View
1
Download
0
Category
Preview:
Citation preview
Proyecto: DESARROLLO DE METODOLOGÍA PARA EL MONITOREO DE LAS
EMISIONES DE CO2 PROVOCADAS POR DEFORESTACION Y DEGRADACIÓN
DE BOSQUES A NIVEL REGIONAL Y NACIONAL.
Producto 1: Propuesta metodológica para el monitoreo permanente de la cobertura
vegetal para Belice, Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua,
Panamá, Republica Dominicana.
Producto 2: Propuesta metodológica para la cuantificación de carbono forestal,
considerando las diferentes metodologías/algoritmos para el análisis de la dinámica
de cambios de los bosques y factores relacionados.
Producto 3: Ruta critica en donde se identifiquen los pasos a seguir e “hitos” para
obtener una propuesta regional para el monitoreo de los recursos forestales en el
contexto de REDD y REDD+, articulada al plan regional y los planes de nacionales
del programa REDD-CCAD/GTZ, considerando las posibles alianzas con
organizaciones dentro y fuera de la región, con las cuales se asegure su
sostenibilidad y teniendo en cuenta las implicaciones en recursos técnicos y
financieros de su aplicación.
Consultor Internacional: Dr. Jeffrey R. Jones
jjones@catie.ac.cr, jrjones50@gmail.com
Producto 1: Propuesta metodológica para el monitoreo permanente de la cobertura
vegetal para Belice, Costa Rica, El Salvador, Guatemala, Honduras, Nicaragua,
Panamá, Republica Dominicana.
Contenido
1) Introducción
2) Estrategia de monitoreo
3) La cobertura MODIS VCF (cobertura porcentual de bosque) y su aplicación
en Centroamérica
4) Ventajas del uso de VCF para monitoreo de bosque
5) Clasificación de terrenos por tipos de cambios relevantes a MDL y REDD
6) Metodología de Monitoreo:
a. Creación de imágenes compuestas MOD13Q1
b. Caracterización de la dinámica fenológica
c. Revisión de campo
7) Normalización por precipitación
8) Chequeo de “campo”
9) Metodología – Construcción de Métricas MODIS
10) Aplicación de metodología árbol de decisiones
11) Agregación de nuevos datos a la secuencia VCF dinámica
12) Construcción de la línea base del comportamiento fenológico
13) Funcionamiento del sistema de monitoreo
14) Conclusión; Propuesta de monitoreo MDL/ REDD+ regional
15) Bibliografía
16) Apéndices
1) Introducción
El objetivo de esta consultoría es presentar una metodología de monitoreo de la
deforestación, eficiente y factible en las condiciones de Centroamérica, que apoya las
necesidades de la implementación del MDL y de REDD+. Este monitoreo requiere un
enfoque sobre los terrenos forestales que no se ha aplicado en el pasado; el monitoreo a
nivel regional no solo de la existencia de bosque, sino también la calidad del bosque en
términos absolutos. Fundamental a esta metodología es identificar áreas donde no hay
cambio relevante, y enfocar los esfuerzos de monitoreo mas detallado en zonas donde hay
cambios de interés desde el punto de vista de MDL o REDD+. El enfoque utiliza una
metodología ya reconocida académicamente, y por los analistas de MDL y REDD+
(GOFC-GOLD). Busca crear una estructura permanente de monitoreo que sirve para dar
respuestas concretas y confiables sobre el estado de la cobertura de la tierra en la región,
y el impacto de los diferentes esfuerzos para proteger bosques existentes, mitigar
impactos en zonas de transición, y seguir esfuerzos para incrementar la captura de
carbono.
Otro enfoque de este informe es buscar una estrategia „tropicalizada‟. La clasificación de
uso de la tierra de uso de la tierra básica de los cálculos CDM y REDD se base en un
modelo de uso de la tierra que es poco representativo de uso de la tierra en Centroamérica
y el Caribe, y tal vez en todos los trópicos. Para los trópicos, la incorporación de árboles
en el paisaje agrícola es ampliamente difundida, y eficiente desde la perspectiva de
manejo sostenible de la tierra. Este informe promueve una metodología que adapta a las
condiciones ecológicas y productivas del trópico americano.
Aunque este informe identifica las metodologías, provee referencias y pautas sobre la
implementación de los métodos, no hace el análisis de la cobertura forestal de la región.
En algunos casos se ha presentado inicios del análisis, o ejemplos de otros análisis ya
completos para ilustrar las nuevas opciones.
2) Estrategia de monitoreo
La estrategia propuesta parte de la observación de que en el pasado, el monitoreo de todo
tipo no ha sido posible por limitantes presupuestarias y logísticas y la necesidad de
simplificar y economizar. La introducción del uso de satélites con coberturas más
amplias por imagen se presta para una mejor coordinación entre países, por el gran grado
de traslape en las imágenes. Otro componente de la estrategia es la introducción de
nuevos conceptos en el monitoreo de bosque, específicamente la identificación de la
cobertura forestal en forma absoluta, para permitir la comparación entre diferentes zonas
y diferentes años.
El uso de imágenes LANDSAT, o SPOT requieren muchas imágenes a analizar, cosa que
crea su propio problema de logística. Como respuesta, se recomienda una análisis basada
en MODIS para detectar tendencias regionales, apoyada por comprobaciones especificas
con imágenes de mayor resolución donde existen dudas. Son cuatro las escenas MODIS
para cubrir la zona de Centroamérica y la Republica Dominicana que gozan de muchas
ventajas para considerar en el proceso de monitoreo. Tienen una buena resolución
temporal, con imágenes cada día, muy necesaria en una zona con mucha nubosidad.
MODIS tiene 13 bandas que comparten la cobertura espectral con las bandas de
LANDSAT, pero en la mayoria de los casos, con bandas mas angostas (por eso las 7
bandas de LANDSAT corresponden a 13 de MODIS). La cobertura de MODIS incluye
un total de 36 bandas de información que sirven para evaluar la temperatura de la
vegetación, permite la corrección atmosférica, y también sirven en la evaluación de
calidad de los datos. (Vea cuadro 1).
Para LANDSAT, son un mínimo de 35 imágenes requeridas para cubrir el istmo
centroamericano y la Republica Dominicana; en cuanto a imágenes requeridas por país,
para la Republica Dominicana son 5, para Panamá 11, Costa Rica 5, Nicaragua 15,
Honduras 12, El Salvador 4, Guatemala 8, y Belice 3. Los análisis de cobertura de la
tierra por este medio se hacen de vez en cuando, pero en forma esporádica, y sin
seguimiento metodológico; como cada revisión se hace bajo otra administración política,
no hay continuidad de criterios para el análisis. Entonces, para la nueva metodología se
propone una marco regional con una sola metodología que puede hacer a nivel regional
compartir entre países vecinos, o duplicarse en cada país, y de esta manera buscar una
continuidad metodológica.
Otro gran limitante en esta dinámica fue la falta de coordinación regional; los
presupuestos para el análisis de cobertura provienen de fondos nacionales, entonces no
había coordinación entre los países, ni en fechas de elaboración, ni en las leyendas a
aplicar. El resultado ha sido una falta de monitoreo de cobertura regional con resultados
comparables entre los diferentes países, y una falta de coordinación internacional que
podría servir para abaratar costos de implementación de los estudios. Aunque la
coordinación regional no es necesaria para hacer los análisis de cobertura, la falta de
coordinación resulta en discontinuidades en coberturas en las zonas fronterizas. Estas
discontinuidades crean incertidumbres en los analistas externos cuando evalúan los
resultados nacionales, y esto podría llegar a minar la confianza en los resultados de los
análisis.
Cuadro 1: Comparación Bandas MODIS y LANDSAT
Bandas MODIS Enhanced Thematic Mapper
Plus (ETM+)
Banda Rango(nm) Representación Banda Rango(nm)
1
620 - 670 Absolute Land Cover Transformation, Vegetation Chlorophyll Band 3 630 - 690
2
841 - 876 Cloud Amount, Vegetation Land Cover Transformation
3 459 - 479 Soil/Vegetation Differences Band 1 450 - 520
4 545 - 565 Green Vegetation Band 2 520 - 600
5 1230 - 1250 Leaf/Canopy Differences Band 8 520 - 900
6 1628 - 1652 Snow/Cloud Differences Band 5 1550 - 1750
7 2105 - 2155 Cloud Properties, Land Properties Band 7 2090 - 2350
8 405 - 420 Chlorophyll
9 438 - 448 Chlorophyll
10 483 - 493 Chlorophyll
11
526 - 536 Chlorophyll Band 2, Band 8 520 - 600, 520 - 900
12
546 - 556 Sediments Band 2, Band 8 520 - 600, 520 - 900
16 862 - 877 Aerosol Properties, Atmospheric Properties Band 4 770 - 900
17 890 - 920 Atmospheric Properties, Cloud Properties Band 4 770 - 900
21 3929 - 3989 Forest Fires & Volcanoes
22 3929 - 3989 Cloud Temperature, Surface Temperature
23 4020 - 4080 Cloud Temperature, Surface Temperature
27 6535 - 6895 Mid Troposphere Humidity
28 7175 - 7475 Upper Troposphere Humidity
29 8400 - 8700 Surface Temperature
31
10780 - 11280 Cloud Temperature, Forest Fires & Volcanoes, Surface Temp. Band 6
10400 - 12500
32
11770 - 12270 Cloud Height, Forest Fires & Volcanoes, Surface Temperature Band 6
10400 - 12500
A pesar de las fallas en la coordinación regional, hay excepciones claves que proveen
datos muy útiles. Por ejemplo, el mapeo de ecosistemas, ejecutado con una metodología
única en toda la región en 2000 (hecho con financiamiento del Banco Mundial), el
esfuerzo internacional de GLCS (Global Land Cover Survey) de la NASA para crear una
cobertura sencilla a nivel mundial, y el uso de MODIS para el mapeo a nivel regional en
los contextos de AID y NASA (cobertura CA_VEG, que se presenta abajo como el mapa
de CIESEN). Aunque estos estudios son de cobertura regional todos, no comparten
metodologías ni leyendas, entonces no forman parte de un proceso de monitoreo, hasta el
momento.
