doi:10.24039/rtb20222011319
Keywords: Artificial intelligence – deforestation – Google Earth Engine – Random Forest – Sentinel-2
1* 1
Ronald Puerta-Tuesta & Raí Fajardo-Gamarra
COBERTURA BOSCOSA AL 2021 EN LA PROVINCIA LEONCIO PRADO, PERÚ
FOREST COVER BY 2021 IN THE LEONCIO PRADO PROVINCE, PERU
The Biologist
(Lima)
The Biologist (Lima), 202 , vol. ( ),2 20 1 93-101.
ORIGINAL ARTICLE / ARTÍCULO ORIGINAL
ABSTRACT
The loss of forests is one of the main environmental problems in Peru and in various parts of the world. The
present work aims to calculate the forest cover by 2021 within the Leoncio Prado province, located in the
Huánuco region, Peru. Sentinel-2 images were used, which were classified on the Google Earth Engine
platform using the Random Forest artificial intelligence algorithm. Likewise, the thematic accuracy of the
resulting classification was evaluated using high spatial resolution Planet images. As results, it was found
that the study area includes 349,811.47 ha, which represents more than 70% of the total area, while the
degraded and intervened areas add up to a total of 131,392.12 ha, which come mainly from the change in
use of forest to agricultural areas. Regarding the metrics that evaluate the thematic accuracy of the
classification, a value of 0.77 was found in the Kappa Index and 89.14% global accuracy. Therefore, it is
concluded that the forest cover is the most predominant in the Leoncio Prado province, which was
classified with high thematic accuracy.
The Biologist (Lima)
ISSN Versión Impresa 1816-0719
ISSN Versión en linea 1994-9073 ISSN Versión CD ROM 1994-9081
93
1Universidad Nacional Agraria de la Selva. Tingo María, Perú.
*Corresponding author: ronald.puerta@unas.edu.pe
Ronald Puerta Tuesta: https://orcid.org/0000-0001-5777-7855
Raí Fajardo Gamarra: https://orcid.org/0000-0003-1576-4970
D
D
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
RESUMEN
Palabras clave: Deforestación – Google Earth Engine – inteligencia artificial – Random Forest – Sentinel-2
La pérdida de bosques es uno de los principales problemas ambientales en el Perú y en diversas partes del
mundo, en ese sentido el presente trabajo tiene por objetivo calcular la cobertura boscosa al 2021 dentro de
la provincia Leoncio Prado, ubicada en la región Huánuco, Perú. Para ello, se utilizó las imágenes
Sentinel-2 que fueron clasificadas en la plataforma Google Earth Engine utilizando el algoritmo de
inteligencia artificial Random Forest. Asimismo, se evaluó la exactitud temática de la clasificación
resultante utilizando imágenes de alta resolución espacial Planet. Como resultados se encontró que la zona
de estudio presenta 349 811,47 ha lo que representa más del 70% del área total, mientras que las áreas
degradas e intervenidas suman un total de 131 392,12 ha que proceden principalmente del cambio de uso
de bosque a zonas agrícolas. Respecto a las métricas que evalúan la exactitud temática de la clasificación,
se encontró un valor de 0,77 en el Índice de Kappa y 89,14% de exactitud global. Por lo que se concluye
que la cobertura boscosa es la de mayor predominancia en la provincia Leoncio Prado, la cual fue
clasificada con alta exactitud temática.
94
INTRODUCCIÓN
La deforestación y degradación forestal avanza a
una velocidad alarmante en todo el planeta. Se ha
calculado que en las últimas cuatro décadas se han
perdido en todo el mundo 420 millones de has de
bosques (FAO & PNUMA, 2020) y el Perú no es
ajeno a esta realidad, del 2010 al 2019 el promedio
de la pérdida anual de bosques fue de 151 731 ha,
sin embargo; en el 2020 alcanzó su pico más alto
con 203 272 ha de bosques arrasados en un solo
año (Ministerio del Ambiente - MINAM, 2021), lo
que constituye una enorme amenaza para la
conservación de la diversidad existentes en estos
ecosistemas.
