PASANTÍA ANÁLISIS COMPARATIVO DE ÍNDICES DE VEGETACIÓN PARA LA IDENTIFICACIÓN DE LA VARIACIÓN ESPECTRAL DE LAS COBERTURAS NATURALES A PARTIR DE IMÁGENES LANDSAT LANDSAT 8
JOHN FREDY AGUILAR BRAND
UNIVERSIDAD DISTRITAL DISTRITAL FRANCISCO JOSÉ DE CALDAS CENTRO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA – CIAF INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI - IGAC BOGOTÁ D.C., COLOMBIA 2016
1
PASANTÍA ANÁLISIS COMPARATIVO DE ÍNDICES DE VEGETACIÓN PARA LA IDENTIFICACIÓN DE LA VARIACIÓN ESPECTRAL DE LAS COBERTURAS NATURALES A PARTIR DE IMÁGENES LANDSAT LANDSAT 8
JOHN FREDY AGUILAR BRAND
Trabajo de grado presentado como requisito para optar al título de: Ingeniero Ambiental Director Interno: JUAN CARLOS ALARCÓN HINCAPIÉ Ingeniero Catastral y Geodesta Director Externo: NELSON ANDRÉS NIETO VALENCIA Ingeniero Ambiental
UNIVERSIDAD DISTRITAL DISTRITAL FRANCISCO JOSÉ DE CALDAS Facultad de Medio Ambiente y Recursos Naturales Proyecto Curricular De Ingeniería Ambiental Ambiental CENTRO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA – CIAF INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI – IGAC Grupo Interno de Trabajo en Percepción Pe rcepción Remota y Aplicaciones Geográfica BOGOTÁ D.C., COLOMBIA 2016
2
ÍNDICE 1. INTR ODUCC IÓN
9
2. P L A NTE NT E A MIE NTO NT O DE L PR P R OB L E MA Y J US TIF TI F IC A C IÓN IÓ N Y P R E G UNTA UN TA DE L PORQUE PORQUE DE LA PAS ANTÍA ANTÍA
10
3. OB J E TIV TI V OS 3.1. OB J E TIV TI V O GE G E NE R A L 3.2. OB J E TIV TI V OS E S P E C ÍF IC OS
11 11 11
4. MAR CO TEÓR ICO 4.1. Índice Índi ce de C alidad alidad A mbiental mbiental 4.1.1. V ig or en la teled teledete etecc cción ión 4.2. B iomas iomas 4.2.1. Zonobiomas Zonobiomas 4.2.2. Orobiomas Orobiomas 4.2.3. P edobiomas edobiomas 4.2.4. G randes randes biomas biomas y biomas biomas continenta continentale less . 4.3. C obertura de la tierra 4.3.1. C oberturas mayor mayorment mentee transfor madas madas 4.3.2. C oberturas oberturas de agroecosi agr oecosiss tema temass 4.3.3. C oberturas mayor mayorment mentee naturale naturaless 4.3.4. C obertura de áreas áreas húmedas húmedas continentales continentales y cos teras 4.3.5. S uperficies de agua 4.3.6. L eyenda Nacional de C oberturas de la Tierra Tier ra 4.4. Percepción Perc epción R emot emota a 4.4.1. Imag Imag en Dig Di g ital ital 4.4.2. C aracterís aracterís ticas ticas de una Imag Imag en Dig Di g ital ital 4.4.3. P reproces repr oces amiento amiento de imágenes s atel atelital itales es.. 4.5. C aracterís aracterís ticas del S atél atélite ite Landsat 8 OL OLII 4.6. Índices E s pectral pectrales es de Veg etación etación 4.6.1. C omportam omportamiento iento espectral es pectral de la veg etaci etación ón en el espectro es pectro óptico. 4.6.2. C las las ificación ific ación de los Índices Índic es de Veg eta etación ci ón
12 12 13 13 14 14 15 16 17 17 17 17 18 18 18 20 21 21 23 27 28 30 32
5. DE S C R IP C IÓN IÓ N G E NE R A L DE D E L Á R E A DE D E E S TUDIO TUD IO 5.1. C lima 5.2. Hidro Hi drogg rafía: rafí a: 5.3. C obertur as veg etales etales y ecolog eco logía ía de la S ierra ier ra Nevada de S anta Marta. Marta. 5.3.1. 5.3. 1. B iomas 5.3.2. 5.3. 2. B iomas y ecos ec osis is temas temas predominantes pr edominantes
33 34 34 35 35 36
6. RE S ULTADOS ULTADOS DE LA BÚSQUEDA DE INFORMACIÓN INFORMACIÓN
46
3
7. METODOLOG ÍA 95 7.1. Índices E s pectrales S eleccionados. 96 7.1.1. NDVI 96 7.1.2. S AVI 97 7.1.3. MS AV I 97 7.1.4. A R VI 97 7.1.5. S AR VI 97 7.1.6. A S VI 97 7.1.7. G E MI 98 7.1.8. S R 98 7.1.9. NDWI 98 7.1.10. G NDV I 98 7.1.11. G AR I 99 7.1.12. S AR VI2 99 7.2. S elección y descarg a de imág enes satelitales 100 7.2.1. Imág enes Landsat 8. 100 7.2.2. Modelos de E levación Dig ital (DE M). 103 7.3. Correcciones de la Imag en 105 7.3.1.1. Corrección G eométrica 105 7.3.2. Corrección Atmosférica y Topográfica 105 7.4. Mascara de nubes y cuerpos de agua 105 7.5. Corte del Á rea de Proces amiento 106 7.6. Cálculo de Índices E s pectrales 106 7.7. S eg mentación de la Información en función de los B iomas 120 7.8. S eg mentación de la información en funci ón de la capa Corine Land Cover. 120 8. ANÁLIS IS DE RE S ULTADOS
121
9. CONCLUSIONES Y RE COME NDACIONES
151
10. BIB LIOGR AFÍA
153
4
LISTADO DE IMÁG ENE S Imagen 1. Esquema General de la teledetección. Fuente (O. Guzmán, 2006) 20 Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en Landsat 7 (USGS. 2013; citado en (Ariza, 2013). 27 Imagen 3. Comportamiento de la vegetación en el espectro electromagnético. Fuente: (Gonzaga Aguilar, 2014) 29 Imagen 4. Factores que explican la reflectividad de la hoja. Fuente (Martínez, 2016) 30 Imagen 5. Clasificación de los Índices de Vegetación. Fuente: Adaptado de (UVed, 2016) 32 Imagen 6. Mapa de la zona de estudio Tayrona. Fuente: (Arenas & Nieto, 2015) 33 Imagen 7. Distribución de los biomas y las coberturas de la tierra en la zona de estudio. Fuente: Autor 38 Imagen 8. Diseño metodológico preliminar. Fuente: Autor 95 Imagen 9. Época Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento adaptativo en el software PCI 2015. Fuente: Autor 102 Imagen 10. Época Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento adaptativo en el software PCI 2015. Fuente: Autor 103 Imagen 11. Mosaico del Modelo Digital de Elevación de la Sierra Nevada de Santa Marta. Visualización en software ArcGIS 10.3. Fuente: Autor. 104 Imagen 12. Invierno, sin corrección atmosférica. Falso Color Landsat 8 Bandas 5/4/3 Fuente: Autor 105 Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8 Bandas 5/4/3. Fuente: Autor 105 Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Autor 106 Imagen 15. Escena verano. Falso color 5/4/3. Fuente: Autor 106 Imagen 16. Área del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona. Fuente: Autor. 107 Imagen 17. Comportamiento del NDVI. Fuente: Autor. 130 Imagen 18. Comportamiento del SAVI. Fuente: Autor. 130 Imagen 19. Comportamiento del MSAVI. Fuente: Autor. 131 Imagen 20. Comportamiento ARVI. Fuente: Autor. 131 Imagen 21. Comportamiento SARVI. Fuente: Autor. 132 Imagen 22. Comportamiento ASVI. Fuente: Autor. 132 Imagen 23. Comportamiento GEMI. Fuente: Autor. 133 Imagen 24. Comportamiento SR. Fuente: Autor. 133 Imagen 25. Comportamiento NDWI. Fuente: Autor. 134 Imagen 26. Comportamiento GNDVI. Fuente: Autor. 134 Imagen 27. Comportamiento GARI. Fuente: Autor. 135 Imagen 28. Comportamiento SARVI2. Fuente: Autor. 135 Imagen 29. Comparación Biomas - CLC vs. NDVI. Fuente: Autor. 136 Imagen 30. Comparación Biomas - CLC vs. SAVI. Fuente: Autor. 137 Imagen 31. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor. 138 Imagen 32. Comparación Biomas - CLC vs. ARVI. Fuente: Autor. 139 Imagen 33. Comparación Biomas - CLC vs. SARVI. Fuente: Autor. 140 Imagen 34. Comparación Biomas - CLC vs. ASVI. Fuente: Autor. 141 Imagen 35. Comparación Biomas - CLC vs. GEMI. Fuente: Autor. 142 Imagen 36. Comparación Biomas - CLC vs. SR. Fuente: Autor. 143
5
Imagen 37. Comparación Biomas - CLC Imagen 38. Comparación Biomas - CLC Imagen 39. Comparación Biomas - CLC Imagen 40. Comparación Biomas - CLC
vs. NDWI. Fuente: Autor. vs. GNDVI. Fuente: Autor. vs. GARI. Fuente: Autor. vs. SARVI2. Fuente: Autor.
6
144 145 146 147
LISTADO DE TABLA S Tabla 1. Grandes Biomas y Biomas Continentales. Fuente: (IDEAM et al., 2007) 16 Tabla 2. Leyenda Nacional De Coberturas De La Tierra – Colombia. Fuente: (IDEAM, 2010) 19 Tabla 3. Especificaciones de Productos LDCM a Nivel 1. Fuente: (Ariza, 2013) 27 Tabla 4. Distribución de las bandas en OLI y TIRS Landsat. Fuente: (Ariza, 2013) 28 Tabla 5. Características de los biomas del SNSM. Fuente: (Balaguera et al., 2005) 35 Tabla 6. Diferenciación de ecosistrmas de la Sierra Nevada de Santa Marta según la distribución ecogeográfica de Rangel. Fuente: Adaptado de (Rangel-Ch, 2012) 36 Tabla 7. Área de los biomas de la zona de estudio. Fuente: Autor 37 Tabla 8. Área de las coberturas vegetales presentes en la zona de estudio. Fuente: Autor 37 Tabla 9. Resumen de la búsqueda bibliográfica. Fuente: Autor 46 Tabla 10. Cuadro resumen autores e índices trabajados. Fuente: Autor 99 Tabla 11. Información de las imágenes satelitales utilizadas. Fuente: (U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS ) Center, 2016a, 2016b) 101 Tabla 12. Información DEM's. Fuente: (U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeron autics and Space Administration (NASA), 2016a, 2016b, 2016c, 2016d) 104 Tabla 13. Índices Espectrales de Vegetación. Fuente: Autor 108 Tabla 14. Valores de VI’s para Invierno. Fuente: Autor. 121 Tabla 15. Valores de VI's para Verano. Fuente: Autor. 121 Tabla 16. Diferencia Invierno Verano. Fuente: Autor. 122 122 Tabla 17. . Valores de VI’s para los biomas en Invierno. Fuente: Autor. 123 Tabla 18. . Valores de VI’s para los biomas en Verano. Fuente: Autor. Tabla 19. Diferencia entre los biomas en las temporadas de invierno - verano. Fuente: Autor. 123 Tabla 20. Comparación de los índices en la clase CLC 231. Fuente: Autor. 124 Tabla 21. Comparación de los índices en la clase CLC 242. Fuente: Autor. 124 Tabla 22. Comparación de los índices en la clase CLC 243. Fuente: Autor. 125 Tabla 23. Comparación de los índices en la clase CLC 244. Fuente: Autor. 125 Tabla 24. Comparación de los índices en la clase CLC 245. Fuente: Autor. 126 Tabla 25. Comparación de los índices en la clase CLC 311. Fuente: Autor. 126 Tabla 26. Comparación de los índices en la clase CLC 312. Fuente: Autor. 127 Tabla 27. Comparación de los índices en la clase CLC 313. Fuente: Autor. 127 Tabla 28. Comparación de los índices en la clase CLC 321. Fuente: Autor. 128 Tabla 29. Comparación de los índices en la clase CLC 322. Fuente: Autor. 128 Tabla 30. Comparación de los índices en la clase CLC 323. Fuente: Autor. 129 Tabla 31. Comportamiento del NDVI. Fuente: Autor. 130 Tabla 32. Comportamiento del SAVI. Fuente: Autor. 130 Tabla 33. Comportamiento del MSAVI. Fuente: Autor. 131 Tabla 34. Comportamiento del ARVI. Fuente: Autor. 131 Tabla 35. Comportamiento SARVI. Fuente: Autor. 132 Tabla 36. Comportamiento ASVI. Fuente: Autor. 132
7
Tabla 37. Comportamiento GEMI. Fuente: Autor. Tabla 38. Comportamiento SR. Fuente: Autor. Tabla 39. Comportamiento NDWI. Fuente: Autor. Tabla 40. Comportamiento GNDVI. Fuente: Autor. Tabla 41. Comportamiento GARI. Fuente: Autor. Tabla 42. Comportamiento SARVI2. Fuente: Autor. Tabla 43. Comparación Biomas - CLC vs. NDVI. Fuente: Autor. Tabla 44. Comparación Biomas - CLC vs. SAVI. Fuente: Autor. Tabla 45. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor. Tabla 46. Comparación Biomas - CLC vs. ARVI. Fuente: Autor. Tabla 47. Comparación Biomas - CLC vs. SARVI. Fuente: Autor. Tabla 48. Comparación Biomas - CLC vs. ASVI. Fuente: Autor. Tabla 49. Comparación Biomas - CLC vs. GEMI. Fuente: Autor. Tabla 50. Comparación Biomas - CLC vs. SR. Fuente: Autor. Tabla 51. Comparación Biomas - CLC vs. NDWI. Fuente: Autor. Tabla 52. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor. Tabla 53. Comparación Biomas - CLC vs. GARI. Fuente: Autor. Tabla 54. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor. Tabla 55. Porcentaje Cambio Invierno - Verano OASM Tabla 56. Porcentaje Cambio Invierno - Verano OMSM Tabla 57. Porcentaje Cambio Invierno - Verano OBSMM
8
133 133 134 134 135 135 135 136 137 138 139 140 141 142 143 144 145 146 147 148 148
1. INTRODUCCIÓN Los índices espectrales de vegetación (VI’s) son utilizados para determin ar rápidamente el estado relativo de la vegetación de una zona (Gonzaga Aguilar, 2014); también son usados para mejorar la discriminación entre coberturas con comportamiento reflectivo muy distinto en diferentes bandas y, para la estimación de algunas variables biofísicas (Chuvieco, 2010), esto hace de los VI’s una herramienta útil para el monitoreo de los recursos naturales. Existen múltiples índices espectrales desarrollados y utilizados por los investigadores con diferentes aplicaciones; la selección de un índice vegetación requiere un análisis de la variación espectral del índice en las diferentes coberturas naturales, debido a que el comportamiento radiométrico de las bandas, varía en función de las condiciones ambientales; esto hace que la información que arroja el cálculo de los índices tenga que analizarse detalladamente en función de los biomas y ecosistemas, ya que los resultados podrán indicar los mismos valores calculados en diferentes biomas, pero significar cosas distintas. Esto es fundamental en el caso colombiano, dada su heterogeneidad ambiental y su alta variabilidad geográfica (PNUD, 2011) La investigación del comportamiento de los índices espectrales de vegetación, nace de la necesidad de conocer los índices que mejor se adecuan a los diferentes biomas, ecosistemas y coberturas vegetales colombianos; sirviendo como insumo para el proyecto titulado “uso de imágenes de sens ores remotos para el levantamiento físico de apoyo a los avalúos ambientales rurales” desarrollado por el Grupo Interno de Trabajo de Percepción Remota y Aplicaciones Geográficas del CIAF (GIT PR y AG); en dicho proyecto se desarrolla una metodología que, a partir del procesamiento digital de imágenes satelitales, análisis y modelamiento espacial permite la formulación de un Índice de Calidad Ambiental (ICA)1 el cual aporta a la forma de evaluar y reconocer el estado de los servicios ecosistémicos a partir de información biofísica identificable a través de técnicas de percepción remota, ofreciendo una visión global e integra del territorio. La metodología utilizada para el cálculo de los índices espectrales de vegetación, está basada en las técnicas de teledetección, las cuales consisten en el preprocesamiento, procesamiento y pos procesamiento de imágenes satelitales, seguido de un análisis estadístico descriptivo (frecuencia, media, desviación típica); dichos insumos son obtenidos del sensor Landsat 8 para la zona de estudio situada en el Parque Nacional Natural Sierra Nevada de Santa Marta. Además se contó con la información de la capa de Biomas Continentales, Costeros y Marinos de Colombia del 2013 y la capa Corine Land Cover 20052007 (Cobertura de la tierra), así como el modelo digital de elevación SRTM de 30 m.
1
Entendido como el conjunto de condiciones óptimas que rigen el comportamiento del espacio habitable en términos de confort asociados a lo ecológico, biológico, económico-productivo, sociocultural, tipológico, tecnológico y estético en sus dimensiones espaciales (Luengo, 1998; citado en Arenas & Nieto, 2015). En este caso, los investigadores del GIT PR y AG, toman como ICA, el vigor de la vegetación, ya que es una variable, fácilmente detectable a partir de sensores remotos.
9
2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN Y PREGUNTA DEL PORQUE DE LA PASANTÍA En el marco del proyecto: uso de imágenes de sensores remotos para el levantamiento físico de apoyo a los avalúos ambientales ; el GIT de Percepción Remota y Aplicaciones Geográficas (GIT PR y AG) desarrolló un Índice de Calidad Ambiental ( ICA) basado en imágenes satelitales, para la incorporación de una variable ambiental, la cual es incorporada en un modelo de valoración económica diseñado por el GIT de Avalúos Catastrales. Los resultados obtenidos en las etapas 1 y 2 del proyecto por el GIT PR y AG, en el desarrollo del ICA, reflejan el atributo ecosistémico del vigor 2, calculado a partir del Índice Espectral de vegetación NDVI, (Arenas & Nieto, 2015); sin embargo este índice muestra unas limitaciones prácticas en el momento que se presentan valores altos de Índice de Área Foliar (LAI) -por encima de 4 generalmente- (Baret, 1995; Sellers, 1987 citado en Chuvieco, 2010), y no es sensible a la franja verde del espectro electromagnético cuando la cobertura vegetal es baja (Gill, Phinn, Armston, & Pailthorpe, 2009), esto puede sobre o subestimar la cobertura vegetal, produciendo información errónea en algunas zonas (Zhongming, Lees, Feng, Wanning, & Haijing, 2010) Además, la ubicación y características geográficas de Colombia y la heterogeneidad ambiental, hacen del país “un verdadero mosaico tropical” (PNUD, 2011), estableciendo que la formulación de un Índice de Calidad Ambiental a partir de sensores remotos enfocado en la salud de los ecosistemas terrestres 3, tenga que cubrir una amplia gama de condiciones ambientales inherentes a los ecosistemas colombianos. Por esto se hace necesario el cálculo de índices de vegetación que sean sensibles a las variaciones espectrales que reflejen las características fisiológicas, las cuales dependen de la interacción del medio biofísico. Este trabajo pretende responder a la pregunta ¿Cuáles son los índices de vegetación que mejor identifican las variaciones espectrales de las coberturas naturales a partir de imágenes Landsat 8?
2
El Vigor es usado para expresar la función del ecosistema como medida del metabolismo o la productividad primaria (Yu et al., 2013) 3 La salud de los ecosistemas es descrita como una comprensión multiescala, dinámica, jerárquica, medida en sistemas de resiliencia, organización y vigor (Costanza & Mageau, 1999)
10
3. OBJETIVOS 3.1.
OBJETIVO GENERAL
Analizar comparativamente los índices de vegetación para la identificación de la variación espectral de las coberturas naturales a partir de imágenes Landsat 8. 3.2.
OBJETIVOS ESPECÍFICOS
I.
Seleccionar diferentes índices espectrales de vegetación a partir de sus métodos de obtención y funcionalidad.
II.
Analizar comparativamente los Índices espectrales de vegetación seleccionados.
