Estimación de la biomasa aérea usando datos de campo e información de sensores remotos Versión 1.0 Estimación de la biomasa aérea usando datos de campo e información de sensores remotos Versión 1.0 JUAN MANUEL SANTOS CALDERÓN Presidente de la República BEATRIZ ELENA URIBE BOTERO Ministra de Ambiente, Vivienda y Desarrollo Territorial SANDRA BESSUDO LION Alta Consejera Presidencial para la Gestión Ambiental, la Biodiversidad y el Cambio Climático CARLOS CASTAÑO URIBE Viceministro de Ambiente RICARDO JOSÉ LOZANO PICÓN Director General Instituto de Hidrología, Meteorología y Estudios Ambientales – IDEAM LUZ MARINA ARÉVALO SÁNCHEZ Subdirectora Ecosistemas e Información Ambiental – IDEAM FOTOGRAFÍAS DE LA CARÁTULA Lina María García Flórez Wilson Giraldo Pamplona Ronan Montañés Valencia Sebastián Ramírez Echeverri Gustavo Galindo García DISEÑO CARÁTULA Grupo Comunicaciones – IDEAM DISEÑO Y DIAGRAMACIÓN Mauricio Ochoa P. - Editorial Scripto Ltda. IMPRESIÓN Y ACABADOS Editorial Scripto Ltda. PBX: 756 20 03 Publicación aprobada por el Comité de Comunicaciones y Publicaciones del IDEAM Noviembre de 2011, Colombia ISBN: 978-958-8067-50-6 CÍTESE COMO: Galindo G.A., Cabrera E., Vargas D.M., Pabón, H.R., Cabrera, K.R., Yepes, A.P., Phillips, J.F., Navarrete, D.A., Duque, A.J., García, M.C., Ordoñez, M.F. 2011. Estimación de la Biomasa Aérea usando Datos de Campo e información De Sensores Remotos. Instituto de Hidrología, Meteorología, y Estudios Ambientales-IDEAM-. Bogotá D.C., Colombia. 52 p. CÍTESE DENTRO DE UN TEXTO COMO: Galindo. et al., IDEAM 2011. 2011, Instituto de Hidrología, Meteorología y Estudios Ambientales-IDEAM. Todos los derechos reservados. Los textos pueden ser usados parcial o totalmente citando la fuente. Su reproducción total debe ser autorizada por el Instituto de Hidrología, Meteorología y Estudios Ambientales-IDEAM. Este trabajo fue financiado por la Fundación Gordon y Betty Moore, proyecto “Capacidad Institucional Técnica y Científica para Apoyar Proyectos de Reducción de Emisiones por Deforestación y Degradación –REDD– en Colombia”, Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM), Ministerio de Medio Ambiente, Vivienda y Desarrollo Territorial (MAVDT), Fundación Natura. Impreso en Colombia - Printed in Colombia MINISTERIO DE AMBIENTE, VIVIENDA Y DESARROLLO TERRITORIAL INSTITUTO DE HIDROLOGÍA, METEOROLOGÍA Y ESTUDIOS AMBIENTALES - IDEAM RICARDO JOSÉ LOZANO PICÓN Director General CAROLINA CHINCHILLA TORRES Secretaria General CONSEJO DIRECTIVO BEATRIZ ELENA URIBE BOTERO Ministra de Ambiente, Vivienda y Desarrollo Territorial LUÍS ALFONSO ESCOBAR TRUJILLO Representante de las CARs GERMÁN CARDONA GUTIÉRREZ Ministro de Transporte OSCAR JOSÉ MESA SÁNCHEZ Representante del Consejo Nacional de Ciencia y Tecnología HERNANDO JOSÉ GÓMEZ RESTREPO Director Departamento Nacional de Planeación JORGE BUSTAMANTE ROLDÁN Director del Departamento Administrativo Nacional de Estadística-DANE ADRIANA SOTO CARREÑO Designada de la Presidencia de la República DIRECTIVAS LUZ MARINA ARÉVALO SÁNCHEZ Subdirectora de Ecosistemas e Información Ambiental MARGARITA GUTIÉRREZ ARIAS Subdirectora de Estudios Ambientales MARÍA TERESA MARTÍNEZ GÓMEZ Jefe de Oficina Servicio de Pronóstico y Alertas LILIANA MALAMBO MARTÍNEZ Jefe Oficina Asesora de Planeación MARTHA DUARTE ORTEGA Jefe Oficina de Control Interno (E) OMAR FRANCO TORRES Subdirector de Hidrología ERNESTO RANGEL MATILLA Subdirector de Meteorología ALICIA BARÓN LEGUIZAMÓN Jefe de la Oficina de Informática (E) FERNEY BAQUERO FIGUEREDO Jefe Oficina Asesoría Jurídica MARCELA SIERRA CUELLO Coordinadora Grupo Comunicaciones AUTORES Gustavo Galindo García Edersson Cabrera Montenegro Diana Marcela Vargas Galvis Héctor Raúl Pabón Méndez Keneth Roy Cabrera Torres Adriana Patricia Yepes Quintero Juan Fernando Phillips Bernal Diego Alejandro Navarrete Encinales Álvaro Javier Duque Montoya María Claudia García Dávila María Fernanda Ordóñez Castro COLABORADORES Ana María Pacheco Pascagaza Paola Borita Giraldo Rodríguez Edwin Iván Granados Vega COORDINACIÓN Y SUPERVISIÓN María Claudia García Dávila Coordinadora General María Fernanda Ordoñez Castro Asistente de Coordinación Álvaro Javier Duque Montoya Coordinador Componente Carbono Edersson Cabrera Montenegro Coordinador Componente Procesamiento Digital de Imágenes AGRADECIMIENTOS El Instituto de Hidrología, Meteorología y Estudios Ambientales –IDEAM–, agradece a la Fundación Betty and Gordon Moore y a la Fundación Natura, y a las siguientes entidades que contribuyeron al logro de esta publicación, por el apoyo e información suministrada: INSTITUCIONES • • • • • • • • • • • • • • • • • • • • • • • • • • Woods Hole Research Center - WHRC USAID/Colombia. Agencia de Estados Unidos para el Desarrollo Internacional. Agencia de Estados Unidos para el Desarrollo Internacional (USAID) Corporación Autónoma Regional de Antioquia (Corantioquia) Corporación Autónoma Regional de Antioquia (Corantioquia)/Universidad Nacional de Colombia Corporación Autónoma Regional de La Guajira (Corpoguajira)/Fundación Desarrollo Guajiro Corporación Autónoma Regional de La Guajira (Corpoguajira)/Hidrocaribe Corporación Autónoma Regional de Nariño (Corponariño) Corporación Autónoma Regional de Sucre (Carsucre)/Fundación Sabanas Corporación Autónoma Regional de la Orinoquía (Corporinoquía) Corporación Autónoma Regional de los Valles del Sinú y San Jorge (CVS)/Conservación Internacional Corporación Autónoma Regional de los Valles del Sinú y San Jorge (CVS)/Universidad Nacional de Colombia Corporación Autónoma Regional del Canal del Dique (Cardique) Corporación Autónoma Regional del Cauca (CRC) Corporación Autónoma Regional del Chocó (Codechocó) Corporación Autónoma Regional del Tolima (Cortolima) Corporación Autónoma Regional del Valle del Cauca (CVC) Corporación para el desarrollo sostenible del Urabá (Corpourabá) Dirección de Investigación Medellín/Universidad Nacional de Colombia Fundación Natura Fundación Puerto Rastrojo Fundación Tropenbos Incoplan S.A. Instituto de Investigaciones Marinas y Costeras José Benito Vives De Andréis (Invemar)/Urrá E.S.P. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt (IAvH) Missouri Botanical Garden PERSONAS NATURALES • Joost F. Duivenvoorden Proyecto “Capacidad Institucional, Técnica y Científica para Apoyar Proyectos de Reducción de Emisiones Por Deforestación y Degradación –REDD– en Colombia” Comité Técnico Andrea García Guerrero Coordinadora Grupo de Mitigación de Cambio Climático Ministerio de Ambiente, Vivienda y Desarrollo Territorial Xiomara Sanclemente Manrique Directora de Ecosistemas Ministerio de Ambiente, Vivienda y Desarrollo Territorial Luz Marina Arévalo Sánchez Subdirectora Ecosistemas e Información Ambiental Instituto de Hidrología, Meteorología y Estudios Ambientales -IDEAMMaría Margarita Gutiérrez Arias Subdirectora de Estudios Ambientales Instituto de Hidrología, Meteorología y Estudios Ambientales -IDEAMAna Cristina Villegas Restrepo Oficial de Proyecto Fundación Gordon y Betty Moore Elsa Matilde Escobar Ángel Directora Ejecutiva Fundación Natura Álvaro Javier Duque Montoya Profesor Asociado Departamento de Ciencias Forestales, Universidad nacional de Colombia Coordinación General María Claudia García Dávila María Fernanda Ordóñez Castro Juanita González Lamus Carlos Alberto Noguera Cruz Henry Alterio González Equipo Técnico Carbono Álvaro Javier Duque Montoya Adriana Patricia Yepes Quintero Diego Alejandro Navarrete Encinales Juan Fernando Phillips Bernal Lina María Carreño Correa Keneth Roy Cabrera Torres Esteban Álvarez Dávila Walter Gil Torres Equipo Técnico Procesamiento Digital de Imágenes Edersson Cabrera Montenegro Diana Marcela Vargas Galvis Gustavo Galindo García Lina Katherine Vergara Chaparro Ana María Pacheco Pascagaza Juan Carlos Rubiano Rubiano Paola Giraldo Rodríguez Edilia González Mateus Luisa Fernanda Pinzón Flores Edwin Iván Granados Vega Paola Margarita Pabón Otálora Karol Constanza Ramírez Hernández Daniel Alberto Aguilar Corrales Henry Omar Augusto Castellanos Quiroz Helio Carrillo Peñuela Equipo Técnico Proyecciones de Deforestación Andrés Alejandro Etter Rothlisberger Armando Hilario Sarmiento López José Julián González Arenas Sergio Alonso Orrego Suaza Cristian David Ramírez Sosa Equipo Técnico Componente Tecnológico María Liseth Rodríguez Montenegro Edwin Yesid Carrillo Vega Emilio José Barrios Cárdenas Equipo Técnico Proyecto Piloto REDD Adriana Patricia Yepes Quintero William Giovanny Laguado Cervantes Johana Herrera Montoya CONTENIDO GENERAL INTRODUCCIÓN ............................................................................................ 1. METODOLOGÍA ....................................................................................... 9 11 1.1. PREPARACIÓNVARIABLES................................................................ 1.1.1.Valores espectrales derivados de MODIS .......................................... 1.1.2. Índices de Vegetación..................................................................... 1.1.3. Índices Topográficos....................................................................... 