Corresponde a la capa de cicatrices por quemas en la Amazonía colombiana, generada mediante monitoreo mensual continuo desde marzo de 2017, a escala 1:100.000. La capa se produce a partir de mosaicos de imágenes Sentinel-2 procesados en la plataforma de análisis geoespacial en la nube Google Earth Engine, calculando la mediana por píxel en ventanas temporales de 30 días para reducir nubosidad, bruma, sombras y datos atípicos. Sobre estos mosaicos se derivan índices espectrales (NDVI, NBR, NBR2, SAVI y MNDWI) que, junto con puntos de calor de los sensores MODIS y VIIRS, sirven como insumo para una clasificación supervisada mediante el algoritmo de machine learning Random Forest, delimitando los polígonos de cicatrices de quema.<\/p>\n
La capa resultante se depura y valida en ArcGIS Pro, eliminando polígonos superpuestos con cicatrices mapeadas en meses anteriores, territorios artificializados y superficies de agua, y verificando la calidad temática y topológica (adyacencia entre polígonos y área mínima cartografiable). Posteriormente, las cicatrices se clasifican según el tipo de cobertura vegetal afectada mediante la intersección con la capa Bosque/No Bosque (SMByC\u2013IDEAM, 2024) y con el mapa de coberturas de la tierra del SIMCOBA para la Amazonía colombiana (Instituto SINCHI, 2024). Finalmente, se generan estadísticas de área quemada por Unidad Espacial de Referencia (UER) y los resultados se publican en el portal del Sistema de Información Ambiental Territorial de la Amazonia colombiana \u2013 SIATAC, para apoyar la gestión de monitoreo, prevención y control de las quemas en la región.<\/p>", "summary": "La capa cicatrices de quema por región (Histórico) corresponde a la capa de cicatrices por quemas en la Amazonía colombiana, generada mediante monitoreo mensual continuo desde marzo de 2017 hasta la actualidad, a escala 1:100.000. La capa se produce a partir de mosaicos de imágenes Sentinel-2 procesados en la plataforma de análisis geoespacial en la nube Google Earth Engine, calculando la mediana por píxel en ventanas temporales de 30 días para reducir nubosidad, bruma, sombras y datos atípicos. Sobre estos mosaicos se derivan índices espectrales (NDVI, NBR, NBR2, SAVI y MNDWI) que, junto con puntos de calor de los sensores MODIS y VIIRS, sirven como insumo para una clasificación supervisada mediante el algoritmo de machine learning Random Forest, delimitando los polígonos de cicatrices de quema.", "title": "Ciq_Region_100K", "tags": [ "Tema", "Cicatrices de quema", "100K", "Region", "Monitoreo Ambiental", "Histórico" ], "type": "Map Service", "typeKeywords": [ "Data", "Service", "Map Service", "ArcGIS Server" ], "thumbnail": "thumbnail/thumbnail.png", "url": "", "extent": [ [ -77, -4 ], [ -66, 4 ] ], "minScale": 0, "maxScale": 1, "spatialReference": "GCS_SIRGAS", "accessInformation": "Instituto Amazónico de Investigaciones Científicas - SINCHI. Modelos de Funcionamiento y Sostenibilidad del Laboratorio SIG y SR.", "licenseInfo": "" }