Deforestación en el departamento del Chocó por medio de ...
Transcript of Deforestación en el departamento del Chocó por medio de ...
Deforestación en el departamento del Chocó por medio de imágenes satelitales LANDSAT y
SENTINEL durante el periodo 2015-2019
María Fernanda Cortes Riveros
Facultad de Ciencias
Departamento de Geociencias
Universidad de los Andes
Bogotá D.C, 2020
Proyecto de grado
Presentado por:
María Fernanda Cortes Riveros
Directora:
Jillian Pearse
Facultad de Ciencias, Departamento de Geociencias
Universidad de los Andes
Bogotá D.C. – Colombia
2020
___________________
Jillian Pearse
Director(a) de proyecto de grado
___________________
María Fernanda Cortés R.
Estudiante
Resumen
La deforestación ha sido una de las problemáticas debido a las incontrolables actividades antrópicas y
los grandes cambios climáticos. En Colombia, una de las áreas más afectadas es el departamento del
Chocó, ubicado al oriente del país, el cual cuenta con grandes extensiones de bosques que han sido
intervenidos por el hombre principalmente para la extracción de oro de aluvión, la expansión del área
metropolitana, los cultivos ilícitos, la agricultura y la ganadería. Esto hace que se pierdan los beneficios
que el hombre obtiene de este ecosistema y que la problemática requiera de atención inmediata; por lo
tanto, es importante tomar medidas y controlar tales intervenciones mediante un monitoreo constante.
La teledetección ha sido la técnica más usada en el país para realizar este tipo de actividades y es útil en
el análisis de la perdida de bosques y cambios de coberturas. En este estudio se utilizó el procesamiento
de imágenes satelitales Landsat 8 y Sentinel 2 para evaluar la deforestación en un área del departamento
del Chocó durante el periodo del año 2015 al 2019, por medio de los cambios de coberturas haciendo
uso del software ArcGIS. Sin embargo, debido a la precipitación de la zona se encontraron imágenes con
gran cantidad de nubes que dificultó la identificación de las coberturas. Se concluyó que los cambios
obtenidos no consideran una deforestación por el aumento en el porcentaje correspondiente a la
cobertura boscosa para el año 2019, no obstante, hubo una reducción de bosques en un área
aproximada de 177644,25 ha dentro de los cinco últimos años.
Contenido
INTRODUCCIÓN ........................................................................................................................................ 7
OBJETIVOS .................................................................................................................................................. 9
OBJETIVO GENERAL ............................................................................................................................ 9
OBJETIVOS ESPECÍFICOS .................................................................................................................... 9
ÁREA DE ESTUDIO .................................................................................................................................. 10
PRECIPITACIÓN Y CLIMA ................................................................................................................. 11
METODOLOGÍA ....................................................................................................................................... 12
FIRMA ESPECTRAL ............................................................................................................................. 12
RESOLUCIÓN ESPACIAL.................................................................................................................... 13
SELECCIÓN DE IMAGENES ............................................................................................................... 13
SENTINEL 2 ....................................................................................................................................... 13
Landsat 8 ............................................................................................................................................. 14
Comparación espectral Sentinel 2 y Landsat 8 .................................................................................... 15
Escenas .................................................................................................................................................... 16
Preprocesamiento de imágenes ............................................................................................................... 17
Procesamiento de imágenes ..................................................................................................................... 17
ArcGIS .................................................................................................................................................... 17
Clasificación de las imágenes .............................................................................................................. 18
Por último, se realizó un mapa de cambios de coberturas del año 2015 al 2019 para analizar las distintas
transformaciones en el uso del suelo en el departamento del Chocó. ......................................................... 22
RESULTADOS ........................................................................................................................................... 22
DISCUSIÓN ................................................................................................................................................ 28
CONCLUSIONES ...................................................................................................................................... 28
BIBLIOGRAFÍA ......................................................................................................................................... 29
ANEXOS ..................................................................................................................................................... 33
Índice de Figuras
Figura 1. Ubicación del área de estudio. Derecha: Mapa de Colombia. Isquierda: División política
del departamento del Chocó y el área de estudio demarcado por el polígono rojo. Realizado con
el software con ArcGIS .................................................................................................................. 10
Figura 2. Firma espectral de la vegetación (Arango et al., 2006, Figura 4). .................................. 13
Figura 3.Graficacomparativa de las bandas Landsat 7 y 8 con Sentinel 2. Tomado de USGS,
2015 ................................................................................................................................................ 16
Figura 4. Mapa del área de estudio con imágenes Landsat 8 para el año 2015, RGB543.Realizado
con el software ArcGIS. ................................................................................................................. 21
Figura 5. Mapa del área de estudio con imágenes Sentinel 2 para el año 2019, RGB843.Realizado
con el software ArcGIS. ................................................................................................................. 22
Figura 6. Mapa de uso y cobertura en el Chocó para el 2015. Realizado con el software ArcGIS..
........................................................................................................................................................ 24
Figura 7. Mapa de uso y cobertura del suelo en el Chocó para el 2019.Realizado con el software
ArcGIS. .......................................................................................................................................... 25
Figura 8. Mapa de cambios de las coberturas en el periodo 2015 a 2019. ..................................... 27
Índice de Tablas
Tabla 1. Coordenadas del polígono de la Figura 1 asociado al área de estudio en decimales y en
grados minutos y segundos. ........................................................................................................... 11
Tabla 2.Características de las bandas Sentinel 2 y Landsat 8 (Hetley et al., 2018; Pulleti et al.,
2017) ............................................................................................................................................... 15
Tabla 3. Escenas Landsat 8 utilizadas para cubrir el área de estudio en el año 2015 .................... 16
Tabla 4. Escenas Sentinel-2 utilizadas para cubrir el área de estudio en el año 2019. .................. 17
Tabla 5. Composiciones RGB comunes para imágenes Sentinel 2 y Landsat 8 ............................ 19
Tabla 6. Datos numéricos de la clasificación para el 2015 ............................................................ 23
Tabla 7. Datos numéricos de la clasificación para el 2019 ............................................................ 23
Tabla 8. Datos de los cambios de cobertura correspondientes al periodo 2015-2019. .................. 26
INTRODUCCIÓN
Los bosques son uno de los recursos naturales más importantes para el mundo ya que ofrecen
servicios de suministro, regulación y culturales en beneficio de la población humana llamados
servicios ecosistémicos (Balvanera, 2012). Es decir, regulan los cambios climáticos, los ciclos de
carbono, oxígeno y agua, proporciona algunos bienes como el alimento, la madera y además
contienen cerca del 90% de la biodiversidad terrestre (García, 2014). Sin embargo, debido a la
actividad antrópica y los grandes cambios climáticos la cobertura de bosques ha ido
disminuyendo rápidamente. En Colombia los bosques abarcan gran parte del territorio y se ubica
como el quinto país en Sudamérica en cuanto a extensión de bosque primario, es decir, aquel que
no ha sido intervenido por el hombre (García,2014). Uno de los mayores inconvenientes en el
país ha sido la perdida de cobertura boscosa o deforestación debido a actividades como minería,
tala de árboles, agricultura y ganadería, expansiones metropolitanas, entre otras, y la deficiencia
de sistemas políticos, culturales, ambientales y sociales que regulen adecuadamente estas
prácticas (Jiménez y Lombana, 2017).
