Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

TIA
REVISTA

- Revista TIA - Tecnología, Investigación y Academia -

Publicación Facultad de Ingeniería y Red de Investigaciones de Tecnología Avanzada - RITA

Modelo de fácil y económica implementación para evaluación de

pérdida de bosques naturales
Easy and inexpensive to implement model for natural forest loss
assessment
Juan Fernando Garcia-Julio1 y Jhon F Escobar2

Citar este documento: García-Julio, J.F. y Escobar, J.F. (2022). Modelo de fácil y económica implementación para evaluación de pérdida

de bosques naturales. Revista TIA - Tecnología, Investigación y Academia, 9(2), 17-30.

1 Especialista en Sistemas de Información Geográfica, Universidad de San Buenaventura; Corporación Autónoma del Centro de
Antioquia Corantioquia; jugarcia@corantioquia.gov.co
2 PhD en Administración, Universidad Nacional de Misiones; Corporación Universitaria Remington; jhon.escobar@uniremington.edu.co.

17
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Resumen. La degradación de los bosques naturales es un problema que amenaza la
vida en el planeta y que debe ser entendida y atendida en todas las escalas de análisis
territorial, especialmente en el ámbito municipal o a pequeña escala, escenario donde se
pueden desarrollar las intervenciones de mitigación y recuperación de mayor impacto.
No obstante, los reportes de deforestación disponibles se presentan en una escala de
aproximación nacional y regional, los cuales se convierten en instrumentos informativos
más que operativos. Por otro lado, en Colombia el 87% de los municipios cuentan con pocos
recursos para inversión, lo que implica que tienen restricciones de acceso para la compra de
imágenes satelitales, así como para la contratación de recurso humano especializado para
Fecha de recepción: 30 de noviembre de 2021 - Fecha de aceptación: 13 de diciembre de 2021

su procesamiento. El artículo desarrolla un modelo de fácil y económica implementación,

para la estimación de procesos de deforestación a pequeña escala (1:10000), y de manera
Artículo de Investigación - Revista TIA - Tecnología, Investigación y Academia -

Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia

indirecta de estimación de emisiones atmosféricas de CO2 equivalente asociadas a este

fenómeno, mediante un análisis multitemporal utilizando imágenes satelitales adquiridas
en la plataforma Google Earth Engine® de carácter gratuitas. El proceso de deforestación
se describe utilizando la clasificación supervisada por el método de máxima verosimilitud,
se cuantifican las áreas de bosque y no bosque.
Palabras Clave. Monitoreo; Deforestación; Sistemas de Información Geográficos;
Evaluación de coberturas boscosas.
Abstract. The degradation of natural forests is a problem that threatens life on the planet
and must be understood and addressed at all scales of territorial analysis, especially at the
municipal or small-scale level, where the most impactful mitigation and recovery interventions
can be developed. However, the available deforestation reports are presented on a national and
regional approximation scale, which become informative rather than operative instruments.
On the other hand, in Colombia, 87% of the municipalities have few resources for investment,
which implies that they have access restrictions for the purchase of satellite images, as well as
for the hiring of specialized human resources for their processing. The article develops a model
of easy and economic implementation, for the estimation of deforestation processes at small
scale (1:10000), and indirectly for the estimation of atmospheric emissions of CO2 equivalent
associated to this phenomenon, by means of a multitemporal analysis using satellite images
acquired in the Google Earth Engine® platform, free of charge. The deforestation process is
described using the supervised classification by the maximum likelihood method, forest and
non-forest areas are quantified..
Key words. Monitoring; Deforestation; Geographic Information Systems; Forest
cover assessment.

Introducción
La teledetección es la técnica que permite la obtención de información de la superficie terrestre
sin estar en contacto con ella, detecta cambios en la radiación que producen los objetos a medir
en determinada superficie, este proceso no solo engloba la consecución de la imagen sino la
obtención de información y el tratamiento que se le dé (Chuvieco & Huete, 2009).

Con la teledetección se obtienen imágenes satelitales con las cuales es posible realizar
estudios multitemporales, que son análisis de tipo espacial realizados por medio de la
comparación de las coberturas interpretadas en dichas imágenes para diferentes periodos
de tiempo, pero en la misma zona de estudio. Esta técnica permite evaluar los cambios de
las coberturas que han sido encontradas con la clasificación, logrando inferir los cambios

18
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

que se han presentado en la superficie terrestre, ya sea por causas naturales o antrópicas (Chuvieco &
Huete, 2009; Lange-Gonzalez, 2018; Velastegui-Montoya et al., 2020; Veloza, 2017)

