Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia”
ilustraciones, fotografías, graficas, mapas
- Autores:
-
Forero Castro, Cristhian Fabian
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/82101
- Palabra clave:
- 350 - Administración pública y ciencia militar::354 - Administración pública de la economía y el medio ambiente
DEFORESTACION-CONTROL
CONSERVACION DE BOSQUES
Deforestation -- Control
Forest conservation
Deforestación
Bosques
Mapa de actores
Conservación
Componentes principales
Series temporales
Deforestation
Forest
Map of actors
Conservation
Principal components
Temporal series
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_586e8d2f9fc079efc50b772605583489 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/82101 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| dc.title.translated.eng.fl_str_mv |
Designing an optimization proposal of the deforestation early-warning system in Colombia: “The heart of the Amazon” case study |
| title |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| spellingShingle |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” 350 - Administración pública y ciencia militar::354 - Administración pública de la economía y el medio ambiente DEFORESTACION-CONTROL CONSERVACION DE BOSQUES Deforestation -- Control Forest conservation Deforestación Bosques Mapa de actores Conservación Componentes principales Series temporales Deforestation Forest Map of actors Conservation Principal components Temporal series |
| title_short |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| title_full |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| title_fullStr |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| title_full_unstemmed |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| title_sort |
Diseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia” |
| dc.creator.fl_str_mv |
Forero Castro, Cristhian Fabian |
| dc.contributor.advisor.none.fl_str_mv |
Castiblanco Rozo, Carmenza |
| dc.contributor.author.none.fl_str_mv |
Forero Castro, Cristhian Fabian |
| dc.subject.ddc.spa.fl_str_mv |
350 - Administración pública y ciencia militar::354 - Administración pública de la economía y el medio ambiente |
| topic |
350 - Administración pública y ciencia militar::354 - Administración pública de la economía y el medio ambiente DEFORESTACION-CONTROL CONSERVACION DE BOSQUES Deforestation -- Control Forest conservation Deforestación Bosques Mapa de actores Conservación Componentes principales Series temporales Deforestation Forest Map of actors Conservation Principal components Temporal series |
| dc.subject.lemb.spa.fl_str_mv |
DEFORESTACION-CONTROL CONSERVACION DE BOSQUES |
| dc.subject.lemb.eng.fl_str_mv |
Deforestation -- Control Forest conservation |
| dc.subject.proposal.spa.fl_str_mv |
Deforestación Bosques Mapa de actores Conservación Componentes principales Series temporales |
| dc.subject.proposal.eng.fl_str_mv |
Deforestation Forest Map of actors Conservation Principal components Temporal series |
| description |
ilustraciones, fotografías, graficas, mapas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-08-25T15:53:52Z |
| dc.date.available.none.fl_str_mv |
2022-08-25T15:53:52Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/82101 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/82101 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
ACAMAFRUT. (2021). Asociación departamental de productores de Cacao y especies maderables. http://www.acamafrut.com.co/ Agrosavia. (25 de abril de 2021). Corporación Colombiana de Investigación Agropecuaria. Obtenido de http://web.corpoica.org.co/menu/qhc/ Alcaldía Cartagena del Chaira. (26 de abril de 2021). Obtenido de http://www.cartagenadelchaira-caqueta.gov.co/alcaldia/mision-y-vision Alcaldía Miraflores. (26 de abril de 2021). Obtenido de http://www.miraflores-guaviare.gov.co/v Alcaldía de San vicente del Caguán. (26 de abril de 2021). Obtenido de http://www.sanvicentedelcaguan-caqueta.gov.co/alcaldia/mision-y-vision Alcaldía de Solano. (27 de abril de 2021). Obtenido de http://www.solano-caqueta.gov.co/alcaldia/mision-y-vision ACT. (26 de abril de 2021). The Amazon Conservation Team. Obtenido de https://www.amazonteam.org/about-us/ Algranati, S. Bruno, D. & Lotti, A. (2012). Mapear actores, relaciones y territorios, una herramienta para el análisis del escenario social, Cuadernos de cátedra No. 3 Taller de Planificación de Procesos Comunicacionales Facultad de Periodismo y Comunicación Social UNLP ASF. (18 de junio de 2021). Alaska Satellite Facility. Obtenido de Custom Processing: https://asf.alaska.edu/information/general/custom-processing/ Ashraf, M., Maah, M., & Yusoff, I. (2011). Introduction to Remote Sensing of Biomass. 10.5772/16462. Biomass and Remote Sensing of Biomass, 129-142. Asoheca. (2021). La Asociación de reforestadores y cultivadores de Caucho del Caquetá. Obtenido de http://www.asoheca.org/secciones/empresa/quienessomos.php Asoprocegua. (2021). Asociación de productores del Guaviare. Obtenido de https://www.guaviare.gov.co/instancias-de-participacion/asoprocegua Atzberger, C., Zeug, G., Defourny, P., Aragão, L., Hammarström, L., Immitzer, M. (2020). Monitoring of Forests through Remote Sensing. European Commission, European Union. doi:10 2779/175242 Azure. (06 de mayo de 2021). Microsoft. Obtenido de Geospatial data processing and analytics: https://docs.microsoft.com/en-us/azure/architecture/example-scenario/data/geospatial-data-processing-analytics-azure. Bank, T. W. (2014). Forest conservation and sustainability in the heart of the Colombian amazon project. Patrimonio natural fund for biodiversity and protected areas. Breiman, L. (2001). Random Forests. Mach. Learn. 45, 5–32. Boca, T., & Rodríguez, G. (2016). Métodos estadísticos de la evaluación de la exactitud de productos derivados de sensores remotos. Instituto de Clima y Agua, INTA Castelar. Banco mundial. (09 de mayo de 2021). Obtenido de: https://www.bancomundial.org/es/ Borisov, V., Leemann, T., Seßler, K., Haug, J., Pawelczyk, M., & Kasneci, G. (2021). Deep neural networks and tabular data: A survey. arXiv preprint arXiv:2110.01889. Cabrera, E., Vargas, D. M., Galindo, G., García, M. C., Ordoñez, M. F., Vergara, L. K., & Giraldo, P. (2011). Memoria técnica de la cuantificación de la deforestación histórica nacional - escalas gruesa y fina. Obtenido de https://www.siac.gov.co/documentos/DOC_Portal/DOC_Bosques/131112_MT_Cuantif_Tasa_Deforestacion.pdf Cabrera, E., Galindo, G., González, J., Vergara, L., Forero, C., Cubillos, A., . . . Duque, A. (2019). Colombian Forest Monitoring System: Assessing Deforestation in an Environmental Complex Country. IntechOpen Book Series. doi:DOI: 10.5772/intechopen.86143 Catuna, N. (1995). La percepción remota y el análisis del espacio geográfico. Cuadernos de Geografía: Revista Colombiana de Geografía, 5(2), 83–106. Obtenido de: https://revistas.unal.edu.co/index.php/rcg/article/view/70766 Canty, M. & Nielsen, A. (2008). Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation. Remote Sensing of Environment 112 (3), 1025–1036. Available at /http://www.imm.dtu.dk/pubdb/p.php?5362S Canty, M. & Nielsen, A. (2012). Linear and kernel methods for multivariate change detection. Computers & geosciences, 38(1), 107-114. Canty, M. (2014). Image analysis, classification and change detection in romete sensing. Taylor & Francis Gruop Chuvieco, E. (1996). Fundamentos de Teledetección. Madrid: RIALP, S.A. CINDAP. (06 de mayo de 2021). Corporación para la Investigación Desarrollo Agropecuario y Ambiental. Obtenido de: https://cindap.co/ Claverie, M., Ju, J., Masek, J., Dungan, J., Vermote, E., Roger, J., . . . Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, (219, 145-161). Cochran, W. G. (1977). Sampling Techniques. New York, NY, USA: John Wiley & Sons, Inc. 428 pp. Colditz, RR, Conrad, C, Wehrmann, T, Schmidt, M, Dech, S (2008). TiSeG: A Flexible Software Tool for Time-Series Generation of MODIS Data Utilizing the Quality Assessment Science Data Set. IEEE transactions on geoscience and remote sensing, 46(10), 3296-3308. Cohen, J. (1960). A coefficient of agreement for nominal scales, XX(1), 37–46. Congalton, R. & Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Lewis Publishers, Boca Raton, Florida, 137 p. Conservation International (29 de abril de 2021). Obtenido de https://www.conservation.org.co/programas/ Corpoamazonia. (2021). Análisis de precipitación en la amazonia. Obtenido de https://www.corpoamazonia.gov.co/region/Jur_Clima.html Corpoamazonia. (26 de Abril de 2021). Corporación para el Desarrollo Sostenible del Sur del Amazonas. Obtenido de http://www.corpoamazonia.gov.co/index.php/acerca-de-la-entidad/objetivos-y-funciones Crisis Group. (2021). Bosques caídos: deforestación y conflicto en Colombia. Brussels, Belgium: Informe sobre América Latina N°91 - International Crisis Group. D3. (13 de octubre de 2021). Data-Driven Documents. Obtenido de https://d3js.org/ DAAC, L. (20 de mayo de 2022). NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC) at the USGS Earth Resources Observation and Science (EROS) Center. Obtenido de https://lpdaac.usgs.gov/products/mod09a1v061/ Davies, D. K., Ilavajhala, S., Wong, M. M., & Justice, C. O. (2009). Fire Information for Resource Management System: Archiving and Distributing MODIS Active Fire Data. IEEE Transactions on Geoscience and Remote Sensing, vol. 47, No. 1, January, 72-79. doi:10.1109/TGRS.2008.2002076 DEISPAZ. (27 de abril de 2021). Corporación por el Desarrollo Integral Sostenible y la Paz. Obtenido de https://www.deispaz.org/index.php/quienes-somos Deng, J., Wang, K., Deng, H., & QI, J. (2008). PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing. DNP. (21 de abril de 2021). Departamento Nacional de Planeación. Obtenido de https://www.dnp.gov.co/DNPN/la-entidad/misi%C3%B3n-visi%C3%B3n-origen Eastman, J & Fulk, J 1993. "Long Sequence Time Series Evaluation Using Standardized PrincipalComponents", Photogrammetric Engineering & Remote Sensing, Vol. 59, No. 8, pp. 1307-1312. Egorov, Alexey & Roy, David & Zhang, Hankui & Hansen, Matthew & Kommareddy, Anil. (2018). Demonstration of Percent Tree Cover Mapping Using Landsat Analysis Ready Data (ARD) and Sensitivity with Respect to Landsat ARD Processing Level. Remote Sensing. 10. 10.3390/rs10020209. EII. (06 de mayo de 2021). Earth Innovation Institute. Obtenido de: https://earthinnovation.org/ Elijah, K. (04 de enero de 2022). Principal Component Analysis. Obtenido de Towards data science: https://towardsdatascience.com/principal-component-analysis-ac90b73f68f5 El Tiempo. (01 de diciembre de 2014). ¿Se queda sin aire el pulmón del mundo? Obtenido de http://www.eltiempo.com/archivo/documento/CMS-14785175 ESA. (03 de mayo de 2021). Sentinel online. Obtenido de https://sentinels.copernicus.eu/web/sentinel/home Fagua, J., Jantz, P., Burns, P., Massey, R., Buitrago, J., Saatchi, S., Hakkenberg, C., Goetz, S. (2021). Mapping tree diversity in the tropical forest region of Chocó-Colombia. Environmental Research Letters, http://dx.doi.org/10.1088/1748-9326/abf58a FAO. (2016). Forestry and climate change. Roles of forests in climate change. Obtenido de https://www.fao.org/forestry/climatechange/en/ FAO. (2017). Directrices voluntarios sobre monitoreo forestal. Roma: Organización de las naciones unidas para la alimentación y la agricultura. Fauvel, K., Fromont, E., Masson, V., Faverdin, P., & Termier, A. (2022). XEM: An explainable-by-design ensemble method for multivariate time series classification. Data Mining and Knowledge Discovery, 36(3), 917-957. FDLC. (28 de abril de 2021). Fundación para el desarrollo local comunitario. Obtenido de https://www.fundacomunidad.org/p/nosotros_4.html Foley, A. (2005). Global consequences of land use, Science Forest Trends. (26 de abril de 2021). Obtenido de https://www.forest-trends.org/who-we-are/mission-and-history/ Fung, T & LeDrew, E 1987. "Application of Principal Components Analysis to Change Detection",Photogrammetric Engineering and Remote Sensing, Vol. 53, No. 12, pp. 1649-1658 Galindo, G., Espejo , J., Rubiano , J., & Vergara, K. (2014). Protocolo de procesamiento digital de imágenes para la cuantificación de la deforestación en Colombia. V 2.0. Bogotá D.C. Colombia: Instituto de Hidrología Meteorología y Estudios Ambientales – IDEAM. GFW. (12 de Julio de 2021). Indigenous community monitors deforestation. Obtenido de Global Forest Watch: https://www.globalforestwatch.org/blog/es/people/monitores-forestales-indigenas-frenan-deforestacion-2/ GIZ. (2015). El modelo de gestión para el desarrollo sostenible. Capacity WORKS. Cooperación técnica alemana. Gobernación de Caquetá. (25 de abril de 2021). Gobernación de Caquetá. Obtenido de http://www.caqueta.gov.co/gobernacion/secretaria-delegada Gobernación del Guaviare. (28 de abril de 2021). Obtenido de http://www.guaviare.gov.co/gobernacion/mision-y-vision Gobernación del Guaviare. (28 de abril de 2021). Obtenido de http://www.guaviare.gov.co/gobernacion/mision-y-vision González, J., Cubillos, A., Chadid, M., Arias, M., Zúñiga, E., Joubert, F., … Berrío, V. (2018). Caracterización de las principales causas y agentes de la deforestación a nivel nacional período 2005-2015. Colombia. Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales -IDEAM-. Programa ONU-REDD . Hamman, J. (16 de octubre de 2018). Pangeo applications for NASA Earth Observing Data. Obtenido de https://medium.com/pangeo/nasa-access-c3515a44f31b Hammer, D., Kraft, R. & Wheeler, D. (2014). Alerts of forest disturbance from MODIS imagery Int. J. Appl. Earth Obs. Geoinformation. Hamunyela, E., Verbesselt, J., & de Brui, S. (2016). Monitoring Deforestation at Sub-Annual Scales as Extreme Events in Landsat Data Cubes. Remote Sensing. 