1
PROGRAMAREDD‐CCAD‐GTZ
Contextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalen
Centroamérica.Insumosparalaprimerareunióndeexpertosenmonitoreoforestal:requerimientosmínimosparaelmonitoreodelosrecursosforestalesenelmarcodelasactividadesdeMRV‐
REDD.
SanSalvador,13al15dediciembrede2010.
Este documento contiene una síntesis del contexto actual del uso de sensores remotos en Centroamérica y República Dominicana; y ha sido desarrollado como insumo para la primera reunión de expertos en monitoreo forestal, organizada por el Programa Reducción de Emisiones por Deforestación y Degradación de Bosques para Centroamérica y República Dominicana (REDD‐CCAD‐GTZ), en coordinación con FAO.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
2
CONTENIDO
SENSORES REMOTOS Introducción……………………………………………………………………………………………….. 3 Contexto …………………………………………………………………………………………………….. 3 Situación actual en la región ……………………………………………………………………… 7 Elementos a considerar ………………………………………………………………………………. 9 BIBLIOGRAFIA 13
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
3
Introducción
En la región Centroamericana, los análisis de cobertura de la tierra por medio de
sensores remotos se han realizado en forma esporádica, sin seguimiento metodológico
y sin continuidad de criterios para el análisis. Se hace necesario un marco regional con
una sola metodología que puede aplicarse a nivel regional y compartir informaciones
entre países vecinos o replicarse en cada país en diferentes fechas de análisis, y de esta
manera buscar una continuidad metodológica.
Otro limitante en la región ha sido la falta de coordinación regional; los presupuestos
para el análisis de cobertura provienen de fondos nacionales, entonces no existe
coordinación entre los países, ni en fechas de elaboración, ni en las leyendas a aplicar.
El resultado ha sido una falta de monitoreo de cobertura regional con resultados
comparables entre los diferentes países, y una falta de coordinación internacional que
podría servir para abaratar costos de implementación de los estudios. Aunque la
coordinación regional no es necesaria para hacer los análisis de cobertura, la falta de
coordinación resulta en discontinuidades en coberturas en las zonas fronterizas. Estas
discontinuidades crean incertidumbres en los analistas externos cuando evalúan los
resultados nacionales, y esto podría llegar a minar la confianza en los resultados de los
análisis.
Contexto
Existen una diversidad de sensores remotos a través de los cuales se obtienen
imágenes satelitales de resolución media que están disponibles a un costo
relativamente bajo (por ej. Landsat ‐30m‐, ASTER ‐15m‐). Además hoy en día se
dispone de una mayor resolución espacial para satélites comerciales de alrededor
entre 1 y 4 metros en imágenes multiespectrales. El reciente lanzamiento de los
satélites de alta resolución (por ej. Quickbird, Ikonos, Geoeye) permite la adquisición
de imágenes de satélite que resultan de mucha utilidad en proyectos que necesitan de
un mayor nivel de detalle (eje. estratificación forestal) y en aquellas zonas donde se
requiere ampliar y mejorar la definición del análisis multiespectral y multitemporal de
trabajos realizados con imágenes de satélite de resolución media. Las principales
características espaciales y espectrales de estos sensores son:
TM y ETM+, sensores de los satélites Landsat 5 y 7, respectivamente. Toman 6
bandas multiespectrales de imagen desde el visible al infrarrojo térmico, con una resolución espacial de 30 m y 60 m. En el caso de ETM+ además se adquiere una banda pancromática de 15 m de resolución.
HRG, sensor del satélite francés SPOT 5, que registra 3 bandas de imagen, en el visible e infrarrojo cercano a 10 m de resolución espacial, una banda en el
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
4
infrarrojo de onda corta (SWIR) a 20 m de resolución y una pancromática a 5 y 2.5 m de resolución.
ALI, sensor multiespectral del programa EO (USGS‐NASA). Adquiere 11 bandas multiespectrales de imagen desde el visible al infrarrojo medio. Su resolución espacial es de 20 m.
Hyperion, sensor hiperespectral del programa EO (USGS‐NASA). Adquiere 240 bandas de imagen desde el visible (400 nm) hasta el infrarrojo de onda corta (2500 nm).