Con los satélites se obtienen imágenes de la superficie terrestre, a estas se les realiza el proceso de
clasificación supervisada, el cual es un método de clasificación de imágenes satelitales en el cual el
intérprete le indica a un software de procesamiento de imágenes, de acuerdo con el conocimiento de la
zona de estudio o por conocimiento previo los tipos de cobertura presentes en este lugar, la definición
de las zonas conocidas se describe como áreas o campos de entrenamiento (Chuvieco & Huete, 2009;
Fernández et al., 2011; Gomariz-Castillo et al., 2014; Minhoni et al., 2021)
Fundamentals of Satellite Remote Sensing discusses a wide range of topics, from physical principles to
data acquisition systems and on to visual and digital interpretation techniques. The text focuses on the
interpretation and analysis of remote sensing images and how they improve our understanding of envi-
ronmental processes and their interaction with human activities. The authors discuss new interpretation
approaches, including hyperspectral analysis, high-spatial resolution data, and radiative transfer models.
The presentation includes an analysis of accuracy assessment methods and demonstrates how to integrate
remote sensing results with geographic information systems. It also covers recent missions, such as Te-
rra-Aqua, Envisat, Ikonos-Quickbird-Geoeye and SPOT-5, as well as LIDAR and interpherometric radar.
The discussion of visual criteria to extract interpretation from satellite images emphasizes
differences and similarities with conventional photo-interpretation techniques. A chapter on accuracy
assessment and the connection between remote sensing and geographic information systems helps
readers extend the interpretation of satellite images to a more operational, applications-oriented
framework.”,”author”:[{“dropping-particle”:””,”family”:”Chuvieco”,”given”:”Emilio”,”non-dropping-
particle”:””,”parse-names”:false,”suffix”:””},{“dropping-particle”:””,”family”:”Huete”,”given”:”Al
fredo”,”non-dropping-particle”:””,”parse-names”:false,”suffix”:””}],”container-title”:”Fundamentals
of Satellite Remote Sensing”,”id”:”ITEM-1”,”issued”:{“date-parts”:[[“2009”]]},”number-of-
pages”:”1-419”,”title”:”Fundamentals of satellite remote sensing”,”type”:”book”},”uris”:[“http://
www.mendeley.com/documents/?uuid=13984b35-d825-460c-a52d-5f72d74b8a0f”]},{“id”:”ITEM-
2”,”itemData”:{“author”:[{“dropping-particle”:””,”family”:”Gomariz-Castillo”,”given”:”F”,”non-
dropping-particle”:””,”parse-names”:false,”suffix”:””},{“dropping-particle”:””,”family”:”Alonso-
Sarría”,”given”:”F”,”non-dropping-particle”:””,”parse-names”:false,”suffix”:””},{“dropping-
particle”:””,”family”:”Cánovas-García”,”given”:”F”,”non-dropping-particle”:””,”parse-names”:fals-
e,”suffix”:””}],”container-title”:”XVI Congreso Nacional de Tecnologías de la Información
Geográfica”,”id”:”ITEM-2”,”issued”:{“date-parts”:[[“2014”]]},”title”:”Clasificación multitemporal de
usos del suelo en la Cuenca del Río Vinalopó (Comunidad Valenciana)
Esta clasificación es resaltada por Abburu & Babu Golla (2015)”author”:[{“dropping-particle”:””,”fa
mily”:”Abburu”,”given”:”Sunitha”,”non-dropping-particle”:””,”parse-names”:false,”suffix”:””},{“dr
opping-particle”:””,”family”:”Babu Golla”,”given”:”Suresh”,”non-dropping-particle”:””,”parse-name
s”:false,”suffix”:””}],”container-title”:”International Journal of Computer Applications”,”id”:”ITEM-
1”,”issue”:”8”,”issued”:{“date-parts”:[[“2015”]]},”page”:”20-25”,”title”:”Satellite Image Classification
Methods and Techniques: A Review”,”type”:”article-journal”,”volume”:”119”},”uris”:[“http://www.
mendeley.com/documents/?uuid=fe458451-bec7-4924-9816-826e24fc151c”]}],”mendeley”:{“form
attedCitation”:”(Abburu & Babu Golla, 2015 por medio del método de Máxima Verosimilitud en su
investigación sobre las metodologías para clasificar imágenes satelitales, en la mayoría de los casos para
el sistema Landsat, también se resalta por ser el método paramétrico más utilizado por su sencillez y
rapidez de cómputo y está basado en el uso del vector varianzas-covarianzas para estimar la probabilidad
de pertenencia y asignación del píxel a una clase (Gomariz-Castillo et al., 2014)