Entre los departamentos que han tenido que enfrentar esta situación se encuentra el departamento
del Chocó, al occidente de Colombia, el cual cuenta con una amplia extensión de bosques, donde
el ecosistema más común es el bosque húmedo tropical (Jiménez y Lombana, 2017).
Corresponde al área con la principal explotación aluvión de platino en el país, de gran
importancia por tener al oro como mineral asociado (Lara et al, 2020). Esta actividad es de gran
importancia para el sostenimiento económico y cultural de la región, sin embargo, las técnicas
utilizadas han hecho de esto como el factor más influyente en la pérdida de la cobertura boscosa,
el deterioro de los suelos y la contaminación de los ríos. En el año 2018, los reportes sobre la
deforestación en esta zona estaban relacionados al uso del suelo para la agricultura de pequeña
escala, cultivos de uso ilícito debido a la presencia de actores armados ilegales, quienes también
realizan minería a cielo abierto de manera ilegal en los bordes de los ríos Baudó, Nauca y sus
afluentes (IDEAM, 2018). Esta zona ocupa el segundo lugar en los departamentos con mayor
evidencia de explotación de oro de aluvión (EVOA) en el año 2018, registrando 35.193 ha
afectadas con el uso de maquinaria en tierra como las retroexcavadoras, removiendo grandes
cantidades de tierra en un corto tiempo buscando un área con la mayor cantidad de oro que sea
rentable (UNODC, 2019).
Adicionalmente, ha aumentado el área utilizada para cultivos ilícitos en el departamento,
principalmente de coca, con 1.489 ha en el año 2015 y 2.155 ha en el 2018 (UNODC-SIMCI,
2019); cabe resaltar que, con el fin de utilizar una parte de la tierra para los cultivos ilícitos se ha
llegado a la destrucción de un área considerable de bosque húmedo tropical (Ramírez &
Ledezma, 2007).
Estas actividades han alterado de manera significativa el paisaje del Chocó acabando con los
servicios ecosistémicos que proveen estas tierras, deteriorando el medio ambiente y
contribuyendo a la pérdida de identidad de sus habitantes. Por esta razón, la preocupación de
mitigar y controlar los daños realizados en este departamento ha aumentado por ser una de las
áreas señalas para la conservación de la biodiversidad (Valois y Martínez, 2016). La detección
remota se utiliza para adquirir, procesar e interpretar datos de un objeto a distancia de imágenes
adquiridas en satélites o aeronaves que con sensores que registran la radiación electromagnética
(Sabins,1997, p. 1). Además, en Colombia es la técnica más usada para realizar análisis de
deforestación tanto por el gobierno como por los entes particulares (Parody y Zapata, 2015). Se
han realizado algunos estudios relacionados a la deforestación en el Chocó que utilizan los
sensores remotos para el análisis de la vegetación y la calidad de los cuerpos de agua, asi como
también la influencia de la minería en los bosques de la región (Delegido et al., 2016, Valois y
Martínez, 2016; Ligia, 2017). De este modo, el monitoreo del desarrollo de las distintas
coberturas en el tiempo en este departamento, usando la teledetección, resulta ser una de las
herramientas idóneas para controlar los efectos de las actividades antrópicas, sirviendo este
estudio como soporte para tomar medidas sobre ellas.
Adicionalmente, en este estudio se utilizarán los sistemas de información geográfica (SIG) en el
procesamiento de imágenes Landsat 8 para el año 2015 y Sentinel 2 para el 2019, con ayuda del
software ArcGIS versión 10.7.1 (Environmental Systems Research Institute, Redlands, CA,
USA). Las imágenes Sentinel 2 y Landsat 8 fueron tomadas de las páginas virtuales gratuitas
European Space Agency (ESA): https://sentinel.esa.int/web/sentinel/missions/sentinel-2, en el
programa Copernicus. y United States Geological Survey: https://earthexplorer.usgs.gov/
respectivamente. ArcGIS, con licencia estudiantil, será la herramienta utilizada para realizar un
mapeo de la zona de estudio, cuantificando el uso y cobertura del suelo, y analizar la
deforestación en el periodo de 2015 a 2019. Estas técnicas SIG son económicas y rápidas
computacionalmente, lo cual permite que se hagan investigaciones cubriendo la mayor cantidad
de área intervenida por el hombre. El estudio de los cambios en la cobertura boscosa se realiza
con el fin de proveer las herramientas y bases necesarias para prevenir, mitigar y restaurar los
daños causados al medio ambiente por acciones del hombre o eventos climáticos; además de
monitorear el avance de los proyectos de preservación de la biodiversidad y la gestión de los
recursos naturales (Arango et al., 2005).
De esta manera, el propósito de este proyecto es realizar un estudio multitemporal en el
departamento del Chocó, haciendo uso de los datos obtenidos por las plataformas satelitales
Landsat 8 y Sentinel 2 mediante el software ArcGIS. Se busca obtener los cambios recientes de
uso y cobertura de suelos en esta área con grandes amenazas por las actividades antrópicas y
estimar los factores que influyen en la perdida de cobertura boscosa.
OBJETIVOS
OBJETIVO GENERAL
Evaluar la deforestación en el departamento del Chocó entre los años 2015 y 2019, por
medio de técnicas de detección remota y procesamiento digital de las imágenes satelitales
Landsat 8 y Sentinel 2.
OBJETIVOS ESPECÍFICOS
Obtener los datos espectrales de las imágenes satelitales Landsat 8 y Sentinel 2 mediante
el software ArcGIS
Analizar las respuestas espectrales de los tipos de cobertura en el departamento del Chocó
para realizar la clasificación del suelo correspondiente a los años 2015 y 2019.