1.1.4. Índices climáticos .......................................................................... 1.2. PREPARACIÓNFINALDELASVARIABLES .......................................... 1.3. PREPARACIÓNDELOSDATOSDECAMPO ......................................... 1.4.INCORPORACIÓNDEINFORMACIÓNDEGLAS/ICESAT ........................ 1.5.PREPARACIÓNFINALDELOSDATOSDECAMPO ................................. 1.6.ANALISIS EN RANDOM FORESTS........................................................ 13 13 14 16 18 19 20 24 25 27 RESULTADOS .......................................................................................... 2.1.VALIDACIÓN ..................................................................................... 2.2.ANÁLISISPORREGIONESNATURALES ................................................ 2.3.ANÁLISIS POR ZONAS DE VIDA .......................................................... 2.4.ANÁLISIS POR DEPARTAMENTOS ....................................................... 2.5.CORPORACIONESAUTÓNOMASREGIONALES-CARs .......................... 2.6.“HOTSPOTS” DE CONTENIDOS DE CARBONO ....................................... 29 34 35 35 36 38 38 CONCLUSIONESYRECOMENDACIONES.................................................... 43 LITERATURACITADA ........................................................................................ 47 2. 3. LISTA DE TABLAS Tabla 1. Variables espaciales utilizadas en el modelo ........................................... Tabla2.Fuentesdelosdatosdeparcelaspermanentes/temporalesutilizadas ....... Tabla 3. Reservas de carbono almacenadas en Bosques Naturales de Colombia por Region natural .............................................................................. Contenido general 19 20 35 7 estimación de la biomasa aérea usando datos de campo e información de sensores remotos Tabla 4. Estimacion de las Reservas de carbono almacenadas en Bosques Naturales de Colombia por Zonas de vida.............................. 36 Tabla 5. Resultados de la Estimacion de las Reservas de carbono almacenadas en Bosques Naturales de Colombia por Deparatmeno.............................. 37 LISTA DE FIGURAS Figura 1. Distribución de la Biomasa aérea en Bosques Tropicales ........................ 10 Figura 2. Dendrograma de Clusters para el filtrado de los datos de campo............. 21 Figura 3. Histograma de frecuencia de los datos de parcelas de biomasa aérea en bosques de Colombia...................................................................... 22 Figura 4. Distribución de los datos de campo utilizados en el análisis..................... 23 Figura 5. Puntos de GLAS14 con datos de biomasa para Colombia en el año 2007.. 26 Figura 6. Desempeño del algoritmo Random Forest con las diferentes variables corridas individualmente........................................................ 32 Figura 7. Distribución de los Contenidos de Carbono aéreo en Colombia para el año 2007............................................................................... 33 Figura 8. Resultado de la validación de resultados modelo Random Forest.............. 34 Figura 9. Contenidos de Carbono por Corporaciones Autónomas Regionales de Colombia........................................................................................ 38 Figura 10. Identificación de categorías de Carbono en los Bosques de Colombia...... 39 Figura 11. Identificación de los Hotspots de Biomasa en bosques de Colombia........ 40 8 INTRODUCCIÓN Se estima que los ecosistemas terrestres almacenan alrededor de 2,000 Gt de Carbono y una quinta parte de estos se encuentra en los bosques tropicales (Brown, 1997). Las emisiones mundiales de CO2 debidas a deforestación contribuyen con alrededor del 20% del total de emisiones de gases efecto invernadero (IPCC, 2007) y son equivalentes a aproximadamente 5.8 Gt de dióxido de carbono al año. Para tomar medidas efectivas orientadas a reducir las emisiones debidas a deforestación es necesario cuantificar la distribución del carbono almacenado en los bosques. No obstante, el conocimiento espacial y temporalmente explícito de la variabilidad en la biomasa aérea es un tema crítico desde el punto de vista científico ya que es allí donde se concentran gran parte de los errores sobre los emisiones de carbono por deforestación y degradación. La biomasa aérea puede ser estimada en campo con bajas incertidumbres, ya sea por medio de la cosecha directa de especímenes o por medio de parcelas en las que la biomasa de árboles individuales es estimada a partir de su relación alométrica con determinadas características de los árboles medidas en campo. Sin embargo, coleccionar estos datos para áreas extensas puede ser inviable por costos, tiempos y otras dificultades logísticas (Houghton et al., 2001), por lo que se recomienda la integración de la información de campo con datos derivados de sensores remotos (GOEF-GOLD, 2009). En ese sentido, a nivel mundial y durante los últimos veinte años, diversas metodologías y tipos de sensores han sido utilizados para integrar los datos de imágenes de satélite con los datos estimados en campo, presentándose resultados muy variables o con limitaciones para su uso operacional en áreas extensas de ecosistemas tropicales (Patenaude et al., 2005; Lu, 2006). Sin embargo, Baccini et al. (2008) realizaron un mapa de biomasa aérea para África central combinando datos derivados de imágenes MODIS con datos de carbono aéreo derivados de parcelas usando el algoritmo Random Forests. Este tipo de metodología se convierte en una opción de bajo costo para tener estimativos regionales o nacionales espacialmente explícitos sobre el comportamiento de la biomasa aérea. Por otro lado, Saatchi et al. (2007) realizaron un análisis de la distribución de la biomasa aérea en bosques de la cuenca amazónica a partir de la fusión de información espectral con otra información espacial biofísica que influye en las diferencias en los contenidos de carbono en los bosques. Introducción 9 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS Avanzando en esta línea; Saatchi et al. (2011) combinaron diferentes productos geoespaciales derivados de sensores remotos en un análisis multi-variante, y así elaboraron un mapa de distribución de la biomasa para el pan-trópico. Como resultado, identificaron las áreas tropicales con mayores contenidos de biomasa, localizadas principalmente en las Américas (Figura 1). De acuerdo con este estudio, Colombia es el quinto país tropical con mayores contenidos de carbono aéreo después de Brasil, República Democrática del Congo, Indonesia y Perú. Figura 1. Distribución de la Biomasa aérea en Bosques Tropicales Fuente: Saatchi et al. 2011) Estos métodos que fusionan diferentes fuentes de datos geo-espaciales, especialmente los que integran imágenes derivadas de sensores ópticos de baja resolución espacial con datos de sensores activos LiDAR son una opción costo-efectiva para tener estimativos nacionalesdeloscontenidosdecarbonoenbosques.Usandocomoguíaestastresaproximaciones metodológicas, se propone y se aplica un método con el objetivo que los resultados contribuyan en la identificación de las zonas con mayores contenidos de Carbono y que sea útil como insumo para el estudio de la dinámica de la biomasa aérea en los bosques del país. 10 1. METODOLOGÍA Objetivos 11 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 12 La distribución de la biomasa en los bosques es una función de las características intrínsecas de cada tipo de bosque, su estructura y de otras condiciones biofísicas del lugar. Utilizando unos valores de biomasa aérea en bosques colombianos estimados a partir de información de parcelas de campo y utilizando ecuaciones desarrolladas en el proyecto “Capacidad técnica para apoyar REDD en Colombia” (Yepes et al., 2010); información espectral, biofísica y climática, se busca predecir un valor de biomasa aérea a nivel nacional F(x) para el año 2007 donde se optimicen los predictores óptimos y donde la varianza y el sesgo se reduzcan al máximo. ŷ = F{x1, x2, ...,Xn} = F(x) ŷ Donde {x1, x2...,Xn} son las variables predictivas es la biomasa estimada (tn/ha) 1.1 PREPARACIÓN VARIABLES Como resultado de un proceso de revisión de literatura científica relacionada con la estimación del almacenamiento de biomasa basada en el procesamiento digital de imágenes de sensores remotos, se identificaron 18 variables espacialmente explicitas que están relacionadas con la distribución de la biomasa aérea. A continuación se describen las variables utilizadas. 