Si bien a nivel mundial la causa principal de la
deforestación es la expansión agrícola (FAO &
PNUMA, 2020), en la Amazonía peruana se ha
podido determinar catalizadores específicos de la
deforestación como el cultivo de la palma aceitera
por parte de pequeños productores y las grandes
industrias (Glinskis & Gutiérrez-Vélez, 2019); así
como la minería de oro a escala artesanal
(Caballero et al., 2018). Mientras que dentro de la
provincia Leoncio Prado se ha encontrado que la
principal causa para la eliminación de la cobertura
boscosa es la agricultura de subsistencia (Chahua,
2019).
Con la finalidad de reducir esta situación, se deben
fortalecer las capacidades nacionales para realizar
evaluaciones efectivas y cartografiar tierras
degradadas tal como lo recomiendan los Objetivos
de Desarrollo Sostenible (ODS) propuestos por las
Naciones Unidas (Giuliani et al., 2020). Ante esta
necesidad, han surgido iniciativas globales que
ofertan soluciones tecnológicas para monitorear la
cobertura del bosque, utilizando métodos
sofisticados y de acceso libre para obtener
resultados más exactos y al alcance de todos
(Puerta et al., 2021). Por ejemplo, el Programa
Copernicus dedicado a la observación de la Tierra
cuenta con una constelación de satélites Sentinel y
otras misiones que ofrecen servicios que abordan
desafíos como alimentos, agua, energía, clima y
seguridad civil (Aschbacher, 2017).
Otro de los avances en Teledetección es el
desarrollo de algoritmos en base a la inteligencia
artificial para la clasificación de imágenes
satelitales. Estos clasificadores robustos están
siendo utilizados para reagrupar píxeles de las
imágenes Sentinel y otro productos para ubicar,
delimitar y cuantificar la cobertura terrestre con
enfoque en el aprendizaje de máquinas como es el
caso de Random Forest que según la literatura
científica es actualmente el algoritmo más
utilizado (Hu et al., 2020; Koskikala et al., 2020),
Máquinas de Vector de Soporte (Support vector
Puerta-Tuesta & Fajardo-Gamarra
machine) (Parida & Kumar, 2020; Zhang et al.,
2019; Clark, 2020), Boosting (Pilaš et al., 2020;
Nink et al., 2019) y Normal Bayes (Furuya et al.,
2020). Además, los especialistas recurren a las
Redes Neuronales Artificiales (Neural network)
basadas en procesos complejos como el
aprendizaje profundo, para conseguir mapas de
cobertura boscosa con exactitud temática muy alta
(Miranda et al., 2019; Nazarova et al., 2020).
En este contexto, el monitoreo oportuno, continuo
y sistemático de la dinámica forestal es importante
para ajustar constantemente las políticas
ambientales vigentes y desarrollar nuevas medidas
de mitigación (Brovelli et al., 2020). En esta misma
línea la presente investigación se hace la siguiente
pregunta ¿Cuánto es la cobertura boscosa de la
provincia Leoncio Prado al 2021? Por lo que se
planteó como objetivo estimar la cobertura boscosa
al 2021 de la provincia Leoncio Prado, Perú
clasificando imágenes Sentinel-2 con el algoritmo
Random Forest así como evaluar su exactitud
temática del mapa de cobertura boscosa producido.
Área de estudio
El área de estudio se encuentra localizada al nor
centro de la región Huánuco, Perú, abarcando una
extensión de 490 607,567 ha (Figura 1). Esta región
95
MATERIALES Y MÉTODOS
de selva alta peruana se clasifica en su mayor parte
como Bosque muy húmedo Premontano Tropical
(bmh-PT) (Oficina Nacional de Evaluación de
Recursos Naturales (ONERN, 1976), presenta
temperaturas superiores a los 24°C y
precipitaciones superiores a los 3 000 mm/año,
siendo el periodo comprendido entre noviembre a
marzo el de lluvias prolongadas (Servicio Nacional
de Meteorología e Hidrología del Perú
(SENAMHI, 2021). En esta provincia se identifica
paisajes muy variados como la planicie ondulada
donde se encuentran principalmente la zona
agrícola y urbana, el paisaje colinoso en el que se
encuentra parte del Bosque de Producción
Permanente Huánuco (Servicio Nacional Forestal
y de Fauna Silvestre (SERFOR, 2021) y finalmente
el paisaje montañoso donde se ubican las áreas
protegidas como el Parque Nacional Tingo María y
el Parque Nacional Cordillera Azul (Servicio
Nacional de Áreas Naturales Protegidas
(SERNANP, 2021).
