UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA FACULTAD DE RECURSOS NATURALES RENOVABLES ESCUELA PROFESIONAL DE INGENIERÍA EN RECURSOS NATURALES RENOVABLES ANÁLISIS DE LA DEFORESTACIÓN DE LOS AÑOS 2016 Y 2022 EN EL DISTRITO CASTILLO GRANDE, HUÁNUCO, PERÚ Tesis Para optar el título profesional de: INGENIERO EN RECURSOS NATURALES RENOVABLES PRESENTADO POR: RAI FAJARDO GAMARRA Tingo María – Perú 2023 UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA FACULTAD DE RECURSOS NATURALES RENOVABLES ESCUELA PROFESIONAL DE INGENIERÍA EN RECURSOS NATURALES RENOVABLES ANÁLISIS DE LA DEFORESTACIÓN DE LOS AÑOS 2016 Y 2022 EN EL DISTRITO CASTILLO GRANDE, HUÁNUCO, PERÚ Autor : Rai Fajardo Gamarra Asesor (es) : MSc. Ronald Hugo Puerta Tuesta Eje temático : Monitoreo de la deforestación y adaptación al cambio climático Programa de investigación : Valorización de la biodiversidad, recursos naturales y biotecnología Línea de investigación : Manejo del paisaje, gobernanza y adaptación al cambio climático Eje temático : Monitoreo de la deforestación y adaptación al cambio climático Duración del trabajo : 6 meses Financiamiento : S/ 1 130,14 Tingo María – Perú 2023 DEDICATORIA A Dios quien siempre me sostiene en su gracia y misericordia. A mamá Norma y papá Miguel por todo su apoyo en todas las áreas de mi vida y por ser los mejores padres del mundo. A Esthefany, mi enamorada que me ayudó en todo y me sigue bendiciendo cada día con su vida, y sobre todo edificando en cada área de mí, retándome y apoyándome desde el primer día que nos conocimos. A mis profesores de la Facultad de Recursos Naturales Renovables; en especial a la Escuela Profesional de Recursos Naturales Renovables, por impartir sus conocimientos, dando formación con capacidad técnica y profesional A los ingenieros Ronald Puerta y Frits Palomino, docentes que me motivaron y ayudaron a descubrir y amar esta maravillosa carrera y la investigación; siempre aprendí y seguiré aprendiendo algo nuevo con sus personas. A los ingenieros Jimmy Pinedo y Nino Bravo por brindarme y compartirme sus conocimientos en el mundo del SIG y Teledetección, sin sus enseñanzas no hubiera sido posible realizar esta investigación. A Edwin Flores y Kadu Alva por su amistad y apoyo académico y moral en todo este tiempo que nos conocemos. ÍNDICE Página I. INTRODUCCIÓN ...................................................................................................... 1 II. REVISIÓN DE LITERATURA .................................................................................. 3 2.1. Marco teórico ....................................................................................................... 3 2.1.1. Teledetección.............................................................................................. 3 2.1.2. Análisis multitemporal ................................................................................ 3 2.1.3. Google Earth Engine (GEE) ........................................................................ 4 2.1.4. Planet ...................................................................................................... 4 2.1.5. Índice de Kappa .......................................................................................... 5 2.1.6. Clasificación de imágenes satelitales ........................................................... 6 2.1.7. Algoritmos de clasificación supervisada ..................................................... 6 2.1.8. Clasificación supervisada ............................................................................ 7 2.1.9. Sentinel 2 .................................................................................................... 7 2.1.10. Verificación de los mapas de deforestación ............................................... 9 2.1.11. Deforestación .......................................................................................... 10 2.1.12. Bosque .................................................................................................... 10 2.2. Estado del arte .................................................................................................... 11 2.2.1. Estado del arte internacional ..................................................................... 11 2.2.2. Estado del arte nacional ............................................................................ 15 III. MATERIALES Y MÉTODOS .................................................................................. 21 3.1. Lugar de ejecución ............................................................................................. 21 3.1.1. Ubicación geográfica ................................................................................ 21 3.1.2. Ubicación política ..................................................................................... 21 3.1.3. Características climáticas .......................................................................... 21 3.1.4. Zona de vida ............................................................................................. 22 3.2. Material y métodos ............................................................................................. 22 3.2.1. Materiales y equipos ................................................................................. 22 3.2.2. Metodología ............................................................................................. 22 3.2.3. Tipo de investigación ................................................................................ 24 3.2.4. Técnicas e instrumentos de recolección de datos ....................................... 26 IV. RESULTADOS Y DISCUSIÓN ............................................................................... 27 4.1. Exactitud temática de la clasificación de los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 ..................... 27 4.2. Superficie deforestada de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco,Perú ..................................................................................... 29 4.3. Tasa de deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco,Perú ................................................................................... 33 V. CONCLUSIONES .................................................................................................... 34 VI. PROPUESTAS A FUTURO ..................................................................................... 35 VII. REFERENCIAS ....................................................................................................... 36 ANEXO ........................................................................................................................... 45 ÍNDICE DE TABLAS Tabla Página 1. Descripción de las bandas de PlanetScope ................................................................ 5 2. Valores de Índice de Kappa. ..................................................................................... 6 3. Descripción de las bandas de Sentinel 2. ................................................................... 8 4. Categorías para clasificación y reclasificación. ....................................................... 23 5. Variable de estudio con sus dimensiones e indicadores. .......................................... 25 6. Matriz de consistencia ............................................................................................ 45 7. Matriz de confusión ................................................................................................ 46 8. Puntos de validación para el algoritmo Support Vector Machine del año 2016. ....... 46 9. Puntos de validación para el algoritmo Decision Tree del año 2016. ....................... 49 10. Puntos de validación para el algoritmo Random Forest del año 2016. ..................... 52 11. Puntos de validación para el algoritmo Support Vector Machine del año 2022. ....... 56 12. Puntos de validación para el algoritmo Decision Tree del año 2022. ....................... 59 13. Puntos de validación para el algoritmo Random Forest del año 2022. ..................... 63 ÍNDICE DE FIGURAS Figura Página 1. Niveles de procesamiento de Sentinel 2................................................................... 9 2. Mapa de ubicación política del área de estudio ...................................................... 21 3. Metodología realizada la clasificación y validación ............................................... 24 4. Valores de índice de Kappa para cada algoritmo de clasificación supervisada. ...... 27 5. Valores de exactitud global para cada algoritmo de clasificación supervisada ....... 28 6. Área en hectáreas de las categorías clasificadas de los años 2016 y 2022. ............. 29 7. Mapa de deforestación del año 2016 ..................................................................... 31 8. Mapa de deforestación al año 2022 ....................................................................... 32 9. Validación en campo de categoría deforestado ...................................................... 67 10. Validación en campo............................................................................................. 67 11. GPS, mapa y formato para la validación en campo ................................................ 68 12. Validación con imágenes satelitales Planet. ........................................................... 68 13. Validación con imágenes satelitales Planet. ........................................................... 69 14. Validación con imágenes satelitales Planet. ........................................................... 69 15. Clasificación en Google Earth Engine ................................................................... 70 16. Resultados en software SPSS ................................................................................ 70 17. Manejo de la tabla de atributos en ArcGis 10.5 ..................................................... 71 RESUMEN La presente investigación se llevó a cabo en el distrito de Castillo Grande, provincia de Leoncio Prado, región de Huánuco, Perú. El objetivo principal fue evaluar la deforestación ocurrida de los años 2016 y 2022, utilizando imágenes Sentinel 2 y tres algoritmos de clasificación supervisada: Support Vector Machines (SVM), Decision Trees (DT) y Random Forest (RF). Se llevó a cabo una comparación de la precisión temática de los mapas de deforestación generados con cada algoritmo, siendo Random Forest el que presentó los mejores resultados con valores de índice Kappa de 0,85 y 0,90 para los años 2016 y 2022, respectivamente. Esto indica que Random Forest fue el más eficiente en la clasificación de áreas deforestadas. Se estimó que la superficie deforestada en el año 2016 fue de 3 284,59 hectáreas, mientras que en el año 2022 esta cifra aumentó a 5 440,23 hectáreas. La tasa de deforestación anual se calculó en 368,63 hectáreas por año (ha/año). En conclusión, el estudio demostró que el algoritmo Random Forest es altamente efectivo para estimar la superficie deforestada en el distrito de Castillo Grande, superando más del 50% del área de estudio. Los resultados obtenidos resaltan la importancia de monitorear y abordar el problema de la deforestación en esta región, con el fin de implementar estrategias de conservación y manejo sostenible de los recursos forestales. Palabras clave: Deforestación, clasificación supervisada, índice de Kappa, Sentinel 2. ABSTRACT The present investigation was carried out in the district of Castillo Grande, province of Leoncio Prado, region of Huánuco, Peru. The main objective was to evaluate the deforestation that occurred between 2016 and 2022, using Sentinel 2 images and three supervised classification algorithms: Support Vector Machines (SVM), Decision Trees (DT) and Random Forest (RF). The thematic accuracy of the deforestation maps generated with each algorithm was compared, with the Random Forest algorithm being the one that yielded the best results with Kappa index values of 0,85 and 0,90 for the years 2016 and 2022, respectively. This suggests that Random Forest was the most efficient in classifying deforested areas. It was estimated that the deforested area in 2016 was 3 284,59 hectares, while in 2022 this figure increased to 5 440,23 hectares. The annual deforestation rate was calculated at 368,63 hectares per year (ha/year). In conclusion, the study showed that the Random Forest algorithm is highly effective in estimating the deforested area in the Castillo Grande district, exceeding more than 50% of the study area. The results obtained highlight the importance of monitoring and addressing the problem of deforestation in this region, in order to implement conservation strategies and sustainable management of forest resources. Keywords: Deforestation, supervised classification, Kappa index, Sentinel 2. I. INTRODUCCIÓN Desde 1990 al 2020 se ha perdido a nivel mundial aproximadamente 178 millones de hectáreas de bosque (Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO], 2020). El Perú no es ajeno a esta realidad, dentro del territorio nacional la deforestación avanza a una velocidad de 160 000 hectáreas/año (Ministerio del Ambiente [MINAM], s.f.). Esta amenaza no es algo nuevo en la región Huánuco, donde los bosques amazónicos fueron reemplazados drásticamente por cultivos agrícolas y ganadería. En este contexto, la presente investigación se plantea la siguiente pregunta: ¿Cuánto varía el área deforestada durante los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú?. Asimismo, se plantea la siguiente hipótesis: La deforestación al 2022 abarca más del 50% de la superficie total del distrito de Castillo Grande. Es así, que surgen tecnologías para ubicar, delimitar y cuantificar la cobertura boscosa a nivel mundial, utilizando métodos sofisticados y de acceso libre para obtener resultados más exactos y sin costo alguno. En el año 2010, surgió Google Earth Engine, una plataforma basada en la nube diseñada para el análisis geoespacial a nivel global. Esta plataforma aprovecha las enormes capacidades computacionales de Google y se ha convertido en una herramienta crucial para abordar diversas problemáticas ambientales, tales como la deforestación y los patrones de uso del suelo (Puerta et al., 2021). La introducción de Google Earth Engine ha marcado un hito significativo en la capacidad de abordar estos desafíos ambientales a una escala planetaria. Si bien en los últimos años se ha ejecutado investigaciones sobre la pérdida de bosques en la región Huánuco (Chahua, 2019), es muy escasa la información sobre el monitoreo sistemático y continuo sobre los bosques a nivel distrital, por lo que urge la necesidad de generar información espacial y precisa sobre la pérdida de bosques, cuantificación de cobertura boscosa, usos de suelo, etc.; que ayude a las autoridades en el sector forestal y ambiental en la toma de decisiones. Por lo tanto, se plantea los siguientes objetivos: Objetivo general − Analizar la deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú. 2 Objetivos específicos − Evaluar la exactitud temática de la clasificación en los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 con los algoritmos de Support Vector Machine (SVM), Decision Tree (DT) y Random Forest (RF) en imágenes Sentinel 2. − Estimar la superficie deforestada de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú. − Cuantificar la tasa de deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú. II. REVISIÓN DE LITERATURA 2.1. Marco teórico 2.1.1. Teledetección Chuvieco y Salas (1996) describen la teledetección como una técnica que facilita la captura de imágenes satelitales de la superficie terrestre utilizando sensores instalados en plataformas espaciales. Este proceso se logra mediante la interacción energética, que puede ser la energía solar emitida (sensor pasivo) o un haz de energía artificial (sensor activo). En la teledetección, se integran tres componentes fundamentales: el sensor, el objeto observado y el flujo de energía (Padilla et al., 2015). Un atributo significativo de los sistemas de teledetección, especialmente los sensores satelitales, radica en su capacidad para proporcionar cobertura periódica y consistente en las mismas bandas espectrales, bajo condiciones de observación similares. Esta uniformidad es crucial para investigaciones de detección de cambios a escalas globales y regionales (Singh, 1989; Chuvieco, 2019; Arai et al., 2011; Baisch et al., 2012). La teledetección, al garantizar esta coherencia en la información recopilada, se ha convertido en una herramienta esencial para evaluar transformaciones en el entorno terrestre en distintas partes del mundo. 2.1.2. Análisis multitemporal El análisis multitemporal se presenta como una técnica analítica esencial que permite extraer conclusiones específicas sobre las transformaciones espaciales en una región determinada. Esto implica la necesidad de convertir las series de datos procedentes de diferentes fechas en un conjunto único y coherente de información. Colditz (2007) define este análisis como una sucesión ordenada de observaciones realizadas a lo largo de un período de tiempo. Para llevar a cabo un análisis de este tipo, es crucial que el sensor utilizado tenga la capacidad de cubrir repetidamente la misma área en distintos momentos, lo que implica una alta resolución temporal para detectar cambios en la cobertura vegetal. La generación de una serie de tiempo precisa se erige como uno de los procesos más críticos al trabajar con datos provenientes de sensores remotos. Diversas fuentes de error, como las nubes, gases y aerosoles atmosféricos, requieren un análisis exhaustivo antes o durante la creación de estas series temporales. Estos elementos, especialmente cuando se emplean índices de vegetación como el EVI, NDVI y FPAR, deben ser eliminados o interpolados de manera precisa para garantizar la fiabilidad de los resultados. La atención cuidadosa a estas variables y la aplicación de técnicas precisas son indispensables para obtener análisis multitemporales precisos y significativos. 