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., Townshend J.R.G. (2013) High-Resolution Global Maps of 21st-Century Forest Hansen, M., Alexander, K., Alexandra, T., Peter, V. P., Svetlana, T., Bryan, Z., y otros. (2016). Humid tropical forest disturbance alerts using Landsat data. Environmental Research Letters Henderson, S. (01 de octubre de 2018). Cloud Native Geoprocessing of Earth Observation Satellite Data with Pangeo. Obtenido de https://medium.com/pangeo/cloud-native-geoprocessing-of-earth-observation-satellite-data-with-pangeo-997692d91ca2 Holtz, Y. (23 de noviembre de 2021). Python graph gallery. Obtenido de https://www.python-graph-gallery.com/about/ IDEAM. (2016). Instituto de Meteorología, Hidrología y Estudios Ambientales. Recuperado el 12 de diciembre de 2016, de Boletín de alertas tempranas por deforestación:http://documentacion.ideam.gov.co/openbiblio/bvirtual/022695/Alertastempranasdedeforestacionsegundoboletin.pdf IDEAM. (2018). Instituto de Meteorología, Hidrología y Estudios Ambientales. Recuperado el 08 de mayo de 2018, de Boletín de alertas tempranas por deforestación:http://documentacion.ideam.gov.co/openbiblio/bvirtual/022695/Alertastempranasdedeforestacionsegundoboletin.pdf IDEAM. (2019). Documento Metodológico: Operación Estadística Monitoreo de la Superficie de Bosque Natural en Colombia. Bogotá D.C. IDEAM. (2020). Presentación lanzamiento cifras de deforestación anual 2020. Obtenido deideam.gov.co/documents/10182/113437783/Presentacion_Deforestacion2020_SMByC-IDEAM.pdf/ IDEAM. (25 de abril de 2021). Instituro Hidrologico, Metereologico y Estudios Ambientales. Obtenido de http://www.ideam.gov.co/web/entidad/acerca-entidad IRD. (29 de abril de 2021). International Relief & Development- IRD. Obtenido de https://blumont.org/about/ Jensen, J. (2005). Introductory Digital Image Processing, 3rd Ed. Josse, C., Navarro, G., Evans, R., Teague., J. (2003). Ecological Systems of Latin America and the Caribbean: A Working Classification of Terrestrial Systems. Arlington: NatureServe. Kavzoglu, T., (2017). Object-Oriented Random Forest for High Resolution Land Cover Mapping Using Quickbird-2 Imagery. In: Handbook of Neural Computation, edited by Samui, P., Roy, S.S., and Balas, V.E. Elseiver, Amsterdam. Kavzoglu, Taskin & Bilücan, Furkan & Teke, Alihan. (2020). Comparison of support vector machines, random forest and decision tree methods for classification of sentinel - 2a image using different band combinations, Department of Geomatics Engineering. Kpienbaareh, D., Sun, X., Wang, J., Luginaah, I., Bezner Kerr, R., Lupafya, E., & Dakishoni, L. (2021). Crop type and land cover mapping in northern Malawi using the integration of sentinel-1, sentinel-2, and planetscope satellite data. Remote Sensing, 13(4), 700. MADR. (21 de abril de 2021). Ministerio de Agricultura y Desarrollo Rural. Obtenido de https://www.minagricultura.gov.co/ministerio/quienes-somos/Paginas/Quienes-somos.aspx MADS. (2017). Política Nacional de Cambio Climático. Ministerio de Ambiente y Desarrollo Sostenible. Recuperado de https://www.minambiente.gov.co/wp-content/uploads/2022/01/9.-Politica-Nacional-de-Cambio-Climatico.pdf Meyer, F. (2019). Spaceborne Synthetic Aperture Radar : Principles , Data Access , and Basic Processing Techniques. En SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation (pág. Chapter 2). Nasa. doi:DOI: 10.25966/ez4f-mg98 Meyer, F. (02 de septiembre de 2020). Alaska Satellite Facility. Obtenido de SAR: The Power Tool of Remote Sensing: https://asf.alaska.edu/information/sar-information/what-is-sar/ MinAmbiente. (2016). Importancia de los bosques, Colombia tercer país de la región en cobertura boscosa. Ministerio de Ambiente y Desarrollo Sostenible. Minambiente. (2018). Estrategia Integral de Control a la Deforestación y Gestión de los Bosques. Bogotá D.C.: Bosques territorios de vida. Minciencias. (28 de abril de 2021). Ministerio de Ciencia Tecnología e Innovación. Obtenido de https://minciencias.gov.co/ministerio/funciones MINCIT. (25 de abril de 2021). Ministerio de Comercio, Industria y Turismo. Obtenido de http://www.mincit.gov.co/ministerio/conozco-mas MINCULTURA. (25 de abril de 2021). Ministerio de Cultura. Obtenido de https://www.mincultura.gov.co/ministerio/quienes-somos/Paginas/default.aspx Mudereri, B. T., Dube, T., Adel-Rahman, E. M., Niassy, S., Kimathi, E., Khan, Z., & Landmann, T. (2019). A comparative analysis of PlanetScope and Sentinel-2 space-borne sensors in mapping Striga weed using Guided Regularised Random Forest classification ensemble. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(2/W13). Musinsky, J. (2014). Near-real time monitoring and alert systems. REDD+ Measurement, Reporting and Verification (MRV) Manual Version 2.0. USAID -supported Forest Carbon, Markets and Communities Program. Washington, DC, USA. NASA. (1989). Atmospheric Transmission of Electromagnetic Waves in Spectral Areas of Visible Light and Different Radar Bands NASA. (01 de marzo de 2013). Goddard Space Flight Center. Obtenido de https://imagine.gsfc.nasa.gov/science/toolbox/emspectrum1.html NASA. (02 de mayo de 2021). Landsat science. Obtenido de https://landsat.gsfc.nasa.gov/ Nepstad, D., McGrath, D., Stickler, C., Alencar, A., Azevedo, A., Swette, B., ... & Hess, L. (2014). Slowing Amazon deforestation through public policy and interventions in beef and soy supply chains. science, 344(6188), 1118-1123. Newton, A.C., 2021. Ecosystem Collapse and Recovery, 1st ed. Cambridge University Press. https://doi.org/10.1017/9781108561105 Ng, S. & Bai, J. (2017). Principal components and regularized estimation of factor models. Obtenido de https://arxiv.org/pdf/1708.08137.pdf NICFI. (08 de mayo de 2021). Norway’s International Climate and Forest Initiative. Obtenido de: https://www.nicfi.no/ NISAR. (2018). NASA-ISRO SAR (NISAR) Mission Science. Obtenido de NASA Jet Propulsion Laboratory. 261 pp: https://nisar.jpl.nasa.gov/system/documents/files/26_NISAR_FINAL_9-6-19.pdf?_ga=2.117743950.656918719.1643580810-1857828090.1639628617 Olofsson, P., Stehman, S. V., Woodcock, C. E., Sulla-Menashe, D., Sibley, A. M., Newell, J. D., Friedl, M. A. and Herold, M. (2012). A global land cover validation dataset, I: Fundamental design principles. International Journal of Remote Sensing, 33:5768-5788. Olofsson, P., Foody, G. M., Stehman, S. V. and Woodcock, C. E. (2013). Making better use of accuracy data in land change studies: estimating accuracy and area and Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E. and Wulder, M. A. (2014). Good Practices for Assessing Accuracy and Estimating Area of Land Change. Remote Sensing of Environment, 148:42- 57. Olofsson, P., Holden, C. E., Bullock, E. L., & Woodcock, C. E. (2016). Time series analysis of satellite data reveals continuous deforestation of New England since the 1980s. Environmental Research Letters, 11(6), 064002. Olofsson, P. (2017). Accuracy and Area Estimation. Reference Module in Earth Systems and Environmental Sciences, in press OPIAC. (29 de abril 2021). Organización Nacional de los Pueblos Indígenas de la Amazonia Colombiana. Obtenido de https://opiac.org.co/opiac/quienes-somos Ortiz, S. M., Breidenbach, J., Knuth, R., & Kändler, G. (2012). The Influence of DEM Quality on Mapping Accuracy of Coniferous-and Deciduous-Dominated Forest Using TerraSAR‑X Images. Remote Sensing, 4(3), 661-681. Patrimonio Natural. (06 de junio de 2021). El Fondo Patrimonio Natural. Obtenido de https://www.patrimonionatural.org.co/informacion-permanencia-esal/ Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, pp. 2825-2830. Perko, R., Raggam, H., Gutjahr, K., & Schardt, M. (2011, July). Using worldwide available TerraSAR-X data to calibrate the geo-location accuracy of optical sensors. In 2011 IEEE International Geoscience and Remote Sensing Symposium (pp. 2551-2554). PID. (22 de abril de 2021). Plataforma de información y diálogo para la amazonía Colombiana. Obtenido de Mapeo de actores e iniciativas : https://www.pidamazonia.com/ PNN. (25 de abril de 