Mapas de deforestación elaborados para su uso en la plataforma ICE CoT.

Los ICE CoT EUDR Deforestation Maps están disponibles bajo licencia de ICE

Benchmark Administration Limited.

Space Intelligence crea mapas de cobertura del suelo con una resolución de 10 m para ayudar a los comercializadores de commodities y a los operadores a cumplir sus obligaciones bajo el EUDR.

Los mapas que producimos establecen la línea de base de dónde había y dónde no había bosque al 31 de diciembre de 2020, y de dónde se ha producido deforestación y ha crecido bosque nuevo desde entonces hasta la actualidad.

Estos mapas siguen la definición de bosque del EUDR:

‘Bosque’ significa una superficie de más de 0,5 hectáreas con árboles de más de 5 metros de altura y una cubierta de copas de más del 10 %, o con árboles capaces de alcanzar esos umbrales in situ, excluidas las tierras dedicadas predominantemente a uso agrícola o urbano.

Y la definición de deforestación del EUDR, que se define como:

‘Deforestación’ significa la conversión de bosques para uso agrícola, sea esta

inducida por el ser humano o no [después de la fecha de corte del 31 de diciembre de 2020]

Seguir estas definiciones implica el difícil proceso de determinar dónde exactamente había agricultura en 2020 y en la actualidad, aunque esa agricultura a menudo se encuentra bajo la cubierta arbórea o está compuesta por árboles (por ejemplo, en sistemas agroforestales como el cacao o el café). De hecho, las áreas con árboles pueden no cumplir la definición de bosque por diversas razones:

Utilizamos los siguientes conjuntos de datos satelitales, con imágenes tomadas a lo largo del año para recopilar información sobre cómo cambia cada porción de tierra en las distintas estaciones. Para compensar las diferencias de resolución inicial y de proyección cartográfica, todos los conjuntos de datos se alinean y se corrigen por el terreno en la misma cuadrícula con un tamaño de píxel de 10 m x 10 m. Esta cuadrícula está en una proyección de áreas iguales (ESPG: 6933) para garantizar que todos los píxeles tengan el mismo tamaño.

Utilizamos todos los datos de campo que tenemos de los países que se mapean, las salidas de campo que realizamos específicamente, fotos abiertas con ubicación geográfica, conjuntos de datos cartográficos existentes y el análisis de nuestros expertos sobre datos satelitales de muy alta resolución (<1 m) para crear un conjunto de polygons que, con gran certeza, corresponden a clases específicas de cobertura del suelo.

Esto incluye un gran esfuerzo para crear polygons que sean con certeza plantaciones forestales, cultivos arbóreos y agricultura bajo árboles, así como bosque abierto y cerrado. Estos polygons son fundamentales para separar estas clases, que a menudo se ven superficialmente similares en los datos satelitales.

También creamos un conjunto de datos de prueba independiente de puntos, que no se usa para crear los mapas, sino para determinar cuándo son lo suficientemente precisos para su uso.

Los conjuntos de datos satelitales se combinan en cubos de datos que abarcan un período de seis meses. Este período comprende los últimos seis meses de 2020 (para producir mapas que muestren la situación hasta el 31 de diciembre de 2020) y los seis meses más recientes (para cubrir el período hasta la actualidad). El período más reciente se actualizará anualmente, con datos hasta el 30 de septiembre de ese

año calendario.

Las nubes y las sombras de nubes se eliminan de los datos satelitales ópticos, y todos los conjuntos de datos se corrigen por el terreno y radiométricamente, y se alinean.

Luego, nuestros científicos de datos entrenan y ejecutan un algoritmo de machine learning que combina los polygons de verdad y el cubo de datos satelitales para predecir mapas de finales de 2020 y del período más reciente. Estos se contrastan con el conjunto de datos de prueba independiente. Con base en los resultados y en la inspección visual del mapa por parte de nuestros expertos, mejoramos el mapa volviendo a ejecutarlo con cambios en los polygons de verdad, en los conjuntos de datos satelitales utilizados o en los parámetros del algoritmo

de machine learning, hasta obtener un mapa final del país que cumpla nuestros requisitos de precisión.

Los mapas de 10 m de resolución se someten a un posprocesamiento con los siguientes cambios:

Es importante conocer el desempeño (la ‘precisión’) de los productos de cobertura del suelo para saber si los mapas son adecuados para un caso de uso determinado.