19
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Un ejemplo de estas aplicaciones las desarrolla Belgiu & Drăgu (2016)using a randomly selected
subset of training samples and variables. This classifier has become popular within the remote sensing
community due to the accuracy of its classifications. The overall objective of this work was to review the
utilization of RF classifier in remote sensing. This review has revealed that RF classifier can successfully
handle high data dimensionality and multicolinearity, being both fast and insensitive to overfitting. It is,
however, sensitive to the sampling design. The variable importance (VI quienes estudian la clasificación
supervisada por el método Random Forest, el cual se ha vuelto popular para clasificar imágenes satelitales
debido a la precisión que se obtiene con este, dado que puede manejar con éxito una alta densidad de
datos para clasificar (W. Liu et al., 2018).
Para validar la precisión del método de clasificación supervisada se utilizará el índice de Kappa el cual
fue propuesto por (Willington et al., 2013) el cual se basa en el uso de matrices de confusión, siendo éste
un método común para validar este tipo de clasificaciones, la matriz contiene información sobre valores
totales o porcentajes de datos observados y estimados para cada una de las clases buscadas y a partir de
esta se estiman los parámetros de confiabilidad.
El Problema
En Colombia, durante el año 2018 se pierden unas 197159 ha, el equivalente de una cancha de futbol cada
dos minutos; para el departamento de Antioquia se perdieron en 2017 un total de 47743 ha de bosque
y en el año 2019 se presentó una pérdida de 24327 ha y para la jurisdicción de La CAR del Centro de
Antioquia, CORANTIOQUIA, entidad ambiental del territorio analizado, se talaron aproximadamente
12000 ha durante el mismo año (IDEAM, 2019b).
Los datos de deforestación presentados por las entidades oficiales en Colombia se tienen para áreas
muy grandes, ya sea, por departamento o jurisdicción de CAR y no son óptimos para realizar análisis
a nivel micro o de municipio, que permita hacer seguimiento y monitoreo la labor de las autoridades
ambientales. Es por lo que se requiere información asequible, confiable y precisa sobre las tendencias y
el comportamiento de las áreas de uso forestal en todas las escalas, ya que dicho insumo es de gran ayuda
para los gobiernos y las entidades encargadas de administrar los recursos naturales.

Metodología
En la investigación se utilizaron imágenes satelitales de Sentinel 2, y de Landsat 8 para medir las áreas
de bosque en una fecha específica y mediante el análisis multitemporal de varias imágenes para la misma
zona, se infiere de manera precisa cómo va cambiando el bosque a lo largo de una época determinada,
el procedimiento utilizado es el de la clasificación supervisada para áreas boscosas utilizando el método
de máxima verosimilitud, usando la plataforma Google Earth Engine®. Con ello se desarrolló una
metodología para estimación en escala 1:10000 de la pérdida de bosques y la liberación de carbono, tal
como se presenta en la Figura 1.

Análisis multitemporal de las Selección y descarga de ¿Requiere corrección

áreas de bosque y emisión de Co2 imágenes satelitales atmosférica?
a la atmosfera. plataforma GEE

No Si

Clasificación supervisada
Procesamiento de la imagen Corrección atmosférica
método de máxima
mediante el SNAP
verosimilitud

Validación en campo y oficina Análisis multitemporal Calculo CO2 Equivalente

Resultados y Análisis

Figura 1. Metodología desarrollada en el estudio.

20
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

Área de estudio
Como caso de estudio se aplicó la metodología desarrollada para el municipio de Remedios, localizado en el
departamento de Antioquia, Colombia (ver Figura 2). El municipio posee un área de 198376 ha en la zona
rural y 399 ha en la zona urbana (Gobernación de Antioquia, 2019) . Del área total del municipio el 47,01 %
le corresponde a la zona de reserva forestal del Magdalena 93257 ha más 12634 ha en bosques por fuera de
la reserva, para un total de 105891 ha en bosque natural, (Municipio de Remedios, 1999), convirtiendo los
bosque de Remedios en los últimos grandes relictos boscosos del departamento de Antioquia.

Figura 2. Mapa de ubicación de la zona de estudio -municipio de Remedios-

Fuente: Adaptada de Gobernación de Antioquia (2019)

Datos y Preprocesamiento
La metodología utilizada se basa en el análisis e interpretación de imágenes satelitales mediante el método
de clasificación supervisada, para el procesamiento de las imágenes se utiliza el software Arc Map 10,6
de Arcgis, Qgis, software Sentinel Aplication Plataform -SNAP- de la Agencia Espacial Europea -ESA- y
la plataforma Google Earth Engine.

Usando la plataforma Google Earth Engine se descargaron 13 imágenes satelitales de los sistemas
Sentinel 2 y Landsat 8 entre los años 2014 y 2020 que contienen el municipio de Remedios, las imágenes
Sentinel 2 tienen una resolución espacial de 10 metros en la banda RGB, y de Landsat 8 de 30 metros que
puede ser reescalada hasta los 15 metros con base en técnicas computacionales, teniendo en cuenta que
en esta plataforma es posible realizar un compuesto sin nubes para el periodo de estudio con algoritmos
de enmascaramiento, para las imágenes encontradas que tienen una cobertura de nubes aceptable, menor
al 20 % se descarga la imagen sin realizar compuesto temporal, para el resto de las imágenes si se realiza;
se utiliza una imagen semestral correspondiente a los meses de enero y julio, esto con el fin de evaluar
la deforestación cada 6 meses.

