CLDynamicLandCover

Abstract

The CLDynamicLandCover is a 30 m spatial resolution dynamic land use dataset for Central Chile, covering latitudes -31.61 to -43.50. It provides land cover maps on a five-year scale from 1990 to 2018, created by a semi-automatic algorithm initially developed for the coastal sector of south-central Chile. This method was later expanded to cover areas from the southern Coquimbo region to the southern Los Lagos region.

The dataset uses a supervised classification approach with satellite data (Landsat and SRTM) to represent reflectivity and topography, and auxiliary cartographic information. It includes training points for 15 land cover classes, photointerpreted and georeferenced in 2018, to create a spectral signature for each class. Predictive variables are selected using machine learning algorithms and expert criteria.

The 2018 endmember is used to estimate the Jeffries-Matusita Distance for points from other years (1990, 1999, 2004, 2009, 2013), determining whether a pixel's land cover class changed or remained constant. A separability cutoff threshold optimizes class discrimination between years. Points below the threshold are retained (indicating no change), and those above are eliminated (indicating change). These points train a Random Forest classification model to generate land cover maps for each year.

Land trajectories were corrected based on ecological transitions and economic cost criteria, with a new classification for harvested plantations. The product shows high accuracy, with values ranging from 0.894 to 0.950 and Kappa coefficients from 0.877 to 0.943 across the years.

Resumen

El CLDynamicLandCover es un conjunto de datos dinámico de uso del suelo con una resolución espacial de 30 m para Chile Central, que cubre las latitudes -31.61 a -43.50. Proporciona mapas de cobertura de suelo en intervalos de cinco años entre 1990 y 2018, creados mediante un algoritmo semiautomático desarrollado inicialmente para el sector costero del centro-sur de Chile. Posteriormente, este método se amplió para cubrir áreas desde el sur de la región de Coquimbo hasta el sur de la región de Los Lagos.

El conjunto de datos utiliza un enfoque de clasificación supervisada con información satelital (Landsat y SRTM) para representar la reflectancia y la topografía, complementado con información cartográfica auxiliar. Incluye puntos de entrenamiento para 15 clases de cobertura de suelo, fotointerpretados y georreferenciados en 2018, con el fin de generar una firma espectral para cada clase. Las variables predictoras fueron seleccionadas mediante algoritmos de aprendizaje automático y criterios de expertos.

Se usa la Distancia Jeffries-Matusita de 2018 para los puntos de otros años (1990, 1999, 2004, 2009, 2013), determinando si la clase de cobertura de un píxel cambió o se mantuvo constante. Un umbral de separabilidad optimiza la discriminación de clases entre años: los puntos bajo el umbral se conservan (sin cambio) y los puntos sobre el umbral se eliminan (cambio). Estos puntos entrenan un modelo de clasificación Random Forest para generar los mapas de cobertura de cada año.

Las trayectorias de cambio de cobertura fueron corregidas en base a transiciones ecológicas y criterios de costo económico, incorporando además una nueva clasificación para las plantaciones cosechadas. El producto muestra una alta precisión, con valores que van desde 0.894 a 0.950 y coeficientes Kappa entre 0.877 y 0.943 a lo largo de los distintos años.