límites de los desmontes generalmente se ven borrosos en las imágenes satelitales, por lo que los datos omiten una gran cantidad de "pérdida" en estas áreas pequeñas.</li>
</ul>
<ul>
 	<li><strong>Cambios graduales,</strong> como ganancia en la cobertura arbórea, que son más difíciles de detectar que los cambios repentinos.</li>
</ul>
También es importante recordar la escala evaluada en estos estudios. Ambos evaluaron la precisión de los datos para regiones o continentes grandes, pero no para áreas locales. Esto significa que si bien podemos confiar en que los datos son ampliamente precisos a escala mundial o regional, no podemos decir nada sobre la precisión de una ubicación específica.
<h3>¿Qué tan preciso es suficientemente preciso? Depende</h3>
Sabemos que los datos de GLAD no son perfectos, y que las tasas de error varían incluso entre regiones y biomedios, pero esto todavía no nos indica si los datos son lo suficientemente precisos para brindarnos una perspectiva sobre cómo están cambiando los bosques del mundo. La respuesta: <strong>depende de dónde se esté mirando y cómo se quieran usar los datos</strong>. Al momento de decidir si resulta apropiado usar los datos para sus necesidades, el primer paso es comprender la precisión de los datos. ¡Felicitaciones! Ya dio el primer paso al comenzar a leer esta serie. El próximo paso es determinar cómo la precisión y los posibles errores pueden afectar su aplicación específica. La pregunta de si los datos son lo suficientemente precisos será diferente para cada caso, pero aquí le presentamos algunas reglas generales:
<ul>
 	<li><strong>Investigue las tendencias y los patrones a grandes escalas:</strong> las tasas de error a nivel mundial son relativamente bajas en comparación con datos similares, por lo que podemos usar los datos con confianza para examinar tendencias y los patrones a grandes escalas (por ejemplo, mundial, regional, nacional).</li>
</ul>
<ul>
 	<li><strong>Use promedios de 3 años:</strong> debido a la falta de certezas de un año a otro, recomendamos usar promedios de 3 años. Las nubes literalmente se interponen con lo que los satélites pueden "ver", en especial en los trópicos húmedos donde las nubes pueden bloquear la vista durante gran parte del año. Eso significa que, ocasionalmente, se pueden talar o quemar árboles por debajo de la obstrucción que generan las nubes y eso podría no detectarse hasta el año siguiente. Los usuarios de los datos pueden reducir esa falta de certeza al examinar el promedio durante varios años.</li>
</ul>
<ul>
 	<li><strong>Evalúe áreas generales de pérdida:</strong> si bien no se evaluó la precisión a escalas locales, sabemos que la mayor parte de la "pérdida" ocurre en los límites, y esto nos permite usar los datos con confianza para identificar el área general de la pérdida a nivel local.</li>
</ul>
<ul>
 	<li><strong>Tenga precaución con las mediciones locales:</strong> no obstante, realizar mediciones precisas a nivel local (por ejemplo, hectáreas de pérdida de cobertura arbórea, carbono emitido a partir de la deforestación) requiere más información sobre la precisión en esa ubicación en particular. Por ejemplo, a través del conocimiento del contexto local, las imágenes satelitales, la comparación con otros datos sobre cambio forestal, etc.</li>
</ul>
<ul>
 	<li><strong>Nivele su confianza con la precisión:</strong> evite realizar aseveraciones enfáticas en función de datos poco precisos (es decir, áreas con baja densidad de dosel, ganancia de cobertura arbórea, etc.).</li>
</ul>
Si tiene preguntas sobre su caso, puede comunicarse con nuestra comunidad a través del <a href="https://groups.google.com/forum/#!forum/globalforestwatch" target="_blank" rel="noopener noreferrer">Foro de debate de GFW</a>, dónde otros usuarios discuten las fortalezas y limitaciones de los datos.