Insumos cartográficos
Se utilizó como insumo principal imágenes del
satélite óptico Sentinel-2, del Nivel 2A que son
imágenes de reflectancia en el fondo de la
atmósfera (BOA). Se procesó imágenes capturadas
en el periodo comprendido entre los meses de
agosto a octubre, que corresponde a la época de
menor precipitación en la zona de estudio.
Procedimiento
El proceso se inició con el acceso a la plataforma
Figura 1. Ubicación política del área de estudio.
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Forest cover in Tingo María
Google Earth Engine (GEE) para acceder a los
datos del satélite Sentinel-2. Utilizando las bandas
B11, B8 y B4 se aplicaron dos filtros: un filtro de
nubes que deja las observaciones con una
nubosidad del 10% y un filtro de tiempo de las
observaciones para un rango de tiempo
predeterminado, desde el 01 de agosto hasta el 17
de octubre del 2021. La imagen obtenida fue
exportada a Google Drive para su respectiva
descarga. Se eligió la plataforma GEE por su gran
flexibilidad para proporcionar imágenes con poca
nubosidad (Brovelli et al., 2020) que es típico en
los bosques tropicales húmedos. La clasificación
96
supervisada de la imagen se realizó en el software
libre SNAP, creado por Copernicus para procesar
los productos Sentinel, para ello se aplicó el
algoritmo de inteligencia artificial Random Forest.
La definición de los datos de entrenamiento se
realizó a través de la interpretación visual de las
imágenes Sentinel-2, donde se implementó un
muestreo estratificado simple. Se definió cinco
coberturas (Tabla 1): bosque, intervenido,
degradado, hidrografía y urbano. Las áreas de
entrenamiento para la clasificación se obtuvieron
mediante análisis visual de la imagen Sentinel-2.
Tabla 1. Clases de coberturas en la zona de estudio.
Cobertura
Definición en la imagen
Bosque
Área con cobertura boscosa de formación natural o antrópica.
Intervenido
Áreas con vegetación secundaria, cultivos o pastos
Degradado
Áreas sin cobertura vegetal, suelos desnudos y/o degradados
Hidrografía
Cursos y cuerpos de agua
Urbano
Ciudades, caseríos, centros poblados y otros
Para verificar la fiabilidad de la clasificación sobre
la imagen, se realizó calculó la exactitud temática
utilizando la matriz de confusión también conocida
como tabla de contingencia, que corresponde a una
matriz de doble entrada, cuyos valores en diagonal
expresan la concordancia entre el mapa producido
y la realidad. Las clases encontradas en la
clasificación supervisada fueron contrastadas con
imágenes Planet, que cuenta con una resolución
espacial entre 3 a 5 m (Roy et al., 2021).
Para lo cual se realizó un muestreo estratificado al
azar, donde las coberturas encontradas en la
imagen corresponden a los estratos de muestreo.
Según lo mencionado por Congalton (1991) si la
superficie del área de estudio supera la 400 000 ha
sugiere evaluar de 75 a 100 sitios por categorías.
Por lo tanto, se evaluaron 345 puntos de muestreo
para determinar la exactitud temática; 100 puntos
para bosques, 75 para la zona intervenida, 75 para
degradado, 75 para hidrografía y 20 para la zona
urbana.
Aspectos éticos: Los autores señalan que durante
la ejecución del presente trabajo se han cumplido
con todos los aspectos éticos nacionales e
internacionales.
Cobertura boscosa en la provincia Leoncio
Prado
En la Tabla 2 se muestra la superficie de las
coberturas encontradas en la provincia Leoncio
Prado a octubre del 2021. Se puede observar que la
cobertura boscosa abarca más del 70% de la
superficie total del área de estudio (Figura 2), lo
que deduce que existe una gran cantidad de
bosques, esto se debe principalmente que dentro de
la provincia existen dos áreas naturales protegidas
con carácter de intangible; el Parque Nacional
Tingo María que se encuentra íntegramente dentro
de la provincia con 4 777 ha y el Parque Nacional
RESULTADOS Y DISCUSIÓN
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Puerta-Tuesta & Fajardo-Gamarra
Cordillera Azul que es compartido con otras tres
regiones, de las cuales 79 959,84 ha se encuentran
dentro de la provincia (SERNANP, 2021). El
establecimiento de áreas naturales protegidas se ha
97
convertido en una manera eficiente de conservar
bosques en esta parte del Perú como en otras partes
del mundo (Nguyen et al., 2019; Fokeng et al.,
2020).