ASTER, sensor multiespectral de las agencias espaciales estadounidense y japonesa ( NASA/JAXA). Toma 4 bandas multiespectrales en el visible de 15 m de resolución, 6 bandas en el infrarrojo de onda corta de 30 m de resolución, y 5 bandas térmicas de 90 m de resolución.
Sensores QuickBird e Ikonos, sistemas de alta resolución espacial, toman 4 bandas en el visible e infrarrojo cercano, a 4 m de resolución espacial, y una en el pancromático a 0.6 y 1 m de resolución, respectivamente.
Las experiencias previas (Algeet et al., 2009; Sánchez et al., 2009) llevan a la conclusión de que los datos de satélites de alta resolución disponibles, unidos a los ampliamente usados en proyectos homólogos como los procedentes del sensor TM y ETM+ de los programas espaciales de Landsat, son adecuados para los propósitos de REDD, al aplicar al análisis de textura, el análisis multiespectral. Por esta razón, el uso de conjuntos de datos multifuente (fotografía área e imágenes de satélite de resolución media y alta), puede repercutir positivamente en la calidad de los resultados y en la relación costo/hectárea entre ambos conjuntos de datos.
En las siguientes ilustraciones se muestra ejemplos de imágenes de sensores remotos de diferentes resoluciones, en un sector fronterizo entre en el oriente de Guatemala y el occidente de Honduras:
Ortofoto de 0.5m ‐ año 2006. Imagen IKONO de 1m ‐ año 2007.
Fuente: Sistema de Información de la Comisión Trinacional del Plan Trifinio (SIT‐CTPT).
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
5
Imagen ASTER de 15m ‐ año 2007. Imagen LANDSAT de 30m ‐ año 2006.
Fuente: Sistema de Información de la Comisión Trinacional del Plan Trifinio (SIT‐CTPT).
También están disponibles de forma gratuita imágenes de baja resolución, entre las
cuales, las imágenes capturadas por el sensor MODIS (Moderate Resolution Imaging
Spectroradiometer) han retomado relevancia desde su lanzamiento en el año 1999.
Estas imágenes están compuestas por 36 bandas (resolución de 250m en las bandas 1
y 2; 500m en las bandas 3 a 7; y 1000m en las bandas 8 a 36), algunas de la cuales se
utilizan para extraer información básica y otras para facilitar las correcciones
atmosféricas. El equipo de aplicaciones terrestres de MODIS (MODLAND) produce una
serie de variables relacionadas con la vegetación como ser: índices de vegetación,
índice de área foliar, fracción activa de radiación fotosintética, productividad primaria
neta, anual, área quemada y porcentaje de vegetación (Anaya, 2009).
En el ámbito global, desde hace mas de una década se busca el monitoreo cuantitativo
de la cobertura boscosa a grande escala, empezando con imágenes AVHRR. El sensor
AVHRR da la posibilidad de una cobertura muy amplia debida a su baja resolución; la
introducción de MODIS favoreció mejorar la precisión del monitoreo, y aprovechó de
las experiencias con AVHRR para dibujar pautas de un sistema de monitoreo de
bosques a gran escala (Hansen et.al 2002).
El producto de VCF de MODIS (Vegetation Continuous Fields) de MODIS (Figura 4) se
presenta como una herramienta importante para el monitoreo de la deforestación y
degradación de bosques. El VCF es una imagen que contiene en cada pixel el
porcentaje de cobertura forestal. A la fecha el producto VCF de MODIS se encuentra
disponible con cobertura global para los años 2000 al 2005, a través de portal de datos
de Globla Land Cover Facility (GLCF)1.
1 www.glcf.umd.edu
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
6
Figura 4. Producto VFC (Vegetation Continuous Fields)‐ MODIS del año 2000.
Aunque es más común utilizar las imágenes de satélite para clasificar el uso de la tierra
en categorías exclusivas (p.ej. agricultura, bosque), estas categorías no se prestan para
detectar cambios sutiles como lo que se propone en la implementación REDD. Con la
cuantificación del porcentaje de cobertura de árboles en paisajes, es posible
monitorear los procesos de degradación de bosques, o la reducción de la degradación.
Similarmente, se puede documentar cambios en la cobertura de árboles en paisajes
agrícolas complejos, con sistemas agroforestales y silvopastoriles.