1.1.1 Valores espectrales derivados de MODIS La Información obtenida de sensores ópticos ha sido utilizada frecuentemente para la determinación de la biomasa aérea al integrarse con datos de campo. Esto se hace bajo la premisa de que existe una sensibilidad de la reflectancia óptica a variaciones en la estructura del dosel de la vegetación (Goetz et al., 2009). Sin embargo, los resultados de estos análisis suelen ser variables y poco consistentes para áreas extensas, debido entre otros, a la inestabilidad de las condiciones de la superficie terrestre y/o de la atmósfera. Esta deficiencia se puede minimizar trabajando con imágenes a las que se les realicen correcciones atmosféricas y radiométricas o utilizando un Metodología 13 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS conjunto de imágenes ópticas de alta resolución temporal, que al ser compuestas ayudan a reducir los artefactos debidos a las características de los sensores o por las variaciones en las relaciones suelo-atmósfera. Para este ejercicio se utilizó un compuesto de los mosaicos de 16 días de la colección cinco del producto MODIS MCD43A4 (500m) que proporcionan datos ajustados de la luz reflejada gracias al uso de una función de distribución bidireccional de la reflectancia (BRDF) con la que se realiza una corrección en función de las geometrías angulares de iluminación del sol y de observación de los sensores MODIS Terra y Aqua (Strahler et al., 1999). Las escenas MODIS para el territorio nacional fueron re-proyectadas1 de la proyección MODISsinusoidalaUTMzona18WGS84ysere-muestrearonpormediodelatécnicade vecinomáscercano,queaseguralamenorperdidadeinformaciónespectral.Usandola información complementaria de control de calidad proporcionada por MODIS o por medio de la selección y enmascaramiento de los pixeles contaminados por presencia de nubes, las 23 imágenes quincenales para el año 2007 fueron integradas para generar un mosaico anual promedio, logrando un producto con la mayor probabilidad de tener datos de reflectancia de alta calidad y con el menor porcentaje de nubes. Diferentes estudios han encontrado que las bandas en el infrarrojo medio son las que más se relacionan con la biomasa aérea o con la estructura de los bosques (Boyd et al., 1999; Lu et al., 2004). Sin embargo, las bandas visibles son menos sensibles a condiciones atmosféricas (Roy & Ravan, 1996) por lo que se utilizaron las 7 bandas en el análisis suponiendo que cada una aporta información complementaria. 1.1.2 ÍNDICES DE VEGETACIÓN Baccini et al. (2008), utilizando solamente valores de biomasa estimada con datos de campo y la información espectral del producto MOD43B4 de MODIS en África central, y aplicando el algoritmo de Random Forests,obtuvieronestimativosdebiomasaconbajas/ medias incertidumbres. Sin embargo, en el caso de Colombia se encontró que la varianza explicada usando únicamente las 7 bandas espectrales y este mismo algoritmo llegaba tan solo al 46%, por lo que es necesario evaluar el uso de otras variables geo-espaciales que ayuden a explicar las diferencias en los contenidos de carbono en bosques. Los índices de vegetación son estimativos de la luz visible absorbida por el dosel de la vegetación (Sellers et al., 1985) y se han utilizado frecuentemente para realizar estimaciones de la biomasa en vegetación. Sin embargo, su utilización para el seguimiento de la biomasa aérea presenta problemas de saturación en bosques con valores altos de biomasa, generando correlaciones bajas a medias entre los índices y la biomasa aérea en bosques densos cuando se usan individualmente. No obstante, tienen la ventaja de que con su uso se reduce el efecto atmosférico o topográfico presente en las imágenes de sensores remotos. En el presente análisis se utilizaron los índices de vegetación más comúnmente utilizados: NDVI y EVI. 1 14 Usando la herramienta MODIS Re-projection Tool -MRT-. 1.1.2.1Índice de Vegetación Normalizado - NDVI El índice de vegetación normalizado (NDVI) (Rouse et al., 1974) relaciona la banda espectral del rojo (MODIS Banda 1) con la banda espectral del infrarrojo cercano (MODIS banda 2), esta relación representa una medida del total de vegetación verde por unidad de superficie. Varios estudios han encontrado relaciones fuertes entre el NDVI y la fracción de radiación fotosintéticamente activa (fPAR). Además, la sumatoria de los valores de NDVI en un periodo de tiempo se relaciona con la producción primaria bruta (GPP). Sin embargo, la información de vegetación derivada del índice NDVI obtenido a través de sensores remotos, viene mezclada con información atmosférica, por lo que se hace necesario mejorar los datos iniciales con técnicas que reduzcan este efecto. De acuerdo con esto, sobre la serie de 23 conjuntos de datos de 250 m de resolución del producto MOD13Q12 de MODIS del año 2007 fue aplicado un filtrado de datos usando el algoritmo Harmonic Analysis of Time series -HANTS-, con el cual se detectan y se depuran las observaciones afectadas por nubes y las observaciones restantes se interpolan para reconstruir imágenes continuas (Roerink et al., 2000).. A partir de la aplicación de este algoritmo se obtuvo una serie interpolada libre de efectos atmosféricos, con las cuales se generó un compuesto anual de NDVI para el año 2007 (compuesto anual máximo). 1.1.2.2 Índice de Vegetación Mejorado - EVI El índice de vegetación mejorado (EVI) es complementario al NDVI. A diferencia de este último, el primero es más sensible a variaciones en la estructura del dosel, al índice de área foliar (LAI) y a la fisionomía de las plantas (Haute et al., 2002). El índice EVI no está muy relacionado con fPAR, por estar más influenciado por la región espectral del infrarrojo medio; sin embargo, amplifica la señal del dosel de la vegetación y reduce la influencia originada por factores atmosféricos al incorporar la banda espectral del azul. Así por ejemplo, Anaya et al. (2009) encontraron relaciones medias-altas entre este índice y la biomasa aérea para los bosques del país. Cada uno de los mosaicos quincenales del Índice EVI del producto MODIS MOD13Q1 fue filtrado espacialmente generando un enmascaramiento de los pixeles dudosos y de aquellos contaminados por la presencia de nubes. Posteriormente la serie anual fue filtrada temporalmente usando el algoritmo HANTS. Finalmente, la serie interpolada resultante fue integrada para generar mosaicos anuales de valor promedio para el año 2007. 2 ProductoquereúnelosÍndicesdevegetación(NDVI,EVI,VI),losproductosdereflectancia(bandasMODIS1,2,3y7)paracada16díasaunaresolución de250m. Metodología 15 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 1.1.3 Índices Topográficos Muchos autores han planteado que información espectral o los índices de vegetación usados individualmente son insuficientes para establecer un modelo efectivo que estime el almacenamiento de biomasa aérea, especialmente en sitios con altos contenidos de biomasa (Steininger, 2000; Lu et al., 2002). Como alternativa se ha propuesto que la biomasa en bosques sea modelada usando información SIG (Iverson et al., 1994), para lo cual, algunas aproximaciones metodológicas han venido utilizando información espectral, complementada con índices de vegetación e información topográfica y climática para tener mejores correlaciones con los datos de campo. De esta forma, una estrategia alternativa para modelar efectivamente las diferencias en el almacenamiento de biomasa entre diferentes tipos de bosques, cuando no hay suficiente información disponible, es basarse en los parámetros biofísicos (p.e. la topografía del terreno) que ayudan a predecir la vegetación potencial existente en un sitio. Al usar los diferentes tipos de información topográfica disponible se asume que la distribución de la densidad de biomasa está basada en las cantidades potenciales que el paisaje puede sostener. Para el presente análisis se utilizaron cinco métricas que complementan el análisis de biomasa, a saber: 1.1.3.1 Altitud Para espacializar esta variable se utilizó el modelo digital de elevaciones SRTM de 90 metros que fue re-muestreado a 250 metros usando la interpolación de vecino más cercano, esto para hacerlo compatible con las demás variables utilizadas en este ejercicio. 1.1.3.2 Índice de Humedad relativo a la topografía del Terreno -TRMIEl índice TRMI es un índice lineal de los siguientes cuatro elementos del paisaje derivados de un modelo digital de elevación (Parker, 1982): • Posición relativa de la pendiente, • Forma de la pendiente, • Aspecto de la pendiente • Gradiente de la pendiente. Este índice es utilizado para modelar los parámetros que influencian el movimiento superficial del agua, la pérdida de agua por evaporación o la retención de agua en el terreno. Se basa en la premisa que las relaciones entre la pendiente y el aspecto pueden afectar la radiación solar y las tasas de evaporación o de retención de agua en el suelo (Manis et al., 2002); y al incorporarlo en el modelo se asume que esas diferencias potenciales en radiación solar o en retención de agua influyen en el establecimiento de la vegetación y en su productividad. 16 1.1.3.3 Índice de Rugosidad del Terreno - TRI El índice de rugosidad del terreno TRI cuantifica la diferencia en la información de elevación entre un pixel y los ocho pixeles adyacentes en un modelo digital de elevación (Riley et al., 1999). El algoritmo obtiene interactivamente un valor para cada pixel que es el resultado de la raíz cuadrada del promedio de los cuadrados de las diferencias entre ese pixel y sus ocho vecinos adyacentes. Este índice aporta información sobre el cambio relativo en la altura de la pendiente para cada pixel. Como insumo para la generación de este índice se utilizó el modelo corregido Shuttle Radar Topography Mission -SRTM- (Gesch et al., 2006). re-muestreado a una resolución de 250 m. Como resultado final se definieron 7 clases, donde los valores bajos indican superficies planas y valores altos señalan grandes cambios en elevación entre un pixel y sus vecinos, de la siguiente manera: • Clase 1. 