4 2.1.3. Google Earth Engine (GEE) La información satelital sea de cualquier escala, es recopilada por distintos sensores que, de diferentes satélites, entre los más populares por su distribución gratuita se tiene Sentinel, Landsat y MODIS (Perilla y Mas, 2020). Los diferentes satélites y sus sensores al recolectar información de diferente naturaleza y resoluciones hacen que ocupen bastante espacio de almacenamiento (Yang et al., 2016). Ante este problema Google Earth Engine aparece en el año 2010 permitiendo ahora que el usuario pueda realizar operaciones y análisis geoespaciales avanzados con grandes cantidades de datos pero sin almacenarla en la computadora del usuario, todo se realiza desde la plataforma (Perilla y Mas, 2020) , y a esto se agrega el hecho de que puede ser ligado a distintos satélites, permitiendo al usuario tener más facilidad en el procesamiento de datos geoespaciales con resultados rápidos (Gorelick et al., 2017). La plataforma de Google Earth Engine está compuesta de cuatro elementos principales: La infraestructura de Google, datasets, Application Program Interface (API) y el Code Editor (Perilla y Mas, 2020). Para trabajar con esta plataforma es necesario saber el lenguaje de programación Java, pero se puede descargar para programar en Python, pero podría incurrir este último lenguaje de programación en cobros de uso y carecimiento de apoyo y ayudas. Ya desde su creación se usó para distintas aplicaciones la plataforma al permitir al usuario muchas posibilidades, desde mapas de alta resolución (Pekel et al., 2016) como el cambio global de bosque (Hansen et al., 2013). Pero la plataforma no es perfecta, siempre está en constante desarrollo, y necesariamente se requerirá el uso de una buena conexión a internet para poder tener acceso a la plataforma, se permitirá descargar las imágenes hasta un límite en un el Google Drive del usuario, pero este en su versión gratuita solo cuenta con 15 gigabytes de almacenamiento, como toda plataforma, tiene sus ventajas y desventajas (Perilla y Mas, 2020). 2.1.4. Planet La empresa Planet consta con una constelación de satélites esto dado a sus múltiples lanzamientos de satélites individuales. Siendo de esta forma capaz de obtener imágenes a diario de todo el planeta debido a que la constelación de múltiples satélites rodea toda la tierra (López, 2018). Están disponibles gratuitamente las imágenes de sus satélites PlanetScope desde diciembre del año 2015 hasta la actualidad variando en la resolución temporal a partir del año 2020 (Planet, 2021). 5 Tabla 1. Información de satélite PlanetScope Nº de Banda Descripción de la banda Longitud de onda (µm) Resolución Espacial (m) 1 Azul 0,445 – 0,515 4,7 m 2 Verde 0,500 – 0,590 4,7 m 3 Rojo 0,590 – 0,670 4,7 m 4 NIR 0,780 – 0,860 4,7 m Fuente: López (2018). 2.1.5. Índice de Kappa El índice de Kappa representa la medida de la concordancia inter-observador y puede ser calculado en tablas de cualquier tamaño, siempre y cuando se comparen las observaciones de dos personas. Cuando se acerca a +1, indica un alto grado de concordancia entre las observaciones, mientras que si se aproxima a -1, denota una discordancia significativa entre las observaciones inter-observador. Un valor de k = 0; señala que la concordancia observada es exactamente la que se esperaría debido puramente al azar (Cerda y Villarroel, 2008). La interpretación de este índice es esencial para evaluar la fiabilidad de las observaciones realizadas por distintos observadores, y juega un papel fundamental en la validación y confiabilidad de los resultados obtenidos en investigaciones científicas y análisis comparativos. El índice de Kappa se define como: 𝐾 = 𝑃𝑜−𝑃𝑒 1−𝑃𝑒 (1) Donde: Po: Proporción de acuerdos observados Pe: la proporción de acuerdos esperados (Abraira, 2001) La máxima concordancia posible corresponde a k = 1. El valor k = 0 se obtiene cuando la concordancia observada es precisamente la que se espera a causa exclusivamente del azar. Si la concordancia es mayor que la esperada simplemente a causa del azar, k > 0, mientras que, si es menor, k < 0, el mínimo valor de k depende de las distribuciones marginales (De Ullibarri y Pita, 1999). 6 Tabla 2. Valores de Índice de Kappa. Valor de K Fuerza de la concordancia 0,00 Pobre 0,01−0,20 Leve 0,21−0,40 Aceptable 0,41−0,60 Moderada 0,61−0,80 Considerable 0,81−1,00 Casi Perfecta Fuente: Ministerio del Ambiente [MINAM] (2014b) 2.1.6. Clasificación de imágenes satelitales La clasificación de imágenes satelitales se ha convertido en una herramienta fundamental para la planificación y gestión del territorio. Entre los métodos más conocidos y ampliamente utilizados se encuentran la clasificación supervisada y no supervisada, ambas basadas en el análisis de los píxeles de las imágenes. Sin embargo, en tiempos recientes, el análisis de imágenes basado en objetos ha experimentado un avance significativo, especialmente en la mejora de algoritmos y software. Este enfoque implica la identificación de objetos, es decir, grupos de píxeles contiguos que comparten información y comportamientos similares. Los resultados de este tipo de clasificación están directamente relacionados con la resolución de las imágenes utilizadas (Perea et al., 2009). Este enfoque basado en objetos representa un paso adelante en la precisión de la clasificación de imágenes satelitales y ofrece nuevas oportunidades para la interpretación detallada y precisa de un área de trabajo. 2.1.7. Algoritmos de clasificación supervisada Los algoritmos de Machine Learning permiten clasificar con mayor precisión que con clasificadores paramétricos tradicionales. Hoy en día son muy utilizados para hacer mapeo de uso de la cobertura terrestre y se presentan muchas investigaciones haciendo uso de algoritmos de clasificación, existen distintos algoritmos de clasificación supervisada como Máxima Verosimilitud, Redes Neuronales Artificiales, Support Vector Machines (SVM), Random Forest (RF) y Decision Tree (DT). Estos hoy en día son accesibles en softwares libre como RStudio, Google Earth Engine y QGis (Tarazona, 2019). Entre los mejores y con mejor exactitud se encuentran los algoritmos Support Vector Machine (SVM), Random Forest y Decision Tree (Murillo, 2018; Granja, 2020), pero también hay estudios donde otros algoritmos indicaron mayor precisión como el K Nearest – Neighbor y Máxima Verosimilitud, pero en estos influye bastante las imágenes utilizadas y su calidad en el sentido de si presentan nubosidad y sombra de nubes (Méndez, 2020; Ávila et al., 2020). 7 2.1.8. Clasificación supervisada En el método de clasificación supervisada, un operador desempeña un papel crucial al definir las características espectrales de las clases. Esto se logra mediante la identificación de áreas de muestreo, conocidas como áreas de entrenamiento, y exige que el operador tenga un conocimiento profundo del área de interés (Chuvieco, 2019). Según Rodríguez et al. (2015), en este método, cada estrato se considera como un campo de prueba, lo que implica que la firma espectral en unidades de energía corresponde a la verificación realizada en el terreno. En la clasificación supervisada, se refleja la decisión previa de seleccionar clases espectrales para los patrones de cobertura del suelo que un analista puede identificar. Es esencial destacar que el mapeo de las clases mediante este método depende completamente del conocimiento previo del analista sobre la cobertura del suelo que se va a identificar fotoidentificando. Este enfoque pone en relieve la importancia del analista en la interpretación precisa de las características espectrales para lograr una clasificación satisfactoria y detallada de las imágenes satelitales. 2.1.9. Sentinel 2 Según Olcoz (2016), Sentinel-2 se basa en una constelación compuesta por dos satélites idénticos: Sentinel-2A, lanzado en junio de 2015, y Sentinel-2B. Estos dos satélites, aunque lanzados por separado, están en la misma órbita con una separación de 180° entre ellos. Cada cinco días, combinando los sobrevuelos de ambos satélites, se logra cubrir toda la superficie terrestre. Cada uno de los satélites Sentinel-2 está equipado con una cámara multiespectral de alta resolución que consta de 13 bandas espectrales. Estas bandas proporcionan una nueva perspectiva sobre las superficies terrestres emergidas y la vegetación. La combinación de alta resolución y capacidades espectrales avanzadas, junto con un campo de visión de 290 km de ancho y sobrevuelos frecuentes, permite obtener vistas sin precedentes de la Tierra. La información recopilada por estos satélites es fundamental para mejorar las prácticas agrícolas, monitorear los bosques del planeta, detectar la contaminación en lagos y áreas costeras, y crear mapas de desastres naturales. Estas misiones Sentinel forman parte del núcleo de la red de vigilancia medioambiental Copernicus de la Unión Europea. Esta iniciativa emblemática proporciona información operativa sobre las superficies terrestres, los océanos y la atmósfera de nuestro planeta. 8 Tabla 3. Información de bandas Sentinel 2. Bandas Sentinel-2 Longitud de Onda Central (µm) Resolución espacial(m) Banda 1 – Costero / aerosol 0,443 60 Banda 2 - Azul 0,49 10 Banda 3 - Verde 0,56 10 Banda 4 - Rojo 0,665 10 Banda 5 - Visible e Infrarrojo Cercano (VNIR) 0,705 20 Banda 6 - Visible e Infrarrojo Cercano (VNIR) 0,74 20 Banda 7 - Visible e Infrarrojo Cercano (VNIR) 0,783 20 Banda 8 - Visible e Infrarrojo Cercano (VNIR) 0,842 10 Banda 8A - Visible e Infrarrojo Cercano (VNIR) 0.865 20 Banda 9 - Vapor de Agua 0,945 60 Banda 10 - Cirrus 1,375 60 Banda 11 - Onda Corta Infrarroja (SWIR) 1,61 20 Banda 12 - Onda Corta Infrarroja (SWIR) 2,19 20 Fuente: Alonso (2019) Se tiene disponibles dos niveles en el satélite Sentinel 2, ambos con correcciones correspondientes (Figura 1), el nivel 1C con corrección radiométrica y geométrica, reflectancia al tope de la atmósfera (TOA). También está el nivel 2A con las mismas correcciones del nivel 1C, pero este cuenta con corrección de la parte superior de la atmósfera (BOA) en lugar del tope de la atmósfera (TOA) (Phiri et al., 2020) 9 Figura 1. Niveles de procesamiento de Sentinel 2. Fuente: Phiri et al. (2020) Existen investigaciones donde se utilizan tanto nivel 1C como nivel 2A para cumplir con objetivos deseados en aplicación de la teledetección donde en ambos presentan sus limitaciones, pero eso no quiere decir que uno sea mejor que otro, sino que en ambos se obtienen buenos resultados (Estévez et al., 2020; Ni et al., 2021; Brinkhoff et al., 2022; Wolters et al., 2021). 2.1.10. Verificación de los mapas de deforestación Al culminar la interpretación digital de imágenes satelitales, se lleva a cabo un proceso crítico de verificación para validar la calidad y precisión del método y del producto obtenido. Según Chuvieco (2019), esta verificación se considera el último paso en la clasificación digital, la interpretación visual de imágenes, la detección de cambios, entre otros procesos. La verificación implica la aplicación de técnicas de muestreo que permiten estimar con precisión y eficiencia los posibles errores en los resultados. Para lograr esto, se seleccionan muestras representativas de las condiciones del terreno para establecer una relación entre la realidad y los resultados obtenidos. El proceso de verificación puede implicar salidas a campo en áreas específicas con la ayuda de dispositivos GPS para validar los datos. Además, en los últimos años, el uso de rasters de alta resolución, ha sido común en esta fase de la metodología. También, se han empezado a utilizar imágenes capturadas por drones para validar los resultados (Ramírez et al., 2020; Puerta y Fajardo, 2022; Anaya y Chuvieco, 2012). Estas diversas técnicas de verificación garantizan la calidad y confiabilidad de los datos clasificados y son esenciales para la precisión de los estudios basados en imágenes satelitales. 10 2.1.11. Deforestación La deforestación, según la FAO (2020), se define como la transformación del bosque en otros usos de la tierra o la reducción de la cubierta de la copa por debajo del umbral mínimo del 10%. Además, la FAO (2016) también la identifica como uno de los principales generadores de gases de efecto invernadero. En la actualidad, la deforestación y degradación de los bosques contribuyen significativamente a las emisiones de gases de efecto invernadero, representando entre el 10% y el 25% del total. Este fenómeno no solo impacta el clima global sino también la biodiversidad, facilitando la invasión de especies exóticas y aumentando la escorrentía superficial (Fontúrbel, 2007; Gómez et al., 2013; Grinand et al., 2013; Butt et al., 2015). En el contexto peruano, el país se ubica en el décimo lugar a nivel mundial en términos de densidad forestal. Más de la mitad del territorio peruano, alrededor de 673,109 kilómetros cuadrados, está cubierto por bosques, siendo superado solo por Brasil en términos de extensión de bosque tropical amazónico. Sin embargo, la Amazonia peruana está en grave peligro debido a la deforestación, siendo la agricultura a menor escala, la minería comercial y la construcción de infraestructuras las principales causas. La tala ilegal es un factor central en la degradación de los bosques peruanos, con aproximadamente 2 849 km² talados ilegalmente cada año, lo que representa casi el 80% de las pérdidas forestales anuales (Marapi, 2013). La alta demanda de tierras, más que de madera, impulsa este proceso, incluso en áreas con baja fertilidad y pendientes pronunciadas y altos niveles de precipitación. Huánuco, un departamento en Perú, no está exento de este problema. Las limitadas oportunidades económicas contribuyen a la migración hacia las zonas selváticas para la extracción forestal y actividades agropecuarias. Entre 2001 y 2018, Huánuco experimentó una pérdida de bosque significativa, calculada en 318,924 hectáreas, situándolo como uno de los departamentos con mayores pérdidas forestales junto con Ucayali (MINAM, 2019). Esta situación subraya la urgencia de implementar medidas efectivas para conservar y gestionar sosteniblemente los recursos forestales en esta región y en todo el país. 2.1.12. Bosque Es definido como bosque, aquellas tierras que presentan una extensión mayor de 0,5 hectáreas conformadas por árboles con una altura que es superior a los 5 metros y con la cubierta de la copa superando el 10% (FAO, 2012); el MINAM (2014a) comparte la misma definición, pero considera bosque cuando cumple lo anterior mencionado solo agrega que es cuando la altura supera a los 2 metros. 11 2.2. Estado del arte 2.2.1. Internacional En la tesis presentada por Suquilandia (2020), el objetivo principal fue estimar el nivel de severidad ocasionado por un incendio forestal ocurrido el 24 de octubre de 2018 en una cobertura forestal de pino en la granja de la Universidad de Cuenca, sector Irquis (Azuay). Se emplearon técnicas de teledetección, específicamente imágenes Sentinel 2, con el fin de facilitar la toma de decisiones posterior al incendio. La metodología se basó en una investigación cuantitativa de carácter descriptivo, utilizando un diseño no experimental longitudinal de método deductivo. La población de estudio fue la granja Irquis, ubicada en la provincia de Azuay en Ecuador. Se aplicó la observación no experimental como técnica de recolección de datos, utilizando una ficha de observación como instrumento de recolección. En el análisis, se utilizaron los algoritmos de clasificación de Máxima Verosimilitud y Support Vector Machine. Como resultado, se determinó que un total de 12,67 hectáreas de área forestal se vieron afectadas después del incendio. En cuanto al índice de Kappa, tanto en la fase pre-incendio como post-incendio, el algoritmo Support Vector Machine mostró un rendimiento significativamente superior, con valores de 0,71 y 0,77, superando los valores de 0,64 y 0,67 respectivamente obtenidos por el algoritmo de Máxima Verosimilitud. Además, en términos de precisión, el algoritmo Support Vector Machine también demostró un mejor desempeño en comparación con el método de Máxima Verosimilitud. Estos resultados resaltan la eficacia del enfoque basado en Support Vector Machine para la clasificación precisa de las áreas afectadas por incendios forestales, proporcionando información valiosa para la toma de decisiones posteriores al evento. El artículo científico presentado por Cuadra et al. (2020) tiene como objetivo analizar el proceso de deforestación en el noroeste de la provincia del Chaco, desde 1986 hasta 2018, utilizando imágenes de los satélites Landsat 5 y Landsat 8 correspondientes a los años respectivos, a través de la plataforma Google Earth Engine. La metodología empleada consistió en una investigación de tipo cuantitativa de nivel descriptivo, utilizando un diseño no experimental longitudinal de método deductivo. La población de estudio fue el noroeste de la provincia del Chaco. En términos de recolección de datos, se utilizó la observación no experimental como técnica y una ficha de observación como instrumento. Los resultados obtenidos revelan que durante un período de 32 años, el área evaluada experimentó una pérdida de cobertura forestal que alcanzó las 539,321 hectáreas. Estos hallazgos proporcionan una perspectiva crítica sobre el impacto de la deforestación en esta región específica, subrayando la urgencia de abordar y mitigar los efectos adversos de la pérdida continua