En cuanto a las técnicas de análisis y procesamiento de imágenes, están emergiendo
diferentes aplicaciones y métodos de detección que al ser aplicadas en un territorio
pueden presentar variaciones significativas en los resultados obtenidos. Existen cuatro
enfoques principales que se recomienda evaluar, los cuales deberían compararse en
cuanto a su precisión: 1) métodos de clasificación supervisada (o no supervisada)
multiespectral, 2) metodología de árboles de decisión; 3) análisis de mezclas
espectrales y 4) segmentación de imágenes de resolución múltiple. No hay ningún
método en particular más preciso, sino que sólo una combinación de distintos
procedimientos ‐ como sugiere (Ranchin et al., 2001), es la que conduce a los mejores
resultados.
Como parte de la encuesta de teledetección de la evaluación de los recursos
forestales mundiales; se seleccionaron las mejores imágenes Landsat de los años
1990, 2000 y 2005 y se extrajeron muestras de 10x10 km, en cada intersección de
longitud y latitud, en toda la superficie de la tierra. Estas muestras fueron procesadas
mediante el método de “segmentación de imágenes de resolución múltiple”, utilizando
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
7
el software comercial e‐Cognition; el resultado fue polígonos etiquetados de manera
preliminar mediante un sistema de clasificación simplificado de cobertura de la tierra
(cada polígono contiene la información del tipo de cubierta para los tres periodos
analizados), y posteriormente las muestras clasificadas fueron proporcionadas a
expertos nacionales y regionales para su validación (FAO , JRS y SDSU, 2009). Aplicar
esta técnica de procesamiento con una mayor intensidad de muestreo permite
obtener estadísticas de la deforestación histórica a nivel nacional y regional.
De igual forma el Instituto Nacional de Investigaciones Espaciales de Brasil (INPE), en el
marco del monitoreo satelital de la Amazonía brasileña a través de los proyecto
PRODES (Estimación de deforestación de la Amazonia) y DETER (Detección de áreas
deforestadas en tiempo real); aplica el Modelo Linear de Mixtura Espectral (MLME)
para obtener imágenes fracción de vegetación, suelo y sombra/agua a partir de
imágenes multiespectrales Landsat y MODIS. La imagen fracción de vegetación resalta
las áreas de cobertura vegetal, la imagen fracción de suelo resalta las áreas de suelo
expuesto; mientras la imagen fracción de sombra/agua resalta las áreas ocupadas con
sombra, los cuerpos de agua, áreas de quema y áreas inundadas. El INPE utiliza la
imagen fracción de suelo, para realizar la clasificación en las categorías de de bosque,
no bosque, hidrografía y deforestación total (INPE, 2005). Estos procedimientos son
aplicados haciendo uso del software libre SPRING.
Recientemente, en el marco de la Conferencia de las Partes de la Convención Marco de
Naciones Unidas sobre el Cambio Climático (COP 16), se presento la aplicación Google
Earth Engine, se trata de una plataforma tecnológica integrada que pondrá al alcance
de las organizaciones vinculadas al monitoreo de la deforestación, imágenes satelitales
actuales e históricas, asi como capacidades de procesamiento. A través de esta
aplicación, en los países menos desarrollados Google ha ofrecido el acceso a imágenes
satelitales junto con capacidades de procesamiento para analizar la deforestación en
forma rápida y precisa. Como ejemplo del potencial de esta plataforma se ha aplicado
a imágenes Landsat, el algoritmo VCF de MODIS, para obtener un mapa de porcentaje
de la cobertura forestal de México, este mapa fue producido en menos de una semana
(www.earthengine.googlelabs.com).
Situación actual en la región
Entre los años 2000 al 2003, en los países de Centroamérica y República Dominicana se
realizaron varios esfuerzos institucionales orientados a establecer las capacidades para
el uso e interpretación de imágenes satelitales Landsat de 30m de resolución. Como
resultado se obtuvieron mapas de cobertura de la tierra o de usos del suelo
(Guatemala, El Salvador, Honduras y República Dominicana) y mapas forestales o de
cobertura boscosa (Belice, Nicaragua, Costa Rica y Panamá). En el cuadro 3 se indican
los años e instituciones responsables de la generación de estos mapas.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
8
Cuadro 3. Mapas de cobertura de la tierra y/o forestales generados entre los años 2000 y 2003
en Centroamérica y República Dominicana.
