Análisis de la cobertura boscosa del Parque Nacional Tingo María (Perú) utilizando el algoritmo random forest

Ronald  Puerta; José  Iannacone

doi:10.17268/sci.agropecu.2023.025

Autores/as

Ronald Puerta Escuela Profesional de Ingeniería en Recursos Naturales Renovables. Universidad Nacional Agraria de la Selva, Tingo María.
José Iannacone Laboratorio de Ecología y Biodiversidad Animal (LEBA). Grupo de Investigación de Sostenibilidad Ambiental (GISA). Escuela Universitaria de posgrado (EUPG). Universidad Nacional Federico Villarreal (UNFV), Lima.

DOI:

https://doi.org/10.17268/sci.agropecu.2023.025

Palabras clave:

Alto Huallaga, área natural protegida, fragmentación, Sentinel-2, tasa de cambio

Resumen

El establecimiento de áreas naturales protegidas es una de las estrategias más efectivas para conservar los bosques y su biodiversidad, sin embargo; el avance descontrolado de la deforestación producto del cambio de uso para ampliar la frontera agrícola se ha convertido en una amenaza para estas áreas intangibles. La investigación tuvo como objetivo analizar la dinámica de la cobertura boscosa del Parque Nacional Tingo María (PNTM) y su zona de amortiguamiento (ZA) ubicados en la selva alta de la región Huánuco - Perú. Para lo cual se utilizó como insumo principal imágenes Sentinel-2 que fueron clasificadas utilizando el algoritmo Random Forest. Como resultado, se obtuvo los mapas de cobertura de la zona de estudio que corresponde a los años 2017, 2019, 2021 y 2023 logrando una exactitud temática considerable. Durante los periodos de evaluación, las tasas de cambio de bosque a no bosque dentro del PNTM presentaron valores bajos -0,26% (2017 – 2019); -1,24% (2019 – 2021) y -0,02% (2021 – 2023). Mientras que los bosques de la ZA han sufrido una transición dinámica, con tasas de cambio de -2,97%; -4,39% y -1,15% derivado del cambio de uso de las tierras. Las métricas del paisaje sugieren que los bosques del PNTM se encuentran moderadamente fragmentados y los bosques de la ZA se encuentran fuertemente fragmentados, por lo que se concluye que el área natural protegida ha cumplido con el objetivo de mantener la cobertura vegetal.

Citas

Aguirre, J., Guerrero, E., & Campana, Y. (2021). How effective are protected natural areas when roads are present? An analysis of the Peruvian case. Environmental Economics and Policy Studies, 23(4), 831-859.

Bera, D., Chatterjee, N. D., Bera, S., Ghosh, S., & Dinda, S. (2023). Comparative performance of Sentinel-2 MSI and Landsat-8 OLI data in canopy cover prediction using Random Forest model: Comparing model performance and tuning parameters. Advances in Space Research, 71(11), 4691-4709.

Bonacic, C., Arévalo, C., Ibarra, J. T., & Laker, J. (2022). The Importance of Protected Areas in Mitigating Climate Change and Conserving Ecosystems in Latin America and the Caribbean. In The Food Security, Biodiversity, and Climate Nexus (pp. 35-53). Cham: Springer International Publishing.

Bratic, G., & Brovelli, M. A. (2022). Crowdsourcing for deforestation detection in the Amazon. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 43, 231-238.

Cengiz, A. V. C. I., Budak, M., Yağmur, N., & Balçik, F. (2023). Comparison between random forest and support vector machine algorithms for LULC classification. International Journal of Engineering and Geosciences, 8(1), 1-10.

Céspedes, J., Sylvester, J. M., Pérez-Marulanda, L., Paz-Garcia, P., Reymondin, L., Khodadadi, et al., (2022). Has global deforestation accelerated due to the COVID-19 pandemic?. Journal of Forestry Research, 1-13.

Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., & Böhner, J. (2015). System for Automated Geoscientific Analyses (SAGA) v. 2.1.4 [software]. Geoscientific Model Development, 8, 1991-2007.

Cotrina, A., Bandopadhyay, S., Rojas, N., Banerjee, P., Torres, C., & Oliva, M. (2021). Peruvian Amazon disappearing: Transformation of protected areas during the last two decades (2001–2019) and potential future deforestation modelling using cloud computing and MaxEnt approach. Journal for Nature Conservation, 64, 126081.

Da Ponte, E., Alcasena, F., Bhagwat, T., Hu, Z., Eufemia, L., Turetta, A., et al (2023). Assessing wildfire activity and forest loss in protected areas of the Amazon basin. Applied Geography, 157, 102970.

Eskandari, S., & Sarab, S. (2022). Mapping land cover and forest density in Zagros forests of Khuzestan province in Iran: A study based on Sentinel-2, Google Earth and field data. Ecological Informatics, 101727.

ESA. (2023). Copernicus. S-1, S-2, S-3: European Space Agency.

FAO. (1996). Forest resources assessment 1990. Survey of tropical forest cover and study of change processes.

FAO. (2022). El estado de los bosques del mundo 2022. Vías forestales hacia la recuperación verde y la creación de economías inclusivas, resilientes y sostenibles.

Fritz, S., Laso Bayas, J., See, L., Schepaschenko, D., Hofhansl, F., Jung, M., et al., (2022). A continental assessment of the drivers of tropical deforestation with a focus on protected areas. Frontiers in Conservation Science, 3, 13.

Gutkin, N., Uwizeyimana, V., Somers, B., Muys, B., & Verbist, B. (2023). Supervised Classification of Tree Cover Classes in the Complex Mosaic Landscape of Eastern Rwanda. Remote Sensing, 15(10), 2606.

