¿Qué tan preciso es suficientemente preciso? Cómo examinar los datos sobre el cambio de cobertura arbórea a nivel mundial de GLAD (Parte 2)

La Parte 1 de este blog está disponible aquí. En la Parte 1 de la serie de blogs sobre la precisión de los datos de cobertura arbórea de GLAD explicamos dos evaluaciones diferentes de precisión de los datos de pérdida y ganancia de la cobertura arbórea mundial producidas por el Dr. Matt Hansen y sus colaboradores del grupo Global Land Analysis and Discovery (GLAD) de la Universidad de Maryland, Google, el Servicio de Estudios Geológicos de los Estados Unidos (USGS, por sus siglas en inglés) y la Administración Nacional de Aeronáutica y del Espacio (NASA, por sus siglas en inglés). En la actualidad, indagaremos en los factores que aumentan los errores y cómo afectan el uso de los datos.

¿Qué ocasiona errores en los datos?

Los errores son inevitables en los datos que intentan simplificar el mundo, en el caso de los datos de cobertura arbórea mundial de GLAD en categorías de pérdida arbórea, ganancia y sin cambios. Para la mayoría de las mediciones, los datos de “pérdida” de GLAD presentan tasas de error menores que los conjuntos de datos similares. Por ejemplo, los datos recientes sobre la cobertura de tierra y el cambio forestal en la década de 1990 obtenidos de Landsat mostraron tasas de error del 21 % y el 17 % respectivamente. Sin embargo, hay algunas áreas en los datos de GLAD en las que las tasas de error son del 20 % o incluso mayores. Las tasas de error más elevadas se pueden deber a diferentes factores, que incluyen:

• El dosel de cobertura arbórea de baja densidad, como el encontrado en el biomedio subtropical, que dificulta la detección de la pérdida ya que el cambio de la cobertura arbórea en un terreno descubierto es menos notable que en un bosque denso.

• Desmontes a pequeña escala, como los que predominan en África subsahariana, que son más propensos a omisión o subestimación por parte del conjunto de datos ya que tienen más límites en comparación con su área. Los píxeles en los límites de los desmontes generalmente se ven borrosos en las imágenes satelitales, por lo que los datos omiten una gran cantidad de “pérdida” en estas áreas pequeñas.

• Cambios graduales, como ganancia en la cobertura arbórea, que son más difíciles de detectar que los cambios repentinos.

También es importante recordar la escala evaluada en estos estudios. Ambos evaluaron la precisión de los datos para regiones o continentes grandes, pero no para áreas locales. Esto significa que si bien podemos confiar en que los datos son ampliamente precisos a escala mundial o regional, no podemos decir nada sobre la precisión de una ubicación específica.

¿Qué tan preciso es suficientemente preciso? Depende

Sabemos que los datos de GLAD no son perfectos, y que las tasas de error varían incluso entre regiones y biomedios, pero esto todavía no nos indica si los datos son lo suficientemente precisos para brindarnos una perspectiva sobre cómo están cambiando los bosques del mundo. La respuesta: depende de dónde se esté mirando y cómo se quieran usar los datos. Al momento de decidir si resulta apropiado usar los datos para sus necesidades, el primer paso es comprender la precisión de los datos. ¡Felicitaciones! Ya dio el primer paso al comenzar a leer esta serie. El próximo paso es determinar cómo la precisión y los posibles errores pueden afectar su aplicación específica. La pregunta de si los datos son lo suficientemente precisos será diferente para cada caso, pero aquí le presentamos algunas reglas generales:

• Investigue las tendencias y los patrones a grandes escalas: las tasas de error a nivel mundial son relativamente bajas en comparación con datos similares, por lo que podemos usar los datos con confianza para examinar tendencias y los patrones a grandes escalas (por ejemplo, mundial, regional, nacional).

• Use promedios de 3 años: debido a la falta de certezas de un año a otro, recomendamos usar promedios de 3 años. Las nubes literalmente se interponen con lo que los satélites pueden “ver”, en especial en los trópicos húmedos donde las nubes pueden bloquear la vista durante gran parte del año. Eso significa que, ocasionalmente, se pueden talar o quemar árboles por debajo de la obstrucción que generan las nubes y eso podría no detectarse hasta el año siguiente. Los usuarios de los datos pueden reducir esa falta de certeza al examinar el promedio durante varios años.

• Evalúe áreas generales de pérdida: si bien no se evaluó la precisión a escalas locales, sabemos que la mayor parte de la “pérdida” ocurre en los límites, y esto nos permite usar los datos con confianza para identificar el área general de la pérdida a nivel local.

• Tenga precaución con las mediciones locales: no obstante, realizar mediciones precisas a nivel local (por ejemplo, hectáreas de pérdida de cobertura arbórea, carbono emitido a partir de la deforestación) requiere más información sobre la precisión en esa ubicación en particular. Por ejemplo, a través del conocimiento del contexto local, las imágenes satelitales, la comparación con otros datos sobre cambio forestal, etc.

• Nivele su confianza con la precisión: evite realizar aseveraciones enfáticas en función de datos poco precisos (es decir, áreas con baja densidad de dosel, ganancia de cobertura arbórea, etc.).

Si tiene preguntas sobre su caso, puede comunicarse con nuestra comunidad a través del Foro de debate de GFW, dónde otros usuarios discuten las fortalezas y limitaciones de los datos.

Los datos de GLAD en contexto

Aunque no sin errores, los datos de GLAD siguen siendo el mejor conjunto de datos sobre pérdida de cobertura arbórea a nivel mundial, con una metodología uniforme en todo el mundo que permite seguir las tendencias globales, como también una resolución lo suficientemente elevada para monitorear y descubrir áreas locales de pérdida de cobertura arbórea, como en las arenas alquitranadas de Canadá o para la producción de cacao en Perú. Los datos representan un avance importante en los datos previos a nivel mundial sobre el cambio forestal: gran parte se basa en datos de baja resolución espacial (250 o 500 metros), mientras que otra parte (como la evaluación de los recursos forestales de la FAO) no es espacialmente explícita ni se actualiza con frecuencia. En general, los datos locales cuentan con tasas de error bajas, ya que están enfocados a ese contexto en particular, pero su producción es costosa y pocas veces están disponibles en forma anual. Los datos sobre el cambio en la cobertura arbórea de GLAD no son una representación perfecta de la pérdida o ganancia de cobertura arbórea, y existen algunos aspectos de los datos con altas tasas de error. No obstante, es la mejor información disponible sobre el cambio en la cobertura arbórea a escala mundial y se puede acceder de forma gratuita en Global Forest Watch. Esperamos que al explicar la precisión de los datos y alentar a que se tengan en cuenta las tasas de error antes de la aplicación podamos permitirles a nuestros usuarios sacar las conclusiones adecuadas que puedan desafiar la deforestación “habitual” en todo el mundo.