Evaluar la calidad de la clasificación realizada.
Determinar el área deforestada del departamento del Chocó cuantificando los cambios en
el uso y cobertura del suelo del 2015 al 2019.
Examinar la influencia de la ganadería, la agricultura y las construcciones por medio de
un mapa de cambios de cobertura en el departamento del Chocó.
ÁREA DE ESTUDIO
Figura 1. Ubicación del área de estudio. Derecha: Mapa de Colombia. Isquierda: División política del departamento del Chocó y
el área de estudio demarcado por el polígono rojo. Realizado con el software con ArcGIS
La zona de estudio se ubica en el Departamento del Chocó al occidente de Colombia (ver Figura
1), caracterizado por ser el único departamento que limita con dos extensas masas de agua, el mar
Caribe y el océano Pacífico; adicionalmente, está formado por las cuencas de los ríos Atrato, San
Juan y Baudó. El departamento se sitúa entre los 04°00’50’ y 08°41’32’’ de latitud norte y los
76°02’57’’ y 77°53’38’’ de longitud oeste. Cuenta con una extensión aproximada de 4.653.000
hectáreas (ha) incluyendo varias zonas establecidas como áreas protegidas dentro de la selva
ecuatorial chocoana, principalmente en la Serranía del Baudó y la Serranía del Darién.
Por otro lado, debido a la cantidad de nubes presentes en las imágenes, se eligió un área de
aproximadamente 2’703.786 hectáreas. Abarca los municipios de la mitad y el sur del
departamento empezando de Norte a Sur desde el municipio del Medio Atrato, pasando por
ciudades grandes como Quibdó, Istmina y Condoto, hasta el municipio del Litoral de San Juan.
Las coordenadas de este perímetro se pueden ver la ¡Error! No se encuentra el origen de la
referencia..
Tabla 1. Coordenadas del polígono de la Figura 1 asociado al área de estudio en decimales y en grados minutos y segundos.
PRECIPITACIÓN Y CLIMA
El Departamento del Chocó cuenta con zonas bastantes húmedas y presenta lluvias la mayoría
del año. Según el IDEAM (2010), las lluvias en las zonas del centro y sur del departamento son
superiores a los 7000 mm, con una precipitación mayor entre los municipios Quibdó y Lloró de
8000 mm al año y lluvias menores al norte con valores menores a 2500 mm. Adicionalmente, el
número de días con lluvia es distinto en la parte norte, centro y sur, presentando una cantidad
aproximada de 300 días en la parte central y suroccidente, 200 días en la parte centro y sur, y en
el extremo norte y suroriental entre 100 y 150 días. Sin embargo, en los meses de enero a marzo
se presenta la época más seca al norte del departamento y al sur corresponde al periodo del mes
de febrero (ver Anexo A).
La temperatura promedio anual del departamento es de 26 y 28 °C, disminuyendo hacia la costa
con valores aproximadamente de 22 a 24 °C, y presenta una disminución gradual hacia la
Punto Latitud Longitud
6.306207097262700 -77.52862150073523
6°18'22.4" N 77°31'43.0" W
6.14364795085371 -76.31463224292273
6°08'37.1" N 76°18'52.7" W
4.101725011407989 -77.59453946948523
4°06'06.2" N 77°35'40.3" W
4.096245898593240 -76.75408536792273
4°05'46.5" N 76°45'14.7" W
1
2
3
4
Polígono
cordillera occidental (IDEAM, 2010). Adicionalmente el clima cálido super húmedo es el que
predomina en el territorio (ver Anexo C).
METODOLOGÍA
Para el análisis de la deforestación en el Chocó se utilizará la detección remota o teledetección.
Esta técnica consiste en adquirir, procesar y analizar la información de la superficie terrestre
usando sensores espaciales (Chuvieco, 1995, p.27). Los sensores registran la energía que reflejan
o emiten las cubiertas terrestres (cuerpos de agua, suelos, vegetación o construcciones humanas)
a distintas longitudes de onda dentro del espectro electromagnético.
FIRMA ESPECTRAL
El comportamiento espectral de una cubierta se conoce como firma espectral y puede variar por
factores como: el ángulo de iluminación solar, que depende de la fecha del año y del momento de
paso del satélite; modificaciones del ángulo incidente por el relieve de la superficie; dispersión
atmosférica por presencia de gases y partículas atmosféricas en suspensión; variaciones
medioambientales de la cubierta, como la homogeneidad o estado fenológico; y el ángulo de
observación, que tiene que ver con la ubicación del satélite y las características del sensor
(Chuvieco, 1995, p. 61).
En la Figura 2 se observa el comportamiento espectral teórico de la vegetación. Tiene valores
bajos de reflectancia en el espectro visible gracias a la presencia de pigmentos como la clorofila
que por fotosíntesis absorbe las ondas azules y las rojas y refleja las verdes. Además, la
reflectancia aumenta notablemente en el infrarrojo cercano debido a los espacios intercelulares en
el mesófilo de la hoja y disminuye hacia las ondas más largas gracias a la absorción del agua
presente en las plantas (Sabins, 1997, p. 57).
Figura 2. Firma espectral de la vegetación (Arango et al., 2006, Figura 4).
RESOLUCIÓN ESPACIAL
La resolución espacial consiste en el nivel de detalle que tiene la imagen o el campo de visión
sobre el terreno definido por el área en metros que cubre la unidad mínima de información en la
imagen, denominada pixel. La resolución espacial está relacionada con la escala del trabajo y la
fiabilidad de la interpretación obtenida, cuanto menor sea el tamaño del píxel hay mayor
diferenciación de cubiertas (Chuvieco, 1995, p.90-92). Además, los valores de reflectancia son
codificados en niveles digitales (ND), asignándole un valor numérico a cada píxel dentro de un
rango de 0 a 256, representados en escala de grises, permitiendo identificar fácilmente la
reflectancia de los distintos tipos de coberturas por medio de softwares especializados
(Rodríguez, 2016).
SELECCIÓN DE IMAGENES
Se escogieron dos tipos de satélites diferentes para el análisis multitemporal, Sentinel 2 y Landsat
8, queriendo potenciar el uso de las plataformas más recientes para estudios de deforestación en
el territorio colombiano.
SENTINEL 2
Las imágenes tomadas de Sentinel 2 se obtienen mediante el uso de la plataforma Copernicus
Open Access Hub (https://scihub.copernicus.eu/dhus/#/home) de la Agencia Espacial Europea
(ESA por sus siglas en inglés). Sentinel-2 está compuesto por dos satélites, Sentinel 2A y
Sentinel 2B, cada uno con un instrumento multiespectral (MSI) y un ancho de banda amplio que
proporciona imágenes multiespectrales capaces de analizar cualquier actividad en la superficie
terrestre para mapear y supervisar las diferentes coberturas. Los datos proporcionados por
Sentinel-2A comienzan a mitad del año 2015 y los datos de Sentinel-2B comienzan desde el
2017. Estos dos satélites pueden hacer un barrido cada 5 días con una resolución de 10 metros
por pixel y un campo visual de 290 km (Williamson, 2018), con un sistema de referencia que
divide la Tierra en mosaicos cuadrados con un marco de referencia universal UTM y datum
WGS84, por sus siglas en ingles de Universal Transverse Mercator y World Geodetic System
1984 (Gatti y Bertolini, 2015, pp. 59-60). Cabe resaltar que en Colombia la grilla cubre desde la
codificación UTM 16 a la 19 y el área de estudio abarca solamente la zona número 18.
Adicionalmente, las imágenes Sentinel están habilitadas al público con el mayor procesamiento
catalogadas en nivel 1C y nivel 2A. El primero corresponde a imágenes con datos
ortorectificados sobre la capa superior de la atmosfera TOA (por sus siglas en ingles de Top of
Atmosphere), con correcciones geométricas y radiométricas; y el nivel 2A contiene los datos del
nivel 1C con los valores de reflectancia corregidos al nivel más bajo de la atmósfera BOA (por
sus siglas en ingles Bottom of Atmosphere) (Gatti y Bertolini, 2015, p. 63). Estas correcciones
proporcionan imágenes con mejor calidad.
Landsat 8
Las imagines Landsat 8 se obtienen de la plataforma EarthExplorer del Servicio Geologico de
los Estados Unidos (USGS) desde el link: https://earthexplorer.usgs.gov/. El satélite Landsat 8 se
compone de dos sensores llamados Operational Land Imager (OLI) y el Thermal Infrared Sensor
(TIRS). Cuenta con una resolución de 30 metros y genera las imágenes cada dos semanas. Cuenta
con 11 bandas espectrales y el sistema de referencia es la cuadricula mundial WRS, que cuenta
con un sistema de columnas (Path) y filas (Row) en el mismo sistema de proyección
UTM/WGS84 que Sentinel (Qiu et al., 2019). Las imágenes obtenidas corresponden a la
Colección 1 con un procesamiento de nivel 1, lo que indica que incluyen correcciones
radiométricas, geométricas y de precisión, utilizando un modelo digital de elevación (DEM) para
corregir los errores que produce la topografía; además, la precisión de la corrección del terreno
depende de la cantidad de puntos de control terrestre (GCP) y la resolución del DEM (USGS,
2017). La colección 1 se divide en tres grupos: Tier 1 (T1), que es el máximo nivel de
procesamiento y la mejor calidad de los datos con un error cuadrático medio de raíz (RMSE)
menor a 12m en el georregisto; Tier 2 (T2), que son los datos que no clasifican al T1 porque
tienen un RMSE mayor a 12m ya sea por la cantidad de nubes o por la falta de GCP para el
georregistro; y Real-Time (RT) que son los datos nuevos aun no calibrados.
Comparación espectral Sentinel 2 y Landsat 8
Para el uso de ambos tipos de satélites es necesario hacer la comparación de las bandas, longitud
de onda y resolución espacial de Sentinel 2 y Landsat 8. El sensor MSI de Sentinel-2 cuenta con
trece bandas de distinta resolución espacial como se muestra en la Tabla 2. Se ubican tres bandas
en el espectro visible, una en el infrarrojo cercano, seis en la banda del infrarrojo de onda corta y
tres bandas de corrección atmosférica (Forkuor et al., 2017). Este satélite cuenta con algunas
características que lo diferencian de otros y hacen que sea viable para muchos estudios, por
ejemplo, la inclusión de las bandas red-edge han sido de utilidad en áreas que estudien la
agricultura, los bosques, el agua y los usos y coberturas de los suelos (Forkuor et al.,2018).
Tabla 2.Características de las bandas Sentinel 2 y Landsat 8 (Hetley et al., 2018; Pulleti et al., 2017)
Por otro lado, con respecto a los sensores Landsat 8 (ver ¡Error! No se encuentra el origen de
la referencia.), OLI recoge datos de las bandas visible, infrarrojo cercano y el infrarrojo de onda
corta con resolución espacial de 30 metros y una banda pancromática con resolución de 15
metros; y TIRS registra los datos en las bandas de la región térmica con una resolución espacial
de 100 metros (USGS, 2019, p. 50). La Figura 3 muestra la comparación en el espectro
electromagnético entre las bandas de los dos sensores.
BandaResolución
(m)
Rango de longitud
de onda (µm)Banda
Resolucion
(m)
Rango de longitud
de onda (µm)
1-Coastal aerosol 60 0.43-0.46 1-Blue 30 0.43-0.45
2-Blue 10 0.45-0.55 2-Blue 30 0.45-0.51
3-Green 10 0.54-0.58 3-Green 30 0.53-0.59
4-Red 10 0.65-0.68 4-Red 30 0.64-0.67
5-Red Edge 20 0.69-0.71 5-NIR 30 0.85-0.88
6- Red Edge 20 0.73-0.75 6-SWIR 30 1.57-1.65
7-Red Edge 20 0.77-0.80 7-SWIR 30 2.11-2.29
8-NIR 10 0.76-9.1 8-Panchromatic 15 0.50-0.68
8A-Red Edge 20 0.85-0.88 9-Cirrus 30 1.36-1.38
9- Water Vapour 60 0.93-0.96 10-Thermal Infrared 100 10.60-11.19
10-SWIR-Cirrus 60 1.34-1.41 11-Thermal Infrared 100 11.50-12.51
11-SWIR 20 1.54-1.68
12-SWIR 20 2.08-2.32
Sentinel 2 Landsat 8
Figura 3.Graficacomparativa de las bandas Landsat 7 y 8 con Sentinel 2. Tomado de USGS, 2015
Escenas
Para evaluar los cambios más recientes en la cobertura vegetal del Departamento del se buscaron
imágenes que representaran el periodo correspondiente a los últimos 5 años considerando que es
un tiempo en el que se pueden apreciar estas variaciones. Esta zona al disfrutar de lluvias
frecuentes no cuenta con imágenes libre de nubes, por lo tanto, se escogieron aquellas que
dejaran el área de estudio con la menor nubosidad y estuvieran dentro de la misma temporada del
año. Para el año 2015 se utilizaron dos escenas Landsat 8 OLI/TIRS de la Colección 1 con nivel
de procesamiento T1 y T2 (ver en la Tabla 3).