Cada uno de estos mapas fue generado en cada país y no se estableció una
coordinación entre los países, ni en fechas de elaboración, ni en las leyendas a aplicar.
Sin embargo, a pesar de que no ha existido una coordinación entre los países de la
región en la elaboración de los mapas de cobertura forestal, hay excepciones claves
que proveen datos muy útiles. Por ejemplo, el mapeo de ecosistemas, ejecutado con
una metodología única en toda la región en 2000 (realizado por CCAD con
financiamiento del Banco Mundial), el esfuerzo internacional de GLCS (Global Land
Cover Survey) de la NASA para crear una cobertura sencilla a nivel mundial, y el uso de
MODIS para el mapeo a nivel regional en los contextos de AID y NASA (mapa elaborado
por el CIESEN). Aunque todos estos estudios son de cobertura regional, no comparten
metodologías ni leyendas, entonces hasta el momento no forman parte de un proceso
de monitoreo. Un esfuerzo más reciente, es el mapeo regional de la cobertura y uso
de la tierra que se está desarrollando a través del programa para la reducción de la
vulnerabilidad y degradación ambiental (PREVDA). Este mapeo ha sido generando
utilizando imágenes satelitales MODIS e incluye mapas de la cobertura actual e
históricos.
Las cifras de cobertura forestal obtenidas de diferentes fuentes difieren
significativamente. En el cuadro 4 se presenta los datos reportados para el año 2000
en la evaluación de los recursos forestales mundiales 20102 (FRA 2010); y su
comparación con las cifras calculadas a partir del mapa de ecosistema de América
Central3, y con los datos obtenidos de los mapas de cobertura del suelo disponibles
para este año en cada uno de los países4.
2 FAO, 2010. Evaluación de los recursos forestales mundiales 2010. Informe principal, Roma, Italia. 3 World Bank and CCAD. 2000. Ecosystems of Central America (ArcView regional mapFiles at: 1:250,000). 4 Los mapas de cobertura del suelo utilizados fueron generados con imágenes Landsat TM y corresponden a los siguientes años: Belice: 2000 (CATHALAC); Guatemala: 2003 (MAGA); El Salvador:
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
9
Cuadro 4. Superficies de bosque de Centroamérica y República Dominicana al año 2000,
obtenidas de diferentes fuentes.
PAIS
Mapa de
ecosistemas
(Km2)
FRA‐FAO
(Km2)
Diferencias
entre el mapa de
ecosistemas y
FRA‐FAO
Otros
mapas (Km2)
Diferencias
entre el mapa
de
ecosistemas y
otros mapas
Belize 13,911 14,890 ‐ 979 14,658 ‐ 747
Costa Rica 13,879 23,760 ‐ 9,881 23,667 ‐ 9,788
El Salvador 2,462 3,320 ‐ 858 3,116 ‐ 653
Guatemala 47,236 42,080 + 5,156 40,954 + 6,282
Honduras 42,678 63,920 ‐ 21,242 54,310 ‐ 11,632
Nicaragua 43,071 38,140 + 4,931 47,783 ‐ 4,712
Panamá 41,680 33,690 + 7,990 42,921 ‐ 1,241
República
Dominicana5 14,890 19,720 ‐ 4,830 16,348 ‐ 1,458
Total 219,807 239,520 ‐19,713 243,755 ‐ 23,948
Elementos a considerar
Al no contar con procedimientos homologados sobre el mapeo de la cobertura
forestal, los resultados de los diferentes análisis no son comparables. En un análisis
rápido realizado en la zona central de Honduras (figura 5), se comparó la cobertura de
bosque visualizada en el mapa forestal de 1995 (ICF) con el mapa nacional de usos del
suelo (SINIT, 2002), el mapa nacional de ecosistemas del ese mismo año (SINIT, 2002) y
los mapas de cobertura de usos de suelo de los año 2000 y 2008 obtenidas del SERVIR.
Como se observa en la figura 5, si se quisiera hacer una comparación de la pérdida de
cobertura forestal para los años 1995 – 2000/2002 – 2008, los resultados serían muy
diferentes, según el mapa seleccionado.