III.
Definir a partir de los resultados obtenidos los índices espectrales de vegetación que permitan identificar con mayor discriminación las variaciones espectrales en las coberturas vegetales
11
4. MARCO TEÓRICO 4.1.
Índice de Calidad Ambiental
“Se entiende como Calidad Ambiental al conjunto de condiciones óptimas que rigen el comportamiento del espacio habitable en términos de confort asociados a lo ecológico, biológico, económico, productivo, sociocultural, tipológico, tecnológico y estético en sus dimensiones espaciales. Dichas condiciones generan un ambiente y un hábitat que llega a satisfacer los requerimientos básicos de sostenibilidad de la vida humana ” (Luengo, 1998 citado en Arenas & Nieto, 2015). La generación de una metodología para la formulación de un Índice de Calidad Ambiental, basado en la teledetección de imágenes satelitales, aporta a la forma de evaluar y reconocer el estado de los servicios ecosistémicos 4 a partir de información biofísica identificable a través de técnicas de percepción remota, ofreciendo una visión global e integra del territorio. La importancia de calcular índices ambientales, radica en que se puede dar un valor agregado por la conservación de la biodiversidad y la mitigación de los impactos ambientales (Arenas & Nieto, 2015). La teledetección ha sido utilizada como herramienta valiosa y determinante a la hora de establecer indicadores de degradación y conservación de los recursos naturales, de manera especial en la evaluación de las dinámicas temporales y los procesos de cambio en los usos de suelo y coberturas vegetales (Gonzaga Aguilar, 2014), en grandes escalas espaciales (Yu et al., 2013). Por ello, el proyecto “Uso de imágenes de sensores remotos para el levantamiento físico de apoyo a los avalúos ambientales” ; formula un Índice de Calidad Ambiental utilizando la teledetección satelital como herramienta para la evaluación y monitoreo de la salud de los ecosistemas en escalas grandes (Rapport, Gaudet, & Calow, 1995, citado en Yu et al., 2013) y en diferentes temporalidades (Li, Xu, & Guo, 2014). La salud ecosistémica es descrita por Costanza & Mageau (1999), como una comprensión multiescala, dinámica, jerárquica, medida en sistemas de resiliencia, organización y vigor, Estos atributos pueden ser usados para detallar directamente indicadores de salud ecosistémica, como productividad, riqueza de especies, y resiliencia después de disturbios naturales y antrópicos.(Li et al., 2014). La evaluación de la salud ecosistémica a parir de los sensores remotos ha sido enfocada en generalmente en un atributo en particular, como es el vigor (productividad), organización 4
Los servicios ecosistémicos son los beneficios directos e indirectos que la humanidad recibe de la biodiversidad y que son el resultado de la interacción entre los diferentes componentes, estructuras y funciones que constituyen la biodiversidad. En términos generales se puede identificar cuatro tipos de servicios ecosistémicos, servicios de aprovisionamiento, servicios de regulación y soporte, y servicios culturales (MEA, 2005)
12
(invasión de especies, fragmentación del paisaje) o resiliencia - respuesta estrés, fuego, cambio climático - (Li et al., 2014). El Vigor es usado para expresar la función del ecosistema como medida del metabolismo o la productividad primaria; la Organización es evaluada de acuerdo a la diversidad y a la cantidad de interacciones entre los componentes del ecosistema, y la Resiliencia es medida por la sustentabilidad y el tiempo de la estructura y la función (Yu et al., 2013). Diversos autores han enfatizado en la necesidad de una evaluación de la salud del ecosistema global y dinámica con la integración de vigor, la organización y la capacidad de resiliencia de los ecosistemas (Li et al., 2014; Yu et al., 2013), y desarrollado modelos de evaluación (Z. Chen, Yin, Li, & Xu, 2010; Masek, Hayes, Joseph Hughes, Healey, & Turner, 2015; D. Xu & Guo, 2015).
4.1.1. Vigor en la teledetección Debido a que los biomas son unidades caracterizadas por el tipo de plantas y animales que alberga, en cada uno de estos el tipo de vegetación es uniforme en sus primeros estados fenológicos, pero a medida que van creciendo las plantas las especies se van diferenc iando debido a sus características anatómicas y fisiológicas. Estas variaciones dependen del medio físico y a la vez generan cambios en la presencia de determinadas especies animales. Es importante aclarar que no existe una línea que delimite los biomas demarcándolos por zonas, sino que por el contrario cada uno se superpone en una zona de transición llamada ecotonía o efecto de borde (Arenas & Nieto, 2015). A partir de las imágenes de satélite se calculan los índices de vegetación, haciendo una relación entre la reflectancia del infrarrojo cercano y la reflectancia del rojo del visible, debido a la clorofila de las hojas. Su función es permitir la evaluación del mayor o menor vigor de la vegetación y proporciona una identificación más visual al realizar una clasificación supervisada o no supervisada, ya que se mantiene la imagen en su máxima nitidez (Baldi et al, 2008; citado en Arenas & Nieto, 2015) Existen diversas metodologías en la teledetección para estudiar mediante imágenes satelitales los cambios estacionales que ocurren en la vegetación; uno de ellos es la aplicación de índices vegetativos relacionados con el verdor (Chuvieco, 2010).
4.2.
Biomas
En la tierra existen espacios con características similares, lo cual permite establecer una clasificación según las condiciones de temperatura, precipitaciones, humedad, flora y fauna. La unión de los productores y los consumidores de un sitio dado lleva a la formación de asociaciones naturales que forman grandes tipos de ensamblajes de comunidades. A dichos espacios se les denomina biomas, y se definen como espacios naturales, donde las condiciones son las adecuadas para que se desarrolle el componente biótico de la naturaleza, generando interacciones con los factores abióticos (Arenas & Nieto, 2015). 13
Los biomas se consideran como un conjunto de ecosistemas terrestres afines por sus rasgos estructurales y funcionales, los cuales se diferencian por sus características vegetales(Hernández-Camacho & Sánchez-Páez, 1992). Así mismo, pueden ocupar grandes extensiones y aparecen en los distintos continentes donde existen condiciones semejantes de clima y suelos (Carrizosa y Hernández, 1990; citado en IDEAM et al., 2007). Sarmiento (2001; citado en IDEAM, 2007) menciona que los grandes biomas del mundo son praderas y sabanas, desiertos, tundras, taigas (bosques de coníferas), bosques templados caducifolios, bosques secos tropicales (también caducifolios), bosques lluviosos tropicales (de altura y de bajío) siempre-verdes, páramos y punas, biomas eólicos (altas montañas y regiones polares), biomas insulares (altamente endémicos y oligoespecíficos), biomas marinos (neríticos y pelágicos) y el bioma hadal (profundidades oceánicas). Para Colombia se identifican tres grandes biomas definidos por Walter (1985; citado en IDEAM, 2007), como ambientes uniformes pertenecientes a un Zonobioma, Orobioma o Pedobiomas: gran bioma del desierto tropical, gran bioma del bosque seco tropical y gran bioma del bosque húmedo tropical (Tabla 1). De acuerdo con ciertas características de clima, suelo y vegetación, los tipos de biomas se definen así: 4.2.1. Zonobiomas Son biomas zonales delimitados por unos amplios y peculiares caracteres climáticos, edáficos y de vegetación zonal (clímax). Walter, creador del término, reconoce en la geobiosfera nueve Zonobiomas con sus correspondientes zonas climáticas: ecuatorial, tropical, subtropical árido, mediterráneo, templado cálido, templado, templado árido, boreal y ártico; cuya característica determinante es el clima. Walter (1997) también marcó la necesidad de establecer subdivisiones dentro de los Zonobiomas en función fundamentalmente de la cuantía y/o efectividad de las precipitaciones. 4.2.2. Orobiomas Son biomas definidos por la presencia de montañas que cambian el régimen hídrico y forman cinturones o fajas de vegetación de acuerdo con su incremento en altitud y la respectiva disminución de la temperatura (Walter, 1977). Según el rango altitudinal se pueden distinguir tres grandes zonas dentro de los Orobioma s: zona de baja montaña, zona de media montaña y zona de alta montaña: I.
Orobiomas bajos : corresponden a áreas de montaña localizadas aproximadamente entre los 500 y 1.800 msnm, donde se presentan temperaturas de entre 18 y 24 ºC. No obstante, es posible que estos rangos fluctúen de acuerdo con la posición geográfica de la montaña; por ejemplo en algunas zonas de la cordillera Central se ha identificado que la baja montaña se encuentra entre los 700 y 2.300 msnm (Thourent, 1983), mientras que donde hacen contacto con valles más bajos y mares, los límites pueden bajar. A los Orobiomas bajos comúnmente se les asigna el nombre de piso subandino, dada su relación con la cordillera de los Andes.
II.
Orobiomas medios: hacen referencia a zonas de montaña localizadas aproximadamente entre los 1.800 y 2.800 msnm, donde se presentan temperaturas
14
que fluctúan entre los 12 y 18° C, también conocidos en Colombia como piso andino. Al igual que en el Orobioma bajo, la altitud del Orobioma medio en Colombia puede variar de acuerdo con la posición geográfica. Thourent (1983), menciona para la cordillera Central, transecto Los Nevados, un rango altitudinal de 2.300 a 3.500 msnm. III.
Orobiomas altos: se localizan por encima del límite superior del piso andino (> 2.800 msnm) hasta el nivel de las nieves perpetuas (> 4.500 m). Thourent (1983), menciona para la cordillera Central, transecto Los Nevados, un rango altitudinal de 3.500 a 5.200 msnm. Dentro del Orobioma alto, se distinguen a la vez cinco franjas bien definidas (IDEAM, et al., 2007): a) B osques de alta montaña: esta franja de alta montaña se ubica entre los 2.800 y 3.200 msnm. Comprende una zona de transición (ecotono) entre la vegetación cerrada de la media montaña (zona andina) y la abierta de la parte alta; sus comunidades incluyen bosques altos y ralos. Esta franja puede variar según la cordillera en la que se encuentre (Rangel-Ch, 2002). b) S ub-páramo: se considera como la faja de transición entre la selva alto-andina y el páramo propiamente dicho. Se le define desde los 3.200 hasta 3.500 o 3.600 msnm y se caracteriza por el predominio de la vegetación arbustiva y matorrales. En casi todas las localidades se presentan zonas de contacto con la vegetación de la región de la media montaña y se conforman comunidades mixtas (Rangel-Ch, 2002; citado en IDEAM, et al., 2007). c) Páramo: sus límites se extienden entre los 3.500 o 3.600 y los 4.100 msnm. La diversificación comunitaria es máxima y se encuentran casi todos los tipos de vegetación, aunque predominan los frailejonales y los pajonales (Rangel-Ch, 2002) d) S uperpáramo o páramo alto: esta franja, situada por encima de los 4.100 m, llega hasta el límite inferior de las nieves perpetuas. Se caracteriza por la discontinuidad de la vegetación y la apreciable superficie de suelo desnudo, arenales o afloramientos rocosos. La cobertura y la diversidad vegetal disminuyen significativamente hasta llegar a un crecimiento de pocas plantas aisladas y predominio del sustrato rocoso (Rangel-Ch, 2002) e) Nival: por encima de los 4.500 msnm, se extiende la franja de las nieves perpetuas o glaciares (IDEAM, et al., 2007).
4.2.3. Pedobiomas Son biomas originados por un característico tipo de suelo, generando condiciones azonales de la vegetación (Sarmiento, 2001); en este caso la vegetación, y los procesos ecológicos en general, están directamente influenciados por las condiciones edáficas e hidrológicas que por las climáticas. Según el tipo de factor condicionante, se pueden distinguir diferentes clases de Pedobiomas (IDEAM, et al., 2007): I. Litobiomas: lugares con suelo incipiente sobre roca dura.
15
II. Halobiomas: zonas con suelos anegados con influencia salina. III. Helobiomas: lugares con mal drenaje, encharcamiento permanente o con prolongado periodo de inundación. IV. Peinobioma: formado bajo diversas condiciones climáticas y elevaciones en las que pueden presentarse afloramientos rocosos donde ocurren procesos de meteorización de las rocas y una lenta formación de suelos que los recubre. Su precipitación varía entre 1.700 y 3.000 mm/año. 4.2.4. Grandes biomas y biomas continentales. Tabla 1. Grandes Biomas y Biomas Continentales. Fuente: (IDEAM et al., 2007)
G randes B iomas y B iomas C ontinentales ID Gran Bioma
Gran Bioma
1
Desierto Tropical
1
Bosque Seco Tropical del Caribe
5
2
ID Bioma
2 3 4
6 7 8
3
Bosque Húmedo Tropical
9 10 11 12 13 14 15 16 17 18 19 20 21 22
Bioma Zonobioma del desierto tropical de La Guajira y Santa Marta Helobioma de La Guajira Zonobioma seco tropical del Caribe Halobioma del Caribe Zonobioma alterno hígrico y/o subxerofítico tropical del Alto Magdalena Zonobioma alterno hígrico y/o subxerofítico tropical del Valle del Cauca Helobioma del Valle del Cauca Zonobioma húmedo tropical de la Amazonia – Orinoquia Helobioma Amazonia – Orinoquia Peinobioma de la Amazonia – Orinoquia Litobioma de la Amazonia –Orinoquia Zonobioma húmedo tropical del Pacífico-Atrato Helobioma Pacífico-Atrato Halobioma del Pacífico Zonobioma húmedo tropical del MagdalenaCaribe Helobioma Magdalena-Caribe Zonobioma húmedo tropical del Catatumbo Helobioma del río Zulia Orobioma bajo de los Andes Orobioma medio de los Andes Orobioma alto de los Andes Orobioma azonal de Cúcuta
16
23 24 25 26 27 28 29 30 31 32 4.3.
Orobioma azonal del río Dagua Orobioma azonal del río Sogamoso Orobioma azonal del Valle del Patía Helobiomas andinos Orobioma de San Lucas Orobioma de La Macarena Orobioma del Baudó-Darién Orobioma bajo de la Sierra Nevada de Santa Marta y La Macuira Orobioma medio de la Sierra Nevada de Santa Marta Orobioma alto de la Sierra Nevada de Santa Marta
Cobertura de la tierra
Es la unidad delimitable que surge a partir de un análisis de las respuestas espectrales determinadas por sus características fisonómicas y ambientales, diferenciables con respecto a la unidad próxima (IDEAM, 2007). 4.3.1. Coberturas mayormente transformadas Las coberturas mayormente transformadas son áreas en las cuales las actividades humanas han transformado en un alto grado o totalmente las coberturas naturales propias de dichos espacios. Son ejemplos de ellas las áreas urbanas, zonas de extracción minera, canteras, escombreras o vertederos. Las áreas urbanas comprenden zonas de uso intensivo coberturas por estructuras o construcciones (Anderson, Hardy, Roach, & Witmer, 1976; citado en IDEAM et al., 2007). 4.3.2. Coberturas de agroecosistemas Las coberturas de agroecosistemas son áreas que presentan diferentes arreglos espaciales de vegetación sembrada y manejada por el hombre. Algunos ejemplos de esta cobertura son los cultivos anuales o transitorios, cultivos semipermanentes y permanentes, pastos, áreas agrícolas heterogéneas, áreas agroforestales y bosques plantados (IDEAM et al., 2007) 4.3.3. Coberturas mayormente naturales Las coberturas mayormente naturales son aquellas que no han sufrido mayores transformaciones por acción antrópica o que, habiendo sido transformadas, responden a una dinámica de regeneración natural. Como ejemplos se citan los bosques naturales, la vegetación secundaria, los arbustales, herbazales, las zonas desnudas, los afloramientos rocosos, los glaciares y las nieves (IDEAM et al., 2007)
17
I.
Bosque denso: como comunidades vegetales dominadas por árboles de altura promedio superior a 5 m y con densidad de copas superior al 70% (IDEAM, et al., 2007)
Arbustal: tipo de vegetación las especies predominantes corresponden a arbustos,
II.
es decir a plantas leñosas perennes, con una altura que, por lo general, sobrepasa los 0,5 m pero no alcanza los 5 m en su madurez. Estos arbustos pueden presentar ramificaciones desde su base. Los límites en altura deben interpretarse con flexibilidad, especialmente la altura mínima del árbol y la máxima del arbusto, que pueden variar entre 5 y 7 m aproximadamente (FAO, 2001; citado en IDEAM et al., 2007). III.
Herbazal: son áreas en las cuales predominan plantas sin estructura de tallo definida (Di Gregorio & Jansen, 2000; citado en IDEAM, et al., 2007), con especies principalmente gramíneas de alturas inferiores a 2 m.
IV.
Vegetación secundaria: tipo de vegetación generalmente arbustiva o arbórea, que corresponde a etapas de sucesión, posteriores a procesos de deforestación o pérdida de la cobertura boscosa por eventos naturales (IDEAM, et al., 2007).
4.3.4. Cobertura de áreas húmedas continentales y costeras Es la vegetación que se asocia de manera directa a los cuerpos de agua. Son ejemplos de ella la hidrofitia continental y las coberturas herbáceas y arbustivas costeras (IDEAM, et al., 2007). 4.3.5. Superficies de agua Son cuerpos de agua que pueden ser naturales o artificiales. En la subdivisión se tienen aguas continentales naturales (ríos, lagos, lagunas) o artificiales (represas), aguas marinas y lagunas costeras (IDEAM, et al., 2007). 4.3.6. Leyenda Nacional de Coberturas de la Tierra Las coberturas de la tierra proporcionan información fundamental para diversos procesos nacionales como los mapas de ecosistemas, conflictos de uso del territorio, ordenación de cuencas y del territorio, seguimiento a la deforestación de los bosques, y los inventarios forestales (IDEAM, 2010). La leyenda nacional para la zonificación de las coberturas de la tierra a escala 1:100.000 Según la metodología CORINE (Coordination of Information on the Environmental) Land Cover adaptada al territorio colombiano proporciona las características temáticas que el país requiere para el conocimiento de sus recursos naturales, para la evaluación de las formas de ocupación y apropiación del espacio geográfico, así como para la actualización permanente de la información, con lo cual se facilitan los procesos de seguimiento de los cambios y la evaluación de la dinámica de las coberturas terrestres (IDEAM, 2010)
18
Según la metodología CORINE (Coordination of Information on the Environmental) Land Cover adaptada para el país (Tabla 2) Tabla 2. Leyenda Nacional De Coberturas De La Tierra – Colombia. Fuente: (IDEAM, 2010)
LEYENDA NACIONAL DE COBERTURAS DE LA TIERRA – COLOMBIA 1. TERRITORIOS ARTIFICIALIZADOS 1.1. Zonas urbanizadas 1.1.1. Tejido urbano continuo 1.1.2. Tejido urbano discontinuo 1.2. Zonas industriales o comerciales y redes de comunicación 1.2.1. Zonas industriales o comerciales 1.2.2. Red vial, ferroviaria y terrenos asociados 1.2.3. Zonas portuarias 1.2.4. Aeropuertos 1.2.5. Obras hidráulicas 1.3. Zonas de extracción minera y escombreras 1.3.1. Zonas de extracción minera 1.3.2. Zonas de disposición de residuos 1.4. Zonas verdes artificializadas, no agrícolas 1.4.1. Zonas verdes urbanas 1.4.2. Instalaciones recreativa
2. TERRITORIOS AGRÍCOLAS 2.1. Cultivos transitorios 2.1.1. Otros cultivos transitorios 2.1.2. Cereales 2.1.3. Oleaginosas y leguminosas 2.1.4. Hortalizas 2.1.5. Tubérculos 2.2. Cultivos permanentes 2.2.1. Cultivos permanentes herbáceos 2.2.1.1. Otros cultivos permanentes herbáceos 2.2.1.2. Caña 2.2.1.3. Plátano y banano 2.2.1.4. Tabaco 2.2.1.5. Papaya 2.2.1.6. Amapola 2.2.2. Cultivos permanentes arbustivos 2.2.2.1. Otros cultivos permanentes arbustivos 2.2.2.2. Café 2.2.2.3. Cacao 2.2.2.4. Viñedos 2.2.2.5. Coca 2.2.3. Cultivos permanentes arbóreos 2.2.3.1. Otros cultivos permanentes arbóreos 2.2.3.2. Palma de aceite 2.2.3.3. Cítricos 2.2.3.4. Mango 2.2.4. Cultivos agroforestales 2.2.5. Cultivos confinados 2.3. Pastos 2.3.1. Pastos limpios 2.3.2. Pastos arbolados 2.3.3. Pastos enmalezados
3. BOSQUES Y ÁREAS SEMINATURALES 3.1. Bosques 3.1.1. Bosque denso 3.1.1.1.1. Bosque denso alto de tierra firme 3.1.1.1.2. Bosque denso alto inundable 3.1.1.2.1. Bosque denso bajo de tierra firme 3.1.1.2.2. Bosque denso bajo inundable 3.1.2. Bosque abierto 3.1.2.1.1. Bosque abierto alto de tierra firme 3.1.2.1.2. Bosque abierto alto inundable 3.1.2.2.1. Bosque abierto bajo de tierra firme 3.1.2.2.2. Bosque abierto bajo inundable 3.1.3. Bosque fragmentado 3.1.4. Bosque de galería y ripario 3.1.5. Plantación forestal 3.2. reas con vegetación herbácea y/o arbustiva 3.2.1.1. Herbazal denso 3.2.1.1.1.1. Herbazal denso de tierra firme no arbolado 3.2.1.1.1.2. Herbazal denso de tierra firme arbolado 3.2.1.1.1.3. Herbazal denso de tierra firme con arbustos 3.2.1.1.2.1. Herbazal denso inundable no arbolado 3.2.1.1.2.2. Herbazal denso inundable arbolado 3.2.1.1.2.3. Arracachal 3.2.1.1.2.4. Helechal 3.2.1.2. Herbazal abierto 3.2.1.2.1. Herbazal abierto arenoso 3.2.1.2.2. Herbazal abierto rocoso 3.2.2.1. Arbustal denso 3.2.2.2. Arbustal abierto 3.2.3. Vegetación secundaria o en transición 3.3. reas abiertas, sin o con poca vegetación 3.3.1. Zonas arenosas naturales 3.3.2. Afloramientos rocosos 3.3.3. Tierras desnudas y degradadas 3.3.4. Zonas quemadas 3.3.5. Zonas glaciares y nivales
4. AREAS HÚMEDAS 4.1. reas húmedas continentales 4.1.1. Zonas Pantanosas 4.1.2. Turberas 4.1.3. Vegetación acuática sobre cuerpos de agua 4.2. reas húmedas costeras 4.2.1. Pantanos costeros 4.2.2. Salitral 4.2.3. Sedimentos expuestos en bajamar
5. SUPERFICIES DE AGUA 5.1. Aguas continentales 5.1.1. Ríos (50 m) 5.1.2. Lagunas, lagos y ciénagas naturales
19
2.4. reas agrícolas heterogéneas 2.4.1. Mosaico de cultivos 2.4.2. Mosaico de pastos y cultivos 2.4.3. Mosaico de cultivos pastos y espacios naturales 2.4.4. Mosaico de pastos con espacios naturales 2.4.5. Mosaico de cultivos y espacios naturales
4.4.
