Cobertura 30 m

Mosaicos anuales

De 1985 a 2024, se seleccionan imágenes Landsat (30m) en Google Earth Engine. Para cubrir Brasil, se procesan anualmente 380 imágenes (9 mil millones de píxeles), filtrando datos sin nubes o humo. Se extraen métricas de bandas e índices, generando más de 100 capas de información anuales por píxel.

Guardados como assets en Google Earth Engine, estos mosaicos orientan la clasificación algorítmica, la recolección de muestras y la validación de precisión.

Clasificación

Equipos de biomas y temas transversales usan mosaicos de imágenes y aprendizaje automático para mapear la cobertura y el uso del suelo. Los algoritmos se entrenan con mapas de referencia, áreas estables e interpretación visual de imágenes Landsat. El proceso anual genera mapas con información histórica integrada en cada píxel.

Posclasificación: filtros

El filtro espacial aumenta la consistencia de los datos al eliminar píxeles aislados según un umbral específico por bioma o tema.

Los filtros temporales píxel a píxel corrigen fallas de nubes y eliminan transiciones imposibles (ej.: Bosque → No Bosque → Bosque) a lo largo de toda la serie histórica, con reglas específicas por bioma o tema.

Integración

En esta fase, se integran anualmente los mapas de las clases para consolidar la cobertura y el uso de la tierra de Brasil. Reglas de prevalencia por bioma y tema resuelven las superposiciones de píxeles. Cada año se guarda como una banda de imagen en Google Earth Engine, con aplicación final de filtro espacial para reducir ruidos y suavizar los bordes de la integración.

La metodología empleada para el mapeo del bioma Amazonía en la Colección 10 de MapBiomas (1985–2024) comprende las siguientes etapas principales:

1. Selección de imágenes: El mapeo utilizó toda la serie de imágenes disponibles de los satélites Landsat 5, 7, 8 y 9, adoptando un límite máximo de cobertura de nubes de 50%. La unidad espacial de mapeo se basó en las escenas (path-row) de Landsat, totalizando 201 escenas que cubren el bioma. Las nubes y sombras se enmascararon mediante los algoritmos Temporal Dark Outlier Mask (TDOM) y la banda de evaluación de calidad (BQA) de las colecciones Landsat. Además, se removieron manualmente imágenes con presencia severa de nubes, neblina, sin datos o con las franjas de falla del Landsat 7. En el proceso de posclasificación, mosaicos anuales de mediana ayudaron al mapeo de afloramientos rocosos y áreas inundables.

2. Clasificación: La clasificación se realizó por escena utilizando el algoritmo Random Forest. El espacio de atributos (feature space) se redujo a 8 métricas: fracciones de vegetación verde (GV), vegetación no fotosintéticamente activa (NPV), suelo (SOIL), nube (CLOUD), sombra de vegetación verde (GVS), índice de Fracción de Diferencia Normalizada (NDFI), sombra (SHADE) e índice de Fracción de Sombreado de Copa (CSFI). Para el entrenamiento se usaron 10.000 muestras generadas por LAPIG/UFG, combinadas con un muestreo regionalizado creado mediante la técnica de segmentación SNIC (Simple Non-Iterative Clustering).

3. Posclasificación: Las clases Bosque Inundable y Campo Inundado y Área Pantanosa se incorporaron mediante el mapeo del “Área Máxima Inundada” utilizando datos complementarios GEDI, SRTM y HAND. La clase Afloramiento Rocoso también se mapeó a partir de variables geomorfométricas. Filtros Temporales y de Frecuencia: se aplicó un filtro de trayectoria para eliminar transiciones imposibles usando ventanas móviles de 3 y 5 años. Un filtro de frecuencia actuó específicamente para estabilizar los píxeles de las vegetaciones nativas (Formación Boscosa, Sabanera y Campestre). Filtro para el último año (2024): para corregir caídas anómalas en el último año mapeado, las clases de Sabana, Agricultura y Pastizal con alta frecuencia histórica (>75%) tuvieron sus clasificaciones congeladas.

4. Integración: Los mapas anuales procesados por el equipo de la Amazonía se integraron con los mapas de los temas transversales utilizando las reglas establecidas de prevalencia jerárquica. Clases como Plantas Fotovoltaicas, Minería, Playas/Dunas, Manglar y Acuicultura tienen mayor prioridad y se sobreponen a la clasificación general, mientras que la clase Pastizal (como tema transversal) figura al final del orden de prevalencia en la Amazonía.