Similar situación se presenta al comprar la categoría de bosques del mapa de
ecosistemas elaborado a nivel regional, con la clase de bosques extraída de los mapas
generados a nivel nacional (Figura 6).
2000 (MARN); Honduras: 2002 (PMDN); Nicaragua: 2000 (MAGFOR/INAFOR); Costa Rica: 2000 (FONAFIFO); Panamá: 2000 (ANAM); República Dominicana: 2003 (SEMARENA). 5 En la evaluación mundial de bosques de la FAO del 2010 (FRA‐2010) el dato de República Dominicana presentado en las tendencias de la cobertura forestal es el mismo para todos los años analizados (1990, 2000, 2005 y 2010) y se desconoce a qué año corresponde específicamente, en el informe no se encontraron referencia al respecto.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
10
Figura 5. Comparación de mapas de cobertura de bosque en la zona central de Honduras.
Figura 6. Comparación de zonas que presentan diferencias significativas entre el mapa de ecosistemas de
Centroamérica y los mapas de cobertura del suelo disponibles en los países.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
11
Los factores que las provocan las diferencias en los mapas de cobertura forestal
correspondientes al mismo año, están relacionados a los siguientes aspectos:
‐ Los sistemas de clasificación: Las definiciones o concepto de los tipos de bosque
y de otras clases de cobertura, pueden variar dependiendo de los objetivos del
análisis.
‐ Resolución espectral de las imágenes de sensores remotos. La capacidad de
diferenciación entre tipos de cobertura está relacionada con el numero de bandas
de la imagen, las cuales representan rangos del espectro electromagnético
captados por el sensor que realiza la toma. Los tipos de coberturas se reflejan con
intensidades diferentes en cada banda.
‐ Resolución espacial de las imágenes de sensores remotos. Se refiere al tamaño
del pixel o del cuadrante mínimo que puede ser identificado en la imagen (una
imagen con una resolución 1mx1m permitirá obtener mayor detalle una de
30mx30m).
‐ Época de toma de las imágenes. Las variaciones en las condiciones atmosféricas y
las condiciones fenológicas de la vegetación, provocan que las respuestas
espectrales de un determinado tipo de cobertura varíe de una época del año a
otra.
‐ Los métodos de interpretación y nivel de comprobación en campo: Se aplican
distintos métodos para interpretar las imágenes satelitales: algunos mapas de
cobertura se ha elaborado a partir de interpretación visual otros con
interpretación digital que puede ser a su vez supervisadas o no supervisadas,
además de otras variaciones.
En este sentido, se recomienda tener en cuenta cuatro aspectos para el uso de
sensores remotos en los análisis de la cobertura actual e histórica en el contexto de
REDD:
La definición del tipo de imágenes a utilizar de acuerdo al propósito
(estratificación, análisis histórico de la deforestación, línea base actual) y según
el nivel del análisis (regional, nacional, subnacional).
Un sistema de clasificación de tipos de bosques que permita la comparación
de análisis de diferentes fechas o niveles (nacional, regional, subnacional).
La selección de uno o varios métodos semi‐automático para la detección de
tipo y estado de bosque a partir de datos digitales de sensores remotos.
La definición de los procedimientos de análisis multitemporal de cambios para
apoyar la toma de decisiones mediante la integración de mapas de diferentes
fechas.
Para el monitoreo de deforestación y degradación en los países de Centroamérica y República Dominicana se recomienda conformar un conjunto de datos multifuente. Los sensores se seleccionarían en función de su disponibilidad y complementariedad
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
12
para alcanzar el objetivo técnico final en la elaboración de mapas de tipos de bosques y su dinámica de cambio. Se deberá, una vez identificados los sensores de satélite adecuados para cada tarea, decidir cuál de los datos archivados disponibles serán útiles e idóneos para en cada caso. La tarea de selección de las imágenes de satélite se debería producir por lo menos dos veces en cada año analizado (una para la estación seca y otra para la estación lluviosa).