21
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Análisis de la información.
Utilizando el software ArcGIS® 10.6 de ESRI se procede a realizar la composición de las bandas
RGB de cada una de las imágenes satelitales descargadas, la mezcla de color verdadero se obtiene de
la combinación de las bandas 4, 3 y 2 respectivamente para el caso de ambas plataformas satelitales,
utilizando la herramienta de geoprocesamiento -Clip- se selecciona el área de estudio correspondiente al
municipio de Remedios y sobre éste se realizaron las clasificaciones.

Las áreas de bosque presentes en las imágenes satelitales seleccionadas se clasifican mediante el método
de máxima verosimilitud, utilizando áreas de entrenamiento de tres clases: una para bosque, una para
nubes y otra para las demás coberturas de la tierra, dicho método es recomendado por varios investigadores
por su sencillez y rapidez de cómputo.

Con la clasificación supervisada se generan mapas dicotómicos de bosque y no bosque para cada una
de las épocas seleccionadas, luego se procede a realizar la validación de los resultados seleccionando
y guardando puntos aleatorios dentro de la zona de estudio, llevando el registro de la cobertura que
realmente se encuentra en campo para luego validarla en el mapa obtenido.

Posterior a estos procesos y teniendo en cuenta una confiabilidad del método de clasificación supervisada
mediante el índice de Kappa superior al 90 %, se realiza el análisis multitemporal donde se determina
la variación de las áreas de bosque de un momento determinado al siguiente y la variación del momento
inicial al final de análisis, es decir desde el año 2015 hasta el año 2020; generando mapas de bosque y no
bosque para cada una de las etapas señaladas.

Conociendo las áreas taladas y las remanentes de bosque natural se procede a realizar el cálculo de la
biomasa aérea, carbono total y dióxido de carbono equivalente para las áreas encontradas en la presente
investigación, estimando la emisión de CO2 que es uno de los principales gases de efecto invernadero;
las etapas de la metodología propuesta se muestran en la Figura 1.

Resultados
Utilizando las imágenes satelitales obtenidas entre los años 2014 y 2020 se caracterizan las áreas de
bosque y no, cuantificando para cada periodo de análisis los usos del suelo, para el año 2014 se presenta
el mapa de bosque no bosque con Landsat 8 (ver Figura 3).

a. Imagen de bosque y no bosque para enero de 2014 b. Mapa de bosque y no bosque para enero de 2014

Figura 3.Imagen cruda Landsat y procesada mediante clasificación supervisada.

Fuente: Elaboración propia con base en imágenes satelitales Landsat 8.

22
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

Y los mismos resultados, para el año 2020, se obtuvieron los resultados con Sentinel 2, (ver Figura 4)
donde se resalta bosque y no bosque

a. Imagen de bosque y no bosque para enero de 2020 b. Mapa de bosque y no bosque para enero de 2020.

Figura 4. Imagen cruda Sentinel 2 y procesada mediante clasificación supervisada.

Fuente: Elaboración propia con base en imágenes satelitales Sentinel 2.

Para validar la clasificación supervisada se utiliza la matriz de confusión para el periodo de estudio de
enero de 2020, en la Figura 5 a se evidencian los 160 puntos aleatorios definidos dentro del área del
municipio de Remedios, coordenadas planas Magna Sirgas origen Bogotá. En la Figura 5 b se presenta
la matriz de confusión.

Productor
Nubes Otros Bosque Total
Nubes 9 1 0 10
Usuario Otros 2 44 4 50
Bosque 0 4 96 100
Total 11 49 100 160

a. Puntos aleatorios base de la matriz de confusión b. Matriz de confusión

Figura 5. Puntos y matriz de confusión 2020.

Estimación tasa de deforestación

Aplicando la metodología se determinaron las áreas de bosque natural remanente y taladas semestralmente
durante el periodo de estudio comprendido entre los años 2014 y 2020 encontradas mediante la
clasificación supervisada por el método de máxima verosimilitud, donde se evidencia como en el periodo
de tiempo comprendido entre enero de 2017 y julio de 2017 se presentó la mayor deforestación en la zona
de estudio con 3593 ha taladas equivalente al 3,74 % de los bosques naturales del municipio de Remedios
encontrados para enero del 2014, seguido por el periodo de tiempo comprendido entre julio de 2016 y
enero de 2017 con 2.925 ha taladas equivalente al 2,96 % de los bosques naturales y en tercer lugar se
encuentra el periodo de tiempo comprendido entre enero de 2015 y julio de 2015 con 2402 ha taladas,
equivalente al 2,35 % de los bosques naturales.