Tabla 2. Superficie de las coberturas en la provincia Leoncio Prado al 2021.
Cobertura Superficie (ha) Ocupación (%)
Bosques 349 811,47 71,30
Degradado
95 872,40 19,54
Intervenido
35 519,72 7,24
Hidrografía
4 175,16 0,85
Urbano 1 411,92 0,29
Sin información 3 816,89 0,78
Total 490 607,57 100,00
Respecto a las zonas intervenidas, están
representadas principalmente por vegetación
secundaria en sucesión producto de la fuerte
presión antrópica que hubo sobre los bosques en
décadas pasadas para establecer cultivos ilícitos de
hoja de coca, muchas de las cuales se han
conver tido en plantacio nes foresta les,
agroforestería y otros sistemas de producción.
Mientras que la clase degradado corresponde a
pérdidas de bosque más recientes, las que están
destinadas a ampliar la frontera agrícola, que es el
principal motor de la deforestación a nivel mundial
(FAO & PNUMA, 2020). Estas dos clases ocupan
zonas con fisiografía plana a ondulada cerca de los
ejes carreteros, mientras que los bosques se
encuentran preferentemente en zonas montañosas
y de difícil acceso a la población.
Las áreas deforestadas o fuertemente intervenidas
en la zona de estudio son mucho menor en
comparación a otras provincias como Puerto Inca,
donde el principal motor de destrucción de bosques
es el establecimiento de pasturas para ganado
vacuno (MINAM, 2021). No obstante, se dificulta
la comparación, teniendo en cuenta que la
información de deforestación que brindan los
principales geoportales a la fecha solo figura lo
correspondiente al 2020.
Por otro lado, se realizó el análisis por distrito,
siendo el distrito José Crespo y Castillo el de mayor
superficie boscosa fue José Crespo y Castillo con
112 019,63 ha de bosques considerando que es el
distrito más grande de la provincia con 149 792,71
ha lo que representa el 30,5% del total del área de
estudio, en cambio Castillo Grande, el distrito más
pequeño sólo presentó 6 458,08 ha de bosques
(Tabla 3).
Además, en los resultados se ha incluido la
cobertura Sin datos, que corresponde a las zonas
identificadas como nubes y las sombras que
producen éstas, las cuales se han identificado en los
distritos José Crespo y Castillo, así como Daniel
Alomía Robles que están muy cercanos a la
cordillera Azul. Una de las limitantes a los que se
enfrentan los usuarios de Sentinel-2 al clasificar
cobertura boscosa en zonas tropicales es conseguir
imágenes sin nubes (Hościło & Lewandowska,
2019) por lo que muchos cartógrafos optan por
combinar los datos S-2 con un las del sensor activo
Sentinel-1 para obtener mejores resultados
(Veerabhadraswamy et al., 2021; Biswas et al.,
2020).
Exactitud temática
En la evaluación de la clasificación realizada a la
imagen Sentinel-2 se obtuvo un índice Kappa de
0,77 y una exactitud global del 89,14% y lo que
significó una clasificación considerable al utilizar
el algoritmo de inteligencia artificial Random
Forest. Valores similares fueron obtenidos en otros
tipos de bosques utilizando la misma imagen y el
mismo clasificador (Kovačević et al., 2020). De la
matriz de confusión también se obtuvo valores de
exactitud del usuario y productor para Bosques de
88 y 86,8% respectivamente lo que indica una
clasificación aceptable (Tabla 4).
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Forest cover in Tingo María
98
Tabla 3. Superficie en hectáreas de las coberturas por distrito en la provincia Leoncio Prado.
Distrito
Bosques
Degradado
Intervenido
Hidrografía
Urbano
Nubes
José Crespo
Castillo
112 019,63
28 605,07
6 993,02
1 623, 97
304,19
246,83
Pucayacu
61 186,66
11 088,72
3 267,71
421,07
54,24
0,00
Mariano
Dámaso
Beraún
55 860,76
11 822,82
6 433,88
277,71
51,45
0,00
Daniel
Alomia
Robles
41 002,60
14 300,76
11 036,53 165,16 46,13
3 570,00
Pueblo
Nuevo
22 590,16
7 199,88
1 696,89 471,00 63,52
0,00
Santo
Domingo de
Anda
21 270,98
5 299,79
1 172,63 229,78 88,03
0,00
Rupa Rupa
15 506,27
7 579,43
2 477,72 369,74 443,08
0,00
Hermilio
Valdizán
8 394,44
2 800,16
847,98
83,47
64,15
0,00
Padre Felipe
Luyando
5 521,91
4 344,51
847,19
253,6
111,24
0,00
Castillo
Grande 6 458,08 2 831,27 746,17 279,66 185,90 0,00
Figura 2. Mapa de la cobertura boscosa de la provincia Leoncio Prado al 2021, incluye otras coberturas. Se utiliza la Proyección
UTM, Zona 18s y Datum WGS 1984.