Una innovación importante en el momento de contemplar la implementación de REDD o
MDL es la calidad de bosque; en el pasado había mas interés en especificar la
biodiversidad del bosque (especies, edades). Para los efectos de mitigación de cambio
climático, es más importante la cobertura absoluta de hojas y una clasificación numérica
que pasa mas allá de la distinción entre bosques densos y ralos, que permite la
cuantificación de impactos potenciales de cambios en la cobertura de la tierra. Esta
innovación es critica por un efecto en la explotación forestal moderna, consecuencia del
interés mundial en controlar la deforestación; los intereses forestales, especialmente los
no–legales, buscan burlar controles a la explotación de bosques por medio de una
degradación. Consiste en una extracción de madera sin hacer un corte completo, con la
finalidad de no sufrir castigo por la deforestación. El monitoreo de la cobertura forestal
tiene que buscar detectar esta nueva forma de explotación del bosque, ya que afecta la
eficiencia del bosque en el secuestro de carbono.
Desde hace mas de una década se
busca el monitoreo cuantitativo de la
cobertura boscosa a grande escala,
empezando con imágenes AVHRR (tal
como la clasificación de vegetación en
Centroamérica hecho por el CIESEN).
El sensor AVHRR da la posibilidad de
una cobertura muy amplia debida a su
baja resolución; la introducción de
MODIS favoreció mejorar la precisión
del monitoreo, y aprovechó de las
experiencias con AVHRR para dibujar
pautas de un sistema de monitoreo de
bosques a grande escala (Hansen et.al
2002). El MODIS también se utiliza
para la evaluación de cobertura de la
tierra, y se puede combinar con otras
fuentes de información, tal como
Google Earth o imágenes LANDSAT
para mejorar el detalle de la
clasificación (Clark 2010). Combinado con un algoritmo de árbol de regresión
supervisado (“supervised regression tree algorithm”) puede mejorar mucho sobre las
observaciones de AVHRR, y proveer un método para evaluar la densidad de árboles a
escalas muy grandes (Hansen et.al. 2003). Ya se ha aplicado el MODIS al monitoreo en
Amazonas como un sistema de „alerta temprana‟ de deforestación y degradación (Ferreira
2007).
En febrero 2009, se celebró el taller “Forest Area Change Assessment: The Experience of
Existing Operational Systems” en Sao Jose Dos Campos, Brasil, bajo auspicios de
GOFC-GOLD, INPE, Coalition for Rainforest Nations y GTZ. El MODIS fue
presentado para el monitoreo de incendios forestales (Boschetti 2009), la deforestación a
escala nacional en Indonesia (Hansen 2009ª), y el monitoreo de la deforestación a escala
global (Hansen 2009b). Para México, Meneses Tovar (2009) presentó una metodología
que enfocaba en la evaluación de NDVI de MODIS 250m para una vista general, y el uso
de imágenes SPOT para el detalle. El uso de MODIS representa una innovación en
eficiencia y economía sobre las metodologías de monitoreo presentados por el Brasil
(Valeriano 2009), y la India (Ashutosh 2009) en el mismo taller, que se enfocaron en una
revisión „a pie‟ y de imágenes, que reflejaba la abundancia de imágenes de satélite que
poseen los países, por tener sus propios satélites (Brasil y la India).
Para iniciar el monitoreo para la región centroamericano, se propone un enfoque multi-
escala, que utiliza imágenes MODIS de resolución moderada para un monitoreo frecuente
(varias veces por año), complementado por análisis de alta resolución. Esta estrategia
aprovecha de las características de MODIS, en que su resolución permite un manejo de
datos regionales (Centroamérica y la Republica Dominicana) con tan solo 4 imágenes. El
repetir las imágenes todos los días permite la creación de imágenes donde se reduce la
cobertura de nubes, aunque en invierno, hay que escoger entre mas días para lograr una
cobertura mínima de nubes.
Además, MODIS viene con una corrección atmosférica bastante sofisticada, que
garantiza la compatibilidad de los datos de las diferentes escenas. (Vermotte 2002,
Vermotte 2006), y una serie de productos que faciliten el análisis de cambio de cobertura.
De mucha importancia, las escenas MODIS que se toman a diario se consolidan en
„compuestos‟ de 8 días, con el objetivo de eliminar píxeles de mala calidad
(especialmente cobertura de nubes). Las imágenes compuestas se utilizan para generar
imágenes con índices de vegetación, y radiación, y forman una base para un análisis mas
especifica de cambio de uso.
Las coberturas MODIS de relevancia para el monitoreo son; MOD13Q1 (Vegetation
Indices 16-Day L3 Global 250m), MOD12Q2 (Land Cover Type Yearly L3 Global 1km
SIN Grid), y MOD11A2 (Land Surface Temperature & Emissivity 8-Day L3 Global
1km). (El sitio para bajar todos estos productos se inicia aquí;
https://lpdaac.usgs.gov/lpdaac/products/modis_products_table ).
Descripciones detalladas de las imágenes MODIS y los productos derivados se
encuentran en los anexos a este informe.
3) La cobertura MODIS VCF (cobertura porcentual de bosque) y su aplicación en
Centroamérica
Por una combinación de
factores, que incluyen la
precipitación, la topografía, y
las clases de suelos, todo
paisaje en Centroamérica tiene
un gran porcentaje de árboles.
Estas condiciones locales no
concuerdan con las
condiciones de cobertura de la
tierra que se encuentra en
zonas templadas. La
introducción de REDD+
incluye la opción de reconocer
paisajes agrícolas arboladas,
concepto que conforma a las
condiciones de cobertura en
Centroamérica. El uso de VCF
abre una base de evaluación
para la contribución de paisajes
agrícolas arboladas al balance de carbono regional.
Como ejemplo de estas condiciones, se presenta un análisis de uso de la tierra para la
cuenca del Rio Birris. Esta cuenca tiene funciones de generación de fuerza
hidroeléctrica, a pesar de que su uso predominante del suelo es la producción hortícola.
Esta cuenca esta ubicada en las faldas de los volcanes Irazu y Turrialba, y los terrenos
extienden desde alturas de 1400m hasta 3000msnm.
Por la alta concentración de terrenos hortícolas y ganadera/lecheras, en los mapas de
escala más común, es decir, 1:50,000, el área aparece como zona agrícola. Sin embargo,
a una escala de 1:5000, aparece una cobertura significante de bosques, aunque en áreas
relativamente pequeñas.
En adición a la existencia de parches de bosque, el área goza de sistemas silvopastoriles,
donde hay una cobertura significante de árboles aun en zonas de producción intensiva de
leche. Los sistemas silvopastoriles responden a condiciones especiales de producción,
específicamente un sol fuerte, que puede afectar la humedad del suelo y la condición de
hidratación de los animales. Por
ser una zona alta, la producción
lechera también se afecta por
vientos frescos en su época que
pueden afectar la producción de
leche.
En el caso de los productores
hortícolas, sus áreas de
producción aprovechan pequeñas
zonas de condiciones adecuadas,
en cuanto a suelo y pendiente.
Los terrenos de producción
suelen ser relativamente
pequeñas, por lo que quedan
muchos bordes de terrenos donde
por razones de linderos, y
condiciones topográficas (por
ejemplo quebradas), se dejan
áreas de árboles, o como parte de
cercas vivas, rompevientos o
protecciones para cauces de
agua.
Entonces, por diseño del
sistema productivo, y por
las condiciones de
medioambiente, esta zona
agrícola tiene una alta
concentración de árboles.
Ni en los mapas
forestales típicos ni en los
mapas de uso de la tierra
aparece la concentración
de árboles, a pesar de que
el paisaje como un todo
cuenta con una cobertura
de 25% árboles. Y como
se aprecia de la fotografía
aérea, hay puntos
pequeños donde la
cobertura de árboles llega
a los 100%, a pesar de la
vocación agrícola de la
zona.
En la imagen VCF de
Birris, se aprecia la alta concentración de árboles en los sistemas silvopastoriles en las
partes altas de la zona. Presenta concentraciones de hasta 80% en las zonas de pastoreo,
y aun en la parte de producción hortícola, documenta cobertura de hasta 30% de árboles.
El uso del análisis VCF remedia un enorme error conceptual del concepto MDL, que
enfocaba solamente de reforestación a grande escala. Este error fue reconocido con la
introducción de REDD, especialmente REDD+. El uso de VCF presenta una
metodología que refleja los cambios REDD+ en una estructura de política de manejo de
la tierra, y abre la posibilidad de incentivar el manejo de árboles en zonas tropicales, aun
en zonas que no son „forestales‟ pero donde la introducción de árboles representa una
contribución al balance de carbono a nivel de la región, y además trae beneficios
ambientales diversos.
4) Ventajas del uso de VCF para monitoreo de bosque
Los mapas de cobertura del suelo generalmente tienen un formato de clases de cobertura,
en vez de escalas de densidad. Sin embargo, para la evaluación de la contribución de
clases de cobertura a la captura o emisión de GEI es más importante conocer el
porcentaje de cobertura para aproximar mejor al volumen de madera que puede existir en
cualquier clase de uso.
La cobertura de una clase de uso en muchos casos no es homogénea. El caso más obvio
se encuentra en los sistemas agropecuarios, que pueden incluir coberturas de pastos, con
muy poca cobertura de corona, y sistemas agroforestales, como café, con una gran
densidad de árboles y carbono.
De igual manera, un área de bosque de una sola clase (p.ej. bosque húmedo tropical)
puede tener mucha variabilidad en la densidad de árboles por condiciones de suelo, de
topografía, o sucesos históricos (huracanes, deslizamientos).
Para demostrar esta variabilidad se puede revisar la cobertura de porcentaje de árboles de
NASA/USGS (se encuentra en la pagina de productos MODIS como la cobertura
MOD44B “Vegetation Continuous Fields”), sobre el territorio de Honduras. Esta
cobertura no distingue clases de cobertura, sino diferencia el porcentaje de cobertura de
árboles en cada píxel, sin importar si se clasifica como „bosque‟ o „agricultura‟. Si se
compara el resultado de este producto con una clasificación de uso de la tierra, también
hecho con MODIS (por el CIESEN) se aprecia la variabilidad en la densidad de árboles
que se encuentra dentro de cualquier clase „homogénea‟ de uso.
