Sitio Web Deforestation Paraguay

Atlas scrollytelling 2001–2025 del Chaco paraguayo con Hansen GFC v1.13: mapas año por año, foco Boquerón y Alto Paraguay

Tecnologías

Vanilla JSScrollamaHansen GFC v1.13Google Earth EngineData VisualizationPeriodismo de datosGitHub Pages

Ver Proyecto GitHub

Descripción

Atlas narrativo y sitio web estático que reconstruye, año por año y píxel por píxel (30 m/px), cómo avanzó la deforestación sobre el Chaco paraguayo entre 2001 y 2025. El foco está en Boquerón (3,25 Mha perdidas, 45,9 % de su bosque del año 2000) y Alto Paraguay (1,9 Mha, 28 %), que entre los dos concentran casi dos tercios de toda la pérdida forestal del país. A nivel nacional: 24,4 Mha de bosque en 2000, 8,28 Mha perdidas (33,9 %). Fuente satelital independiente: Hansen Global Forest Change 2025 v1.13 (UMD) vía Google Earth Engine.

El sitio combina scrollytelling, mapas exportados por departamento y gráficos anuales para responder no solo cuánto bosque desapareció, sino cómo y dónde se movió la frontera agropecuaria con el tiempo.

Ver sitio web — Atlas del Chaco ↗

Resultados clave

Boquerón: 7.070.871 ha de bosque en 2000 → 3.245.165 ha perdidas (45,9 %). Pico en 2011 con 244.336 ha en un solo año.
Alto Paraguay: 6.862.216 ha en 2000 → ~1,9 Mha perdidas (28 %). Entre ambos, ~5,1 Mha: casi dos tercios del total nacional.
Nacional: 24,4 Mha → 8,28 Mha perdidas (33,9 %). Años más críticos: 2012 (541.332 ha), 2011 (494.535 ha), 2010 (478.183 ha).
Metodología: bosque = copa ≥ 30 % en 2000, resolución nativa 30 m, exportación PNG a 1600 px. Advertencia GFW: métodos cambiaron con corte en 2015.

Qué muestra el sitio

Placa 01 · Serie temporal (scrollytelling): tres lecturas del mismo territorio (2002 / 2010 / 2025) con imagen fija que cambia al hacer scroll. Lo que empieza como claros dispersos termina como un frente extendido.
Placa 02 · Dos territorios: comparativa Boquerón vs Alto Paraguay con capa combinada (cobertura + pérdida + ganancia 2000–2012).
Placa 03 · Pérdida y emisiones: gráficos anuales por departamento (barras = hectáreas perdidas, línea = emisiones brutas CO₂e) con datos de Global Forest Watch.
Placa 04 · Explorador territorial: vista de los 18 departamentos coloreados por porcentaje de pérdida sobre el bosque del año 2000.
Placas 06–10 · Anexo documental: figuras del informe Planet “Gran Chaco 2016–2026” y mapa de sitios replicado sobre data/py.json.

Detalles técnicos

1. Pipeline en Earth Engine — estadísticas reales por departamento

A diferencia del notebook original que solo exportaba mapas, hansen_export_pipeline.py calcula hectáreas reales con reduceRegion sobre el dataset. Para cada departamento: cobertura 2000 (copa ≥ 30 %), pérdida agrupada por año 2001–2025 y bounding box.

# hansen_export_pipeline.py — núcleo del cálculo
DATASET_ID = 'UMD/hansen/global_forest_change_2025_v1_13'
CANOPY_THRESHOLD = 30  # % copa mínimo para contar como bosque en 2000
STATS_SCALE = 30       # metros por pixel (nativo)

def compute_department_stats(geometry, scale=STATS_SCALE, tile_scale=4):
    geom = ee.Geometry(geometry)
    # cobertura 2000: bosque = treecover2000 >= 30
    forest_mask = dataset.select('treecover2000').gte(CANOPY_THRESHOLD)
    cover_area_img = forest_mask.multiply(ee.Image.pixelArea()).rename('area')
    cover_stats = cover_area_img.reduceRegion(
        reducer=ee.Reducer.sum(),
        geometry=geom, scale=scale, maxPixels=1e10,
        bestEffort=True, tileScale=tile_scale,
    ).getInfo()
    cover_ha = (cover_stats.get('area') or 0) / 10000.0