Clases mapeadas — Amazonía (Colección 10)

5. Puntos de validación y análisis de precisión: La validación contó con un conjunto independiente de aproximadamente 25.000 muestras anuales proporcionadas por LAPIG/UFG (divididas en dos fases de prueba). En la Colección 10, la precisión global alcanzó 97,4% en el Nivel 1 de la leyenda y 96,5% en el Nivel 2.

1. Preprocesamiento

Mosaicos Landsat: La clasificación utilizó datos de reflectancia de superficie de las misiones Landsat 5, 7 y 8. Para la Colección 10 se implementó la generación de mosaicos anuales y estacionales (períodos secos y lluviosos) bajo demanda (“on-the-fly”), compuestos cada 32 días. El mosaico final totalizó un conjunto robusto de 142 bandas, incluyendo estadísticas, índices espectrales y fracciones de mezcla.

Relleno de Vacíos (Gap Fill): Como los nuevos mosaicos presentaban más vacíos de píxeles (especialmente en áreas de suelo expuesto), se aplicó una regresión lineal banda a banda utilizando datos de colecciones anteriores para rellenar los vacíos.

Regionalización: Para reducir la variabilidad espectral de las imágenes, el bioma Caatinga se dividió en 49 regiones de cuencas hidrográficas, permitiendo un muestreo más preciso y adaptado a las características locales.

2. Muestreo y Selección de Atributos (Features)

Criterios de muestreo: La recolección de muestras se enfocó en áreas de baja incertidumbre. Se excluyeron áreas de quemas, deforestación o con nubes. Se adoptaron solo muestras de píxeles que se mantuvieron estables durante una ventana de 3 años y que conservaron la misma clase en las colecciones 8 y 9.

Selección de Atributos: Con 75 atributos inicialmente disponibles se empleó el método RFECV (Eliminación Recursiva de Atributos con Validación Cruzada). Este algoritmo analiza la importancia de las variables para cada cuenca y selecciona las bandas e índices que ofrecen mejor contraste y separabilidad entre los objetivos.

3. Modelado y Clasificadores: La colección adopta una combinación de diferentes métodos de clasificación.

• Gradient Tree Boosting (GTB): Se convirtió en el clasificador primario en lugar del Random Forest. Aunque requiere más tiempo de procesamiento y ajuste fino, el GTB alcanza mayor precisión en patrones complejos y maneja eficientemente clases de datos desbalanceadas, muy comunes en la Caatinga.
• Optimización (Hyperparameter Tuning): Se utilizó la técnica de búsqueda en grilla exhaustiva GridSearchCV() junto con validación cruzada para encontrar la combinación ideal de hiperparámetros (como tasa de aprendizaje y número de estimadores) del GTB para cada subcuenca y año procesado.
• Deep Learning (U-Net): Una novedad de la Colección 10.0 fue el uso del modelo de aprendizaje profundo U-Net para crear el mapeo específico y continuo de Plantas Fotovoltaicas.
• Algoritmo de Cluster (Agrupamiento): Para la clase de Afloramiento Rocoso — que presenta gran mezcla espectral de suelo y vegetación — se utilizó el algoritmo wekaXMeans dentro de polígonos validados por el Servicio Geológico de Brasil, ayudando al entrenamiento de los datos al aislar el agrupamiento referente a las rocas.

4. Clases mapeadas: La tabla a continuación presenta las clases de cobertura y uso de la tierra mapeadas en el bioma Caatinga.

Clases mapeadas — Caatinga (Colección 10)

5. Filtros de Posclasificación: Las reglas de posprocesamiento buscan estabilidad temporal y coherencia espacial de la clasificación en un bioma con grandes oscilaciones estacionales de vegetación como la Caatinga.

• Filtro Espacial: Eliminó píxeles aislados con baja conectividad, sustituyéndolos por el valor predominante en su entorno.
• Filtro Temporal: Revisó el historial anómalo utilizando ventanas móviles de 3 a 5 años para corregir “transiciones defectuosas”, como cambios rápidos e irreales en la recuperación del suelo.
• Filtro de Frecuencia: Aseguró que los píxeles de vegetación natural que tenían la misma etiqueta en más del 80% de la serie histórica tuvieran todo su historial convertido a esa clase mayoritaria.

6. Resultados y Validación: Toda la información posclasificada se integró con los temas transversales de otros equipos, consolidando 20 clases (nivel 3) mapeadas en la Caatinga. La validación, basada en más de 85 mil puntos independientes, mostró que la aplicación del GTB sumada al refinamiento muestral elevó la consistencia de los mapas: la Colección 10.0 alcanzó una Precisión Global de 84,6% en el Nivel 1, y 79,3% en el Nivel 3.

1. Mosaicos Landsat: Para mejorar la calidad de los datos, la Colección 10 adoptó las composiciones de reflectancia de superficie de 32 días de la Colección 2 de Landsat. El método define una ventana temporal de seis meses (abril a septiembre) para la construcción de los mosaicos, equilibrando las diferencias espectrales entre la estación seca y la lluviosa, sin perder la capacidad de detección de los bosques deciduos.

2. Regiones de Clasificación y Variables Predictoras (Feature Space): El bioma Cerrado se dividió en 38 regiones de clasificación basadas en ecorregiones y en la estacionalidad de la vegetación, garantizando la homogeneidad fenológica en cada área. El modelo de clasificación utiliza 220 variables predictoras, incluyendo:

• Variables anuales: bandas espectrales originales, índices de vegetación (NDVI, EVI2) y métricas de reducción estadística (como mediana y amplitud);
• Variables estáticas: datos como elevación (HAND), historial de incendios, coordenadas espaciales — innovación de la Colección 10.0;
• Variables geomorfométricas: como pendiente y curvatura para distinguir mejor la vegetación en topografías complejas.

3. Muestras de Entrenamiento y Clasificación: Las muestras de entrenamiento se generaron a partir de píxeles estables de la Colección 9.0 (que no cambiaron de clase entre 1985 y 2023). Para aumentar la confiabilidad, estas muestras se filtraron usando mapas de referencia regionales, datos de deforestación y datos de altura de dosel del sensor GEDI, lo que ayudó a eliminar valores atípicos de las clases de vegetación. Se asignaron 4.800 muestras por región mediante un diseño muestral estratificado.

4. Clases mapeadas: En la etapa de clasificación general, se mapean 8 clases en el bioma Cerrado.

Clases mapeadas — Cerrado (Colección 10)

5. Posprocesamiento y Filtros:

• Filtro Gap-Fill (Relleno de Vacíos): Rellena píxeles sin datos usando las clasificaciones de años subsecuentes o anteriores;
• Filtros Temporales y de Frecuencia: Analizan ventanas de 3 a 5 años para corregir transiciones espurias (idas y vueltas rápidas entre clases) y exigen que un píxel sea estable en el 90% de la serie para ciertas confirmaciones;
• Filtro “No False Regrowth” (Sin Falsa Regeneración): Mejorado en la Colección 10, previene falsas detecciones de recuperación de vegetación, como la confusión entre áreas de silvicultura maduras y formaciones boscosas nativas, o picos irreales de áreas húmedas en los primeros años de la serie Landsat;
• Filtro Geomorfométrico: Elimina clasificaciones erróneas de “Áreas Húmedas” que fueron asignadas en terrenos con pendiente igual o superior a 9%;
• Filtro Espacial: Elimina pequeños fragmentos aislados menores a 8 píxeles conectados (~0,72 hectáreas).

6. Mapeos específicos:

• Vegetación Herbácea de Restinga (Clase Beta): Mapeada después de la clasificación mediante reglas basadas en el Índice de Vegetación Ajustado al Suelo (SAVI) y restringida a suelos específicos y baja elevación (HAND < 3,5m) en la costa. Se trata de una clase experimental (Beta) no incluida en la clasificación general debido a la escasez de muestras de entrenamiento. Para evitar falsos positivos en el interior del continente, se utilizó el mapa de suelos del IBGE para restringir la ocurrencia de esta clase solo sobre Neosoles y Espodosoles en las zonas costeras.
• Afloramiento Rocoso: Se clasifica en un proceso separado para evitar sobreestimación en la clasificación general. En la Colección 10.0, su concepto se redefinió para abarcar solo la roca expuesta, excluyendo la vegetación rupestre. El modelo de Random Forest propio para esta clase incluye nuevas variables geomorfométricas, el índice de tamaño de grano (TGSI) y muestras adicionales del Servicio Geológico de Brasil (SGB/CPRM).

7. Integración y Precisión: Los mapas finales se integran y cruzan con temas transversales utilizando reglas de prevalencia (ej.: la vegetación nativa siempre prevalece sobre la agropecuaria dentro de Áreas Protegidas). El mapa final presenta 10 clases de uso y cobertura de la tierra. La validación de la Colección 10, realizada con base en más de 20.800 muestras independientes, alcanzó una precisión global de 87,6% (Nivel 1) y 80,4% (Nivel 3).

1. Selección de Imágenes y Mosaicos: El mapeo utilizó imágenes de la serie histórica de los satélites Landsat 5, 7 y 8. La gran innovación de la Colección 10 fue el uso de mosaicos mensuales de Google (“LANDSAT/COMPOSITES/C02/T1_L2_32DAY”) que utilizan métodos de Deep Learning para la recuperación de información. Esto resultó en la construcción de mosaicos con menos ruido generado por nubes y sombras. Las imágenes se seleccionaron preferentemente en el período de abril a septiembre.

2. División Regional y Selección de Atributos: Dada la diversidad ambiental y latitudinal de la Mata Atlántica, el bioma se dividió en 30 regiones homogéneas basadas en la clasificación de fitofisionomías del IBGE. Se calcularon 184 variables (incluyendo bandas ópticas brutas, índices de vegetación, variables de relieve como pendiente y modelos de mezcla espectral). De estas, se seleccionaron 60 variables para clasificar cada región según análisis de relevancia.

3. Algoritmo de Clasificación y Muestreo: La clasificación píxel a píxel se realizó mediante el algoritmo de machine learning Random Forest, con 100 árboles de decisión.

• Muestras estables: El modelo se entrenó a partir de “muestras estables” de la Colección 9, que consisten en píxeles que mantuvieron la misma cobertura terrestre durante 39 años. Estas muestras se balancearon estadísticamente y se filtraron utilizando bases de referencia como la altura del dosel forestal (GEDI) y el sistema MapBiomas Alerta (excluyendo cualquier punto con alerta de deforestación validada).
• Multi Probability: Para generar el mapa anual, la Colección 10 aplicó el enfoque “Multi Probability”, donde el algoritmo evalúa la probabilidad de que un píxel pertenezca a múltiples clases y asigna la clasificación final a aquella con mayor probabilidad, generando simultáneamente un mapa de incertidumbre.

4. Clases mapeadas: Se mapean 12 clases de cobertura y uso durante la etapa de clasificación.

Clases mapeadas — Mata Atlántica (Colección 10)

5. Posclasificación e Integración: Los filtros de posclasificación fueron responsables de corregir “falsas regeneraciones” y “falsas deforestaciones”, rellenar vacíos o lagunas (gap-fill), eliminar ruido con menos de 0,5 hectáreas de área y crear una estabilidad temporal entre las clases naturales utilizando frecuencias relativas. Finalmente, las clasificaciones del bioma se integraron bajo el principio de reglas de prevalencia para los “temas transversales” (mapas de agricultura, pastizal, urbanización, etc.), produciendo un resultado final de 27 clases de cobertura y uso de la tierra.

6. Precisión y Validación: El resultado metodológico se probó contra 10.840 puntos independientes de validación revisados. La precisión global de la Colección 10 alcanzó 91,5% para el Nivel 1 de la leyenda y 86,1% en el Nivel 2.

Contenido metodológico en elaboración. Consulte el ATBD completo en la página oficial de MapBiomas Brasil.

Contenido metodológico en elaboración. Consulte el ATBD completo en la página oficial de MapBiomas Brasil.

Es posible acceder a los datos de Cobertura 30m de diferentes maneras.

¿Cómo acceder a los datos?

1. Selección del dato de interés
2. Filtros espaciales y temporales
3. Explore el mapa y las estadísticas

¿Cómo descargar datos?

1. Sección de descarga
2. Defina el dato de interés y los filtros temporales y espaciales
3. Explore el mapa y las estadísticas

Todas las colecciones de datos de MapBiomas están disponibles para acceso público en la plataforma Google Earth Engine. Los datos de Cobertura 30m pueden accederse de dos maneras principales:

1. Explorando el catálogo de conjuntos de datos del GEE

1. Acceda a: https://developers.google.com/earth-engine/datasets/catalog
2. Busque “MapBiomas Land Use and Land Cover – Brazil” en la barra de búsqueda
3. Seleccione el conjunto de datos mostrado: MapBiomas Land Use and Land Cover – Brazil V1
4. Explore la información disponible sobre el producto (cobertura temporal, selección de la colección más reciente…)
5. Haga clic en el ícono de redirección en “Earth Engine Snippet” para visualizar los datos en el editor de código del GEE
   ee.ImageCollection("projects/mapbiomas-public/assets/brazil/lulc/v1")

2. Acceso directo a los assets de las colecciones MapBiomas Brasil 30m

En el GEE, las colecciones de Cobertura 30m están organizadas por carpetas. Explore las carpetas disponibles:

Explore los assets de una colección. La colección más reciente de Cobertura 30m es la colección 10.1:

En el GEE, las colecciones de MapBiomas se almacenan en imágenes multibanda, donde cada banda representa la clasificación de un año de la serie histórica de mapeo. Acceda a los datos de un año de una colección específica a partir de un asset id:

Descargue los mapas anuales de cobertura 30m mediante el enlace a continuación.

Todos los scripts y herramientas para el procesamiento de los datos de MapBiomas Brasil están disponibles en GitHub.

Acceda a documentos de colecciones anteriores de MapBiomas Brasil Cobertura 30m en nuestro repositorio de datos.

Los mapas de Transición se generan a partir de la comparación entre la clasificación de dos años seleccionados de la serie. Los códigos de las clases del producto se calculan según la expresión:

(cód. clase en el año I × 100) + cód. clase en el año II

Al descargar el mapa de transición, el archivo será un raster (.geotiff) de una sola banda con los valores de píxel según la expresión anterior.

Ejemplos de códigos de transición (1985–2024)

En la Plataforma MapBiomas, las clases de transición se agrupan para facilitar la visualización de patrones de cambio. Las clases agrupadas son:

• Transiciones de áreas de cobertura boscosa o áreas naturales no boscosas a pastizal, agricultura o áreas no vegetadas;
• Transiciones de clases de pastizal, agricultura o áreas no vegetadas a cobertura boscosa o áreas naturales no boscosas;
• Transiciones que agregan superficie de agua;
• Transiciones que reducen la superficie de agua;
• Transiciones con ganancia de áreas de silvicultura.

Es posible reproducir estos u otros agrupamientos a partir de los datos descargados y de operaciones de álgebra de mapas en un programa SIG, como QGIS.

Los mapas de transición se derivan de los mapas anuales de cobertura y uso de la tierra (Cobertura 30m). Después de la integración, se aplican filtros para refinar la consistencia espacial y temporal, disminuyendo el ruido y asegurando transiciones lógicas. El desarrollo de estos filtros se basó en criterios técnicos, patrones de cambio, validación visual y análisis espectral, y su aplicación varía según el bioma.

Los scripts para el análisis de transiciones están disponibles en nuestro repositorio público en GitHub:

Las clases de la leyenda son las mismas del producto Cobertura 30m. Consulte la pestaña Leyenda para la tabla completa de clases.

Los mapas de áreas estables se derivan del mapeo anual de cobertura y uso de la tierra (Cobertura 30m). Se seleccionan los píxeles que no presentaron variación en su clasificación a lo largo de la serie histórica. Esta selección se ejecuta en el mapa final de la colección, después del proceso de integración y aplicación de filtros espaciales y temporales.

Los scripts para el análisis de áreas estables están disponibles en nuestro repositorio público en GitHub:

Los códigos de las clases del mapa de número de cambios varían de 0 a 6, siendo el código 6 representativo de 6 o más cambios en el período seleccionado.

Los mapas de número de cambios se derivan del mapeo anual de cobertura y uso de la tierra (Cobertura 30m). Se calcula cuántas veces un píxel sufrió variación en su clasificación a lo largo de la serie histórica. Este cálculo se ejecuta en el mapa final de la colección, después del proceso de integración y aplicación de filtros espaciales y temporales.

¿Cómo acceder a los datos?

1. Selección del dato de interés
2. Filtros espaciales y temporales
3. Explore el mapa y las estadísticas

¿Cómo descargar datos?

1. Sección de descarga
2. Defina el dato de interés y los filtros temporales y espaciales
3. Explore el mapa y las estadísticas

Los scripts para el análisis de número de cambios están disponibles en nuestro repositorio público en GitHub.