0-80 m: Representa una superficie plana. • Clase 2. 81-116 m: Representa una superficie casi plana. • Clase 3. 117-161 m: Representa una superficie un poco rugosa. • Clase 4. 162-239 m: Representa una superficie medianamente rugosa. • Clase 5. 240-497 m: Representa una superficie Moderadamente rugosa. • Clase 6. 498-958 m: Representa una superficie altamente rugosa. • Clase 7. 959-4367 m: Representa una superficie extremadamente rugosa. 1.1.3.4 Índice de Paisaje (Landform) El paisaje influye sobre muchas características ambientales, dentro de las que se incluyen las propiedades físicas de los suelos, las condiciones atmosféricas alrededor del suelo y el crecimiento, composición y distribución de las diferentes comunidades vegetales. El índice de paisaje desarrollado por MacNab (1993) caracteriza las condiciones topográficas de un sitio en un contexto regional al cuantificar la forma geométrica de la superficie terrestre con respecto a los diferentes tipos de formas del paisaje. Este índice fue modificado por Manis (2000) e incorporó valores de la pendiente y de la humedad con respecto a la posición topográfica del terreno para determinar diez categorías de paisaje así: 1) valles, 2) pendientes suaves, 3) crestas moderadas, abanicos y colinas, 4) terrazas y planicies casi planas, 5) pendientes empinadas muy húmedas, 6) pendientes empinadas moderadamente secas, 7) pendientes empinadas moderadamente secas, 8) pendientes empinadas muy secas, 9) acantilados y cañones de clima templado, 10) acantilados y cañones cálidos. Metodología 17 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 1.1.3.5 Pendiente La pendiente cuantifica el máximo cambio en elevación sobre la distancia entre cada celda y sus ocho vecinos, de tal manera que si presenta valores bajos corresponderá a terrenos planos; y en sitios con valores altos, el terreno es más empinado. Como insumo para la generación de este índice se utilizó el modelo corregido Shuttle Radar Topography Mission -SRTM- (Gesch et al., 2006). Originalmente con una resolución espacial de 90m, fue re-muestreado a una resolución de 250m, esto para hacerlo compatible con las demás variables utilizadas en este ejercicio. Su implementación utilizó el algoritmo desarrollado por Srinivasan et al. (1991). 1.1.4 Índices climáticos Las variables climáticas como precipitación, temperatura y radiación están correlacionadas con la estructura y función de la vegetación (Prentice, 1990) y ha sido aplicadas frecuentemente en la determinación de escenarios climáticos futuros y cambios en la distribución de la vegetación en la tierra (Rivas-Martínez, 2008). 1.1.4.1 Índice ombrotérmico IOd3 La clasificación bioclimática de Rivas- Martínez sintetiza las pautas de variación de clima y su relación con los diferentes tipos de vegetación. Los índices ombrotérmicos de esta clasificación son útiles como variables diagnósticas de la estacionalidad, por eso se utilizó el índice ombrotérmico del trimestre más seco del año (IOd3) que es la relación entre la precipitación del trimestre más seco del año sobre la temperatura en ese mismo periodo de tal manera que: Iod3 = (Pd3/Td3)*10 Donde, Pd3 = Precipitación del trimestre más seco del año. Td3 = Temperatura media del trimestre más seco del año. 1.1.4.2 Precipitación Media Anual Las diferencias en precipitación y temperatura afectan la distribución y composición de las comunidades bióticas. Comúnmente el valor que se utiliza es el promedio anual multianual de agua que cae de la atmósfera expresado en milímetros (e.g. lluvia, nieve o granizo). Para modelar la precipitación se utilizó el mapa de precipitación media anual que se encuentra en el Atlas Climatológico de Colombia (Ideam, 2005), el cual es el resultado de un modelo interpolado con técnicas de Krigging de la información de las estaciones climatológicas del país para el periodo 1970-2000. 18 1.1.4.3 Temperatura Media Anual Es utilizada como una medida de bio-temperatura, la cual indica los ámbitos de variación dentro de los cuales hay vida vegetativa activa. Al igual que con la información de precipitación, la información se obtuvo del mapa de Temperatura Media Anual del Atlas Climatológico de Colombia (Ideam, 2005) que proviene de un modelo interpolado con técnicas de krigging de las series climatológicas de 1970-2000. 1.2 PREPARACIÓN FINAL DE LAS VARIABLES Esta etapa está relacionada con la revisión de la concordancia geográfica entre las 18 variables espaciales usadas en el modelo, incluyendo las siete bandas del producto MODIS MCD43A4 (Tabla 1), estas variables se apilaron y re-muestrearon a una resolución de 250 m. Tabla 1. Variables espaciales utilizadas en el modelo Identificador Resolución espacial MODIS MCD43A4 Banda 1 (620-670 µm) Mod Rojo 500 m MODIS MCD43A4 Banda 2 (841-876 µm) Mod NIR 500 m MODIS MCD43A4 Banda 3 (459-479 µm) Mod verde 500 m MODIS MCD43A4 Banda 4 (545-565 µm) Mod Azul 500 m MODIS MCD43A4 Banda 5 (1230-1250 µm) Mod MIR (1230-1250 µm) 500 m MODIS MCD43A4 Banda 6 (1628-1652 µm) Mod MIR (1628-1652 µm) 500 m MODIS MCD43A4 Banda 7 (2105-2155 µm) Mod MIR (2105-2155 µm) 500 m NDVI mean 250 m Valor Promedio EVI (2007) EVI mean 250 m Precipitación Media Anual Prec 250 m Valor Máximo NDVI 2007 Max NDVI 250 m Temperatura Media Anual Temp 250 m IOd3 Iod3 250 m DEM SRTM DEM 250 m Índice Topográfico de Humedad Relativa TRMI 250 m Landform 250 m CLa_tri_250 250 m Pend 250 m Variable Valor promedio NDVI (2007) Landform TRI Pendiente Metodología 19 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS 1.3 PREPARACIÓN DE LOS DATOS DE CAMPO Separtiódeunconjuntode3.020parcelasdeinventarioforestaldetipopermanentesy/o temporales establecidas entre los años de 1988 a 2010 por 27 instituciones e investigadores independientes. (Tabla 2). Dichas parcelas varían tanto en el diseño de muestreo utilizado como en su configuración. Por ejemplo, en cuanto a área oscilan entre 0.025 ha a 1.5 ha. La biomasa aérea fue estimada para cada una de esas parcelas usando las 6 ecuaciones alométricas desarrolladas en el marco del proyecto “Capacidad técnica para apoyar REDD en Colombia” (Yepes et al., 2010). Tabla 2. Fuentes de los datos de parcelas permanentes/temporales utilizadas Institución/Investigador AgenciadeEstadosUnidosparaelDesarrolloInternacional(USAID) 575 Corporación Autónoma Regional de Antioquia (Corantioquia) 158 CorporaciónAutónomaRegionaldeAntioquia(Corantioquia)/UniversidadNacionaldeColombia 6 CorporaciónAutónomaRegionaldeLaGuajira(Corpoguajira)/FundaciónDesarrolloGuajiro 3 CorporaciónAutónomaRegionaldeLaGuajira(Corpoguajira)/Hidrocaribe 4 Corporación Autónoma Regional de Nariño (Corponariño) CorporaciónAutónomaRegionaldeSucre(Carsucre)/FundaciónSabanas Corporación Autónoma Regional de la Orinoquía (Corporinoquía) CorporaciónAutónomaRegionaldelosVallesdelSinúySanJorge(CVS)/ConservaciónInternacional CorporaciónAutónomaRegionaldelosVallesdelSinúySanJorge(CVS)/UniversidadNacionaldeColombia Corporación Autónoma Regional del Canal del Dique (Cardique) Corporación Autónoma Regional del Cauca (CRC) Corporación Autónoma Regional del Chocó (Codechocó) Corporación Autónoma Regional del Tolima (Cortolima) Corporación Autónoma Regional del Valle del Cauca (CVC) CorporaciónparaeldesarrollosostenibledelUrabá(Corpourabá) DireccióndeInvestigaciónMedellín/UniversidadNacionaldeColombia 88 6 285 1 36 5 5 257 9 937 2 2 Fundación Natura 20 Fundación Puerto Rastrojo 81 Fundación Tropenbos 1 Incoplan S.A. 55 Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) 13 InstitutodeInvestigacionesMarinasyCosterasJoséBenitoVivesDeAndréis(Invemar)/UrráE.S.P. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt (IAvH) Joost F. Duivenvoorden Missouri Botanical Garden Álvaro J. Duque 20 No. De Parcelas 4 239 94 34 100 Sobre estos datos se aplicó un filtrado estadístico, identificando y eliminando aquellos que presentaban: 1. Inexactitudes cartográficas. Para esto se obtuvo el valor de NDVI corregido atmosféricamente en cada uno de los pixeles con biomasa calculada (n=3020) y para cada quincena del año 2007. A las series resultantes se les realizó un análisis de Clústeres Jerárquicos en el software R (método de vinculación completa). Con la primera división del dendrograma se separaron los puntos que se encuentran en bosque de los que se encuentran ubicados en zonas tales como cuerpos de agua, pastos, etc. y que a lo largo de las 21 tomas anuales, tienen una respuesta totalmente distinta a las parcelas de bosque. Un detalle de esta situación se presenta en la Figura 2. Figura 2. Dendrograma de Clusters para el filtrado de los datos de campo 2. Valores extremos. Los datos de biomasa utilizados fueron obtenidos a partir de parcelas en campo que varían en cuanto a la metodología utilizada, diseño de la parcela y fueron levantadas por diferentes investigadores a lo largo de un periodo de 20 años. La biomasa estimada en estas parcelas varía desde 0.2 tn/ha hasta alrededor de 2000 tn/ha. Los valores extremos fueron excluidos del análisis usando el software estadístico R, quedando para el análisis final aquellas parcelas con estimados de biomasa entre 60 tn/ha y 800 tn/ha, como se presenta en la Figura 3. Metodología 21 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS Frecuencia Figura 3. Histograma de frecuencia de los datos de parcelas de biomasa aérea para los bosques de Colombia. Biomasa Aérea (tn/ha) A partir de estos procesos de filtrado de datos se seleccionó un conjunto de 2.583 estimadosdebiomasa/carbonoendiferentesbosquesdeColombia,consolidandounáreatotalde 685 ha (Figura 4). Este proceso también permitió identificar que algunos tipos de bosque se encuentran sub-representados o no presentan ningún tipo de información de biomasa asociada. 22 Figura 4. Distribución de los datos de Campo utilizados en el Análisis Fuente: Este estudio Metodología 23 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 1.4 INCORPORACIÓN DE INFORMACIÓN DE GLAS/ICESAT Para obtener un mapa “wall-to-wall” de estimativos del carbono almacenado en la cobertura boscosa a través del procesamiento digital de imágenes de sensores remotos, los datos de campo existentes no son suficientes, siendo además necesario levantar información de biomasa en coberturas no boscosas. Como alternativa metodológica complementamos los datos de parcelas con información de sensores activos, como es el caso de los conjuntos de datos LiDAR. Este sensor es capaz de captar información de altura del dosel de la vegetación, y esta puede ser relacionada con información de esta variable medida en campo. El Geoscience Laser Altimeter System -GLAS- es un sensor LiDAR a bordo del satélite ICESat que fue lanzado en enero de 2003. Aunque el objetivo principal de la misión era monitorear las capas de hielo de los polos, uno de sus objetivos secundarios era la medición de la altura del dosel a nivel mundial aprovechando la capacidad del sensor para medir directamente el componente vertical de la vegetación (Lefsky, 2002). A lo largo de diferentes misiones entre los años de 2003-2009, este sensor obtuvo información de altura de la vegetación para todo el mundo en gránulos de aproximadamente 60 m. Actualmente, esta misión satelital no se encuentra operativa debido a fallos en los sistemas de navegación. Basados en este conjunto de datos, se han realizado varios estudios que relacionan la información captada por el sensor con mediciones tomadas en campo en el trópico (Nelson et al., 1999; Drake et al., 2003), obteniendo precisiones muy variables. Las incertidumbres asociadas a estos estudios, se deben sobre todo a las variaciones topográficas que afectan la respuesta del sensor LiDAR. Lefsky y colaboradores (2005) realizaron un análisis en que correlacionaron los datos de altura derivados de IceSAT con los datos de biomasa estimados en campo (r2 = 73%, RMSE = 58.3 Mg/ha) en bosques húmedos tropicales de Tapajos, Brasil utilizando la ecuación que se presenta a continuación: (Biomasa aérea) AGB = 20.7 + 0.098 * H2(Est) Donde H es la altura estimada por el sensor GLAS Analizando los datos disponibles para Colombia, se encontró que del total de información captada para el año 2007 por el sensor GLAS de IceSAT, solamente 6 puntos están a menos de 50 metros de los datos de parcelas disponibles para este proyecto. Esta situación plantea una situación difícil para utilizar el conjunto de datos GLAS, siendo insuficientes los datos para realizar una correlación entre los datos LiDAR y la información de campo existente. Como una forma alternativa para resolver esta situación, se generó información de biomasa a partir de los datos de altura de GLAS (producto GLAS014 versión 031) aplicando directamente la ecuación propuesta por Lefsky et al., 2005 en Brasil para las condiciones de Bosque Húmedo Tropical. 24 No obstante, los datos GLAS presentan errores en zonas de pendientes altas y medias, por lo cual utilizando los índices topográficos derivados del DEM SRTM de 90 m se filtraron los puntos de GLAS eliminando aquellos que se encontraban en zonas entre colinadas hasta escarpadas. Posteriormente, para cada pixel donde había más de dos datos de LiDAR, se obtuvo el valor de la mediana de los valores de biomasa estimados para obtener como resultado conjunto de 2.169 puntos con información de biomasa derivados de GLAS014 para el año 2007, como se presenta en la Figura 4. 1.5PREPARACIÓN FINAL DE LOS DATOS DE CAMPO Para conformar un único conjunto de datos de valores de biomasa para alimentar el modelo predictivo, los datos de parcelas filtrados fueron integrados a los datos de biomasa estimados a partir de GLAS. Adicionalmente, se agregaron puntos de biomasa para coberturas no boscosas a partir de información secundaria para tener un conjunto total de 5.976 “parcelas” con información de biomasa aérea. Metodología 25 estimación de la biomasa aérea usando datos de campo e información de sensores remotos Figura 5. Puntos de GLAS14 con datos de biomasa para Colombia en el año 2007 26 1.6 ANALISIS EN RANDOM FORESTS La información de inventarios forestales existente en el país fue obtenida por diversos investigadores a lo largo de un periodo de veinte años (1990-2010 aproximadamente), en el marco de una gran variedad de proyectos y aplicando metodologías de muestreo distintas. Esta situación implica que la información base del análisis no es homogénea, muestra una distribución agrupada, y tan solo comprende un área muestreada de alrededor de 685 ha de los 60 millones de ha en bosque con que cuenta el país, siendo sub-muestreados algunos tipos de bosque. Sin embargo, este conjunto de datos es el mayor y más completo repositorio de información de datos de carbono con el que cuenta el país. Los datos obtenidos con los diferentes sensores remotos tampoco están exentos de errores, tanto en el momento de la toma por el efecto de las geometrías de la trayectoria del sensor y del sol, como por efectos atmosféricos, de las diferentes relaciones suelo atmósfera o como resultado de las diferentes fases del procesamiento digital de las imágenes. Además, la información de sensores ópticos correlacionada individualmente con la biomasa aérea no arroja resultados satisfactorios; y se hace necesario integrarla con otro tipo de información espectral o biofísica que puede o no estar altamente correlacionada entre si. En este sentido, el procedimiento de análisis debe utilizar métodos explicativos acordes con los datos existentes o con los que pueda llegar a tener el país en un futuro. Así entonces, el mejor modelo es aquel que identifique la correcta “complejidad del modelo”. Por ello, diferentes tipos de procedimientos fueron revisados en el desarrollo del presente proyecto (e.g. regresión lineal, regresiones logísticas, análisis discriminante, árboles de decisión, máxima entropía, etc.); y finalmente se seleccionó el uso de la familia de los algoritmos de árboles de decisiones. Específicamente se seleccionó el algoritmo Random Forests (Brieman, 2001) por ser un método rápido, efectivo computacionalmente, robusto con la presencia de datos ruidosos, que ofrece posibilidades para la explicación de los datos y al que se pueden realizar estimativos de error (Tsymbal et al., 2006). Además es un método comparable y según las pruebas realizadas presenta en la mayoría de los casos una mejor capacidad de predicción que los métodos de regresión clásicos. Por último, es un procedimiento no paramétrico que es muy útil cuando hay muchas variables correlacionadas y pocos datos, o cuando hay interacciones complejas entre las variables predictivas o cuando hay muchos datos faltantes. Random Forests (Bosque al azar) es un clasificador que consiste en una colección independiente, idénticamente distribuida y al azar de clasificadores organizados en árboles, en donde cada árbol aporta un único voto a la clase más popular de X. Básicamente, para los agrupamientos Random Forests selecciona al azar un subconjunto de los atributos para luego volver a seleccionar el mejor corte entre estos. Posteriormente el proceso se repite en cada uno de los árboles (muchos árboles crecen de la misma manera) para así construir un bosque. Finalmente todos los árboles son usados en el resultado final a partir del promedio de los resultados de cada uno de los árboles. Metodología 27 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS Random Forests fue implementado en el lenguaje de programación R por Baccini et al. (2008) para la estimación de biomasa aérea usando sensores remotos de resolución gruesa, y ya ha sido probado en áreas extensas de África para la estimación de la biomasa aérea. Complementariamente se realizó la calibración del algoritmo mediante su aplicación repetida, analizando los efectos de cada una de las diferentes variables en la explicación del modelo y la posterior calibración de los diferentes parámetros del modelo. Supuestos: • Las variables topográficas, climáticas y basadas en sensores remotos son útiles y suficientes para explicar la biomasa aérea en el país. • Separtedelapremisadequeexisteunasensibilidaddelareflectanciaópticaavariaciones en la estructura del dosel de la vegetación (Goetz et al., 2009). • Lasdiferenciasentécnicasdepre-procesamientoyprocesamientoutilizadasnoestán afectando los resultados (Foody et al., 2003), y su geolocalización corresponde al pixel adecuado. • Lasparcelasseencuentranbienubicadasespacialmente. • Lasdiferenciasenbiomasaentreelañodetomadelosdatosdecampoyelañodela imágenes no son considerables. 28 . E LTADO Evaluación de metodologías y sistemas para modelar y proyectar la deforestación en Colombia 29 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 30 El algoritmo Random Forests tiene opciones para cuantificar el desempeño del modelo predictivo. Por esto, se ejecutaron diferentes corridas en el que se comparó el desempeño usando solamente los datos de entrenamiento, como se presenta en la Figura 6. El algoritmo permitió identificar que las variables que más ayudan a explicar la varianza de la información de Biomasa son: • Índice ombrotérmico (IOd3), • Precipitación media anual • Banda del infrarrojo medio (MODIS MCD43A4 Banda 6). Sin embargo, el desempeño del modelo mejora cuando se utilizan todas las variables en conjunto. De otra parte, el modelo también identifica que las variables que menos explican la varianza de los datos son las topográficas, específicamente, Landform y TRI; así como el valor máximo anual de NDVI, por lo cual estas variables fueron excluidas en las corridas finales del modelo. En el resultado final, se encuentran cerca de 2´200.000 ha en áreas sin información (1.96% del área total), las cuales corresponden a zonas en donde para cada una de las variables espectrales del año 2007, hubo presencia de nubes o pixeles que no cumplieron con el control de calidad. La mayoría de estas áreas se localizan en la cordillera central de la región de los Andes de Colombia. Resultados 31 estimación de la biomasa aérea usando datos de campo e información de sensores remotos Figura 6. Desempeño del algoritmo Random Forest con las diferentes variables corridas individualmente. R2 = 1– ((MSE OOB)/varianza observada) 0.9 0.8 Coef. De Determinación 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Espacialmente, el sur de la Amazonía y el Chocó son las áreas donde más se concentran los bosques con contenidos de carbono altos Los bosques colombianos presentan variaciones en el almacenamiento de carbono de entre 1 y 376,32 tn/ha (Figura 7). Tomando solamente las áreas de bosque determinadas por el mapa de bosque/No bosque para el año 2007 con imágenes MODIS (Cabrera et al, 2011), el promedio de carbono almacenado en los bosques naturales de Colombia es de 128.80 +/- 28.7 tn/ha. El contenido de Carbono aéreo varía en los diferentes tipos de bosque (Holdridge) entre 65,7 ± 21,5 tn ha-1 a 135,29 ± 37,51 tn ha1. 32 Figura 7. Distribución de los Contenidos de Carbono aéreo en Colombia para el año 2007 Resultados 33 estimación de la biomasa aérea usando datos de campo e información de sensores remotos El total de carbono almacenado en los bosques colombianos asciende a 7.810 millones de tn de C para el año 2007. Las reservas estimadas con este método son similares a las reportadas en otros estudios (Anaya et al., 2009; Ideam, 2010). Aunque los resultados del modelo indican que hay sobreestimación en los sitios con bajos valores de biomasa y de subestimación en los altos y que se deben levantar más datos de campo en coberturas no boscosas. Se resalta además, el alto contenido de reservas de carbono almacenadas en coberturas no boscosas (3.181 millones de t de C), especialmente las localizadas dentro de las zonas de vida Bosque Pluvial Premontano y Bosque pluvial Tropical. 2.1VALIDACIÓN La precisión de este mapa está determinada por la precisión y resolución de toda la información usada para construirlo. Los errores, tanto en la generación de cada una de las variables espaciales, como en los datos de biomasa por parcela y su ubicación espacial se propagan en el modelo, sin embargo, para este ejercicio estos efectos no fueron cuantificados. Para la validación de los resultados generados a través del algoritmo Random Forests se realizó la siguiente metodología: • Se seleccionó al azar el 25% de los puntos con información de biomasa/carbono en campo y estos se excluyeron del modelo. Estos puntos fueron utilizados para validación, correlacionando el valor de biomasa de la parcela con el resultado del modelo en el pixel de 250 m donde esta se encuentra. Los resultados presentan un r2 de 0.80 y un RMSE de 41 tn C/ha existiendo una sobreestimación en los valores bajos y una subestimación en los altos (Figura 8). Biomasa estimada en el modelo (tn/ha) Figura 8. Resultado de la validación de los resultados del modelo de Random Forests 34 800 R² = 0.8049 RMSE = 82.64 tn/ha 700 600 500 400 300 200 100 0 0 100 200 300 400 500 600 700 Biomasa estimada en campo (tn/ha) 800 900 2.2 ANÁLISIS POR REGIONES NATURALES Para este estudio, la delimitación de las cinco regiones naturales: i) Amazonia, ii) Orinoquia, iii) Pacifico, iv) Andes y v) Caribe; parte de las características biofísicas (orografía y clima, principalmente), y los patrones regionales de vegetación (Romero et al, 2004; Ideam et al., 2007). En este sentido, el análisis realizado indica que la mayoría del carbono almacenado en los Bosques Naturales en Colombia está localizado en las regiones Amazónica (ascendiendo a 5.586 millones de tn C) y Andina (1.098 millones de tn de C) (Tabla 3). Sin embargo, se identifica que la región del Pacífico presenta las áreas boscosas con uno de los promedios másaltosdeCarbono(131tnC/ha),auncuandoeslaregiónconlamenorextensióntotal con cerca de 7 millones de ha. Tabla 3. Reservas de carbono almacenadas en Bosques Naturales de Colombia por Región Natural Región Natural C (tn * 1000000) Media (tn C/ha) STD (tn C/ha) 137 21 5.586,77 Orinoquia 81 23 294,34 Pacífico 131 38 609,99 Andes 120 27 1.098,41 Caribe 95 28 220,66 Amazonia En términos generales se identifica un gradiente de distribución donde los contenidos de carbono aumentan en dirección noroccidental – suroriental para la región de la Amazonia, principalmente asociados al Bosque húmedo Tropical y Bosque muy húmedo Tropical. En la región del Pacifico se observa que los mayores contenidos se localizan en el norte de esta región. Respecto de la región de los Andes, las áreas con mayores contenidos de Carbono se localizan en el piedemonte amazónico de la Cordillera Oriental y el piedemonte Pacifico de la Cordillera Occidental. Así mismo, es importante resaltar los contenidos de Carbono para el bajo Cauca antioqueño y estribaciones de la serranía de San Lucas. Para la región Caribe, los contenidos de Carbono están asociados principalmente a dos sectores, el más importante de ellos la Sierra Nevada de Santa Marta y los Montes de María. Finalmente, la región de la Orinoquia concentra los menores Stocks de Carbono en el país, éstos se encuentran asociados a los bosques de galería de los principales ríos andinenses, y a las áreas inundables del occidente del departamento de Arauca. 2.3 ANÁLISIS POR ZONAS DE VIDA El proyecto “Capacidad técnica para apoyar REDD en Colombia” identificó que el sistema de clasificación de Zonas de Vida (Holdridge, 1978) permite una buena representación de Resultados 35 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS los contenidos de carbono para los Bosques Naturales en Colombia, razón por la cual fue escogido como el sistema de clasificación para estratificar los tipos de Bosque Natural. Así entonces, de acuerdo con los resultados de los contenidos de Carbono para el año 2007 en Colombia analizados por zonas de vida, los mayores contenidos de Carbono aéreo están concentrados en el Bosque Húmedo Tropical (5.929 millones de tn C) y en menor medida en el Bosque muy Húmedo Tropical (659 millones de tn C), como se presenta en la Tabla 4. Así mismo, se encuentra que el Bosque muy Húmedo Tropical eselquemayorescontenidospromediodecarbonoalmacena(135,29tnC/ha),juntocon el Bosque Húmedo Tropical(131,87tnC/ha)yelBosque Pluvial Pre-montano (131,64tnC/ha). Tabla 4. Estimación de las reservas de Carbono almacenadas en Bosques Naturales de Colombia por Zonas de Vida. Zona de Vida Símbolo Media (tn C/ha) STD (tn C/ha) C (tn* 1000000) Bosque húmedo Montano Bh-M 81,92 21,31 2,37 Bosque húmedo Montano-bajo Bh-MB 129,76 26,83 202,61 Bosque húmedo Pre-montano Bh-PM 112,20 28,41 117,70 Bosque húmedo Tropical Bh-T 131,87 25,94 5.926,10 Bosque muy húmedo Montano Bmh-M 90,72 22,59 93,04 Bosque muy húmedo Montano-bajo Bmh-MB 128,52 25,41 202,08 Bosque muy húmedo Pre-montano Bmh-PM 118,73 21,70 280,63 Bosque muy húmedo Tropical Bmh-T 135,29 37,51 659,10 Bosque muy seco Tropical Bms-T 65,16 21,50 3,77 Bosque pluvial Montano Bp-M 91,65 23,79 37,80 Bosque pluvial Montano-bajo Bp-MB 131,64 24,15 17,49 Bosque pluvial Pre-montano Bp-PM 127,70 23,11 59,24 Bosque pluvial Tropical Bp-T 113,84 22,06 18,88 Bosque seco Montano-bajo Bs-MB 95,48 26,08 1,91 Bosque seco Pre-montano Bs-PM 83,21 18,65 0,28 Bosque seco Tropical Bs-T 84,18 28,58 59,35 Otras Zonas de vida ---- ----- ----- 127,83 Los menores contenidos de Carbono se encuentran en las zonas de vida asociadas a procesos de estacionalidad climática, así entonces se identifica que el Bosque seco Pre-Montano es el tipo de Bosque con los menores contenidos de Carbono con cerca de 300.000 tn. 2.4 ANÁLISIS POR DEPARTAMENTOS A nivel departamental, se identifica que las reservas de Carbono en bosque natural están concentradas principalmente en los siguientes departamentos Amazónicos: Amazonas (20,8% del total), Caquetá (12,14 %), Guainía (10,27%) y Vaupés (9,91%), es decir, estos cuatro departamentos almacenan cerca del 53% del C arbono total de los bosques 36 naturales del país. Sin embargo, otros departamentos como el Chocó y Guaviare también presentan áreas de Bosque Natural con valores de Carbono altos, como se presenta en Tabla 5. En términos de contenido promedio de Carbono por pixel, se identifica que los departamentos de Amazonas, Vaupés y Chocó son los que presentan los valores más altos, con contenidospromediode152.97tnC/ha,148.95tnC/hay135tnC/ha,respectivamente. Tabla 5. Resultados de la estimación de las reservas de carbono almacenadas en la biomasa aérea en bosques naturales de Colombia por Departamento DEPARTAMENTO Media (tn C/ha) STD (tn C/ha) C (tn* 1000000) AMAZONAS 152,97 15,45 1.624,48 ANTIOQUIA 117,41 28,11 230,03 ARAUCA 92,44 28,09 59,50 ATLANTICO 68,97 16,25 0,56 BOLIVAR 106,93 24,88 84,93 BOYACA 114,62 25,84 46,63 CALDAS 106,39 21,25 8,87 CAQUETA 133,43 19,47 948,09 83,68 26,09 66,35 CAUCA 116,92 29,58 152,31 CESAR 92,20 27,59 23,60 CHOCO 135,98 38,83 439,77 83,91 23,33 0,47 CUNDINAMARCA 107,59 30,27 27,04 CORDOBA 107,59 24,79 51,29 GUAINIA 121,69 19,23 802,07 GUAVIARE 126,31 13,00 642,03 HUILA 123,17 31,01 59,40 LAGUAJIRA 91,39 30,31 21,24 MAGDALENA 100,62 34,57 42,95 META 106,58 27,86 388,88 NARIÑO 123,61 31,69 193,51 NORTE DE SANTANDER 118,20 22,64 84,18 PUTUMAYO 136,90 19,50 272,20 99,62 28,64 3,33 RISARALDA 125,76 31,57 9,78 SANTANDER 107,52 25,88 63,40 SUCRE 70,14 15,61 4,31 TOLIMA 108,07 29,77 43,32 VALLEDELCAUCA 115,32 31,12 74,25 VAUPES 148,95 15,27 774,23 VICHADA 114,49 29,11 567,70 CASANARE BOGOTA,D.C QUINDIO Resultados 37 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 2.5 CORPORACIONES AUTÓNOMAS REGIONALES - CARs Finalmente, de acuerdo con los cálculos obtenidos por Corporaciones Autónomas Regionales, se observa que la mayoría de los stocks de carbono están concentrados en las jurisdicciones de cinco Corporaciones Autónomas Regionales: Corpoamazonía, Corporación para el desarrollo sostenible del norte y el oriente amazónico -CDA, Corporinoquia, Codechocó y Cormacarena, en su orden de magnitud como se presenta en la Figura 9. Figura 9. Contenidos de Carbono totales por Corporaciones Autónomas Regionales de Colombia Corpoguajira Corponariño CRC CVC CARDIQUE CARSUCRE CVS Corpoamazonia CAM CDA CRQ DAMA Cormacarena Corpoguavio Cortolima Corpochivor CARDER Corpocaldas CAR AMVA Cornare Corpoboyaca Corporinoquia CDMB CAS Corantioquia Codechoco Corpouraba Corpomojana Corponor CSB Corpocesar CRA Corpamag 0,00 C (t* 1000000) 500,00 1000,00 1500,00 2000,00 2500,00 3000,00 2.6 “HOTSPOTS” DE CONTENIDOS DE CARBONO Para la identificación de los Hotspots de contenidos de biomasa se partió del mapa de biomasa aérea para los Bosques de Colombia para el año 2007; el cual fue dividido en tres categorías de contenidos de biomasa por el método estadístico de cuantiles, así (Figura 10): 38 I. Valores medios. Almacenamiento de Carbono de hasta 248 tn/ha; II. Valores medio-altos. Almacenamiento de Carbono entre 248 tn/ha y 317 tn/ha; III. Valores altos. Almacenamiento de Carbono mayores a 317 tn/ha. Figura 10. Categorías de contenidos de Carbono en los Bosques de Colombia Resultados 39 estimación de la biomasa aérea usando datos de campo e información de sensores remotos En términos espaciales, los bosques en la categoría I (valores medios de carbono aéreo) se localizan principalmente en la región de la Orinoquía, la región Caribe y en los bosques asociados al relieve residual del escudo Guyanés en los departamentos de Guainía y Vichada, (Figura 11.) Figura 11. Identificación de los “Hotspots” de contenido de biomasa en bosques de Colombia. 40 En categorías altas se encuentran 17.611.072 ha de Bosque y están localizados principalmente en la región de la Amazonía, en jurisdicción de los departamentos de Amazonas y Vaupés; así mismo en el Departamento de Chocó en la región del Pacífico; y en la vertiente oriental de la cordillera Oriental. Dentro de esta categoría, el 77% de las áreas (cerca de 14 millones de ha) se distribuyen en extensiones continuas de más de 1.000 ha, considerándose como los “puntos calientes” de contenidos de Carbono para los Bosques de Colombia, como se presenta en la Figura 11. Analizando los datos obtenidos con información de otros tipos de entidades territoriales, se identifica que las áreas con valores altos de carbono aéreo están concentradas principalmente en la jurisdicción de Resguardos Indígenas (64.16%), Áreas protegidas del Sistema de Parques Nacionales Naturales (18.6%), y en la jurisdicción de los Consejos Comunitarios de Comunidades Afro-descendientes (4.83%). En estas tres categorías de manejo del territorio se concentran aproximadamente el 70% de las áreas continuas de valores altos de carbono de más de 1000 ha. Este resultado puede servir de guía sobre las medidas de conservación o sobre las restricciones en el uso del suelo que permiten la permanencia de bosques con altos contenidos de carbono. Resultados 41 ESTIMACIÓN DE LA BIOMASA AÉREA USANDO DATOS DE CAMPO E INFORMACIÓN DE SENSORES REMOTOS 42 . O L O E E OME DA O E Evaluación de metodologías y sistemas para modelar y proyectar la deforestación en Colombia 43 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 44 A partir de la información espectral de resolución gruesa, junto con información biofísica, y utilizando el algoritmo de Random Forests se pueden tener estimaciones con incertidumbres medias-altas de biomasa aérea en bosques de Colombia. Este resultado es prometedor para avanzar en el estudio de la dinámica de los stocks de carbono en el país. Sin embargo, se requiere más investigación sobre las relaciones entre la dinámica del carbono y las variaciones en los valores de reflectancia obtenidos de MODIS. Es recomendable realizar una evaluación de la representación de las parcelas por tamaño de pixel. Este ejercicio no tuvo en cuenta esto, ya que no había suficiente información que cumpliera este requisito. Sin embargo para la toma de datos en campo en un futuro, se debe considerar la utilización de métodos de muestreo agrupados y en donde las respuestas combinadas de coberturas se reduzcan. Igualmente para potenciar el uso de datos de IceSAT LiDAR, se deberían tomar datos de campo en lugares donde haya datos disponibles de este sensor que permitan determinar ecuaciones alométricas basadas en datos de altura de LiDAR y específicas para los bosques del país. En un futuro es necesario desarrollar análisis de propagación de los errores y mapas de incertidumbre de los resultados a partir de los resultados de RMSE que se pueden tener para cada pixel. Esta metodología presentada se puede replicar a diferentes escalas y con la integración de diferentes fuentes de información. Se debería realizar otros análisis a otras escalas espaciales y/o temporales. Hay errores de sobreestimación en los sitios con valores bajos de biomasa y de subestimación en los altos. Para mejorar el desempeño del modelo es necesario levantar información de stocks de carbono en coberturas no boscosas de tal manera que los datos de parcelas cubran todo el conjunto de variabilidad de condiciones naturales y de intervención humana. Esto sobretodo tiene más relevancia considerando el alto contenido de contenidos de carbono presentes en coberturas no boscosas en el país (3.181 millones de t de C). Los datos de campo fueron obtenidos durante un periodo de más de 20 años. Es necesario cuantificar las diferencias entre el año de toma de los datos de campo y el año de las imágenes. Conclusiones y recomendaciones 45 estimación de la biomasa aérea usando datos de campo e información de sensores remotos 46 literatura citada Anaya, J., Chuvieco, E., Palacios-Orueta, A. (2009). Aboveground biomass assessment in Colombia: A remote sensing approach. Forest Ecology and Management 257, 1237-1246. Baccini, A., Laporte, N., Goetz, S., Sun, M. and Dong, H. (2008). Mapping tropical Africa aboveground biomass using satellite data. Proceedings of the 2008 IEEE International Geoscience & Remote Sensing Symposium, July 6-11, 2008, Boston (MA) U.S.A (also available at www.igarss08.org/ Abstracts/pdfs/4172.pdf). Boyd, D.S., Foody, G.M. and Curran, P.J., (1999). The relationship between the biomass of Cameroonian tropical forests and radiation reflected in middle infrared wavelengths (3.0–5.0 mm). International Journal of Remote Sensing, 20, pp. 1017– 1023. Breiman L., (2001). Random Forests, Machine Learning, 45, 5-32. Brown, S., (1997). Los bosques y el cambio climático: el papel de los terrenos forestales como sumideros de carbono. In: Actas del XI Congreso Mundial Forestal: Recursos Forestales y Arboles, Vol. 1, Antalya,Turkia, 13–22 October 1997. Cabrera E., Vargas D. M., Galindo G. García, M.C., Ordoñez, M.F. 2011. Memoria técnica de la cuantificación de la deforestación histórica nacional – escalas gruesa y fina. Instituto de Hidrología, Meteorología, y Estudios Ambientales-IDEAM-. Bogotá D.C., Colombia. 