Tabla 3. Escenas Landsat 8 utilizadas para cubrir el área de estudio en el año 2015
Para el año 2019 fueron necesarias 6 escenas Sentinel 2 MSI con nivel de procesamiento 1C
como se muestra en la Tabla 4.
IMAGEN
(PATH/ROW)FECHA NUBES (% )
CALIDAD
DE IMAGEN
NIVEL DE
PROCESAMIENTO
010/056 13/07/2015 32,03 9 T1
010/057 13/07/2015 39,94 9 T2
Tabla 4. Escenas Sentinel-2 utilizadas para cubrir el área de estudio en el año 2019.
Preprocesamiento de imágenes
Para el correcto análisis de las imágenes es necesario un preprocesamiento que consiste en
corregir incoherencias tanto en la localización de la imagen como en los niveles de reflectancia
asociados a la adquisición de la imagen. Se realiza la corrección radiométrica que modifica los
ND adquiridos por el sensor a valores cercanos a los idóneos debido a las distorsiones
atmosféricas o fallas en los sensores. También se hace la corrección geométrica modificando la
posición en la que se encuentran los ND que adecúa la imagen a una proyección y un sistema de
coordenadas específico (Chuvieco, 1995, pp.238-254). Las imágenes escogidas para el 2015
tienen el máximo nivel de procesamiento Landsat 8, con correcciones geométricas como se
mencionó anteriormente, al igual que las imágenes Sentinel 2 correspondientes al 2019.
Procesamiento de imágenes
El procesamiento de imágenes consiste en la transformación, representación y manipulación de
los datos para usar la información en diferentes contextos. Para esto se utilizará el software
ArcGIS la versión 10.7.1.ink (Environmental Systems Research Institute, Redlands, CA, USA)
con licencia estudiantil. Se realizará la clasificación del uso y cobertura del departamento del
Chocó para el año 2015 y 2019, permitiendo estimar los cambios sobre la cobertura boscosa en
este periodo.
ArcGIS
ArcGIS es un programa que utiliza la información geográfica para crear y utilizar mapas, reducir
información, ampliar las bases de datos geográficas, realizar análisis espaciales, crear
aplicaciones, entre otros, con el fin de solucionar problemas, ayudar a la planificación y la toma
de decisiones en grandes proyectos de una manera visual (ESRI, sf). Este programa fue útil para
IMAGEN FECHA NUBES (% )NIVEL DE
PROCESAMIENTO
18NTM 16/07/2019 31,4776 1C
18NTL 16/07/2019 24,9718 1C
18NTK 16/07/2019 15,4125 1C
18NUM 16/07/2019 8,6856 1C
18NUL 16/07/2019 39,8579 1C
18NUK 16/07/2019 81,5352 1C
realizar el mosaico de las imágenes y ajustarlas al área de interés, realizar clasificaciones de uso y
cobertura de suelos y evaluarlas con diferentes análisis estadísticos.
Clasificación de las imágenes
El proceso de clasificación de imágenes multiespectrales se entiende como la extracción de la
información espectral de cada uno de los niveles digitales, determinada por los valores de
reflectancia detectados en cada banda (Sabins, 1997, p. 283).
Para realizar la clasificación es necesario visualizar la imagen teniendo en cuenta las posibles
combinaciones de banda asociadas a los sensores Landsat 8 y Sentinel 2, definiendo cuál es la
más conveniente para realizar la diferenciación de coberturas en el análisis de la deforestación.
Para estudios de vegetación el proceso más usado consiste en colocar los cañones Rojo, Verde y
Azul (RGB) sobre las bandas del infrarrojo cercano, el rojo y el verde respectivamente gracias a
la respuesta espectral que tiene esta cobertura en el infrarrojo cercano, donde la vegetación sana
muestra altos valores de reflectividad (Chuvieco, 1997, p. 287). Sin embargo, estas
combinaciones dependen del análisis que se quiere realizar y la finalidad del estudio ya que cada
una resalta una característica distinta. Adicionalmente, cada misión satelital cuenta con una
resolución espectral, en ocasiones diferente, que implica que no se puedan utilizar las mismas
referencias RGB. En la Tabla 5 se muestran las combinaciones RGB más comunes con sus
respectivas aplicaciones tanto para Sentinel 2 como para Landsat 8 (Acharya y Yang, 2015;
Alonso, s.f.).
Tabla 5. Composiciones RGB comunes para imágenes Sentinel 2 y Landsat 8
Como se mencionó anteriormente se utilizaron dos tipos de imágenes con diferente resolución
espacial, por lo que fue necesario remuestrear las imágenes Sentinel 2 a una resolución de 30m,
una resolución espacial acorde a la de Landsat (30 m). Esto se realizó por medio de la plataforma
ArcGIS PRO de ESRI. De esta manera se procedió a la unión de las escenas que cubren el área
de estudio en un mosaico. La combinación de bandas que se utilizaron para el análisis de los
cambios en la cobertura boscosa fueron las correspondientes al falso color, es decir, para Landsat
corresponde a la composición RGB543 y su correspondiente en Sentinel 2, es decir RGB843 (ver
Figura 4 y Figura 5). Se tuvo en cuenta que la vegetación en el infrarrojo cercano se caracteriza por
una alta reflectividad, que permite identificar fácilmente las coberturas vegetales de las otras
coberturas.
Por otra parte, la clasificación se basa en identificar en las imágenes adquiridas las coberturas
deseadas para el proyecto. Consiste en asignarle una categoría a cada uno de los pixeles con
respecto a su ND. Primero, se realiza la llamada fase de entrenamiento, que consiste en definir las
categorías. Segundo, viene la fase de asignación, donde cada píxel es clasificado en una de las
categorías. Por último, se hace la verificación y evaluación de los resultados obtenidos. Para la
fase de entrenamiento se elige una cantidad considerable de pixeles que representen y
discriminen de la mejor forma posible las categorías a examinar. Por tal razón, en este
Composición Sentinel 2 Landsat 8 Aplicaciones
Color natural 4,3,2 4,3,2Buena representacion de la imagen como la podrian ver los seres
humanos de forma natural
Falso color 8,4,3 5,4,3
Es la composición mas usada para evaluar la densidad y la salud
de las plantas por la alta reflectividad en el infrarojo y baja en el
rojo, dandole una tonalidad roja oscura para la vegetacion sana y
bien desarrollada, un rojo intenso a rosado para areas vegetales
menos densa o no tan desarrollada, azul o negro a la presencia de
agua, marrón a la vegetación arbustiva variable, beig o gris a las
ciudades o suelo expuesto
Agricultura 11,8,2 6,5,2Monitoreo de cultivos, estimar cantidad de agua en las plantas o
suelos y mapear los daños por incendios.
Vegetación Sana 8A,11,2 5,6,2 Analizar con más detalle el estado de la vegetación
Penetración
atmosférica12,11,8A 7,6,5 Estimar humedad, textura y caracteríticas de los suelos
Zonas urbanas 12,11,4 7,6,4Visualizar las zonas urbanas que aparecen en color magenta,
praderas y pastos en verdes claros y áreas forestales en verde
procedimiento se debe tener mayor cuidado ya que una mala definición de las clases puede
resultar en una clasificación incorrecta. (Chuvieco, 1995, pp. 328-329).
Además, existen dos formas de realizar la fase de entrenamiento: la primera, denominada
clasificación supervisada, parte de un conocimiento previo del área de estudio para realizar el
muestreo de los pixeles; y la segunda, llamada clasificación no supervisada, no requiere este
conocimiento para realizar el muestreo, el ordenador separa y asigna los pixeles a grupos con
similares respuestas espectrales (Chuvieco, 1995, p. 336; Sabins, 1997, p. 285). Para este trabajo
se utilizará la clasificación supervisada.
Clasificación supervisada
Se realizó una clasificación supervisada para los años 2015 y 2019 usando el software ArcGIS.
Esta clasificación consiste en la definición de pequeñas áreas que representen cada una de las
categorías, llamadas training site (Sabins, 1997, p. 285). Posteriormente, el software realiza
algunas operaciones estadísticas para cada una de las categorías teniendo en cuenta los ND
relacionados con los pixeles de las áreas de entrenamiento, luego le asigna una categoría a cada
píxel no seleccionado según su ND (Chuvieco, 1997, pp. 332-344). La fase de asignación se
puede realizar por varios métodos, sin embargo, existen varios estudios que utilizan el método de
máxima verosimilitud para análisis multitemporales de los cambios en el uso y cobertura del
suelo (Islam et al., 2018), motivo por el cual fue elegido para realizar la clasificación. La técnica
de aproximación por máxima verosimilitud consiste en representar los datos de entrenamiento en
una función de probabilidad de distribución normal multivariante con sus respectivas matrices de
varianza y covarianza con el fin de determinar la probabilidad que tiene un pixel de pertenecer a
una categoría u otra, asignando el pixel a la clase con mayor probabilidad (Bolstad y Lillesand,
1991).
De este modo, se seleccionaron 7 tipos de coberturas para diferenciar en las imágenes: Bosques,
correspondientes a la vegetación más densa de un tono rojo oscuro; Praderas, incluyendo a la
vegetación menos densa como cultivos o vegetación en temprano crecimiento; Tierras eriales,
relacionado al suelo árido o seco; Construcciones, refiriéndose a ciudades o suelos descubiertos; Nubes,
y Sombras, estas últimas relacionadas con las nubes.
Figura 4. Mapa del área de estudio con imágenes Landsat 8 para el año 2015, RGB543.Realizado con el software ArcGIS.
Figura 5. Mapa del área de estudio con imágenes Sentinel 2 para el año 2019, RGB843.Realizado con el software ArcGIS.
Por último, se realizó un mapa de cambios de coberturas del año 2015 al 2019 para analizar las
distintas transformaciones en el uso del suelo en el departamento del Chocó.
RESULTADOS
Las coberturas fueron analizadas con el porcentaje que representó cada una de ellas en el área de
estudio. Para el 2015, los bosques predominaron en el área cubriendo el 37,8% del área, el
océano y los ríos cubrieron el 15,4%, las actividades antrópicas incluidas en las coberturas de
praderas, construcciones y tierras eriales constituyeron el 15,73%, un valor significativo en
cuanto al uso del suelo en esta zona (ver Tabla 6).
Tabla 6. Datos numéricos de la clasificación para el 2015
Para el año 2019 (ver Tabla 7), los bosques aumentaron en porcentaje al área de estudio, con un
47%, así como también las actividades antrópicas, con un 18% aproximadamente entre tierras
eriales, praderas y construcciones. Hay que tener en cuenta que algunas partes correspondientes a
las sombras que proporcionan las nubes reflejan valores de reflectividad similares a las tierras
eriales, al igual que algunas nubes proporcionan una confusión con los tonos grises de las
construcciones.
Tabla 7. Datos numéricos de la clasificación para el 2019
Cobertura Pixeles Porcentaje Ha
Bosques 11369346 37,84 1023240,68
Praderas 2249548 7,49 202459,23
Cuerpos de Agua 4641150 15,45 417703,31
Tierras Eriales 1616079 5,38 145447,04
Sombras 2766359 9,21 248972,20
Nubes 6536934 21,76 588323,79
Construcciones 862662 2,87 77639,54
Total 30042078 100 2703785,8
Año 2015
Cobertura Pixeles Porcentaje Ha
Bosques 14250524 47,44 1282547,52
Praderas 2875422 9,57 258788,05
Cuerpos de Agua 5002322 16,65 450209,11
Tierras Eriales 2188832 7,29 196994,94
Sombras 2433947 8,10 219055,29
Nubes 2944165 9,80 264974,92
Construcciones 346844 1,15 31215,97
Total 30042056 100 2703785,8
Año 2015
Figura 7. Mapa de uso y cobertura del suelo en el Chocó para el 2019.Realizado con el software ArcGIS.
Se obtuvo que el porcentaje de nubes en el 2015 es más del doble que en el 2019 y hubo un aumento en
el porcentaje de bosques en el mismo periodo de tiempo. Esto se puede evidenciar con el mapa de
cambios que se muestra en la Figura 8. Allí se observa que el 11,12% del área pasó de nubes a bosques y
el 5,36 % pasó de sombras a bosques, que corresponde a área aproximada de 300.676 hectáreas.
Adicionalmente, el área de bosques pasó a ser tierras eriales, praderas y construcciones en un 6.57% que
corresponde a aproximadamente 177.644 hectáreas, las cuales son actividades relacionadas a la
actividad humana relacionadas a la disminución de la cobertura boscosa en este departamento ( ver
Tabla 8).