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Puerta-Tuesta & Fajardo-Gamarra
Exactitud temática
En la evaluación de la clasificación realizada a la
imagen Sentinel-2 se obtuvo un índice Kappa de
0,77 y una exactitud global del 89,14% y lo que
significó una clasificación considerable al utilizar
el algoritmo de inteligencia artificial Random
Forest. Valores similares fueron obtenidos en otros
99
tipos de bosques utilizando la misma imagen y el
mismo clasificador (Kovačević et al., 2020). De la
matriz de confusión también se obtuvo valores de
exactitud del usuario y productor para Bosques de
88 y 86,8% respectivamente lo que indica una
clasificación aceptable (Tabla 4).
Tabla 4. Matriz de confusión y métricas de confiabilidad
Cobertura encontrada
Cobertura en la imagen Planet
Total
Exactitud
del usuario
Bosque
No bosque
Bosque
66
9 75 88%
No Bosque
10
90 100 90%
Total 76
99 175
Exactitud del productor
86,8%
90,90%
Índice de Kappa
0,77
Exactitud global 89,14%
La alta exactitud temática obtenida en el mapa de
cobertura en el presente trabajo, se debe entre otros
atributos a la resolución espacial de 10 x 10 m de las
imágenes Sentinel-2, que lo han convertido en una
verdadera alternativa para obtener información
espacial actualizada y confiable para ubicar,
delimitar y cuantificar la cobertura boscosa y otros
usos del suelo (Phiri et al., 2020), con todo y lo
anterior el uso de los productos S-2 por ser una
tecnología relativamente nueva recientemente es
utilizada en el Perú por parte de las instituciones
encargadas del monitoreo de los bosques.
Finalmente, la alta confiabilidad obtenida en los
resultados se debe al uso del algoritmo Random
Forest, el cual ha sido implementado con
inteligencia artificial. Con el avance de la
tecnología en las geociencias, es posible utilizar
clasificadores con enfoque en aprendizaje de
máquinas que permite obtener exactitudes
superiores al 80% cuando se clasifica bosques (Yu
et al., 2020; Duan et al., 2019; Liu et al., 2018).
La presente investigación se concluyó bajo el
contexto del programa de Iniciación Científica de
la Universidad Nacional Agraria de la Selva
propuesto por el Vicerrectorado de Investigación
de esta casa superior de estudios. Asimismo, los
autores agradecen a los docentes de la Facultad de
Recursos Naturales Renovables de la UNAS por
sus aportes durante la concepción, ejecución y
culminación del presente artículo.
AGRADECIMIENTO
Aschbacher, J. 2017. ESA's Earth Observation
Strategy and Copernicus. En: Onoda, M. &
O. R. Young (Eds.), Satellite Earth
Observations and Their Impact on Society
and Policy (pp. 81-86). Springer.
Biswas, S.; Huang, Q.; Anand, A., Mon, M.S.;
Arnold, F.E. & Leimgruber, P. 2020. A multi
sensor approach to forest type mapping for
advancing monitoring of sustainable
development goals (SDG) in Myanmar.
Remote Sensing, 12: 3220.
Brovelli, M. A.; Sun, Y. & Yordanov, V. 2020.
Monitoring forest change in the Amazon
using multi-temporal remote sensing data
and machine learning classification on
Google Earth Engine. ISPRS International
Journal of Geo-Information, 9: 580.
Caballero, J.; Messinger, M.; Román, F.; Ascorra,
C.; Fernandez, L.E. & Silman, M. 2018.
Deforestation and forest degradation due to
gold mining in the Peruvian Amazon: A 34-
year perspective. Remote Sensing, 10:
1903.
Chahua, E. 2019. Análisis de la deforestación en el
REFERENCIAS BIBLIOGRÁFICAS
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Forest cover in Tingo María
periodo 2006 – 2018 del distrito Daniel
Alomía Robles [Tesis de grado, Universidad
Nacional Agraria de la Selva]. Repositorio
I n s t i t u c i o n a l .
http://repositorio.unas.edu.pe/handle/UNA
S/1686.
Clark, M. 2020. Comparison of multi-seasonal
Landsat 8, Sentinel-2 and hyperspectral
images for mapping forest alliances in
Northern California. ISPRS Journal of
Photogrammetry and Remote Sensing, 159:
26-40.
Congalton, R.G. 1991. A review of assessing the
accuracy of classifications of remotely
se ns ed da ta . R em ot e S en si ng of
Environment, 37: 35-46.
Duan, Q.; Tan, M.; Guo, Y.; Wang, X. & Xin, L.
2019. Understanding the spatial distribution
of urban forests in China using Sentinel-2
images with Google Earth Engine. Forests,
10: 729.
FAO & PNUMA (Food and Agriculture
Organization & Programa de las Naciones
Unidas para el Medio Ambiente). 2020. El
estado de los bosques del mundo 2020. Los
bosques, la biodiversidad y las personas.
Roma. https://doi.org/10.4060/ca8642es.
Fokeng, R.M.; Forje, W.G.; Meli, V.M. &
Bodzemo, B.N. 2020. Multi-temporal forest
cover change detection in the Metchie-
Ngoum Protection Forest Reserve, West
Region of Cameroon. The Egyptian Journal
of Remote Sensing and Space Science, 23:
113-124.
Furuya, D.E.G.; Aguiar, J.A.F.; Estrabis, N.V.;
Pinheiro, M.M.F.; Furuya, M.T.G.; Pereira,
D.R.; Gonçalves, W.N.; Liesenberg, V.; Li,
J.; Marcato-Junior, J.; Prado-Osco, L. &
Ramos, A.P.M. 2020. A Machine Learning
Approach for Mapping Forest Vegetation in
Riparian Zones in an Atlantic Biome
Environment Using Sentinel-2 Imagery.
Remote Sensing, 12: 4086.
Giuliani, G.; Mazzetti, P.; Santoro, M.; Nativi, S.;
Van Bemmelen, J.; Colangeli, G. &
Lehmann, A. 2020. Knowledge generation
using satellite earth observations to support
sustainable development goals (SDG): A
use case on Land degradation. International
Journal of Applied Earth Observation and
Geoinformation, 88: 102068.
Glinskis, E.A. & Gutiérrez-Vélez, V.H. 2019.
100
Quantifying and understanding land cover
changes by large and small oil palm
expansion regimes in the Peruvian Amazon.
Land Use Policy, 80: 95-106.
Hościło, A. & Lewandowska, A. 2019. Mapping
forest type and tree species on a regional
scale using multi-temporal Sentinel-2 data.
Remote Sensing, 11: 929.
Hu, L.; Xu, N.; Liang, J.; Li, Z.; Chen, L. & Zhao, F.
2020. Advancing the Mapping of Mangrove
Forests at National-Scale Using Sentinel-1
and Sentinel-2 Time-Series Data with
Google Earth Engine: A Case Study in
China. Remote Sensing, 12: 3120.
Koskikala, J.; Kukkonen, M. & Käyhkö, N. 2020.
Mapping Natural Forest Remnants with
Multi-Source and Multi-Temporal Remote
Sensin g Data f or More Informed
Management of Global Biodiversity
Hotspots. Remote Sensing, 12: 1429.
Kovačević, J.; Cvijetinović, Ž.; Lakušić, D.;
Kuzmanović, N.; Šinžar-Sekulić, J.;
Mitrović, M.; Stančić, N.; Brodić, N. &
Mihajlović, D. 2020. Spatio-Temporal
Classification Framework for Mapping
Woody Vegetation from Multi-Temporal
Sentinel-2 Imagery. Remote Sensing, 12:
2845.
Liu, Y.; Gong, W.; Hu, X. & Gong, J. 2018. Forest
type identification with random forest using
Sentinel-1A, Sentinel-2A, multi-temporal
Landsat-8 and DEM data. Remote Sensing,
10: 946.
MINAM (Ministerio del Ambiente). 2021.