Para el monitoreo regional, el uso de sensores como LANDSAT o SPOT requieren muchas imágenes a analizar, condición que crea su propio problema de logística. Como respuesta, se recomienda un análisis basado en MODIS para detectar tendencias regionales, apoyada por comprobaciones especificas con imágenes de mayor resolución donde existen dudas. Son cuatro las escenas MODIS para cubrir la zona de Centroamérica y la Republica Dominicana que gozan de muchas ventajas para considerar en el proceso de monitoreo. En el nivel regional, la evaluación instantánea de los cambios mensuales, y su comparación con la dinámica anual ‘normal’, representa una especie de Sistema de Alerta Temprana sobre cambios en la vegetación, para evitar la necesidad de esperar todo el año hasta que se dé cuenta de cambios potenciales en la vegetación. Estas alertas pueden refieren a puntos exactos en el espacio, entonces pueden ser comprobadas por medio de un chequeo de campo.
Para la detección definitiva de cambios en la vegetación recomienda la construcción
del análisis tipo VCF (Vegetation Continuous Fields) descrito por Hansen (2002, 2003) y
validado para datos de África e Indonesia (Hansen 2009) y Mexico (Hansen, 2010). Un
ejemplo de análisis de tendencia de deforestación y/o degradación a partir de la resta
de los VCF de los años 2000 y 2005 aplicado por el programa REDD‐CCAD‐GTZ se
muestra en figura 7.
Figura 7. Tendencias e intensidad de cambios de la cobertura forestal una zona fronteriza entre Honduras ‐
Nicaragua, para el periodo 2000 – 2005. Fuente: Programa REDD‐CCAD‐GIZ, a partir de productos VCF ‐MODIS.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
13
BIBLIOGRAFIA CONSULTADA
Ashutosh, Subhash. 2009. “Nationwide Biennial Forest Cover Monitoring; Nationwide Biennial Forest Cover Monitoring : India’ s Experience.” En REDD Capacity Development Workshop on: “Forest Area Change Assessment: The Experience of Existing Operational Systems”. INPE, Sao Jose dos Campos, Brazil. 4-6 February 2009.
Algeet, N., Marchamalo, M., Rejas, J.G., Bonatti, J. y Martínez, R., 2009. Estudio de los cambios del uso del suelo durante el período 1986-2001 a través del análisis multitemporal de imágenes Landsat en el macizo del Volcán Irazú, Costa Rica. XVIII Congreso Latinoamericano de la Ciencia del Suelo, San José (Costa Rica).
Anaya A, Jesús. 2009. Estimación mensual de emisiones por biomasa quemada para Colombia basado en imágenes de satélite. Tesis Doctoral. Universidad de Alcalá. Madrid, España.
Chuvieco, E. 2002. Teledetección Ambiental. La observación de la Tierra desde el Espacio. Editorial Ariel, Barcelona, España. Di Gregorio, A. and Jansen, L.J.M., 2000. “Land Cover Classficacion System (LCCS)”. F.A.O. 180 pp. Roma.
FERREIRA, N.C., L. G. FERREIRA, A. R. HUETE y M. E. FERREIRA. 2007. “An operational deforestation mapping system using MODIS data and spatial context analysis”. En International Journal of Remote Sensing: Vol. 28, No. 1, 10 January 2007, 47–62.
GOFC-GOLD, 2008, Reducing greenhouse gas emissions from deforestation and degradation in developing countries: a sourcebook of methods and procedures for monitoring, measuring and reporting, GOFC-GOLD Report version COP13-2, (GOFC-GOLD Project Office, Natural Resources Canada, Alberta, Canada).
Hansen, M.C., R.S. DeFries, J.R.G. Townshend, R. Sohlberg, C. Dimiceli, M. Carroll. 2001. “Towards an operational MODIS continuous field of percent tree cover algorithm: examples using AVHRR and MODIS data”. En Remote Sensing of Environment 83 (2002) 303–319.
Hansen, M.C., R. S. DeFries, J. R. G. Townshend, M. Carroll, C. Dimiceli, and R. A. Sohlberg. 2003. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First Results of the MODIS Vegetation Continuous Fields Algorithm. In Earth Interactions, Volume 7 (2003), Paper No. 10; Page 1.