5.1.3. Canales 5.1.4. Cuerpos de agua artificiales 5.2. Aguas marítimas 5.2.1. Lagunas costeras 5.2.2. Mares y océanos 5.2.3. Estanques para acuicultura marina
Percepción Remota
La percepción remota es una técnica a través de la cual se obtiene información de un objeto sin tener un contacto directo con él, esto es posible gracias a la relación sensor - cobertura, la cual se expresa a través de la llamada radiación electromagnética (Imagen 1). Esta relación se puede presentar de tres formas: Emisión, reflexión, y emisión-reflexión, donde el flujo de energía que se produce por alguna de estas formas va a estar en función de la transmisión de energía térmica y conductividad espectral propia de cada elemento en la naturaleza (O. Guzmán, 2006) Imagen 1. Esquema General de la teledetección. Fuente (O. Guzmán, 2006)
La energía captada por un sistema de percepción remota sufre interacciones fundamentales que deben entenderse para interpretar apropiadamente los datos captados. La energía capturada por el sensor es la que inicialmente provee el sol, por lo que este flujo de energía pasa por las siguientes etapas: 1. Es irradiada por partículas atómicas desde el sol, 2. Se propaga a través del vacío del espacio a la velocidad de la luz hasta estrellarse con el campo magnético de la tierra, 3. Interactúa con la atmósfera terrestre, 4. Interactúa con la superficie terrestre retro-dispersándose o transformándose, 5. Interactúa nuevamente con la atmósfera y 6. Finalmente alcanza los sistemas de medición a bordo de las plataformas
20
aéreas o espaciales, para luego ser transmitidas a estaciones de recepción distribuidas por el planeta. (O. Guzmán, 2006) 4.4.1. Imagen Digital De forma generalizada, se define a una imagen digital como un arreglo de números que representa una distribución espacial de ciertos parámetros de campos, como la reflexión de energía electromagnética, emisión, temperatura, o alguna variable de elevación topográfica o geofísica. Una imagen digital está conformada por elementos pictóricos discretos denominados píxeles organizados en filas y columnas. Cada píxel tiene asociado un número denominado como Nivel Digital (ND), el cual representa la intensidad o brillo promedio de un área mínima relativa dentro de la escena, generalmente, el rango de niveles digitales va de 0 a 255. El tamaño de esta área mínima afecta considerablemente la captura de detalles terrestres dentro de la escena, si se reduce el tamaño de píxel se preservará mejor estos detalles terrestres en la imagen (Posada, 2008; citado en O. Guzmán, 2006). 4.4.2. Características de una Imagen Digital Las imágenes poseen de unas propiedades o características específicas en cuanto a su capacidad de registrar y discriminar la información de detalle. Se denominan como la resolución de imágenes o también del sensor, y se divide en 4 tipos: espacial, espectral, radiométrica y temporal (Chuvieco, 2010) I.
Resolución Espacial
Se define por el elemento más pequeño que puede ser discriminado en una imagen. Se mide mediante el Campo de Visión Instantáneo (IFOV) de un sensor óptico electrónico, o en la práctica, mediante distancia del terreno que corresponde a ese ángulo y que corresponde a mínima unidad de información incluida en la imagen o píxel. Menor sea el tamaño del píxel, mayor resolución posee la imagen y mayor nivel de detalle es posible extraer de la misma. Sin embargo, si las áreas de interés son muy heterogéneas, como por ejemplo áreas urbanas, se ha comprobado que mayor resolución espacial afecta negativamente la clasificación digital. Igualmente, cabe mencionar que el umbral para discriminación de los objetos en una imagen es 4 veces mayor que el tamaño de un píxel La resolución espacial de las imágenes de sensores remotos aplicados a estudios de recursos naturales varía de 1m de hasta 1 km. En Colombia los más utilizados son las imágenes de programas LANDSAT, con resolución espacial de 30 y 15 metros; y las imágenes de programa SPOT de 20 y 10 metros de resolución. Recientemente han entrado al mercado las imágenes del programa espacial IKONOS, con resolución espacial que varía de 1 a 4 mts y QuickBird con resolución que varía de 0.6 mts a 2.4 mts. Es una excelente alternativa, sin embargo es muy costosa y requiere de estudios cuidadosos sobre su aplicabilidad real, así como de generación de los nuevos enfoques metodológicos de procesamiento digital a causa de su alta resolución espacial. También están disponibles,
21
desde hace poco tiempo, las imágenes del satélite Indio – IRIS con resolución de 6 metros (Posada, 2008; citado en O. Guzmán, 2006) II.
Resolución Espectral
Indica el ancho y número de las bandas espectrales que posee una imagen. Una imagen multiespectral se caracteriza por ser más idónea si cuenta con mayor número de bandas, ya que facilita la caracterización espectral de los distintos objetos de la tierra. A la vez es conveniente que estas bandas sean estrechas, ya que las bandas muy amplias registran un valor promedio, que puede encubrir la diferenciación espectral entre los objetos de interés. La elección del número, anchura y localización de las bandas depende de objetivos del estudio. Por ejemplo, para el estudio de la vegetación es recomendable contar con las bandas del rango del espectro visible, infrarrojo cercano y medio; para estudio de calidad de las aguas es importante contar con las bandas azul, verde y rojo. La menor resolución espectral posee las imágenes de radar, cuentan con una sola banda y son mono espectrales. Las imágenes óptico-electrónicas cuentan con un amplio rango de bandas espectrales en función del programa espacial. Existen programas, como HRIS (High Resolution Imaging Spectrometer) con 196 canales espectrales, (Chuvieco, 2002). Los comunes para Colombia son las imágenes LANDSAT-TM con 7 bandas espectrales hasta el programa LANDSAT-5 y 8 bandas para LANDSAT-7. Siguen las imágenes SPOT, con 3 bandas en el programa SPOT-3 y 4 bandas para SPOT-4. Las imágenes IKONOS y QuickBird cuentan con 4 bandas espectrales (Posada, 2008). III.
Resolución Radiométrica
Representa la capacidad del sensor para detectar las variaciones en la radiación espectral que recibe. El rango con que se codifica la radiación varia para distintos sensores, sin embargo, los de 256 niveles de codificación o 8 bits son las comunes en el mercado actual de las imágenes de sensores óptico-electrónicos, así como LANDSAT y SPOT. Las imágenes de IKONOS son de 11 bits o 2048 niveles radiométricos. La mayor precisión radiométrica conlleva en teoría a mayor precisión. Sin embargo, según Chuvieco, algunos autores han demostrado que el aumento de 64 a 256 niveles no implica una mejora significativa en la clasificación de coberturas vegetales. Igualmente se puede mencionar el caso de radar, que con una resolución radiométrica de 16 bits 65536 niveles de codificación, de ninguna manera podrá superar una imagen multiespectral de 256 niveles en cuanto a discriminación y clasificación de objetos terrestres (Chuvieco, 2002; Posada, 2008; CCRS, 2003). IV.
Resolución Temporal
Es la frecuencia con la que se adquieren las imágenes de la misma porción terrestre y la cual depende de la altura, velocidad e inclinación de la plataforma, así como del ángulo de observación. Las imágenes de LANDSAT se puede obtener, teóricamente, cada 16 días y de SPOT cada 26 días. Sin embargo, obtención de las imágenes óptico electrónicos para
22
mayoría de las regiones de Colombia y específicamente en el área del Pacifico se dificulta debido a las condiciones atmosféricas adversas y alta nubosidad durante casi todo año. Cuando estudian las imágenes en cuanto a su calidad, las 4 resoluciones mencionadas se deben analizar en su conjunto y la selección de una imagen apropiada depende de los objetivos predeterminados por el estudio. Así para algunos estudios puede predominar la riqueza espectral y radiométrica de las imágenes, caso de estudios de vegetación. Para otros, la resolución temporal es más importante, caso de estudio de las áreas urbanas; o en el caso de alguna catástrofe natural, es necesario de contar con las imágenes de muy corta periodicidad 4.4.3. Preprocesamiento de imágenes satelitales. El pre procesamiento de las imágenes, consiste en hacer las correcciones de las imágenes, con el fin de eliminar cualquier anomalía detectada en la imagen, ya sea en su localización o radiometría de los pixeles que la componen (Gonzaga Aguilar, 2014). Cualquier imagen adquirida por un sensor remoto, presenta una serie de alteraciones radiométricas y geométricas debidas a muy variados factores, en el caso concreto de las imágenes espaciales, las deformaciones más frecuentes pueden agruparse en 4 grupos (Chuvieco, 1995): I. II. III. IV.
Distorsiones originadas por la plataforma. Distorsiones provocadas por la rotación Terrestre. Distorsiones por el sensor. Distorsiones provocadas por la atmósfera
Las operaciones de corrección pretenden minimizar estas alteraciones. Como producto se obtiene una imagen corregida que es lo más próximo posible, geométrica y radiométricamente, a la verdadera energía radiante y características espaciales del área de estudio (APN, 2005; citado en Gonzaga Aguilar, 2014). I.
Correcciones geométricas – georreferenciación
La corrección geométrica es la modificación de la geometría de la imagen respecto de la geometría de la superficie terrestre. La georreferenciación es su adaptación a un sistema geodésico de referencia y una proyección geográfica determinada. II.
Correcciones radiométricas
Una vez que la radiación electromagnética es generada y se propaga, interactúa con la atmósfera afectando a la radiación en su longitud de onda, intensidad, distribució n espectral y/o su dirección. Hay dos tipos de efectos que produce la atmósfera: absorción y dispersión. El ruido introducido por la atmósfera tiene efectos importantes en la teledetección y su remoción es necesaria (APN, 2005; citado en Gonzaga Aguilar, 2014). Las correcciones radiométricas buscan mejorar la precisión de las medidas de reflectancia, apuntan a eliminar ruidos en los ND (niveles digitales) de la imagen compensando las 23
diferencias en los valores de radiancia y la conversión de los ND a valores de radiancia y reflectancia, utilizando modelos de atmósfera y las geometrías de iluminación/observación (APN, 2005; citado en Gonzaga Aguilar, 2014). El objetivo general de las correcciones atmosféricas es convertir los valores obtenidos por el sensor remoto en valores de reflectancia en superficie, que es la magnitud física de interés. Estos valores son necesarios cuando se utilizan datos satelitales para el análisis cuantitativo de las propiedades biofísicas de los elementos de la superficie terrestre, identificar y evaluar los procesos que en ella ocurren mediante la comparación de diferentes escenas en estudios temporales y cuando se deriven índices a partir de bandas ubicadas en diferentes regiones del espectro electromagnético (Gonzaga Aguilar, 2014). III.
Cálculo de reflectividades
La conversión de los ND almacenados en una imagen cruda a variables físicas es un paso previo que resulta de gran utilidad en múltiples fases de la interpretación de imágenes, ya que permite trabajar con variables físicas de significado estándar, comparables en un mismo sensor a lo largo del tiempo, entre distintos sensores y entre la teledetección espacial y otros métodos de detección de energía electromagnética. La obtención de esas variables requiere resolver satisfactoriamente la acción de varios factores. Algunos hacen referencia al mismo sensor (calibrado de las radiancias), para lo cual es imprescindible contar con información de la entidad que lo gestiona, otras a las condiciones de observación (ángulos de iluminación y adquisición) y otras a elementos del ambiente (efecto atmosférico y topográfico, iluminación procedente de otras coberturas) (Chuvieco, 2010). La reflectividad de una cobertura depende de sus características físicas y químicas, así como de las condiciones de observación, el análisis de su variación en distintos rangos espectrales (o en las bandas de una imagen) nos permitirá discriminar las diferentes coberturas terrestres Para conocer la reflectividad de una superficie es preciso relacionar dos magnitudes: la energía reflejada e incidente. A partir de datos medidos por el sensor podemos obtener la primera, ya que la radiancia espectral medida por éste es consecuencia de la reflexión de la radiación solar por el suelo. Esa medición se codifica en un valor numérico (ND) (Chuvieco, 1995):
Convers ión a parámetros fís icos El primer paso es convertir los ND a radiancia (magnitud física) y a partir de ésta obtener otros parámetros. Para obtener la radiancia es necesario conocer los coeficientes de calibración del sensor que la relacionan con los ND (Fernández, 2008; citado en Gonzaga Aguilar, 2014):
, , , Dónde: , es la radiancia de una banda determinada (en Wm-2 sr -1 µm-1); , , los coeficientes de calibración en dicha banda y corresponde al nivel digital de la imagen en la misma banda.
24
Los coeficientes son proporcionados por los organismos responsables de los sensores o programas. Una vez estimada la radiancia (en condiciones óptimas de calibración) se ha de relacionar con otros parámetros físicos. Se puede decir que la radiancia recibida por un sensor de una banda k depende de: i. ii. iii.
La radiación solar incidente y de la reflectancia de la cobertura. La transparencia y aporte de la atmósfera en esa banda. Ángulo de incidencia del sol.
, ∗
Dónde, , es la irradiancia solar en el techo de la atmosfera (para esa banda);
∗ es la
reflectividad aparente de la cobertura en esa banda K ; es el ángulo cenital del flujo incidente, formado por la vertical del terreno y los rayos solares; y D es el factor corrector de la distancia Tierra-Sol, calculado como:
(1 0,01674((2( 93,5) / 365)))2 Dónde: J indica el día calendario juliano y el seno se asume que toma los valor es del ángulo en radianes. De forma simplificada, prescindiendo del efecto atmosférico y considerando la superficie del terreno como lambertiana, la reflectividad aparente puede calcularse a través de la siguiente fórmula:
∗
= ,
, cos
IV.
Correcciones atmosféricas.
El cálculo del valor de la reflectancia en superficie implica introducir algún tipo de corrección sobre el efecto que imprime la atmósfera sobre la señal recibida por el sensor. Para el cálculo de la reflectividad de la superficie se necesita estimar la transmisividad de la atmósfera (descendente , y ascendente , ), la irradiancia difusa ( , ) y la radiancia atmosférica debida a la dispersión ,
, – , , ) , , , (
Los procedimientos para abordar las correcciones atmosféricas con exactitud son muy laboriosos y requieren datos sobre las condiciones de la atmósfera en el momento de tomar la imagen, que no suelen estar disponibles. Además, el efecto de la atmósfera no es
25
constante en la imagen, algunas zonas pueden estar afectadas más que otras, en función de la diversa presencia de aerosoles o vapor de agua (Chuvieco, 2010). Existe un modelo de corrección atmosférica que vale la pena destacar llamado Atcor, fue desarrollado por Ritcher (Chuvieco, 2010). Atcor realiza las correcciones atmosféricas basado en un conjunto de perfiles atmosféricos estándar que viene incluidos dentro del software y que pueden ser personalizados por el usuario en caso de contar con información más detallada, estos perfiles incluyen el contenido del vapor de agua y los tipos de aerosoles (Chuvieco, 2010). Según el mismo autor, el software requiere una estimación del espesor atmosférico para lo cual se debe indicar el rango de visibilidad dado en kilómetros y una altura sobre el nivel del mar promedio para la imagen permitiendo incorporar un modelo digital del terreno – MDT. Otro parámetro a introducir el ángulo cenital solar. El autor del modelo de corrección de Atcor hace la salvedad de que éste funciona adecuadamente para sensores de observación de la tierra “cuasi vertical” lo cual permite una tolerancia de +/- 8° en zonas con altitudes por debajo de 1500m y con pendientes moderadas. V.
Correcciones topográficas
En la obtención de información sobre la superficie del terreno a partir de imágenes satelitales, la iluminación oblicua y una topografía irregular genera unos efectos de sombreado e iluminación que modifican la respuesta debida exclusivamente al tipo de superficie. El efecto topográfico provoca una variación de la respuesta radiométrica de la superficie inclinada frente a la de una horizontal. Esta es función de su posición (pendiente y orientación) frente a las fuentes de iluminación y observación. Otro efecto importante es el ocasionado por el ocultamiento topográfico, es decir, el sombreado producido por el entorno sobre un punto del terreno para la posición del sol en el momento de la toma de la imagen. El problema de la corrección radiométrica de los datos procedentes de un sensor multiespectral se centra, por tanto, en la determinación de la respuesta característica de los diferentes tipos de superficie manteniendo invariante el efecto debido a la topografía y posiciones del sol y del observador (Felicísimo y García-Manteca, 1990; citado en Gonzaga Aguilar, 2014). La creciente disponibilidad de modelos digitales de elevación (MDE o DEM) permite abordar con ciertas garantías esta corrección, homogeneizando la señal de la misma cobertura independientemente de la vertiente en que se encuentre (Chuvieco, 2010). Para algunas superficies, la fracción de radiación reflejada hacia el sensor depende básicamente de su orientación frente al vector solar. La modelización de esta variable puede realizarse conociendo la pendiente y orientación de cada punto de la zona, los valores de acimut y elevación solares y del observador (sensor) y la relación entre las componentes difusa y directa de la radiación solar. La componente directa de la radiación debe ser corregida en aquellas zonas donde exista ocultamiento topográfico.
26
4.5.