Bosques y pérdida de bosques. Recuperado
e l 2 1 d e j u l i o d e 2 0 2 0 d e
http://geobosques.minam.gob.pe/geobosqu
e/view/perdida.php.
Miranda, E.; Mutiara, A. & Ernastuti, W. 2019.
Forest classification method based on
convolutional neural networks and
Sentinel-2 satellite imagery. International
Journal of Fuzzy Logic and Intelligent
Systems, 19: 272-282.
Nazarova, T.; Martin, P. & Giuliani, G. 2020.
Monitoring vegetation change in the
presence of high cloud cover with Sentinel-
2 in a Lowland Tropical Forest Region in
Brazil. Remote Sensing, 12: 1829.
Nguyen, L.D.; Nguyen, C.T.; Le, H.S. & Tran, B.Q.
2019. Mangrove mapping and above-
ground biomass change detection using
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Puerta-Tuesta & Fajardo-Gamarra
satellite images in coastal areas of Thai Binh
Province, Vietnam. Forest and Society, 3:
248-261.
Nink, S.; Hill, J.; Stoffels, J.; Buddenbaum, H.;
Frantz, D. & Langshausen, J. 2019. Using
Landsat and Sentinel-2 Data for the
generation of continuously updated forest
type information layers in a cross-border
region. Remote Sensing, 11: 2337.
ONERN (Oficina Nacional de Evaluación de
Recursos Naturales). 1976. G u í a
explicativa del Mapa ecológico del Perú.
Oficina Nacional de Evaluación de
Recursos Naturales. 146 p. Recuperado de
https://www.repositorio.ana.gob.pe/
Parida, B.R. & Kumar, P. 2020. Mapping and
dynamic analysis of mangrove forest during
2009–2019 using landsat–5 and sentinel–2
satellite data along Odisha Coast. Tropical
Ecology, 61: 538-549.
Phiri, D.; Simwanda, M.; Salekin, S.; Nyirenda,
V.R.; Murayama, Y. & Ranagalage, M.
2020. Sentinel-2 Data for Land Cover/Use
Mapping: A Review. Remote Sensing, 12:
2291.
Pilaš, I.; Gašparović, M.; Novkinić, A. & Klobučar,
D. 2020. Mapping of the canopy openings in
mixed beech–fir Forest at Sentinel-2
subpixel level using UAV and machine
learning approach. Remote Sensing, 12:
3925.
Puerta, R.; Esenarro, D.; Minga, C.; Rodriguez, C.
& 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: 849-857.
Roy, D. P.; Huang, H.; Houborg, R. & Martins, V. S.
101
2021. A global analysis of the temporal
availability of PlanetScope high spatial
resolution multi-spectral imagery. Remote
Sensing of Environment, 264: 112586.
SERNANP (Servicio Nacional de Áreas Naturales
Protegidas por el Estado). 2021. Geo ANP.
https://geo.sernanp.gob.pe/visorsernanp/.
SENAMHI (Servicio Nacional de Meteorología e
Hidrología del Perú). 2021. Descarga de
datos meteorológicos a nivel nacional.
https://www.senamhi.gob.pe/
SERFOR (Servicio Nacional Forestal y de Fauna
Silvestre). 2021. Visor Cartográfico –
G E O S E R F O R .
http://geo.serfor.gob.pe/visor/
Veerabhadraswamy, N.; Devagiri, G.M. & Khaple,
A.K. 2021. Fusion of complementary
information of SAR and optical data for
forest cover mapping using random forest
algorithm. Current Science, 120: 193-199.
Yu, X.; Lu, D.; Jiang, X.; Li, G.; Chen, Y.; Li, D. &
Chen, E. 2020. Examining the Roles of
Spectral, Spatial, and Topographic Features
in Improving Land-Cover and Forest
Classifications in a Subtropical Region.
Remote Sensing, 12: 2907.
Zhang, W.; Brandt, M.; Wang, Q.; Prishchepov, A.
V.; Tucker, C. J.; Li, Y.; Lyu, H. & Fensholt,
R. 2019. From woody cover to woody
canopies: How Sentinel-1 and Sentinel-2
data advance the mapping of woody plants
in s a v an n a s . R em o te Se n s i ng o f
Environment, 234: 111465.
Received January 4, 2022.
Accepted February 6, 2022.
The Biologist (Lima). Vol. 20, Nº1, ene - jun 2022
Forest cover in Tingo María