<aside class="textbox right"><strong>CRÍTICA DE LA PRECISIÓN A PARTIR DEL DESACUERDO CON RESPECTO A LAS DEFINICIONES DE BOSQUE </strong> Otros investigadores han publicado críticas sobre la precisión de los datos en regiones específicas, que incluyen los trópicos, Indonesia y los bosques boreales. Sin embargo, muchas de esas críticas tienen que ver con desacuerdos sobre la definición de "bosque" en lugar de la precisión de los datos en sí misma. La mayoría de las imprecisiones informadas en estos documentos son casos de pérdida de cobertura arbórea dentro de áreas que no se consideran bosques, como en plantaciones. De acuerdo con la definición de cobertura arbórea del conjunto de datos (vegetación de más de 5 metros de altura y cobertura de dosel superior al 30 %), estas áreas están clasificadas de manera correcta. Sin embargo, para quienes están interesados en la deforestación provocada por los seres humanos, estas áreas se consideran incorrectas. Los métodos actuales de detección remota automatizada no pueden distinguir entre bosques naturales y plantaciones forestales. Por consiguiente, en este momento, la determinación de la pérdida de cobertura arbórea es lo más cercano a un cálculo de deforestación que podemos obtener con estos métodos de uso global.</aside>
<h3>Los datos de GLAD en contexto</h3>
Aunque no sin errores, los datos de GLAD siguen siendo el mejor conjunto de datos sobre pérdida de cobertura arbórea a nivel mundial, con una metodología uniforme en todo el mundo que permite seguir las <a href="http://content.globalforestwatch.org/2015/04/tree-cover-loss-spikes-in-russia-and-canada-remains-high-globally/" target="_blank" rel="noopener noreferrer">tendencias globales</a>, como también una resolución lo suficientemente elevada para monitorear y descubrir áreas locales de pérdida de cobertura arbórea, como en las <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">arenas alquitranadas de Canadá</a> o para la <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">producción de cacao en Perú</a>. Los datos representan un avance importante en los <a href="http://iopscience.iop.org/article/10.1088/1748-9326/2/4/045022/meta;jsessionid=BE9929693C251EC3B9CEE22DDBF2D597.c1" target="_blank" rel="noopener noreferrer">datos previos a nivel mundial</a> sobre el cambio forestal: gran parte se basa en datos de baja resolución espacial (250 o 500 metros), mientras que otra parte (como la evaluación de los recursos forestales de la FAO) no es espacialmente explícita ni se actualiza con frecuencia. En general, los datos locales cuentan con tasas de error bajas, ya que están enfocados a ese contexto en particular, pero su producción es costosa y pocas veces están disponibles en forma anual. Los datos sobre el cambio en la cobertura arbórea de GLAD no son una representación perfecta de la pérdida o ganancia de cobertura arbórea, y existen algunos aspectos de los datos con altas tasas de error. No obstante, es la mejor información disponible sobre el cambio en la cobertura arbórea a escala mundial y se puede acceder de forma gratuita en <a href="https://www.globalforestwatch.org/map">Global Forest Watch</a>. Esperamos que al explicar la precisión de los datos y alentar a que se tengan en cuenta las tasas de error antes de la aplicación podamos permitirles a nuestros usuarios sacar las conclusiones adecuadas que puedan desafiar la deforestación "habitual" en todo el mundo.

<style type="text/css"></style>

¿Qué tan preciso es suficientemente preciso? Cómo examinar los datos sobre el cambio de cobertura arbórea a nivel mundial de GLAD (Parte 2)