Agricultura
0.000
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080
1 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Agricultura
El grafico de agricultura lleva la misma estructura que todos los otros gráficos. El eje X,
horizontal, indica el porcentaje de cobertura de árboles por píxel, y el eje Y indica el área/
número de píxeles que reportan cada porcentaje. El valor de porcentaje de árboles mas
común para áreas agrícolas es entre 15% y 35%, distribución que refleja la vocación
productiva de las fincas, y también la tendencia a mantener sistemas agroforestales (como
huertos caseros o cercas vivas) o silvopastoriles (con sombra para ganado, o cercas vivas
entre apartos). Además, se encuentran hasta densidades muy altas de árboles en los
terrenos clasificados como agricultura. El área total de estos sistemas de alta densidad de
árboles es casi igual que la situación „típica‟ de finca. Esta variabilidad puede reflejar la
existencia de sistemas agroforestales con alta densidad de árboles, como café o cacao, la
existencia de bosque secundario en largas rotaciones agrícolas, o bosques protectoras de
fuentes de agua o de casas.
Selva tropical siempreverde acicular
0.000
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.0801 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Selva tropical siempreverde acicular
Selva tropical latifoliado siempreverde
0.000
0.020
0.040
0.060
0.080
0.100
0.120
0.140
1 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Selva tropical latifoliado siempreverde
Los histogramas de los bosques Selvas Tropicales Siempreverdes Latifoliado y Acicular
también demuestran diferencias importantes en patrones de cobertura. Primero se ve que
la cobertura del bosque Latifoliado es mucho más densa que el bosque de Acicular; con
una cobertura medio de 80% para latifoliado, y 35% para el pino. Sin embargo, se nota
una distribución parecida a la de agricultura, en el sentido que la mitad, o más, de los
bosques de estos tipos no son „típicos‟ en sus densidades de árboles, con rangos que van
desde 5% hasta 97%. Estas diferencias pueden afectar el calculo final de carbono, ya que
el numero de árboles puede variar en mas de 100% dentro de una sola „clase‟ de bosque.
Manglares
0.000
0.002
0.004
0.006
0.008
0.010
0.0121 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Manglares
Una situación mas extrema se encuentra en el caso de los manglares. Son áreas
relativamente pequeñas, pero no se presenta una situación „típica‟ ya que las áreas que
corresponden a los distintos porcentajes de cobertura están bien distribuidas entre 35% y
75%. Refleja que la zona de manglar tiene grandes manchas de una densidad reducida de
árboles, o tal vez áreas completamente convertidas para camaroneras, etc, que da el
resultado que no hay una densidad „típica‟ para el mangle.
Sabana tropical arbolada siempreverde latifoliad
0.000
0.000
0.000
0.001
0.001
0.001
0.001
1 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Sabana tropical arbolada siempreverde latifoliad
Una situación similar se encuentra en las sabanas arboladas de especies latifoliadas; hay
un rango de densidades, entre 35% y 90%, pero ninguna densidad que predomina.
Sabana tropical arbolada siempreverde acicular
0.000
0.001
0.002
0.003
0.004
0.005
0.006
0.007
0.0081 4 7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Sabana tropical arbolada siempreverde acicular
Las sabanas arboladas con especies aciculares presentan densidades de árboles mas bajas
de las que se ven en las latifoliadas, con una densidad típica de 15% a 40%, pero con
algunos casos con densidades más altas, hasta 85%.
El uso de la cobertura de porcentaje cobertura de árboles resuelve un problema que ha
sido identificado desde hace mucho; las clases de cobertura de la tierra, ni en agricultura
ni en los bosques, no son uniformes. No hay consistencia ni entre las diferentes clases de
bosque, ni dentro de un mismo bosque de una sola clase, debido a las variaciones
naturales en suelos, topografía, etc. La aplicación de la cobertura de porcentaje de
cobertura permite la diferenciación de densidades dentro de bosques, y abre la posibilidad
de manejo de conceptos MDL y REDD dentro del área de uso más extenso de
Centroamérica; los áreas agrícolas.
Como se demuestra en la primera figura de esta sección, la agricultura centroamericana
suele tener una cobertura significante de árboles para una variedad de razones; aunque la
distribución no es homogénea, provee pautas para reconocer que hay un gran sumidero
potencial de carbono en las zonas productivas, que podrían hacer una gran contribución al
balance de carbono de la región. Por ser la cobertura predominante en la región, la
agricultura tiene un potencial de hacer una gran contribución al balance de carbono en la
región. La cobertura VCF presenta una base para esta evaluación.
5) Clasificación de terrenos por tipos de cambios relevantes a MDL y REDD
El poder distinguir los terrenos MDL y REDD permite enfocar en un área mas pequeña
para las evaluaciones de cambio. En contraste, si hay zonas donde los cambios en
cobertura no tienen impacto sobre el estatus MDL o REDD, la eficiencia exige que se
ignoran estas zonas, y se dedican esfuerzos al análisis de zonas donde hay cambios que sí
tienen impacto.
Las reglas establecidas para el Mecanismo de Desarrollo Limpio (MDL) en el Protocolo
de Kioto y el Acuerdo de Marruecos definen cuales son los terrenos aptos para la
mitigación de los impactos de cambio climático. Estas definiciones han sido la base para
el desarrollo de una serie de estudios por el FAO que marca „El Área Kioto‟ para cada
país en Centroamérica. (http://www.fao.org/regional/honduras/pbcc/Documentos.htm)
Siguiendo una estrategia de enfocar en áreas relevantes para el monitoreo de cambio de
cobertura con relevancia a MDL, vale destacar que hay áreas relativamente pequeñas que
son „Areas Kioto‟. Por ejemplo, Costa Rica, un país que por condiciones climáticas y
topográficas es de vocación forestal, solo presenta 20% de su superficie como área Kioto.
(FAO 2003).
Los áreas Kioto en el
estudio FAO de
Costa Rica se
definan;
“Para estimar las Áreas
Kyoto, el aspecto más
relevante que debe
considerarse es el
relacionado con la
presencia o ausencia de
cobertura forestal en
dichas áreas. De acuerdo
con las definiciones
dadas
en el PK y la
Declaración de
Marrakech, son Áreas
Kyoto aquellas que al
01-01-1990 estaban bajo
un Uso No Forestal y se
mantuvieron de esa
forma hasta el 31-12-
1999.
Otra forma de definir las Áreas Kyoto es la siguiente:
• No son Áreas Kyoto aquellas que al 01-01-1990 tenían algún tipo de
cobertura forestal.
• No son Áreas Kyoto aquellas que del 01-01-1990 al 31-12-1999 fueron
deforestadas.
• No son Áreas Kyoto aquellas que del 01-01-1990 al 31-12-1999 fueron
reforestadas. Esto debido a que aquellas que fueron reforestadas durante ese
período no cumplen con la condición de adicionalidad, pues su uso es
forestal.”
El mapa Kioto para Costa Rica se ve en la figura 1. Muy notable es la falta de bosques
Area Kioto en Talamanca, en el sureste, fronterizo con Panamá; es el área boscosa mas
grande de Costa Rica, pero no es sujeto a MDL porque no fue deforestado antes de 1990;
de hecho, hasta la fecha sigue con cobertura forestal en su mayor parte.
La introducción del concepto REDD, Reducción de Emisiones por Deforestación y
Degradación, amplia el „Área Kioto‟ ya que puede incluir bosques con potencial de
deforestación o degradación. Potencialmente, el concepto REDD puede incluir áreas
agroforestales o silvopastoriles, aunque la incorporación de áreas especificas depende de
la estrategia y las definiciones propuestas a nivel de cada país, y en casi todos los casos,
estas definiciones no se han formalizado.
Para la evaluación del impacto REDD sobre emisiones de GEI el Sourcebook (2008)
sugiere la necesidad de datos nacionales de tipo „Tier 3‟, que requiere datos específicos
de „activity data‟ que refiere a patrones de manejo de la tierra, extracción, etc. La
definición de los áreas REDD depende del compromiso nacional de ejecutar ciertos
programas que tengan efectos sobre GEI, y la priorización de actividades y zonas donde
la intervención se va a ejecutar.
Vale destacar que hay esfuerzos actuales para el mapeo de zonas REDD+, paralelo al
mapa de „áreas Kioto‟ (Cisneros 2010). Sin embargo, los resultados de esta actividad
todavía no se han aprobado, ni implementado, entonces de momento, se puede notar que
hay la posibilidad de que habrá un mapa consensuado de „áreas REDD+‟ que puede
servir como guía para la selección de áreas de concentración en el monitoreo de cambios.
La identificación de áreas MDL y REDD tiene otra ventaja en el análisis, en que permite
identificar clases de cambios a controlar en cada sitio. Por ejemplo, áreas MDL tendrán
una dinámica de bosques o plantaciones en crecimiento, debido a su recién renovación.
En el caso de REDD, hay una variedad de programas que se puede esperar, desde la
reducción del proceso de degradación que va ocurrir en zonas de bosques establecidas, al
enriquecimiento de sistemas agroforestales o silvopastoriles, que pueden ocurrir en zonas
agrícolas cuando se calcula carbono en base de „Activity data‟. Las firmas espectrales de
los cambios esperados, y sus ubicaciones, varían dependiendo de la categoría de actividad
MDL o REDD que se está tratando de monitorear. (Sourcebook 2008).
La aplicación exitosa de una estrategia de estratificación de áreas de análisis depende
dela distribución de estos áreas, y la eficiencia con que pueden agruparse para reducir el
trabajo del análisis. También depende del nivel de concordancia entre todos los
participantes en el proceso MDL/REDD+, y que todos están de acuerdo con la definición
de áreas propuestas.