Hansen, Matthew C., Stephen V. Stehman, Peter V. Potapov, Thomas R. Loveland, John R. G. Townshend, Ruth S. DeFries¶, Kyle W. Pittman, Belinda Arunarwati, Fred Stolle, Marc K. Steininger, Mark Carroll, and Charlene DiMiceli. 2008. Humid tropical forest clearing from 2000 to 2005 quantified by using multitemporal and multiresolution remotely sensed data. PNAS. July 8, 2008; vol. 105; no. 27: 9439–9444.
Matthew C. Hansen, David P. Roy, Erik Lindquist, Bernard Adusei, Christopher O. Justice, Alice Altstatt. 2008. “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin”. Remote Sensing of Environment 112 (2008) 2495–2513.
INPE. 2005. Detección de áreas deforestadas en tiempo real: conceptos básicos, desarrollo y aplicaciones del proyecto DETER. Sao José dos Campos, Brasil.
ContextoactualdelusodesensoresremotosparaelmapeodelacoberturaforestalenCentroamérica.
14
INTELSIG. 2003. Evaluación de la Cobertura de la Tierra en la Reserva del Hombre y la Biosfera del Rio Plátano: Análisis Multitemporal de Imágenes del Satelite Landsat-Tm, entre los aňos 2001-2002. AFE-COHDEFOR/KFW/GTZ/GFA. INTELSIG. 2008. Análisis Multitemporal de Imágenes Satelitales para la Detección de Cambio en la Cobertura de la Tierra para los períodos (1986-89/1999-2000) (1999-2000/2000-2005-06) en BOSAWAS/IRAAN y los Departamentos de Rivas, Carazo y Granada. Nicaragua, C.A. MASRENACE/GTZ/GFA. FAO. 2010. Evaluación de los recursos forestales mundiales 2010 (FRA 2010). Informe principal. Estudio FAO Montes 163. Roma, Italia. 378 p. Consultado en octubre de 2010. Disponible en http://foris.fao.org/static/data/fra2010/FRA2010 _Report_S.pdf
FAO, JRC Y SDSU. 2009. Encuesta de Teledetección de la Evaluación de los Recursos Forestales Mundiales 2010: un bosquejo de objetivos, datos, métodos y enfoque. Documento de Trabajo 155 de la Evaluación de Recursos Forestales. Publicado por FAO con partenarios de FRA RSS, 2009. Roma, Italia.
Latifovic, R., Zhi-Liang, Zhu, Cihlar, J., Giri, C. and Olthof, I., 2004. Land cover mapping of North and Central America-Global Land Cover 2000, Remote Sensing of Environment, 89: 1, 116-127.
Mehl, H.; Peinado, O. 1997. Fundamentos del Procesamiento Digital de Imágenes. En: Aplicación de la teledetección y de los sistemas de información geográfica en la gestión de recursos naturales. Parte I: Fundamentos teóricos y prácticos. Harald Mehel y Erich Mies Editores. Matthew L. Clark, T. Mitchell Aide, H. Ricardo Grau, George Riner. 2010. ”A scalable approach to mapping annual land cover at 250 m using MODIS time series data: A case study in the Dry Chaco ecoregion of South America”. En Remote Sensing of Environment 114 (2010) 2816–2832.
Priego, A.; Bocco, G.; Mendoza, M.; Garrido, A. 2008. Propuesta para la Generación Semiautomatizada de Unidades de Paisaje. Fundamentos y Métodos. SEMARNAT, INE-SEMARNAT, Centro de Investigaciones en Geografía Ambiental – UNAM.
Ranchin, T., Wald, L. and Mangolini, M., 2001. Improving spatial resolution of images by means of sensor fusion. A general solution: the ARSIS method. Remote Sensing and Urban Change, GISDATA 9. Edited by J.-P. Donnay, M.J. Barnsley and P.A. Longley. Published by Taylor & Francis, London, ISBN 0-7484-0860-6, 224 p. Chapter 2, pp. 21-37.
Sánchez, A., Rejas, J.G., Véliz, S.V. y Pineda, M.C., 2009. Dinámica temporal de la cobertura de la tierra en la cuenca del valle de Jesús de Otoro (Honduras) mediante técnicas de teledetección. VIII Congreso Ibérico de Arqueometría, Teruel (España).
World Bank and CCAD. 2000. Ecosystems of Central America (ArcView regional mapFiles at: 1:250,000).