Características del Satélite Landsat 8 OLI
Antes de 1972, la idea de utilizar datos de satélite para la vigilancia terrestre, la cartografía o la exploración era un concepto visionario. Hecho que da origen al Programa Landsat, el cual se constituye en una serie de misiones de observación de la tierra por satélite gestionadas conjuntamente por la NASA y el Servicio Geológico de Estados Unidos (USGS). El programa Landsat ha revolucionado la forma de ver y estudiar nuestro planeta. Esta serie de datos, que se inició en 1972, es la más larga de la historia y continua registrando los cambios en la superficie terrestre desde el espacio. Landsat ha sido el único sistema de satélite diseñado y operado para observar repetidas veces la cubierta de la tierra con una resolución moderada; de manera general cada pixel en su imagen tiene un tamaño con el que se podría cubrir un campo de béisbol (Ariza, 2013). En la Imagen 2, se muestra la diferencia entre las bandas d los sensores Landsat 8 y Landsat 7. Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en Landsat 7 (USGS. 2013; citado en (Ariza, 2013).
El satélite Landsat 8 incorpora dos instrumentos de barrido: Operational Land Imager (OLI), y un sensor térmico infrarrojo llamado Thermal Infrared Sensor (TIRS). La calidad de los datos (relación de la señal en función del ruido) y la resolución radiométrica (12 bits) del OLI y TIRS es más alta que los anteriores instrumentos Landsat (8 bits para TM y ETM+), proporcionando una mejora significativa en la capacidad de detectar cambios en la superficie terrestre. Los datos de productos Landsat 8 son totalmente compatibles con todos los datos de los productos estándar a nivel 1 (ortorectificado) creados usando Landsat 1 al Landsat 7 (Ariza, 2013); como se muestra en la Tabla 3. Tabla 3. Especificaciones de Productos LDCM a Nivel 1. Fuente: (Ariza, 2013)
Procesamiento Tamaño del Pixel
Nivel 1T.Corrección Geométrica Bandas OLI multiespectrales 1-7,9: 30-metros Banda OLI pancromática 8: 15-metros
27
Características de los datos
Entrega de datos Tamaño de archivo
Bandas TIRS 10-11: tomadas en 100 metros, pero remuestreadas a 30 metros Formato de datos GeoTIFF Remuestreo por convolución cúbica (CC) Norte arriba (MAP) de orientación Proyección cartográfica: Universal Transversal Mercator (UTM) (estereográfica polar de la Antártida) Datum al Sistema Geodésico Mundial (WGS) 84 12 metros de error circular, 90% de confianza exactitud global para OLI 41 metros de error circular, 90% de confianza exactitud global para TIRS Los valores de píxel en 16 bits Archivo comprimido .Tar.gz y de descarga a través de HTTP Aproximadamente 1 GB (comprimido), aproximadamente 2 GB (sin comprimir)
Las imágenes Landsat 8 obtenidas por el sensor (OLI) y (TIRS) constan de nueve bandas espectrales con una resolución espacial de 30 metros para las bandas de 1 a 7 y 9. Una banda nueva (1) (azul- profundo) es útil para estudios costeros y aerosoles. La nueva banda (9) es útil para la detección de cirrus. La resolución para la banda 8 (pancromática) es de 15 metros. Dos bandas térmicas 10 y 11 son útiles para proporcionar temperaturas más precisas de la superficie y se toman a 100 metros de resolución (Tabla 4). El tamaño aproximado de la escena es de 170 km de norte-sur por 183 kilómetros de este a oeste (106 km por 114 km). Tabla 4. Distribución de las bandas en OLI y TIRS Landsat. Fuente: (Ariza, 2013)
Bandas
Landsat 8 Operational Land Imag er (OLI) and Thermal Infrared S ens or (TIR S )
February 11, 2013
4.6.
Banda 1 - Aerosol costero Banda 2 – Azul Banda 3 - Verde Banda 4 - Rojo Banda5 – Infrarrojo cercano (NIR) Banda 6 - SWIR 1 Banda 7 - SWIR 2 Banda 8 - Pancromático Banda 9 - Cirrus *Banda 10 – Infrarrojo térmico (TIRS) 1 *Banda 11 - Infrarrojo térmico (TIRS) 2
longitud de onda (micrómetros) 0.43 - 0.45 0.45 - 0.51 0.53 - 0.59 0.64 - 0.67
Resolución (metros) 30 m 30 m 30 m 30 m
0.85 - 0.88
30 m
1.57 - 1.65 2.11 - 2.29 0.50 - 0.68 1.36 - 1.38
30 m 30 m 15 m 30 m
10.60 - 11.19
100 m
11.50 - 12.51
100 m
Índices Espectrales de Vegetación
Es un cociente o ratio implica efectuar una división, pixel a pixel, entre los ND almacenados en dos o más bandas de la misma imagen. Los índices espectrales se utilizan ampliamente
28
en dos situaciones: 1) para mejorar la discriminación entre coberturas con comportamiento reflectivo muy distinto en esas bandas, por ejemplo para realzar suelos y vegetación en el VIS e IRC, y 2) para reducir el efecto del relieve (pendiente y orientación) en la caracterización espectral de distintas coberturas, sin embargo resulta más recomendable aplicar correcciones del sombreados topográfico, centrando el interés de estos índices en mejorar la discriminación de las coberturas vegetales y estimar algunas de sus variables biofísicas. El empleo de cocientes para discriminar masas vegetales se deriva del peculiar comportamiento radiométrico de la vegetación (Imagen 3). La vegetación sana muestra un claro contraste entre las bandas del VIS –y especialmente la banda roja (0,6 – 0,7 m ) – y el IRC (0,7 – 1,1 m ). Mientras en el VIS los pigmentos de la hoja absorben la mayor parte de la energía que reciben, estas sustancias apenas afectan al IRC. Por esta razón, se produce un notable contraste espectral entre la banda reflectividad de la banda R del espectro y la del IRC, lo que permite separar, con relativa claridad, la vegetación sana de otras de otras coberturas (Chuvieco, 2010). Imagen 3. Comportamiento de la vegetación en el espectro electromagnético. Fuente: (Gonzaga Aguilar, 2014)
Cuando la vegetación sufre algún tipo de estrés (por ejemplo, por plagas o sequias intensas), su reflectividad será inferior en el IRC, aumentando paralelamente en el rojo (al tener menor absorción clorofílica) con lo que el contraste entre ambas será mucho menor. Cuanto mayor sea la diferencia entre reflectividadades de la banda IRC y R, mayor vigor vegetal presentará la cobertura observada.(Chuvieco, 2010) Bajos contrastes indican una vegetación enferma, senescente o con poca densidad, hasta llegar a los suelos descubiertos o al agua, que representan una reflectividad muy similar entre el IRC y el R, o incluso inferior en esta última (caso del agua o las nubes). 29
4.6.1. Comportamiento espectral de la vegetación en el espectro óptico. Imagen 4. Factores que explican la reflectividad de la hoja. Fuente (Martínez, 2016)
La caracterización espectral de las masas vegetales tienen notables dificultades debido a los factores que influyen en la radiancia que detecta el sensor (Chuvieco, 2010). Los factores se pueden dividir en 3 grandes grupos: I.
Los relacionados con la reflectividad de la hoja: presencia de pigmentos, la estructura celular y el contenido de humedad son los más destacados.
II.
Las características geométricas de la planta, principalmente su área foliar, la forma de sus hojas, su distribución en la planta, la geometría del dosel, la importancia del componente leñosos, etc.
III.
Los aspectos derivados de la situación geográfica de la planta: pendiente, orientación, asociación con otras especies, reflectividad del sustrato, geometría de plantación, condiciones atmosféricas, etc.
La baja reflectividad en la porción visible del espectro se debe al efecto absorbente de los pigmentos de la hoja, principalmente las clorofilas, xantofilas y carotenos. Todos ellos absorben en la banda del espectro situado en entorno a los 0.445um, mientras la clorofila representa una segunda banda de absorción en torno a los 0.645um, en donde el efecto absorbente es menor. Por esta causa el aparece un pico relativo de reflectividad que coincide con la banda verde del espectro visible, y causa el color con el que nuestros ojos perciben la vegetación vigorosa.(Chuvieco, 2010) Cuando se aproxima la caída otoñal de las hojas, la clorofila ejerce una menor influencia, lo que explica su mayor reflectividad en la banda roja y, en definitiva, su color amarillento (verde + amarillo). La elevada reflectividad en el infrarrojo cercano se debe, por un lado, a la baja Absortividad de las clorofilas, y, por otro, a la estructura celular interna de las hojas (Imagen 4). La hoja se compone, en esencia de cuatro capas: la epidermis superior e inferior, el parénquima en empalizada y el mesófilo esponjoso. Las dos primeras juegan un importante papel en la
30
regulación térmica de la planta y su absorción de CO 2. El parénquima alberga los cloroplastos, mientras en el mesófilo tienen lugar los intercambios gaseosos necesarios para la respiración de la planta. Debido a ello cuentas con unas cavidades de aire internas, que dispersan la mayor parte de la radiación incidente en el NIR (Gates et al, 1965; Horler et al, 1983; citado en Chuvieco, 2010). Por ello la hoja sana ofrece una alta reflectividad en esta banda, en claro contraste con la baja reflectividad que presenta en el espectro visible, especialmente en la banda roja; puesto que la estructura de la hoja es muy variada según las especies, esta banda también resulta idónea para discriminar entre plantas, incluso entre aquellas que o podrían separarse en el espectro visible. Cualquier fuente de estrés en la vegetación mostrará en un comportamiento espectral diferente a los parámetros generales. La hoja senescente o enferma tiende a perder actividad clorofílica y, en consecuencia, a ofrecer una menor Absortividad en las bandas azul y roja del espectro visible. El aumento consecuente de la reflectividad en estas bandas elimina el máximo relativo antes situado en el verde, por lo que la hoja tiende a mostrar un color amarillento. Por el contrario, en el NIR se produce una reducción de la reflectividad, como consecuencia del deterioro de la estructura celular de hoja, por lo tanto la curva espectral se hace más plana, menos cromática (Jackson et al, 1986; Knipling, 1970; Murtha, 1978 citado en Chuvieco, 2010). A partir de 1,4 um el efecto absorbente del agua es muy claro, por lo que la reflectividad de la vegetación sana se reduce drásticamente en el SWIR. En el NIR y SWIR donde la absorción del agua es más clara, se sitúan dos picos relativos de reflectividad, en torno a 1,6 um y 2,2 um. Esta clara relación entre bandas, permite determinar aquellas zonas afectadas por el estrés hídrico (Ceccato et al., 2001; Hunt & Rock, 1989; Zarco-Tejada et al., 2003; citado en Chuvieco, 2010) Otros factores que afectan la caracterización espectral de la vegetación son: la geometría de la planta, los ángulos de observación e iluminación, y las características del sustrato. El factor más destacado es la proporción hoja-suelo, siendo la reflectividad de la planta similar a la de la hoja cuando la cobertura es elevada y el ángulo de observación tiende a ser cenital. El índice de área foliar (LAI), se utiliza frecuentemente ya que hace referencia a la productividad neta de la planta. El LAI se relaciona con el grado de cobertura verde del suelo (PV), hasta un cierto nivel de saturación (100% PV). Ese valor crítico se alcanza cuando el LAI se sitúa entre 3 y 6, según los ecosistemas. A partir de ahí se puede seguir aumentando el LAI, aunque el PV ya se mantenga estable, como consecuencia del apilamiento vertical de las hojas (Seller, 1987; citado en Chuvieco, 2010). Como principio genérico se afirma que, cuanto mayor sea el contraste entre las bandas del R y NIR, mayor será la cobertura vegetal y/o el vigor de la vegetación, y más clara será su discriminación frente a otro tipo de coberturas.(Chuvieco, 2010).
31
4.6.2. Clasificación de los Índices de Vegetación Numerosos índices de vegetación fueron construidos y utilizados durante los últimos cuarenta años (Bannari, Morin, Huete, & Bonn, 1995). Algunos forman expresiones muy básicas (diferencia simple o proporción simple) o fórmulas muy complejas; es habitual clasificarlos de acuerdo a familias de índices, si se tienen en cuenta los factores externos a la cobertura vegetal, tales como la influencia de la atmósfera, la contribución espectral del suelo, el contenido de agua plantas (índices de sequía), etc.(UVed, 2016). En la Imagen 5 se muestra una clasificación de los índices de vegetación en función de la influencia sobre estos.
Imagen 5. Clasificación de los Índices de Vegetación. Fuente: Adaptado de (UVed, 2016)
I.
Índices S imples. Los índices de vegetación más simples se basan en operaciones aritméticas entre dos bandas espectrales, por lo general la banda del Rojo e Infrarrojo cercano, también se efectúan operaciones entre las bandas SWIR y NIR. Dentro de este podemos encontrar el Índice de Vegetación de Diferencia Normalizada (Rouse & Haas, 1973), el Índice de Diferencia de Vegetación (Bacour, Breon, & Maignan, 2006), el Índice de Proporción de la Vegetación (Krieger, Malila, Nalepka, & Richerdson, 1969), el índice de Estrés Hídrico (Hunt & Rock, 1989), el Índice de Diferencia Normalizada de Agua (Gao, 1996), entre otros.
II.
Índices que Tienen en Cuenta la Influencia del S uelo. Estos índices se han propuesto con el fin de corregir o al menos reducir la influencia del fondo del suelo - subyacente a la cobertura vegetal en la señal medida por el sensor satelital. Se han desarrollado tres tipos de índices: 1) índices ortogonales (tales como el índice de vegetación perpendicular – PVI (Richardson & Wiegand, 1977)), caracterizado por la distancia perpendicular entre un punto que representa la cobertura vegetal en el espacio multiespectral Rojo / NIR y el suelo. 2) índices derivados de la formulaci ón del NDV I (como índice de vegetación ajustado por el suelo – SAVI (Huete, 1988)). 3) índice categ oría combina los dos tipos anteriores . Este es el
32
caso de los índices TSAVI (Baret, Guyot, & Major, 1989) y MSAVI (Qi, Chehbouni, Huete, Kerr, & Sorooshian, 1994).
III.
Índices que Tienen en Cuenta la Influencia de la Atmósfera. Los gases y los aerosoles en la atmósfera afectan a la radiación electromagnética a través del proceso de difusión y absorción. La difusión (dispersión de Rayleigh) siendo más selectivos en el espectro visible a la longitud de onda corta (azul) y grande (rojo), la corrección se basa a menudo en la diferencia entre las bandas espectrales azules y rojo. Como el Índice de Vegetación Resistente a la Atmósfera (Kaufman & Tanré, 1992), y el Índice Global de Monitoreo Ambiental (Pinty & Verstraete, 1992), entre otros.
IV.
Índices que Tienen en Cuenta la Influencia del Suelo – A tmósfera. Mediante la combinación de los índices mostrados anteriormente, incluyendo el SAVI, y ARVI, es posible obtener pistas que permiten corregir los efectos combinados del suelo y la atmósfera, como el (EVI) índice de vegetación mejorado (Huete, Justice, & van Leeuwen, 1999).
5. DESCRIPCIÓN GENERAL DEL ÁREA DE ESTUDIO La zona de estudio se encuentra dentro de la jurisdicción del Parque Nacional Natur al Sierra Nevada de Santa Marta (PNN SNSM), en la región caribe colombiana, en el departamento de Magdalena, en los municipios de Santa Marta, Ciénaga y Aracataca. Tiene coordenadas máximas al norte 1.235.767,868 metros; al sur 1.189.524,614 metros; al oriente 646.263,477 metros; y al occidente 608.096,301 metros; en el sistema de coordenadas geográficas MAGNA-SIRGAS (Datum: Magna). Imagen 6. Mapa de la zona de estudio Tayrona. Fuente: (Arenas & Nieto, 2015)
33
5.1.
Clima
La zona de estudio, se caracteriza por estar ubicada en la región litoral montañosa más grande del mundo y posee todos los pisos térmicos desde cálido húmedo hasta nieves perpetuas. Su temperatura oscila entre temperaturas cercanas e incluso inferiores a las 0°C hasta los 38°C (Arenas & Nieto, 2015). Se presentan climas desde el semiárido a superhúmedo en las regiones de vida tropical y sub-andina. Las regiones de vida andina y parte de las localidades de la región sub-andina presentan climas intermedios de semi-seco a muy o moderadamente húmedos. Al igual que en la serranía de Perijá, la posición que tiene con respecto a los numerosos cuerpos de agua de la zona cenagosa del bajo Magdalena, determinan los regímenes (unimodal o bimodal) y volúmenes de precipitación anuales (entre 600 y 3800 mm), los cuales tienen una gran variación espacial pero son similares dependiendo de la vertiente de la sierra (Rangel-Ch & Carvajal-Cogollo, 2012). El flanco noroccidental de la SNSM, en el departamento del Magdalena se presenta un régimen de distribución de lluvias unimodal biestacional, climas secos y moderadamente húmedos. En el flanco noror iental de la SNSM, en los departamentos del Cesar y La Guajira (ríos Cesar y Ranchería) el régimen de distribución de lluvias de tipo bimodal tetra estacional, dominado por climas semiáridos y semi secos (Rangel-Ch & Carvajal-Cogollo, 2012). Los dos regímenes de distribución de lluvias en la Sierra se explican por el efecto abrigo el cual se da por la oposición al paso de los vientos alisios que soplan del norte y del nordeste principalmente, que conllevan a que los flancos norte y noreste de la Sierra presentan mayor nubosidad y los bordes orientales y de los valles Ranchería y Cesar sean secos (Van der Hammen, 1984; citado en Rangel-Ch & Carvajal-Cogollo, 2012). 5.2.
Hidrografía:
La alta precipitación sobre las zonas medias y altas de la Sierra hacen de este sistema orográfico una estrella hidrográfica de muy alto rendimiento, conformada por treinta y cinco ríos principales de los cuales 16 nacen en el parque, con un caudal de cerca de diez mil millones de metros cúbicos de agua al año. Estas aguas son las únicas fuentes para las extensas zonas áridas de las planicies que rodean el macizo, además, son las que garantizan el funcionamiento de los sistemas estuarios y lacustres (Balaguera et al., 2005). Las corrientes de agua que bajan desde las Sierra Nevada de Santa Marta son los Ríos Piedras, Buritaca, Don Diego, Don Dieguito, Giacharaca, Palomino y Tucurinca, así como las Quebradas Nuanaisí, Naculundicue, Mancuamalis y La Leona. En su límite norte se encuentra el Mar Caribe en el cual la mayoría de los cuerpos de agua mencionados vierten sus aguas. Gran parte de la humedad que traen los vientos es captada en forma de lagunas y de glaciares (Arenas & Nieto, 2015).
34
5.3.
Coberturas vegetales y ecología de la Sierra Nevada de Santa Marta.
5.3.1. Biomas Debido a las características geográficas, climáticas y geomorfológicas en el Parque se encuentran representados en muy bajas proporciones los Biomas Azonales Halohelobiomas, y en un amplio rango seis biomas zonales de los ocho presentes en la Sierra: Zonobioma Húmedo Ecuatorial, Zonobioma Tropical Alternohídrico, Orobioma de Selva Subandina, Orobioma de Selva Andina, Orobioma de Páramo y Orobioma Nival. (Tabla 5) Tabla 5. Características de los biomas del SNSM. Fuente: (Balaguera et al., 2005)
Bioma Zonobioma Húmedo Ecuatorial
Zonobioma Tropical A lternohídrico
Orobioma de S elva S ubandina Orobioma de S elva A ndina Orobioma de Páramo
Orobioma Nival
Características Selvas húmedas de piso isomegatérmico, donde la cantidad de lluvias condiciona la presencia de vegetación higrofítica y subhigrofítica, presentando un follaje perenne en la mayoría de las plantas leñosas. Se encuentra principalmente en la vertiente norte de la Sierra, entre los ríos Palomino y Mendihuaca hasta aproximadamente 1000 msnm. Bosques del piso isomegatérmico en áreas con un período seco que puede prolongarse hasta por 6 meses, tiempo durante el cual la mayoría de sus árboles pierden el follaje. Se halla en el extremo nororiental de vertiente norte de la Sierra y al occidente de Santa Marta Selvas de piso isomesotérmico con nieblas frecuentes que elevan la humedad ambiental, su vegetación es arbórea higrofítica y subhigrofítica de media montaña. Lo conforma una vegetación densa, siempreverde y húmeda o subhúmeda, localizada en las tres vertientes de la Sierra entre los 1000 y 2300 msnm dependiendo de las condiciones de cada una. Selvas higrofíticas y subhigrofíticas de piso isomesotérmico e isomicrotérmico con nieblas frecuentes y cobertura densa. Se localiza en las tres vertientes entre los 2300 y 3500 msnm. Vegetación arborescente, arbustiva o herbácea desarrollada en tierras de piso oligotérmico, por encima del nivel del bosque y por debajo de las nieves permanentes. Son predominantes las gramíneas y leñosas de porte bajo. Se localiza principalmente entre los 3500 y 4800 - 5000 msnm. Vegetación características de criptógamas y hierbas rasantes escasas ocasionalmente en grietas abrigadas. Se localiza en áreas coberturas permanentemente por nieve, por encima de los 5000 msnm.