6) Metodología de Monitoreo:
En una sección anterior se hizo referencia a la combinación de imágenes MODIS para
mejorar la calidad de los datos. A continuación, se presentan las actividades construcción
de las imágenes compuestas de varios días, y la creación de una línea base con estas
imágenes mejoradas como herramienta para medir el proceso de cambio.
a) Creación de imágenes compuestas MOD13Q1
Las imágenes MOD13Q1 son compuestas de 16 días de imágenes. Además de los
mejores píxeles de esos 16 días traen información sobre calidad de cada píxel que facilite
el mejoramiento de imágenes compuestas basadas en ellas. Las MOD13Q1 traen 2 tipos
de información sobre calidad de imagen. El primero es „Pixel reliability‟, que tiene un
valor resumido que solamente indica o que el dato es bueno o malo; tiene indicaciones
limitadas de la razón por problemas de calidad, y refiere a una segunda fuente de
información de calidad, VI Qualty.
La banda VI Quality contiene una serie de „bit flags‟ cuya posición indica muchos
aspectos de la calidad de la imagen. Inclusive, contiene una calificación progresiva de
calidad de 9 niveles, desde la mejor calificación a la ultima que indica que el dato no
tiene ningún valor. En adición a la calificación general, contiene información sobre las
causas de problemas de calidad, que incluyen la calidad del aire, y posibles efectos de
nubes, o sombras.
La creación de la imagen compuesta de dos compuestas existentes empieza con las
bandas de “reliability” y “”VI Quality”; compara la calidad del píxel en cada imagen, y
escoge el mejor para la imagen final.
Cuando la calidad de los píxeles no es excelente, se puede topar con problemas de
valoración que son arbitrarios para resolver. Por ejemplo, si dos son de la misma
„reliability‟ y con valores iguales de „VI usefulness‟, y los pixeles solamente se
diferencian en las categorías „Possible shadow‟ y „Climatology‟, como se comparan las
valoraciones de estas, o cualquier otras, categorías?
Aunque se puede definir una „regla‟ para seleccionar una u otra píxel para la creación de
la imagen compuesta, la solución recomendada es establecer un nivel de calidad de
píxeles en general en porcentaje de píxeles con valores „excelente‟. En base de el
historial de datos MODIS, se hace una comparación de niveles de error por mes para
definir la mas apropiada de las soluciones, o por la extensión del periodo para hacer la
imagen compuesta (de 32 a 48 días) o con establecer un protocolo para ignorar datos por
debajo de cierto umbral de calidad para efectos del análisis.
Vale notar que Hansen en su análisis mundial utilizó compuestas de 40 días (Hansen
et.al. 2005), pero que no gozaba de los datos de calidad que tienen las compuestas de los
productos MODIS estándares, y tuvo que recurrir a técnicas de selección menos
eficientes, p.ej. la selección de píxeles para las compuestas que corresponden a los
valores azules segundo mas bajo, para tratar de evitar sombras de nubes. La ineficiencia
de esta metodología se ve en la lógica que supone que un píxel en promedio tendrá un
solo día de sombra de nube; si fueran 2 o mas, el segundo valor mas bajo siempre será
sombra de nube. Otro ejemplo es el uso del valor NDVI segundo mas alto, para evitar
contaminación de píxeles cuyos valores estan afectados por el ángulo de reflejo del sol;
de igual manera como se menciona arriba, los datos de calidad para MOD09Q1 incluye
un „flag‟ para indicar cuales píxeles están mas propensos a sufrir de reflejo.
b) Caracterización de la dinámica fenológica
Un problema común en la teledetección y clasificación de bosques tropicales es la
estacionalidad, es decir, la dinámica fenológica. Los ciclos climáticos anuales traen
respuestas de la vegetación, mas dramáticamente en la zona seca con los bosques
caducifolios, pero en cierto grado, con todos las clases de vegetación. Cuando se trata de
comparar la cobertura de la tierra en dos imágenes „estáticas‟ resulta muy difícil si no se
puede especificar la etapa de cada imagen dentro del ciclo fenológico. Aunque para
efectos del monitoreo no es necesaria la clasificación de bosques, es necesario distinguir
entre dinámicas fenológicas normales, y las degradadas.
El uso de una secuencia mensual de datos MODIS provee un mecanismo para superar el
problema de comparación de condiciones de bosque entre un año y otro, para definir si
diferencias detectadas en las imágenes representan cambios en el estado del bosque, o si
representan diferentes etapas en el ciclo anual.
El primer paso en la caracterización de la dinámica fenológica es la creación de „firmas
espectrales‟ de las respuestas „normales‟ de las diferentes clases de vegetación. Con la
definición de las clases de vegetación a diferenciar; se clasifica los grupos de clases de
vegetación que tienen respuestas similares.
Como una demostración, se seleccionaron 14 clases de vegetación boscosa del mapa de
ecosistemas de Honduras. Estas clases fueron muy diferentes en estructuras, algunas
pantanosas, otras sabanas arboladas y otros de bosques tropicales densos. Áreas dentro
de los polígonos definidos en el mapa de ecosistemas fueron marcadas como „sitios de
entrenamiento‟, con el cuidado que no se acercaron mucho a los bordes de los polígonos
para evitar errores por imprecisiones en la Registración de imágenes. Estas áreas fueron
sobrepuestas sobre las imágenes MODIS NDVI en la siguiente secuencia;
Cuadros 1: Leyenda Ecosistemas
1 Bosque tropical siempreverde latifoliado de tierras bajas, bien drenado
14-HCW Bosque tropical siempreverde latifoliado montano superior, HCW
16-HCW Bosque tropical siempreverde mixto, altimontano, HCW
23-s-M Bosque tropical siempreverde estacional latifoliado de tierras bajas, bien drenado, en colinas cársticas escarpadas, M
3 Bosque tropical siempreverde latifoliado de tierras bajas, moderadamente drenado
37-2 Bosque tropical siempreverde estacional aciculifolia, submontano intervenido
40 Bosque tropical siempreverde estacional aciculifolia montano inferior
48-M Bosque tropical siempreverde estacional latifoliado aluvial de tierras bajas, estacionalmente anegado
6 Bosque tropical siempreverde latifoliado, submontano
65 Bosque de manglar del Caribe sobre sustrato limoso
67 Bosque de manglar Pacífico sobre sustrato limoso
85 Sabana de graminoides cortos con árboles aciculifolias
9 Bosque tropical siempreverde latifoliado montano inferior
90 Herbazal pantanoso con gramíneas, palmas y/o arbustos
Cuadro 2. Imagenes MOD13Q1 utilizadas en caracterizacion de vegetacion MOD13Q1.A2009225.h09v07.005.2009247062624.hdf
MOD13Q1.A2009257.h09v07.005.2009275212543.hdf
MOD13Q1.A2009289.h09v07.005.2009307214445.hdf
MOD13Q1.A2009321.h09v07.005.2009338160041.hdf
MOD13Q1.A2009353.h09v07.005.2010008004525.hdf
MOD13Q1.A2010017.h09v07.005.2010035183811.hdf
MOD13Q1.A2010049.h09v07.005.2010066185600.hdf
MOD13Q1.A2010081.h09v07.005.2010101012308.hdf
MOD13Q1.A2010113.h09v07.005.2010132224207.hdf
MOD13Q1.A2010145.h09v07.005.2010165035812.hdf
MOD13Q1.A2010177.h09v07.005.2010195191458.hdf
MOD13Q1.A2010193.h09v07.005.2010211162938.hdf
MOD13Q1.A2010209.h09v07.005.2010238040255.hdf
MOD13Q1.A2010225.h09v07.005.2010250120545.hdf
El Segundo elemento en el nombre es la fecha de la imagen; primero el año, seguido por
el día „juliano‟, en numero de días desde el primer día del año. La primera imagen cae en
septiembre de 2009, la segunda imagen 32 días después, etc.
En la figura 1, se presenta el promedio de los valores de cada muestra para cada mes del
año (son 13 meses ya que se incluyeron el primer y el ultimo septiembre). Se notan
respuestas marcadas en algunos meses; por ejemplo, en mes 3, noviembre, se nota un
cambio dramático con la finalización de las lluvias en algunas clases de vegetación. Sin
embargo, en ese mismo mes, hay otras clases de vegetación que realicen un „pico‟ en los
valores NDVI, que refleja otra clase de respuesta fenológica a la escasez de agua. Como
resultado, cada clase de vegetación tiene su propia „firma espectral‟ en los valores de
NDVI en el curso del año.
Estas „firmas‟ pueden evaluarse como en cualquier imagen para apreciar la
„separabilidad‟ de las firmas, es decir, el grado hasta que se contrasten en forma
estadística. En esta clase de análisis, los índices de separabilidad de 1.9 en adelante son
buenos, en cuanto a su separabilidad entre categorías. El cuadro 1 contiene los indices
para cada clase de vegetación, a su vez; por ejemplo, el primero contrasta “3 Bosque
tropical” con cada una de las otras clases. (Note que en este cuadro las descripciones de
las categorías han sido acortadas; los números, en cambio, se mantienen en las dos tablas.
Entonces “3 Bosque tropical siempreverde latifoliado de tierras bajas, moderadamente
drenado” del cuadro 1 equivale a “3 Bosque tropical” del Cuadro 3.)
