Derivación indirecta de la distribución espacial y estado de desarrollo de los bosques secundarios en Costa Rica usando imágenes satelitales de mediana resolución espacial. Documento I

Abstract

El objetivo de la presente investigación fue desarrollar una técnica indirecta para conocer la distribución espacial y estado de desarrollo de bosques secundarios usando sensores remotos de mediana resolución. La metodología fue probada en un sector de la Zona Huetar Norte de Costa Rica. Se realizó la clasificación de imágenes satelitales Landsat y Sentinel-2 de diferentes años: 2000, 2005, 2010 y 2017/2018. Se comparó la ubicación de las masas boscosas por año y se efectuó una reclasificación de las áreas donde se presentó ganancia de cobertura arbórea (bosques nuevos) identificándose cuáles de estas representan bosques secundarios. Se validaron los resultados y las exactitudes obtenidas se utilizaron como variables respuesta de un ANOVA. El método OBIA supera a MLC en la identificación de los bosques nuevos (pvalue=0,035). El mes de la imagen influye en la exactitud del productor ya que produce una interacción con el método (pvalue= 0,027) y con el tipo de imagen (pvalue= 0,008). También se produce una interacción mes-imagen para la exactitud del usuario (pvalue= 0,042) y la exactitud general de la clase de bosques secundarios (pvalue= 0,012). La tendencia muestra que el mejor método para cuantificar y ubicar los bosques secundarios es la clasificación de imágenes Sentinel-2 de los meses de junio y julio mediante Análisis Basado en Objetos (OBIA).

The objective of the present investigation was to develop an indirect technique to know the spatial distribution and development status of secondary forests using medium resolution remote sensors. The methodology was tested in a sector of the Northern Huetar Zone of Costa Rica. Landsat and Sentinel-2 images were classified for different years: 2000, 2005, 2010, 2017, and 2018. The location of the forest stands per year was compared and a reclassification of the areas where there was a gain in tree cover (new forests) was carried out, identifying which of these represent secondary forests. Results were validated and the accuracies obtained were used as ANOVA response variables. The OBIA method outperforms MLC in identifying new forests (pvalue = 0.035). The month of the image influences the accuracy of the producer since it produces an interaction with the method (pvalue = 0.027) and with the image type (pvalue = 0.008). A month-image interaction also occurs for user accuracy (pvalue = 0.042) and overall accuracy of secondary forest class (pvalue = 0.012). The trend shows that the best method to quantify and locate secondary forests is the classification of Sentinel-2 images for the months of June and July using Object Based Analysis (OBIA).