Ministerio de Ganadería, Agricultura y Pesca

3. Clasificación de Especies Forestales

De acuerdo con los requerimientos del CTFM, se dividió el país en tres zonas, con características de forestación relativamente similares y se efectuó la identificación y clasificación de plantaciones forestales para cada una de estas zonas. Finalmente se unieron los resultados de las 3 zonas y se generaron las capas correspondientes.

3.1.         Determinación de Áreas Forestadas      

El primer paso consistió en la clasificación de las áreas de forestación para cada una de las zonas que comprenden el área de estudio. Para lograr esto se ejecutó una Clasificación Supervisada mediante el algoritmo de Support Vector Machine (SVM) que utiliza conceptos de Inteligencia Artificial. La herramienta de clasificador de SVM ofrece varias ventajas, en comparación con los métodos de clasificación tradicionales:

• Permite manejar imágenes segmentadas muy grandes cuya tabla de atributos puede llegar a ser bastante grande, algo que resulta especialmente útil en imágenes de alta resolución.

• Es menos susceptible al ruido, a las bandas correlacionadas y al desequilibrio entre la cantidad o el tamaño de los sitios de formación dentro de cada clase.

El algoritmo de SVM permite efectuar clasificaciones supervisadas mediante dos enfoques: orientada a pixeles o a objetos. El primero constituye la aproximación clásica en donde cada píxel se clasifica sin tomar en consideración los pixeles circundantes ni su localización espacial.

El proceso de extracción de entidades orientado a objetos es un flujo de trabajo que se utiliza en las herramientas y que abarca tres áreas funcionales principales: la segmentación de imágenes, la derivación de información analítica sobre los segmentos y la clasificación. La salida de datos de una herramienta se convierte en la entrada para otras herramientas, donde el objetivo es obtener un mapa de clase de entidades orientado a objetos significativos. El proceso orientado a los objetos es similar al proceso tradicional de clasificación de imágenes basado en píxeles, en el que se utilizan técnicas de clasificación supervisadas y no supervisadas. En lugar de clasificar los píxeles, el proceso clasifica segmentos, que se pueden interpretar como superpíxeles. Cada segmento, o superpíxel, se representa mediante un conjunto de atributos que se utiliza en las herramientas del clasificador para obtener la imagen clasificada.

Se determinaron 7 coberturas principales del Terreno: Forestación, Monte Nativo, Urbano, Agua, Suelo Desnudo, Cultivos y Pradera. La selección de la cantidad de clases de coberturas es un factor clave en la diferenciación espectral de las clases informacionales generadas por el algoritmo de Clasificación Supervisada SVM.

Utilizando la herramienta de generación de muestras de capacitación se generaron 3143 polígonos de las distintas coberturas del área de estudio. Posteriormente se dividieron en 2457 muestras de capacitación o entrenamiento y 686 polígonos de validación para la elaboración de la matriz de confusión. A continuación, se presenta la distribución por clase de las 3143 muestras.

Figura 5. Distribución de las muestras de entrenamiento para todo el país.

Con respecto a los parámetros del algoritmo, se utilizó una clasificación SVM orientada a objetos con una imagen segmentada con un detalle espacial y espectral de 18, un segmento mínimo de 20 pixeles y utilizando 800 puntos de muestreo por cada una de las 7 clases generadas. A continuación, se muestran las firmas espectrales de las coberturas generadas.

Figura 6. Firmas Espectrales tipo de las coberturas del terreno.

Como se aprecia en el gráfico, las firmas espectrales del Monte Nativo y Forestación son muy similares, por lo que se utilizaron los atributos del segmento de compactación y rectangularidad para mejorar la clasificación. Posteriormente se efectuó una revisión y reclasificación manual para mejorar la exactitud de la clasificación.

Luego, se efectúa la evaluación cuantitativa con los polígonos de validación generados previamente. Para esto se genera una matriz de confusión que es una tabla de dimensión NxN, donde N es el número de clases definido por el usuario, las columnas corresponden a los valores observados y los de las filas (en el mismo orden) a los predichos por la clasificación. Para evaluar el grado de confiabilidad de la clasificación se calculan una serie de indicadores que evalúan el error de omisión (subestimación de los píxeles que realmente deberían pertenecer a una clase), el error de comisión (sobrestimación de los píxeles que realmente deberían pertenecer a una clase), y el error o fiabilidad total del proceso (Paruelo, 2008). En este sentido la matriz generada de la clasificación supervisada arrojó los siguientes resultados:

Tabla 1. Firmas Espectrales de las coberturas del terreno para todo el país.