Tabla 8. Datos de los cambios de cobertura correspondientes al periodo 2015-2019.
ÁREA (ha) %
SOMBRAS-SOMBRAS 29324,87 1,08
SOMBRAS-NUBES 26188,43 0,97
SOMBRAS-BOSQUES 144837,84 5,36
SOMBRAS-CUERPOS DE AGUA 1943,98 0,07
SOMBRAS-TIERRAS ERIALES 20690,89 0,77
SOMBRAS-PRADERAS 23771,61 0,88
SOMBRAS-CONSTRUCCIONES 1502,89 0,06
NUBES-SOMBRAS 55343,28 2,05
NUBES-NUBES 71118,70 2,63
NUBES-BOSQUES 300676,06 11,12
NUBES-CUERPOS DE AGUA 55920,23 2,07
NUBES-TIERRAS ERIALES 44626,48 1,65
NUBES-PRADERAS 56959,55 2,11
NUBES-CONSTRUCCIONES 4875,64 0,18
BOSQUES-SOMBRAS 96929,58 3,59
BOSQUES-NUBES 98138,96 3,63
BOSQUES-BOSQUES 657124,83 24,31
BOSQUES-CUERPOS DE AGUA 120,03 0,00
BOSQUES-TIERRAS ERIALES 86888,68 3,21
BOSQUES-PRADERAS 88983,11 3,29
BOSQUES-CONSTRUCCIONES 1772,46 0,07
CUERPOS DE AGUA-SOMBRAS 245,74 0,01
CUERPOS DE AGUA-NUBES 31771,82 1,18
CUERPOS DE AGUA-BOSQUES 54,68 0,00
CUERPOS DE AGUA-CUERPOS DE AGUA 373580,91 13,82
CUERPOS DE AGUA-TIERRAS ERIALES 359,46 0,01
CUERPOS DE AGUA-PRADERAS 18,45 0,00
CUERPOS DE AGUA-CONSTRUCCIONES 11620,78 0,43
TIERRAS ERIALES-SOMBRAS 14730,35 0,54
TIERRAS ERIALES-NUBES 16026,10 0,59
TIERRAS ERIALES-BOSQUES 77988,67 2,89
TIERRAS ERIALES-CUERPOS DE AGUA 158,34 0,01
TIERRAS ERIALES-TIERRAS ERIALES 15214,57 0,56
TIERRAS ERIALES-PRADERAS 17880,87 0,66
TIERRAS ERIALES-CONSTRUCCIONES 1041,61 0,04
PRADERAS-SOMBRAS 9636,61 0,36
PRADERAS-NUBES 12820,77 0,47
PRADERAS-BOSQUES 109210,17 4,04
PRADERAS-CUERPOS DE AGUA 111,35 0,00
PRADERAS-TIERRAS ERIALES 17159,17 0,63
PRADERAS-PRADERAS 48279,11 1,79
PRADERAS-CONSTRUCCIONES 919,18 0,03
CONSTRUCCIONES-SOMBRAS 7939,44 0,29
CONSTRUCCIONES-NUBES 9073,83 0,34
CONSTRUCCIONES-BOSQUES 18393,84 0,68
CONSTRUCCIONES-CUERPOS DE AGUA 18699,37 0,69
CONSTRUCCIONES-TIERRAS ERIALES 8675,87 0,32
CONSTRUCCIONES-PRADERAS 4626,60 0,17
CONSTRUCCIONES-CONSTRUCCIONES 9246,64 0,34
2703222,39 100
CAMBIO DE COBERTURA
TOTAL
DISCUSIÓN
Para realizar la clasificación supervisada se tuvo en cuenta realizar la fase de entrenamiento con los
mejores datos posibles, sin embargo, debido a la alta presencia de nubes en el área se presentaron
algunos errores de clasificación en las coberturas. La presencia de una cantidad de nubes tan alta influye
en el error de la clasificación, haciendo que se pierda parte de la información de cada imagen. En el
análisis de las coberturas de cuerpos de agua y construcciones se observó que hay bastante
confusión entre ellos ya que en los ríos del departamento hay gran cantidad de sedimentos y
suelos desnudos por el efecto de la minería aurífera. Los sedimentos se pueden confundir con los
materiales usados en las construcciones ya que los materiales para estos fines, por falta de
tecnología en estas zonas del departamento, provienen de los sedimentos que se encuentren a
alcance de las poblaciones (Ramirez y Ledezma, 2007). Las tonalidades de los ríos son de un azul
claro a grisaseo, confuendiendose con la tonalidad gris de las construcciones. Del mismo modo,
las respuestas espectrales de las sombras sobre los bosques son similares a las respuestas de las
tierras eriales. Adicionalmente, se observó que hay gran parte de las praderas se encuentran a
orillas de los ríos y cerca al área metropolitana. Por otro lado, es necesario tener en cuenta que
para comparar las imágenes de ambos sensores se tuvo que reducir la resolución espacial que
impidió utilizar los datos originales de la imagen y limitó la diferenciación de respuestas
espectrales. Se sugiere que para futuros estudios se haga uso de imágenes satelitales con una
resolución mayor a 30 m, se haga uso de nuevas herramientas como la fotogrametría por dron.
CONCLUSIONES
Se logró realizar la clasificación del uso y cobertura del suelo en los años 2015 y 2019 utilizando
el software ArcGIS, La clasificación supervisada, por el método de máxima verosimilitud,
permitió diferenciar las coberturas de bosques, praderas, prados secos o tierras eriales, cuerpos de
agua y construcciones. Sin embargo, los cambios obtenidos no consideran una deforestación en la
zona debido a que hay un aumento en el porcentaje de bosques para el año 2019. A pesar de esto,
se debe tener en cuenta el aumento en las actividades antrópicas que potencializan la
deforestación de la cobertura boscosa en un área de 177644 hectáreas aproximadamente. Por otro
lado, teniendo en cuenta que una de las principales actividades económicas de la zona es la
explotación de minerales como el oro y el platino, y debido al aumento poblacional anual de
1.04% registrado en las estadísticas del DANE (2018), se puede concluir este incremento en la
población está relacionado con las posibilidades de empleo en minería. Además, en la
visualización del área de estudio es claro el deterioro del paisaje cerca a los cuerpos hídricos y la
perdida de vegetación por la implementación de maquinaria pesada en la explotación de los
recursos, principalmente en los ríos cercanos a los centros urbanos como el Río Quito.
BIBLIOGRAFÍA
Acharya, T. & Yang, I. (2015). Exploring Landsat 8. International Journal of IT, Engineering and
Applied Sciences Research, 4(4), 4-10.