En Space Intelligence nos tomamos esto muy en serio y evaluamos la precisión de nuestros productos y su incertidumbre de forma estadísticamente rigurosa, siguiendo

las buenas prácticas descritas en la literatura científica1 y en las normas internacionales (2,3). Establecemos objetivos de desempeño según los requisitos de cada contrato.

La precisión puede evaluarse de varias maneras, pero el único enfoque que ofrece una evaluación significativa de la precisión de un píxel aleatorio en el mapa resultante es el enfoque 4. Es el enfoque que utiliza Verra en la nueva Consolidated REDD+ Methodology (VM0048) y el que recomiendan las guías de buenas prácticas (1-3), pero no siempre lo siguen las empresas interesadas en exhibir estadísticas de alta precisión. Consulte la página 4 para ver una evaluación más detallada de cada enfoque.

Es importante señalar que usar una única métrica (como la precisión global) no es una forma confiable de describir la precisión de un mapa.

Una forma mucho más interpretable y transparente es utilizar una matriz de error que muestre las precisiones de comisión y omisión de cada clase (que en esencia evalúa si el mapa sobreestima o subestima ciertas clases). Por ejemplo, en un área con una tasa de deforestación del 1 %, reportar que no hay deforestación daría una precisión global del 99 %, aunque no sería en absoluto adecuado para su propósito. En este caso, es mejor reportar que el mapa tiene una precisión del 100 % para el bosque sin cambios y del 0 % para la deforestación, por lo que claramente no es adecuado.

Para el EUDR, el enfoque está en separar el bosque natural de todos los demás tipos de cobertura del suelo (que deben incluir clases con árboles, como el cacao). Esto permite estimar la probable precisión de una evaluación según la cual un polygon determinado era, por ejemplo en 2020, bosque natural o ya no era bosque.

En Space Intelligence creemos que la evaluación independiente de puntos aislados siguiendo las mejores prácticas es la mejor forma de evaluar la precisión de los mapas de bosque/no bosque (el enfoque 4 mencionado anteriormente). Esto lo realizan nuestros ecólogos y científicos de datos altamente calificados, que evalúan cientos de puntos ‘a ciegas’, siguiendo un esquema de muestreo estadísticamente válido y utilizando imágenes satelitales o aéreas de alta resolución, además de cualquier otro dato de campo existente proporcionado por socios locales. Para que coincida con la forma en que se usan nuestros mapas en las pruebas de ICE CoT, en las que se consideran los píxeles de ‘bosque núcleo’ ligeramente separados del borde, se excluyen de la evaluación los puntos muy cercanos al borde de los parches de bosque.

Nuestro objetivo es superar una precisión de comisión y omisión del 90 % tanto para la clase de bosque como para la de no bosque, con una precisión global superior al 95 %.

A menudo superamos esta cifra con creces, pero depende de los tipos de

vegetación y de la complejidad del paisaje. Por ejemplo, en un paisaje brasileño

con grandes bloques de bosque tropical y grandes campos de soya, con un tamaño promedio de desmonte de decenas de hectáreas, esperaríamos precisiones globales superiores al 99 %. Pero en un paisaje complejo con pequeños productores, pequeños parches de deforestación (<1 ha) y cultivos que contienen árboles (p. ej., cacao), esos niveles de precisión no son alcanzables y deben considerarse con sospecha.

Gracias a nuestros métodos avanzados (que combinan varios tipos de datos satelitales) y

al conocimiento local, es posible lograr precisiones de comisión y omisión superiores al 90 % incluso en estos paisajes complejos.

Las pruebas que ICE CoT realiza con nuestros mapas se basan en la precisión de nuestros mapas, en el conocimiento de que los errores en los mapas se concentran especialmente en los bordes de los bosques y de las áreas de deforestación, y en la probable precisión de los equipos GPS de campo que se usan para mapear los límites de los terrenos.

Camboya es un paisaje con altas tasas de deforestación, donde la mayor parte del desmonte es a pequeña escala para diversos cultivos, incluidos cultivos arbóreos como la palma de aceite, el caucho y la nuez de betel. El bosque es una mezcla compleja de bosque seco, húmedo y muy húmedo, que incluye zonas pantanosas y manglares.