23
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Los mayores picos de deforestación encontrados en el municipio de Remedios fueron en los periodos
correspondiente a enero de 2017 y julio de 2017 con 2925 ha y 3593 ha respectivamente (Figura 6), lo
cual coincide con la desmovilización y el tratado de paz firmado entre el gobierno nacional y las FARC,
los cuales eran un actor en la zona, con una influencia considerable que no permite actividades de talas
masivas en los territorios que controla.

Figura 6. Deforestación en ha por semestre, en el municipio de Remedios, año 2014 al año 2020

Identificación de procesos de deforestación a pequeña escala (1:20000)

Para ejemplificar el proceso de identificación, caracterización y análisis de imágenes por el método
propuesto, se presenta la misma zona (Figura 7), donde luego de un monitoreo se señala un proceso de
deforestación a pequeña escala. Dado que el proceso es automatizado, la identificación de acciones de
deforestación y el monitoreo constante brinda los insumos para hacer seguimiento a regiones amplias
para identificar cambios en las coberturas a pequeña escala o escala municipal.

a. Zona sin deforestar b. Zona deforestada

Figura 7. Cambios en cobertura, evidenciada por monitoreo semestres, resaltada mediante clasificación
supervisada a escala 1:4000.

Estimaciones de carbono
Los resultados obtenidos en este estudio de la cuantificación de la biomasa aérea, el carbono y el CO2
equivalente, tanto los captados como los emitidos, encontrados durante el periodo de estudio se muestran
en la Figura 8. Estos valores son producto de la estimación basada en las áreas de bosque y la deforestación
estimada por el método aplicado.

24
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

Figura 8. Biomasa aérea, carbono y CO2 equivalente captado y emitido durante el periodo de estudio.

Para el mes de enero del año 2020 se encuentran captados en los bosques del municipio de Remedios
22642617,3 toneladas (t) de biomasa área, 11316935,8 t de carbono y 41532454,7 t de CO2 equivalente.
Durante el periodo de análisis entre los años 2014 y 2020 por la deforestación de las 15154 ha de bosque
natural se han perdido 3923370,6 t de biomasa aérea, 1960927, 6 t de carbono y se han emitido a la
atmosfera 7196483,1 t CO2 equivalente.

Discusión
Según el estudio del IDEAM (IDEAM, 2019), la deforestación en Colombia para el año 2018 fue de
197159 ha; el promedio de deforestación anual encontrada en el presente estudio es equivalente a 2525
ha, por lo tanto la deforestación en el municipio de Remedios representa el 1,28 % de todo el territorio
nacional para el año 2018; la deforestación reportada para el departamento de Antioquia en el mismo
estudio es de 12820 ha, por lo que la deforestación del municipio de Remedios es equivalente al 19,69 %
del departamento; para la jurisdicción de Corantioquia el estudio del IDEAM presenta una deforestación
de 10030 ha por lo que la deforestación del municipio de Remedios es equivalente al 25,17 % de la
jurisdicción de Corantioquia

Para comparar las áreas de bosque obtenidas para cada año se realiza la comparación con otros métodos
de clasificación supervisada como es el Random Forest o con otros estudios que clasifican las coberturas
boscosas como el estudio de Hansen et al. (2013) del mapa de deforestación mundial entre los años 2000
y 2012 el cual actualmente se encuentra actualizado hasta el año 2018 y el mapa de bosque no bosque del
Sistema de Monitoreo de Bosques y Carbono del IDEAM (IDEAM, 2019b) que igualmente se encuentra
disponible hasta el año 2018; mediante una prueba de medias por el método de Duncan (García-
Villalpando et al., 2001) se calculan los resultados obtenidos, donde se obtiene que la clasificación por
el método de Máxima Verosimilitud estadísticamente es similar a la de Random Forest y a las áreas de
bosque obtenidas por el estudio de Hansen, con un nivel de confianza del 95 %.

Para el mes de enero del año 2020 se encuentran captados en los bosques del municipio de Remedios
22642617,3 t de biomasa área, 11316935,8 t de carbón y 41532454,7 t CO2 equivalente. Durante el
periodo de análisis entre los años 2014 y 2020 por la deforestación de las 15154 ha de bosque natural
se han perdido 3.923.370,6 t de biomasa área, 1960927, 6 t de carbón y se han emitido a la atmosfera
7196483,1 t CO2 equivalente, valores que corresponden al modelo de estimación definido por (Yepes,
A., Navarrete D.A., Phillips J.F., Duque, A.J., Cabrera, E., Galindo, G., Vargas, D., García & M.F., 2011).