<em><a href="http://content.globalforestwatch.org/data/seberapa-besarkah-akurasi-yang-dibutuhkan-mengkaji-data-perubahan-tutupan-pohon-global-glad-bagian-1.html" target="_blank" rel="noopener noreferrer">Bagian 1 dari seri blog ini tersedia disini</a>.</em> Pada Bagian 1 dari seri blog akurasi data tutupan pohon GLAD, kami menjelaskan dua penilaian akurasi yang berbeda dari data kehilangan dan perolehan tutupan pohon global yang dihasilkan oleh Dr. Matt Hansen dkk dari Global Land Analysis and Discovery group (GLAD) University of Maryland, Google, the U.S. Geological Survey (USGS) dan the National Aeronautics and Space Administration (NASA). Sekarang, kami akan menganalisis faktor-faktor yang meningkatkan <em>error</em> dan bagaimana hal tersebut berdampak kepada penggunaan data.
<h3>Apa yang mengakibatkan error pada data?</h3>
<em>Error</em> pasti akan terjadi di dalam data yang berusaha untuk menyederhanakan dunia - dalam kasus data tutupan pohon global GLAD menjadi kategori kehilangan dan perolehan tutupan pohon, dan tidak ada perubahan tutupan pohon. Untuk sebagian besar pengukuran, data "kehilangan" GLAD memiliki tingkat <em>error</em> yang lebih rendah dibandingkan set data yang sejenis - sebagai contohnya, data terbaru untuk tutupan lahan dan perubahan hutan pada tahun 1990an yang diambil dari Landsat memiliki tingkat error berturut-turut 21 dan 17 persen. Namun demikian, ada beberapa bagian dari data GLAD di mana tingkat error mencapai 20 persen atau bahkan lebih tinggi lagi. Tingkat <em>error</em> yang lebih tinggi dapat terjadi karena beberapa faktor, termasuk:
<ul>
 	<li><strong>Kepadatan kanopi tutupan pohon rendah</strong>, seperti yang ditemukan di bioma subtropis, yang membuat deteksi kehilangan menjadi lebih susah karena perubahan dari tutupan pohon menjadi tanah kosong lebih susah terlihat dibandingkan hutan yang lebat.</li>
</ul>
<ul>
 	<li><strong>Pembukaan lahan skala-kecil</strong>, seperti yang terjadi di Afrika Sub-Sahara, yang kemungkinan besar dilewatkan atau tidak diperhitungkan oleh set data karena memiliki lebih banyak tepian dibandingkan wilayah mereka. <em>Pixel</em> di tepian bukaan lahan seringkali terlihat kabur pada citra satelit, sehingga data melewatkan banyak "kehilangan" di bagian kecil ini.</li>
</ul>
<ul>
 	<li><strong>Perubahan yang perlahan,</strong> seperti perolehan tutupan pohon, yang lebih susah dideteksi dibandingkan perubahan yang cepat.</li>
</ul>
Penting untuk mengingat skala yang dievaluasi dalam studi ini - keduanya mengevaluasi akurasi data untuk wilayah dan kontinen yang besar, bukan untuk wilayah lokal. Ini berarti bahwa sementara kita yakin bahwa data secara umum akurat untuk skala regional dan global, namun kita tidak dapat memastikan akurasi data tersebut pada sebuah lokasi yang spesifik.
<h3>Seberapa besarkah akurasi yang dibutuhkan? Tergantung</h3>
Kita mengetahui bahwa data GLAD tidaklah sempurna, dan tingkat error bervariasi tergantung kepada wilayah dan bioma, namun hal tersebut masih belum menjelaskan apakah data tersebut cukup akurat untuk memberikan kita masukan mengenai bagaimana hutan di seluruh dunia berubah. Jawabannya: <strong>Tergantung di mana kita melihat dan bagaimana kita ingin menggunakan data</strong>. Ketika memutuskan apakah data tersebut layak anda gunakan, langkah pertama adalah memahami akurasi data - selamat, anda telah memulainya dengan membaca seri blog ini! Langkah berikutnya adalah menentukan bagaimana ketepatan dan kemungkinan error dapat berdampak kepada penggunaan spesifik anda. Pertanyaan apakah datanya cukup akurat akan berbeda dalam setiap kasus penggunaannya, namun berikut ini adalah beberapa pedoman umumnya:
<ul>
 	<li><strong>Menyelidiki tren dan pola pada skala besar</strong>: Tingkat error global secara relatif rendah dibandingkan set data yang sejenis, jadi kita dapat merasa yakin dalam menggunakan data untuk mengkaji tren dan pola pada skala besar (seperti global, regional, dan nasional).</li>
</ul>
<ul>
 	<li><strong>Gunakan rataan 3 tahunan</strong>: Karena ketidakpastian per tahunnya, kami merekomendasikan penggunaan rataan 3 tahunan. Awan secara harafiah menghalangi "pandangan" satelit, khususnya di daerah tropis yang gerah di mana awan dapat mengganggu pandangan hampir sepanjang tahun. Hal tersebut berarti bahwa terdapat kemungkinan pohon ditebang atau terbakar dibawah tutupan awan dan mungkin tidak dapat terdeteksi hingga tahun berikutnya. Pengguna data dapat mengakali ketidakpastian tersebut dengan melihat rataan data selama beberapa tahun.</li>
</ul>
<ul>
 	<li><strong>Amati lokasi umum dari "kehilangan"</strong>: Meskipun akurasi tidak dinilai pada skala lokal, kami mengetahui bahwa sebagian besar "kehilangan" terjadi pada tepian, sehingga kami dengan yakin dapat menggunakan data untuk mengidentifikasi lokasi umum dari "kehilangan" pada tingkat lokal.</li>
</ul>
<ul>
 	<li><strong>Teliti dengan pengukuran lokal</strong>: Namun demikian, membuat pengukuran lokal yang tepat (seperti kehilangan tutupan pohon yang berhektar-hektar, karbon yang dihasilkan dari deforestasi) membutuhkan informasi lebih mengenai akurasi di lokasi spesifik tersebut - sebagai contohnya, melalui pemahaman terhadap konteks lokal, citra satelit, membandingkan dengan data perubahan hutan lainnya, dll.</li>
</ul>
<ul>
 	<li><strong>Sesuaikan tingkat keyakinan dengan akurasi</strong>: Hindari membuat klaim yang kuat berdasarkan data dengan akurasi rendah (misalnya di wilayah dengan kepadatan kanopi dan perolehan tutupan pohon yang rendah).</li>
</ul>
Jika anda memiliki pertanyaan mengenai kasus anda, anda dapat menghubungi komunitas kami melalui <a href="https://groups.google.com/forum/#!forum/globalforestwatch">GFW Discussion Forum</a> di mana pengguna lainnya mendiskusikan kekuatan dan keterbatasan data.