Se observan exactitudes bastante altas para la mayoría de las clases, exceptuando la clase de cultivos (72% en promedio) en la cual se presentan falsos positivos con las clases de Monte Nativo y Forestación. Sin embargo, debido a que está clasificación se efectuó para extraer la clase de Forestación, la confusión entre las clases de Cultivos con Monte Nativo no afecta los resultados. La exactitud global de la clase de Forestación (promedio entre la exactitud del productor y la del usuario) es de 91,6%.

Posteriormente se reclasificó el ráster generado para extraer solo la clase asignada a la Forestación y se vectorizaron los resultados para generar los polígonos de los rodales de las plantaciones forestales. Se suavizaron los polígonos para ajustarse a la forma característica de las plantaciones forestales.

Figura 7. Ejemplo de Polígonos de Plantaciones Forestales clasificadas del Proyecto 2024.

3.2.        Determinación de Áreas de Cambio y nuevas a partir de la Forestación 2021       

La metodología para determinar el Estrato de Uso forestal cuya superficie esté cosechada o recién plantada (reforestaciones y campos nuevos), se enfoca en la comparación de la Cartografía Forestal del Uruguay elaborada en 2021 con imágenes Sentinel 2 de finales de 2020, con las imágenes de finales de 2023 y principios de 2024 del Proyecto de Cartografía Forestal Nacional 2024. Considerando que las plantaciones forestales son cultivos con ciclos de larga duración que puede llegar a los 10 años para las plantaciones destinadas a la producción de pulpa para papel y hasta 25 años para las plantaciones para producir madera aserrada (INIA, 2006), es adecuado considerar que solo una fracción de las plantaciones cartografiadas en 2021 han cambiado su uso, bien sea por cosecha y/o resiembra, así como por la incorporación de áreas nuevas por siembra.

En función de lo anterior, el flujo de trabajo implementado consistió, en primer lugar, en determinar las áreas de cambios relevantes dentro de la capa de áreas forestadas 2021 en comparación con las imágenes del proyecto de Cartografía Forestal de 2024. Esto se hace uniendo las capas de Especie Forestales de 2021 + Estrato Uso Forestal 2021 + Áreas Forestación 2024, obteniendo una capa que contiene la totalidad de los polígonos de forestación en 2021 o en 2024.

Posteriormente, se extrajeron por mascara las áreas de forestación en los mosaicos Sentinel 2 de 2021 y de 2024, con la finalidad de comparar temporalmente los cambios entre fechas. La variable comparada para ambos periodos de tiempo fue el Índice de Verdor Normalizado (NDVI, por sus siglas en ingles). Dentro de dichas áreas los cambios pueden ser explicados por las siguientes posibilidades:

• Cosecha de áreas forestadas en 2021.
• Cosecha y posterior reforestación de áreas forestadas en 2021.
• Nuevas plantaciones: con siembra posterior a 2021.
• Plantaciones jóvenes o menores a 3 años: aquellas plantaciones o reforestaciones ya existentes en el estrato forestal 2021, pero que aún no es posible determinar la especie forestal correspondiente.
• Disminución de NDVI por enfermedades, incendios, sequias, etc. En este caso se determinarán los umbrales significativos para que dichas detecciones no sean clasificadas como áreas de cambio.
• Los polígonos de Especies Forestales del Proyecto Nacional Forestación de 2021 sin cambio significativo en el NDVI en el año 2024 son tomados como áreas de forestación sin cambio, es decir, se mantiene la especie forestal asignada en el Proyecto Nacional de Cartografía Forestal 2021.

Las áreas de cambio se obtienen mediante la diferencia del mosaico 2023-24 menos el mosaico 2021, para luego determinar los umbrales de cambio positivo (forestación) y negativo (cosecha). Los polígonos de cambios relevantes determinados en este paso fueron extraídos y vectorizados.

Figura 8. Ejemplo de Cuantificación de Cambio mediante comparación Multitemporal de NDVI en la Zona Sur y Sureste.