35
I.
Orobioma bajo de la Sierra Nevada de Santa Marta y Macuira
Este Orobioma abarca una extensión de 994.633 ha y en él se dan climas cálido seco (35%), templado seco (28%), cálido árido (15%) y templado húmedo (13%). El 69% del área del orobioma está ubicado sobre la unidad geomorfológica de montaña fluviogravitacional y el 31% sobre montaña estructural erosional. En este orobioma predominan las siguientes coberturas de la tierra: vegetación secundaria (33%), bosques naturales (32%), pastos (14%), arbustales (8%) y herbazales (7%). (IDEAM et al., 2007) II.
Orobioma medio de la Sierra Nevada de Santa Marta
Con una extensión de 174.149 ha, este orobioma presenta climas frío húmedo (44%), frío muy húmedo (42%) y frío seco (14%). El 79% del área del orobioma se encuentra en la unidad geomorfológica de montaña fluviogravitacional, el 17% sobre montaña estructural erosional y un 4% sobre montaña glaciárica. Predominan las siguientes coberturas de la tierra: bosques naturales (59%), áreas agrícolas heterogéneas (20%), herbazales (11%) y pastos (5%) (IDEAM et al., 2007) III.
Orobioma alto de la Sierra Nevada de Santa Marta
Este orobioma abarca una extensión de 157.621 ha y cuenta con climas extremadamente frío seco (40%), muy frío seco (36%), muy frío húmedo (15%) y nival seco (7%). El 79% del área del orobioma está sobre la unidad geomorfológica de montaña glaciárica, y el 20% en montaña fluviogravitacional. En este orobioma predominan las siguientes coberturas de la tierra: herbazales (71%), bosques naturales (10%), arbustales (10%) y zonas desnudas (sin o con poca vegetación) (5%). (IDEAM et al., 2007) 5.3.2. Biomas y ecosistemas predominantes Para la región Caribe de Colombia se diferenciaron 54 ecosistemas que se distribuyen de acuerdo con el ordenamiento ecogeográfico de Rangel (2012), como se muestra en la Tabla 6. Tabla 6. Diferenciación de ecosistrmas de la Sierra Nevada de Santa Marta según la distribución ecogeográfica de Rangel. Fuente: Adaptado de (Rangel-Ch, 2012)
Ecosistema de los bosques de Zygia longifolia y Virola sebifera
S ubreg ión con zonas semihúmedas y húmedas
Sierra Nevada Macizos de Santa Marta
Ecosistema de los bosques de Gustavia speciosa y Tovomita weddelliana Ecosistema de los bosques de Myrcianthes terni-folia y Weinmannia pinnata Ecosistema de los matorrales y herbazales con Hypericum stenopetalum, Luzula peruviana y Calamagrotis effusa
36
Ecosistema de los matorrales de Obtegomeria caerulescens y Lachemilla polylepis Ecosistema de los pajonales-herbazales de Ranunculus spaniophyllus y Calamagrostis effusa
Tabla 7. Área de los biomas de la zona de estudio. Fuente: Autor
Bioma
rea (ha)
Porcentaje
Orobioma alto de Santa Marta
31691.27
40.76
Orobioma medio de Santa Marta
28112.80
36.16
Orobioma bajo de Santa Marta y Macuira
17944.81
23.08
Total
77748.88
100.00
Tabla 8. Área de las coberturas vegetales presentes en la zona de estudio. Fuente: Autor
Código 231
Cobertura de la Tierra Pastos limpios
Área (ha) 820.90
Porcentaje 1.06
242
Mosaico de pastos y cultivos
217.27
0.28
243
Mosaico de cultivos pastos y espacios naturales
4221.88
5.43
244
Mosaico de pastos con espacios naturales
1615.14
2.08
245
Mosaico de cultivos y espacios naturales
101.07
0.13
311
Bosque denso
60117.32
77.35
312
Bosque abierto
232.59
0.30
313
Bosque fragmentado
6891.83
8.87
321
Herbazal denso
226.54
0.29
322
Arbustal
1474.58
1.90
323
Vegetación secundaria o en transición
1798.66
2.31
Total
77717.79
100.00
37
Imagen 7. Distribución de los biomas y las coberturas de la tierra en la zona de estudio. Fuente: Autor
38
A continuación se detalla la Descripción de los ecosistemas de la Sierra Nevada de Santa Marta elaborada por Rangel-Ch (2012): I.
Ecosistema de los bosques dominados por Zyg ia long ifolia y Virola sebifera (Van der Hammen 1994 citado en Rangel-Ch, 2012) a) Fisionomía - composición: El esqueleto vegetal incluye palmares mixtos y bosques con elementos hasta 35 m de altura. En el estrato arbóreo (80% de cobertura), las especies dominantes son Virola sebifera, Cedrela mexicana, Ficus macrosyce y Guarea guidonia. En el sotobosque dominan Zygia longifolia, Cyathea pungens, Conostegia icosandra. Las especies características son Virola sebifera, Zygia longifolia, Monstera dilacerata , Chrysophyllum auratum, Rhodospatha latifolia, Cedrela mexicana, Ficus macrosyce, Miconia biappendiculata, Palicourea crocea, Peperomia rotundifolia, Saurauia laevigata, Hirtella americana, Renealmia mexicana, Calathea insignis, Vismia baccifera, Cissus trifolia, Nectandra discolor y Turpinia heterophylla. Es factible diferenciar dos variantes de acuerdo con el tipo de bosque, la de lo palmares mixtos de Zygia longifolia y Dictyocaryum lamarckianum (Zygio longifoliae - Dictyocaryetum lamarckianum) y la de los bos-ques de Poulsenia armata y Persea americana (Poulsenio armatae - Perseetum americanae) 5. b) Flora: se tienen registros de 23 especies, 23 géneros de 18 familias. Las familias más ricas son Araceae (2), Melastomataceae (2), Meliaceae (2) y Rubiaceae (2). Entre las especies más impor tantes figuran Saurauia laevigata, Rhodospatha latifolia, Hirtella americana, Nectandra discolor, Conostegia icosandra, Miconia biappendiculata, Cedrela mexicana, Guarea guidonia, Ficus ma crosyce, Palicourea crocea, Psychotria limonenses, Turpinia heterophylla y Cyathea pungens. c) Fauna: En anfibios se tiene el registro de Dendrobates truncatus. En mamíferos de Heteromys anomalus, Artibeus lituratus, Lonchophylla robusta, Phyllostomus discolor, Phyllostomus hastatus, Platyrrhinus dorsalis, Platyrrhinus helleri, Platyrrhinus nigellus, Sturnira ludovici, Didelphis marsupialis, Microryzomys minutus, Sigmodon hirsutus. Entre las especies de reptiles figuran Anolis solitarius, Bachia bicolor, Amphisbaena fuliginosa, Atractus sanctaemartae, Drymobius rhombifer, Imantodes cenchoa, Liophis epinephelus y Bothrops asper . d) Suelos: Espesor horizonte 0: 25 cm; Carbono orgánico, 8.5%. Mull (C/N aprox. 10); pH 5-6. La temperatura de suelo se estabiliza aproximadamente a 40 cm. Proceso morfo-climáticos: meteorización, disección, remoción en masa. e) Clima: Temperatura media anual entre 21º y 25º C. Precipitación estimada 28004000 mm. Régimen de distribución de las lluvias de tipo bimodal-tetraestacional, dos períodos lluviosos de tres meses de duración, el mayor entre septiembre y
5
Citado en (Rangel-Ch, 2012)
39
noviembre y el segundo entre marzo y mayo. Las épocas de lluvias bajas van desde diciembre hasta febrero y desde junio hasta agosto. f) Amenazas-conservación: El estado de conservación en los sitios ocupados por los bosques de Zygia longifolia y Dictyocaryum lamarckianum es regular y aceptable en los de Poulsenia armata y Persea americana. La matriz circundante es potrero y bosque. La categoría de amenaza es NT. g) Distribución: Departamento del Magdalena: Flanco norte de la Sierra Nevada de Santa Marta transecto de Buritaca entre 500 y 1100 m de altitud. II.
Ecosistema de los bosques de Gustavia speciosa y Tovomita weddelliana (Van der Hammen 1994; citado en Rangel-Ch, 2012) a) Fisionomía - composición: El estrato arbóreo alcanza hasta 35 m en la franja inferior de la zona y entre 20-25 m en la franja superior. Entre las especies características se encuentran a Gustavia speciosa, Tovomita weddelliana, Alchornea triplinervia, Hyeronima glabra, Chamaedorea pinnatifrons y Dictyocaryum lamarckianum. Entre las especies dominantes aparecen Dictyocaryum lamarckianum con individuos de 30 m de altura; Calatola costaricensis y Tibouchina cf. bipenicillata. b) Se diferencian dos variantes de acuerdo con el tipo de vegetación, así, la de los bosques dominados por Cavendishia callista y Tovomita weddelliana (Cavendishio callistae - Tovomitetum weddellianae) y la de los bosques de Calatola costaricensis - Dictyocaryum lamarckianum (Calatolo costari-censis - Dictyocaryetum lamarckiani). c) Flora: Se tienen registros de 11 especies, 11 géneros y ocho (8) familias. Las familias más ricas son Arecaceae (3), Rubiaceae (2) y Euphorbiaceae (1). Entre las especies más importantes figuran Hieronyma alchorneoides, Dictyocaryum lamarckianum, Ficus trigona, Tibouchina cf. bipenicillata, Chamaedorea pinnatifrons y Gustavia speciosa. d) Fauna: En reptiles se tiene los registros de Anolis solitarius, Bachia bicolor, Amphisbaena fuliginosa, Atractus sanctaemartae, Drymobius rhombifer, Imantodes cenchoa, Liophis epinephelus, Bothrops asper. En mamíferos se cuenta con los registros de Artibeus jamaicensis, Carollia perspicillata y Platyrrhinus vittatus. e) Suelos: Espesor horizonte 0 en parte baja 2.5 cm. Carbono orgánico; aproximadamente 10-20%. Mor/Moder (C/N 15->25); pH 4-5. Capa de raíces superficiales bien desarrollada. Profundidad a la cual se estabiliza la temperatura del suelo aprox. 40 cm. Proceso morfo climático: meteorización, disección, remoción en masa. f) Clima: Temperatura media 13º y 21º C. Precipitación estimada: mayor de 2700 mm anuales. Humedad relativa alta. Estación húmeda larga; número de meses secos 140
4. La precipitación total anual es mayor a 2700 mm. El régimen de distribución de las lluvias es de tipo unimodal-biestacional. Los meses con mayor pluviosidad son septiembre y octubre con promedios de 400 y 380 mm respectivamente. El período de menor precipitación está entre diciembre y abril, enero presenta el menor promedio de lluvias. g) Amenazas-conservación: El estado de conservación es aceptable, especialmente en las localidades con la vegetación de Cavendishia callista - Tovomita weddelliana y los bosques de Calatola costaricensis - Dictyocaryum lamarckianum . La matriz circundante es bosque y asentamientos indígenas. La categoría de amenaza es NT. h) Distribución: Filo y cuenca del río Buritaca, entre 1150 m y 2500 m aproximadamente. Ocupan las laderas abruptas y generalmente muy pendientes del filo Buritaca. La inclinación promedio es de 30°, los suelos son arcillosos y de color marrón. III.
Ecosistema de los bosques de Myrcianthes ternifolia y Weinmannia pinnata (Rangel-Ch, 2012) a) Fisionomía - composición: Formaciones boscosas con elementos de 8 m en la franja alta y 15-20 m en la baja. Entre las especies caracterís-ticas en los estratos altos se encuentran a Clusia multiflora, Cybianthus iteoides, Oreopanax fontquerianum, Paragynoxys undatifolia, Persea mutisii, Podocarpus montanus, Myrsine ferruginea, Ternstroemia camelliaefolia, Vernonia uniflosculosa , Viburnum cf. tinioides. Otras especies asociadas son Myrcianthes ternifolia, Chaetolepis santamartensis, Diplostephium rosmarinifolium, Hesperomeles ferruginea, Hedyosmum cf. glabratum, Weinmannia pinnata, Daphnopsis crispotomentosa, Turpinia heterophylla, Freziera nervosa, Ceroxylon ceriferum, Escallonia fl oribunda, Myrica pubescens y Prunus aff. muris . Se presentan dos variantes de acuerdo con el esqueleto vegetal, bosques de Chaetolepis santamartensis y Myrcianthes ternifolia (Chaetolepido santamartensis - Myrcianthetum ternifoliae) y la de los bosques de Clusia multiflora y Weinmannia pinnata (Clusio multiflorae Weinmannietum pinnatae).
b) Flora: Se tienen registros de 24 especies, 22 gé-neros de 18 familias. Las familias más ricas son Asteraceae (3), Myrtaceae (3), Melastomataceae (2) y Theaceae (2). Entre las especies más importantes figuran Berberis glauca, Citharexylum mirifolium, Clusia multiflora, Cybianthus iteoides, Hesperomeles ferruginea, Myrsine
ferruginea, Oreopanax fontquerianum, Paragynoxys undatifolia, Roupala montana, Ternstroemia camelliaefolia y Viburnum tinioides. c) Fauna: En anfibios están registradas las siguientes especies Ceratophrys calcarata, Rhinella marina, Dendropsophus microcephalus, Hypsiboas pugnax, Scarthyla vigilans, Scinax rostratus, Scinax ruber, Engystomops pustulosus, Pleurodema brachyops, Pseudopaludicola pusilla, Leptodactylus fragilis, Leptodactylus insularum y Chiasmocleis panamensis.
41
En reptiles Gonatodes albogularis, Gonatodes vittatus, Lepidoblepharis sanctaemartae, Thecadactylus rapicauda, Anolis auratus, Anolis onca, Anolis tropidogaster , Basiliscus iguana, Mabuya zuliae, Ameiva, Ameiva bifrontata, Bachia bicolor, Bachia talpa, Cnemidophorus lemniscatus, Tretioscincus bifasciatus, Drymarchon
melanurus,
Enulius
flavitorques,
Leptodeira
annulata,
Liophis
melanotus, Stenorrhina degenhardtii y Porthidium lansbergii .
d) Suelos: Horizonte 0: 10-20 cms; Carbón orgánico 20-30%. Mor/Moder (C/N 15 hasta >25); pH aprox. 4. Capa de raíces superficiales bien desarrollada. La temperatura del suelo se estabiliza a 10 cm de profundidad. En las condiciones del suelo hay varias características de transición hacia el páramo (Van der Hammen, 1994)6. e) Clima: Temperatura media que fluctúa entre 8º C (partes altas) y 13º C (partes bajas). Precipitación estimada mayor de 2800. El régimen de distribución de las lluvias es de tipo unimodal-biestacional. Los meses con mayor pluviosidad son agosto y septiembre con promedios cercanos a los de 400 mm. El período de menor precipitación está entre diciembre y abril; enero presentó el menor prome-dio de lluvias. f) Amenazas-conservación: El estado de conservación es aceptable, especialmente en los sitios del Chaetolepis santamartensis - Myrcianthes ternifolia y en los bosques de Clusia multiflora - Weinmannia pinnata. La matriz circundante es bosque; no presenta categoría de amenaza g) Distribución: Magdalena en el flanco Norte, de condición húmedo de la Sierra Nevada de Santa Marta entre 2450 y 3500 m filo Buritaca
IV.
Ecosistema de los matorrales y herbazales con Hyperic um stenopetalum, L uzula peruviana y Calamagr otis effusa (Rangel-Ch, 2012) a) Fisionomía - composición: Pajonales, matorrales bajos, frailejonales bajos o arborescentes y herbazales, con Stevia lucida, Calamagrostis effusa, Arcytophyllum nitidum, Pernettya prostrata e Hypericum stenopetalum como especies características. b) Flora: Se tienen registros de 36 especies, 30 géneros, 15 familias. Las familias más ricas son Asteraceae (10), Ericaceae (5) e Hypericaceae (4). Entre las especies más importantes figuran Achyrocline satureioides, Ageratina gracilis, Arcytophyllum nitidum, Bejaria nana, Conyza popayanenses, Geranium sibbaldioides, Hypericum
6
Citado en (Rangel-Ch, 2012)
42
magdalenicum, Libanothamnus occultus, Obtegomeria caerulescens, Ranunculus fl agelliformis y Vaccinium floribundum.
c) Suelos: Tipo/zona de suelo 4. Presentan cripto-podzolización fuerte. Horizonte 0: aprox. 0 cm; C orgánico 10-15% Mull/Moder (C/N 10-20); pH 5-5.5. La temperatura debajo de la superficie relativamente alta (raíces); encima de la superficie, las hojas muertas de gramíneas puede formar un tapiz continuo (Van der Hammen 1994) 8. d) Clima: Temperatura media varía entre 4º C y 18º C (aproximadamente 3300->4100 m). Precipitación. Monto anual de lluvias cercano a los 2000 mm y un promedio mensual de 168 mm; el régimen de distribución de lluvias es de tipo bimodaltetraestacional; los períodos de mayor pluviosidad se presentan entre mayo y junio y desde agosto hasta noviembre. Los períodos secos van de diciembre hasta abril y el mes de julio, febrero es el mes más seco (32 mm). El clima según Thornthwaite es ARC’2, superhúmedo sin deficiencia de agua a lo largo del año, con temperaturas microtermales. Humedad relativa alta, heladas nocturnas frecuentes. Estación húmeda larga. e) Distribución: Magdalena, PNN Sierra Nevada de Santa Marta vertiente S, municipio Ar acataca, flanco S de la cuchilla Cinturuagaca, 3300-3850 m: valle del río Duriameina, 3300-3600 m; alrededores de El Balcón (filo) de Bellavista, 3700 3850 m. V.
Ecosistema de los matorrales de Obtegomeria caerulescens y Lachemilla polylepis (Rangel-Ch, 2012) a) Fisionomía - composición: Pajonales arbustivos y frailejonales-matorrales con pajonales; entre las especies características aparecen Festuca cf. sanctaemartae, Obtegomeria caerulescens, Libanothamnus occultus, Ageratina funckii, Laennecia schiedeana, Ageratina gracilis, Geranium sibbaldioides, Baccharis prunifolia var . sierrana, Valeriana karstenii y Hesperomeles obtusifolia . Entre las especies dominantes fi Entr Lachemilla polylepis, Hypericum stenopetalum y Calamagrostis effusa (Pinto & Rangel, 2010) 9. b) Flora: Se tienen registros de 36 especies, 30 gé-neros de 15 familias. Las familias más ricas son Asteraceae (10), Ericaceae (5), Hypericaceae (4), Rosaceae (3) y Poaceae (2). Entre las especies más importantes figuran Achyrocline alata, Ageratina funckii, Calamagrostis effusa, Hesperomeles obtusifolia, Niphogeton dissecta, Orthrosanthus chimboracensis, Satureja andrei y Valeriana karstenii c) Fauna: En anfibios aparecen los registros de Rhinella humboldti, Rhinella humboldti, Rhinella humboldti, Dendropsophus microcephalus y Relictivomer pearsei. En reptiles se cuenta con Lepidoblepharis sanctaemartae, Gonatodes vittatus,
8 9
Citado en (Rangel-Ch, 2012) Citado en (Rangel-Ch, 2012)
43
Polychrus gutturosus, Ameiva, Ameiva bifrontata, Anadia altaserrania, Cnemidophorus lemniscatus, Imantodes cenchoa, Leptophis ahaetulla y Pseudoboa neuwiedii.
d) Clima: La precipitación anual es del orden de 1100 mm; el régimen de distribución es de tipo bimodal tetraestacional. Los periodos lluviosos van entre mayo y junio y entre agosto y noviembre. Octubre es el mes más lluvioso. Los periodos secos comprenden desde diciembre hasta abril y es igualmente seco julio. e) Distribución: Magdalena, PNN Sierra Nevada de Santa Marta vertiente S, municipio Aracataca, flanco S de la cuchilla Cinturuagaca, 3300 -3850 m. Valle del río Duriameina, 3300-3600 m; alrededores de El Balcón (filo) de Bellavista, 3700 3850 m. VI.