Hänggli, A., Levy, S., Armenteras Pascual, D., Bovolo, I., Brandao, J., Rueda, X., & Garrett, R. D. (2023). A systematic comparison of deforestation drivers and policy effectiveness across the Amazon biome. Environmental Research Letters.

IGNE. (2020). El programa Copernicus para la monitorización del territorio y los objetivos del desarrollo sostenible. Centro Nacional de Información Geográfica.

Jaramillo, J., Rivas, C., Oteros, J., & Navarro-Cerrillo, R. (2023). Forest Fragmentation and Landscape Connectivity Changes in Ecuadorian Mangroves: Some Hope for the Future? Applied Sciences, 13(8), 5001.

Jia, M., Wang, Z., Mao, D., Ren, C., Song, K., Zhao, C., et al (2023). Mapping global distribution of mangrove forests at 10-m resolution. Science Bulletin.

Karra, K., Kontgis, C., Statman-Weil, Z., Mazzariello, J., Mathis, M., & Brumby, S. P. (2021). Global land use/land cover with Sentinel 2 and deep learning. In 2021 IEEE international geoscience and remote sensing symposium IGARSS (pp. 4704-4707). IEEE.

Landis, J., & Koch, G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33, 159- 174.

Maso, J., Zabala, A., & Serral, I. (2023). Earth Observations for Sustainable Development Goals. Remote Sensing, 15(10), 2570.

Mastrorosa, S., Crespi, M., Congedo, L., & Munafò, M. (2023). Land Consumption Classification Using Sentinel 1 Data: A Systematic Review. Land, 12(4), 932.

Mi, C., Ma, L., Yang, M., Li, X., Meiri, S., et al. (2023). Global Protected Areas as refuges for amphibians and reptiles under climate change. Nature Communications, 14(1), 1389.

MINAM. (2023). Bosques y pérdida de bosques. Geobosques.

MINAM. (2014). Protocolo: Evaluación de la Exactitud Temática del Mapa de Deforestación. Dirección General de Ordenamiento Territorial. Primera Edición. Lima, Perú. pp. 13-32.

Moharram, M., & Sundaram, D. (2023). Land Use and Land Cover Classification with Hyperspectral Data: A comprehensive review of methods, challenges and future directions. Neurocomputing.

Peptenatu, D., Andronache, I., Ahammer, H., Radulovic, M., Costanza, J., Jelinek, H., et al., (2023). A new fractal index to classify forest fragmentation and disorder. Landscape Ecology, 1-21.

Pérez-Cutillas, P., Pérez-Navarro, A., Conesa-García, C., Zema, D. A., & Amado-Álvarez, J. P. (2023). What is going on within google earth engine? A systematic review and meta-analysis. Remote Sensing Applications: Society and Environment, 29, 100907.

Pham-Duc, B., Nguyen, H., Phan, H., & Tran-Anh, Q. (2023). Trends and applications of google earth engine in remote sensing and earth science research: a bibliometric analysis using scopus database. Earth Science Informatics, 1-17.

Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V. R., Murayama, Y., & Ranagalage, M. (2020). Sentinel-2 data for land cover/use mapping: A review. Remote Sensing, 12(14), 2291.

Rojas, E., Zutta, B. R., Velazco, Y. K., Montoya-Zumaeta, J. G., & Salvà-Catarineu, M. (2021). Deforestation risk in the Peruvian Amazon basin. Environmental Conservation, 48(4), 310-319.

SERNANP. (2023). Lista Oficial de las Áreas Naturales Protegidas. Servicio Nacional de Áreas Naturales Protegidas.

SERNANP. (2022). Plan Maestro 2022-2026 del Parque Nacional Tingo María. Servicio Nacional de Áreas Naturales Protegidas. 61 p.

Song, X. P. (2023). The future of global land change monitoring. International Journal of Digital Earth, 16(1), 2279-2300.

Sousa, M. V., Melo, S. N., Souza, J. C., Silva, C. F., Feitosa, Y., & Matias, L. F. (2023). Importance of Protected Areas by Brazilian States to Reduce Deforestation in the Amazon. ISPRS International Journal of Geo-Information, 12(5), 190.

Tafur, V., Esenarro, D., Guillen, R., & Reyna, S. (2022). Deforestation in Peru and strategic plan for its reduce Amazonian forests. 3c Tecnología: glosas de innovación aplicadas a la pyme, 11(1), 97-111.

Tariq, A., Jiango, Y., Li, Q., Gao, J., Lu, L., Soufan, W., et al (2023). Modelling, mapping and monitoring of forest cover changes, using support vector machine, kernel logistic regression and naive bayes tree models with optical remote sensing data. Heliyon, 9(2).

Toosi, N. B., Soffianian, A. R., Fakheran, S., & Waser, L. T. (2022). Mapping disturbance in mangrove ecosystems: Incorporating landscape metrics and PCA-based spatial analysis. Ecological Indicators, 136, 108718.

Waldeland, A. U., Trier, Ø. D., & Salberg, A. B. (2022). Forest mapping and monitoring in Africa using Sentinel-2 data and deep learning. International Journal of Applied Earth Observation and Geoinformation, 111, 102840.

Zhang, C., Liu, Y., & Tie, N. (2023). Forest Land Resource Information Acquisition with Sentinel-2 Image Utilizing Support Vector Machine, K-Nearest Neighbor, Random Forest, Decision Trees and Multi-Layer Perceptron. Forests, 14(2), 254.

Zhen, S., Zhao, Q., Liu, S., Wu, Z., Lin, S., Li, J., & Hu, X. (2023). Detecting Spatiotemporal Dynamics and Driving Patterns in Forest Fragmentation with a Forest Fragmentation Comprehensive Index (FFCI): Taking an Area with Active Forest Cover Change as a Case Study. Forests, 14(6), 1135.