de bosques en el 12 noroeste de la provincia del Chaco. La clasificación fue con el algoritmo Decision Trees, donde fue sometida a un proceso de validación donde fue con la metodología de Olofsson, en la cual para el año 1986 se obtuvo una precisión global de 0,97 y para el año 2018 el valor de 0,95. En el artículo científico de Li y Wang (2020) se presenta como objetivo clasificar los tipos de bosques en una gran escala regional: el área de Shangri-La por clasificación jerárquica. Tipo cualitativa, nivel descriptivo con diseño no experimental, la población fue Shangri-La, dentro de la provincia de Yunnan, China. Como técnica de recolección de datos se usó la observación no experimental longitudinal de método deductivo. Como instrumento de medición se utilizó dos fichas de observación. Los resultados presentaron que en la clasificación forestal y no forestal usando muestras de validación el valor indicó ser superior al 98% para todos los escenarios de clasificación, por lo tanto, los resultados indican que las imágenes sin nubes compuestas durante los años evaluados (2016 al 2018) pueden identificar con precisión los bosques en Google Earth Engine con el algoritmo Random Forest, pero para clasificar el resto de los tipos de bosque su valor de validación disminuyó considerablemente en algunas categorías. Como conclusiones del artículo científico indica que se es difícil obtener imágenes sin nubes incluso en GEE, pero existe un algoritmo de la plataforma permite eliminar las nubes y combinar esas áreas con un área sin nubes durante el tiempo requerido. En la investigación de Luo et al. (2021) tiene por objetivo caracterizar el cambio actualizado en el uso de tierra y la cobertura terrestre en la nueva área de Xiong’an entre los años 2017 al 2020 usando imágenes multitemporales de Sentinel-2 en Google Earth Engine. Presenta una investigación de tipo cuantitativa de nivel descriptivo con diseño no experimental longitudinal de método deductivo, la población fue Xiong’an, China. Se usó como la observación no experimental como técnica de recolección de datos y dos fichas de observación como instrumento de medición. Los resultados indicaron que el algoritmo Random Forest presenta una poderosa capacidad de clasificación obteniendo valores de OA y Kappa superiores al 95% indicando un alto rendimiento y preciso, por la parte de la clasificación, del 2017 al 2018 en la agricultura de secano se pasó de un 58 a 53% del área total de estudio, los campos de arroz se mantuvieron en un 2%, en las áreas impermeables (edificios, infraestructura vial) de un 19 a 18%, en los cuerpos de agua de un 4 a 3%, los bosques se mantuvieron en un 4%, los humedales aumentaron de un 9 a un 10%, otros tipos de cobertura aumentaron también de un 4 a 10%. Se concluyó los tipos de uso de la tierra y las áreas de la Nueva Área de Xiong’an en las dimensiones temporal y espacial han cambiado significativamente como en el caso de las áreas impermeables por la reubicación de viviendas y el desmantelamiento de aldeas. 13 En el artículo científico de Piao et al. (2021) se tuvo como objetivo analizar el cambio de uso de la tierra y cobertura terrestre utilizando datos de serie de tiempo y Random Forest en Corea del Norte. La investigación fue de tipo cuantitativa, nivel descriptivo con un diseño no experimental longitudinal de método deductivo. La población fue Corea del Norte, usando la observación no experimental como técnica de recolección de datos y ficha de observación como instrumento de medición. Los resultados indicaron que del 2001 al 2018 en cuanto a las categorías hubo cambios, en áreas de construcción aumentó de un 0,789 a 1,083% del territorio, en cultivos de un 30,832 a 29,237%, en bosque de un 61,917 a 63,520%, en pastizales de un 5,126 a 4,761% y en cuerpos de agua un ligero aumento de 1,336 a 1,399%. Se concluyó que se pudo construir un mapa utilizando el algoritmo Random Forest para clasificar basado en imágenes (en este caso del satélite Landsat) de diferentes años en Google Earth Engine, permitiendo mostrar que los principales cambios se dieron en áreas de bosque y tierras de cultivo, también se presentó un alto valor en el índice de Kappa (0,959) indicando una alta confiabilidad para analizar la tendencia cambiante de los bosques. En su estudio científico, Nakamo et al. (2022) examinaron las transformaciones en la cobertura del suelo en la reserva de caza Litumbandyosi-Gesimasowa utilizando la plataforma Google Earth Engine (GEE). Para este análisis, se emplearon imágenes satelitales de Sentinel 2 y Landsat 5 correspondientes a los años 1990, 2011 y 2020. Se implementó el algoritmo Random Forest para la clasificación, y para validar los resultados, se utilizaron imágenes de Planet Scope. Los resultados revelaron que, en 1990, la categoría predominante fue el bosque tropical denso, cubriendo un área de 786,14 km². Para 2011, esta categoría disminuyó a 631,56 km² y en 2020, se registraron 639,54 km² de bosque tropical denso, indicando cambios significativos en la cobertura forestal a lo largo de las décadas estudiadas. En términos de precisión, se utilizaron la exactitud global y el índice de Kappa, expresados en porcentajes. Para el año 1990, se obtuvieron valores del 99,53% en exactitud global y 98,11% en el índice de Kappa. En 2011, estos valores aumentaron a 99,84% y 98,69%, respectivamente. Para 2020, los valores fueron del 92,10% para la exactitud global y 89,62% para el índice de Kappa. Estos resultados indican la eficacia del algoritmo Random Forest en la clasificación, siendo particularmente preciso en los años 1990 y 2011, aunque aún robusto en 2020, lo que subraya la capacidad del algoritmo para analizar y caracterizar los cambios en la cobertura del suelo con alta precisión. En su estudio científico, Setiawan et al. (2022) llevan a cabo una comparación de cuatro algoritmos de clasificación supervisada (Decision Tree, k-Nearest Neighbour, Support Vector Machine y Random Forest) aplicados en los lagos de Maninjau, Singkarak y Towuti, utilizando 14 imágenes de Landsat 5 y 7 tomadas en diferentes años. Entre estos algoritmos, se observó que Random Forest obtuvo el índice de Kappa más alto, alcanzando 0,926, seguido de cerca por k- Nearest Neighbour con 0,922. En tercer lugar, se situó Support Vector Machines con un índice de Kappa de 0,876, mientras que Decision Tree presentó el valor más bajo con 0,717. Los resultados también se reflejaron en la exactitud global, donde nuevamente Random Forest lideró con un valor de 0,954, seguido de k-Nearest Neighbour con 0,951. Support Vector Machines obtuvo una exactitud global de 0,923, mientras que Decision Tree presentó el valor más bajo con 0,828. Estos hallazgos destacan la eficacia del algoritmo Random Forest en la clasificación precisa de los lagos estudiados, evidenciando su superioridad sobre los otros algoritmos evaluados en términos de Kappa y exactitud global. Kranjcic et al. (2019) en su artículo científico analiza cuatro algoritmos de clasificación supervisada: Support Vector Machines, Redes Neuronales, Bayesiano y Random Forest, todos aplicado para clasificar imágenes del satélite Sentinel 2 en Varaždin y Osijek. Los resultados indicaron que el algoritmo Support Vector Machines presentó el mayor valor en índice de Kappa con 0,87 y 0,89. En su estudio científico, Pragunanti et al. (2020) realizaron una evaluación de cuatro algoritmos de clasificación (Support Vector Machines, K-Nearest Neighbor, Decision Tree y Bayes) para caracterizar el hábitat bentónico en las aguas de la isla Pajenekang, South Sulawesi, Indonesia, utilizando imágenes del satélite Sentinel 2. En los resultados obtenidos, el algoritmo Bayes se destacó como el más efectivo, logrando una exactitud global del 78,35%. Por otro lado, el Support Vector Machines obtuvo una precisión global notablemente inferior, con un 47,42%. Estos hallazgos resaltan la eficacia del algoritmo Bayes en este contexto específico, subrayando su capacidad para realizar una clasificación precisa del hábitat bentónico en las aguas de la isla Pajenekang. El algoritmo Support Vector Machines fue empleado en diversos estudios relacionados con la clasificación de imágenes Sentinel 1 y 2 en diferentes contextos geográficos. En una investigación llevada a cabo en los humedales de la región de Anatolian en Turquía (Kaplan Avdan, 2019) reportó una impresionante exactitud global del 94%. De manera similar, en el mapeo de la cobertura terrestre en los bosques de Zagros, ubicados en la provincia de Juzestán, se utilizaron imágenes Sentinel 2 a través de la plataforma Google Earth Engine. Los resultados obtenidos revelaron un índice de Kappa de 0,83 y una exactitud global del 91% (Eskandari y Ali, 2022). Estos estudios destacan la eficacia del algoritmo Support Vector Machines en la clasificación precisa de imágenes satelitales, mostrando su versatilidad en diferentes entornos geográficos y aplicaciones específicas. 15 2.2.2. Nacional En el proyecto de tesis de Ochochoque (2017), se estableció como objetivo principal la identificación de áreas de laboreo y el seguimiento del avance de la explotación minera en el centro poblado de Malenowski, distrito de Mazuco, Región Madre de Dios, a través del uso de técnicas de teledetección espacial. La investigación fue de naturaleza cuantitativa y descriptiva, con un diseño no experimental longitudinal de método deductivo. La población de estudio comprendía el centro poblado Malenowski. En este estudio, se empleó la observación no experimental como técnica de recolección de datos, utilizando una ficha de observación como instrumento. Los análisis se llevaron a cabo utilizando imágenes disponibles en Google Earth Engine, con imágenes de los satélites Landsat y Sentinel. La clasificación se realizó mediante el algoritmo Random Forest, que mostró una excelente validez, con valores en la matriz de validación superiores al 0,95. Al examinar los cambios en el periodo de 1990 a 2016, se observaron transformaciones significativas en el uso de la tierra. La superficie dedicada a cultivos y pastizales aumentó de 0,6 kilómetros cuadrados a 23,3, mientras que los bosques disminuyeron de 226,4 kilómetros cuadrados a 193,4. Los ríos y cuerpos de agua también experimentaron cambios, pasando de 1,2 kilómetros cuadrados a 2,8%, y las áreas sin cobertura vegetal aumentaron de 5,3 a 14,0 kilómetros cuadrados. En resumen, se concluyó que el uso de imágenes satelitales, en particular las obtenidas a través de Google Earth Engine y los satélites Landsat y Sentinel 2, resultaron altamente efectivas y aplicables en estudios multitemporales para analizar cambios en el uso del suelo. La técnica del algoritmo Random Forest demostró una precisión mayor al 95%, lo que permitió identificar de manera indirecta áreas de laboreo y el avance de la explotación minera en la zona estudiada, revelando una deforestación que abarcó una extensión de más de 193 kilómetros cuadrados. En su trabajo de tesis, Subia (2020) se propuso realizar un análisis multitemporal del cambio en la cobertura vegetal y el uso del suelo en el Parque Nacional Bahuaja Sonene (PNBS) y su zona de amortiguamiento (ZA) durante el periodo de 1984-2018. La investigación adoptó un enfoque cuantitativo de nivel correlativo con un diseño no experimental longitudinal de método deductivo, considerando como población de estudio el Parque Nacional Bahuaja Sonene y su zona de amortiguamiento. Para la recolección de datos, se empleó la técnica de observación no experimental y se utilizó una ficha de observación como instrumento. Durante el periodo mencionado, se analizaron imágenes de los satélites Landsat 4, 5, 7 y 8 utilizando la plataforma Google Earth Engine, y se aplicó el algoritmo Random Forest como clasificador. Los resultados revelaron cambios significativos en el Parque Nacional Bahuaja Sonene, incluyendo una disminución de la cobertura boscosa de 10 755,210 metros cuadrados a 1 16 077,580 metros cuadrados, un aumento en la superficie de cuerpos de agua de 5 472 a 6 474 metros cuadrados, y la conversión de áreas en tierras agrícolas de 0 a 241 metros cuadrados. Además, se observó una reducción en áreas desnudas de 4 232 a 3 488 metros cuadrados y en la sábana del Beni de 6 502 a 3 716 metros cuadrados. En las zonas de amortiguamiento, se registraron cambios similares, como la disminución de la cobertura boscosa de 259,150 a 250,579 hectáreas, el aumento de suelos desnudos de 626 a 2 544 hectáreas, y el cambio de suelos agrícolas de 513 a 6 469 hectáreas. Los cuerpos de agua también experimentaron cambios, aumentando de 837 a 1 535 hectáreas. En resumen, se concluyó que durante el periodo de estudio (1984-2018), se produjo un cambio total de 15,807 hectáreas, lo que representa el 1.45% del territorio total del PNBS. De estas, 3,478 hectáreas mostraron cambios de cobertura debido a sucesiones vegetales, representando el 0,32%, mientras que 12,329 hectáreas representaron cambios debidos a la dinámica natural entre bosques, cuerpos de agua y suelos desnudos, siendo más prominentes entre los ríos Tambopata y Heath. En términos de precisión, el análisis mostró una validez superior al 95%, con la excepción de los cuerpos de agua, que presentaron un valor del 85%. A pesar de esto, los resultados indican un alto grado de confiabilidad en el estudio realizado. En el estudio llevado a cabo por Alarcón et al. (2016), el objetivo principal fue cuantificar las áreas deforestadas en el Suroeste de la ciudad de Puerto Maldonado durante el período de 1999-2013. Esta investigación se enmarcó en un enfoque cuantitativo, con un nivel descriptivo y un diseño no experimental de tipo longitudinal utilizando un método deductivo. La población estudiada abarcó el suroeste de la región Madre de Dios, incluyendo los distritos de Huepetuhe, Inambari, Madre de Dios y Laberinto. La técnica de recolección de datos empleada fue la observación no experimental, y el instrumento utilizado fue una ficha de observación. Para llevar a cabo el análisis de deforestación, se utilizaron imágenes del satélite Landsat y se aplicó el algoritmo Random Forest. Los resultados obtenidos revelaron cambios significativos en el área boscosa durante los años 1999 a 2013, donde la superficie del bosque disminuyó de 1 480 516,20 hectáreas a 1 435 074,95 hectáreas. Además, el proceso de deforestación experimentó un aumento, pasando de 32 243,50 hectáreas a 77 684,75 hectáreas durante el mismo período. Este análisis demostró una pérdida total de 55 416,04 hectáreas de bosque primario en un lapso de 14 años, lo que se traduce en una tasa de deforestación de 2 594,10 hectáreas por año. Es importante señalar que las áreas de bosque deforestadas, principalmente debido a la minería aurífera aluvial, también sufrieron un proceso de degradación del suelo. Los años 2008-2011 y 2011-2013 se destacaron como los períodos con los mayores cambios de bosque a deforestación, con 29 471,94 hectáreas y 28 539,01 hectáreas 17 respectivamente. Estos cambios significativos estuvieron influenciados en gran parte por la crisis financiera mundial, que llevó a un aumento considerable en el precio del oro, generando un incremento en la extracción de oro y la consiguiente invasión de tierras en la región de Madre de Dios. En su tesis, Gamarra (2017) se propuso realizar una clasificación supervisada utilizando el algoritmo Random Forest e imágenes de mediana resolución espacial, Landsat 8. Este estudio se enmarca en un enfoque cuantitativo, con un nivel descriptivo y un diseño no experimental de tipo transversal utilizando un método deductivo. La población estudiada comprendió el distrito de San Ramón, situado en la provincia de Chanchamayo en la región de Junín. La técnica de recolección de datos empleada fue la observación no experimental, y el instrumento utilizado fue una ficha de observación. Los resultados obtenidos revelaron diferentes tipos de cobertura y uso de la tierra en los centros poblados, la red vial, el mosaico agropecuario, el bosque húmedo, los arbustos y matorrales, la Puna, las áreas pedregosas naturales, las tierras desnudas o con poca vegetación, las zonas quemadas, las tierras altoandinas sin vegetación, los bofedales, los ríos y quebradas, y las lagunas. Las áreas respectivas para cada categoría se detallaron en hectáreas. El análisis arrojó un índice de Kappa de 0,922, indicando un alto grado de precisión en el mapa generado. Como conclusión, se destacó que el algoritmo Random Forest se presenta como una alternativa eficiente y precisa para implementar en la clasificación de imágenes satelitales de sensores pasivos, especialmente cuando se requiere delimitar la cobertura y uso de la tierra en la compleja geografía de la Amazonia peruana. En su artículo científico, Cerón et al. (2021) se propusieron cuantificar la actividad minera aurífera en el departamento de Madre de Dios, Perú, durante los años 2000 y 2017. Para ello, utilizaron una clasificación supervisada empleando el algoritmo de árbol de decisión (Decision Tree) sobre imágenes satelitales capturadas por los sensores Landsat 5 y Landsat 8. La metodología adoptada se enmarca en un enfoque cuantitativo, con un nivel descriptivo y un diseño no experimental de tipo transversal utilizando un método deductivo. La población de interés para el estudio fue el departamento de Madre de Dios, Perú. La técnica de recolección de datos utilizada fue la observación no experimental, y el instrumento empleado consistió en una ficha de observación. Los resultados obtenidos revelaron un aumento significativo de 47 657,43 hectáreas de actividad minera entre los años 2000 y 2017. Las áreas más afectadas por esta actividad fueron las comunidades nativas, las concesiones destinadas a la reforestación y las