25
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Según el estudio del IDEAM (IDEAM, PNUD, MADS, DNP., 2016) sobre el inventario de los gases de
efecto invernadero para todo el territorio nacional, el cual presenta datos hasta el año 2012, para este año
el sector forestal emitió 91,1 millones de toneladas de CO2 equivalente, en este estudio se encontró que
la deforestación entre los años 2014 y 2020 emitió un total de 7196483,1 t CO2 equivalente, lo cual es
corresponde a 1199413,85 t CO2 equivalente por año; por lo tanto se encuentra que la deforestación en
el municipio de Remedios emite el 1,2 % del CO2 equivalente para todo el territorio nacional, tomando
como base las emisiones realizadas para el año 2012.

Se comparan las áreas de bosque obtenidas para el municipio de Remedios mediante el método de
Máxima Verosimilitud (MV) de manera anual, con las áreas reportadas por el IDEAM (IDEAM, 2019a),
cuantificado actualmente hasta el año 2018 y con las áreas encontradas en el mapa de deforestación
mundial de (Hansen et al., 2013), el cual se encuentra igualmente cuantificado hasta el año 2018.

Figura 9. Comparativa anual de los diferentes resultados de bosque remanente para el municipio de
Remedios entre el periodo de estudio.

Se evidencia como las áreas de bosque natural encontradas (remanente) para cada periodo de estudio
mediante la clasificación supervisada, son superiores a las reportadas en el estudio de Hansen, y a su vez
ambos estudios presentan mayores áreas a las áreas reportadas por el IDEAM.

Las áreas de bosque remanente encontradas en el presente estudio son en promedio 3.934 ha mayores
a las áreas reportadas por Hansen, igualmente son en promedio 11.092 ha mayores a las reportadas por
el IDEAM, las áreas reportadas por Hansen son en promedio 7.157 ha mayores a las reportadas por el
IDEAM.

Conclusiones
Es posible determinar el cambio en el uso del suelo por deforestación de bosque natural a una escala
de 1:20.000, identificada como pequeña escala, mediante el uso de imágenes satelitales determinando
las áreas de bosque y no bosque por el método de clasificación supervisada utilizando el algoritmo
de máxima verosimilitud, y hacer comparativos en diferentes periodos de tiempo como mecanismo de
monitoreo y gestión de procesos de deforestación.

26
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

Utilizando los scripts desarrollados para la plataforma de Google Earth Engine® es posible adquirir escenas
satelitales de manera rápida y de acceso libre, y así se pueden realizar inferencias sobre el comportamiento de
las tasas de deforestación para cualquier zona en particular y para varios periodos de análisis.

Las Imágenes de Landsat 8 y Sentinel 2 pueden ser utilizadas para este tipo de estudios, ya que la resolución
espacial de estas permite separar de manera clara las áreas de bosque natural de otros usos, la metodología de
clasificación supervisada mediante el método de máxima verosimilitud demostró generar resultados confiables
mediante el método de validación utilizando la matriz de confusión y el índice de Kappa.

Se desarrolló un modelo de geoprocesamiento que identificara las áreas deforestadas para una zona
específica mediante el análisis de imágenes satelitales obtenidas de los programas Sentinel 2 y Landsat 8,
estadísticamente el modelo desarrollado obtuvo resultados similares a los desarrollados por otros autores.
Actualmente el método de clasificación supervisada más referenciado es el de Random Forest, el cual
es un método que para su cálculo requiere una mayor capacidad de procesamiento y por ende un mayor
coste computacional, por el método de Máxima Verosimilitud se obtienen excelentes resultados con
sencillez de cálculo y utilizando una capacidad de procesamiento menor.

A partir de la plataforma Google Earth Engine es posible desarrollar un índice que permita identificar las
talas de bosque natural mediante análisis multitemporal de dos imágenes satelitales casi en tiempo real,
pero requiere de seguir desarrollando el método y conocimientos de programación en JavaScript.

Referencias
Abburu, S., & Babu Golla, S. (2015). Satellite Image Classification Methods and Techniques: A Review.
International Journal of Computer Applications, 119(8), 20–25. https://doi.org/10.5120/21088-3779
Appiah Mensah, A., Akoto Sarfo, D., & Partey, S. T. (2019). Assessment of vegetation dynamics using
remote sensing and GIS: A case of Bosomtwe Range Forest Reserve, Ghana. Egyptian Journal of Remote
Sensing and Space Science, 22(2), 145–154. https://doi.org/10.1016/j.ejrs.2018.04.004

Belgiu, M., & Drăgu, L. (2016). Random forest in remote sensing: A review of applications and future
directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/J.
ISPRSJPRS.2016.01.011

Chuvieco, E., & Huete, A. (2009). Fundamentals of satellite remote sensing. In Fundamentals of Satellite
Remote Sensing. https://doi.org/10.1201/b18954