2021). Parques Nacionales Naturales de Colombia. Obtenido de http://www.parquesnacionales.gov.co/portal/es/organizacion/ Potapov, P. V. (2014). National satellite-based humid tropical forest change assessment in Peru in support of REDD+ implementation. Environmental Research Letters. Potapov, P., Hansen, M., Kommareddy, I., Kommareddy, A., Turubanova, S., Pickens, A., Adusei, B., Tyukavina, A., Ying, Q. (2020). Landsat Analysis Ready Data for Global Land Cover and Land Cover Change Mapping. Remote Sensing. Ramírez, S., Ramírez, M., Galindo, G. & Espejo, O. (2014). Evaluación de la exactitud temática del mapa de cambio de bosque para la región amazónica colombiana en el periodo 2010-2012. Selper. Obtenido de https://selper.org.co/papers-XVI-Simposio/Cartografia-Digital/CD4-Evaluacion-exactitud-tematica-mapa-cambio-amazonia-colombia.pdf R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. REDCaquetaPaz (02 de mayo de 2021). Fundación para el desarrollo y paz de Caquetá. obtenido de https://www.redcaquetapaz.org/ Reymondin L. (2013). A methodology for near real-time monitoring of habitat change at continental scales using MODIS-NDVI and TRMM, Submitted Remote Sensing of Environment. Rodrigo, J. A. (2017). Análisis de componentes principales (principal component analysis, pca) y t-sne. Roman, A. & Ursu, T. (2016). Multispectral satellite imagery and airborne laser scanning techniques for the detection of archaeological vegetation marks. Landscape Archaeology, 141-152. Selva Humeda. (06 de mayo de 2021). Corporación selva húmeda. Obtenido de: https://www.corporacionselvahumeda.org/nosotros.html SENA. ( 07 de mayo de 2021). Servicio Nacional de Aprendizaje. Obtenido de: https://www.sena.edu.co/es-co/sena/Paginas/misionVision.aspx Shao, Y., Di, L., Bai, Y., & Guo, B. (2012). Geoprocessing on the Amazon cloud computing platform AWS. Agro-Geoinformatics, 286-291. doi:DOI:10.1109/Agro-Geoinformatics.2012.6311655 Shimabukuro, E., dos Santos, J., Formaggio, R., Duarte, V. & Rudorff, T. (2012). The Brazilian Amazon Monitoring Program: PRODES and DETER Projects Global Forest Monitoring from Earth Observation Shouval, R., Labopin, M., Unger, R., Giebel, S., Ciceri, F., Schmid, C., ... & Nagler, A. (2016). Prediction of hematopoietic stem cell transplantation related mortality-lessons learned from the in-silico approach: a European Society for Blood and Marrow Transplantation Acute Leukemia Working Party data mining study. PLoS One, 11(3), e0150637 SINCHI. (20 de abril de 2021). Instituto SINCHI. Obtenido de https://www.sinchi.org.co/quienes-somos Singh, A & Harrison, A 1985. "Standardized Principal Components", Int. J. Remote Sensing, Vol.6, No. 6, pp. 883-896. Slough, T., Kopas, J. & Urpelainen, J. (20 de 07 de 2021). Satellite-based deforestation alerts with training and incentives for patrolling facilitate community monitoring in the Peruvian Amazon. Proceedings of the National Academy of Sciences, 29. Obtenido de http://www.pnas.org/content/118/29/e2015171118.abstract Small, D. (2011). Flattening gamma: Corrección radiométrica del terreno para imágenes SAR. IEEE Transactions of Geoscience and Remote Sensing, 49 (8): 3081-3093. SMByC. (2018). Web del Sistema de Monitoreo de Bosques y Carbono. Obtenido de http://smbyc.ideam.gov.co/ SMByC. (2020). Presentacion de resultados de la cifra de deforestación 2020. Obtenido http://www.ideam.gov.co/documents/10182/113437783/Presentacion_Deforestacion2020_SMByC-IDEAM.pdf/ SMByC. (2019). Operación estadística monitoreo de la superficie de bosque natural en Colombia. Obtenido de http://www.ideam.gov.co/documents/11769/72065174/Doc_metodol%C3%B3gico_SMBYC_Consolidado_v12_26062019.pdf/1c576c67-d00c-4e2c-b3b1-5a260305f3d0, Bogotá D.C. SMByC. (22 de marzo de 2021). AcATaMa. Obtenido de https://smbyc.github.io/AcATaMa/ Tavares, R., & Fitch, J. (2019). Identificación de los actores sociales en una comunidad. Obtenido de Revista de Arquitectura: https://revistadearquitectura.ucatolica.edu.co/article/view/2258/2550 Pennsylvania State University. (04 de 01 de 2022). Applied Data Mining and Statistical Learning, Lesson 6: Principal Components Analysis. Obtenido de https://online.stat.psu.edu/stat508/book TNC. (24 de abril de 2021). The Nature Conservancy, Obtenido de https://www.nature.org/es-us/que-hacemos/nuestra-vision/ UNFCCC. (1992). Convención Marco de las Naciones Unidas Sobre el Cambio Climático. Río de Janeiro : Naciones Unidas USGS. (01 de mayo de 2018). Landsat Science Products. Obtenido de https://landsat.usgs.gov/landsat-science-data-products Vargas, C., Montalban, J. & Taquia, A. (2019). Early warning tropical forest loss alerts in Peru using Landsat. Environmental Research Communications. 1. 10.1088/2515-7620/ab4ec3. Xia, J., Yang, C., & Li, Q. (2018). Building a spatiotemporal index for earth observation big data. Int. J. Appl. Earth Obs., 245–252. Yao, X., Li, G., Xia, J., Ben, J., Cao, Q., Zhao, L., … Zhu, D. (2020). Enabling the Big Earth Observation Data via Cloud Computing and DGGS: Opportunities and Challenges. Remote Sensing, https://doi.org/10.3390/rs12010062. Watanabe, M., Koyama, C.N., Hayashi, M., Nagatani, I., Tadono, T., Shimada, M. (2021). Refined algorithm for forest early warning system with ALOS-2/PALSAR-2 ScanSAR data in tropical forest regions. Remote Sens. Environ. 265, 112643 https://doi.org/ 10.1016/j.rse.2021.112643 WCS. (2021). Wildlife Conservation Society. Obtenido de: https://colombia.wcs.org/es-es/WCS-Colombia/Nuestra-mision.aspx Woodcock, C. E., Allen, R., Anderson, M., Belward, A., Bindschadler, R., Cohen, W., ... & WULDER, M. A. W. (2008). Free access to Landsat imagery. SCIENCE VOL 320: 1011. WWF. (12 de septiembre de 2016). WWF Global. Recuperado el 2016 de 09 de 12, de http://wwf.panda.org/about_our_earth/deforestation/importance_forests WWF. (02 de mayo de 2021). WWF Global, Obtenido de https://www.wwf.org.co/conocenos/quienes_somos_/ Zhu, Z. & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, v. 118. pp. 83-94. Zhu, Z., Fu, Y., Woodcock, C. E., Olofsson, P., Vogelmann, J. E., Holden, C. E., Wang, M., Dai, S. and Yu, Y. (2016). Including Land Cover Change in Greenness Trend Analysis Based on All Available Landsat 5, 7, and 8 Images: A case study from Guangzhou, China (2000-2014). Remote Sensing of Environment, 185: 243-257 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xvii, 150 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.region.none.fl_str_mv |
Amazonas |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias Económicas - Maestría en Medio Ambiente y Desarrollo |
| dc.publisher.department.spa.fl_str_mv |