zonas de amortiguamiento de las Áreas Naturales Protegidas. El análisis incluyó un índice de Kappa del 93%, lo que indica que el algoritmo de clasificación empleado proporcionó resultados consistentes y precisos en la identificación de áreas mineras. Este alto índice de 18 Kappa sugiere una concordancia significativa entre las clasificaciones realizadas por el algoritmo y los datos de referencia, reforzando la confiabilidad de los resultados obtenidos en el estudio. En la investigación realizada por Puerta y Fajardo (2022), el objetivo principal fue determinar la cobertura forestal en la provincia de Leoncio Prado hasta el año 2021. Para este propósito, llevaron a cabo un estudio cuantitativo con un enfoque descriptivo y un diseño no experimental de tipo transversal, utilizando un método deductivo. La población de interés para el estudio fue toda la provincia de Leoncio Prado. Para recopilar datos, se empleó la técnica de observación no experimental y se utilizó una ficha de observación como instrumento. Los resultados obtenidos revelaron que la provincia tenía un total de 349 811,47 hectáreas de bosque, lo que representaba aproximadamente el 71,30% de la superficie total. Además, se identificaron 95 872,40 hectáreas de áreas degradadas y 35 519,72 hectáreas de áreas intervenidas. En términos específicos de la distribución de la cobertura forestal, el distrito de Castillo Grande se destacó al presentar una cobertura forestal de 6 458,08 hectáreas para el año 2021. Estos resultados fueron obtenidos mediante la aplicación del algoritmo Random Forest. Es importante destacar que la precisión del estudio fue validada a través de un índice de Kappa de 0,77 y una exactitud global del 89,14%, lo que subraya la confiabilidad de los resultados proporcionados por el algoritmo utilizado. Estos hallazgos brindan una comprensión detallada de la situación forestal en la provincia de Leoncio Prado hasta el año 2021. En su investigación, Chahua (2019) se propuso examinar la deforestación en el lapso comprendido entre 2006 y 2018 en el distrito de Daniel Alomía Robles. Para llevar a cabo este análisis, empleó una metodología de clasificación supervisada con imágenes provenientes de Sentinel 2A, Landsat 5 y Landsat 8. El estudio se dividió en tres periodos distintos: 2006-2010, 2010-2014 y 2014-2018. Los resultados obtenidos revelaron una alarmante superficie deforestada de 8 366,33 hectáreas para el año 2018, lo que representó más del 50% del área total del distrito. Además, se calculó un índice de kappa de 0,75, indicando una notable concordancia en los datos clasificados. Es especialmente preocupante el periodo de 2014-2018, que mostró la tasa de deforestación más alta, alcanzando un valor de 176,8 hectáreas por año. Estos hallazgos resaltan la urgencia de abordar el problema de la deforestación en el distrito Daniel Alomía Robles y subrayan la necesidad de medidas efectivas para mitigar este impacto ambiental. En el estudio llevado a cabo por Salas et al. (2014), el objetivo principal fue calcular la tasa de deforestación en el distrito de Florida, ubicado en el departamento de Amazonas, durante los años 1987 y 2013. El área de interés abarcó 22 240,5 hectáreas de territorio. Para llevar a 19 cabo el análisis, se emplearon imágenes satelitales Landsat 5 y 7 correspondientes a los años mencionados, utilizando el algoritmo Nearest Neighbor. Los resultados obtenidos revelaron que en el periodo comprendido entre 1987 y 2000, el distrito experimentó una tasa de deforestación de 232,2 hectáreas por año. En contraste, en el periodo de 2000 a 2013, esta tasa se redujo significativamente a 19,52 hectáreas por año. Estos datos demuestran una disminución en la tasa de deforestación en el distrito de Florida a lo largo del tiempo, lo que sugiere posibles cambios en las prácticas de uso de la tierra o políticas de conservación que han tenido un impacto positivo en la conservación del bosque en esta región específica del departamento de Amazonas. En su estudio, Mendoza et al. (2015) se propusieron analizar los cambios en la cobertura boscosa debidos a la deforestación en el distrito de Leymebamba, provincia de Chachapoyas, departamento de Amazonas, durante el periodo de 1989-2016. Este análisis se basó en la clasificación de imágenes utilizando un enfoque basado en objetos, empleando datos del satélite Landsat correspondientes a los años 1989, 1998, 2007 y 2016. Los resultados obtenidos revelaron que la tasa más alta de deforestación ocurrió en el periodo de 1989 a 1998, con una velocidad de pérdida de 262,7 hectáreas por año. En los años subsiguientes, estas tasas disminuyeron significativamente: durante el periodo de 1998 a 2007, la tasa de deforestación se redujo a 34,8 hectáreas por año, y posteriormente, de 2007 a 2016, descendió a 58,2 hectáreas por año. Este análisis subraya una disminución en las tasas de deforestación a lo largo del tiempo en el distrito de Leymebamba, indicando posibles cambios en las prácticas de uso de la tierra o implementación de medidas de conservación que han influido positivamente en la preservación del bosque en esta región específica del departamento de Amazonas. Según Geobosques (s.f) a través de su plataforma presenta datos a nivel nacional, donde para el distrito de Castillo Grande al año 2021 presenta un total de área de bosque de 2 802,32 hectáreas, un total de área deforestada de 2 986,10 hectáreas y una tasa de deforestación de 36,76 hectáreas por año del 2016 al 2021. La plataforma Geobosques utiliza imágenes del satélite Landsat (30 metros de resolución espacial), para clasificar utilizan el algoritmo árboles de decisión (Decision Trees). En teledetección mientras a mejor resolución espacial es mejor la clasificación que se hace a las imágenes (Gao y Mas, 2008; Gao, 2010; Du et al., 2016)), pero también es importante seleccionar un buen algoritmo de clasificación (Ugur et al., 2013). En el estudio realizado por Chucos y Vega (2022), se emplearon imágenes del satélite Landsat para llevar a cabo la clasificación del terreno mediante diversos algoritmos de clasificación supervisada, incluyendo Support Vector Machines, Random Forest, Naive Bayes y Decision Tree. Además, se exploró un algoritmo de clasificación no supervisada como parte 20 del análisis. Los resultados revelaron que los algoritmos Support Vector Machine y Naive Bayes exhibieron una precisión notablemente superior, con un índice de Kappa de 0,909, en comparación con el algoritmo Decision Tree, que presentó un índice de Kappa de 0,864. Estos hallazgos resaltan la eficacia de los algoritmos Support Vector Machine y Naive Bayes en la clasificación precisa del terreno basada en imágenes Landsat. III. MATERIALES Y MÉTODOS 3.1. Lugar de ejecución 3.1.1. Ubicación geográfica La presente investigación fue desarrollada en el distrito Castillo Grande que presenta un rango altitudinal de 583 a 1 487 m s. n. m. (Sánchez, 2009), cuyo centroide se ubica en coordenadas UTM: E 385 914 y N 8 982 017, zona 18 L. El área estudiada cuenta con 10 501,07 hectáreas. 3.1.2. Ubicación política El área de investigación se encuentra políticamente ubicado en Distrito: Castillo Grande Provincia: Leoncio Prado Región: Huánuco Figura 2. Mapa de ubicación política del área de estudio Fuente: Instituto Geográfico Nacional [IGN] (s.f.) 3.1.3. Características climáticas El distrito Castillo Grande presenta un 85% de humedad relativa, así también una precipitación anual de 3 300 mm siendo los meses de enero a marzo donde presenta mayor frecuencia de lluvias. La temperatura media anual está entre los 22° C y 32° C, algunas veces llega hasta 36° C. (Servicio Nacional de Meteorología e Hidrología del Perú [SENAMHI], s.f) 22 3.1.4. Zona de vida Según el Instituto Nacional de Recursos Naturales (INRENA, 1995) el distrito Castillo Grande pertenece a las zonas de vida de bosque muy húmedo - Premontano Tropical (bmh-PT) y bosque húmedo – Tropical (bh-T). 3.2. Material y métodos 3.2.1. Materiales y equipos 3.2.1.1. Materiales de fase de campo Tablero de madera, fichas de observación, lapiceros. 3.2.1.2. Materiales cartográficos Imágenes Planet (4,7 m x 4,7 m de resolución espacial), mosaicos del año 2016 y 2022 de Sentinel 2. 3.2.1.3. Herramientas de teledetección Google Earth Engine (GEE). 3.2.1.4. Softwares Microsoft Word, ArcGis 10.5, QGis 3.22, SPSS Statistic 25, Microsoft Excel. 3.2.1.5. Equipos Laptop Lenovo Core i5, GPS Garmin 62s. 3.2.2. Metodología 3.2.2.1. Exactitud temática de la clasificación en los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 con los algoritmos de Support Vector Machine (SVM), Decision Tree (DT) y Random Forest (RF) en imágenes Sentinel 2 En Google Earth Engine se creó dos códigos (script) en el Code Editor de la plataforma para generar dos mosaicos del satélite Sentinel 2 con el criterio que presenten menos del 20% de nubes y sombra de nubes con los años deseados (2016 y 2022). Se trabajó con la combinación de bandas 12, 8 y 3, rango de fechas del año 2016 de “01/09/2016 al “31/12/2016”, del año 2022 del rango de fechas del “01/05/2022” al “23/09/2023” y utilizando el Image Collection permitido por la plataforma y nombrado “mosaic” que es una herramienta que permite crear un mosaico a partir de los criterios mencionados anteriormente en la imagen, de esa forma solucionando el problema de las nubes. Con la combinación de bandas se procedió a clasificar en GEE el mosaico del año 2016 y del año 2022 utilizando para cada uno tres algoritmos de clasificación supervisada, el Support Vector Machine (SVM), Decision Tree (DT) y Random Forest (RF). Se clasificó en cada algoritmo los mosaicos primero en cuatro categorías para posteriormente reclasificarse en tres categorías como indica la Tabla 5. 23 Tabla 4. Categorías para clasificación y reclasificación. N° Categorías (Clasificación) Reclasificado 1 Bosques Bosques 2 Vegetación secundaria Deforestado Deforestado 3 Hidrografía Hidrografía Fuente: Propia Posteriormente la clasificación de cada algoritmo de los dos mosaicos al igual que los mosaicos fueron exportadas del GEE a archivos raster donde utilizando el software ArcGis 10.5 se procesó los archivos raster para convertirlos en archivos shapefiles con los que se elaboró los mapas de deforestación por cada algoritmo de clasificación en cada año. Se trabajó a una escala de 1:20 000 con Datum WGS 84 en la zona 18 S utilizando el ArcGis 10.5. Para la validación de la clasificación de cada algoritmo del año 2016 se usó imágenes del satélite Planet que presenta resolución espacial de 4,7 m x 4,7 m, estás son proporcionadas gratuitamente a través de un plugin del software QGIS, igualmente para el año 2022, utilizando imágenes Planet y salida a campo para verificación de puntos de validación. El procedimiento de validación con imágenes Planet se basó en constatar que lo que se muestra en la clasificación de cada mapa de deforestación con la imagen Planet, para ello se creó puntos de validación con el método de muestreo aleatorio simple donde fueron divididos en las categorías que serán clasificadas (Bosque, Deforestado y Hidrografía). Se verificó la coincidencia de la imagen con las categorías por lo cual estos datos fueron colocados en sus correspondientes fichas de observación para cada algoritmo en ambos años. Los datos de las fichas de observación fueron analizados a través de una matriz de confusión donde se determinó la exactitud global del mapa. Para obtener los valores de índice de Kappa se utilizó el software SPSS Statistics 25. Al obtener los valores de confiabilidad de cada algoritmo para cada año se procedió a trabajar exclusivamente con la clasificación (en formato shapefile) cuyo algoritmo presentó mayor índice de Kappa y exactitud global. 24 Figura 3. Metodología realizada la clasificación y validación Fuente: Propia 3.2.2.2. Superficie deforestada de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú Utilizando el software ArcGis 10.5, en la tabla de atributos de los shapefiles del algoritmo de clasificación que presentó mayor exactitud temática para cada año, se creó una nueva columna para posteriormente calcular el área de cada categoría expresada en hectáreas obteniendo la superficie de cada categoría de los años 2016 y 2022. 3.2.2.3. Tasa de deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú Se utilizó la ecuación de Laurente (2011) para calcular la tasa de deforestación: Tasa anual de deforestación = (ABf-ABi)/N (2) ABf: Área con bosque del año final (ha) ABi: Área con bosque del año inicial (ha) N: años del periodo de estudio 3.2.3. Tipo de investigación Cuantitativa, aplicada, descriptiva, no experimental y longitudinal. 25 3.2.3.1. Variable La deforestación en el distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022. 3.2.3.2. Indicadores Los indicadores fueron las categorías que se clasificaron que son las siguientes: Bosque, deforestado e hidrografía, expresada en hectáreas. También el indicador de los cambios de coberturas (hectáreas/año), el índice de Kappa y la exactitud global (%). Tabla 5. Variable de estudio con sus dimensiones e indicadores. Variables de estudio Dimensión Indicadores Deforestación Espacial Categorías de coberturas (ha): Bosque Deforestado Hidrografía Temporal Cambios de cobertura (ha/año) Exactitud Índice de Kappa Exactitud Global (%) 3.2.3.3. Población La población está compuesta por todo el distrito Castillo Grande. 3.2.3.4. Muestra Para calcular la muestra se usó la fórmula de tamaño de muestra del MINAM (2014b): 𝑇𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 = 𝑆2 𝑥 𝑃 𝑥 𝑄 𝑒2 (3) Donde: S: Valor de la abscisa de la curva normal estandarizada para un nivel determinado de probabilidad, se obtiene de la tabla Z. P: indica el porcentaje de aciertos estimado por el área de la categoría. Q: índica del porcentaje de errores (q =1 – p), e: el nivel permitido del error. e: Nivel permitido de error Se usó un valor de P de 85%, un valor de Q de 15% y un 10% del valor e obteniendo 49 puntos de validación por categoría. 26 3.2.3.5. Muestreo Se usó el muestreo aleatorio simple para distribuir 49 puntos por cada categoría dentro de toda el área del distrito Castillo Grande. 3.2.4. Técnicas e instrumentos de recolección de datos Fue la observación no experimental donde se utilizó como instrumento fichas de observación. IV. RESULTADOS Y DISCUSIÓN 4.1. Exactitud temática de la clasificación de los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 En la Figura 4 se muestra los resultados de los valores del índice de Kappa para los años 2016 y 2022; como se observa, la mayor exactitud presentó el algoritmo Random Forest en ambos periodos de análisis. Figura 4. Valores de índice de Kappa para cada algoritmo de clasificación supervisada. En la Figura 5 se presenta los resultados de la exactitud global para el año 2016 y 2022 de igual forma, predominó el algoritmo Random Forest con (89,80% y 93,20% respectivamente) y el que menor valores presentó fue el algoritmo Support Vector Machines (77,55% y 78,91% respectivamente). Tanto en exactitud global (EG) y índice de Kappa (IK), el algoritmo Decision Tree ocupó el segundo lugar con valores de 80,95% y 89,12% en exactitud global y 0,71 y 0,84 en el índice de Kappa. 0,66 0,71 0,85 0,68 0,84 0,90 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 Support Vector Machines Decision Trees Random Forest Support Vector Machines Decision Trees Random Forest 2016 2022 Ín d ic e d e K ap p a 28 Figura 5. Valores de exactitud global para cada algoritmo de clasificación supervisada El algoritmo que mejor clasificó para ambos años fue el algoritmo Random Forest con valores superiores al 89% en EG y 0,85 en el IK teniendo una concordancia casi perfecta como menciona López (2018), estando de acuerdo con distintas investigaciones (Li Wang, 2020; Luo et al., 2021; Piao et al., 2021; Nakamo et al., 2022; Setiawan et al., 2022; Ochochoque, 2017; Subia, 2020; Alarcón et al., 2016; Gamarra, 2017) donde se utiliza por excelencia el algoritmo e incluso comparando con otros algoritmos en imágenes Sentinel y Landsat donde mayormente presentan valores en índice de Kappa y exactitud global superiores al 85% coincidiendo que presenta una clasificación casi perfecta, pero esto no minimiza la importancia del uso de otros algoritmos porque también otro algoritmo puede ser superior a otro, en este caso fue Random Forest superior a los algoritmos SVM y Decision Tree pero también estos pueden superar a Random Forest en sitios donde predomina área urbana (Kranjic et al., 2019). En cuanto al algoritmo Support Vector Machines ocupó el último lugar, cosa que es diferente al estudio de Suquilandia (2020) en su estudio donde comparó con otro algoritmo, y el SVM fue superior utilizando imágenes Sentinel 2 y también a los estudios de Kaplan y Avdan (2019) y Eskandari y Ali (2022) donde presentaron valores superiores al 90% en exactitud global, incluso en el estudio de Chucos y Vega (2022) el SVM supera a los algoritmos Random Forest y Decision Tree, pero también comparando con otros algoritmos resulta también bastante deficiente el 77,55 80,95 89,80 78,91 89,12 93,20 0 10 20 30 40 50 60 70 80 90 100 Support Vector Machines Decision Trees Random Forest Support Vector Machines Decision Trees Random Forest 2016 2022 E x ac ti tu d g lo b al ( % ) 29 algoritmo clasificando las mismas imágenes (Pragunanti et al., 2020). En el algoritmo Decision Trees presentó valores más bajos comparados con los estudios de Cuadra et al. (2020) y Cerón et al. (2021) donde alcanzó en exactitud global valores superiores al 93% utilizando imágenes de menor resolución espacial que la Sentinel, con imágenes Landsat 5 y 8. 