Fernández, T., Pérez-García, J. L., Gómez-López, J. M., Cardenal, J., Moya, F., Delgado, J., Bardi, F.,
Dotta, G., Martire, D. Di, Meng, Q., & Confuorto, P. (2011). Multitemporal Landslide Inventory and
Activity Analysis by Means of Aerial Photogrammetry and LiDAR Techniques in an Area of Southern
Spain. https://doi.org/10.3390/rs13112110

Fitts, L. A., Russell, M. B., Domke, G. M., & Knight, J. K. (2021). Modeling Land use Change and Forest
Carbon Stock Changes in Temperate Forests in the United States. Carbon Balance and Management,
16(20), 1–20. https://doi.org/10.1186/s13021-021-00183-6

Fortin, J. A., Cardille, J. A., & Perez, E. (2020). Multi-sensor detection of forest-cover change across
45 years in Mato Grosso, Brazil. Remote Sensing of Environment, 238(June), 111266. https://doi.
org/10.1016/j.rse.2019.111266

27
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 García-Villalpando, J. A., Castillo-Morales, A., Ramírez-Guzmán, M. E., Rendón-Sánchez, G., &
Larqué-Saavedra, M. U. (2001). Comparación de los procedimientos De Tukey, Duncan, Dunnett, Hsu y
Bechhofer para selección de medias. Agrociencia, 35(2), 79–86.

García Romero, H. (2013). Deforestación en Colombia : Retos y perspectivas. El Desafío Del

Desarrollo Sustentable En América Latina, 123–142. http://www.repository.fedesarrollo.org.co/
bitstream/11445/337/3/KAS SOPLA_Deforestacion en Colombia retos y perspectivas.pdf

Gobernación de Antioquia. (2019). Información Geográfica. Web Oficial Catastro

Departamental. https://catastro.antioquia.gov.co/web/guest/inicio?p_p_state=maximized&p_p_
mode=view&saveLastPath=false&_58_struts_action=%2Flogin%2Flogin&p_p_id=58&p_p_
lifecycle=0&_58_redirect=%2Fweb%2Fguest%2Fdescarga-geografica

Gomariz-Castillo, F., Alonso-Sarría, F., & Cánovas-García, F. (2014). Clasificación multitemporal de

usos del suelo en la Cuenca del Río Vinalopó (Comunidad Valenciana) mediante diferentes algoritmos
de clasificación supervisada y variables auxiliares. XVI Congreso Nacional de Tecnologías de La
Información Geográfica.

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth
Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27.
https://doi.org/10.1016/j.rse.2017.06.031

Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D.,
Stehman, S. V., Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O., &
Townshend, J. R. G. (2013). High-resolution global maps of 21st-century forest cover change. Science,
342(6160), 850–853. https://doi.org/10.1126/science.1244693

Hernández Gomez, I. U., Ellis, Ed. A., & Gallo Gomez, C. A. (2013). Aplicación de teledetección y
sistemas de información geográfica para el análisis de deforestación y deterioro de selvas tropicales
en la región Uxpanapa, Veracruz. Revista Internacional de Ciencia y Tecnología de La Información
Geográfica, 13, 1–24.

IDEAM. (2019a). Resultados de monitoreo deforestación 2019 [Deforestation monitoring results 2019]
(p. 16). Informes de deforestación Colombia. prehttp://www.andi.com.co/Uploads/PRESENTACION
DEFORESTACION 2019 (julio 9)_compressed.pdf

IDEAM. (2019b). Resultados Monitoreo de la Deforestación. Visión Amazonía, 34. https://doi.

org/10.1017/CBO9781107415324.004

Keenan, R. J., Reams, G. A., Achard, F., de Freitas, J. V., Grainger, A., & Lindquist, E. (2015). Dynamics
of global forest area: Results from the FAO Global Forest Resources Assessment 2015. Forest Ecology
and Management, 352, 9–20. https://doi.org/10.1016/j.foreco.2015.06.014

Lange-Gonzalez, G. (2018). Análisis multitemporal de la deforestación y cambio de la cobertura del suelo

de la ciudad de puerto ayora – santa cruz mediante el uso de la teledetección y sistemas de información
geográfica [UNIVERSIDAD DE GUAYAQUIL]. In Tesis de grado. https://doi.org/10.1007/s11431-009-
0031-6

28
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Modelo de fácil y económica implementación para evaluación de pérdida de bosques naturales

Liu, C., Li, W., Wang, W., Zhou, H., Liang, T., Hou, F., Xu, J., & Xue, P. (2021). Quantitative spatial
analysis of vegetation dynamics and potential driving factors in a typical alpine region on the northeastern
Tibetan Plateau using the Google Earth Engine. Catena, 206(April), 105500. https://doi.org/10.1016/j.
catena.2021.105500