Ecosistema de los pajonales-herbazales de Ranunculus spaniophyllus y Calamagr ostis effusa (Rangel-Ch, 2012) a) Fisionomía - composición: Pajonales densos y abiertos dominados por Calamagrostis effu-sa. Entre las especies características figuran Ranunculus spaniophyllus, Agrostis tolucen-sis, Draba cheiranthoides, Niphogeton dissecta, Cortaderia bifida, Lupinus cf. carrikeri, Carex aff. livida, Valeriana plantaginea, Ca rex sanctae-marthae, Chionolaena chrysocoma, Perissocoeleum purdiei, Erigeron raphaelis, Hypericum jaramilloi y Luzula racemosa . Según el tipo de vegetación es posible diferenciar las siguientes variantes: herbazal de Draba cheiranthoides y Calamagrostis effusa (Drabo cheiranthoidis Calamagrostietum effusae), pastizal de Perissocoelum purdiei y Calamagrostis effusa (Perissocoeleo purdiei -Calamagrostietum effusae). b) Flora: Se tienen registros de 44 especies, 40 géneros de 22 familias. Las familias más ricas son Asteraceae (14), Poaceae (4), Apiaceae (3), Cyperaceae (2) y Ericaceae (2). Entre las especies más importantes figuran Azorella crenata, Perissocoeleum purdiei, Chionolaena chrysocoma, Diplostephium inesianum, Gnaphalium antennarioides, Pentacalia schultzei, Draba cheiranthoides, Hypericum jaramilloi, Myrsine dependens, Agrostis tolucensis, Prumnopitys montana y Symplocos nivalis.
c) Fauna: En anfibios se han registrado a Eleutherodactylus cristinae, E. delicatus, E. insignitus, E. megalops, E. prolixodiscus, E. ruthveni, E. sanctaemartae, E. tayrona, E. wnigrum, Geobatrachus walkeri, Atelopus carrikeri, Atelopus laetissimus, Atelopus nahumae, Atelopus walkeri, Centrolene tayrona, Colostethus ruthveni, Dendrobates truncatus, Cryptobatrachus boulengeri, Cryptobatrachus ruthveni, Bolitoglossa savagei . En reptiles a Anolis solitarius, Bachia bicolor, Liotyphlops albirostris, Tricheilostoma macrolepis, Atractus sanctaemartae, Drymobius rhombifer, Erythrolamprus bizonus, Imantodes cenchoa, Liophis epinephelus,
44
Liophis melanotus, Mastigodryas boddaerti, Tantilla melanocephala, Micrurus mipartitus, Bothrops asper y a Anolis umbrivagus.
d) Suelos: Horizonte 0: Carbón orgánico 10-15% Mull/Moder (C/N 10-20); pH 5-5.5. e) Clima: Temperatura media varía entre 4º C y 8º C; monto anual de lluvias mayor a 2000 mm y un promedio mensual de 175 mm, el régimen de distribución de lluvias es de tipo bimodal tetraestacional; los períodos de mayor pluviosidad se presentan entre mayo y junio y desde agosto hasta noviembre. Los períodos secos van de diciembre hasta abril y el mes de julio, febrero es el mes más seco El clima según Thornthwaite 10 es ARC’2, superhúmedo sin deficiencia de agua a lo largo del año, con temperaturas microtermales. f) Amenazas-conservación: El estado de conservación es aceptable, especialmente en las localidades con la vegetación de Draba cheiranthoides - Calamagrostis effusa e igualmente en los de Perissocoelum purdiei y Calamagrostis effusa . La matriz circundante es vegetación de páramo; no presenta categoría de amenaza. g) Distribución: Magdalena, PNN Sierra Nevada de Santa Marta vertiente NW, límite entre municipios Santa Marta-Ciénaga, transecto Ecoandes Buritaca-La Cumbre, 3200-4100 m: cerro Buritaca, 3200 m; al NNE del alto La Cumbre (ca. 1 Km), 3500 m; al NE de la laguna Chubdala (ca. 0.4 Km), 3750 m; entre el alto La Cumbre y La Cuchilla La Cimarrona, 3770 m; cuchilla La Cimarrona, filo E (extremo ENE), al S de la laguna La Perdida, 3900 m.
10
Citado en (Rangel-Ch, 2012)
45
6. RESULTADOS DE LA BÚSQUEDA DE INFORMACIÓN Tabla 9. Resumen de la búsqueda bibliográfica. Fuente: Autor
RAZÓN DE CONSULTA
No
FUENTE
RESUMEN
1
Moreira, E. P., Valeriano, M. de M., Sanches, I. D. A., & Formaggio, A. R. (2016). TOPOGRAPHIC EFFECT ON SPECTRAL VEGETATION INDICES FROM LANDSAT TM DATA: IS TOPOGRAPHIC CORRECTION NECESSARY? Boletim de Ciências Geodésicas, 22 (1), 95 –107. http://doi.org/10.1590/S1 98221702016000100006
La potencialidad de los índices espectrales de vegetación (VIS) sólo puede ser evaluada después de eliminar los efectos de fondo del suelo, efectos atmosféricos y topográficos a partir de datos radiométricos. En cuanto al efecto topográfico apenas se investigó en el contexto de los VI’s, a pesar de los métodos de corrección disponibles actualmente y el modelo de elevación digital (DEM). Se ha realizado la corrección topográfica de las bandas espectrales de Landsat 5 TM y se evaluó el efecto topográfi co de cuatro VI’s: Necesidad de NDVI, RVI, EVI y SAVI. La evaluación se basó en el análisis de la media y la una corrección desviación estándar de VI’s y TM banda 4 (infrarrojo cercano), y en análisis topográfica en el de regresión lineal entre estas variables y el coseno del ángulo de incidencia cálculo de los solar en la superficie del terreno (Cos i ). Los resultados indicaron que VI’s son índices menos sensibles al efecto topográfico de la banda espectral sin corregir. Entre espectrales los VI’s, NDVI y RVI son menos sensibles a los ef ectos topográficos que EVI y SAVI. Todos los VI’s demostraron ser totalmente independientes del efecto topográfico sólo después de la corrección. Se puede concluir que es necesaria la corrección topográfica para una reducción consistente del efecto topográfico sobre el VI’s de terreno accidentado (Moreira, Valeriano, Sanches, & Formaggio, 2016)
Correcciones
2
Cui, L., Li, G., Ren, H., He, L., Liao, H., Ouyang, N., & Zhang, Y. (2014). Assessment of atmospheric correction methods for historical
La corrección atmosférica es un proceso esencial en los estudios cuantitativos de teledetección. Existe una falta en la evaluación de los Comparación de Métodos de métodos de los datos de las zonas costeras, en particular los datos históricos. Corrección En este estudio, se evalúan los desempeños de los métodos existentes, con Atmosférica. la zona costera de Jiangsu, en el este de China como el área de estudio. Dos métodos, que se basan en la fecha de adquisición de imágenes y en las
Correcciones
46
CARPETA
Landsat TM images in the coastal zone: A case study in Jiangsu, China. European Journal of Remote Sensing, 47(1), 701 –716. http://doi.org/10.5721/Eu JRS20144740
3
Ahamed, T., Tian, L., Zhang, Y., & Ting, K. C. (2011). A review of remote sensing methods for biomass feedstock production. Biomass and Bioenergy, 35(7), 2455 – 2469. http://doi.org/10.1016/j.bi ombioe.2011.02.028
radiancias máximas y mínimas, se utilizan para convertir los valores de número digitales a radiancia del sensor. El método de reflectancia aparente, y el método de sustracción del cuerpo oscuro (DOS), se utilizan para la corrección de cuatro imágenes históricas Thematic Mapper (TM). Los desempeños de estos métodos se evalúan mediante el empleo de cuatro procedimientos de evaluación. Los resultados muestran que el método basado en la fecha de adquisición de imágenes es superior al método basado en las máximas y mínimas radiancias. Por otra parte, el DOS-iteración puede lograr mejores resultados y por lo tanto puede ser un modelo de corrección más razonable que los otros métodos. (Cui et al., 2014) El seguimiento y la maximización del rendimiento de bioenergía a partir de materia prima de biomasa se han convertido recientemente en un objetivo de vital importancia para los investigadores. La teledetección representa un método potencial para vigilar y estimar la biomasa a fin de aumentar la producción de materia prima de biomasa a partir de cultivos energéticos. Se revisa las propiedades biofísicas de la biomasa y los métodos de teledetección para el monitoreo de cultivos energéticos para la gestión específica del sitio. Aunque varios estudios de investigación han abordado las dimensiones agronómicas de este enfoque, se requiere más investigación Índices sobre cultivos energéticos perennes con el fin de m aximizar el rendimiento de espectrales para la materia prima de biomasa. La evaluación de los métodos establecidos la detección de podría conducir a una nueva estrategia para vigilar los cultivos energéticos biomasa para la adopción de manejo sitio específico en la producción de biomasa como materia prima. En este artículo, l a percepción remota desde imágenes (Biomasa) satélites y aéreas, fueron revisadas y se centró en las resoluciones espaciales y temporales de las imágenes a adoptar para la gestión específica del sitio. Hemos llegado a la conclusión de que la predicción de rendimiento de la biomasa, la detección basada en tierra es el más adecuado para establecer el modelo de calibración y referencia para la teledetección aérea y por satélite. Se requiere la teledetección aérea y por satélite para una amplia convergencia de planificación y políticas puestas en práctica de sistemas de producción de biomasa como materia prima. (Ahamed, Tian, Zhang, & Ting, 2011)
47
Índices Espectrales
4
Zhu, G., Ju, W., Chen, J. M., & Liu, Y. (2014). A Novel Moisture Adjusted Vegetation Index (MAVI) to Reduce Background Reflectance and Topographical Effects on LAI Retrieval. PLoS ONE, 9(7), e102560. http://doi.org/10.1371/jou rnal.pone.0102560
Se propone un nuevo índice de vegetación ajustado humedad (MAVI) utilizando la reflectancia del rojo (R), infrarrojo cercano (NIR) y de onda corta infrarroja (SWIR) en una forma de relación de bandas en el presente documento. La eficacia de MAVI en la recuperación de índice de área foliar (LAI) se investiga el uso de Landsat-5 datos y mediciones de campo LAI en dos bosques y dos zonas de pastos. La capacidad de MAVI para recuperar los bosques LAI bajo diferentes condiciones de fondo se evalúa adicionalmente usando reflectancia del dosel de los bosques de pino y de Abeto Negro simulados por el modelo 4-escala. En comparación con v arios índice de vegetación de dos bandas de uso común, tales como el índice normalizado de diferencia de vegetación, el índice de vegetación ajustado al suelo, el índice de vegetación ajustado modificado al suelo, el índice de vegetación ajustado optimizado al suelo; MAVI es un mejor predictor de la Índice MAVI, LAI, en promedio, lo que puede explicar el 70 % de las variaciones de la LAI reducción del en las cuatro áreas de estudio. Similar a otros VI’s de tres bandas relacionados con la banda SWIR, tales como el índice de vegetación de efecto de fondo. diferencia normalizada modificado (MNDVI) y la reducción de la relación (Pastizales sencilla (RSR); MAVI es capaz de reducir los efectos de reflectancia en el Bosques fondo copas de los árboles para la recuperación del LAI. MAVI es más adecuado para la recuperación de LAI que RSR y MNDVI, ya que evita la Valores de LAI dificultad de determinar adecuadamente los valores máximos y mínimos requeridos en el SWIR para RSR y MNDVI, lo que mejora la robustez de ) MAVI en la recuperación de LAI de diferentes tipos de cobertura terrestre. Por otra parte, MAVI se expresa como proporciones entre las diferentes bandas espectrales, reduciendo en gran medida el ruido causado por las v ariaciones topográficas, lo que hace que sea más adecuado para aplicaciones en zona montañosa. (Zhu, Ju, Chen, & Liu, 2014)
Se desarrolló un nuevo índice de vegetación ajustado de humedad de tres bandas (MAVI). Su rendimiento se evalúa de dos bandas de uso común VI’s (NDVI, SR, SAVI, MSAVI, OSAVI) y de tres bandas VI’s (MDNVI, RSR) con mediciones de campo realizadas en dos bosques y dos áreas de pastizales en China. Los datos de reflectancia simulados por el modelo 4-escala también se utilizan para investigar los efectos de reflectancia de fondo MAVI sobre
48
Índices Espectrales
copas de los árboles LAI recuperación. Las siguientes conclusiones pueden extraerse de este estudio: MAVI es adecuado para la recuperación de LAI utilizando imágenes de teledetección. Se produce un mayor R 2 , un RMSE más pequeño para LAI recuperado en comparación con los VI’s de dos bandas en ambas áreas forestales y de pastizales. El rendimiento superior de MAVI sobre los VI’s de dos bandas se debe principalmente a su integración de las señales de los rojos, NIR y SWIR bandas sensibles para el verde, la clorofila, y el contenido de agua de la vegetación. MAVI puede reducir los efectos de reflectancia en el fondo de las copas de los árboles en la recuperación del LAI de la manera más eficaz que el RSR y el MNDVI. Superó a RSR y MNDVI para recuperar LAI en las cuatro áreas de estudio sin necesidad de introducir los valores máximos y mínimos del SWIR, que son notoriamente difíciles de determinar. Los pastizales son ecosistema terrestre más extenso del mundo, y son una fuente importante de alimentación para el ganado. Satisfacer la creciente demanda de carne y otros productos lácteos de manera sostenible es un gran Ali, I., Cawkwell, F., reto. En una escala de campo, los GPS y las tecnologías de sensores Dwyer, E., Barrett, B., & basados en tierra proporcionan herramientas prometedoras para pastizales y Green, S. (2016). gestión del rebaño con alta precisión. Con el crecimiento de la disponibilidad Satellite remote sensing de los datos de teledetección desde vehículos espaciales, por lo tanto, es of grasslands: from importante revisar los métodos y aplicaciones relevantes que pueden explotar observation to 5 estas imágenes. En este artículo, hemos revisado la (i) el estado actual de management –a review. los métodos de monitoreo de los pastizales / observaciones y las aplicaciones Journal of Plant Ecology, basadas en satélites de datos de teledetección, (ii) los avances tecnológicos rtw005. y metodológicos para recuperar los parámetros biofísicos de los pastizales y http://doi.org/10.1093/jpe/ las características de manejo (es decir, la degradación, la intensidad de rtw005 pastoreo) e (iii) identificar los problemas clave que subsisten y algunas nuevas tendencias futuras para el desarrollo.(Ali, Cawkwell, Dwyer, Barrett, & Green, 2016)
49
Manejo de Pastizales (Pastizales)
Índices espectrales
6
El Desierto Gurbantunggut, es el desierto de arenas fijas y semi-fijas más grande de China, se caracteriza por una cobertura predominante de costras biológicas dominadas por liquen, que sirven una función indispensable en la fijación de la arena. Dos hallazgos de costras biológicas del suelo han dado a conocer a partir de las observaciones de campo anteriores: en primer lugar, la distribución de las costras biológicas del suelo es selectiva en lugares; En Zhang, Y. M., Chen, J., segundo lugar, la composición de especies varía de f orma significativa en las Wang, L., Wang, X. Q., & costras biológicas del suelo que se encuentran en diferentes etapas de Gu, Z. H. (2007). The desarrollo. En este estudio, se desarrolló una estrategia para investigar la spatial distribution distribución espacial de las costras biológicas del suelo mediante el patterns of biological soil acoplamiento de mediciones de datos y de campo de teledetección. Un índice crusts in the de corteza para datos Landsat ETM +, se ha desarrollado y aplicado para Gurbantunggut Desert, detectar las costras biológicas dominadas por líquenes en el desierto Northern Xinjiang, China. Gurbantunggut. Los resultados indicaron que el sur del desierto abarcaba las Journal of Arid más abundantes costras biológicas del suelo. Además, las costras biológicas Environments, 68(4), del suelo se distribuyeron en densidad uniforme en el sur del desierto 599 –610. mientras que sus patrones de distribución se vuelven más irregular en el resto http://doi.org/10.1016/j.jar del desierto. Por último, las estadísticas de la cl asificación revelaron que las idenv.2006.06.012 costras biológicas del suelo cubrieron el 28,7% de la tierra en toda el área de estudio. Sin embargo, es importante mencionar que la cobertura de costras puede ser subestimada, dado el hecho de que la detección de las costras con imágenes Landsat ETM +, es viable sólo si costras constituyen más del 33% del campo de visión instantáneo (IFOV) del sensor Landsat ETM +. (Zhang, Chen, Wang, Wang, & Gu, 2007)
Cao, C., Xu, M., Chen, W., & Tian, R. (2012).A framework for diagnosis of environmental health based on remote 7 sensing. In D. Entekhabi, Y. Honda, H. Sawada, J. Shi, & T. Oki (Eds.), Land Surface Remote Sensing (p. 852414). Kyoto,
Costras Biológicas de Suelos (CBS)
Se propone un marco para diagnosticar la salud del ecosistema medio ambiente a escala global o regional sobre la base de una serie de factores Salud Ambienta ecológicos naturales como la vegetación, el agua, el suelo, el aire y así como la sucesivamente. Todos los factores ecológicos seleccionados pueden ser convergencia de adquiridos y controlados por la tecnología de teledetección. Mediante el la salud análisis de las características espaciales y temporales y la aparición y ecológica y la evolución del mecanismo de accionamiento de los ecosistemas, que tuvo seguridad como objetivo los principales factores que afectan a la salud ambiental, ambiental. definida cuantitativamente umbral de los parámetros de la seguridad ambiental, establecer el sistema de índice de evaluación de la salud ecológica
50
Índices espectrales
Salud Ambiental
Japan: Land Surface objetivo, y el diagnóstico de la salud de las zonas ecológicas clave. (Cao, Xu, Remote Sensing. Chen, & Tian, 2012) http://doi.org/10.1117/12. 977439
8
Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov, A. (2016).Characterization of Landsat-7 to Landsat8 reflective wavelength and normalized difference vegetation index continuity. Remote Sensing of Environment. http://doi.org/10.1016/j.rs e.2015.12.024
9
Un desafío encontrado con los datos de Landsat Thematic Mapper (TM), que incluye datos de tamaño de bandas espectrales de reflexión, está mostrando Chavez Jr., P. S., & Yaw mayor cantidad de información posible en un conjunto de tres imágenes para Kwarteng, A. (1989). la composición de color o análisis digital. El análisis de componentes Extracting spectral principales (PCA) aplicado a las seis bandas TM de forma simultánea a contrast in Landsat menudo se utiliza para hacer frente a este problema. Sin embargo, dos Thematic Mapper image problemas que se pueden encontrar utilizando el método PCA son que la data using selective información de interés podría ser mapeada matemáticamente para uno de los principal component componentes utilizados y que una composición de color puede ser difícil de analysis. interpretar. Un "Selectivo" PCA se puede usar para minimizar estos dos Photogrammetric problemas. El contraste espectral entre varias regiones espectrales fue Engineering & Remote mapeado para un sitio del Norte de Arizona usando datos Landsat TM. Las Sensing, 55(3), 339 –348. investigaciones de campo determinaron que la mayor parte del contraste espectral en esta zona era debido a una de los siguientes razones: la cantidad de hierro hematita y en los suelos y r ocas, las diferencias de vegetación y el
El Landsat-8 Operacional Land Imager (OLI) ha mejorado la calibración, señal de que las características de ruido, m ayor resolución radiométrica de 12 bits, y las bandas de frecuencia espectral más estrecha que la anterior Landsat-7 Caracterización Thematic Mapper mejorado (ETM +). Las diferencias de longitud de onda Landsat 8 – reflectantes entre los dos sensores Landsat dependen también de la Landsat 7 reflectancia de la superficie y el estado atmosférico que son difíciles para modelar integralmente. (Roy et al., 2016)
51
Análisis de componentes principales
Landsat
Índices espectrales
agua, o la presencia de yeso, que tiene una capacidad de retención de humedad mayor que los suelos y rocas.(Chavez Jr. & Yaw Kwarteng, 1989) La climatología trimestral de Colombia, se realizó a partir de los datos acumulados trimestrales de la variable precipitación y promedio trimestral para temperatura media. Las series iniciales para ambas variables correspondieron al periodo de 1971-2000, en escala mensual de ambas variables para un total de 1072 estaciones para precipitación (mm) y 331 estaciones para temperatura media (ºC), información suministrada por el IDEAM. Es importante señalar que a estas series se les aplicaron métodos de control y calidad entre los que se destacan, la identificación del dato Arango, C., Dorado, J., extremo debido a eventos de variabilidad climática, la homogenización Guzmán, D., & Ruiz, J. estadística, agrupación mediante componentes principales, entre otros. Bajo (2014). Climatología los algoritmos como el de la Razón de Valores Normal, ARIMA y Gradiente trimestral de Colombia, de temperatura, se completaron las series y se validó la consistencia del dato 19. Retrieved from con el test de McCuen para precipitación y el coeficiente de v ariabilidad para 10 http://es.scribd.com/doc/ temperatura. Los datos se interpolaron bajo los métodos de IDW para la 229064239/Climatologiaprecipitación y Cokriging para la temperatura media. Las mayores Trimestral-paraprecipitaciones se encuentran en los trimestres 8, 9 y 10 en forma Colombia-Ruiz-Guzmansignificativa, sin embargo los trimestres 3, 4 y 5 también presentan aumentos Arango-y-Doradoen esta variable, y son más secos 1, 2, 3, 6, 7, 11 y 12, siendo el primero y el pdf#scribd último los de m ayor impacto sobre Colombia, conservándose la distribución del régimen de lluvias bimodal y monomodal característico del país. En cuanto a la temperatura, el comportamiento es similar para todos los trimestres, la única variación se encuentra en las llanuras costeras del Pacífico y en el Pié de Monte Amazónico, donde sus temperaturas registran valores entre los 18 y 20°C, conservándose el comportamiento climático de la temperatura media en el territorio nacional. (Arango, Dorado, Guzmán, & Ruiz, 2014)