Instituto de Estudios Ambientales (IDEA) |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias Económicas |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/82101/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/82101/2/1019043605_2022.pdf https://repositorio.unal.edu.co/bitstream/unal/82101/3/1019043605_2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 dac39fe0d8455aa5b86c289f86f00872 4bfe587ea8ec72d509076c8fcce6d03d |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089891718365184 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Castiblanco Rozo, Carmenza1ef03b29fb9a913d7939b73aec9dc823Forero Castro, Cristhian Fabianb583ce53cef0de2985f4c58cdff147ae2022-08-25T15:53:52Z2022-08-25T15:53:52Z2021https://repositorio.unal.edu.co/handle/unal/82101Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, fotografías, graficas, mapasEl objetivo de este estudio es la propuesta de la optimización del sistema de alertas de deforestación de Colombia, se lleva a cabo en tres fases investigativas, la primera, hace un análisis de factores críticos del sistema de alertas de deforestación, la segunda, propone una automatización en la computación en la nube de la detección de deforestación por medio de series temporales de los valores de componentes principales y la tercera, realiza un mapa de actores e identifica los canales de comunicación por medio de la interpretación y análisis de datos cualitativos. La deforestación se detectó por medio de técnicas de machine learning para cada nueva imagen de los satélites Landsat 7, Landsat-8, Sentinel-2 y Sentinel-1 correspondientes al año 2021. Los resultados para la zona de estudio se comunicaron y validaron con los diferentes actores, se encontró que la deforestación tiene exactitudes de usuario altas y precisiones de productor moderadas, lo que indica un producto adecuado para apoyar la gestión de los bosques y las actividades de las instituciones. Así mismo se concluye que se deben realizar ajustes institucionales, normativos y financieros que doten al Estado de los instrumentos necesarios para la gestión de los bosques y la efectiva reducción y control de la deforestación en Colombia. (Texto tomado de la fuente)The purpose of this study is the design of an optimization proposal for the deforestation early-alert system in Colombia. The study occurred in three phases: (1) analyzing the critical factors of the early-warning system; (2) proposing an automation process on the cloud for detecting deforestation through temporal series of the values of main components; and (3) mapping identifying all key actors and communication channels through qualitative data analysis. Deforestation was detected using Machine Learning techniques for each new image of the Landsat 7, Landsat-8, Sentinel-2 and Sentinel-1 satellites corresponding to 2021. The results were communicated and validated with all the involved actors. Deforestation has very high user accuracies and moderately high producer accuracies, which indicates an adequate product to support forest management and institutional activities. Likewise, institutional, regulatory and financial adjustments should happen in order to provide the State with the necessary instruments for forest management and deforestation reduction and control in Colombia.MaestríaMagíster en Medio Ambiente y DesarrolloEconomía y ambientexvii, 150 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias Económicas - Maestría en Medio Ambiente y DesarrolloInstituto de Estudios Ambientales (IDEA)Facultad de Ciencias EconómicasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá350 - Administración pública y ciencia militar::354 - Administración pública de la economía y el medio ambienteDEFORESTACION-CONTROLCONSERVACION DE BOSQUESDeforestation -- ControlForest conservationDeforestaciónBosquesMapa de actoresConservaciónComponentes principalesSeries temporalesDeforestationForestMap of actorsConservationPrincipal componentsTemporal seriesDiseño de una propuesta de optimización del sistema de alertas tempranas por deforestación para Colombia, caso de estudio “Corazón de la Amazonia”Designing an optimization proposal of the deforestation early-warning system in Colombia: “The heart of the Amazon” case studyTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAmazonasRedColLaReferenciaACAMAFRUT. (2021). Asociación departamental de productores de Cacao y especies maderables. http://www.acamafrut.com.co/Agrosavia. (25 de abril de 2021). Corporación Colombiana de Investigación Agropecuaria. Obtenido de http://web.corpoica.org.co/menu/qhc/Alcaldía Cartagena del Chaira. (26 de abril de 2021). Obtenido de http://www.cartagenadelchaira-caqueta.gov.co/alcaldia/mision-y-visionAlcaldía Miraflores. (26 de abril de 2021). Obtenido de http://www.miraflores-guaviare.gov.co/vAlcaldía de San vicente del Caguán. (26 de abril de 2021). Obtenido de http://www.sanvicentedelcaguan-caqueta.gov.co/alcaldia/mision-y-visionAlcaldía de Solano. (27 de abril de 2021). Obtenido de http://www.solano-caqueta.gov.co/alcaldia/mision-y-visionACT. (26 de abril de 2021). The Amazon Conservation Team. Obtenido de https://www.amazonteam.org/about-us/Algranati, S. Bruno, D. & Lotti, A. (2012). Mapear actores, relaciones y territorios, una herramienta para el análisis del escenario social, Cuadernos de cátedra No. 3 Taller de Planificación de Procesos Comunicacionales Facultad de Periodismo y Comunicación Social UNLPASF. (18 de junio de 2021). Alaska Satellite Facility. Obtenido de Custom Processing: https://asf.alaska.edu/information/general/custom-processing/Ashraf, M., Maah, M., & Yusoff, I. (2011). Introduction to Remote Sensing of Biomass. 10.5772/16462. Biomass and Remote Sensing of Biomass, 129-142.Asoheca. (2021). La Asociación de reforestadores y cultivadores de Caucho del Caquetá. Obtenido de http://www.asoheca.org/secciones/empresa/quienessomos.phpAsoprocegua. (2021). Asociación de productores del Guaviare. Obtenido de https://www.guaviare.gov.co/instancias-de-participacion/asoproceguaAtzberger, C., Zeug, G., Defourny, P., Aragão, L., Hammarström, L., Immitzer, M. (2020). Monitoring of Forests through Remote Sensing. European Commission, European Union. doi:10 2779/175242Azure. (06 de mayo de 2021). Microsoft. Obtenido de Geospatial data processing and analytics: https://docs.microsoft.com/en-us/azure/architecture/example-scenario/data/geospatial-data-processing-analytics-azure.Bank, T. W. (2014). Forest conservation and sustainability in the heart of the Colombian amazon project. Patrimonio natural fund for biodiversity and protected areas.Breiman, L. (2001). Random Forests. Mach. Learn. 45, 5–32.Boca, T., & Rodríguez, G. (2016). Métodos estadísticos de la evaluación de la exactitud de productos derivados de sensores remotos. Instituto de Clima y Agua, INTA Castelar.Banco mundial. (09 de mayo de 2021). Obtenido de: https://www.bancomundial.org/es/Borisov, V., Leemann, T., Seßler, K., Haug, J., Pawelczyk, M., & Kasneci, G. (2021). Deep neural networks and tabular data: A survey. arXiv preprint arXiv:2110.01889.Cabrera, E., Vargas, D. M., Galindo, G., García, M. C., Ordoñez, M. F., Vergara, L. K., & Giraldo, P. (2011). Memoria técnica de la cuantificación de la deforestación histórica nacional - escalas gruesa y fina. Obtenido de https://www.siac.gov.co/documentos/DOC_Portal/DOC_Bosques/131112_MT_Cuantif_Tasa_Deforestacion.pdfCabrera, E., Galindo, G., González, J., Vergara, L., Forero, C., Cubillos, A., . . . Duque, A. (2019). Colombian Forest Monitoring System: Assessing Deforestation in an Environmental Complex Country. IntechOpen Book Series. doi:DOI: 10.5772/intechopen.86143Catuna, N. (1995). La percepción remota y el análisis del espacio geográfico. Cuadernos de Geografía: Revista Colombiana de Geografía, 5(2), 83–106. Obtenido de: https://revistas.unal.edu.co/index.php/rcg/article/view/70766Canty, M. & Nielsen, A. (2008). Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation. Remote Sensing of Environment 112 (3), 1025–1036. Available at /http://www.imm.dtu.dk/pubdb/p.php?5362SCanty, M. & Nielsen, A. (2012). Linear and kernel methods for multivariate change detection. Computers & geosciences, 38(1), 107-114.Canty, M. (2014). Image analysis, classification and change detection in romete sensing. Taylor & Francis GruopChuvieco, E. (1996). Fundamentos de Teledetección. Madrid: RIALP, S.A.CINDAP. (06 de mayo de 2021). Corporación para la Investigación Desarrollo Agropecuario y Ambiental. Obtenido de: https://cindap.co/Claverie, M., Ju, J., Masek, J., Dungan, J., Vermote, E., Roger, J., . . . Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, (219, 145-161).Cochran, W. G. (1977). Sampling Techniques. New York, NY, USA: John Wiley & Sons, Inc. 428 pp.Colditz, RR, Conrad, C, Wehrmann, T, Schmidt, M, Dech, S (2008). TiSeG: A Flexible Software Tool for Time-Series Generation of MODIS Data Utilizing the Quality Assessment Science Data Set. IEEE transactions on geoscience and remote sensing, 46(10), 3296-3308.Cohen, J. (1960). A coefficient of agreement for nominal scales, XX(1), 37–46.Congalton, R. & Green, K. (1999). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Lewis Publishers, Boca Raton, Florida, 137 p.Conservation International (29 de abril de 2021). Obtenido de https://www.conservation.org.co/programas/Corpoamazonia. (2021). Análisis de precipitación en la amazonia. Obtenido de https://www.corpoamazonia.gov.co/region/Jur_Clima.htmlCorpoamazonia. (26 de Abril de 2021). Corporación para el Desarrollo Sostenible del Sur del Amazonas. Obtenido de http://www.corpoamazonia.gov.co/index.php/acerca-de-la-entidad/objetivos-y-funcionesCrisis Group. (2021). Bosques caídos: deforestación y conflicto en Colombia. Brussels, Belgium: Informe sobre América Latina N°91 - International Crisis Group.D3. (13 de octubre de 2021). Data-Driven Documents. Obtenido de https://d3js.org/DAAC, L. (20 de mayo de 2022). NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC) at the USGS Earth Resources Observation and Science (EROS) Center. Obtenido de https://lpdaac.usgs.gov/products/mod09a1v061/Davies, D. K., Ilavajhala, S., Wong, M. M., & Justice, C. O. (2009). Fire Information for Resource Management System: Archiving and Distributing MODIS Active Fire Data. IEEE Transactions on Geoscience and Remote Sensing, vol. 47, No. 1, January, 72-79. doi:10.1109/TGRS.2008.2002076DEISPAZ. (27 de abril de 2021). Corporación por el Desarrollo Integral Sostenible y la Paz. Obtenido de https://www.deispaz.org/index.php/quienes-somosDeng, J., Wang, K., Deng, H., & QI, J. (2008). PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing.DNP. (21 de abril de 2021). Departamento Nacional de Planeación. Obtenido de https://www.dnp.gov.co/DNPN/la-entidad/misi%C3%B3n-visi%C3%B3n-origenEastman, J & Fulk, J 1993. "Long Sequence Time Series Evaluation Using Standardized PrincipalComponents", Photogrammetric Engineering & Remote Sensing, Vol. 59, No. 8, pp. 1307-1312.Egorov, Alexey & Roy, David & Zhang, Hankui & Hansen, Matthew & Kommareddy, Anil. (2018). Demonstration of Percent Tree Cover Mapping Using Landsat Analysis Ready Data (ARD) and Sensitivity with Respect to Landsat ARD Processing Level. Remote Sensing. 10. 10.3390/rs10020209.EII. (06 de mayo de 2021). Earth Innovation Institute. Obtenido de: https://earthinnovation.org/Elijah, K. (04 de enero de 2022). Principal Component Analysis. Obtenido de Towards data science: https://towardsdatascience.com/principal-component-analysis-ac90b73f68f5El Tiempo. (01 de diciembre de 2014). ¿Se queda sin aire el pulmón del mundo? Obtenido de http://www.eltiempo.com/archivo/documento/CMS-14785175ESA. (03 de mayo de 2021). Sentinel online. Obtenido de https://sentinels.copernicus.eu/web/sentinel/homeFagua, J., Jantz, P., Burns, P., Massey, R., Buitrago, J., Saatchi, S., Hakkenberg, C., Goetz, S. (2021). Mapping tree diversity in the tropical forest region of Chocó-Colombia. Environmental Research Letters, http://dx.doi.org/10.1088/1748-9326/abf58aFAO. (2016). Forestry and climate change. Roles of forests in climate change. Obtenido de https://www.fao.org/forestry/climatechange/en/FAO. (2017). Directrices voluntarios sobre monitoreo forestal. Roma: Organización de las naciones unidas para la alimentación y la agricultura.Fauvel, K., Fromont, E., Masson, V., Faverdin, P., & Termier, A. (2022). XEM: An explainable-by-design ensemble method for multivariate time series classification. Data Mining and Knowledge Discovery, 36(3), 917-957.FDLC. (28 de abril de 2021). Fundación para el desarrollo local comunitario. Obtenido de https://www.fundacomunidad.org/p/nosotros_4.htmlFoley, A. (2005). Global consequences of land use, ScienceForest Trends. (26 de abril de 2021). Obtenido de https://www.forest-trends.org/who-we-are/mission-and-history/Fung, T & LeDrew, E 1987. "Application of Principal Components Analysis to Change Detection",Photogrammetric Engineering and Remote Sensing, Vol. 53, No. 12, pp. 1649-1658Galindo, G., Espejo , J., Rubiano , J., & Vergara, K. (2014). Protocolo de procesamiento digital de imágenes para la cuantificación de la deforestación en Colombia. V 2.0. Bogotá D.C. Colombia: Instituto de Hidrología Meteorología y Estudios Ambientales – IDEAM.GFW. (12 de Julio de 2021). Indigenous community monitors deforestation. Obtenido de Global Forest Watch: https://www.globalforestwatch.org/blog/es/people/monitores-forestales-indigenas-frenan-deforestacion-2/GIZ. (2015). El modelo de gestión para el desarrollo sostenible. Capacity WORKS. Cooperación técnica alemana.Gobernación de Caquetá. (25 de abril de 2021). Gobernación de Caquetá. Obtenido de http://www.caqueta.gov.co/gobernacion/secretaria-delegadaGobernación del Guaviare. (28 de abril de 2021). Obtenido de http://www.guaviare.gov.co/gobernacion/mision-y-visionGobernación del Guaviare. (28 de abril de 2021). Obtenido de http://www.guaviare.gov.co/gobernacion/mision-y-visionGonzález, J., Cubillos, A., Chadid, M., Arias, M., Zúñiga, E., Joubert, F., … Berrío, V. (2018). Caracterización de las principales causas y agentes de la deforestación a nivel nacional período 2005-2015. Colombia. Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales -IDEAM-. Programa ONU-REDD .Hamman, J. (16 de octubre de 2018). Pangeo applications for NASA Earth Observing Data. Obtenido de https://medium.com/pangeo/nasa-access-c3515a44f31bHammer, D., Kraft, R. & Wheeler, D. (2014). Alerts of forest disturbance from MODIS imagery Int. J. Appl. Earth Obs. Geoinformation.Hamunyela, E., Verbesselt, J., & de Brui, S. (2016). Monitoring Deforestation at Sub-Annual Scales as Extreme Events in Landsat Data Cubes. Remote Sensing.