Alonso, D. (s.f.) Combinación de bandas en imágenes de satélite Landsat y Sentinel.
MappingGIS. Tomado de: https://mappinggis.com/2019/05/combinaciones-de-bandas-en-
imagenes-de-satelite-landsat-y-sentinel/
Arango, G., Branch, B. y Botero, F. (2005). Clasificación no supervisada de coberturas
Vegetales sobre imágenes digitales de sensores Remotos: “Landsat – ETM+”. Revista
Facultad Nacional de Agronomía Medellín, 58(1), 2611-2634.
Balvanera, P. (2012). Los servicios ecosistémicos que ofrecen los bosques tropicales. Revista
Ecosistemas, 21(1-2).
Bolstad, P. & Lillesand, T. (1991). Rapid maximum likelihood classification. Photogrammetric
Engineering and Remote Sensing, 57(1), 67-74.
Chuvieco, E. (1995). Fundamentos de teledetección espacial (Vol. 453). Madrid: Ediciones
Rialp.
DANE (Departamento Administrativo Nacional de Estadística) (2018). Resultados Censo
Nacional de Población y Vivienda 2018. Recuperado de:
https://www.dane.gov.co/files/censo2018/informacion-tecnica/presentaciones-
territorio/190806-CNPV-presentacion-Choco.pdf
Delegido, J., Tenjo, C., Ruiz, A., Pereira, M., Pasqualotto, N., Gibaja, G., ... & Sanchis, J. (2016).
Aplicaciones de Sentinel-2 a estudios de vegetación y calidad de aguas continentales. En
Conference: XVII Simposio Internacional En Percepción Remota Y Sistemas de
Información Geográfica (SELPER).
ESA (European Space Agency) (2015). Sentinel-2 User Handbook. París: ESA.
ESRI(s.f). ¿Qué es ArcGIS?. Recuperado de: https://resources.arcgis.com/es/help/getting-
started/articles/026n00000014000000.htm
Forkuor, G., Dimobe, K., Serme, I., & Tondoh, J. E. (2018). Landsat-8 vs. Sentinel-2: examining
the added value of sentinel-2’s red-edge bands to land-use and land-cover mapping in
Burkina Faso. GIScience & Remote Sensing, 55(3), 331-354.
García, H. (2014). Deforestación en Colombia: Retos y perspectivas.
Gatti, A. y Bertolini, A. (2015). Sentinel-2 Products Specification Document. Recuperado de:
https://sentinel.esa.int/documents/247904/349490/S2_MSI_Product_Specification.pdf
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google
Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of
Environment, 202, 18-27.
Hedley, J., Roelfsema, C., Brando, V., Giardino, C., Kutser, T., Phinn, S., Mumby,P., Barrilero,
O., Laporte, J. & Koetz, B. (2018). Coral reef applications of Sentinel-2: Coverage,
characteristics, bathymetry and benthic mapping with comparison to Landsat 8. Remote
sensing of environment, 216, 598-614.
Instituto de Hidrologia, Meteorologia y Estudios Ambientales (IDEAM). (2010). Atlas
climatológico de Colombia. Ideam (Instituto de Hidrologia, Meteorologia y Estudios
Ambientales).
Instituto de Hidrologia, Meteorologia y Estudios Ambientales (IDEAM). (2018). Décimo sexto
boletín de alertas tempranas de deforestación (AT-D) tercer trimestre de 2018.
Recuperado de: http://smbyc.ideam.gov.co/AdmIF/KML/img/boletines/Boletin16.pdf
Islam, K., Jashimuddin, M., Nath, B., & Nath, T. K. (2018). Land use classification and change
detection by using multi-temporal remotely sensed imagery: The case of Chunati wildlife
sanctuary, Bangladesh. The Egyptian Journal of Remote Sensing and Space Science,
21(1), 37-47.
Jiménez, L., & Lombana, P. (2017). Análisis Espacial de la Deforestación a Escala Municipal,
Estudio de Caso: Departamento del Chocó 2005-2010.
Lara-Rodíguez, J. S., Tosi Furtado, A., & Altimiras-Martin, A. (2020). Minería del platino y el
oro en Chocó: pobreza, riqueza natural e informalidad (Platinum and Gold Mining in
Chocó: Poverty, Natural Wealth and Informality). Revista de Economía Institucional,
22(42).
Ligia, L. (2017). Análisis multitemporal del cambio en la cobertura y usos del suelo para evaluar
el impacto de la minería y su influencia en la producción de sedimentos por medio de la
herramienta ArcSwat en la cuenca del río San Juan.
Parody, A. & Zuleta, E. (2015). Estudio multitemporal de la deforestación en Colombia
utilizando procesamiento de imágenes. Revista Ingenio Universidad Francisco de Paula
Santander Ocaña, 8(1), 159-175.
Ramírez, G., & Ledezma, E. (2007). Efectos de las actividades socio-económicas (minería y
explotación maderera) sobre los bosques del departamento del Chocó. Revista
institucional universidad tecnológica del Chocó, 26(1), 58-65.
Rangel, J. (2005). La biodiversidad de Colombia. Palimpsestvs, (5).
Rodríguez, C. (2016). Deforestation in the department of Putumayo over a fifteen-year period
from landsat satellite images (Doctoral dissertation, Uniandes).
Sabins, F. (1997). Remote sensing: principles and interpretation. Thrid ed., WH Freeman and
Company, New York
UNODC, G. D. C. (2019). Explotación de oro de aluvión: evidencia a partir de percepción
remota. Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC) y Gobierno de
Colombia.
UNODC - SIMCI (2019). Monitoreo de Territorios Afectados por Cultivos Ilícitos 2018.
Williamson, A., Banwell, A., Willis, I., & Arnold, N. (2018). Dual-satellite (Sentinel-2 and
Landsat 8) remote sensing of supraglacial lakes in Greenland.
USGS (2017). Landsat 8 Level-1 Data Format Control Book. Recuperado de:
https://www.usgs.gov/media/files/landsat-8-level-1-data-format-control-book
USGS (2019). Landsat 8 (L8) Data Users Handbook. Recuperado de:
https://www.usgs.gov/media/files/landsat-8-data-users-handbook
Valois, H., & Martínez, C. (2016). Vulnerabilidad de los bosques naturales en el Chocó
biogeográfico colombiano: actividad minera y conservación de la biodiversidad. Bosque
(Valdivia), 37(2), 295-305. DOI: 10.4067/S0717-92002016000200008