4.2. Superficie deforestada de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú Figura 6. Área en hectáreas de las categorías clasificadas de los años 2016 y 2022. En la Figuras 6 se muestra la superficie estimada obtenida por el algoritmo Random Forest para el año 2016 y 2022 donde para el primer año presenta 7 095,29 ha de superficie de bosque siendo la que mayor área abarca en el distrito con 67,57%, en deforestado se estimó 3 284,59 hectáreas que equivale a 31,28% del total del área, mientras que la hidrografía presentó 121,19 hectáreas siendo un 1,15% del total del área. Mientras que para el año 2022 la categoría que más área presenta es la categoría deforestado con 5 440,23 hectáreas equivalente a un 51,81% del área del distrito, quedando ahora segundo lugar el área bosque con 4 883,49 hectáreas representado un 46,50% del área del distrito y la categoría hidrografía presentó 177,35 hectáreas equivalente a 1,69% del total del área. L El área de bosque para el año 2022 es exageradamente diferente al área de bosque del año 2021 según Geobosques (s.f) con 2 802,32 hectáreas, esto es debido a que Geobosques utiliza imágenes de menor resolución que Sentinel 2, utilizando Landsat 8, influyendo en la clasificación de imágenes con el algoritmo donde utilizan el Decision Tree donde se demostró 30 que Random Forest es eficiente clasificando a escala distrital siendo superior a Decision Tree, por ello es que presentan valores diferentes tanto por la escala de clasificación, el algoritmo y la resolución espacial de las imágenes a clasificar (Gao y Mas, 2008; Gao, 2010, Du et al., 2016; Ugur et al., 2013). Mientras que en la investigación de Puerta y Fajardo (2022) presenta valores bastante cercanos a los resultados del presente estudio con un área de bosque de 6 458,08 hectáreas incluso siendo a nivel provincial el resultado. 31 Figura 7. Mapa de deforestación del año 2016 32 Figura 8. Mapa de deforestación al año 2022 33 4.3. Tasa de deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú Para los años 2016 y 2022 se presentó una disminución en el área de bosque en un periodo de 6 años de 2 211,80 hectáreas, resultando en una tasa de deforestación de 368,63 hectáreas por año (ha/año) como está presente en la Tabla 5. Tabla 5. Tasa de deforestación Categoría (ha) 2016 2022 Deforestado 3 284,59 5 440,23 Bosque 7 095,29 4 883,49 Hidrografía 121,19 177,35 Tasa de deforestación (ha/año) 368,63 La tasa de deforestación del presente estudio presenta una gran diferencia a lo mencionado por Geobosques (s.f) donde indica que en el distrito Castillo Grande del 2016 al 2021 existe una tasa de deforestación de 36,76 ha/año, este valor debido a lo anteriormente mencionado que es muy diferente clasificar a nivel distrital y nivel nacional, también el uso de imágenes con menor resolución espacial que son las Landsat 8 y el uso de otro algoritmo. A nivel distrital la tasa de deforestación es bastante cercano a lo presentado por Mendoza et al. (2015) en el distrito de Leymebamba pero en el periodo 1989 y 1998, e igual con la investigación de Salas et al. (2014) en los años 1987 y 2000 con 262,7 ha/año y 232,2 ha/año respectivamente. Pero en el estudio de Chahua (2019) presenta el valor de 176,8 ha/año en los años 2014 y 2018 siendo el más cercano a nivel distrital y en tiempo al resultado en la presente investigación. V. CONCLUSIONES 1. La exactitud temática de la clasificación en los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 en imágenes Sentinel 2 fue mejor, utilizando el algoritmo Random Forest con valores en el índice de Kappa de 0,85 y 0,90 y en la exactitud global valores de 89,90% y 93,20%. 2. La superficie estimada deforestada en el distrito Castillo Grande del año 2016 fue de 3 284,59 hectáreas (31,28% del área total), mientras la superficie deforestada para el año 2022 ascendió a 5 440,23 hectáreas (51,81% del área total). 3. La tasa de deforestación en el distrito Castillo Grande de los años 2016 y 2022 fue de 368,63 ha/año. VI. PROPUESTAS A FUTURO 1. Hacer constante el monitoreo de la deforestación en el distrito Castillo Grande, utilizando imágenes de mayor resolución espacial y con otros algoritmos de clasificación supervisada. VII. REFERENCIAS Abraira, V. (2001). El índice Kappa. SEMERGEN - Medicina de Familia, 27(5), 247-249. https://doi.org/10.1016/S1138-3593(01)73955-X Alarcón, G., Díaz, J., Vela, M., García, M. y Gutiérrez, J. (2016). Deforestación en el sureste de la amazonia del Perú entre los años 1999—2013; caso Regional de Madre de Dios (Puerto Maldonado – Inambari). Revista Investigaciones Altoandinas, 18(3), 319-330. Alganci, U., Sertel, E., Ozdogan, M., y Ormeci, C. (2013). Parcel-Level Identification of Crop Types Using Different Classification Algorithms and Multi-Resolution Imagery in Southeastern Turkey. Photogrammetric Engineering y Remote Sensing, 79(11), 1053- 1065. https://doi.org/10.14358/PERS.79.11.1053 Alonso, D. (15 de mayo de 2019). Combinación de bandas en imágenes de satélite Landsat y Sentinel. MappingGIS. https://mappinggis.com/2019/05/combinaciones-de-bandas-en- imagenes-de-satelite-landsat-y-sentinel/ Anaya, J. A., y Chuvieco, E. (2012). Validación para Colombia de la estimación de área quemada del producto L3JRC en el periodo 2001-2007. Actualidades Biológicas, 32(92), 29–40. https://revistas.udea.edu.co/index.php/actbio/article/view/331483 Arai, E., Shimabukuro, Y. E., Pereira, G. y Vijaykumar, N. L. (2011). A Multi-Resolution Multi-Temporal Technique for Detecting and Mapping Deforestation in the Brazilian Amazon Rainforest. Remote Sensing, 3(9), 1943-1956. https://doi.org/10.3390/rs3091943 Ávila, I., Ortiz, E., Soto, C., Vargas, Y., Aguilar, H y Miller, C. Evaluación de cuatro algoritmos de clasificación de imágenes satelitales Landsat 8 y Sentinel 2 para la identificación de cobertura boscosa en paisajes altamente fragmentados en Costa Rica. Revista de teledetección 57, 37-49. Baisch, P., da Silva, R. y Barreto, S. (2012). Determinação do desmatamento através da classificação digital de cenas do Satélite Landsat 5. Disciplinarum Scientia, 13(2), 151- 158. Bardales, N. (2021). Caracterización de microhábitats de Ranitomeya sirensis (Aichinger, 1991) en Dendrocalamus asper (Schultes f.) del Bosque Reservado de la Universidad Nacional Agraria de la Selva, Tingo María, Perú. [Tesis de grado, Universidad Nacional Agraria de la Selva]. Repositorio institucional. 37 Belgiu, M. y Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 Brinkhoff, J., Houborg, R., y Dunn, B. W. (2022). Rice ponding date detection in Australia using Sentinel-2 and Planet Fusion imagery. Agricultural Water Management, 273, 107907. https://doi.org/10.1016/j.agwat.2022.107907 Butt, A., Shabbir, R., Ahmad, S. S. y Aziz, N. (2015). Land use change mapping and analysis using Remote Sensing and GIS: A case study of Simly watershed, Islamabad, Pakistan. The Egyptian Journal of Remote Sensing and Space Science, 18(2), 251-259. https://doi.org/10.1016/j.ejrs.2015.07.003 Cerda, J. y Villarroel Del P, L. (2008). Evaluation of the interobserver concordance in pediatric research: The Kappa Coefficient. Revista chilena de pediatría, 79(1), 54-58. https://doi.org/10.4067/S0370-41062008000100008 Cerón C., L., Miranda S., N., y Rubin-de-Celis L., E. (2021). Deforestación por actividad minera en el departamento de Madre de Dios-Perú para los años 2000 Y 2017. Anales Científicos, 82(1), 122–129. https://doi.org/10.21704/ac.v82i1.1748 Chahua, E. (2019). Análisis de la deforestación en el periodo 2006 – 2018.del distrito Daniel Alomía Robles. [Tesis de grado, Universidad Nacional Agraria de la Selva]. Repositorio Institucional. Chucos, N., y Vega, E. J. (2022). Evaluación de algoritmos de machine learning en la clasificación de imágenes satelitales multiespectrales, caso: Amazonia Peruana. Ciencia Latina Revista Científica Multidisciplinar, 6(1), Art. 1. https://doi.org/10.37811/cl_rcm.v6i1.1843 Chuvieco, E. y Salas, J. (1996). Mapping the spatial distribution of forest fire danger using GIS. International Journal of Geographical Information Systems, 10(3), 333-345. https://doi.org/10.1080/02693799608902082 Chuvieco, E. (2019). Teledetección ambiental: La observación de la Tierra desde el espacio. Digital Reasons. Colditz, R. 2007. Time Series Generation and Classification of MODIS Data for Land Cover Mapping. [Tesis doctoral, Universidad de Würzburg]. Biblioteca Universitaria. Cuadra, D. E., Insaurralde, J. A. y Montes Galbán, E. J. (2020). Evaluación espacio-temporal de la deforestación en el noroeste de la provincia del Chaco (1986-2018): Mediante el 38 uso combinado de Sistemas de Información Geográfica y Procesamiento Digital de Imágenes. Revista digital del Programa de Docencia e Investigación en Sistemas de Información Geográfica, (17), 1-10. De Ullibarri, I., y Pita, S. (1999). Medidas de concordancia: El índice Kappa. Cadernos de atención primaria, 6(4), 223-226. Du, Y., Yihang, Z., Feng, L., Qunming W., Wenbo, L., y Xiaodong, L. (2016). Water Bodies Mapping from Sentinel-2 Imagery with Modified Normalized Difference Water Index at 10-m Spatial Resolution Produced by Sharpening the SWIR Band. Remote Sensing 8(4), 354. https://doi.org/10.3390/rs8040354 Eskandari, S., y Ali, 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, 70, 101727. https://doi.org/10.1016/j.ecoinf.2022.101727 Estévez, J., Vicent, J., Rivera-Caicedo, J. P., Morcillo-Pallarés, P., Vuolo, F., Sabater, N., Camps-Valls, G., Moreno, J., y Verrelst, J. (2020). Gaussian Processes Retrieval of LAI from Sentinel-2 Top-of-Atmosphere Radiance Data. ISPRS Journal of Photogrammetry and Remote Sensing, 167, 289-304. https://doi.org/10.1016/j.isprsjprs.2020.07.004 Fontúrbel, F. E. (2007). Evaluación de la pérdida de la cobertura del bosque seco Chaqueño en el municipio de torotoro y en el Parque Nacional Torotoro (Potosí, Bolivia), mediante teledetección. Ecología Aplicada, 6(1-2), 59-66. Gamarra, S. (2017). Análisis de la cobertura y uso de la tierra utilizando imágenes de resolución espacial media para el distrito de San Ramón-Chanchamayo-Junín-Perú. [Tesis de grado, Universidad Nacional Agraria de la Selva]. Repositorio Institucional. Gao, Y., y Mas, J.F. (2008). A Comparison of the Performance of Pixel Based and Object Based Classifications over Images with Various Spatial Resolutions. Online Journal of Earth Sciences, 2: 27-35. https://medwelljournals.com/abstract/?doi=ojesci.2008.27.35 Gao, J. (2010) A comparative study on spatial and spectral resolutions of satellite data in mapping mangrove forests, International Journal of Remote Sensing, 20(14), 2823- 2833. doi: 10.1080/014311699211813 Geobosques (s.f). Bosque – No bosque y pérdida de bosque 2000 – 2021. Recuperado 15 de diciembre del 2022. Geobosques (minam.gob.pe) 39 Granja, A. (2020). Detección de cambios de uso y cobertura de los bosques utilizando clasificación directa de cambios y post – clasificación. [Tesis de maestría, Universidad Nacional de La Plata]. Repositorio Institucional. Gómez, I. U. H., Ellis, E. A. y Gómez, C. A. G. (2013). Aplicación de teledetección y sistemas de información geográfica para el análisis de deforestación y deterioro de selvas tropicales en la región Uxpanapa, Veracruz. GeoFocus. Revista Internacional de Ciencia y Tecnología de la Información Geográfica, 1(13), 1-24. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. y Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031 Grinand, C., Rakotomalala, F., Gond, V., Vaudry, R., Bernoux, M. y Vieilledent, G. (2013). Estimating deforestation in tropical humid and dry forests in Madagascar from 2000 to 2010 using multi-date Landsat satellite images and the random forests classifier. Remote Sensing of Environment, 139, 68-80. https://doi.org/10.1016/j.rse.2013.07.008 Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D., Stehman, S. V., Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice, C. O. y Townshend, J. R. G. (2013). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science, 342(6160), 850-853. https://doi.org/10.1126/science.1244693 Hernández, R., Fernández, C y Baptista, M. (2014). Metodología de la investigación. (6. a ed.). Mc Graw Hill Education. Instituto de Hidrología, Meteorología y Estudios Ambientales., Instituto Geográfico Agustín Codazzi y Corporación Autónoma Regional del Río Grande de la Magdalena. (2008). Mapa de Cobertura de la Tierra Cuenca Magdalena-Cauca: Metodología CORINE Land Cover adaptada para Colombia a escala 1:100.000. Instituto de Hidrología, Meteorología y Estudios Ambientales, Instituto Geográfico Agustín Codazzi y Corporación Autónoma Regional del río Grande de La Magdalena. Instituto Geográfico Nacional. (s.f.). Infraestructura Nacional de Datos Geoespaciales Fundamentales del Perú. Recuperado el 10 de noviembre de 2021. Instituto Nacional de Recursos Naturales. (1995). Mapa ecológico del Perú. Guía explicativa. Ministerio de Agricultura. 40 Kaplan, G., y Avdan, U. (2019). Evaluating the utilization of the red edge and radar bands from sentinel sensors for wetland classification. CATENA, 178, 109-119. https://doi.org/10.1016/j.catena.2019.03.011 Kranjcic, N., Medak, D., Zupan, R., y Rezo, M. (2019). Machine learning methods for classification of the green infrastructure in city areas. IOP Conference Series: Earth and Environmental Science, 362(1), 012079. https://doi.org/10.1088/1755- 1315/362/1/012079 Laurente, M. (2011). Medición de la deforestación mediante percepción remota en la microcuenca río Supte, Tingo María–Perú. GeoFocus. Revista Internacional de Ciencia y Tecnología de la Información Geográfica, (11), 1-15. Li, J. y Wang, L. (2-6 de noviembre de 2020). Forest Type Classification with Multitemporal Sentinel-2 Data. [Conferencia]. 2020 International Conferences on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData) and IEEE Congress on Cybermatics (Cybermatics). https://doi.org/10.1109/iThings- GreenCom-CPSCom-SmartData-Cybermatics50389.2020.00091 López, J. (2018). Generación de cartografía vectorial automática para cuerpos de agua aplicando análisis multiresolución en imágenes satelitales de alta resolución espacial en la sabana de Bogotá. [Tesis de grado, Universidad distrital Francisco José de Caldas]. Repositorio Institucional. Luo, J., Ma, X., Chu, Q., Xie, M. y Cao, Y. (2021). Characterizing the Up-To-Date Land-Use and Land-Cover Change in Xiong’an New Area from 2017 to 2020 Using the Multi- Temporal Sentinel-2 Images on Google Earth Engine. ISPRS International Journal of Geo-Information, 10(7), 464. https://doi.org/10.3390/ijgi10070464 Marapi, R. (16 de diciembre de 2013). La deforestación de los bosques: un proceso indetenible. SERVINDI. Martinez, G. (2020). Teledetección aplicada a la deforestación de la Amazonía e impactos del COVID-19 sobre la contaminación en Europa mediante Google Earth Engine. [Tesis de grado, Universidad Autónoma de Madrid]. Repositorio Institucional. Méndez, J. (2020). Deforestación en la RNN Nunak, el PNN Chiribique y sus alrededores entre 1990 y 2020, utilizando algoritmos de Machine Learning y sus cálculos de precisión. [Tesis de grado, Universidad de los Andes]. Repositorio Institucional. 41 Mendoza, M.E., Salas, R., y Barboza, E. (2015). Análisis multitemporal de la deforestación usando la clasificación basada en objetos, distrito de Leymebamba (Perú). Revista INDES 3(2):67-76 Ministerio del Ambiente. (s.f.). Bosque y Pérdida de Bosque. Recuperado el 27 de setiembre del 2021 de http://geobosques.minam.gob.pe/geobosque/view/perdida.php Ministerio del Ambiente. (2014a). Memoria técnica: Cuantificación de la Cobertura de Bosque y Cambio de Bosque a no Bosque de la Amazonía Peruana. Periodo 2009-2010-2011. Dirección General de Ordenamiento Territorial. Ministerio del Ambiente. (2014b). Protocolo de Evaluación de la Exactitud Temática del mapa de deforestación. Dirección General de Ordenamiento Territorial. Ministerio del Ambiente. (2019). Cobertura y deforestación en los bosques húmedos amazónicos 2018. Programa Nacional de Conservación de Bosques para la Mitigación del Cambio Climático. http://www.bosques.gob.pe/archivo/Apuntes-del-Bosque- N1.pdf Murillo, R. (2018). Implementación del método de máquinas de soporte vectorial en bases de datos espaciales para análisis de clasificación supervisada en imágenes de sensores remotos. [Tesis de maestría, Universidad Distrital Francisco José de Caldas]. Repositorio Institucional. Nakamo, S. J., Syartinilia, y Setiawan, Y. (2022). Assessment of Land Cover Changes in Litumbandyosi-Gesimasowa Game Reserve using Remote Sensing and GIS. IOP Conference Series: Earth and Environmental Science, 950(1), 012083. https://doi.org/10.1088/1755-1315/950/1/012083 National Aeronautics and Space Administration. (s.f.). EarthData Search. https://search.earthdata.nasa.gov/search Ni, R., Tian, J., Li, X., Yin, D., Li, J., Gong, H., Zhang, J., Zhu, L., y Wu, D. (2021). An enhanced pixel-based phenological feature for accurate paddy rice mapping with Sentinel-2 imagery in Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 178, 282-296. https://doi.org/10.1016/j.isprsjprs.2021.06.018 Ochochoque, J. (2017). Aplicación de la teledetección en el avance de la explotación minera, centro poblado de Malenowski, distrito de Mazuco, región Madre de Dios. [Tesis de grado, Universidad Nacional del Altiplano]. Repositorio Institucional. 