11
Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing
Climatología Colombiana (Selección de épocas de las imágenes de estudio)
Se utilizó un modelo simple de transferencia de radiación con la vegetación, el suelo y los componentes atmosféricos para ilustrar cómo el índice de Relación NDVI y LAI Diferencia de Vegetación Normalizado (NDVl), índice de área foliar (LAI), y la cobertura vegetal fraccionada son dependientes. En particular, se sugiere (Valores medios) que el LAI y la cobertura vegetal fraccionada pueden no ser cantidades independientes, al menos cuando la primera se define sin tener en cuenta la
52
Climatología
índices espectrales
of Environment. presencia de parches desnudos entre las plantas, y que la v ariación habitual http://doi.org/10.1016/S0 de LAI con NDVI puede explicarse como el resultado de una variación de la 034-4257(97)00104-1 cobertura vegetal fraccionada. Se realizan los siguientes puntos: i) la cobertura vegetal fraccionada y el LAI no son del todo cantidades independientes, dependiendo de cómo se define la LAI. Se debe tener cuidado en el uso de LAI y la cobertura vegetal fraccionada de forma independiente en un modelo, ya que el primero puede tener parcialmente cuenta de estos últimos; ii) Un NDVI a escala tomada entre los límites de mínimo (suelo desnudo) y el límite de cobertura vegetal fraccionada es insensible a la corrección atmosférica para ambas condiciones brumosas y claros, al menos para los ángulos de visión de menos de aproximadamente 20 grados desde el nadir; iii) Una relación simple entre el NDVI a escala y la cobertura vegetal fraccionada, descrito previamente en la literatura, se confirma además por las simulaciones; iv) La dependencia sensible de LAI en NDVI cuando el primero es por debajo de un valor de alrededor de 2 a 4 pueden ser vistos como debido a la variación en el componente del suelo desnudo. (Carlson & Ripley, 1997)
Gill, T. K., & Phinn, S. R. (2009). Improvements to ASTER-Derived Fractional Estimates of Bare Ground in a Savanna Rangeland. 12 IEEE Transactions on Geoscience and Remote Sensing, 47(2), 662 –670. http://doi.org/10.1109/TG RS.2008.2004628
Las estimaciones exactas de la cobertura del suelo y su inversa, el suelo desnudo (BG), derivados de imágenes de satélite para el seguimiento de los indicadores de salud de los pastizales, en grandes áreas. En este trabajo se muestra cómo se obtuvieron estimaciones precisas de BG de la misión Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) a través de los pastizales de la sabana, en el noreste de Australia. El índice de vegetación de diferencia normalizada y el índice de lignina y la absorción de celulosa se utilizaron para extraer las firmas espectrales de reflectancia de tres endmembers escena a partir de los datos de imagen: BG, la vegetación no fotosintética y vegetación fotosintética. Las firmas endmember se utilizaron con el algoritmo de análisis de mezcla espectral de Monte Carlo (MCSMA) para derivar estimaciones de imagen de BG que se compararon con las mediciones de campo. Los resultados mostraron que la precisión de las estimaciones de BG se han mejorado, en comparación con los obtenidos en un ASTER estudio anterior que utiliza sólo dos endmembers en el procedimiento de desmezcla (error cuadrático medio (RMSE) mejoró de> 0,1 a ~0.05). Los resultados son una mejora en el trabajo previo que
53
Estimación de coberturas de suelo, relación NDVI y LCA (Absorción de celulosa y lignina)
Índices espectrales
utiliza Landsat e IKONOS, comparado favorablemente con las estimaciones derivadas de las imágenes hiperespectrales en el aire, y se pueden utilizar con los métodos de seguimiento de los pastizales existentes. Llegamos a la conclusión de que el método de extracción endmember es sencillo y de aplicación general y se puede utilizar con MCSMA para obtener estimaciones exactas de BG a partir de imágenes ASTER. Sin embargo, el uso de este enfoque para la estimación de BG de imágenes de satélite depende de la evolución futura de satélite hiperespectrales o sensores ASTER similares. (Gill & Phinn, 2009)
Buyantuyev, A., Wu, J., & Gries, C. (2007). Estimating vegetation cover in an urban environment based on Landsat ETM+ imagery: 13 A case study in Phoenix, USA. International Journal of Remote Sensing, 28(2), 269 –291. http://doi.org/10.1080/01 431160600658149
Los estudios de los sistemas ecológicos urbanos se pueden mejorar en gran medida mediante la combinación de modelos de ecosistemas y la teledetección que a menudo requiere el establecimiento de relaciones estadísticas entre los datos de teledetección y de campo. En el sitio central de Arizona en Phoenix a largo plazo de investigación ecológica (CAPLTER) en el suroeste de EE.UU., se estimó la abundancia de vegetación de Landsat ETM + adquiridos en tres fechas mediante el cálculo de índices de vegetación (NDVI y SAVI) y la realización de análisis de mezcla espectral lineal (SMA). Nuestros análisis se estratificó por tres grandes usos del suelo: urbano, de tierras agrícolas, y desierto. SMA, que proporciona medidas directas de la fracción miembro extremo vegetación para cada píxel, se comparó directamente con los datos de campo y con el conjunto de datos de Análisis de evaluación de la precisión independiente construido a partir de fotografías mezcla espectral aéreas. Imágenes de índices de vegetación con mayor correlación con los lineal datos de campo se utilizaron para construir modelos de regresión cuyas predicciones fueron validados con el conjunto de datos de evaluación de la precisión. También se investigó métodos de regresión alternativos, reconociendo la insuficiencia del Mínimo Cuadrado Ordinario (OLS) en la teledetección biofísica. Las regresiones simétricas reducen eje mayor (RMA) y la bisectriz de mínimos cuadrados ordinarios (OLSbisector ) -fueron evaluadas y comparadas con la OLS. Nuestros resultados indican que SMA fue un enfoque más preciso para la cuantificación de vegetación en los usos del suelo urbano y agrícola, pero tenía un alto nivel de error cuando se aplica a la vegetación desértica. Se discuten las posibles fuentes de errores y algunas recomendaciones de mejora. (Buyantuyev, Wu, & Gries, 2007)
54
Índices espectrales
Chen, Y., & Gillieson, D. (2009). Evaluation of Landsat TM v egetation indices for estimating vegetation cover on semi-arid rangelands: a 14 case study from Australia. Canadian Journal of Remote Sensing, 35(5), 435 –446. http://doi.org/10.5589/m0 9-037
La monitorización precisa de la cobertura vegetal a nivel mundial de extensas zonas áridas y semiáridas es importante y difícil. Este estudio examinó la capacidad de los cinco bandas de Landsat Thematic Mapper (TM), 17 índices de vegetación (VI’s) en la estimación de saltbush (arbustos salinos) y la cobertura total de la vegetación en ambientes de pastizales semiáridos. Se investigó la relación entre la cobertura vegetal del suelo-revisado y los VI’s derivados de imágenes Landsat TM y medidas de reflectancia del suelo coincidentes en el lago Mungo y Fowler Gap en Nueva Gales del Sur, Evaluación de índices de Australia, tanto de vegetación por matorrales chenopod perennes, vegetación en principalmente saltbush. El porcentaje de cobertura vegetal y la reflectancia zonas semiáridas del suelo se midieron a lo largo de 147 sub-transectos y en 147 cuadrantes correspondientes, respectivamente. La regresión lineal se calculó para (MSAVI relacionar los valores de reflectancia promedio de TM bandas espectrales individuales y los VI’s de datos de cobertura de vegetación en cada sitio. Las NDVI) longitudes de onda del infrarrojo medio y el VI’s derivados de ellos se encontraron siendo mejor en la caracterización de la cobertura vegetal de las medidas espectrales que se basaban sólo en bandas de onda visible e infrarrojo cercano. El VI’s más adecuado para las encuestas a gran escala en los pastizales semiáridos también fueron identificados, donde se requiere una evaluación de los costos efectivos de la cobertura vegetal. (Y. Chen & Gillieson, 2009)
Índices Espectrales
Huete, A., Liu, H. Q., Batchily, K., & van Leeuwen, W. (1997). A comparison of vegetation indices over a global set 15 of TM images for EOSMODIS. Remote Sensing of Environment, 59(3), 440 –451. http://doi.org/10.1016/S0 034-4257(96)00112-5
Un conjunto de imágenes Landsat Thematic Mapper que representan una Comparación de amplia gama de condiciones de la v egetación de la tierra de la NASA Landsat índices Pathfinder (GLCTS), en esta iniciativa se procesaron para simular la espectrales entre imágenes de Moderate Resolution Imaging Spectroradimeter (MODIS), Landsat y Modis imágenes globales de índices de vegetación a 250 m resolución de pixel. Los sitios incluidos bosque boreal, bosque templado de coníferas, bosque SARVI(Zonas templado caducifolio, bosque tropical, praderas, sabanas y biomas del forestales) desierto. Las diferencias y similitudes en la sensibilidad a las condiciones de NDVI vegetación se compararon entre los diversos índices espectrales de (Pastizales, vegetación (VIS). Todos los VI’s mostraron una relación cualitativa a las zonas variaciones en la vegetación. Sin embargo, hubo diferencias significativas desérticas) entre los VI’s sobre el desierto, pastizales y los biomas forestales. El índice de vegetación de diferencia normalizada (NDVI) fue sensible y respondió
Índices Espectrales
55
principalmente a la banda de reflectancia roja altamente absorbente, mientras que otros índices tales como el índice de suelo y vegetación resistente a la atmósfera (SARVI) fueron más sensibles a las variaciones en la banda del infrarrojo cercano (NIR). Como resultado, nos encontramos el NDVI para imitar reflectancias rojas y saturar en los sitios boscosos, mientras que el SARVI, por el contrario, no se satura y siguió a variaciones en reflectancias del NIR. En los biomas áridas y semiáridas, el NDVI era mucho más sensible a las variaciones de fondo dosel que el SARVI. Las diferencias máximas entre el comportamiento del índice de vegetación se produjeron en los bosques de hoja perenne de Coníferas en relación con los bosques caducifolios de hojas anchas y secas, pastizales, y las zonas de arbustos. Estas diferencias parecen ser útiles para complementar el NDVI para un mejor seguimiento de la vegetación, con el NDVI sensible a la fracción de la radiación fotosintéticamente activa absorbida, y el SARVI es más sensibles a los parámetros estructurales del dosel como el índice de área foliar y la morfología de las hojas
Hunt, E. R., Rock, B. N., & Nobel, P. S. (1987). Measurement of leaf relative water content by infrared reflectance. 16 Remote Sensing of Environment, 22(3), 429 – 435. http://doi.org/10.1016/00 34-4257(87)90094-0
A partir de consideraciones básicas y la ley de Beer, un índice de contenido de agua que incorpora reflectancias de longitudes de onda 0,76 a 0.90 µm y de 1.55 a 1.75 µm (Landsat Thematic Mapper Bandas TM4 y TM5, respectivamente) fue desarrollado que relaciona la reflectancia en la hoja con el contenido relativo de agua en la hoja. Para la hoja suculenta, Agave deserti , el índice de contenido de agua de la hoja no fue significativamente diferente del contenido relativo de agua, ya sea para hojas individuales o una planta entera. Además, el contenido de agua relativo de plantas intactas de Encelia farinosa e Hilaria rigida en el campo fueron estimados por el índice de contenido de agua de la hoja; las variaciones en la proporción de vida a muerte en el área f oliar podrían causar grandes errores en la estimación del contenido relativo de agua. Por lo tanto, el índice de contenido de agua en la hoja puede ser capaz de estimar el contenido relativo de agua promedio del dosel cuando las bandas TM4 y TM5 se miden con un contenido relativo de agua conocido y la f racción de material de hoja muerta. (Hunt, Rock, & Nobel, 1987)
17 Chavez Jr., P. S. (1988). El análisis digital de datos de teledetección se ha convertido en un An improved dark-object componente importante de muchos estudios de ciencias de la tierra. Estos
56
Índice LWCI (Contenido de agua en la vegetación)
Índices espectrales
Método de corrección
Correcciones
subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3), 459 – 479. http://doi.org/10.1016/00 34-4257(88)90019-3
Liao, Z., He, B., & Quan, X. (2015). Modified enhanced vegetation index for reducing 18 topographic effects. Journal of Applied Remote Sensing, 9(1), 096068.
datos se procesan a menudo a través de un conjunto de pre-procesamiento o rutinas de "limpieza" que incluye una corrección para la dispersión atmosférica, a menudo llamado bruma. Varios métodos para corregir o quitar el componente aditivo bruma se han desarrollado, incluyendo la técnica de sustracción-objeto oscuro ampliamente utilizado. Un problema con la mayoría de estos métodos es que los valores de turbidez para cada banda espectral se seleccionan independientemente. Esto puede crear problemas debido a la dispersión atmosférica es altamente dependiente a la longitud de onda en l a parte visible del espectro electromagnético y los valores de dispersión están correlacionados entre sí. Por lo tanto, los datos m ultiespectrales, como desde el asignador y escáner multiespectral Landsat Thematic deben ser corregidos con valores de turbidez que son dependientes a la banda espectral. Una técnica de sustracción-objeto oscura mejorada se demuestra que permite al usuario seleccionar un modelo de dispersión atmosférica relativa para predecir los valores de turbidez para todas las bandas espectrales de un valor seleccionado de la banda neblina de partida. El método mejorado normaliza los valores de turbidez pronosticados para el aumento y compensación diferentes parámetros utilizados por el sistema de imagen. Los ejemplos de diferencias de valor de neblina entre los viejos y mejores métodos para Bandas Thematic Mapper 1, 2, 3, 4, 5, y 7 son 40.0, 13.0, 12.0, 8.0, 5.0 y 2.0 vs. 40.0, 13.2, 8.9, 4.9, 16,7 y 3,3, respectivamente, usando un modelo de dispersión relativa de una atmósfera clara. En una imagen del sensor multiespectral Landsat en las diferencias de valor de neblina de Bandas 4, 5, 6 y 7 fueron 30.0, 50.0, 50.0 y 40.0 para el viejo método vs. 30.0, 34.4, 43.6, y 6.4 para el nuevo método que utiliza un modelo de dispersión relativa de un ambiente nebuloso. (Chavez Jr., 1988)
atmosférica de sustracción del cuerpo oscuro
La supervisión del estado del medio ambiente de las zonas montañosas o accidentadas es muy importante por su gran influencia en el ecosistema global y en la humanidad. El índice de vegetación mejorado (EVI) ha sido Modificación del ampliamente utilizado en el monitoreo ambiental. Se puede reducir el ruido EVI en función de fondo y la atmósfera a través de su formato basado en la de los efectos topográficos retroalimentación. Sin embargo, la aplicación del EVI en las zonas montañosas será limitada, porque el EVI se ve afectado en gran medida por los efectos topográficos como su índice de ajuste por el suelo no está en un
57
Correcciones
http://doi.org/10.1117/1.J formato de relación de bandas. Para moderar los efectos topográficos en EVI, se modificó el EVI cambiando el índice de ajuste del suelo de la constante a RS.9.096068 una variable relacionada con el ángulo de incidencia. En la ev aluación del EVI modificado, otros tres métodos de corrección topográficos conocidos, i) Suncanopy-sensor (SCS), ii) SCS con C-corrección (SCS + C), y iii) modificado Minnaert (MM), se utilizaron para la comparación. Los resultados indicaron que el EVI modificado y SCS + C se desempeñan mejor que MM y SCS por comparación visual. Cuantitativamente, el EVI modificado, que tiene un ef ecto similar al SCS + C en las regiones de ángulo bajo de incidencia, en gran medida disminuye la desviación estándar de las m ismas características de la tierra y la correlación entre EVI y el coseno del ángulo de incidencia. Cuando el ángulo de incidencia es superior a 90 grados, SCS + C y otros dos métodos de corrección topográficos causan hipercorrecciones. Sin embargo, EVI modificado resolvió este problema bien, debido a su menor curvatura creciente que otros tres métodos de corrección topográficos.Por otra parte, en comparación con SCS + C, el EVI modificado conserva mejor los características de la superficie de la tierra. (Liao, He, & Quan, 2015)
19
USGS. (2014). PRODUCT GUIDE LANDSAT SURFACE REFLECTANCEDERIVED SPECTRAL INDICES. Version 2.3.
Los datos del satélite Landsat se han producido, archivados y distribuidos por el US Geological Survey (USGS) desde 1972. Los usuarios confían en estos datos para el estudio histórico de la alteración superficial de la tierra, pero asumir la carga de procesamiento post-producción para crear datos de aplicaciones listas conjuntos. En cumplimiento de las directrices establecidas por el Sistema Mundial de Observación del Clima, el USGS se ha embarcado en la producción de productos de datos Landsat de más alto nivel para apoyar estudios sobre el cambio de la superficie terrestre. Uno de estos productos es la reflectancia de la superficie, de la cual los índices espectrales se pueden derivar para promover la facilidad de aplicación de usuario en la ciencia teledetección tierra. (USGS, 2014)
Ariza, A. (2013). Descripción y Corrección Descripción detallada de los productos derivados del sensor Landsat OLI 8 20 de Productos Landsat 8 así como el proceso de corrección radiométrica. LDCM (Landsat Data Continuity Mission). Centro de Investigación
58
Características del sensor Landsat 8 y resumen de índices espectrales
Índices espectrales
Landsat 8
Landsat
Y Desarrollo En Información Geográfica Del IGAC -CIAF, 46
Quintano, C., FernándezManso, A., Stein, A., & Bijker, W. (2011). Estimation of area burned by forest fires in Mediterranean countries: 21 A remote sensing data mining perspective. Forest Ecology and Management, 262(8), 1597 –1607. http://doi.org/10.1016/j.fo reco.2011.07.010
Los incendios forestales en todo el mundo resultan en mortalidad de los árboles que pueden causar pérdidas de madera y carbono sustanciales. Hay una necesidad crítica para mapear las áreas quemadas por estos incendios para orientar las decisiones de manejo forestal. El satélite Moderate Resolution Imaging Spectroradiometer (MODIS) proporciona imágenes de bajo costo y con una cobertura de frecuencia en grandes áreas, facilitando la vigilancia de la salud de los bosques. En este estudio una imagen postincendio MODIS a una resolución espacial de 250 m sirve como el punto de partida de un método basado en l a minería de la imagen Se trata de modelar tres algoritmos como una suma de funciones gaussianas, un suavizado basado en kernel, y umbral adaptativo. El umbral adaptativo sirve como la referencia para ser comparada con el método basado en la minería de la imagen. Tres índices espectrales diseñadas específicamente para la identificación de área quemada se han utilizado: el índice de área quemada (BAI), el índice de área quemada adaptado a las bandas de MODIS (BAIM), Mapeo de áreas y la relación de la quemadura Normalizado (NBR). La estadística j es aplicada quemadas para cuantificar la exactitud de las estimaciones de áreas quemadas, relacionando la superficie estimada con perímetros de áreas quemadas medidos en el suelo por el Sistema de Posicionamiento Global (GPS). Además, la estadística j nos permite identificar tanto el índice espectral óptimo y los parámetros de los algoritmos óptimos. En este trabajo, se consigue una estimación precisa (j> 0,8) de las áreas quemadas por los incendios f orestales en los países mediterráneos, en particular, si se utiliza el índice de BAIM. La precisión de estas estimaciones se compara con la precisión obtenida mediante el método de referencia a través de la prueba de McNemar. Los resultados muestran que nuestro método basado en la minería de la imagen permite una mayor precisión (el aumento promedio de j es igual a 16%) que el método de referencia. Llegamos a la conclusión de que este método mapea de manera adecuada las de zonas quemadas, y que puede ayudar a las agencias de gestión para comprender mejor los patrones de quemaduras a escala de paisaje.(Quintano, Fernández-Manso, Stein, & Bijker, 2011)
59
Índices espectrales
Brito Hoyos, D. M. (2013). Maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a 22 Emergencias. Informe Final - Pasantía. Universidad Nacional de General San Martín (UNSAM).