<aside class="textboxright"><strong>KRITIK TERHADAP AKURASI DARI KETIDAKSEPAKATAN MENGENAI DEFINISI HUTAN</strong>Peneliti lainnya telah mempublikasikan kritik terhadap akurasi data pada wilayah tertentu termasuk wilayah tropis, Indonesia dan hutan boreal. Namun demikian, banyak dari kritik tersebut yang mempermasalahkan definisi hutan ketimbang akurasi datanya. Sebagian besar ketidaktepatan yang dilaporkan di dalam tulisan-tulisan tersebut merupakan kasus kehilangan tutupan hutan di dalam wilayah yang bukan termasuk hutan, seperti di perkebunan. Menurut definisi tutupan pohon dari set data - vegetasi yang lebih tinggi dari 5 meter dan tutupan kanopi yang lebih dari 30 persen - wilayah tersebut diklasifikasikan secara tepat. Namun bagi mereka yang tertarik dengan deforestasi yang disebabkan oleh manusia, wilayah-wilayah tersebut dianggap tidak tepat. Metode penginderaan jarak jauh saat ini belum mampu membedakan hutan alami dan yang ditanam oleh manusia; oleh sebab itu, hingga saat ini, kehilangan tutupan hutan merupakan sesuatu yang paling mendekati deforestasi dengan menggunakan metode global tersebut.</aside>
<h3>Konteks data GLAD</h3>
Meskipun tidak tanpa error, data GLAD tetap merupakan set data kehilangan tutupan pohon global yang terbaik, dengan metodologi yang konsisten di seluruh dunia yang memungkinkan pelacakkan tren-tren global serta resolusi yang cukup tinggi untuk mengawasi dan menemukan wilayah lokal yang mengalami kehilangan tutupan pohon, seperti di <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">tar sands of Canada</a> atau untuk produksi kakao di Peru. Data ini mewakili sebuah perbaikkan yang signifikan dibandingkan dengan data perubahan hutan di tahun-tahun sebelumnya: banyak yang berdasarkan kepada data spasial resolusi rendah (250- atau 500- meter), sementara yang lainnya (seperti Forest Resources Assessment of the FAO) tidak jelas secara spasial atau diperbaharui secara rutin. Data lokal seringkali memiliki tingkat error yang rendah, karena dikalibrasi khusus untuk konteks tersebut, namun sangat mahal untuk diproduksi dan jarang tersedia setiap tahunnya. Data perubahan tutupan pohon GLAD bukanlah perwakilan yang tepat untuk kehilangan atau perolehan tutupan pohon, dan terdapat beberapa aspek dari data yang memiliki tingkat error yang tinggi. Namun demikian, GLAD merupakan data perubahan tutupan pohon terbaik yang tersedia pada skala global dan tersedia secara gratis di Global Forest Watch. Kami berharap bahwa dengan menjelaskan akurasi data dan meningkatkan kewaspadaan terhadap tingkat error sebelum menggunakan data, kita dapat mendorong para pengguna untuk mengambil kesimpulan yang sesuai yang dapat menantang deforestasi "business-as-usual" di seluruh dunia.

<style type="text/css"></style>

Seberapa besarkah akurasi yang dibutuhkan? Mengkaji data perubahan tutupan pohon global GLAD (Bagian 2)