42 Olcoz, I. (2016). Copernicus: Automatización de la descarga de imágenes de Sentinel. [Tesis de grado, Universidad Pública de Navarra]. Repositorio Institucional. Organización de las Naciones Unidas para la Agricultura y la Alimentación. (2012). FRA 2015 Términos y Evaluaciones. Organización de las Naciones Unidas para la Agricultura y la Alimentación. Organización de las Naciones Unidas para la Agricultura y la Alimentación. (2016). Los bosques y el cambio climático en el Perú. Organización de las Naciones Unidas para la Agricultura y la Alimentación. Organización de las Naciones Unidas para la Agricultura y Alimentación. (2020). Evaluación de los recursos forestales mundiales 2020 principales resultados. Organización de las Naciones Unidas para la Agricultura y Alimentación. https://doi.org/10.4060/ca8753es Padilla, M., Stehman, S. V., Ramo, R., Corti, D., Hantson, S., Oliva, P., Alonso-Canas, I., Bradley, A. V., Tansey, K., Mota, B., Pereira, J. M. y Chuvieco, E. (2015). Comparing the accuracies of remote sensing global burned area products using stratified random sampling and estimation. Remote Sensing of Environment, 160, 114-121. https://doi.org/10.1016/j.rse.2015.01.005 Pekel, J. F., Cottam, A., Gorelick, N. y Belward, A. S. (2016). High-resolution mapping of global surface water and its long-term changes. Nature, 540(7633), 418-422. https://doi.org/10.1038/nature20584 Perea, A., Meroño, J. y Aguilera, M. (2009). Clasificación orientada a objetos en fotografías aéreas digitales para la discriminación de usos del suelo. Interciencia, 34(9), 612-616. Perilla, G. y Mas, J. (2020). Google Earth Engine (GEE): una poderosa herramienta que vincula el potencial de los datos masivos y la eficacia del procesamiento en la nube. Investigaciones geográficas, (101). https://doi.org/10.14350/rig.59929 Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V., Murayama, Y., y Ranagalage, M. (2020). Sentinel-2 Data for Land Cover/Use Mapping: A review. Remote Sensing 12,2291. doi:10.3390/rs12142291 Piao, Y., Jeong, S., Park, S. y Lee, D. (2021). Analysis of Land Use and Land Cover Change Using Time-Series Data and Random Forest in North Korea. Remote Sensing, 13(17), 3501. https://doi.org/10.3390/rs13173501 Planet (2021). Programa de datos de NICFI. Guía de usuario. Terceras partes (Usuarios Nivel 1). NICFI_User_Guide_v2_ES_Proofed_2.docx (planet.com) 43 Pragunanti, T., Nababan, B., Madduppa, H., y Kushardono, D. (2020). Accuracy assessment of several classification algorithms with and without hue saturation intensity input features on object analyses on benthic habitat mapping in the Pajenekang Island Waters, South Sulawesi. IOP Conference Series: Earth and Environmental Science, 429(1), 012044. https://doi.org/10.1088/1755-1315/429/1/012044 Puerta, R., y Fajardo, R. (2022). Cobertura Boscosa al 2021 en la provincia Leoncio Prado, Perú. The Biologist, 20(1), 93–101. https://doi.org/10.24039/rtb20222011319 Puerta, R. H., Esenarro, D., Minga, C., Rodriguez, C. y Aylas, C. (2021). Open-Access Geographic Sources And Data For The Study And Management Of Natural Resources. Journal of Contemporary Issues in Business and Government, 27(3), 849-857. https://doi.org/10.47750/cibg.2021.27.03.118 Ramírez, M., Martínez, L., Montilla, M., Sarmiento, O., Lazo, J., y Díaz, S. (2020). Obtención de cobertura de tierras agrícolas en imágenes satelitales Sentinel-2 con inyección de imágenes de drones usando Random Forest en Google Earth Engine. Revista de Teledetección, 56, 49-68. https://doi.org/10.4995/raet.2020.14102 Rodríguez, D., Sánchez, N., Domínguez, J. y Santa, C. (2015). Cuestiones de Teledetección. Editorial UNED. Salas, R., Barboza, E., y Oliva, M. (2014). Dinámica multitemporal de índices de deforestación en el distrito de Florida, departamento de Amazonas, Perú. Revista Indes 2(1): 18-27. doi:10.25127/indes.201401.002 Sánchez, H. (2009). Aplicación del SIG en la caracterización y determinación de la causa de contaminación del agua subterránea en el centro poblado Castillo Grande. [Tesis de maestría, Universidad Nacional Agraria de la Selva]. Repositorio Institucional. Setiawan, F., Jiang, D., Hamzah, R., y Matsushita, B. (2022). Inland Water Trophic State Identification using Remote Sensing data and Machine Learning Approach. IOP Conference Series: Earth and Environmental Science, 1062(1), 012033. https://doi.org/10.1088/1755-1315/1062/1/012033 Singh, A. (1989). Review Article Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing, 10(6), 989-1003. https://doi.org/10.1080/01431168908903939 44 Subia, Y. (2020). Análisis multitemporal de cambio de cobertura vegetal y uso de suelos en el Parque Nacional Bahuaja Sonene y su zona de amortiguamiento. [Tesis de grado, Universidad Nacional del Altiplano]. Repositorio Institucional. Suquilanda, C. (2020). Estimación del grado de severidad causada por un incendio sobre cobertura forestal en el sector Irquis (Azuay), utilizando técnicas de teledetección. [Tesis de Grado, Universidad de Cuenca]. Repositorio Institucional. Tarazona, Y. (09 de setiembre de 2019). Algoritmos de machine learning en la teledetección. APROGIS. https://aprogis.com/blogs/algoritmos-de-machine-learning-en- lateledeteccion Wolters, S., Söderström, M., Piikki, K., Reese, H., y Stenberg, M. (2021). Upscaling proximal sensor N-uptake predictions in winter wheat (Triticum aestivum L.) with Sentinel-2 satellite data for use in a decision support system. Precision Agriculture, 22(4), 1263- 1283. https://doi.org/10.1007/s11119-020-09783-7 Yang, W., John, V. O., Zhao, X., Lu, H. y Knapp, K. R. (2016). Satellite Climate Data Records: Development, Applications, and Societal Benefits. Remote Sensing, 8(4), 331. https://doi.org/10.3390/rs8040331 45 ANEXOS Anexo A. Tabla 6. Matriz de consistencia Análisis de la deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú Problema general Objetivos Hipótesis Variables de estudio Dimensió n Indicadores Instrumento de medida Metodología ¿Cuánto varía el área deforestada durante los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú? General General Deforestación -Ficha de observación - Matriz de cambio -Matriz de confusión - Enfoque: cuantitativo - Tipo: aplicativo - Nivel: descriptivo - Método: deductivo (de lo general a específico) - Diseño: No experimental longitudinal - Población: Distrito Castillo Grande - Técnica: Observación no experimental - Instrumento: Ficha de observación. - Técnicas de análisis de datos: se utilizará la estadística descriptiva, cuadros, figuras de Excel y mapas generados en ArcGis 10,5 Analizar de la deforestación en el distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 Es posible analizar la deforestación en el distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 Específicos Específicos Evaluar la exactitud temática de la clasificación de los mapas de deforestación del distrito Castillo Grande, Huánuco, Perú de los años 2016 y 2022 con los algoritmos Support Vector Machine (SVM), Decision Tree (DT) y Random Forest (RF) en imágenes Sentinel 2 Uno de los 3 algoritmos de clasificación supervisada en los mapas de deforestación del distrito Castillo Grande de los años 2016 y 2022 tiene una exactitud temática alta. -Espacial -Temporal -Exactitud Categorías de coberturas (ha): - Bosque - Deforestado - Hidrografía Cambios de cobertura (ha/año) Índice de Kappa Exactitud global (%) Estimar la superficie deforestada de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú La deforestación del distrito Castillo Grande abarca gran parte del total del área. Cuantificar la tasa de deforestación de los años 2016 y 2022 en el distrito Castillo Grande, Huánuco, Perú La deforestación en el distrito Castillo Grande de los años 2016 y 2022 ha sido en forma ascendente 46 Anexo B. Tabla 7. Matriz de confusión Categoría Bosque Deforestado Agua Total Exactitud del usuario Bosque A1 A2 A3 A1+A2+A3 EU1 Deforestado B1 B2 B3 B1+B2+B3 EU2 Agua C1 C2 C3 C1+C2+C3 EU3 Total A1+B1+C1 A2+B2+C3 A3+B3+C3+ Exactitud del productor EP1 EP2 EP3 Exactitud global Anexo C. Tabla 8. Puntos de validación para el algoritmo Support Vector Machine del año 2016. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 385538,1068 8983098,051 Bosque 2016 2 Bosque 389131,637 8983837,715 Deforestado 2016 3 Bosque 386723,736 8978606,188 Deforestado 2016 4 Bosque 385314,7946 8981259,028 Deforestado 2016 5 Bosque 382184,2555 8986714,285 Bosque 2016 6 Bosque 388157,2948 8977832,132 Bosque 2016 7 Bosque 383913,0062 8983241,011 Bosque 2016 8 Bosque 388404,9488 8980149,812 Deforestado 2016 9 Bosque 387897,0785 8980527,793 Bosque 2016 10 Bosque 389272,1337 8973125,293 Bosque 2016 11 Bosque 388661,2301 8975286,122 Bosque 2016 12 Bosque 384581,2347 8988710,79 Deforestado 2016 13 Bosque 387842,9134 8983943,92 Bosque 2016 14 Bosque 381391,8827 8987848,273 Bosque 2016 15 Bosque 382836,0766 8986157,777 Bosque 2016 16 Bosque 386285,5562 8976484,1 Deforestado 2016 17 Bosque 386138,9457 8981707,737 Deforestado 2016 18 Bosque 389293,0563 8976920,54 Deforestado 2016 19 Bosque 380416,9346 8983972,943 Bosque 2016 20 Bosque 389546,7396 8977609,214 Deforestado 2016 21 Bosque 383578,1033 8986363,317 Bosque 2016 22 Bosque 388229,3482 8978892,123 Bosque 2016 23 Bosque 384633,626 8985918,816 Bosque 2016 24 Bosque 385278,1474 8984201,09 Bosque 2016 25 Bosque 383322,1077 8987520,77 Bosque 2016 26 Bosque 388936,9963 8983788,519 Bosque 2016 27 Bosque 386215,49 8986295,561 Bosque 2016 28 Bosque 384682,2631 8984359,72 Deforestado 2016 29 Bosque 384602,0244 8984847,191 Bosque 2016 30 Bosque 387717,5112 8987140,926 Bosque 2016 31 Bosque 387229,1861 8979167,387 Bosque 2016 32 Bosque 387647,7245 8974978,958 Bosque 2016 33 Bosque 383809,3876 8988005,27 Bosque 2016 47 34 Bosque 383541,5874 8982173,512 Bosque 2016 35 Bosque 380619,5458 8985410,761 Bosque 2016 36 Bosque 387762,7545 8974902,495 Bosque 2016 37 Bosque 385635,0946 8983194,929 Bosque 2016 38 Bosque 387184,742 8987063,564 Bosque 2016 39 Bosque 386730,9024 8984126,213 Bosque 2016 40 Bosque 385692,004 8985607,879 Bosque 2016 41 Bosque 385611,4745 8987078,263 Bosque 2016 42 Bosque 389099,1261 8979655,234 Deforestado 2016 43 Bosque 387695,6435 8979599,576 Bosque 2016 44 Bosque 387886,8642 8979078,025 Deforestado 2016 45 Bosque 381095,0893 8986919,908 Bosque 2016 46 Bosque 385780,8323 8979241,552 Deforestado 2016 47 Bosque 387445,5986 8974722,939 Bosque 2016 48 Bosque 386604,285 8982083,731 Bosque 2016 49 Bosque 386612,5778 8986192,86 Deforestado 2016 50 Deforestado 387634,7044 8978690,763 Bosque 2016 51 Deforestado 386892,5275 8987743,154 Deforestado 2016 52 Deforestado 385918,0845 8977224,76 Deforestado 2016 53 Deforestado 386184,6312 8977317,932 Deforestado 2016 54 Deforestado 382872,94 8985289,647 Deforestado 2016 55 Deforestado 380422,0013 8985091,349 Bosque 2016 56 Deforestado 388445,8331 8982183,151 Bosque 2016 57 Deforestado 387202,7049 8982212,298 Bosque 2016 58 Deforestado 389770,9529 8974612,576 Deforestado 2016 59 Deforestado 382350,5296 8984836,368 Bosque 2016 60 Deforestado 382825,7842 8987882,468 Deforestado 2016 61 Deforestado 388473,5028 8972096,576 Deforestado 2016 62 Deforestado 381142,2277 8989971,539 Deforestado 2016 63 Deforestado 385966,6153 8980570,276 Deforestado 2016 64 Deforestado 384362,7374 8988207,404 Deforestado 2016 65 Deforestado 388023,6213 8973520,597 Bosque 2016 66 Deforestado 387306,9138 8973996,81 Bosque 2016 67 Deforestado 388743,9473 8976560,457 Deforestado 2016 68 Deforestado 383718,5092 8984643,255 Deforestado 2016 69 Deforestado 389815,7432 8982404,202 Deforestado 2016 70 Deforestado 384695,2372 8984161,894 Deforestado 2016 71 Deforestado 389933,6286 8978859,793 Deforestado 2016 72 Deforestado 383279,6172 8988820,219 Deforestado 2016 73 Deforestado 389960,7806 8977195,077 Deforestado 2016 74 Deforestado 384982,3346 8985278,061 Bosque 2016 75 Deforestado 386832,2572 8981745,846 Bosque 2016 76 Deforestado 385910,9576 8984134,039 Deforestado 2016 77 Deforestado 385989,1734 8987416,244 Deforestado 2016 78 Deforestado 383498,1879 8984693,025 Bosque 2016 79 Deforestado 384413,7806 8986535,886 Bosque 2016 80 Deforestado 380694,1968 8985925,039 Deforestado 2016 81 Deforestado 387175,2422 8986666,098 Deforestado 2016 48 82 Deforestado 389665,1789 8983240,013 Deforestado 2016 83 Deforestado 388590,1317 8984147,266 Bosque 2016 84 Deforestado 387210,1264 8982150,979 Deforestado 2016 85 Deforestado 388607,2921 8978215,036 Deforestado 2016 86 Deforestado 383467,7695 8988481,542 Deforestado 2016 87 Deforestado 388478,614 8982398,644 Bosque 2016 88 Deforestado 388040,9674 8974335,534 Deforestado 2016 89 Deforestado 386526,5017 8986760,376 Bosque 2016 90 Deforestado 387890,4728 8973137,186 Deforestado 2016 91 Deforestado 388556,1798 8972490,235 Deforestado 2016 92 Deforestado 386438,6368 8987532,868 Deforestado 2016 93 Deforestado 388028,6085 8974011,474 Deforestado 2016 94 Deforestado 387626,9723 8986847,4 Deforestado 2016 95 Deforestado 389677,4207 8976869,902 Deforestado 2016 96 Deforestado 387792,4755 8972230,548 Bosque 2016 97 Deforestado 380067,5266 8984552,87 Bosque 2016 98 Deforestado 383158,9444 8983714,122 Deforestado 2016 99 Hidrografía 388602,3297 8979061,016 Bosque 2016 100 Hidrografía 387370,8035 8988286,023 Hidrografía 2016 101 Hidrografía 389838,7936 8973657,827 Hidrografía 2016 102 Hidrografía 388418,7027 8986257,724 Hidrografía 2016 103 Hidrografía 389351,4703 8983969,167 Hidrografía 2016 104 Hidrografía 390056,1351 8981944,125 Hidrografía 2016 105 Hidrografía 388942,4374 8984688,378 Hidrografía 2016 106 Hidrografía 389486,2007 8983877,195 Hidrografía 2016 107 Hidrografía 385456,7309 8988625,271 Hidrografía 2016 108 Hidrografía 389874,7195 8976710,659 Hidrografía 2016 109 Hidrografía 389926,888 8977631,813 Hidrografía 2016 110 Hidrografía 388441,0056 8986285,302 Hidrografía 2016 111 Hidrografía 387351,1635 8988206,429 Hidrografía 2016 112 Hidrografía 388715,1528 8985220,948 Hidrografía 2016 113 Hidrografía 389944,0965 8975347,93 Hidrografía 2016 114 Hidrografía 384738,7218 8989076,087 Hidrografía 2016 115 Hidrografía 389004,1444 8984614,274 Hidrografía 2016 116 Hidrografía 388040,1621 8987190,868 Hidrografía 2016 117 Hidrografía 390317,2613 8981303,298 Hidrografía 2016 118 Hidrografía 390372,8046 8979423,645 Hidrografía 2016 119 Hidrografía 386895,4431 8988497,561 Hidrografía 2016 120 Hidrografía 389742,3299 8972075,405 Hidrografía 2016 121 Hidrografía 390240,2971 8980626,938 Hidrografía 2016 122 Hidrografía 386028,0897 8988420,831 Hidrografía 2016 123 Hidrografía 388500,414 8985640,168 Hidrografía 2016 124 Hidrografía 385539,5336 8988562,845 Hidrografía 2016 125 Hidrografía 388524,7191 8985952,765 Hidrografía 2016 126 Hidrografía 384359,9606 8989000,196 Hidrografía 2016 127 Hidrografía 389913,6696 8976920,779 Hidrografía 2016 128 Hidrografía 390036,865 8974309,019 Hidrografía 2016 129 Hidrografía 388536,2774 8985699,545 Deforestado 2016 49 130 Hidrografía 389794,5757 8978081,323 Hidrografía 2016 131 Hidrografía 388723,1636 8985261,091 Hidrografía 2016 132 Hidrografía 386004,003 8988421,518 Hidrografía 2016 133 Hidrografía 390423,2734 8979849,901 Hidrografía 2016 134 Hidrografía 389707,0797 8976374,71 Hidrografía 2016 135 Hidrografía 389817,3083 8973542,879 Hidrografía 2016 136 Hidrografía 389950,9271 8975512 Hidrografía 2016 137 Hidrografía 388047,9626 8983815,641 Bosque 2016 138 Hidrografía 389751,2828 8982818,706 Hidrografía 2016 139 Hidrografía 390095,8879 8981859,856 Hidrografía 2016 140 Hidrografía 389904,6073 8973361,002 Hidrografía 2016 141 Hidrografía 390101,9806 8973894,633 Hidrografía 2016 142 Hidrografía 382143,1634 8990024,437 Hidrografía 2016 143 Hidrografía 390441,2807 8979946,485 Hidrografía 2016 144 Hidrografía 390099,5349 8974187,486 Hidrografía 2016 145 Hidrografía 389259,5232 8971035,837 Hidrografía 2016 146 Hidrografía 389986,5163 8975788,183 Hidrografía 2016 147 Hidrografía 390275,6427 8980518,032 Hidrografía 2016 Anexo D. Tabla 9. Puntos de validación para el algoritmo Decision Tree del año 2016. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 387236,7 8983076,6 Bosque 2016 2 Bosque 382050,48 8988453 Bosque 2016 3 Bosque 382515,54 8984800,3 Bosque 2016 4 Bosque 389718,78 8979489,8 Deforestado 2016 5 Bosque 382601,54 8983384,6 Bosque 2016 6 Bosque 385973 8976487,7 Bosque 2016 7 Bosque 389202,41 8979901,8 Deforestado 2016 8 Bosque 389845,13 8980377,9 Bosque 2016 9 Bosque 387216,79 8972690,6 Deforestado 2016 10 Bosque 385703,76 8985461 Deforestado 2016 11 Bosque 383610,31 8985934,4 Bosque 2016 12 Bosque 380397,44 8987371,2 Bosque 2016 13 Bosque 382395,8 8986077,3 Bosque 2016 14 Bosque 389157,07 8971610,7 Deforestado 2016 15 Bosque 387774,7 8972939,9 Deforestado 2016 16 Bosque 388332,81 8985577,7 Bosque 2016 17 Bosque 385854,56 8983960,8 Bosque 2016 18 Bosque 381774,11 8989084,8 Bosque 2016 19 Bosque 387108,16 8981747,9 Bosque 2016 20 Bosque 387580,22 8975660,1 Bosque 2016 21 Bosque 389519,15 8982287,4 Deforestado 2016 22 Bosque 381799,66 8990133,2 Bosque 2016 23 Bosque 388049,9 8979923,6 Deforestado 2016 24 Bosque 383909,06 8982616,3 Bosque 2016 50 25 Bosque 389906,28 8979094,8 Deforestado 2016 26 Bosque 387406,93 8977483,5 Deforestado 2016 27 Bosque 384043,03 8982782 Deforestado 2016 28 Bosque 381000,87 8985351,9 Bosque 2016 29 Bosque 389268,07 8974798,9 Bosque 2016 30 Bosque 384196,35 8987815 Bosque 2016 31 Bosque 385439,34 8980387,7 Bosque 2016 32 Bosque 384592,84 8984973,6 Bosque 2016 33 Bosque 383926,3 8988413,2 Deforestado 2016 34 Bosque 387555,08 8986784,8 Bosque 2016 35 Bosque 386089,99 8980893,8 Bosque 2016 36 Bosque 387533,84 8974084,9 Deforestado 2016 37 Bosque 386880,93 8981955,5 Bosque 2016 38 Bosque 385470,75 8983899,6 Bosque 2016 39 Bosque 381806,8 8985680,2 Bosque 2016 40 Bosque 386281,26 8977520 Bosque 2016 41 Bosque 387986 8980835,9 Bosque 2016 42 Bosque 386624,9 8981224,8 Deforestado 2016 43 Bosque 386346,56 8985398,4 Deforestado 2016 44 Bosque 388986,84 8972327,3 Bosque 2016 45 Bosque 384503,98 8986696,6 Bosque 2016 46 Bosque 383642,96 8987138,5 Bosque 2016 47 Bosque 380553,82 8987421,1 Bosque 2016 48 Bosque 382166,03 8984520,1 Bosque 2016 49 Bosque 382146,32 8988582,6 Deforestado 2016 50 Deforestado 388228,87 8982472,1 Bosque 2016 51 Deforestado 388835,11 8973356,8 Deforestado 2016 52 Deforestado 387779,01 8987593,8 Deforestado 2016 53 Deforestado 389201,04 8974242 Deforestado 2016 54 Deforestado 388104,91 8971786,7 Deforestado 2016 55 Deforestado 386752,7 8987428,2 Deforestado 2016 56 Deforestado 381545,24 8989918,3 Bosque 2016 57 Deforestado 389403,77 8983630,9 Hidrografía 2016 58 Deforestado 383784,68 8984513,2 Deforestado 2016 59 Deforestado 387287,41 8987649 Deforestado 2016 60 Deforestado 389211,4 8973816,1 Deforestado 2016 61 Deforestado 385558,39 8982902,2 Deforestado 2016 62 Deforestado 385061,97 8988908,8 Deforestado 2016 63 Deforestado 389317,71 8974418,8 Deforestado 2016 64 Deforestado 389776,7 8973703,4 Hidrografía 2016 65 Deforestado 386670,33 8981313,5 Deforestado 2016 66 Deforestado 385364,13 8984873,8 Deforestado 2016 67 Deforestado 383511,24 8987069 Bosque 2016 68 Deforestado 389805,78 8973959 Deforestado 2016 51 69 Deforestado 387157,53 8982682,8 Deforestado 2016 70 Deforestado 385979,32 8987734 Deforestado 2016 71 Deforestado 385192,11 8982615,3 Bosque 2016 72 Deforestado 382730,79 8984629,6 Deforestado 2016 73 Deforestado 383303,86 8982373,7 Deforestado 2016 74 Deforestado 388160,17 8983382,4 Deforestado 2016 75 Deforestado 382452,79 8988693,3 Deforestado 2016 76 Deforestado 383047,33 8984233,4 Bosque 2016 77 Deforestado 389597,3 8972173,1 Deforestado 2016 78 Deforestado 387000,95 8978477,3 Deforestado 2016 79 Deforestado 382857,34 8989035,4 Deforestado 2016 80 Deforestado 387950,17 8972687 Bosque 2016 81 Deforestado 386872,96 8983804,7 Deforestado 2016 82 Deforestado 383237,49 8982953,8 Bosque 2016 83 Deforestado 387111,87 8982339 Bosque 2016 84 Deforestado 384051,79 8985770,2 Deforestado 2016 85 Deforestado 382211,29 8984691,9 Bosque 2016 86 Deforestado 389482,09 8973385,8 Deforestado 2016 87 Deforestado 387306,2 8986338,3 Deforestado 2016 88 Deforestado 384208,25 8982633,7 Deforestado 2016 89 Deforestado 386448,54 8977929,7 Deforestado 2016 90 Deforestado 387254,21 8974013,6 Deforestado 2016 91 Deforestado 384361,58 8988682,6 Deforestado 2016 92 Deforestado 386990,65 8972877,7 Deforestado 2016 93 Deforestado 385752,85 8988230,7 Deforestado 2016 94 Deforestado 385678,1 8981776,2 Deforestado 2016 95 Deforestado 386649,21 8983264,2 Deforestado 2016 96 Deforestado 388864,24 8983498,3 Deforestado 2016 97 Deforestado 383728,51 8987516,5 Bosque 2016 98 Deforestado 383007,9 8983572,7 Deforestado 2016 99 Hidrografía 388610,95 8985540 Hidrografía 2016 100 Hidrografía 389825,94 8973525,7 Hidrografía 2016 101 Hidrografía 389947,12 8973913,9 Hidrografía 2016 102 Hidrografía 390039,35 8972653,2 Hidrografía 2016 103 Hidrografía 386941,23 8988512,4 Hidrografía 2016 104 Hidrografía 384563,53 8989225,1 Hidrografía 2016 105 Hidrografía 390240,08 8980595,1 Hidrografía 2016 106 Hidrografía 387146,93 8988450,7 Hidrografía 2016 107 Hidrografía 389940,08 8975689,1 Hidrografía 2016 108 Hidrografía 390288,59 8981277 Hidrografía 2016 109 Hidrografía 389594,08 8971895,9 Hidrografía 2016 110 Hidrografía 390062,69 8981914,7 Hidrografía 2016 111 Hidrografía 389721,14 8972094,7 Hidrografía 2016 112 Hidrografía 386097,46 8988387,4 Hidrografía 2016 52 113 Hidrografía 389845,95 8976122,2 Hidrografía 2016 114 Hidrografía 384599,27 8989214,6 Hidrografía 2016 115 Hidrografía 386020,13 8988335,1 Hidrografía 2016 116 Hidrografía 388819,39 8985176,3 Hidrografía 2016 117 Hidrografía 389940,64 8974511,6 Hidrografía 2016 118 Hidrografía 385642,86 8988391,3 Hidrografía 2016 119 Hidrografía 389884,03 8973930 Hidrografía 2016 120 Hidrografía 384285,81 8989021,8 Hidrografía 2016 121 Hidrografía 385765,42 8988372,4 Hidrografía 2016 122 Hidrografía 389973,31 8975534,9 Hidrografía 2016 123 Hidrografía 390359,03 8979597,3 Hidrografía 2016 124 Hidrografía 386620,21 8988386,5 Hidrografía 2016 125 Hidrografía 389831,33 8977903,2 Hidrografía 2016 126 Hidrografía 384347,25 8989090,9 Hidrografía 2016 127 Hidrografía 387187,41 8988340 Hidrografía 2016 128 Hidrografía 388331,5 8985946,6 Hidrografía 2016 129 Hidrografía 384432,41 8989095,4 Hidrografía 2016 130 Hidrografía 388028,87 8987197 Hidrografía 2016 131 Hidrografía 390009,54 8978834,1 Hidrografía 2016 132 Hidrografía 389851,21 8973374,8 Hidrografía 2016 133 Hidrografía 389437,68 8971597,5 Hidrografía 2016 134 Hidrografía 390292,92 8980665,5 Hidrografía 2016 135 Hidrografía 390267,25 8980771 Hidrografía 2016 136 Hidrografía 389997,32 8976833,7 Hidrografía 2016 137 Hidrografía 389931,03 8975150,6 Hidrografía 2016 138 Hidrografía 389806,59 8982799 Hidrografía 2016 139 Hidrografía 390303,81 8981488,8 Hidrografía 2016 140 Hidrografía 389946,07 8974611,2 Hidrografía 2016 141 Hidrografía 384624,88 8989276,6 Hidrografía 2016 142 Hidrografía 388948,29 8984880,5 Hidrografía 2016 143 Hidrografía 389930,24 8973449,2 Hidrografía 2016 144 Hidrografía 387213,35 8988332,7 Hidrografía 2016 145 Hidrografía 384605,05 8989225,8 Hidrografía 2016 146 Hidrografía 390485,08 8979703,5 Hidrografía 2016 147 Hidrografía 390031,41 8981994,1 Hidrografía 2016 Anexo E. Tabla 10. Puntos de validación para el algoritmo Random Forest del año 2016. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 389405,84 8983298,4 Hidrografía 2016 2 Bosque 384374,9 8982864,8 Bosque 2016 3 Bosque 386293,78 8978244,7 Bosque 2016 4 Bosque 381191,01 8989151 Bosque 2016 5 Bosque 384909,36 8983499,3 Bosque 2016 53 6 Bosque 382025,54 8984489,9 Bosque 2016 7 Bosque 384259,74 8982124,2 Bosque 2016 8 Bosque 388109,12 8982029,4 Deforestado 2016 9 Bosque 386160,45 8980564,7 Bosque 2016 10 Bosque 382805,42 8983773,9 Bosque 2016 11 Bosque 386112,68 8975967,3 Bosque 2016 12 Bosque 383297,59 8987981,7 Bosque 2016 13 Bosque 388262,11 8972222,6 Bosque 2016 14 Bosque 386206,95 8986653,3 Deforestado 2016 15 Bosque 387036,56 8985238,4 Deforestado 2016 16 Bosque 382095,67 8986300,2 Bosque 2016 17 Bosque 380935,79 8986643,7 Bosque 2016 18 Bosque 389104,88 8981341,9 Bosque 2016 19 Bosque 385110,77 8979558,6 Bosque 2016 20 Bosque 381261,25 8989229,9 Bosque 2016 21 Bosque 387624,21 8973175,3 Bosque 2016 22 Bosque 383674,87 8987191,8 Bosque 2016 23 Bosque 384272,88 8983628,6 Bosque 2016 24 Bosque 383893,51 8988159,8 Bosque 2016 25 Bosque 385123,08 8982482 Bosque 2016 26 Bosque 387130 8980680,3 Bosque 2016 27 Bosque 385932,81 8982940,9 Bosque 2016 28 Bosque 387020,49 8981252,3 Bosque 2016 29 Bosque 380436,57 8986738,6 Deforestado 2016 30 Bosque 387579,02 8981719,2 Bosque 2016 31 Bosque 389202,25 8983829,1 Bosque 2016 32 Bosque 386827,15 8973003,6 Bosque 2016 33 Bosque 387705,49 8982013,2 Bosque 2016 34 Bosque 382801,36 8988185,2 Bosque 2016 35 Bosque 383991,52 8982688,1 Bosque 2016 36 Bosque 384645,12 8988111,2 Bosque 2016 37 Bosque 383409,16 8987751,5 Deforestado 2016 38 Bosque 389075,64 8983536,2 Deforestado 2016 39 Bosque 387527,99 8980133,6 Deforestado 2016 40 Bosque 386982,1 8976174 Bosque 2016 41 Bosque 382061,36 8988389,4 Bosque 2016 42 Bosque 386504,96 8977352,2 Bosque 2016 43 Bosque 385110,76 8986256,6 Bosque 2016 44 Bosque 386235,43 8977400,6 Bosque 2016 45 Bosque 381194,57 8986018,6 Bosque 2016 46 Bosque 389252,05 8978791,7 Bosque 2016 47 Bosque 386343,75 8977240,7 Bosque 2016 48 Bosque 381395,45 8984935,5 Bosque 2016 54 49 Bosque 389925,84 8979803,9 Bosque 2016 50 Deforestado 385217,67 8981672,2 Bosque 2016 51 Deforestado 384476,84 8986701,3 Deforestado 2016 52 Deforestado 381848,27 8983848,5 Deforestado 2016 53 Deforestado 380329,15 8986724,8 Deforestado 2016 54 Deforestado 386930,6 8977069 Deforestado 2016 55 Deforestado 389943,58 8973755,6 Deforestado 2016 56 Deforestado 389598,04 8974703 Deforestado 2016 57 Deforestado 389194,12 8973414,4 Deforestado 2016 58 Deforestado 383791,05 8987127,6 Deforestado 2016 59 Deforestado 388492,96 8971295,5 Deforestado 2016 60 Deforestado 385808,03 8981004,7 Deforestado 2016 61 Deforestado 381104,83 8985802,3 Bosque 2016 62 Deforestado 389193,03 8973394,5 Deforestado 2016 63 Deforestado 388192,44 8977123,7 Deforestado 2016 64 Deforestado 389561,91 8972183,8 Deforestado 2016 65 Deforestado 388941,3 8976759,3 Deforestado 2016 66 Deforestado 388081,08 8983080,4 Bosque 2016 67 Deforestado 381858,72 8986897,6 Deforestado 2016 68 Deforestado 383397,16 8983689,2 Bosque 2016 69 Deforestado 390436,85 8980049,3 Deforestado 2016 70 Deforestado 385670,38 8988455,5 Deforestado 2016 71 Deforestado 389908,41 8977849,1 Hidrografía 2016 72 Deforestado 384102,34 8981255,5 Deforestado 2016 73 Deforestado 388671,07 8973695,1 Deforestado 2016 74 Deforestado 387730,26 8980920,9 Deforestado 2016 75 Deforestado 382337,79 8983929,3 Deforestado 2016 76 Deforestado 385390,23 8987983,3 Deforestado 2016 77 Deforestado 380267,15 8986214,3 Deforestado 2016 78 Deforestado 384093,58 8989037,2 Deforestado 2016 79 Deforestado 387648,2 8987678,5 Deforestado 2016 80 Deforestado 386965,93 8987321,3 Deforestado 2016 81 Deforestado 389848,82 8978945,5 Deforestado 2016 82 Deforestado 382962,64 8983529 Deforestado 2016 83 Deforestado 387002,93 8978501 Deforestado 2016 84 Deforestado 386411,71 8977555 Bosque 2016 85 Deforestado 381901,6 8985390,7 Deforestado 2016 86 Deforestado 386466,41 8983639,9 Deforestado 2016 87 Deforestado 388128,96 8971439,4 Deforestado 2016 88 Deforestado 390198,27 8979196,9 Deforestado 2016 89 Deforestado 389004,66 8974426,7 Deforestado 2016 90 Deforestado 387802,79 8972044,3 Bosque 2016 91 Deforestado 388802,86 8972861,6 Deforestado 2016 55 92 Deforestado 385337,03 8988060,8 Deforestado 2016 93 Deforestado 386640,98 8986322,8 Deforestado 2016 94 Deforestado 387575,28 8987518,8 Deforestado 2016 95 Deforestado 383221,14 8981886,7 Deforestado 2016 96 Deforestado 387522,96 8986133,7 Deforestado 2016 97 Deforestado 388269 8977516,9 Deforestado 2016 98 Deforestado 389369,93 8983026,2 Deforestado 2016 99 Hidrografía 387037,99 8988386,9 Hidrografía 2016 100 Hidrografía 388517,27 8985502,7 Hidrografía 2016 101 Hidrografía 389986,01 8975968,4 Hidrografía 2016 102 Hidrografía 389998,97 8982068 Hidrografía 2016 103 Hidrografía 387135,5 8988493,8 Hidrografía 2016 104 Hidrografía 385342,05 8988636,1 Hidrografía 2016 105 Hidrografía 389867,66 8977803,6 Hidrografía 2016 106 Hidrografía 389943,98 8975442,5 Hidrografía 2016 107 Hidrografía 389916,06 8977778,1 Hidrografía 2016 108 Hidrografía 389426,04 8983991,5 Hidrografía 2016 109 Hidrografía 389919,22 8978734,1 Hidrografía 2016 110 Hidrografía 388710,41 8985399,3 Hidrografía 2016 111 Hidrografía 390061,1 8977032,7 Hidrografía 2016 112 Hidrografía 389932,07 8977732,4 Hidrografía 2016 113 Hidrografía 384705,42 8989253,4 Hidrografía 2016 114 Hidrografía 388862,1 8985091 Hidrografía 2016 115 Hidrografía 389860,28 8973431 Hidrografía 2016 116 Hidrografía 387026,09 8988366 Hidrografía 2016 117 Hidrografía 389927,69 8976074,6 Hidrografía 2016 118 Hidrografía 389930,77 8975486,2 Hidrografía 2016 119 Hidrografía 389777,94 8976573,1 Hidrografía 2016 120 Hidrografía 390408,05 8979967,5 Hidrografía 2016 121 Hidrografía 385498,31 8988525 Hidrografía 2016 122 Hidrografía 390368,19 8979494,2 Hidrografía 2016 123 Hidrografía 389837,28 8976721,1 Hidrografía 2016 124 Hidrografía 389071,1 8984493,6 Hidrografía 2016 125 Hidrografía 389362,38 8971403,5 Hidrografía 2016 126 Hidrografía 389732,88 8976403,4 Hidrografía 2016 127 Hidrografía 384655,85 8989205,6 Hidrografía 2016 128 Hidrografía 389770,64 8972165,9 Hidrografía 2016 129 Hidrografía 390398,93 8979935,9 Hidrografía 2016 130 Hidrografía 388464,64 8985680,7 Hidrografía 2016 131 Hidrografía 390266,39 8981345,3 Hidrografía 2016 132 Hidrografía 389983,13 8982170,9 Hidrografía 2016 133 Hidrografía 386941,85 8988495 Hidrografía 2016 134 Hidrografía 389048,62 8984507,7 Hidrografía 2016 56 135 Hidrografía 389615,97 8977633,7 Hidrografía 2016 136 Hidrografía 385431,09 8988524,8 Hidrografía 2016 137 Hidrografía 389841,87 8978352,9 Hidrografía 2016 138 Hidrografía 389798,11 8976617 Hidrografía 2016 139 Hidrografía 389875,57 8977827,1 Hidrografía 2016 140 Hidrografía 390284,05 8980365,4 Hidrografía 2016 141 Hidrografía 389785,29 8972149,3 Hidrografía 2016 142 Hidrografía 389844,3 8973872,7 Hidrografía 2016 143 Hidrografía 389972,57 8975819 Hidrografía 2016 144 Hidrografía 389689,06 8976352,2 Hidrografía 2016 145 Hidrografía 388562,47 8986038,6 Hidrografía 2016 146 Hidrografía 387303,29 8988248,2 Hidrografía 2016 147 Hidrografía 389744,11 8976517,5 Hidrografía 2016 Anexo F. Tabla 11. Puntos de validación para el algoritmo Support Vector Machine del año 2022. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 384892,135 8977538,44 Bosque 2022 2 Bosque 386531,488 8982061,12 Bosque 2022 3 Bosque 387250,453 8978760,09 Bosque 2022 4 Bosque 389755,782 8973918,84 Deforestado 2022 5 Bosque 389277,068 8979555,05 Bosque 2022 6 Bosque 386795,637 8982183,92 Deforestado 2022 7 Bosque 383287,524 8984697,04 Bosque 2022 8 Bosque 388882,142 8983442,59 Bosque 2022 9 Bosque 383348,936 8984923,03 Bosque 2022 10 Bosque 384084,665 8983738,81 Deforestado 2022 11 Bosque 389270,16 8981001,75 Bosque 2022 12 Bosque 383616,605 8981931,1 Bosque 2022 13 Bosque 380933,53 8986940,7 Bosque 2022 14 Bosque 387713,243 8982212,16 Bosque 2022 15 Bosque 382558,985 8989241,04 Bosque 2022 16 Bosque 381484,851 8990510,86 Bosque 2022 17 Bosque 386811,492 8984597,73 Bosque 2022 18 Bosque 386135,591 8983351,85 Bosque 2022 19 Bosque 384621,384 8986481,42 Bosque 2022 20 Bosque 387357,318 8982140,21 Bosque 2022 21 Bosque 389148,706 8980085,25 Bosque 2022 22 Bosque 388854,495 8981718,64 Bosque 2022 23 Bosque 387190,382 8986098,37 Deforestado 2022 24 Bosque 385444,127 8984053,43 Deforestado 2022 25 Bosque 385973,157 8976774,05 Bosque 2022 26 Bosque 385523,475 8977484,7 Bosque 2022 27 Bosque 386548,785 8980370,38 Deforestado 2022 57 28 Bosque 388127,362 8980242,51 Deforestado 2022 29 Bosque 388261,302 8977689,01 Bosque 2022 30 Bosque 387920,74 8983682,91 Deforestado 2022 31 Bosque 382113,551 8990091,42 Deforestado 2022 32 Bosque 388880,004 8977092,14 Bosque 2022 33 Bosque 383531,579 8982388,3 Bosque 2022 34 Bosque 388416,948 8985921,63 Bosque 2022 35 Bosque 384627,146 8980202,64 Bosque 2022 36 Bosque 381697,089 8984616,11 Bosque 2022 37 Bosque 386897,394 8979618,9 Deforestado 2022 38 Bosque 388914,989 8971923,68 Bosque 2022 39 Bosque 380520,241 8987333,51 Bosque 2022 40 Bosque 381968,87 8984260,73 Bosque 2022 41 Bosque 385594,152 8977045,3 Bosque 2022 42 Bosque 385145,982 8986102,18 Bosque 2022 43 Bosque 379800,334 8985765,89 Bosque 2022 44 Bosque 386668,88 8984278,62 Bosque 2022 45 Bosque 386447,27 8981835,28 Bosque 2022 46 Bosque 386792,861 8977458,94 Deforestado 2022 47 Bosque 388439,094 8979923,06 Deforestado 2022 48 Bosque 386471,199 8976741,94 Bosque 2022 49 Bosque 389726,374 8983071,53 Deforestado 2022 50 Deforestado 389406,685 8980818,62 Deforestado 2022 51 Deforestado 389189,902 8976300,91 Deforestado 2022 52 Deforestado 386161,671 8982452,65 Deforestado 2022 53 Deforestado 387865,153 8986414,42 Deforestado 2022 54 Deforestado 386524,77 8987260,25 Bosque 2022 55 Deforestado 381147,7 8986178,65 Deforestado 2022 56 Deforestado 388984,933 8975008,94 Deforestado 2022 57 Deforestado 381768,098 8985969,31 Deforestado 2022 58 Deforestado 389041,774 8979870,64 Bosque 2022 59 Deforestado 388153,048 8982341,99 Deforestado 2022 60 Deforestado 383710,408 8986814,93 Bosque 2022 61 Deforestado 384945,344 8980446,11 Deforestado 2022 62 Deforestado 389211,365 8976227,75 Deforestado 2022 63 Deforestado 382699,414 8989290,54 Deforestado 2022 64 Deforestado 388770,873 8984686,49 Bosque 2022 65 Deforestado 388468,855 8984406,39 Bosque 2022 66 Deforestado 384824,867 8977084,1 Bosque 2022 67 Deforestado 387759,31 8982730,59 Bosque 2022 68 Deforestado 382555,528 8987323,72 Deforestado 2022 69 Deforestado 389144,053 8974106,18 Deforestado 2022 70 Deforestado 389640,665 8974218,7 Deforestado 2022 71 Deforestado 389118,082 8983287,61 Deforestado 2022 58 72 Deforestado 388266,634 8973362,57 Deforestado 2022 73 Deforestado 389843,466 8977066,16 Deforestado 2022 74 Deforestado 383575,352 8982333,74 Bosque 2022 75 Deforestado 385426,181 8982303,26 Bosque 2022 76 Deforestado 388614,818 8981872,22 Bosque 2022 77 Deforestado 388631,358 8984926,18 Bosque 2022 78 Deforestado 388458,955 8978649,38 Deforestado 2022 79 Deforestado 389089,643 8974309,74 Deforestado 2022 80 Deforestado 380971,192 8985293,13 Deforestado 2022 81 Deforestado 388541,331 8976242,8 Deforestado 2022 82 Deforestado 388966,022 8981102,57 Deforestado 2022 83 Deforestado 380210,221 8984226 Bosque 2022 84 Deforestado 385801,814 8981078,2 Deforestado 2022 85 Deforestado 387422,078 8975991,17 Deforestado 2022 86 Deforestado 389483,775 8981940,76 Bosque 2022 87 Deforestado 388805,25 8981302,81 Deforestado 2022 88 Deforestado 388838,917 8974565,72 Deforestado 2022 89 Deforestado 389732,065 8981490,11 Deforestado 2022 90 Deforestado 388669,215 8981246,91 Deforestado 2022 91 Deforestado 386596,916 8975381,02 Deforestado 2022 92 Deforestado 388053,518 8974108,35 Deforestado 2022 93 Deforestado 389257,578 8982718,62 Deforestado 2022 94 Deforestado 387783,555 8978632,5 Deforestado 2022 95 Deforestado 389228,957 8973281,49 Deforestado 2022 96 Deforestado 381098,238 8984564,1 Deforestado 2022 97 Deforestado 382496,252 8984567,79 Bosque 2022 98 Deforestado 384500,049 8981770,42 Deforestado 2022 99 Hidrografía 386520,375 8988304,33 Hidrografía 2022 100 Hidrografía 389920,526 8974514,54 Hidrografía 2022 101 Hidrografía 387961,669 8979676,91 Deforestado 2022 102 Hidrografía 385866,042 8988468,65 Hidrografía 2022 103 Hidrografía 387230,484 8988174,2 Hidrografía 2022 104 Hidrografía 389896,306 8975883,7 Hidrografía 2022 105 Hidrografía 388634,19 8985387,39 Hidrografía 2022 106 Hidrografía 384662,304 8988496,79 Hidrografía 2022 107 Hidrografía 388906,341 8984769,91 Hidrografía 2022 108 Hidrografía 388160,342 8983639,36 Bosque 2022 109 Hidrografía 389956,961 8978316 Hidrografía 2022 110 Hidrografía 389708,698 8977971,66 Hidrografía 2022 111 Hidrografía 389876,609 8978284,6 Hidrografía 2022 112 Hidrografía 385925,046 8988467,4 Hidrografía 2022 113 Hidrografía 388702,373 8985193,52 Hidrografía 2022 114 Hidrografía 388098,602 8975090,02 Bosque 2022 115 Hidrografía 383716,126 8988737,2 Hidrografía 2022 59 116 Hidrografía 390362,942 8980185,03 Hidrografía 2022 117 Hidrografía 389615,648 8977517,83 Hidrografía 2022 118 Hidrografía 389978,383 8982128,59 Hidrografía 2022 119 Hidrografía 383665,232 8988813,01 Hidrografía 2022 120 Hidrografía 385779,631 8988344,73 Hidrografía 2022 121 Hidrografía 389657,947 8983586,18 Hidrografía 2022 122 Hidrografía 389592,192 8983716,25 Hidrografía 2022 123 Hidrografía 389960,619 8979045,04 Hidrografía 2022 124 Hidrografía 389702,964 8976456,55 Hidrografía 2022 125 Hidrografía 389879,699 8974763,46 Hidrografía 2022 126 Hidrografía 390066,607 8981832,22 Hidrografía 2022 127 Hidrografía 389972,319 8975586,7 Hidrografía 2022 128 Hidrografía 390017,195 8982040,49 Hidrografía 2022 129 Hidrografía 388841,028 8985081,4 Hidrografía 2022 130 Hidrografía 388494,732 8986251,68 Hidrografía 2022 131 Hidrografía 388326,184 8986093,4 Hidrografía 2022 132 Hidrografía 389805,429 8977914,24 Hidrografía 2022 133 Hidrografía 384707,256 8988917,97 Hidrografía 2022 134 Hidrografía 385626,79 8988225,56 Hidrografía 2022 135 Hidrografía 384650,632 8988782,69 Hidrografía 2022 136 Hidrografía 386636,673 8988445,59 Hidrografía 2022 137 Hidrografía 389997,646 8977207,67 Hidrografía 2022 138 Hidrografía 385568,586 8988257,6 Hidrografía 2022 139 Hidrografía 390024,773 8982005,77 Hidrografía 2022 140 Hidrografía 388706,903 8979524,83 Deforestado 2022 141 Hidrografía 389059,009 8984579,46 Hidrografía 2022 142 Hidrografía 386279,665 8988153,33 Hidrografía 2022 143 Hidrografía 387988,681 8986942,63 Hidrografía 2022 144 Hidrografía 389786,252 8976256,21 Hidrografía 2022 145 Hidrografía 385797,276 8988429,91 Hidrografía 2022 146 Hidrografía 389942,761 8975203,17 Hidrografía 2022 147 Hidrografía 384549,278 8988514,97 Hidrografía 2022 Anexo G. Tabla 12. Puntos de validación para el algoritmo Decision Tree del año 2022. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 385069,168 8979678,84 Bosque 2022 2 Bosque 380563,782 8984256,12 Bosque 2022 3 Bosque 388564,46 8984375,66 Bosque 2022 4 Bosque 384928,732 8986164,3 Bosque 2022 5 Bosque 381880,592 8984736,35 Bosque 2022 6 Bosque 388957,781 8982658,83 Bosque 2022 7 Bosque 387343,107 8981688,53 Bosque 2022 8 Bosque 387127,046 8971969,59 Bosque 2022 9 Bosque 388804,589 8981651,26 Bosque 2022 60 10 Bosque 385597,065 8981822,92 Bosque 2022 11 Bosque 389092,913 8982796,45 Bosque 2022 12 Bosque 381028,827 8986370,36 Bosque 2022 13 Bosque 388861,115 8981408,82 Bosque 2022 14 Bosque 381844,31 8988618,4 Bosque 2022 15 Bosque 382633,221 8984058,91 Deforestado 2022 16 Bosque 384080,96 8981424,31 Bosque 2022 17 Bosque 386827,267 8975506,48 Bosque 2022 18 Bosque 388524,375 8980761,86 Bosque 2022 19 Bosque 386093,754 8986284,44 Bosque 2022 20 Bosque 387639,449 8984128,46 Bosque 2022 21 Bosque 386370,327 8985895,63 Bosque 2022 22 Bosque 386243,521 8980791,74 Bosque 2022 23 Bosque 384253,062 8984330,3 Bosque 2022 24 Bosque 387121,138 8976967,36 Bosque 2022 25 Bosque 385059,978 8986513,71 Bosque 2022 26 Bosque 385892,104 8982396,81 Bosque 2022 27 Bosque 384915,864 8987873,6 Deforestado 2022 28 Bosque 387695,455 8981522,53 Bosque 2022 29 Bosque 388344,008 8984532,54 Bosque 2022 30 Bosque 388778,067 8975309,18 Bosque 2022 31 Bosque 387992,105 8984098,26 Bosque 2022 32 Bosque 382557,258 8985419,89 Bosque 2022 33 Bosque 389860,688 8981152,21 Bosque 2022 34 Bosque 388422,332 8974974,75 Bosque 2022 35 Bosque 383605,719 8984078,93 Bosque 2022 36 Bosque 380433,113 8983806,2 Bosque 2022 37 Bosque 387768,977 8979813,94 Bosque 2022 38 Bosque 383377,888 8982281,16 Bosque 2022 39 Bosque 386653,669 8982551,45 Bosque 2022 40 Bosque 383255,509 8982978,34 Deforestado 2022 41 Bosque 385563,547 8977889,07 Bosque 2022 42 Bosque 389751,678 8979890,86 Bosque 2022 43 Bosque 387534,297 8983822,74 Bosque 2022 44 Bosque 389003,828 8978949,87 Deforestado 2022 45 Bosque 383150,638 8987099,18 Bosque 2022 46 Bosque 386613,271 8981739,29 Deforestado 2022 47 Bosque 387747,442 8986984,38 Bosque 2022 48 Bosque 387790,819 8972762,96 Bosque 2022 49 Bosque 382487,892 8989296,5 Deforestado 2022 50 Deforestado 390572,681 8979809,36 Deforestado 2022 51 Deforestado 386261,108 8985637,81 Deforestado 2022 61 52 Deforestado 388262,334 8972386,98 Deforestado 2022 53 Deforestado 385792,847 8984622,88 Deforestado 2022 54 Deforestado 386451,92 8984345,61 Deforestado 2022 55 Deforestado 383073,038 8988750,14 Deforestado 2022 56 Deforestado 390101,037 8981402,4 Deforestado 2022 57 Deforestado 388374,163 8977045,11 Deforestado 2022 58 Deforestado 386891,75 8987132,09 Deforestado 2022 59 Deforestado 386334,621 8977281,81 Bosque 2022 60 Deforestado 386948,78 8978622,83 Deforestado 2022 61 Deforestado 385478,493 8980871,93 Deforestado 2022 62 Deforestado 383939,021 8983752,63 Deforestado 2022 63 Deforestado 383509,18 8987851,89 Deforestado 2022 64 Deforestado 388319,003 8973023,55 Bosque 2022 65 Deforestado 389728,504 8973184,05 Deforestado 2022 66 Deforestado 383870,001 8988708,63 Deforestado 2022 67 Deforestado 383195,261 8988898,11 Deforestado 2022 68 Deforestado 382320,027 8988511,61 Deforestado 2022 69 Deforestado 383952,278 8987359,83 Deforestado 2022 70 Deforestado 387669,238 8974413,74 Deforestado 2022 71 Deforestado 385518,304 8984038,59 Deforestado 2022 72 Deforestado 384831,281 8982658,45 Deforestado 2022 73 Deforestado 389635,861 8972517,72 Deforestado 2022 74 Deforestado 381138,361 8984113,93 Bosque 2022 75 Deforestado 385404,493 8987754,46 Deforestado 2022 76 Deforestado 381522,269 8987275,37 Deforestado 2022 77 Deforestado 389926,688 8972922,47 Deforestado 2022 78 Deforestado 386762,854 8986801,14 Deforestado 2022 79 Deforestado 389076,849 8972071,02 Bosque 2022 80 Deforestado 389314,109 8977321,54 Deforestado 2022 81 Deforestado 389689,849 8978627,24 Deforestado 2022 82 Deforestado 381327,695 8985208,89 Bosque 2022 83 Deforestado 388213,895 8974521,62 Deforestado 2022 84 Deforestado 389654,996 8973002,24 Deforestado 2022 85 Deforestado 387795,389 8983484,13 Bosque 2022 86 Deforestado 388597,224 8973456,66 Deforestado 2022 87 Deforestado 384359,712 8982017,09 Deforestado 2022 88 Deforestado 383514,281 8985476,03 Deforestado 2022 89 Deforestado 389368,988 8977707,7 Deforestado 2022 90 Deforestado 382931,655 8985213,8 Deforestado 2022 91 Deforestado 389581,479 8973881,39 Deforestado 2022 92 Deforestado 381554,161 8986793,35 Deforestado 2022 93 Deforestado 383054,996 8988016,96 Deforestado 2022 94 Deforestado 389088,486 8978394,14 Bosque 2022 95 Deforestado 385304,002 8983882,16 Deforestado 2022 62 96 Deforestado 384893,557 8983826,61 Bosque 2022 97 Deforestado 385273,235 8977750,7 Deforestado 2022 98 Deforestado 385860,034 8977494,91 Deforestado 2022 99 Hidrografía 389878,709 8978050,94 Hidrografía 2022 100 Hidrografía 390211,099 8981409,06 Hidrografía 2022 101 Hidrografía 386658,31 8988345,89 Hidrografía 2022 102 Hidrografía 390427,742 8979390,11 Hidrografía 2022 103 Hidrografía 390405,836 8979713,98 Hidrografía 2022 104 Hidrografía 389942,556 8972420,01 Hidrografía 2022 105 Hidrografía 384705,522 8988457,39 Hidrografía 2022 106 Hidrografía 386641,564 8988368,26 Hidrografía 2022 107 Hidrografía 387271,514 8988177,81 Hidrografía 2022 108 Hidrografía 384926,879 8988206,14 Hidrografía 2022 109 Hidrografía 389995,855 8977026,62 Hidrografía 2022 110 Hidrografía 389826,883 8978542,53 Hidrografía 2022 111 Hidrografía 386794,249 8988487,26 Hidrografía 2022 112 Hidrografía 388784,127 8985256,64 Hidrografía 2022 113 Hidrografía 387589,269 8974760,8 Bosque 2022 114 Hidrografía 389749,362 8976819,16 Hidrografía 2022 115 Hidrografía 389865,429 8974959,47 Hidrografía 2022 116 Hidrografía 389923,212 8975859,67 Hidrografía 2022 117 Hidrografía 385153,496 8988225,03 Hidrografía 2022 118 Hidrografía 388599,17 8985427,27 Hidrografía 2022 119 Hidrografía 389728,556 8976721,73 Hidrografía 2022 120 Hidrografía 389921,635 8975205,22 Hidrografía 2022 121 Hidrografía 390216,062 8981364,47 Hidrografía 2022 122 Hidrografía 384853,313 8988251,93 Hidrografía 2022 123 Hidrografía 388375,545 8985950,45 Hidrografía 2022 124 Hidrografía 390352,588 8979737,67 Hidrografía 2022 125 Hidrografía 384274,633 8989232,05 Hidrografía 2022 126 Hidrografía 389945,776 8973152,89 Hidrografía 2022 127 Hidrografía 389660,589 8971989 Hidrografía 2022 128 Hidrografía 390344,8 8980245,07 Hidrografía 2022 129 Hidrografía 390353,379 8979524,05 Hidrografía 2022 130 Hidrografía 387941,334 8986555,66 Hidrografía 2022 131 Hidrografía 384574,872 8988950,81 Hidrografía 2022 132 Hidrografía 388138,326 8975003,52 Bosque 2022 133 Hidrografía 389869,562 8977756,62 Hidrografía 2022 134 Hidrografía 385890,32 8988186,05 Hidrografía 2022 135 Hidrografía 390386,784 8980103,14 Hidrografía 2022 136 Hidrografía 388088,656 8986277,51 Hidrografía 2022 137 Hidrografía 383768,796 8988624,11 Hidrografía 2022 138 Hidrografía 389338,515 8983989,15 Hidrografía 2022 139 Hidrografía 389346,206 8971262,38 Hidrografía 2022 63 140 Hidrografía 390287,217 8980138,95 Hidrografía 2022 141 Hidrografía 386688,687 8988426,72 Hidrografía 2022 142 Hidrografía 385062,032 8988229,67 Hidrografía 2022 143 Hidrografía 389854,093 8977742,49 Hidrografía 2022 144 Hidrografía 390446,248 8979410,43 Hidrografía 2022 145 Hidrografía 388842,939 8985106,67 Hidrografía 2022 146 Hidrografía 387913,063 8986605,9 Hidrografía 2022 147 Hidrografía 388483,811 8985644,26 Hidrografía 2022 Anexo H. Tabla 13. Puntos de validación para el algoritmo Random Forest del año 2022. N Categoría Este (m) Norte (m) Validación Año 1 Bosque 382390,627 8984096,77 Bosque 2022 2 Bosque 389831,815 8982651,75 Deforestado 2022 3 Bosque 380865,406 8986170,85 Bosque 2022 4 Bosque 387055,096 8977479,39 Bosque 2022 5 Bosque 387187,018 8980896,05 Bosque 2022 6 Bosque 383851,524 8982105,85 Bosque 2022 7 Bosque 380691,616 8984092,33 Bosque 2022 8 Bosque 386820,937 8977152,13 Bosque 2022 9 Bosque 381934,965 8990115,75 Bosque 2022 10 Bosque 384933,458 8979974,28 Bosque 2022 11 Bosque 389113,064 8978202,43 Bosque 2022 12 Bosque 389112,806 8978889,6 Bosque 2022 13 Bosque 387843,909 8981712,91 Bosque 2022 14 Bosque 389428,713 8980988,64 Bosque 2022 15 Bosque 387932,391 8981380,92 Bosque 2022 16 Bosque 389641,628 8978157,26 Bosque 2022 17 Bosque 387946,521 8979379,38 Deforestado 2022 18 Bosque 387125,422 8981415,32 Bosque 2022 19 Bosque 384756,733 8985310,93 Bosque 2022 20 Bosque 381420,242 8989558,63 Bosque 2022 21 Bosque 387233,174 8979906,35 Deforestado 2022 22 Bosque 389597,481 8982600,84 Bosque 2022 23 Bosque 387485,236 8979806,11 Bosque 2022 24 Bosque 388478,867 8984258,1 Bosque 2022 25 Bosque 380717,388 8987302,72 Bosque 2022 26 Bosque 380360,898 8984881,07 Bosque 2022 27 Bosque 387548,621 8985462,72 Bosque 2022 28 Bosque 387038,778 8984558,91 Deforestado 2022 29 Bosque 384828,949 8979490,91 Bosque 2022 30 Bosque 385369,843 8983022,45 Bosque 2022 31 Bosque 387361,254 8984456,27 Bosque 2022 32 Bosque 381398,098 8985022,68 Bosque 2022 33 Bosque 383148,955 8988265,81 Bosque 2022 64 34 Bosque 386801,169 8976859,02 Bosque 2022 35 Bosque 383121,711 8984365,3 Bosque 2022 36 Bosque 383822,408 8983501,73 Bosque 2022 37 Bosque 384211,126 8986196,58 Bosque 2022 38 Bosque 387715,768 8976116,09 Bosque 2022 39 Bosque 383318,762 8987420,13 Bosque 2022 40 Bosque 388914,231 8982649,6 Bosque 2022 41 Bosque 388460,094 8977498,67 Bosque 2022 42 Bosque 381676,428 8987426,92 Bosque 2022 43 Bosque 388227,814 8977667,7 Bosque 2022 44 Bosque 386829,585 8978351 Bosque 2022 45 Bosque 387015,154 8976563,85 Bosque 2022 46 Bosque 379561,808 8984991,82 Bosque 2022 47 Bosque 381216,772 8984260,76 Bosque 2022 48 Bosque 380617,706 8983869,9 Bosque 2022 49 Bosque 380583,54 8986203,28 Bosque 2022 50 Deforestado 383099,126 8985422,64 Deforestado 2022 51 Deforestado 386976,405 8985536,07 Deforestado 2022 52 Deforestado 387053,433 8982604,91 Deforestado 2022 53 Deforestado 388933,547 8980459,49 Deforestado 2022 54 Deforestado 382719,881 8988658,83 Deforestado 2022 55 Deforestado 385511,03 8983990,67 Deforestado 2022 56 Deforestado 384930,697 8982110,15 Deforestado 2022 57 Deforestado 385428,017 8980983,93 Deforestado 2022 58 Deforestado 387499,925 8976180,51 Bosque 2022 59 Deforestado 390246,815 8981725,39 Deforestado 2022 60 Deforestado 381621,748 8984510,4 Bosque 2022 61 Deforestado 389733,304 8981453,26 Deforestado 2022 62 Deforestado 385589,726 8982149,85 Deforestado 2022 63 Deforestado 387548,272 8973493,67 Bosque 2022 64 Deforestado 387156,621 8986493,45 Deforestado 2022 65 Deforestado 388425,862 8973512,55 Deforestado 2022 66 Deforestado 386420,183 8988103,17 Deforestado 2022 67 Deforestado 389742,378 8972421,22 Deforestado 2022 68 Deforestado 388276,488 8973981,09 Deforestado 2022 69 Deforestado 385204,817 8987544,96 Deforestado 2022 70 Deforestado 388995,047 8984264,7 Deforestado 2022 71 Deforestado 388857,316 8973922,96 Deforestado 2022 72 Deforestado 387067,279 8986126,19 Deforestado 2022 73 Deforestado 383518,149 8982814,09 Deforestado 2022 74 Deforestado 388934,989 8977150,22 Bosque 2022 75 Deforestado 385146,516 8988578,92 Deforestado 2022 76 Deforestado 389276,269 8973506,18 Deforestado 2022 77 Deforestado 389208,893 8980657,72 Deforestado 2022 65 78 Deforestado 381227,021 8985432,91 Deforestado 2022 79 Deforestado 385339,114 8980024,93 Deforestado 2022 80 Deforestado 386445,376 8977242,26 Deforestado 2022 81 Deforestado 388921,352 8980984,76 Deforestado 2022 82 Deforestado 387007,816 8974343,35 Deforestado 2022 83 Deforestado 388304,089 8976192,7 Bosque 2022 84 Deforestado 384393,769 8982887,94 Bosque 2022 85 Deforestado 384591,143 8987668,53 Deforestado 2022 86 Deforestado 386542,364 8988160,19 Deforestado 2022 87 Deforestado 389378,837 8973084,74 Deforestado 2022 88 Deforestado 389148,479 8973501,02 Deforestado 2022 89 Deforestado 386803,552 8983834,34 Deforestado 2022 90 Deforestado 388881,984 8981478,61 Deforestado 2022 91 Deforestado 386472,347 8977898,2 Deforestado 2022 92 Deforestado 389170,897 8974790,65 Deforestado 2022 93 Deforestado 389020,713 8977048,96 Deforestado 2022 94 Deforestado 381824,941 8988219,11 Deforestado 2022 95 Deforestado 384846,51 8987864,06 Deforestado 2022 96 Deforestado 385312,85 8980133,06 Deforestado 2022 97 Deforestado 382060,903 8987297,67 Deforestado 2022 98 Deforestado 381124,09 8989363,61 Deforestado 2022 99 Hidrografía 390042,528 8972897,78 Hidrografía 2022 100 Hidrografía 387913,073 8986435,07 Hidrografía 2022 101 Hidrografía 384340,85 8989270,99 Hidrografía 2022 102 Hidrografía 389872,068 8974700,84 Hidrografía 2022 103 Hidrografía 389743,013 8978018,4 Hidrografía 2022 104 Hidrografía 388930,666 8984640,62 Hidrografía 2022 105 Hidrografía 385015,933 8988254,29 Hidrografía 2022 106 Hidrografía 390325,96 8979394,27 Hidrografía 2022 107 Hidrografía 390340,428 8979558,66 Hidrografía 2022 108 Hidrografía 389697,767 8976530,42 Hidrografía 2022 109 Hidrografía 384179,223 8989266,8 Hidrografía 2022 110 Hidrografía 390403,934 8979658,82 Hidrografía 2022 111 Hidrografía 385163,486 8988219,53 Hidrografía 2022 112 Hidrografía 389842,011 8974840,19 Hidrografía 2022 113 Hidrografía 384591,726 8989135,46 Hidrografía 2022 114 Hidrografía 389816 8976250,77 Hidrografía 2022 115 Hidrografía 389982,549 8973071,37 Hidrografía 2022 116 Hidrografía 388544,012 8986046,69 Hidrografía 2022 117 Hidrografía 386641,516 8988333,17 Hidrografía 2022 118 Hidrografía 384406,748 8989235,98 Hidrografía 2022 119 Hidrografía 384114,753 8988589,22 Hidrografía 2022 120 Hidrografía 389872,026 8977754,02 Hidrografía 2022 121 Hidrografía 389811,125 8978194,65 Hidrografía 2022 66 122 Hidrografía 384235,236 8988648,62 Hidrografía 2022 123 Hidrografía 390060,285 8973671,38 Hidrografía 2022 124 Hidrografía 389869,626 8978145,62 Hidrografía 2022 125 Hidrografía 390028,847 8972918,44 Hidrografía 2022 126 Hidrografía 383992,336 8989130,74 Hidrografía 2022 127 Hidrografía 390355,404 8979614,14 Hidrografía 2022 128 Hidrografía 388354,32 8986221,62 Hidrografía 2022 129 Hidrografía 389308,029 8971155,39 Hidrografía 2022 130 Hidrografía 389280,829 8984149,59 Hidrografía 2022 131 Hidrografía 390292,463 8980072,31 Hidrografía 2022 132 Hidrografía 389963,67 8974559,25 Hidrografía 2022 133 Hidrografía 384611,147 8988794,22 Hidrografía 2022 134 Hidrografía 387183,856 8988411,35 Hidrografía 2022 135 Hidrografía 388548,975 8985552,23 Hidrografía 2022 136 Hidrografía 389935,821 8975408,04 Hidrografía 2022 137 Hidrografía 389497,664 8971715,21 Hidrografía 2022 138 Hidrografía 389660,773 8976643,45 Hidrografía 2022 139 Hidrografía 389984,027 8974442,97 Hidrografía 2022 140 Hidrografía 390386,225 8979703,59 Hidrografía 2022 141 Hidrografía 389652,819 8971940,14 Hidrografía 2022 142 Hidrografía 389917,055 8973383,12 Hidrografía 2022 143 Hidrografía 389017,5 8984539,12 Hidrografía 2022 144 Hidrografía 387948,167 8986350,04 Hidrografía 2022 145 Hidrografía 384587,096 8988448,83 Hidrografía 2022 146 Hidrografía 389873,845 8978731,04 Hidrografía 2022 147 Hidrografía 388020,813 8987228,33 Hidrografía 2022 67 ANEXOS Anexo I. Panel Fotográfico Figura 9. Validación en campo de categoría deforestado Figura 10. Validación en campo 68 Figura 11. GPS, mapa y formato para la validación en campo Figura 12. Validación con imágenes satelitales Planet. 69 Figura 13. Validación con imágenes satelitales Planet. Figura 14. Validación con imágenes satelitales Planet. 70 Figura 15. Clasificación en Google Earth Engine Figura 16. Resultados en software SPSS 71 Figura 17. Manejo de la tabla de atributos en ArcGis 10.5