MÉTODO MAPBIOMAS FUEGO ANUAL COLECCIÓN 1

A continuación presentamos un resumen del método desarrollado y aplicado en la Colección 1 del mapeo de las cicatrices de fuego en Paraguay (1999-2024).

Para obtener más detalles metodológicos, acceda al ATBD (Documento Base de la Teoría del Algoritmo) en este enlance.

1. GENERAL CHARACTERISTICS

Todo el mapeo de cicatrices de incendios en Paraguay se basó en mosaicos de imágenes de los satélites Landsat con una resolución espacial de 30 metros. El período de mapeo abarca desde 1999 hasta 2024, con datos mensuales y anuales de cicatrices de incendios que cubren todo el territorio paraguayo.

El proceso se llevó a cabo de forma colaborativa entre las instituciones de MapBiomas, utilizando inteligencia artificial con algoritmos de aprendizaje automático (deep learning) en la plataforma Google Earth Engine y Google Cloud Platforms, que ofrecen una inmensa capacidad de procesamiento en la nube, además de servidores locales para procesamiento adicional.

El trabajo se organizó por ecorregiones, con la recolección de muestras de áreas quemadas y no quemadas para el entrenamiento del algoritmo. Además, se utilizaron mapas de referencia, como el producto de áreas quemadas de MODIS Burned Area (MCD64A1) con 500 m de resolución espacial (https://lpdaac.usgs.gov/products/mcd64a1v006/),  GABAM  (Global  Annual  Burned  Area  Map con 30m de resolución (https://gee-community-catalog.org/projects/gabam/), ESA Fire Disturbance Climate Change Initiative (CCI) (https://catalogue.ceda.ac.uk/uuid/58f00d8814064b79a0c49662ad3af537/), y los focos de calor del  INPE (https://terrabrasilis.dpi.inpe.br/queimadas/bdqueimadas/).

2. Visión General del método

Las rutinas de procesamiento de imágenes y clasificación utilizadas para cartografiar las áreas quemadas en el territorio paraguayo siguieron siete etapas:

1. Definición de las regiones de clasificación: las regiones se definieron según las ecorregiones del país, comparando la información de múltiples fuentes de clasificación geoespacial y la bibliografía.
2. Construcción de mosaicos anuales de calidad Landsat: se generaron mosaicos anuales de alta calidad a partir de imágenes Landsat con los valores mínimos del NBR.
3. Recolección de muestras de entrenamiento: se muestrearon las zonas quemadas y no quemadas para generar una biblioteca espectral.
4. Mapeo de áreas quemadas (modelo de predicción DNN): el modelo DNN se entrenó utilizando las muestras recolectadas y los mosaicos anuales.
5. Filtros espaciales: se aplicaron filtros espaciales para mejorar la precisión y reducir el ruido en los resultados de la clasificación.
6. Máscara: se aplicaron máscaras de cobertura del suelo y uso del suelo para mejorar los resultados de la clasificación.
7. Evaluación de resultados: los resultados de la clasificación se validaron con datos de referencia y se inspeccionaron visualmente para garantizar una delimitación precisa de las cicatrices de incendios.

2.1. DEFINICIÓN DE REGIONES 

Se definieron ecorregiones para la recolección de muestras de entrenamiento y la clasificación de áreas quemadas, con el objetivo de obtener una clasificación más precisa, basada en factores edafoclimáticos y en la vegetación regional. Se definieron de la siguiente manera:

2.2. MOSAICO ANUALES

La clasificación se realizó utilizando mosaicos de reflectancia de superficie (SR) de la Colección Landsat 2 (Nivel 1) del USGS (30 m × 30 m), construidos para cada año desde 1999 hasta 2024. Se evaluaron todas las escenas disponibles de los satélites Landsat 5 (de 1985 a 2011), Landsat 7 (de 1999 a 2021), Landsat 8 (de 2013 a 2024) y Landsat 9 (de 2022 a 2024), con un intervalo de retorno de 16 días.

2.3. RECOLECCIÓN DE MUESTRAS

Creamos una biblioteca espectral basada en la delimitación manual de polígonos de áreas quemadas y no quemadas para utilizarla como muestras de entrenamiento. Estas muestras se estratificaron por sensores Landsat (recogidas en diferentes años) y por cada ecorregión. La recolección de muestras de entrenamiento se realizó en las siete ecorregiones de clasificación, garantizando la representación de las distintas características espectrales presentes en cada una de ellas.

De esta forma, se obtuvo un conjunto de muestras por sensor y para las siete ecorregiones, para ser utilizadas en el entrenamiento del modelo de clasificación.

2.4. CLASIFICACIÓN

El modelo de clasificación utilizado fue la Red Neural Profunda (Deep Neural Network, DNN), que consiste en modelos computacionales basados en cálculos matemáticos capaces de realizar aprendizaje automático y reconocimiento de patrones visuales.

El algoritmo de mapeo de las áreas quemadas constó de dos fases: entrenamiento y predicción. Basándose en las muestras de entrenamiento de áreas quemadas y no quemadas, se utilizaron las siguientes bandas espectrales como entrada para el modelo de clasificación de áreas quemadas: rojo (ROJO – 0,65 µm), infrarrojo cercano (NIR – 0,86 µm) e infrarrojo de onda corta (SWIR 1 – 1,6 µm y SWIR 2 – 2,2 µm). Estas bandas espectrales de Landsat se eligieron por su sensibilidad a los eventos de incendio.

Los datos de entrenamiento se dividieron en dos conjuntos: el 70 % de las muestras se utilizaron para el entrenamiento y el 30 % para la prueba.

2.5. FILTROS ESPACIALES

Se aplicó un filtro espacial para eliminar los píxeles aislados calculando el número de píxeles conectados y eliminando aquellos con cuatro o menos conexiones (~0,36 hectáreas). Este proceso también rellenó los huecos en o alrededor de las cicatrices cuando había más de dieciséis píxeles (~1,44 hectáreas) clasificados conjuntamente como quemados. 

Además, se llevó a cabo un procesamiento posterior a la clasificación para recuperar la información de la fecha del píxel quemado a partir del mosaico anual construido a partir del NBR mínimo, identificando el mes en el que se cartografió la cicatriz del incendio.

2.6. Máscara con clases de uso y cobertura del suelo

Se aplicaron máscaras posteriores a la clasificación para reducir los errores de comisión. Para las ecorregiones del Chaco Seco, Chaco Húmedo, BAAPA y Cerrado, se empleó la clase de agua de la Colección 2 de Cobertura y Uso del Suelo de MapBiomas. Sin embargo, en el caso de la ecorregión del Pantanal, se seleccionó la clase de agua de la Colección 1, ya que sus límites espaciales mostraban una mejor idoneidad. En todas las ecorregiones se aplicó la regla de exclusión (26) correspondiente a la clase de agua permanente.

2.6. EVALUACIÓN DE LA CLASIFICACIÓN

Las evaluaciones de la clasificación de cicatrices de incendios se realizaron con imágenes Landsat, mediante inspección visual, análisis estadísticos y relación con datos de cobertura y uso del suelo de MapBiomas. Además, se compararon con mapas de referencia, incluyendo FIRMS (1 km), GABAM (30 m), MODIS MCD64A1 (500 m), FIRE CCI (250 m) y focos de calor del INPE (1 km).