Liu, W., Yang, J., Li, P., Han, Y., Zhao, J., & Shi, H. (2018). A novel object-based supervised classification
method with active learning and random forest for PolSAR imagery. Remote Sensing, 10(7). https://doi.
org/10.3390/rs10071092

Loza-Del-Carpio, A., & Taype-Huamán, I. (2021). Análisis multitemporal de asociaciones vegetales y

cambios de uso del suelo en una localidad altoandina, Puno-Perú. Uniciencia, 35(2), 1–19. https://doi.
org/10.15359/ru.35-2.3

Meng, X., Gao, X., Li, S., Li, S., & Lei, J. (2021). Monitoring desertification in Mongolia based on
Landsat images and Google Earth Engine from 1990 to 2020. Ecological Indicators, 129, 107908. https://
doi.org/10.1016/j.ecolind.2021.107908

Mihai, B., Săvulescu, I., Rujoiu-Mare, M., & Nistor, C. (2017). Recent forest cover changes (2002–
2015) in the Southern Carpathians: A case study of the Iezer Mountains, Romania. Science of the Total
Environment, 599–600, 2166–2174. https://doi.org/10.1016/j.scitotenv.2017.04.226

Minhoni, R. T. de A., Scudiero, E., Zaccaria, D., & Saad, J. C. C. (2021). Multitemporal satellite imagery
analysis for soil organic carbon assessment in an agricultural farm in southeastern Brazil. Science of the
Total Environment, 784, 147216. https://doi.org/10.1016/j.scitotenv.2021.147216

Municipio de Remedios. (1999). Esquema de Ordenamiento Territorial Municipio de Remedios Antioquia

(p. 194). Gaceta.

Paul, F., Winsvold, S. H., Kääb, A., Nagler, T., & Schwaizer, G. (2016). Glacier remote sensing using
Sentinel-2. part II: Mapping glacier extents and surface facies, and comparison to Landsat 8. Remote
Sensing, 8(7). https://doi.org/10.3390/rs8070575

Rivas, C. A., Guerrero-Casado, J., & Navarro-Cerillo, R. M. (2021). Deforestation and fragmentation
trends of seasonal dry tropical forest in Ecuador: impact on conservation. Forest Ecosystems, 8(46), 13.
https://doi.org/10.1186/s40663-021-00329-5

Ruiz, V., Savé, R., & Herrera Herrera, A. (2014). Análisis multitemporal del cambio de uso del suelo,
en el Paisaje Terrestre Protegido Miraflor Moropotente Nicaragua, 1993 – 2011. Revista Científica de
FAREM-Estelí, 22(11), 57–68. https://doi.org/10.5377/farem.v0i11.1605

Tahri, M., Kaspar, J., Vacik, H., & Marusak, · Robert. (2021). Multi-attribute decision making and
geographic information systems: potential tools for evaluating forest ecosystem services. Annals of
Forest Science, 1, 3. https://doi.org/10.1007/s13595-021-01049-0

Velastegui-Montoya, A., De Lima, A., & Adami, M. (2020). Multitemporal analysis of deforestation in
response to the construction of the tucuruí dam. ISPRS International Journal of Geo-Information, 9(10).
https://doi.org/10.3390/ijgi9100583

29
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia
 Veloza, J. (2017). Análisis multitemporal de las coberturas y usos del suelo de la reserva forestal
protectora- productora “Casablanca” en Madrid Cundinamarca entre los años 1961 y 2015: aportes para el
ordenamiento territorial municipal [UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS].
In Tesis de grado (Vol. 01). http://www.albayan.ae

Willington, E., Nolasco, M., & Bocco, M. (2013). Clasificación supervisada de suelos de uso agrícola en
la zona central de Córdoba ( Argentina ): comparación de distintos algoritmos sobre imágenes Landsat.
Congreso Argentino de AgroInformatica, CAI 2013, 207–216.

Wulder, M. A., & Coops, N. C. (2014). Satellites: Make Earth observations open access. Nature,
513(7516), 30–31. https://doi.org/10.1038/513030a

Yepes, A., Navarrete D.A., Phillips J.F., Duque, A.J., Cabrera, E., Galindo, G., Vargas, D., García, M. .
Y. O., & M.F. (2011). Estimación de las emisiones de dióxido de carbono generadas por deforestación
durante el periodo 2005-2010 (IDEAM (ed.)).

Yin, H., Khamzina, A., Pflugmacher, D., & Martius, C. (2017). Forest cover mapping in post-Soviet
Central Asia using multi-resolution remote sensing imagery. Scientific Reports, 7(1), 1–11. https://doi.
org/10.1038/s41598-017-01582-x

30
Artículo de investigación. ISSN: 2344-8288 Vol. 9 No. 2. 2021 Bogotá-Colombia