Como caso de estudio, resumimos a continuación los resultados de un mapa de cobertura del suelo de 2020 que Space Intelligence elaboró como parte de un conjunto de mapas que estudian la dinámica de la cobertura del suelo del país durante más de 13 años. Los mapas muestran una alta precisión y muy poca confusión entre bosque y no bosque, y logramos excluir de la clase de bosque las plantaciones madereras, los cultivos arbóreos y las plantaciones de caucho, tal como se requeriría en una evaluación del EUDR.

Tabla 1: Precisiones temáticas de la línea de base forestal de Camboya de Space Intelligence para 2023, evaluadas de forma independiente con un diseño de muestreo probabilístico, que muestran una alta precisión global y también un bajo nivel de confusión entre las clases. Todos los valores incluyen el intervalo de confianza del 95 %.

Figura 1: Un subconjunto de la línea de base forestal de Camboya de Space Intelligence, que muestra el bosque en verde, el no bosque en negro y el agua en azul. Los puntos rojos son algunos de los miles de puntos aleatorios de evaluación de la precisión utilizados para evaluar la precisión del mapa.

La precisión puede evaluarse de varias maneras, pero el único enfoque que ofrece una evaluación significativa de la precisión de un píxel aleatorio en el mapa resultante es el enfoque 4. Es el enfoque que utiliza Verra en la nueva Consolidated REDD+ Methodology (VM0048) y el que recomiendan las guías de buenas

prácticas1-3, pero no siempre lo siguen las empresas interesadas en exhibir estadísticas de alta precisión.

Enfoque 1: Una comparación de los datos de entrenamiento de entrada (normalmente polygons trazados a simple vista con clases como ‘bosque’ o ‘no bosque’) con el mapa resultante. Normalmente, la unidad utilizada es la proporción de píxeles clasificados correctamente (‘precisión global’), y la unidad de evaluación son los píxeles individuales, no los polygons completos.

Evaluación: Aunque es común, este método no es científicamente apropiado, ya que no hay independencia entre los conjuntos de datos de prueba y de entrenamiento.

Otro problema es el uso de píxeles en lugar de polygons como base de la comparación. Los píxeles vecinos (por ejemplo, todos los píxeles que forman un terreno desmontado dentro de un bosque) se tratan como muestras independientes, cuando en realidad son vecinos y comparten muchas más características que dos píxeles aleatorios del mapa resultante.

Por ambas razones, inevitablemente sobreestimará la precisión.

Enfoque 2: Una comparación similar del mapa resultante con polygons, pero usando polygons producidos de forma independiente que no se usaron para entrenar el mapa. Normalmente, la unidad utilizada es la proporción de píxeles clasificados correctamente (‘precisión global’), y la unidad de evaluación son los píxeles individuales, no los polygons completos.

Evaluación: Comparte el problema anterior de tratar como independientes píxeles vecinos que no lo son, lo que sobreestima la precisión

Enfoque 3: Uso de datos recopilados in situ (datos de campo).

A menudo se propone que los datos de campo son el ‘estándar de oro’ de los datos de validación, y se asume que tienen mayor precisión que otras fuentes de datos.

Evaluación: Sin embargo, debido a la accesibilidad y a su elevado costo en comparación, por ejemplo, con la interpretación de datos de teledetección de alta resolución, el reducido tamaño de la muestra y la pequeña proporción del área disponible para el muestreo hacen que sus resultados no puedan extrapolarse de forma confiable a grandes regiones.

También tiende a tener sesgo espacial, lo que puede ser un problema al evaluar productos de cobertura del suelo, ya que las áreas accesibles suelen estar más perturbadas.

Enfoque 4: La evaluación independiente de un conjunto de puntos aislados, distribuidos sobre todo el mapa resultante mediante un enfoque de muestreo estadísticamente válido (normalmente una cuadrícula o una muestra aleatoria estratificada).

Evaluación: este enfoque proporciona una evaluación confiable de la precisión de las distintas clases de un mapa y de los intervalos de confianza de esa evaluación. Se pueden agregar más puntos de forma estadísticamente válida hasta que los intervalos de confianza de la evaluación de la precisión sean lo suficientemente estrechos para cumplir los requisitos.