Con respecto a las áreas nuevas de forestación, utilizando las imágenes Sentinel 2 de finales de 2023 y principios de 2024, se extrajeron por mascará las áreas sin forestación para el año 2021 y se efectuó una clasificación supervisada de coberturas generales del terreno, para determinar las áreas de bosques nuevas para 2021. Posteriormente se aplicaron las técnicas de clasificación de especies para obtener las especies o estratos forestales requeridos por el cliente.

En resumen, de acuerdo con la clasificación del estrato de uso forestal 2021, pueden obtenerse las siguientes categorías:

De acuerdo con los términos de referencia, el estrato de uso forestal: Plantaciones Jóvenes y Áreas cosechadas se clasificaron de la siguiente manera:

-              Bosque Cosechado

-              Nueva Plantación

-              Reforestación.

Posterior a la determinación de las zonas de cambio positivo (forestación) y negativo (cosecha) significativo entre 2021 y 2024, se efectuó una revisión manual de los polígonos generados con la finalidad de determinar las 3 clases definidas. A continuación, se presentan los resultados del análisis de los estratos forestales para todo el país.

Figura 9. Estrato Uso Forestal 2021-2024 para todo el Uruguay.

Los resultados del análisis dan una superficie cosechada de 92.898 ha a finales 2023/principios 2024 con respecto a la imagen Sentinel 2 de principios de 2021, así como una superficie reforestada de 120.624 ha y 52.578 ha de nuevas plantaciones.

3.3.         Clasificación de Especies Forestales       

Debido a la similar respuesta espectral entre algunas de las especies forestales consideradas, se requiere la utilización de avanzados algoritmos de clasificación de imágenes, basados en las firmas espectrales de las imágenes. Uno de los más novedosos algoritmos de Clasificación Supervisada es el Clasificador de Máquina de Vectores de Soporte (Support Vector Machine, o SVM) que proporciona un método de clasificación potente y moderno que permite manejar una entrada de Raster segmentado o una imagen estándar.

Para la obtención de las muestras de capacitación y entrenamiento se utilizaron imágenes de muy alta resolución (WorldView-04, Pleiades Neo, Ortomosaico IDEuy), junto con el conocimiento técnico de un especialista en el área forestal, para la generación de polígonos con las distintas especies forestales. En este sentido, la utilización de polígonos de capacitación en lugar de puntos (técnica tradicional) representa una gran ventaja, ya que además de proporcionar una mayor cantidad de pixeles para el entrenamiento, suministra una mejor variabilidad espectral y espacial de las distintas coberturas. Esto es una gran ventaja, ya que debido a condiciones particulares presentes en cada una de las áreas (suelos, humedad, nutrientes), una misma plantación o monte nativo, presenta ligeras variaciones espaciales en los valores de reflectancia de los pixeles que la componen.

Posterior a la clasificación digital, se procedió a efectuar una revisión y reclasificación manual de algunos de los polígonos de especies forestales, principalmente para reducir el error por falsos positivos (error de comisión) y falsos negativos (error de omisión). Adicionalmente, se mejoró la clasificación, en aquellos rodales en donde por condiciones particulares del mismo (estado de salud, contenido de agua, rodalización, etc), la firma espectral no coincidía con la especie correspondiente.

En conclusión, la clasificación digital de especies forestales mediante el algoritmo de SVM en la República Oriental de Uruguay, aunado al trabajo manual de reclasificación y corrección, arrojó los siguientes resultados:

Figura 10. Superficie de Plantaciones Forestales por Especie en la República Oriental del Uruguay.

La superficie total de plantaciones forestales con especie definida resultante se presenta en el siguiente cuadro:

Cabe acotar que, si bien en los TDR no se solicitaba la clasificación de la especie “Eucalyptus benthamii”, ya que la misma quedaba inserta dentro de “Otros Eucalyptus”, se logró hacer dicha diferenciación, por lo que se agregó como una nueva especie.

Con respecto a la validación de los datos, se elaboró una matriz de confusión a partir de 1507 puntos de verdad terrestre con las distintas coberturas de especies forestales, obteniéndose una exactitud global de 95%.

La superficie total destinada a forestación es de 1:161.850 hectáreas, resultado de la sumatoria de la superficie de especies forestales con especie definida, más la superficie de bosques cosechados, nuevas plantaciones y/o reforestaciones.