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., Townshend J.R.G. (2013) High-Resolution Global Maps of 21st-Century ForestHansen, M., Alexander, K., Alexandra, T., Peter, V. P., Svetlana, T., Bryan, Z., y otros. (2016). Humid tropical forest disturbance alerts using Landsat data. Environmental Research LettersHenderson, S. (01 de octubre de 2018). Cloud Native Geoprocessing of Earth Observation Satellite Data with Pangeo. Obtenido de https://medium.com/pangeo/cloud-native-geoprocessing-of-earth-observation-satellite-data-with-pangeo-997692d91ca2Holtz, Y. (23 de noviembre de 2021). Python graph gallery. Obtenido de https://www.python-graph-gallery.com/about/IDEAM. (2016). Instituto de Meteorología, Hidrología y Estudios Ambientales. Recuperado el 12 de diciembre de 2016, de Boletín de alertas tempranas por deforestación:http://documentacion.ideam.gov.co/openbiblio/bvirtual/022695/Alertastempranasdedeforestacionsegundoboletin.pdfIDEAM. (2018). Instituto de Meteorología, Hidrología y Estudios Ambientales. Recuperado el 08 de mayo de 2018, de Boletín de alertas tempranas por deforestación:http://documentacion.ideam.gov.co/openbiblio/bvirtual/022695/Alertastempranasdedeforestacionsegundoboletin.pdfIDEAM. (2019). Documento Metodológico: Operación Estadística Monitoreo de la Superficie de Bosque Natural en Colombia. Bogotá D.C.IDEAM. (2020). Presentación lanzamiento cifras de deforestación anual 2020. Obtenido deideam.gov.co/documents/10182/113437783/Presentacion_Deforestacion2020_SMByC-IDEAM.pdf/IDEAM. (25 de abril de 2021). Instituro Hidrologico, Metereologico y Estudios Ambientales. Obtenido de http://www.ideam.gov.co/web/entidad/acerca-entidadIRD. (29 de abril de 2021). International Relief & Development- IRD. Obtenido de https://blumont.org/about/Jensen, J. (2005). Introductory Digital Image Processing, 3rd Ed.Josse, C., Navarro, G., Evans, R., Teague., J. (2003). Ecological Systems of Latin America and the Caribbean: A Working Classification of Terrestrial Systems. Arlington: NatureServe.Kavzoglu, T., (2017). Object-Oriented Random Forest for High Resolution Land Cover Mapping Using Quickbird-2 Imagery. In: Handbook of Neural Computation, edited by Samui, P., Roy, S.S., and Balas, V.E. Elseiver, Amsterdam.Kavzoglu, Taskin & Bilücan, Furkan & Teke, Alihan. (2020). Comparison of support vector machines, random forest and decision tree methods for classification of sentinel - 2a image using different band combinations, Department of Geomatics Engineering.Kpienbaareh, D., Sun, X., Wang, J., Luginaah, I., Bezner Kerr, R., Lupafya, E., & Dakishoni, L. (2021). Crop type and land cover mapping in northern Malawi using the integration of sentinel-1, sentinel-2, and planetscope satellite data. Remote Sensing, 13(4), 700.MADR. (21 de abril de 2021). Ministerio de Agricultura y Desarrollo Rural. Obtenido de https://www.minagricultura.gov.co/ministerio/quienes-somos/Paginas/Quienes-somos.aspxMADS. (2017). Política Nacional de Cambio Climático. Ministerio de Ambiente y Desarrollo Sostenible. Recuperado de https://www.minambiente.gov.co/wp-content/uploads/2022/01/9.-Politica-Nacional-de-Cambio-Climatico.pdfMeyer, F. (2019). Spaceborne Synthetic Aperture Radar : Principles , Data Access , and Basic Processing Techniques. En SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation (pág. Chapter 2). Nasa. doi:DOI: 10.25966/ez4f-mg98Meyer, F. (02 de septiembre de 2020). Alaska Satellite Facility. Obtenido de SAR: The Power Tool of Remote Sensing: https://asf.alaska.edu/information/sar-information/what-is-sar/MinAmbiente. (2016). Importancia de los bosques, Colombia tercer país de la región en cobertura boscosa. Ministerio de Ambiente y Desarrollo Sostenible.Minambiente. (2018). Estrategia Integral de Control a la Deforestación y Gestión de los Bosques. Bogotá D.C.: Bosques territorios de vida.Minciencias. (28 de abril de 2021). Ministerio de Ciencia Tecnología e Innovación. Obtenido de https://minciencias.gov.co/ministerio/funcionesMINCIT. (25 de abril de 2021). Ministerio de Comercio, Industria y Turismo. Obtenido de http://www.mincit.gov.co/ministerio/conozco-masMINCULTURA. (25 de abril de 2021). Ministerio de Cultura. Obtenido de https://www.mincultura.gov.co/ministerio/quienes-somos/Paginas/default.aspxMudereri, B. T., Dube, T., Adel-Rahman, E. M., Niassy, S., Kimathi, E., Khan, Z., & Landmann, T. (2019). A comparative analysis of PlanetScope and Sentinel-2 space-borne sensors in mapping Striga weed using Guided Regularised Random Forest classification ensemble. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(2/W13).Musinsky, J. (2014). Near-real time monitoring and alert systems. REDD+ Measurement, Reporting and Verification (MRV) Manual Version 2.0. USAID -supported Forest Carbon, Markets and Communities Program. Washington, DC, USA.NASA. (1989). Atmospheric Transmission of Electromagnetic Waves in Spectral Areas of Visible Light and Different Radar BandsNASA. (01 de marzo de 2013). Goddard Space Flight Center. Obtenido de https://imagine.gsfc.nasa.gov/science/toolbox/emspectrum1.htmlNASA. (02 de mayo de 2021). Landsat science. Obtenido de https://landsat.gsfc.nasa.gov/Nepstad, D., McGrath, D., Stickler, C., Alencar, A., Azevedo, A., Swette, B., ... & Hess, L. (2014). Slowing Amazon deforestation through public policy and interventions in beef and soy supply chains. science, 344(6188), 1118-1123.Newton, A.C., 2021. Ecosystem Collapse and Recovery, 1st ed. Cambridge University Press. https://doi.org/10.1017/9781108561105Ng, S. & Bai, J. (2017). Principal components and regularized estimation of factor models. Obtenido de https://arxiv.org/pdf/1708.08137.pdfNICFI. (08 de mayo de 2021). Norway’s International Climate and Forest Initiative. Obtenido de: https://www.nicfi.no/NISAR. (2018). NASA-ISRO SAR (NISAR) Mission Science. Obtenido de NASA Jet Propulsion Laboratory. 261 pp: https://nisar.jpl.nasa.gov/system/documents/files/26_NISAR_FINAL_9-6-19.pdf?_ga=2.117743950.656918719.1643580810-1857828090.1639628617Olofsson, P., Stehman, S. V., Woodcock, C. E., Sulla-Menashe, D., Sibley, A. M., Newell, J. D., Friedl, M. A. and Herold, M. (2012). A global land cover validation dataset, I: Fundamental design principles. International Journal of Remote Sensing, 33:5768-5788.Olofsson, P., Foody, G. M., Stehman, S. V. and Woodcock, C. E. (2013). Making better use of accuracy data in land change studies: estimating accuracy and area andOlofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E. and Wulder, M. A. (2014). Good Practices for Assessing Accuracy and Estimating Area of Land Change. Remote Sensing of Environment, 148:42- 57.Olofsson, P., Holden, C. E., Bullock, E. L., & Woodcock, C. E. (2016). Time series analysis of satellite data reveals continuous deforestation of New England since the 1980s. Environmental Research Letters, 11(6), 064002.Olofsson, P. (2017). Accuracy and Area Estimation. Reference Module in Earth Systems and Environmental Sciences, in pressOPIAC. (29 de abril 2021). Organización Nacional de los Pueblos Indígenas de la Amazonia Colombiana. Obtenido de https://opiac.org.co/opiac/quienes-somosOrtiz, S. M., Breidenbach, J., Knuth, R., & Kändler, G. (2012). The Influence of DEM Quality on Mapping Accuracy of Coniferous-and Deciduous-Dominated Forest Using TerraSAR‑X Images. Remote Sensing, 4(3), 661-681.Patrimonio Natural. (06 de junio de 2021). El Fondo Patrimonio Natural. Obtenido de https://www.patrimonionatural.org.co/informacion-permanencia-esal/Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, pp. 2825-2830.Perko, R., Raggam, H., Gutjahr, K., & Schardt, M. (2011, July). Using worldwide available TerraSAR-X data to calibrate the geo-location accuracy of optical sensors. In 2011 IEEE International Geoscience and Remote Sensing Symposium (pp. 2551-2554).PID. (22 