Cuadro 3: Índices de separabilidad de las firmas espectrales
Input File: yearstack_h09v07.005.pix
ROI Name: (Jeffries-Matusita, Transformed Divergence)
3 Bosque tropical [Green] 677 points:
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.86692742 1.99976758)
23-s-M bosque trop estacional [Green3] 332 points: (1.99375173 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.97456881 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99802779 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99959881 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99993858
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99987943
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99856252
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99837850 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99609564
1.99999994)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99991066 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99392096 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99968902 2.00000000)
85 Sabana con pinos [Green1] 612 points:
3 Bosque tropical [Green] 677 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (2.00000000 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (2.00000000 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99999857 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (2.00000000 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (2.00000000 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.98826978
1.99975591)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99937592
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (2.00000000
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99876371 1.99999923)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (2.00000000
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.98511245 1.99763571)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.90622911 1.99651717)
65 Bosque manglar Caribe [Purple2] 20 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points:
3 Bosque tropical [Green] 677 points: (1.86692742 1.99976758)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.98708873 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.98860521 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99815045 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99991681 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99998283
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99998592
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99860459
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99970523 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99964765
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99997183 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99828497 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99982422 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points:
3 Bosque tropical [Green] 677 points: (1.99375173 2.00000000)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.98708873 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99816329 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99999984 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99996529 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99999964
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99999941
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99990936
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99980219 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99976994
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99998136 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99887705 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99996803 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points:
3 Bosque tropical [Green] 677 points: (1.97456881 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.99999857 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.98860521 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99816329 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.95966559 1.99999985)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99323696 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99647550
1.99999424)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99098916
1.99995598)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99458905
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99403550 1.99997286)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99236886
1.99999993)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99455170 1.99998906)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.95781163 1.99910295)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99134675 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points:
3 Bosque tropical [Green] 677 points: (1.99802779 2.00000000)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99815045 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99999984 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.95966559 1.99999985)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99982209 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99991268
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99991343
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99973832
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99995163 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99994514
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99999445 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99966551 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99993470 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points:
3 Bosque tropical [Green] 677 points: (1.99959881 2.00000000)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99991681 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99996529 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99323696 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99982209 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99999420
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99999916
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99875244
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99968684 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99772447
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99998033 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99957520 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99987895 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points:
3 Bosque tropical [Green] 677 points: (1.99993858 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.98826978 1.99975591)
1 Bosque tropical [Green2] 763 points: (1.99998283 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99999964 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99647550 1.99999424)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99991268 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99999420 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.90901893
1.99839784)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99955795
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99772208 1.99999997)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99991045
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.98649142 1.99994661)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.98104354 1.99949387)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99999546 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points:
3 Bosque tropical [Green] 677 points: (1.99987943 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.99937592 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99998592 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99999941 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99098916 1.99995598)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99991343 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99999916 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.90901893
1.99839784)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99954375
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.96375423 1.99999970)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99993594
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.94648745 1.99975281)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.96535608 1.99999938)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99999223 2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points:
3 Bosque tropical [Green] 677 points: (1.99856252 2.00000000)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99860459 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99990936 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99458905 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99973832 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99875244 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99955795
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99954375
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99194193 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.92251146
1.99918320)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99976154 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99571892 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99985666 2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points:
3 Bosque tropical [Green] 677 points: (1.99837850 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.99876371 1.99999923)
1 Bosque tropical [Green2] 763 points: (1.99970523 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99980219 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99403550 1.99997286)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99995163 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99968684 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99772208
1.99999997)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.96375423
1.99999970)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99194193
2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99409464
1.99999968)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.89515332 1.99743340)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.88812789 1.99917106)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99992269 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points:
3 Bosque tropical [Green] 677 points: (1.99609564 1.99999994)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99964765 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99976994 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99236886 1.99999993)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99994514 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99772447 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99991045
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99993594
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.92251146
1.99918320)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99409464 1.99999968)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99988214 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.98829954 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99997228 2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points:
3 Bosque tropical [Green] 677 points: (1.99991066 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.98511245 1.99763571)
1 Bosque tropical [Green2] 763 points: (1.99997183 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99998136 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99455170 1.99998906)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99999445 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99998033 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.98649142
1.99994661)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.94648745
1.99975281)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99976154
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.89515332 1.99743340)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99988214
2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.75025525 1.94859783)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99995582 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points:
3 Bosque tropical [Green] 677 points: (1.99392096 2.00000000)
85 Sabana con pinos [Green1] 612 points: (1.90622911 1.99651717)
1 Bosque tropical [Green2] 763 points: (1.99828497 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99887705 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.95781163 1.99910295)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99966551 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99957520 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.98104354
1.99949387)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.96535608
1.99999938)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99571892
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.88812789 1.99917106)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.98829954
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.75025525 1.94859783)
65 Bosque manglar Caribe [Purple2] 20 points: (1.99807918 2.00000000)
65 Bosque manglar Caribe [Purple2] 20 points:
3 Bosque tropical [Green] 677 points: (1.99968902 2.00000000)
85 Sabana con pinos [Green1] 612 points: (2.00000000 2.00000000)
1 Bosque tropical [Green2] 763 points: (1.99982422 2.00000000)
23-s-M bosque trop estacional [Green3] 332 points: (1.99996803 2.00000000)
6 Bosque trop lat submontano [Sea Green] 361 points: (1.99134675 2.00000000)
48-M Bosque trop sv estac aluvial [Sienna1] 119 points: (1.99993470 2.00000000)
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points: (1.99987895 2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points: (1.99999546
2.00000000)
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points: (1.99999223
2.00000000)
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points: (1.99985666
2.00000000)
40 Bosque trop sv esac montano inferior [Blue2] 165 points: (1.99992269 2.00000000)
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points: (1.99997228
2.00000000)
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points: (1.99995582 2.00000000)
67 Bosque manglar Pacifico [Purple2] 98 points: (1.99807918 2.00000000)
Separación de pares: (de menos a mas);
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points and 67 Bosque manglar
Pacifico [Purple2] 98 points - 1.75025525
3 Bosque tropical [Green] 677 points and 1 Bosque tropical [Green2] 763 points -
1.86692742
40 Bosque trop sv esac montano inferior [Blue2] 165 points and 67 Bosque manglar Pacifico
[Purple2] 98 points - 1.88812789
40 Bosque trop sv esac montano inferior [Blue2] 165 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.89515332
85 Sabana con pinos [Green1] 612 points and 67 Bosque manglar Pacifico [Purple2] 98
points - 1.90622911
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 37-2 Bosque trop
sv estac acic, submontano [Aquamarine] 378 points - 1.90901893
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 16-HCW Bosq trop sv
mixto, altimontano, HCW [Magenta1] 195 points - 1.92251146
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 90 Herbazal
pantanoso, gramineas/palmas [Purple2] 180 points - 1.94648745
6 Bosque trop lat submontano [Sea Green] 361 points and 67 Bosque manglar Pacifico
[Purple2] 98 points - 1.95781163
6 Bosque trop lat submontano [Sea Green] 361 points and 48-M Bosque trop sv estac aluvial
[Sienna1] 119 points - 1.95966559
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 40 Bosque trop sv
esac montano inferior [Blue2] 165 points - 1.96375423
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 67 Bosque manglar
Pacifico [Purple2] 98 points - 1.96535608
3 Bosque tropical [Green] 677 points and 6 Bosque trop lat submontano [Sea Green] 361
points - 1.97456881
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 67 Bosque manglar
Pacifico [Purple2] 98 points - 1.98104354
85 Sabana con pinos [Green1] 612 points and 90 Herbazal pantanoso, gramineas/palmas
[Purple2] 180 points - 1.98511245
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 90 Herbazal
pantanoso, gramineas/palmas [Purple2] 180 points - 1.98649142
1 Bosque tropical [Green2] 763 points and 23-s-M bosque trop estacional [Green3] 332
points - 1.98708873
85 Sabana con pinos [Green1] 612 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 624 points - 1.98826978
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 67 Bosque manglar
Pacifico [Purple2] 98 points - 1.98829954
1 Bosque tropical [Green2] 763 points and 6 Bosque trop lat submontano [Sea Green] 361
points - 1.98860521
6 Bosque trop lat submontano [Sea Green] 361 points and 37-2 Bosque trop sv estac acic,
submontano [Aquamarine] 378 points - 1.99098916
6 Bosque trop lat submontano [Sea Green] 361 points and 65 Bosque manglar Caribe
[Purple2] 20 points - 1.99134675
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 40 Bosque trop sv esac
montano inferior [Blue2] 165 points - 1.99194193
6 Bosque trop lat submontano [Sea Green] 361 points and 16-HCW Bosq trop sv mixto,
altimontano, HCW [Magenta1] 195 points - 1.99236886
6 Bosque trop lat submontano [Sea Green] 361 points and 9 Bosqeu trop sv lat montano
inferior [Sienna2] 168 points - 1.99323696
3 Bosque tropical [Green] 677 points and 23-s-M bosque trop estacional [Green3] 332
points - 1.99375173
3 Bosque tropical [Green] 677 points and 67 Bosque manglar Pacifico [Purple2] 98 points -
1.99392096
6 Bosque trop lat submontano [Sea Green] 361 points and 40 Bosque trop sv esac montano
inferior [Blue2] 165 points - 1.99403550
40 Bosque trop sv esac montano inferior [Blue2] 165 points and 16-HCW Bosq trop sv mixto,
altimontano, HCW [Magenta1] 195 points - 1.99409464
6 Bosque trop lat submontano [Sea Green] 361 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.99455170
6 Bosque trop lat submontano [Sea Green] 361 points and 14-HCW Bosque trop sv lat montano
superior [Blue1] 322 points - 1.99458905
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 67 Bosque manglar
Pacifico [Purple2] 98 points - 1.99571892
3 Bosque tropical [Green] 677 points and 16-HCW Bosq trop sv mixto, altimontano, HCW
[Magenta1] 195 points - 1.99609564
6 Bosque trop lat submontano [Sea Green] 361 points and 37-2 Bosque trop sv estac acic,
submontano [Aquamarine] 624 points - 1.99647550
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 40 Bosque trop sv
esac montano inferior [Blue2] 165 points - 1.99772208
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 16-HCW Bosq trop sv mixto,
altimontano, HCW [Magenta1] 195 points - 1.99772447
3 Bosque tropical [Green] 677 points and 48-M Bosque trop sv estac aluvial [Sienna1] 119
points - 1.99802779
67 Bosque manglar Pacifico [Purple2] 98 points and 65 Bosque manglar Caribe [Purple2] 20
points - 1.99807918
1 Bosque tropical [Green2] 763 points and 48-M Bosque trop sv estac aluvial [Sienna1] 119
points - 1.99815045
23-s-M bosque trop estacional [Green3] 332 points and 6 Bosque trop lat submontano [Sea
Green] 361 points - 1.99816329
1 Bosque tropical [Green2] 763 points and 67 Bosque manglar Pacifico [Purple2] 98 points
- 1.99828497
3 Bosque tropical [Green] 677 points and 40 Bosque trop sv esac montano inferior [Blue2]
165 points - 1.99837850
3 Bosque tropical [Green] 677 points and 14-HCW Bosque trop sv lat montano superior
[Blue1] 322 points - 1.99856252
1 Bosque tropical [Green2] 763 points and 14-HCW Bosque trop sv lat montano superior
[Blue1] 322 points - 1.99860459
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 14-HCW Bosque trop sv lat
montano superior [Blue1] 322 points - 1.99875244
85 Sabana con pinos [Green1] 612 points and 40 Bosque trop sv esac montano inferior
[Blue2] 165 points - 1.99876371
23-s-M bosque trop estacional [Green3] 332 points and 67 Bosque manglar Pacifico
[Purple2] 98 points - 1.99887705
85 Sabana con pinos [Green1] 612 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 378 points - 1.99937592
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 14-HCW Bosque trop
sv lat montano superior [Blue1] 322 points - 1.99954375
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 14-HCW Bosque trop
sv lat montano superior [Blue1] 322 points - 1.99955795
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 67 Bosque manglar Pacifico
[Purple2] 98 points - 1.99957520
3 Bosque tropical [Green] 677 points and 9 Bosqeu trop sv lat montano inferior [Sienna2]
168 points - 1.99959881
1 Bosque tropical [Green2] 763 points and 16-HCW Bosq trop sv mixto, altimontano, HCW
[Magenta1] 195 points - 1.99964765
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 67 Bosque manglar Pacifico
[Purple2] 98 points - 1.99966551
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 40 Bosque trop sv esac
montano inferior [Blue2] 165 points - 1.99968684
3 Bosque tropical [Green] 677 points and 65 Bosque manglar Caribe [Purple2] 20 points -
1.99968902
1 Bosque tropical [Green2] 763 points and 40 Bosque trop sv esac montano inferior [Blue2]
165 points - 1.99970523
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 14-HCW Bosque trop sv lat
montano superior [Blue1] 322 points - 1.99973832
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.99976154
23-s-M bosque trop estacional [Green3] 332 points and 16-HCW Bosq trop sv mixto,
altimontano, HCW [Magenta1] 195 points - 1.99976994
23-s-M bosque trop estacional [Green3] 332 points and 40 Bosque trop sv esac montano
inferior [Blue2] 165 points - 1.99980219
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 9 Bosqeu trop sv lat montano
inferior [Sienna2] 168 points - 1.99982209
1 Bosque tropical [Green2] 763 points and 65 Bosque manglar Caribe [Purple2] 20 points -
1.99982422
14-HCW Bosque trop sv lat montano superior [Blue1] 322 points and 65 Bosque manglar
Caribe [Purple2] 20 points - 1.99985666
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 65 Bosque manglar Caribe
[Purple2] 20 points - 1.99987895
3 Bosque tropical [Green] 677 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 378 points - 1.99987943
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 90 Herbazal
pantanoso, gramineas/palmas [Purple2] 180 points - 1.99988214
23-s-M bosque trop estacional [Green3] 332 points and 14-HCW Bosque trop sv lat montano
superior [Blue1] 322 points - 1.99990936
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 16-HCW Bosq trop
sv mixto, altimontano, HCW [Magenta1] 195 points - 1.99991045
3 Bosque tropical [Green] 677 points and 90 Herbazal pantanoso, gramineas/palmas
[Purple2] 180 points - 1.99991066
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 37-2 Bosque trop sv estac
acic, submontano [Aquamarine] 624 points - 1.99991268
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 37-2 Bosque trop sv estac
acic, submontano [Aquamarine] 378 points - 1.99991343
1 Bosque tropical [Green2] 763 points and 9 Bosqeu trop sv lat montano inferior [Sienna2]
168 points - 1.99991681
40 Bosque trop sv esac montano inferior [Blue2] 165 points and 65 Bosque manglar Caribe
[Purple2] 20 points - 1.99992269
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 65 Bosque manglar Caribe
[Purple2] 20 points - 1.99993470
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 16-HCW Bosq trop
sv mixto, altimontano, HCW [Magenta1] 195 points - 1.99993594
3 Bosque tropical [Green] 677 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 624 points - 1.99993858
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 16-HCW Bosq trop sv mixto,
altimontano, HCW [Magenta1] 195 points - 1.99994514
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 40 Bosque trop sv esac montano
inferior [Blue2] 165 points - 1.99995163
90 Herbazal pantanoso, gramineas/palmas [Purple2] 180 points and 65 Bosque manglar Caribe
[Purple2] 20 points - 1.99995582
23-s-M bosque trop estacional [Green3] 332 points and 9 Bosqeu trop sv lat montano
inferior [Sienna2] 168 points - 1.99996529
23-s-M bosque trop estacional [Green3] 332 points and 65 Bosque manglar Caribe [Purple2]
20 points - 1.99996803
1 Bosque tropical [Green2] 763 points and 90 Herbazal pantanoso, gramineas/palmas
[Purple2] 180 points - 1.99997183
16-HCW Bosq trop sv mixto, altimontano, HCW [Magenta1] 195 points and 65 Bosque manglar
Caribe [Purple2] 20 points - 1.99997228
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.99998033
23-s-M bosque trop estacional [Green3] 332 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.99998136
1 Bosque tropical [Green2] 763 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 624 points - 1.99998283
1 Bosque tropical [Green2] 763 points and 37-2 Bosque trop sv estac acic, submontano
[Aquamarine] 378 points - 1.99998592
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 378 points and 65 Bosque manglar
Caribe [Purple2] 20 points - 1.99999223
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 37-2 Bosque trop sv estac
acic, submontano [Aquamarine] 624 points - 1.99999420
48-M Bosque trop sv estac aluvial [Sienna1] 119 points and 90 Herbazal pantanoso,
gramineas/palmas [Purple2] 180 points - 1.99999445
37-2 Bosque trop sv estac acic, submontano [Aquamarine] 624 points and 65 Bosque manglar
Caribe [Purple2] 20 points - 1.99999546
85 Sabana con pinos [Green1] 612 points and 6 Bosque trop lat submontano [Sea Green] 361
points - 1.99999857
9 Bosqeu trop sv lat montano inferior [Sienna2] 168 points and 37-2 Bosque trop sv estac
acic, submontano [Aquamarine] 378 points - 1.99999916
23-s-M bosque trop estacional [Green3] 332 points and 37-2 Bosque trop sv estac acic,
submontano [Aquamarine] 378 points - 1.99999941
23-s-M bosque trop estacional [Green3] 332 points and 37-2 Bosque trop sv estac acic,
submontano [Aquamarine] 624 points - 1.99999964
23-s-M bosque trop estacional [Green3] 332 points and 48-M Bosque trop sv estac aluvial
[Sienna1] 119 points - 1.99999984
85 Sabana con pinos [Green1] 612 points and 16-HCW Bosq trop sv mixto, altimontano, HCW
[Magenta1] 195 points - 2.00000000
85 Sabana con pinos [Green1] 612 points and 14-HCW Bosque trop sv lat montano superior
[Blue1] 322 points - 2.00000000
85 Sabana con pinos [Green1] 612 points and 48-M Bosque trop sv estac aluvial [Sienna1]
119 points - 2.00000000
85 Sabana con pinos [Green1] 612 points and 65 Bosque manglar Caribe [Purple2] 20 points
- 2.00000000
3 Bosque tropical [Green] 677 points and 85 Sabana con pinos [Green1] 612 points -
2.00000000
85 Sabana con pinos [Green1] 612 points and 1 Bosque tropical [Green2] 763 points -
2.00000000
85 Sabana con pinos [Green1] 612 points and 9 Bosqeu trop sv lat montano inferior
[Sienna2] 168 points - 2.00000000
85 Sabana con pinos [Green1] 612 points and 23-s-M bosque trop estacional [Green3] 332
points - 2.00000000
Las firmas espectrales también pueden presentarse en forma individual, con mas detalle
sobre sus características. La presentación de las estadísticas detalladas incluye además
del medio de todos los valores de la imagen, los valores mínimos y máximos (rojos) y el
rango de la primera desviación estándar. La leyenda en detalle se ve solamente en la
primera presentación para “23-s-M bosque trop estacional”.
Si se compara todos las histogramas, se nota diferencias significativas que serán de
utilidad en definir características de la respuesta de cada clase de vegetación, que forman
parte del análisis para distinguir entre variaciones anuales y cambios en la vegetación
como consecuencia de la degradación de recursos.
Si se compara estos resultados con la metodología para la evaluación del porcentaje de
cobertura de bosque, se nota la similitud en el uso de los valores más bajos de ndvi como
índice, que reconoce que estos valores pueden ser diagnósticos de condiciones regulares
y especificas en la vegetación.
La metodología para completar el catálogo de firmas espectrales de cada clase de
vegetación seria el desarrollo de estadísticas para cada clase de vegetación para cada año,
para apreciar el rango de variabilidad que se espera bajo la variabilidad climática normal.
Se puede construir una firma espectral „promedio‟ para cada clase de vegetación y
guardarlo como parte de las definiciones estándares. Este catálogo será el „machote‟
contra cual se compara las firmas espectrales „instantáneos‟ para evaluar si hay
probabilidad de degradación en la vegetación.
7) Chequeo de “campo”
Un elemento clave en el sistema de monitoreo es comprobar
que representan los cambios detectados con MODIS. La
evaluación mas completa seria una visita de campo,
acompañado por una evaluación de fotografías aéreas de la
zona en tiempos pasados. Sin embargo, esta clase de inversión
de personal y tiempo es lo mas caro, entonces aquí se propone
una serie de pasos que se puede tomar, que permiten ajustar la
respuesta a la duda a la capacidad presupuestaria.
Como respuesta más práctico, se puede aplicar una
metodología mixta, que utiliza fotografías aéreas e imágenes de
satélite como base, que enfoca en la revisión ocular para dar
una respuesta definitiva a la duda
sobre los cambios ocurridos.
Esta metodología brinca por
completo la etapa de
clasificación e imágenes de alta
resolución tipo LANDSAT,
porque los resultados de tal
actividad siempre serian
probabilísticas, y en la mayoría
de los casos dependerían de una
revisión de fotografías o visitas
de campo. Las fotografías aéreas
y/o imágenes de satélite a utilizar
para esta fase pueden ser mas
fácilmente accesadas por medio
de Google Earth, que provee
imágenes de diferentes fechas, en
un muchos casos, de muy buena
resolución.
Google Earth actualiza imágenes
en forma irregular, pero
frecuente. En la figura adjunta se
presentan las fechas recientes de
actualización de imágenes, donde
se aprecia 20 fechas de
actualización, en todo el mundo.
Centroamérica recibe
actualizaciones, aunque para la
fecha 5 Octubre 2010 no hay
imágenes para Republica
Dominicana.
En una segunda foto se ven las „fajitas‟ de imagen de alta resolución sobre puestas en la
parte occidental de Honduras. Las imágenes con borde rojo son los mas recientemente
actualizadas; sin embargo, se nota otras imágenes de alta resolución sin borde, que son
las imágenes anteriores a las actualizaciones mas recientes.
Una gran contribución de Google Earth es en la provisión de imágenes de muy alta
resolución, aunque estén en una distribución irregular. Estas imágenes sirven para definir
la línea base, las condiciones históricas de la tierra cuando es necesario evaluar algún
cambio. En la foto adjunta, se aprecia una zona de quema bajo bosque, con algunos
árboles severamente afectados, y otros con muy poco daño por la quema.
Como etapa final de comprobación, se puede programar una revisión por avioneta anual
que visite sitios analizados de tal manera. Con el apoyo de GPS, y la preparación de cada
sitio con fotografías aéreas y mapas, la mayoría de las dudas sobre supuestos cambios en
cobertura pueden ser investigados y documentados fotográficamente. El uso del avioneta
llega a ser factible, técnicamente y económicamente, por medio de la preparación; la
documentación previa de
los sitios
georeferenciadas permite
una llegada precisa y
rápida, y el hecho de
tener fotografías
históricas resuelve dudas
sobre actividades de uso
y la ubicación exacta de
la observación. En pocos
días, o semanas
(dependiendo del numero
y la distribución de
puntos de dudas), se
puede hacer un sobre
vuelo de decenas de
puntos para una respuesta
definitiva; aunque el
costo del uso del avión
sería de miles de dólares,
resulta relativamente económica como forma de desplazarse a puntos diversos a lo largo
del territorio nacional, especialmente en zonas alejadas y de mal acceso.
8) Normalización por precipitación
Como el análisis fenológico depende mucho del crecimiento de hojas, hay que tomar en
cuenta el estado hidrometeoro lógico de la región cuando se evalúan las firmas
espectrales. Aunque las diferencias en clima entre la zona atlántica y pacifica están bien
conocidas, también hay variantes año a año, por causa de ciclos de clima, el niño, o una
variedad de otros factores. Aunque no es posible hacer una revisión exhaustiva de clima
(por los variantes locales dentro del patrón general), se puede caracterizar los años
climáticos como húmedos, normales o secos. Hay varios métodos para documentar el
estado de la precipitación para cualquier año;
1) el CRRH emite en forma regular una apreciación de condiciones de clima,
usualmente en forma trimestral. Además hace un pronostico de condiciones en
los próximos meses.
2) Fuentes satelitales, tal como TRMM, reportan tendencias de precipitación para
toda la región con una alta resolución. Estos datos pueden estratificarse en zonas
pacificas y atlánticas para caracterizar las condiciones climáticas del año como un
todo (especialmente importante para crear la línea base) y también en forma
mensual, para ayudar en la apreciación „instantáneo‟ del estado de bosque.
9) Metodología – Construcción de Métricas MODIS
La gran fortaleza de MODIS para el análisis de vegetación es su frecuencia de imágenes,
que permite el análisis de la reflectancia de la vegetación en varios diferentes periodos
del año. Aprovechar esta fortaleza requiere crear „métricas‟ de las imágenes compuestas
que captan la dinámica fenológica, y permite cuantificar la dinámica como base de un
análisis de estados de vegetación, y eventualmente, cambios en el estado año a año.
Han experimentado con varias métricas, con AVHRR y MODIS para precisar grado de
cobertura forestal (Hansen et.al. 2002, Hansen et.al. 2003, Hansen et.al. 2005). Llegan
hasta 62 métricas en base de las primeras 7 bandas MODIS y las bandas de temperatura
para los análisis mas recientes de MODIS.
La construcción de las métricas busca captar momentos significativos en el ciclo anual,
para enfocar el análisis en esos momentos, y sacar contrastes de vegetación en esos
momentos (ejemplo de Hansen et.al. 2002). La construcción de las métricas utiliza la
misma lógica de la selección de los mejores píxeles en las compuestas de 8 o 16 días; se
busca fechas con valores apropiadas según diferentes criterios (NDVI al máximo, mínimo
o medio) y se extrae los datos de cada banda de la misma imagen.
Las métricas incluyen;
1) los valores máximos, mínimos y promedios de cada píxel para el año. Esta
métrica arroja 3 bandas, una de máximos, otra de mínimos, y otro de promedios,
para cada una de las primeras 7 bandas MODIS.
2) Los valores de banda correspondientes a los valores máximos, mínimos y
promedios de NDVI.
3) Los valores de banda correspondientes a los valores máximos, mínimos y
promedios de temperatura.
4) Valor promedio de banda para los 3 meses con valores mas bajos.
5) Valor promedio de banda para los 3 meses con valores mas altos de NDVI
6) Valor promedio de banda para los 3 meses con valores mas altos de temperatura
7) Amplitud de valores máximos, mínimos y promedios
8) Amplitud de valores para meses con máximo, mínimo y promedio de valores
NDVI
9) Amplitud de valores para meses con máximo, mínimo y promedio de
temperaturas altas
10) Lo mismo para bandas 3,4,5,6
En el interés de eficiencia en el manejo de datos, se puede priorizar las métricas que dan
mas resultado para la construcción de la cobertura final. En el cuadro 1 se presentan las
contribuciones de cada métrica a la clasificación de las imágenes finales. Algunas de las
métricas de las bandas 1,3, 4 y 6 explican mas de 80% de la varianza en la clasificación,
que sugiere que se puede hacer un análisis preliminar fácilmente con una base de datos
incompleta, y dependiendo de la evaluación de los resultados de las clasificaciones, este
juego limitado de métricas puede ser la lista definitiva para el trabajo de monitoreo.
El uso de estas métricas requiere tareas repetitivas para construir las bases de datos
relevantes. Al igual que las imágenes compuestas, estas imágenes pueden almacenar una
vez terminadas, para uso futuro. La construcción de las “imágenes” de las métricas
podria ser muy tedioso, por requerir mucho manipuleo de datos; para reducir el costo de
preparación de estas imágenes el proceso puede ser automatizado por medio de
programas creados específicamente para crearlas; se provee nombres de archivos MODIS
como insumos, los programas se encargan de generar métricas sin supervisión.
10) Aplicación de metodología árbol de decisiones
La implementación del análisis VCF con se hace con el clasificador „árbol de decisiones‟,
que está disponible en ENVI. La metodología se desarrolla paso por paso, tomando cada
decisión en base de la variabilidad existente en la colección de datos a analizar.
Contribución de cada banda o métrica a la clasificación puede cambiar con la época del
año, especialmente entre la época lluviosa y la época seca. La aplicación del árbol de
decisiones se hace con referencia a las firmas espectrales del bosque de interés (vea la
sección Caracterización de la dinámica fenológica), y la época del año. Aquí un ejemplo
de la contribución de cada banda y métrica a la reducción de la varianza en los datos.
(Hansen 2003)
El numero dentro de los elipses son el porcentaje de cobertura forestal en esa porción del
árbol, mientras que debajo de los elipses se indica cuales son las métricas utilizadas y el
valor de evaluación. (Diagrama de Hansen 2003).
11) Agregación de nuevos datos a secuencia NDVI dinámica
La metodología VCF depende de una secuencia de datos completo para el año, ya que se
diferencia sus métricas en base de la variabilidad anual y la posición de los datos de cada
banda en este ciclo. La evaluación dinámica de condiciones de cobertura requiere la
introducción de periodos nuevos para la evaluación, de manera que será necesaria
eliminar un periodo que corresponde al inicio de la secuencia anual para agregar el
nuevo; para agregar datos para el mes de septiembre, hay que eliminar los datos del
septiembre anterior.
Una vez construidas las bases de datos nuevos, hay que volver a hacer la evaluación de
las métricas. Hay que evaluar si los valores del periodo nuevo son de los mas altos, o
mas bajos, de su clase, y cambiar las métricas en forma correspondiente. Es un proceso
rutinario, pero grande y tedioso, entonces vale la pena generar procedimientos para
automatizar algunas partes de la re-evaluación.
12) Construcción de la línea base del comportamiento fenológico
Es necesario crear una secuencia de imágenes „oficiales‟ de varios años para establecer el
patrón de cambio anual. Las imágenes se evalúan por calidad de píxel general (vea
cuadro “VI Quality”, banda 3 y “Píxel Reliability Summary” banda 12) en cada época del
año; si calidad es baja, hay que hacer la compuesta de mas días de largo para identificar
el máximo numero de píxeles sin contaminación de nubes.
Hay una „dinámica anual‟ de la vegetación a nivel nacional (o regional) correspondiente
al cambio de las estaciones, entre épocas húmedas y secas, frías y calientes. El producto
MODIS “MOD12Q2 _ Dynamics Yearly L3 Global 1km _ Land Cover” (vea anexo),
describa a nivel mundial los hitos anuales en los cambios de verdor; mínimo, máximo,
inicio del „enverdecer‟, en días desde el inicio del año. Para el monitoreo a nivel nacional
hay que describir esta dinámica específicamente zona por zona, ya que el monitoreo tiene
que distinguir cambios en el patrón en cualquier de los microclimas del país. La
cobertura MOD12Q2 puede ser modelo de cómo describir la dinámica anual.
La función de la línea base será construir una serie de evaluaciones anuales que forma la
base para evaluar cambios observados en cualquier año siguiente. Se crea una desviación
estándar en los cambios observados, para poder concretar en que momento un cambio
sale de la norma de las variaciones anuales. La secuencia histórica crea la base para una
estadística fenológica.
La construcción de la línea base será la tarea mas grande del sistema de monitoreo.
Requiere conseguir las imágenes originales MODIS para cada quincena, crear las
imágenes compuestas, generar las métricas anuales VCF, y crear la tabla estadística de
variaciones. Además, debe de generar experiencias con la „predicción‟ de condiciones de
cambio en base de evaluaciones de meses nuevos, como una simulación de la evaluación
de los procesos de cambio a que se expondrán con la implementación del sistema de
monitoreo.
13) Funcionamiento del sistema de monitoreo
El puesto en marcha del sistema de monitoreo no requiere mucho equipo, pero sí requiere
la seguridad de un buen sistema de respaldo para las secuencias históricas de la linea
base. Requiere una computadora con un disco de 1TB, con dos discos de respaldo, cada
uno de 1TB; estos discos deben de seguir un protocolo muy estricto de seguridad, donde
los respaldos residen en lugares separados, y los dos están separados del equipo de
trabajo, con la excepción del momento en que se esta haciendo el respaldo.
El elemento más engorrosa del proceso será la consecución de los datos MODIS.
Aunque están gratis, siempre requieren que se bajen por internet, un proceso que puede
durar un par de horas por quincena, y requiere una conexión confiable que no arruine el
flujo de datos por causa de „bajonazos‟ de la conectividad de la red. Habrá otras
necesidades de conexión de internet, ya que toda la documentación de MODIS y sus
productos esta en línea, y periódicamente hace actualizaciones del pre-procesamiento de
las imágenes. A veces mejoran algunos aspectos de la georeferenciación, o la corrección
atmosférica que se aplica a los productos MODIS distribuidos, y puede ser deseable bajar
toda la serie de imágenes nuevas para remplazar la serie histórica existente para la región
(una tarea bastante grande), pero este cambio tiene que ser evaluado muy
cuidadosamente, para asegurar que no perjudica la integridad de las observaciones
históricas y la estadística que se ha generado.
La replicación de las estaciones de trabajo en los diferentes países es importante en el
proceso de establecer el sistema de monitoreo. Las variaciones observadas en las
métricas VCF tienen que relacionarse con comunidades vegetativas especificas, para
asegurar la mayor probabilidad de que los cambios potenciales identificados sean
correctos; esta relación con las comunidades vegetales requiere conocimiento nacional, y
la generación de una documentación para uso en el futuro.
El procesamiento de las imágenes MODIS será posible en una sola computadora
eventualmente, entonces se puede visualizar un sistema regional mucho mas compacto en
el futuro. Sin embargo, para la fase de arranque es importante contar con expertos en
cada país para establecer los ritmos fenológicos visibles por MODIS, y generar la
documentación de cómo relaciona con la vegetación nacional. La decisión final de
cuantos sistemas duplicados mantener será una decisión política a nivel de país, si
disponen del compromiso nacional para mantener el sistema de monitoreo que no es
100% necesario, ya que podría apoyarse en los datos procesados de países vecinos.
Otro elemento necesario es el sistema de impresión. La revisión de campo requiere una
capacidad de duplicar imágenes a una escala moderada, para revisión en el avión, o desde
un carro. El sistema de impresión no puede fallar, especialmente en el periodo de
revisión. También será de importancia en el periodo de generación del sistema, cuando
se explora la variedad en respuestas de reflectancia, y se trata de relacionarlos con la
vegetación de campo.
Los programas necesarias para implementar el sistema son ENVI para la ejecución de la
clasificacion arbol de decisiones, WEKA, un programa Java de dominio público de „data
mining‟ para apoyar el árbol de decisiones, el programa PCI para su facilidad en la
georeferenciación de imágenes, el ArcGIS para la comparación y la evaluación
estadística de resultados, y el Google Earth.
El plan de chequeo de campo es muy innovador para la región, y pareciera difícil por
cuestión de costos. Sin embargo, con una buena planificación, la comprobación de
campo puede hacerse un menos de un mes, y los costos del avión no saldrán muy
diferentes del costo de desplazar un equipo a lugares remotos en vehículo de doble
tracción, financiar hospedajes y viáticos. El uso de avión podría hacerse aprovechando
personal en sus sedes de trabajo (cuando tienen aeropuerto cerca) para evitar muchos
costos de viáticos y viaje.
14) Conclusión; Propuesta de monitoreo REDD+ regional
El sistema propuesta diverge de la estrategia tradicional de mapeo forestal en
Centroamérica (basado en LANDSAT) para lograr una serie de objetivos;
1) promover la sostenibilidad del sistema por medio de bajos costos
2) generar una línea base confiable para poder defender observaciones y
conclusiones resultantes del sistema de monitoreo
3) proponer una metodología que abarca áreas grandes de la zona para reducir el
impacto del procesamiento nacional
4) visualizar una metodología con chequeo de campo que da mas fortaleza a
conclusiones
15) Bibliografía
Ashutosh, Subhash. 2009. “Nationwide Biennial Forest Cover Monitoring;
Nationwide Biennial Forest Cover Monitoring : India‟ s Experience.” En REDD Capacity
Development Workshop on: “Forest Area Change Assessment: The Experience of
Existing Operational Systems”. INPE, Sao Jose dos Campos, Brazil. 4-6 February 2009.
Luigi Boschetti, David Roy, Chris Justice, y Louis Giglio. 2009. “Burned Area Mapping:
The MODIS Global Burned Area Product. En REDD Capacity Development Workshop
on: “Forest Area Change Assessment: The Experience of Existing Operational Systems”.
INPE, Sao Jose dos Campos, Brazil. 4-6 February 2009.
Cisneros, Jorge. 2010: comunicación personal.
Matthew L. Clark, T. Mitchell Aide, H. Ricardo Grau, George Riner. 2010. ”A scalable
approach to mapping annual land cover at 250 m using MODIS time series data: A case
study in the Dry Chaco ecoregion of South America”. En Remote Sensing of
Environment 114 (2010) 2816–2832.
FAO 2003: Costa Rica frente al Cambio Climático. Serie Centroamericana de Bosques y
Cambio Climático.
FERREIRA, N.C., L. G. FERREIRA, A. R. HUETE y M. E. FERREIRA. 2007. “An
operational deforestation mapping system using MODIS data and spatial context
analysis”. En International Journal of Remote Sensing: Vol. 28, No. 1, 10 January 2007,
47–62.
GOFC-GOLD, 2008, Reducing greenhouse gas emissions from deforestation and
degradation in developing countries: a sourcebook of methods and procedures for
monitoring, measuring and reporting, GOFC-GOLD Report version COP13-2, (GOFC-
GOLD Project Office, Natural Resources Canada, Alberta, Canada).
Sourcebook_Version_June_2008_COP13-2.pdf
Hansen, M.C., R.S. DeFries, J.R.G. Townshend, R. Sohlberg, C. Dimiceli, M. Carroll.
2001. “Towards an operational MODIS continuous field of percent tree cover algorithm:
examples using AVHRR and MODIS data”. En Remote Sensing of Environment 83
(2002) 303–319.
Hansen, M.C., R. S. DeFries, J. R. G. Townshend, M. Carroll, C. Dimiceli, and R. A.
Sohlberg. 2003. Global Percent Tree Cover at a Spatial Resolution of 500 Meters: First
Results of the MODIS Vegetation Continuous Fields Algorithm. In Earth Interactions,
Volume 7 (2003), Paper No. 10; Page 1.
Hansen, Matthew C., Stephen V. Stehman, Peter V. Potapov, Thomas R. Loveland, John
R. G. Townshend, Ruth S. DeFries¶, Kyle W. Pittman, Belinda Arunarwati, Fred Stolle,
Marc K. Steininger, Mark Carroll, and Charlene DiMiceli. 2008. Humid tropical forest
clearing from 2000 to 2005 quantified by using multitemporal and multiresolution
remotely sensed data. PNAS. July 8, 2008; vol. 105; no. 27: 9439–9444.
Matthew C. Hansen, David P. Roy, Erik Lindquist, Bernard Adusei, Christopher O.
Justice, Alice Altstatt. 2008. “A method for integrating MODIS and Landsat data for
systematic monitoring of forest cover and change in the Congo Basin”. Remote Sensing
of Environment 112 (2008) 2495–2513.
Meneses Tovar, Carmen. 2009. MONITORING MONITORING OF VEGETATION
COVER: México. En REDD Capacity Development Workshop on: “Forest Area
Change Assessment: The Experience of Existing Operational Systems”. INPE, Sao Jose
dos Campos, Brazil. 4-6 February 2009.
Valeriano, Dalton de Morisson. 2009. Satellite Monitoring of the Brazilian Amazon. En
REDD Capacity Development Workshop on: “Forest Area Change Assessment: The
Experience of Existing Operational Systems”. INPE, Sao Jose dos Campos, Brazil. 4-6
February 2009.
Vermote, Eric F., Nazmi Z. El Saleous, Christopher O. Justice. 2002. “Atmospheric
correction of MODIS data in the visible to middle infrared: first results”. En Remote
Sensing of Environment 83 (2002) 97– 111.
Vermote, Eric F., Nazmi Z. El Saleous. 2006. “Operational Atmospheric Correction of
MODIS Visible to Middle Infrared Land Surface Data in the Case of an Infinite
Lambertian Target.” Capitulo 8.
16) Anexos:
MODIS Overview.pdf
MOD11A2 _ 8-Day L3 Global 1km _ Land Surface Temperature & Emissivity.pdf
MOD12Q2 _ Dynamics Yearly L3 Global 1km _ Land Cover.pdf
MOD13Q1 _ 16-Day L3 Global 250m _ Vegetation Indices.pdf
MOD44B _ Yearly L3 Global 500m _ Vegetation Conversion-Continuous Fields.pdf
Recommended