94 p. Drake, J.B.; Knox, R.G.; Dubayah, R.O.; Clark, D.B.; Condit, R.; Blair, J.B. & Hofton, M. (2003). Above-ground biomass estimation in closed canopy Neotropical forests using LiDAR remote sensing: factors affecting the generality of relationships, Global Ecology and Biogeography, Vol. 12 (2), pp. 147–159. Foody, G.M., Boyd, D.S. and Cutler, M.E.J., (2003). Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment, 85(4): 463-474. Gesch, D., T.G. Farr, J. Slater, J-P. Muller, S. Cook (2006). New products from the Shuttle Radar Literatura citada 47 estimación de la biomasa aérea usando datos de campo e información de sensores remotos Topography Mission, Eos, Trans. Amer. Geophysics Union, 87, 174. GOEF-GOLD. (2009). A sourcebook and Methods and Procedures for Monitoring and reporting anthropogenic greenhouse gas emissions and removals caused by deforestation, gains and losses of carbon stocks in forests remaining forests, and forestation. Goetz, S. J., A. Baccini, N. Laporte, T. Johns, W. S. Walker, J. M. Kellndorfer, R. A. Houghton, and M. Sun. (2009). Mapping & monitoring carbon stocks with satellite observations: a comparison of methods. Carbon Balance and Management, Open access online: www.cbmjournal.com/content/4/1/2:doi:10.1186/1750-0680-1184-1182. Haute, A., K. Didan, T. Miura, E. P. Rodriguez, X. Gao, and L. G. Ferreira. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment 83, no. 1 (November): 195-213. Holdridge, L. (1978). Ecología basada en zonas de vida. San José, Costa Rica. 216 p. Houghton R., Lawrence K., Hackler J., Brown S. (2001). The spatial distribution of forest biomass in the Brazilian Amazon: A comparison of estimates. Global Change Biology, 7:731-746. Instituto de Hidrología, Meteorología y estudios Ambientales -Ideam- (2005). Atlas climatológico de Colombia. Imprenta Nacional de Colombia. ISBN 958-8067-14-6. Instituto de Hidrología, Meteorología y estudios Ambientales -Ideam, Instituto de Investigación de Recursos Biológicos Alexander von Humboldt –IavH, Instituto Geográfico Agustín Codazzi- IGAC, Instituto de Investigaciones Ambientales del Pacífico Jhon von Newmann -IIAP, Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andreis –Invemar, Instituto Amazónico de Investigaciones Científicas -Sinchi, (2007) Ecosistemas continentales, costeros y marinos de Colombia., Bogotá, D.C.,276 p + 37 hojas cartográficas. Instituto de Hidrología, Meteorología y estudios Ambientales -Ideam-. (2010). Avances en la estimación de las reservas potenciales de carbono almacenado en la biomasa aérea en bosques naturales de Colombia. Informe de re4sultados, versión 3,2. Proyecto Capacidad Institucional Técnica y Científica para Apoyar Proyectos de Reducción de Emisiones por Deforestación y Degradación en Colombia. Instituto de Hidrología, Meteorología y estudios Ambientales-Ministerio de Ambiente, Vivienda y Desarrollo Territorial, Fundación Moore y fundación Natura. Bogotá D.C., colombia. 48 pp. Iverson, L. R., S. Brown, A. Prasad, H. Mitasova, A. J. R. Gillespie, and A. E. Lugo, (1994). Use of GIS for estimating potential and actual forest biomass for continental South and Southeast Asia. Chapter 3 m V. H. Dale (ed.). Effects of land use change on atmospheric CO2 concentrations: Southeast Asia as a case study. Springer Verlag, NY. Lefsky, M. A. (2002), Lidar remote sensing of aboveground biomass in three biomes, Global Ecol. Biogeogr., 11, 393–400. 48 Lefsky, M. A., D. J. Harding, M. Keller, W. B. Cohen, C. C. Carabajal, F. Del Bom EspiritoSanto, M. O. Hunter, and R. de Oliveira Jr. (2005). Estimates of forest canopy height and aboveground biomass using ICESat, Geophys. Res. Lett., 32, L22S02, doi:10.1029/2005GL023971. Lu, D.; Mausel, P.; Brondizio, E.; Moran, E. (2002). Above-ground biomass estimation of successional and mature forests using TM images in the Amazon basin. In: Richardson, D.; van Oosterom, P. (Eds.). Advances in Spatial Data Handling. SpringerVerlag, New York, p.183-196. Lu D., Mausel P., Brondizio E. , Moran E. (2004). Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin, Forest Ecology and Management, Volume 198, Issues 1-3, Pages 149-167. Lu, D. (2006). The potential and challenge of remote sensing-based biomass estimation. International Journal of Remote Sensing, 27, 1297−1328 Manis, G., C. Homer, R.D. Ramsey, J. Lowry, T. Sajwaj, and S. Graves. (2000). The development of mapping zones to assist in land cover mapping over large geographic areas: A case study of the Southwest ReGAP Project. Gap Analysis Bulletin 9:1316. Manis G., Lowry J. AND Ramsey R.D., (2002). Pre-classification: An Ecologically Predictive Landform Model. Available from http://earth.gis.usu.edu/swgap/landform. html#landform_aml (Acceso 10.4.2007). McNab, W.H. (1993). A topographic index to quantify the effect of mesoscale landform on site productivity. Canadian Journal of Forest Research 23:1100-1107. Nelson BW, Mesquita R, Pereira JLG, de Souza SGA, Batista GT, nCouto LB (1999). Allometric regressions for improved estimate of secondary forest biomass in the central Amazon. For Ecol Manage 117:149–167. Parker, A.J. (1982). The topographic relative moisture index: An approach to soil-moisture assessment in mountain terrain. Physical Geography 3: 160-168. Patenaude G.L., R. Milne and T.P. Dawson. (2005). Synthesis of remote sensing approaches for forest carbon estimation: Reporting to the Kyoto Protocol, Environmental Science & Policy 8 pp. 161–178. Prentice K.C. (1990). Bioclimatic distributions of vegetation for general circulation model studies. J Geophys Res 95:11811–11839. Riley, S. J., S. D. DeGloria and R. Elliot (1999). A terrain ruggedness index that quantifies topographic heterogeneity, Intermountain Journal of Sciences, vol. 5, No. 1-4,1999. Rivas-Martínez S. (2008). Global Bioclimatics (Clasificación Bioclimática de la Tierra). (Versión 01-12-2008). Worldwide Bioclimatic Classification System - www.globalbioclimatics.org © 1996-2008 S. Rivas-Martínez, Phytosociological Research Center, Spain. Document Number: PUBL-GLOBAL_BIOCLIMATICS-2008_01. Evaluación de metodologías y sistemas para modelar y proyectar la deforestación en Colombia 49 estimación de la biomasa aérea usando datos de campo e información de sensores remotos Roerink, G. J.; Menenti, M.; Verhoelf, W. (2000). Reconstructing Cloudfree NDVI composites using Fourier analysis of time series. International Journal of Remote Sensing, v. 21, n. 9, p. 1911-1917. Romero M., Galindo G., Otero J. y Armenteras D. (2004). Ecosistemas de la cuenca del Orinoco colombiano. Instituto de Investigación de Recursos Biológicos Alexander von Humboldt. Bogotá, D. C., Colombia. 189 p. Rouse, J.W., Hass, R.H., Schell, J.A., Deering, D.W., Harlan,J.C., (1974). Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation. NASA/GSFC type III final report, Greenbelt, M.D. Roy P.S., Ravan S.A.. (1996). Biomass estimation using satellite remote sensing data an investigation on possible approaches for natural forest. Journal of Bioscience 21:535-561. Saatchi, S.S., R.A. Houghton, R.C. Dos Santos Alvala, J.V. Soares and Y. Yu. (2007). Distribution of aboveground live biomass in the Amazon. Global Change Biology (2007) 13, 816-837. Saatchi S.S. et al. (2011). Benchmark map of forest carbon stocks in tropical regions across three continents Proc. Natl Acad. Sci. USA 108 9899–904. Sellers, P. J., (1985). Canopy reflectance, photosynthesis, and transpiration.Int. J. Remote Sens., 6, 1335–1372. Srinivasan, R., Engel, B.A., Wright, J.R., Lee, J.G. Jones, D.D. (1994). The impact of GISderived topographic attributes on the simulation of erosion using AGNPS. Applied Engineering in Agriculture, 10(4), 561-566. Steininger, M.K. (2000). Satellite estimation of tropical secondary forest aboveground biomass data from Brazil and Bolivia. International Journal of Remote Sensing, 21, pp. 1139–1157. Strahler, A.H., Muller, J-P. et al. (1999). MODIS BRDF/Albedo Product: Algorithm Theoretical Basis Document, Version 5.0, 53pp. April 1999. Available for download from http://modis.gsfc.nasa.gov/data/atbd/atbd_mod09.pdf Tsymbal A., Pechenizkiy M., Cunningham P. 2006. Dynamic Integration with Random Forest. In: Fürnkranz et al (Eds.) Proc. of 17th European Conf. on Machine Learning (ECML/PKDD’06), LNAI 4212, Heidelberg, Springer Verlag, pp. 801-808. Yepes A.P., Navarrete D.A., Phillips J.F., Duque A.J., Cabrera K.R., Álvarez, E., García, M.C. 2010. Protocolo para la estimación nacional y subnacional de biomasa carbono en Colombia. Bases estadísticas del protocolo - Biomasa Aérea. Instituto de Hidrología, Meteorología, y Estudios Ambientales-IDEAM-. Bogotá D.C., Colombia. 49 p. 50