    # pérdida agrupada por año: reduceRegion + group sobre 'lossyear'
    loss_area_img = dataset.select('loss').multiply(ee.Image.pixelArea()).rename('area')
    grouped = loss_area_img.addBands(dataset.select('lossyear')).reduceRegion(
        reducer=ee.Reducer.sum().group(groupField=1, groupName='year'),
        geometry=geom, scale=scale, maxPixels=1e10,
        bestEffort=True, tileScale=tile_scale,
    ).getInfo()
    loss_by_year = {str(y): 0.0 for y in range(2001, 2026)}
    for group in grouped.get('groups', []):
        year_code = int(group['year'])
        if year_code == 0: continue
        year = 2000 + year_code
        loss_by_year[str(year)] = round(group['area'] / 10000.0, 2)
    return cover_ha, loss_by_year, bbox

El pipeline arma un único paraguay_deforestacion.json (y .csv) con la misma estructura que consume index.html, más 3 PNG por departamento (cover, loss, combined a 1600 px). Ejecutado en Colab con ee.Authenticate() / ee.Initialize(project='hansen-480517') y geemap.get_image_thumbnail.

2. Scrollytelling con Scrollama — sin frameworks

El sitio es 100 % estático (vanilla JS, sin build). Scrollama se carga por CDN con defer y se instancia en DOMContentLoaded, cuando los scripts diferidos ya corrieron. Cada .step dispara changeStoryImage que hace snap de la imagen fija (2002 → 2010 → 2025) con soporte para prefers-reduced-motion y persistencia del paso en sessionStorage.

// assets/js/main.js — scrollytelling
const CONFIG = {
  jsonPath: "data/paraguay_deforestacion.json",
  imagePath: "images/",
  storyImages: {
    1: "map_export_Alto_Paraguay_Boquerón_combined_forest_change_year_2_high_res.png",
    2: "map_export_Alto_Paraguay_Boquerón_combined_forest_change_year_10_high_res.png",
    3: "map_export_Alto_Paraguay_Boquerón_combined_forest_change_year_25_high_res.png"
  },
  storyLabels: {
    1: "AÑO 2002 · ALTO PARAGUAY + BOQUERÓN",
    2: "AÑO 2010 · ALTO PARAGUAY + BOQUERÓN",
    3: "AÑO 2025 · ALTO PARAGUAY + BOQUERÓN"
  }
};

function setupScroller() {
  if (!window.scrollama) {
    console.warn("Scrollama no disponible; se omite animación, el resto sigue funcionando.");
    return;
  }
  scroller = scrollama();
  scroller.setup({ step: "#scrolly article .step", offset: 0.55, progress: false })
    .onStepEnter(response => {
      document.querySelectorAll(".step").forEach(el => el.classList.remove("is-active"));
      response.element.classList.add("is-active");
      changeStoryImage(response.element.dataset.step);
    });
}
window.addEventListener("resize", () => scroller?.resize());

3. Datos y visualización

data/paraguay_deforestacion.json expone national y departments[] con treecover2000_ha, loss_total_ha, loss_pct, loss_by_year_ha y bbox. El JS formatea con Intl.NumberFormat("es-PY"), calcula la concentración Boquerón + Alto Paraguay sobre el total nacional y alimenta el explorador territorial y los gráficos anuales (barras + línea CO₂e).

// assets/js/main.js — métrica de concentración
function updateConcentrationStat(data) {
  const byName = Object.fromEntries(data.departments.map(d => [d.name, d]));
  const share = ((byName["Boquerón"].loss_total_ha + byName["Alto Paraguay"].loss_total_ha)
    / data.national.loss_total_ha) * 100;
  document.getElementById("statConcentration").textContent = `${formatPct(share)} del total`;
}

Resultado — Gráficos de pérdida y emisiones

Captura directa del sitio vivo (Placa 03). Barras = hectáreas perdidas por año, línea = emisiones brutas CO₂e. Boquerón concentra el pico en 2011 (244 kha) y Alto Paraguay muestra la misma dinámica con menor intensidad.

Gráficos de barras — pérdida anual y emisiones CO₂e por departamento (Boquerón y Alto Paraguay, 2001–2025)

Placa 03 del atlas — captura Playwright de gillopy.github.io/Deforestation_Paraguay (.department-charts). Datos: Hansen GFC v1.13 vía Earth Engine + GFW para emisiones.

Stack y despliegue

Frontend: HTML/CSS vanilla (assets/css/styles.css con tokens Dragon/Kanagawa), JS vanilla, Scrollama por CDN
Datos: Hansen GFC 2025 v1.13 vía Earth Engine, data/paraguay_deforestacion.json/.csv, PNG por departamento en images/
Deploy: GitHub Pages. Local: python -m http.server 5500

Enlaces

Sitio vivo: gillopy.github.io/Deforestation_Paraguay
Código: github.com/gillopy/Deforestation_Paraguay