de abril de 2021). Plataforma de información y diálogo para la amazonía Colombiana. Obtenido de Mapeo de actores e iniciativas : https://www.pidamazonia.com/PNN. (25 de abril de 2021). Parques Nacionales Naturales de Colombia. Obtenido de http://www.parquesnacionales.gov.co/portal/es/organizacion/Potapov, P. V. (2014). National satellite-based humid tropical forest change assessment in Peru in support of REDD+ implementation. Environmental Research Letters.Potapov, P., Hansen, M., Kommareddy, I., Kommareddy, A., Turubanova, S., Pickens, A., Adusei, B., Tyukavina, A., Ying, Q. (2020). Landsat Analysis Ready Data for Global Land Cover and Land Cover Change Mapping. Remote Sensing.Ramírez, S., Ramírez, M., Galindo, G. & Espejo, O. (2014). Evaluación de la exactitud temática del mapa de cambio de bosque para la región amazónica colombiana en el periodo 2010-2012. Selper. Obtenido de https://selper.org.co/papers-XVI-Simposio/Cartografia-Digital/CD4-Evaluacion-exactitud-tematica-mapa-cambio-amazonia-colombia.pdfR Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.REDCaquetaPaz (02 de mayo de 2021). Fundación para el desarrollo y paz de Caquetá. obtenido de https://www.redcaquetapaz.org/Reymondin L. (2013). A methodology for near real-time monitoring of habitat change at continental scales using MODIS-NDVI and TRMM, Submitted Remote Sensing of Environment.Rodrigo, J. A. (2017). Análisis de componentes principales (principal component analysis, pca) y t-sne.Roman, A. & Ursu, T. (2016). Multispectral satellite imagery and airborne laser scanning techniques for the detection of archaeological vegetation marks. Landscape Archaeology, 141-152.Selva Humeda. (06 de mayo de 2021). Corporación selva húmeda. Obtenido de: https://www.corporacionselvahumeda.org/nosotros.htmlSENA. ( 07 de mayo de 2021). Servicio Nacional de Aprendizaje. Obtenido de: https://www.sena.edu.co/es-co/sena/Paginas/misionVision.aspxShao, Y., Di, L., Bai, Y., & Guo, B. (2012). Geoprocessing on the Amazon cloud computing platform AWS. Agro-Geoinformatics, 286-291. doi:DOI:10.1109/Agro-Geoinformatics.2012.6311655Shimabukuro, E., dos Santos, J., Formaggio, R., Duarte, V. & Rudorff, T. (2012). The Brazilian Amazon Monitoring Program: PRODES and DETER Projects Global Forest Monitoring from Earth ObservationShouval, R., Labopin, M., Unger, R., Giebel, S., Ciceri, F., Schmid, C., ... & Nagler, A. (2016). Prediction of hematopoietic stem cell transplantation related mortality-lessons learned from the in-silico approach: a European Society for Blood and Marrow Transplantation Acute Leukemia Working Party data mining study. PLoS One, 11(3), e0150637SINCHI. (20 de abril de 2021). Instituto SINCHI. Obtenido de https://www.sinchi.org.co/quienes-somosSingh, A & Harrison, A 1985. "Standardized Principal Components", Int. J. Remote Sensing, Vol.6, No. 6, pp. 883-896.Slough, T., Kopas, J. & Urpelainen, J. (20 de 07 de 2021). Satellite-based deforestation alerts with training and incentives for patrolling facilitate community monitoring in the Peruvian Amazon. Proceedings of the National Academy of Sciences, 29. Obtenido de http://www.pnas.org/content/118/29/e2015171118.abstractSmall, D. (2011). Flattening gamma: Corrección radiométrica del terreno para imágenes SAR. IEEE Transactions of Geoscience and Remote Sensing, 49 (8): 3081-3093.SMByC. (2018). Web del Sistema de Monitoreo de Bosques y Carbono. Obtenido de http://smbyc.ideam.gov.co/SMByC. (2020). Presentacion de resultados de la cifra de deforestación 2020. Obtenido http://www.ideam.gov.co/documents/10182/113437783/Presentacion_Deforestacion2020_SMByC-IDEAM.pdf/SMByC. (2019). Operación estadística monitoreo de la superficie de bosque natural en Colombia. Obtenido de http://www.ideam.gov.co/documents/11769/72065174/Doc_metodol%C3%B3gico_SMBYC_Consolidado_v12_26062019.pdf/1c576c67-d00c-4e2c-b3b1-5a260305f3d0, Bogotá D.C.SMByC. (22 de marzo de 2021). AcATaMa. Obtenido de https://smbyc.github.io/AcATaMa/Tavares, R., & Fitch, J. (2019). Identificación de los actores sociales en una comunidad. Obtenido de Revista de Arquitectura: https://revistadearquitectura.ucatolica.edu.co/article/view/2258/2550Pennsylvania State University. (04 de 01 de 2022). Applied Data Mining and Statistical Learning, Lesson 6: Principal Components Analysis. Obtenido de https://online.stat.psu.edu/stat508/bookTNC. (24 de abril de 2021). The Nature Conservancy, Obtenido de https://www.nature.org/es-us/que-hacemos/nuestra-vision/UNFCCC. (1992). Convención Marco de las Naciones Unidas Sobre el Cambio Climático. Río de Janeiro : Naciones UnidasUSGS. (01 de mayo de 2018). Landsat Science Products. Obtenido de https://landsat.usgs.gov/landsat-science-data-productsVargas, C., Montalban, J. & Taquia, A. (2019). Early warning tropical forest loss alerts in Peru using Landsat. Environmental Research Communications. 1. 10.1088/2515-7620/ab4ec3.Xia, J., Yang, C., & Li, Q. (2018). Building a spatiotemporal index for earth observation big data. Int. J. Appl. Earth Obs., 245–252.Yao, X., Li, G., Xia, J., Ben, J., Cao, Q., Zhao, L., … Zhu, D. (2020). Enabling the Big Earth Observation Data via Cloud Computing and DGGS: Opportunities and Challenges. Remote Sensing, https://doi.org/10.3390/rs12010062.Watanabe, M., Koyama, C.N., Hayashi, M., Nagatani, I., Tadono, T., Shimada, M. (2021). Refined algorithm for forest early warning system with ALOS-2/PALSAR-2 ScanSAR data in tropical forest regions. Remote Sens. Environ. 265, 112643 https://doi.org/ 10.1016/j.rse.2021.112643WCS. (2021). Wildlife Conservation Society. Obtenido de: https://colombia.wcs.org/es-es/WCS-Colombia/Nuestra-mision.aspxWoodcock, C. E., Allen, R., Anderson, M., Belward, A., Bindschadler, R., Cohen, W., ... & WULDER, M. A. W. (2008). Free access to Landsat imagery. SCIENCE VOL 320: 1011.WWF. (12 de septiembre de 2016). WWF Global. Recuperado el 2016 de 09 de 12, de http://wwf.panda.org/about_our_earth/deforestation/importance_forestsWWF. (02 de mayo de 2021). WWF Global, Obtenido de https://www.wwf.org.co/conocenos/quienes_somos_/Zhu, Z. & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, v. 118. pp. 83-94.Zhu, Z., Fu, Y., Woodcock, C. E., Olofsson, P., Vogelmann, J. E., Holden, C. E., Wang, M., Dai, S. and Yu, Y. (2016). Including Land Cover Change in Greenness Trend Analysis Based on All Available Landsat 5, 7, and 8 Images: A case study from Guangzhou, China (2000-2014). Remote Sensing of Environment, 185: 243-257InvestigadoresProveedores de ayuda financiera para estudiantesPúblico generalReceptores de fondos federales y solicitantesLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unal.edu.co/bitstream/unal/82101/1/license.txt8a4605be74aa9ea9d79846c1fba20a33MD51ORIGINAL1019043605_2022.pdf1019043605_2022.pdfTesis de Maestria en Medio Ambiente y Desarrolloapplication/pdf9577775https://repositorio.unal.edu.co/bitstream/unal/82101/2/1019043605_2022.pdfdac39fe0d8455aa5b86c289f86f00872MD52THUMBNAIL1019043605_2022.pdf.jpg1019043605_2022.pdf.jpgGenerated Thumbnailimage/jpeg5306https://repositorio.unal.edu.co/bitstream/unal/82101/3/1019043605_2022.pdf.jpg4bfe587ea8ec72d509076c8fcce6d03dMD53unal/82101oai:repositorio.unal.edu.co:unal/821012024-08-09 23:21:54.532Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |