Simulador y Clasificador de Severidad de Deforestación
Estimación del nivel de severidad (Bajo, Medio, Alto) calibrado con el ensamble supervisado ganador para la provincia seleccionada o parámetros personalizados.
Parámetros de Simulación en Tiempo Real
Nivel de Severidad: Medio
Pérdida moderada de cobertura. Zona con presión antrópica activa.
Evolución Histórica de Deforestación (2001–2025)
Comparativa anual entre la pérdida de cobertura total y la pérdida en bosque primario.
Diagnóstico y Clasificador de Conductores de Pérdida Forestal
Identificación de las causas antrópicas y ambientales dominantes (agricultura comercial, incendios forestales, extracción maderera y disturbios naturales).
Distribución Acumulada de Causas
Distribución de hectáreas afectadas por agricultura permanente vs. incendios vs. otros disturbios.
Caracterización de Conductores en Bolivia
De acuerdo con la auditoría metodológica del dataset y la clasificación supervisada:
- Agricultura Permanente / Comercial: Factor predominante en las tierras bajas del departamento de Santa Cruz (e.g. provincias Obispo Santistéban, Sara, Ñuflo de Chávez), vinculado a la soya y ganadería industrial.
- Incendios Forestales / Quemas: Eventos recurrentes con picos severos en la Chiquitania, Amazonía y Beni (e.g. años 2010, 2019, 2024), donde el fuego actúa como acelerador del cambio de uso de suelo.
- Otros Disturbios y Tala: Extracción maderera selectiva y perturbaciones climáticas o hídricas, con mayor impacto localizado en áreas de transición ecológica.
Proyector Cuantitativo de Hectáreas Deforestadas y Emisiones
Estimador cuantitativo continuo basado en modelos de regresión supervisados (SVR, Random Forest Regressor y Gradient Boosting Regressor).
Calculadora de Estimación Continua
Metodología de Regresión y Estabilización
La predicción cuantitativa de hectáreas deforestadas presenta alta asimetría positiva en su distribución natural. Para garantizar convergencia óptima en modelos lineales y de vectores de soporte (SVR), se aplicó:
- Transformación Logarítmica (`log1p`): Estabiliza la varianza de los picos extremos de deforestación.
- Conversión Exponencial (`expm1`): Recupera las unidades físicas reales en hectáreas para la presentación y cálculo de métricas MAE y RMSE.
- Desempeño Comparativo: El modelo de Gradient Boosting alcanzó un Coeficiente de Determinación R² de 0.9831 con un Error Absoluto Medio (MAE) de solo 242.6 ha.
Panel Comparativo de Modelos y Evaluación Diagnóstica
Evaluación rigurosa sobre el conjunto de prueba independiente (test set 20%) de las 5 familias de algoritmos solicitadas en el plan.
-
Explicabilidad y Relevancia de Variables Predictoras
Análisis de la contribución relativa de factores ambientales, biomásicos y temporales extraídos de los modelos de ensamble.
Ranking de Características Principales
Detalle y Definición Conceptual de Variables
Documentación Técnica y Metodológica
1. Planteamiento del Problema
Durante las últimas dos décadas (2001–2025), Bolivia ha experimentado una rápida transformación de su cobertura arbórea debido a la expansión agrícola industrial, ganadería extensiva y regímenes de incendios forestales recurrentes en regiones de alta biodiversidad como la Chiquitania, Amazonía y el Chaco. Este proyecto modela las dinámicas espaciotemporales de deforestación a nivel subnacional (112 provincias en 9 departamentos) para apoyar el diagnóstico y la toma de decisiones ambientales.
2. Fuente de Datos Satelitales
Los datos provienen de la plataforma Global Forest Watch (GFW) generados mediante sensores satelitales Landsat (Hansen et al.), integrados con estimaciones de biomasa aérea y balance de carbono forestal:
- Pérdida de cobertura arbórea (`tc_loss_ha`): Remoción de dosel vegetal superior a 5 metros con umbral estándar de densidad del 30% (`threshold=30`).
- Bosque primario húmedo (`primary_tc_loss_ha`): Cobertura forestal madura tropical no perturbada previamente.
- Conductores dominantes (`drivers`): Atribución causal basada en el modelo de Curtis et al. (agricultura permanente, incendios, tala, disturbios naturales).
- Dinámica de carbono: Stocks de biomasa año 2000, emisiones anuales brutas de GEI ($\text{CO}_2\text{e}$), remociones anuales y flujo neto.
3. Protocolo de Preprocesamiento y Limpieza
Conforme al protocolo de análisis y calidad de datos:
- Tratamiento de ceros: El 43.7% de los registros provinciales anuales presentan pérdida nula de cobertura. Se identificaron y preservaron sin introducir sesgos de imputación artificial.
- Corrección de conductores: Normalización de etiquetas `dominant_driver_corregido` para categorizar coherentemente casos de pérdida sin causa registrada como
no_identificadoy registros sin pérdida comosin_perdida. - Estandarización: Uso estricto de
StandardScalerajustado únicamente en el conjunto de entrenamiento para evitar fuga de información (data leakage).
4. Modelado Supervisado y Ensamble
Se implementaron y compararon exhaustivamente 5 familias de modelos para cada una de las 3 tareas solicitadas:
- SVM 1 (Kernel Lineal): Proporciona hiperplanos de separación lineales y pesos interpretables.
- SVM 2 (Kernel RBF): Modela relaciones no lineales complejas mediante proyecciones en espacios de dimensión infinita.
- Bagging (Random Forest): Ensamble por agregación de bootstrap que reduce varianza y genera medidas fiables de importancia de características.
- Boosting (Gradient Boosting): Optimización secuencial iterativa que corrige gradualmente los errores residuales, obteniendo el mejor compromiso de precisión y generalización.
- Stacking (Meta-Ensamble): Ensamble en dos niveles que combina predicciones out-of-fold de SVM, Random Forest y K-NN mediante un meta-clasificador logístico o regresor Ridge.
5. Conclusiones Principales
- Los modelos de ensamble (Random Forest y Gradient Boosting) superaron consistentemente a los modelos de vectores de soporte individuales, alcanzando exactitudes superiores al 97% en clasificación de severidad y R² de 0.983 en regresión de hectáreas.
- Las variables determinantes de mayor peso predictivo son las emisiones brutas de carbono, la superficie forestal inicial del año 2000 y la pérdida exclusiva en bosque primario tropical.