<a href="http://content.globalforestwatch.org/2015/12/quanta-precisao-e-necessaria-examinando-os-dados-de-alteracao-de-cobertura-vegetal-global-glad-parte-1/" target="_blank" rel="noopener noreferrer"><em>A Parte 1 dessa série de blog encontra-se disponível aqui.</em></a> Na <a href="http://content.globalforestwatch.org/2015/12/how-accurate-is-accurate-enough-examining-the-glad-global-tree-cover-change-data-part-1" target="_blank" rel="noopener noreferrer">Parte 1</a> da série de blog sobre a precisão dos dados GLAD de cobertura vegetal, explicamos duas avaliações de precisão diferentes da perda e do ganho de cobertura vegetal mundial produzida pelo Dr. Matt Hansen e colaboradores da Universidade de Maryland do grupo de Análises e Descobertas de Territórios Globais (GLAD), Google, o Serviço Geológico dos EUA (USGS) e a Administração Nacional da Aeronáutica e Espaço (NASA). Hoje, nós vamos nos aprofundar nos fatores que aumentam os erros e como isso influencia no uso dos dados.
<h3>O que causa erros nos dados?</h3>
Erros são inevitáveis ​​em dados que tentam simplificar o mundo - no caso dos dados globais GLAD de cobertura vegetal, existem as categorias de perda, ganho e nenhuma mudança na cobertura vegetal. Para a maioria das medições, os dados de "perda" do GLAD têm taxas de erro mais baixas do que de conjuntos similares de dados - por exemplo, dados recentes derivados do Landsat para <a href="http://www.sciencedirect.com/science/article/pii/S0924271614002275" target="_blank" rel="noopener noreferrer">cobertura vegetal</a> e <a href="http://www.sciencedirect.com/science/article/pii/S0034425714003149" target="_blank" rel="noopener noreferrer">alterações florestais nos anos 90</a> tinham taxas de erros de 21 e 17%, respectivamente. No entanto, existem algumas áreas dos dados GLAD em que as taxas de erro são de 20%, ou ainda maiores. Maiores taxas de erro podem resultar de uma série de fatores, incluindo:
<ul>
 	<li><strong>Baixa densidade de copas de árvores</strong> como a encontrada no bioma subtropical, o que torna mais difícil de detectar perdas, porque a mudança da cobertura de árvores e o chão sem vegetação é menos perceptível do que em uma floresta densa.</li>
</ul>
<ul>
 	<li><strong>Clareiras de pequena escala,</strong> como aquelas prevalentes na África Subsaariana, que são mais propensas a não serem percebidas ou serem subestimada pelo conjunto de dados por ter mais bordas em comparação com a sua área. Pixels nas bordas das clareiras são muitas vezes desfocados em imagens de satélite, por isso os dados deixam de detectar muitas "perdas" nessas pequenas manchas.</li>
</ul>
<ul>
 	<li><strong>Mudanças graduais,</strong> como o ganho de cobertura de árvores, que são mais difíceis de detectar do que mudanças repentinas.</li>
</ul>
Também é importante lembrar a escala avaliada nesses estudos - ambos avaliaram a precisão dos dados para grandes regiões ou continentes, mas não para áreas locais. Isso significa que, enquanto nós podemos nos sentir confiante de que os dados são amplamente precisos em escalas globais ou regionais, não podemos dizer nada sobre a precisão de locais específicos.
<h3>Quanta precisão é necessária? Depende.</h3>
Sabemos que os dados GLAD não são perfeitos, e que as taxas de erro variam até mesmo entre regiões e biomas, mas isso ainda não nos diz se os dados são precisos o suficiente para nos dar uma visão sobre como as florestas do mundo estão mudando. A resposta: <strong>Depende de onde você está olhando e de como você pretende utilizar os dados</strong>. Ao decidir se é apropriado usar os dados para as suas necessidades, o primeiro passo é entender a exatidão dos dados - parabéns, você já começou com a leitura desta série! O próximo passo é determinar como a precisão e possíveis erros podem impactar a sua aplicação específica. A questão dos dados serem precisos o suficiente será diferente para cada caso de uso, mas aqui estão algumas diretrizes gerais:
<ul>
 	<li><strong>Investigar tendências e padrões em grandes escalas:</strong> As taxas de erro globais são relativamente baixas em comparação com os conjuntos de dados semelhantes, por isso, você pode se sentir confiante usando os dados para analisar tendências e padrões em grandes escalas (por exemplo, global, regional, nacional).</li>
</ul>
<ul>
 	<li><strong>Use médias de 3 anos:</strong> Devido às incertezas de cada ano, recomendamos a utilização de médias de 3 anos.  Nuvens podem, literalmente, ficar no caminho do que os satélites conseguem "ver", especialmente nos trópicos úmidos onde as nuvens obscurecem a visão na maior parte do ano. Isso significa que, ocasionalmente, as árvores podem ser derrubadas ou queimadas sob a cobertura de nuvens e isso pode não ser detectado até o ano seguinte. Os usuários dos dados podem suavizar tal incerteza examinando a média ao longo de vários anos.</li>
</ul>
<ul>
 	<li><strong>Avaliar locais gerais de perda:</strong> Apesar da precisão não ter sido avaliada em escalas locais, sabemos que a maioria das "perdas" não identificadas ocorre nas bordas, e assim, podemos usar os dados com confiança para identificar a localização geral de perda local.</li>
</ul>
<ul>
 	<li>Tenha cuidado com as medições locais: No entanto, fazer medições precisas localmente (por exemplo, hectares de perda de cobertura florestal, de carbono emitido por desmatamento) requer mais informações sobre a precisão naquela localização em particular, por exemplo, através do conhecimento do contexto local, imagens de satélite, comparação com outros dados de mudança de floresta etc.</li>
</ul>
<ul>
 	<li><strong>Combine a sua confiança com a precisão:</strong> Evite fazer afirmações definitivas com base em dados de baixa precisão (ou seja, áreas com baixa densidade de cobertura de copas de árvore, ganho de cobertura de árvores, etc.).</li>
</ul>
Se você tiver dúvidas sobre o seu caso de uso, você pode acessar a nossa comunidade através do <a href="https://groups.google.com/forum/#!forum/globalforestwatch" target="_blank" rel="noopener noreferrer">Fórum de Discussão GFW</a> onde outros usuários discutem os pontos fortes e as limitações dos dados.

<aside class="textbox right"><strong>CRÍTICA DE PRECISÃO PROVENIENTES DA NÃO CONCORDÂNCIA SOBRE DEFINIÇÕES DE FLORESTA</strong>Outros pesquisadores publicaram críticas acerca da precisão de dados em determinadas regiões, incluindo trópicos, Indonésia e florestas boreais. No entanto, muitas destas críticas dizem respeito a divergências sobre a definição do termo "floresta", em vez da precisão dos dados em si. A maior parte das irregularidades relatadas nestes papéis são casos de perda de cobertura vegetal em áreas que não são consideradas florestas, como em plantações. De acordo com a definição de cobertura de árvores pelo conjunto de dados - a vegetação mais alta do que 5 metros e uma cobertura de copa de árvores de mais de 30 por cento - essas áreas estão corretamente classificadas. Para aqueles interessados no desmatamento causado por humanos, no entanto, essas áreas são consideradas incorretas. Os métodos de sensoriamento remotos automatizados atuais não conseguem distinguir entre florestas naturais e plantadas; assim, no momento, a perda de cobertura de árvores é o mais próximo que podemos chegar ao desmatamento, usando esses métodos globais.</aside>
<h3>Os dados GLAD em contexto</h3>
Embora possa haver erros, os dados GLAD continuam sendo o melhor conjunto de dados de perda de cobertura vegetal global, com uma metodologia consistente a nível mundial, que permite o acompanhamento de <a href="http://content.globalforestwatch.org/2015/04/tree-cover-loss-spikes-in-russia-and-canada-remains-high-globally/" target="_blank" rel="noopener noreferrer">tendências globais</a>, bem como uma resolução suficientemente alta para monitorar e descobrir áreas locais de perda de cobertura vegetal, como nas <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">areias betuminosas do Canadá</a> ou n<a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">a produção de cacau no Peru</a>. Os dados representam uma melhoria significativa <a href="http://iopscience.iop.org/article/10.1088/1748-9326/2/4/045022/meta;jsessionid=BE9929693C251EC3B9CEE22DDBF2D597.c1" target="_blank" rel="noopener noreferrer">dos dados globais anteriores</a> da mudança florestal: muitos estão baseados em dados de baixa resolução espacial (250 ou 500 metros), enquanto outros (como a Avaliação dos Recursos Florestais da FAO) não são espacialmente explícitos ou atualizados frequentemente. Dados locais muitas vezes possuem taxas de erro mais baixas, uma vez que são calibrados nesse contexto em particular, mas são caros para produzir e raramente estão disponíveis em uma base anual. Os dados de alteração da cobertura vegetal GLAD não constituem uma representação perfeita da perda ou ganho da cobertura vegetal, e existem alguns aspectos dos dados com altas taxas de erros. No entanto, são os melhores dados disponíveis de alterações de cobertura vegetal em escala global e podem ser acessados gratuitamente no <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>. Esperamos que, ao explicar sobre a precisão dos dados e encorajar a ponderação das taxas de erro antes da aplicação, seja possível capacitar nossos usuários para chegar às conclusões apropriadas, que podem desafiar o desmatamento como uma condição de "business-as-usual" em todo o mundo.

<style type="text/css"></style>

Quanta precisão é necessária? Examinando os dados globais de mudança na cobertura vegetal GLAD (Parte 2)

<strong>Étude de l’outil de suivi des données d’évolution de la couverture arborée mondiale GLAD </strong>  <em><a href="http://content.globalforestwatch.org/data/dans-quelle-mesure-la-precision-est-elle-suffisamment-precise-partie-1.html" target="_blank" rel="noopener noreferrer">La Partie 1 de la série du blog est disponible ici</a>.</em> Dans la <a href="http://content.globalforestwatch.org/data/dans-quelle-mesure-la-precision-est-elle-suffisamment-precise-partie-1.html" target="_blank" rel="noopener noreferrer">Partie 1</a> de la série du blog sur la précision des données de la couverture arborée GLAD, nous avons présenté deux évaluations différentes de la précision des données mondiales en perte et gain de la couverture arborée produites par le Dr. Matt Hansen et des collaborateurs du groupe Global Land Analysis and Discovery (GLAD) de l’Université du maryland, de Google, de l’Institut d’études géologiques des États-Unis (USGS) et de l’Administration nationale de l’aéronautique et de l’espace (NASA). Aujourd’hui, nous aborderons plus en détail les facteurs responsables de l’augmentation des erreurs et la manière dont ils affectent l’utilisation des données.
<h3>Quelles sont les causes des erreurs de données ?</h3>
Les erreurs sont inévitables dans des données qui tentent de simplifier le monde. Dans le cas des données de la couverture arborée mondiale GLAD, elles sont réparties en trois catégories : les données de perte de la couverture arborée, celles de gain et celles sans changement. Pour la plupart des mesures, les données en « perte » GLAD possèdent des taux d’erreurs moins élevés que des ensembles de données similaires. Par exemple, des données récentes tirées de Landsat <a href="http://www.sciencedirect.com/science/article/pii/S0924271614002275" target="_blank" rel="noopener noreferrer">sur l’évolution de la couverture terrestre</a> <a href="http://www.sciencedirect.com/science/article/pii/S0034425714003149" target="_blank" rel="noopener noreferrer">et des forêts dans les années 1990</a> comportaient des taux d’erreurs de 21 et 17 %, respectivement. Cependant, certaines zones dans les données GLAD ont des taux d’erreurs de 20 % et plus. Les taux d’erreurs les plus élevés peuvent résulter d’un ensemble de facteurs, dont :
<ul>
 	<li><strong>La faible densité de la canopée de la couverture arborée,</strong> telle que l’on peut l’observer dans le biome subtropical, ce qui rend plus difficile la détection des pertes, puisque les changements de la couverture arborée du sol nu sont moins visibles que dans une forêt dense.</li>
</ul>
<ul>
 	<li><strong>Les clairières de petite échelle,</strong> comme celles qui prédominent en Afrique subsaharienne, qui sont plus susceptibles d’être manquées ou sous-estimées par l’ensemble de données, puisqu’elles possèdent davantage de bordures comparées à leur surface. Les pixels en bordure de clairières sont souvent flous sur les images satellites, de ce fait les données manquent un grand nombre de « pertes » dans ces petites zones.</li>
</ul>
<ul>
 	<li><strong>Les changements graduels,</strong> tels que le gain de la couverture arborée, plus difficiles à détecter que les changements soudains.</li>
</ul>
Il est également important de se rappeler l’échelle évaluée dans ces études. Les deux évaluent la précision des données d’importantes régions ou continents, mais pas celle des zones locales. C’est-à-dire que lorsque nous sommes confiants quant à la précision générale des données aux échelles mondiale et régionale, nous ne nous pouvons pas nous prononcer sur la précision d’un emplacement spécifique.
<h3>Dans quelle mesure la précision est-elle suffisamment précise ? Cela dépend.</h3>
Nous savons que les données GLAD ne sont pas parfaites, et que les taux d’erreurs varient même entre les régions et les biomes, mais cela ne nous indique toujours pas si la précision des données est suffisante pour nous donner des renseignements sur l’évolution des forêts mondiales. La réponse : <strong>cela dépend du lieu que vous observez et de la manière dont vous souhaitez utiliser les données</strong>. Au moment de décider s’il convient d’utiliser les données dont vous avez besoin, la première étape consiste à comprendre la précision des données. Félicitations, vous avez déjà commencé en lisant cette série ! L’étape suivante consiste à déterminer en quoi la précision et les erreurs éventuelles peuvent avoir des répercussions sur votre application spécifique. La question de la précision des données est différente pour chaque cas d’utilisation, mais voici quelques lignes directrices :
<ul>
 	<li><strong>Étudiez les tendances et les modèles à grandes échelles:</strong> les taux d’erreurs globaux sont relativement faibles comparés à des ensembles de données similaires, nous avons donc confiance en l’utilisation des données pour étudier les tendances et les modèles à grandes échelles (par ex., mondiale, régionale, nationale).</li>
</ul>
<ul>
 	<li><strong>Utilisez des moyennes sur 3 ans:</strong> étant donné les incertitudes d’une année sur l’autre, nous vous recommandons d’utiliser des moyennes sur 3 ans. Les nuages se mettent littéralement en travers de la « vue » des satellites, en particulier dans les zones tropicales humides où les nuages peuvent obscurcir la visibilité en dessous, et ce, la majeure partie de l’année. Cela signifie que parfois des arbres peuvent être abattus ou brûlés sous la couverture nuageuse et cela n’est détecté que l’année suivante. Les utilisateurs des données peuvent atténuer ces incertitudes en étudiant la moyenne de plusieurs années.</li>
</ul>
<ul>
 	<li><strong>Évaluez les emplacements généraux de perte:</strong> alors que la précision n’a pas été évaluée aux échelles locales, nous savons que la plupart des « pertes » manquées se produisent en bordure, nous pouvons donc utiliser en toute confiance les données pour identifier localement l’emplacement général de perte.</li>
</ul>
<ul>
 	<li><strong>Utilisez avec prudence les mesures locales:</strong> cependant, faire des mesures précises localement (par ex., des hectares de perte de la couverture arborée, le carbone émis par la déforestation) exige davantage d’informations sur la précision à l’emplacement spécifique. Par exemple, en prenant connaissance du contexte local, par l’imagerie satellitaire, en comparant les données d’évolution d’autres forêts, etc.</li>
</ul>
<ul>
 	<li><strong>Faites correspondre votre niveau de confiance avec la précision:</strong> évitez les affirmations erronées qui s’appuieraient sur des données peu précises (c.-à-d., les zones à faible densité de canopée, le gain de la couverture arborée, etc.).</li>
</ul>
En cas de questions concernant votre cas d’utilisation, vous pouvez contacter notre communauté via le <a href="https://groups.google.com/forum/#!forum/globalforestwatch" target="_blank" rel="noopener noreferrer">forum de discussion GFW</a> dans lequel d’autres utilisateurs discutent des points forts et des limites des données.

<aside class="textbox right"><strong>CRITIQUE DE LA PRÉCISION DEPUIS LE DÉSACCORD SUR LES DÉFINITIONS DE LA FORÊT </strong>D’autres chercheurs ont publié des critiques sur la précision des données dans des régions spécifiques, dont les zones tropicales, l’Indonésie et les forêts boréales. Cependant, un grand nombre de ces critiques concernent les désaccords sur la définition de « forêt » plutôt que sur la précision des données proprement dite. La plupart des imprécisions rapportées dans ces publications sont des cas de perte de la couverture arborée au sein des zones qui ne sont pas considérées comme des forêts, telles que dans les plantations. Selon la définition de la couverture arborée par l’ensemble de données (végétation supérieure à 5 mètres et une couverture de canopée de plus de 30 %), ces zones sont correctement classées. En revanche, pour ceux qui s’intéressent à la déforestation causée par l’homme, ces zones sont considérées comme incorrectes. Les méthodes actuelles de télédétection automatisée ne peuvent pas faire de distinction entre les forêts naturelles et plantées. Par conséquent, la perte de la couverture arborée est actuellement ce que nous pouvons obtenir qui se rapproche le plus de la déforestation à l’aide de ces méthodes globales.</aside>
<h3>Les données GLAD en situation</h3>
Bien que n’étant pas exemptes d’erreurs, les données GLAD restent le meilleur ensemble de données de perte de la couverture arborée mondiale, avec une méthodologie homogène dans le monde entier permettant de suivre les <a href="http://content.globalforestwatch.org/2015/04/tree-cover-loss-spikes-in-russia-and-canada-remains-high-globally/" target="_blank" rel="noopener noreferrer">tendances mondiales</a>, ainsi qu’une résolution suffisamment élevée pour surveiller et découvrir les zones locales de perte de la couverture arborée, telles que dans les <a href="http://content.globalforestwatch.org/2014/07/tar-sands-threaten-worlds-largest-boreal-forest/" target="_blank" rel="noopener noreferrer">sables bitumeux du Canada</a> ou pour la <a href="http://content.globalforestwatch.org/2015/06/zooming-in-sustainable-cocoa-producer-destroys-pristine-forest-in-peru/" target="_blank" rel="noopener noreferrer">production du cacao au Pérou</a>. Les données représentent une amélioration majeure, par rapport aux <a href="http://iopscience.iop.org/article/10.1088/1748-9326/2/4/045022/meta;jsessionid=BE9929693C251EC3B9CEE22DDBF2D597.c1" target="_blank" rel="noopener noreferrer">données mondiales précédentes</a> sur l’évolution de la forêt : un grand nombre s’appuie sur des données à faible résolution spatiale (250 ou 500 mètres), tandis que d’autres (telles que l’évaluation des ressources forestières de la FAO) ne sont pas spatialement explicites ou mises à jour aussi fréquemment. Les données locales se vantent souvent d’avoir des taux d’erreurs inférieurs, puisqu’elles sont calibrées pour cette situation spécifique, mais elles s’avèrent coûteuses à produire et rarement disponibles d’une année sur l’autre. Les données d’évolution de la couverture arborée GLAD ne sont pas une représentation parfaite de la perte ou du gain de la couverture arborée, et certains aspects des données ont des taux d’erreurs élevés. Cependant, ce sont les meilleures données disponibles sur l’évolution de la couverture arborée à l’échelle mondiale et elles sont disponibles gratuitement sur <a href="https://www.globalforestwatch.org/map" target="_blank" rel="noopener noreferrer">Global Forest Watch</a>. Nous espérons que par ces explications sur la précision des données et l’incitation à prendre en considération les taux d’erreurs avant de passer à l’application, nous pouvons renforcer les capacités de nos utilisateurs à déterminer les conclusions appropriées qui peuvent mettre à l’épreuve la déforestation quotidienne (« business as usual ») à travers le monde.

<style type="text/css" media="screen"></style>

Dans quelle mesure la précision est-elle suffisamment précise ? (Partie 2)

Part 1 of this blog series available here. In Part 1 of the GLAD tree cover data accuracy blog series, we explained two different accuracy assessments of

How accurate is accurate enough? Examining the GLAD global tree cover change data (Part 2) | Global Forest Watch Blog