El principal objetivo de este informe es describir los procedimientos desarrollados y reportar los resultados obtenidos durante la pasantía en el Laboratorio de Ecología, Teledetección y Eco-Informática (LETyE), que tuvo una duración de seis meses bajo l a supervisión y dirección de la directora del grupo de investigación, doctora Patricia Kandus. Durante el desarrollo de la pasantía se alcanzaron diversos logros relacionados al uso de información satelital (óptico y radar) como herramienta en el campo de la ecología de humedales. (Brito Hoyos, 2013)
Corrección Atmosférica
Índices Espectrales
El propósito de este trabajo es regionalizar a Colombia en zonas homogéneas respecto al régimen de lluvias según la estacionalidad. Para realizar la Guzmán, D., Ruíz, J., & división deseada, se caracterizó cada estación por su ciclo anual, y su Cadena, M. (2014). carácter regional por agrupación mediante análisis por componentes REGIONALIZACIÓN DE principales (ACP). El área de aplicación abarca todo el territorio colombiano, COLOMBIA SEGÚN LA con series de datos mensuales, de la variable precipitación (mm), que ESTACIONALIDAD DE corresponde al periodo de 1971-2010 de 408 estaciones. En este trabajo se 23 LA PRECIPITACIÓN presentan los resultados alcanzados por la aplicación de ACP en la MEDIA MENSUAL, A identificación de las diecisiete regiones homogéneas y sus subregiones, las TRAVÉS ANÁLISIS DE cuales concuerdan con el régimen de precipitación en Colombia. Se COMPONENTES describen los principales procesos sinópticos que generan las precipitaciones PRINCIPALES (ACP) en Colombia, y como éstos explican el régimen característico de cada r egión. (D. Guzmán, Ruíz, & Cadena, 2014)
Selección de imágenes
Climatología
Riaño, D., Salas, J., & Chuvieco, E. (2000). Corrección Atmosférica y Topográfica, Información Multitemporal y Auxiliar 24 Aplicadas a la Cartografía de Modelos de Combustibles con Imágenes Landsat-TM. Tecnologías Geográficas Para El Desarrollo
Mapeo de un Modelo de Combustibles
Índices Espectrales
En este trabajo se evalúa la clasificación de modelos de combustible a partir de imágenes Landsat-TM con el algoritmo de máxima probabilidad. El ensayo incluye la clasificación de una sola imagen corregida atmosférica y topográficamente (verano 1997), el uso de dos imágenes -clasificación multitemporal- (verano 1997 y primavera 1998) y la inclusión de información auxiliar (banda de textura, altitud, pendiente e il uminación). (Riaño, Salas, & Chuvieco, 2000)
60
Sostenible: IX Congreso Del Grupo de Métodos Cuantitativos, Sistemas de Información Geográfica Y Teledetección, 222 –239. La estructura del bosque urbano es una variable importante que influye en la función del ecosistema bosque urbano a través del paisaje. Sin embargo, en general es mano de obra i ntensiva y requiere mucho tiempo para obtener los atributos estructurales del bosque urbano con los métodos de muestreo de campo tradicionales. Este estudio explora el potencial del uso de Landsat 5 Thematic Mapper imaginería (TM) en la estimación de los atributos estructurales del bosque urbano incluyendo la densidad de tallos, diámetro a la altura del pecho, la altura del árbol, índice de área foliar, la densidad del Ren, Z., Zheng, H., He, dosel y el área basal. En nuestro estudio, tres índices de vegetación, X., Zhang, D., Yu, X., & incluyendo el índice de vegetación de diferencia normalizada (NDVI), relación Shen, G. (2015). Spatial sencilla (SR), y la vegetación de diferencia normalizada verde (GNDVI), Estimación de estimation of urban forest obtenido a partir de datos de Landsat-5 Thematic Mapper (TM) y datos de la características structures with Landsat estructura de los bosques urbanos derivados de la encuesta sobre el terreno físicas del TM data and field bosque urbano se utilizaron para desarrollar un modelo de regresión para predecir las 25 measurements. Urban estructuras forestales urbanas seleccionadas en Changchun, china. Por (NDVI Forestry & Urban último, un mapa de la estructura del bosque urbano se produce a partir del GNDVI Greening, 14(2), 336 – mapa de índices de v egetación mediante el uso de los m odelos de regresión SR). 344. basado en las mediciones de los atributos estructurales del bosque urbano y http://doi.org/10.1016/j.uf los índices de vegetación. Los resultados muestran que es m ejor el NDVI que ug.2015.03.008 SR y GNDVI para predecir los atributos estructurales seleccionados del bosque urbano. Pero algunas métricas de la estructura de los bosques que se pueden predecir bien en los bosques naturales con el NDVI, no se pueden predecir para los bosques urbanos. La densidad del dosel, área basal y el índice de área foliar fueron fuertemente relacionados con el NDVI. La densidad de tallos, diámetro a la altura del pecho y la altura de los árboles no estaban relacionados con el NDVI. En la ciudad de Changchun, índice de área foliar, la densidad del dosel y el área basal del bosque urbano, todas mostraron un gradiente decreciente desde las áreas suburbanas a las áreas
61
Índices espectralesExte rnal factor consideration in vegetation index development
del centro urbano. La densidad del dosel, el área basal y la distribución de clases del índice de área foliar, fueron todas sesgadas hacia los valores bajos. Los resultados demuestran que el sensor Landsat TM tiene una capacidad relativamente rápida y eficiente para l a estimación cuantitativa de algunos atributos estructurales del bosque urbano, incluyendo índice de área foliar, la densidad del dosel y el área basal en áreas urbanas. (Ren et al., 2015)
Masek, J. G., Hayes, D. J., Joseph Hughes, M., Healey, S. P., & T urner, D. P. (2015). The role of remote sensing in process-scaling studies of managed forest 26 ecosystems. Forest Ecology and Management, 355, 109 – 123. http://doi.org/10.1016/j.fo reco.2015.05.032
Sostener los recursos forestales requiere una mejor comprensión de los procesos de los ecosistemas forestales, y cómo las decisiones de gestión y el cambio climático pueden afectar a estos procesos en el futuro. Mientras que los datos del tema y de inventario proporcionan información más detallada sobre el carbono forestal, la energía y el ciclo del agua, la aplicación más amplia de este conocimiento a los dominios espaciales y temporales más requiere escalar enfoques. La teledetección proporciona un poderoso recurso para '' ampliación de la escala '', la comprensión de los procesos a los dominios regionales y continentales. El aumento de la gama de modalidades disponibles de teledetección, incluyendo el radar interferométrico, lidar, y las imágenes hiperespectrales, permite la recuperación de una amplia gama de atributos forestales. Este artículo revisa la aplicación de la teledetección para la ampliación de la escala de los atributos de los bosques, la escala de trazado a los dominios regionales, con especial énfasis en los productos de teledetección, que pueden apoyar la parametrización y validación de modelos de procesos de los ecosistemas. Nos centramos en cuatro atributos ecológicos clave de los bosques: la composición, la estructura, la productividad y la evapotranspiración, y la dinámica de perturbación. Para cada atributo, se discuten las técnicas de teledetección pertinentes, proporcionamos ejemplos de su aplicación, y evaluar críticamente los puntos fuertes y los retos asociados con su uso. (Masek et al., 2015)
Gu, Z., Ju, W., Li, L., Li, D., Liu, Y., & Fan, W. 27 (2013). Using vegetation indices and texture measures to estimate vegetation fractional
La fracción de cobertura de vegetal (VFC), es un parámetro de vegetación importante que afecta a los i ntercambios de carbono, agua, energía entre la Determinación atmósfera y la superficie. En este estudio, la aplicabilidad del cálculo de la de la fracción de la cobertura medición del tono y la textura, utilizando una imagen IKONOS-2 en la vegetal recuperación de la VFC de los bosques, se investigó en el área urbana de la ciudad de Nanjing, China. Cuatro índices espectrales de vegetación (VI’s) y
62
Teledetección en el manejo de los recursos forestales, en función de cuatro atributos ecológicos clave de los bosques: la composición, la estructura, la productividad y la evapotranspiraci ón, y la dinámica de perturbación
Salud Ambiental
Índices espectrales
coverage (VFC) of planted and natural forests in Nanjing city, China. Advances in Space Research, 51(7), 1186 –1194. http://doi.org/10.1016/j.as r.2012.11.015
seis medidas de textura (TEX) que fueron relacionados con los VFC, adquiridos de mediciones in situ. Los modelos para la estimación de VFC basado en VI’s y / o TEX’s fueron establecidos y validados para las parcelas de plantaciones forestales bajas de hoja ancha (PLB), parcelas de plantaciones de bosque maduro (PMF), parcelas de bosques naturales de hoja ancha (NBF), y todas las parcelas forestales (ALLv), respectivamente. Los resultados muestran que la alta resolución espacial de datos de teledetección es aplicable para estimar VFC en las zonas urbanas, y TEX’s puede actuar como suplementos eficaces de índices de vegetación (VI’s) para la recuperación de VFC. VI’s son adecuados para la estimación de VFC de los bosques maduros (como NBF y PMF) con una alta densidad de la vegetación, y TEX’s puede dar una estimación más precisa de los bosques plantados (como PLB y PMF) con distribución espacial regular si se calculan con los parámetros adecuados, tales como el tamaño de la ventana. La combinación de las IV’s y TEX’s mejorar la estimación de la VFC si los tipos de bosque no se diferencian con anterioridad. Los resultados pueden ser utilizados como una referencia para la determinación de parámetros espectrales o de textura efectiva en la estimación de VFC en condiciones ambientales similares de acuerdo con la m adurez vegetación y la regularidad. (Gu et al., 2013)
(NDVI RVI SAVI ARVI)
Investigación y desarrollo de métodos de corrección atmosférica y topográfica para datos satelitales multiespectrales como imágenes Landsat ha superado con creces la disponibilidad de dichos métodos en el software de los sistemas Goslee, S. C. (2011). de información geográfica. Como Landsat y otros datos se vuelven más Análisis de datos Analyzing Remote ampliamente disponible, la demanda de estos métodos de corrección de Teledetección Sensing Data in R : The en R mejoradas aumentará. Abrir el recurso del software estadístico R, puede landsat Package. Journal ayudar a cerrar la brecha entre la investigación y la aplicación. Sofisticadas 28 (Métodos de of Statistical Software, rutinas de datos espaciales ya están disponibles, y la facilidad de desarrollo corrección, 43(4), 1 –25. de programas de R hace que sea fácil de poner en práctica nuevos algoritmos análisis http://doi.org/10.18637/js de corrección y la evaluación los resultados. La recopilación de rutinas de estadistico) s.v043.i04 corrección radiométrica, atmosféricas, topográficas y en el paquete Landsat los hará fácilmente disponible para la evaluación para aplicaciones particulares. (Goslee, 2011)
63
Landsat
La teledetección se ha utilizado en la gestión de la salud del bosque como un método para la cartografía de la vegetación, el combustible de fuego, la estimación del riesgo de incendios, detección de i ncendios, la cartografía de la gravedad después del incendio, la cartografía de la infestación por insectos, Wang, J., Sammis, T. W., y el seguimiento de estrés hídrico relativo. Este documento analiza el uso de Gutschick, V. P., la teledetección por satélite en los estudios de sanidad forestal, incluidas las Gebremichael, M., actividades de investigación en curso; los sensores de satélite, los métodos Dennis, S. O., & y parámetros utilizados; y su precisión. La revisión concluye que los datos de Harrison, R. E. (2010). los satélites de Moderate Resolution Imaging Spectroradiometer (MODIS) Review of Satellite son más apropiados para la mayoría de las aplicaciones de teledetección 29 Remote Sensing Use in para la salud de los bosques que otros datos del satélite actuales, al Forest Health Studies. considerar resoluciones temporales y espaciales, el coste y bandas. MODIS The Open Geography tiene un día 1-2 temporal y una resolución espacial 250-1000 m; los datos Journal, 3(1), 28 –42. son gratuitos y abarcan más bandas espectrales que otros satélites (hasta 36 http://doi.org/10.2174/18 bandas). Recomendamos que el modelado físico y fisiológico (por ejemplo, la 74923201003010028 evapotranspiración y crecimiento de la biomasa) se desarrollarán para la teledetección de la salud de los bosques. También se necesitan algunos sensores adicionales satélite, como para las estimaciones de altas temperaturas (de hasta 1800 K) y sensores de bandas estrechas. (J. Wang et al., 2010) La corrección atmosférica de imágenes de satélite es un paso de procesamiento de imágenes crítico en el que se elimina la influencia de la atmósfera o se reduce en gran medida. La parte superior de la temperatura Wang, L. T., & Deliberty, radiante atmósfera suele ser más baja que la temperatura de la superficie, T. L. (2005). Landsat pero puede ser revertido cuando la atmósfera es más caliente que la Atmospheric Correction : superficie. Para muchas aplicaciones, esto no es aceptable y requiere un 30 The Good, the Bad, and modelo de corrección atmosférica para dar cuenta de la absorción atmosférica y de emisiones (principalmente de vapor de agua). Se calcula la the Ugly. ESRI temperatura de la superficie del agua para cuatro imágenes Landsat. ERDAS International User IMAGINE es un software de procesamiento de imágenes que tiene un módulo Conference, 1 –15. add-on llamado ATCOR (corrección atmosférica) en la que se aplica la corrección atmosférica de imágenes Landsat para garantizar que los contrastes térmicos dentro de las imágenes se deben a diferencias reales en la temperatura del agua y no causado por los efectos atmosféricos. Los
64
Salud de los bosques (NDVI SR GRVI
Índices espectrales
MSAVI EVI)
Corrección Atmosférica
Correcciones
resultados se comparan con temperaturas in situ de boyas y las diferencias van desde <1 a 5 grados centígrados. Se discuten la metodología y los resultados de la corrección atmosférica.(L. T. Wang & Deliberty, 2005) El ndice de Vegetación Normalizado (NDVI) es ampliamente utilizado para el seguimiento, análisis y Cartografía de la distribución temporal y espacial de las características fisiológicas y biofísicas de la vegetación. Está bien documentado que el NDVI se acerca asintóticamente a la saturación en condiciones de biomasa aérea de moderada a alta. Mientras que la reflectancia en la región roja (ρRed) muestra una respuesta casi plana una vez que el índice de área foliar (LAI) excede 2, el i nfrarrojo cercano (NIR) de reflectancia (ρNIR) siga respondiendo en f orma significativa a los cambios en Gitelson, A. A. (2004). la densidad de la vegetación de moderada a alta (LAI 2-6) en los cultivos. Sin Wide Dynamic Range embargo, esta mayor sensibilidad de la ρNIR tiene poco efecto sobre los Vegetation Index for valores de NDVI una vez que el ρNIR excede 30%. En este t rabajo se propuso Remote Quantification of una simple modificación del NDVI. El índice de vegetación ancha de rango Biophysical dinámico, WDRVI = (a * ρNIR-ρRed) / (a * ρNIR + ρRed), donde el coeficiente Characteristics of 31 de ponderación a tiene un valor de 0,1-0,2, aumenta la correlación con la Vegetation. Journal of fracción de vegetación por linealizar la relación típica para el trigo, soja y maíz. Plant Physiology, 161(2), La sensibilidad de la WDRVI a moderado a alto LAI (entre 2 y 6) era al menos 165 –173. tres veces mayor que la del NDVI. Mediante la mejora de la gama dinámica http://doi.org/10.1078/01 durante el uso de las mismas bandas como el NDVI, la WDRVI permite una 76-1617-01176 caracterización más robusta de la fisiológia de los cultivos y las características fenológicas. Aunque este índice requiere una evaluación adicional, la relación lineal con la fracción de vegetación y tiene una mayor sensibilidad a los cambios en LAI será especialmente valiosa para la agricultura de precisión y control del estado de vegetación en condiciones de densidad moderada a alta. Se prevé que el nuevo índice complementará los índices NDVI y otra vegetación que se basan en las bandas espectrales rojo y NIR. (Gitelson, 2004)
32
Chen, Z., Yin, Q., Li, L., & Xu, H. (2010). Ecosystem Health Assessment by using remote sensing derived
Se recogió una composición de máximo de 10 días de SPOT / VEGETACIÓN NDVI desde 1998 hasta 2007, para evaluar la salud terrestre de la región de los ecosistemas a lo largo de la costa de la provincia de Zhejiang.El vigor, la organización y la capacidad de recuperación eran los tres principales características de la salud del ecosistema, en este documento el NDVI
65
WDRVI NDVI
Método para el cálculo de vigor organización y resiliencia
Índices Espectrales
Salud ambiental
data: A case study of terrestrial region along the coast in ZheJiang province. IEEE Geoscience and Remote Sensing Letters, 4526 – 4529.
promedio anual representó el vigor, el porcentaje de la vegetación y el movimiento del centroide representó la organización, y la pendiente la resiliencia. A continuación, el valor integrado de salud se calculó utilizando la multiplicación de esos indicadores. A continuación, se adquirieron los resultados de salud de los ecosistemas integrados. Los siguientes resultados fueron: (1) el vigor general se mantuvo estable en los últimos 10 años, pero había heterogeneidad espacial; (2) el porcentaje de vegetación disminuye y el centroide del NDVI se trasladó hacia tierra adentro; (3) la pendiente más baja distribuida alrededor de las ciudades y la costa, la capacidad de recuperación de vegetación disminuye; (4) el mejor estado de salud de los ecosistemas estaban en Fenghua, Pingyang, el peor de l os casos estaban en Shaoxing, Ningbo y Cixi. (Z. Chen et al., 2010)
(NDVI)
La mayoría de los animales usan el rango espectral "verde" para detectar a distancia la presencia y la v italidad de la vegetación. Mientras que los seres humanos poseen la misma capacidad en los ojos, los sensores espaciales artificiales que detectan la evolución de la vegetación mundial, han utilizado hasta ahora una combinación de los canales rojo e infrarrojo cercano en su Utilización del Gitelson, A. A., Kaufman, lugar. En este artículo nos desafiamos este enfoque, utilizando mediciones canal verde para Y. J., & Merzlyak, M. N. de los espectros de reflectancia de 400 nm a 750 nm con una resolución la medición de la (1996). Use of a green espectral de 2 ƞm, con determinación simultánea de las concentraciones de tasa fotosintética pigmentos de hojas senescentes maduras y en otoño. Se demuestra que, channel in remote y el estrés para una amplia gama de verdor de la hoja, la sensibilidad máxima de sensing of global vegetal vegetation from EOS- reflectancia coincide con el máximo de absorción del rojo de la clorofila-a 33 (GNDVI MODIS. Remote Sensing (Chl-a) a 670 ƞm. Sin embargo, para el amarillo -verde de las hojas verdes 2 of Environment, 58(3), (con Chl-a más de 3 a 5 g / cm ), la reflectancia cerca de 670 ƞm no es GARI sensible a la concentración de clorofila debido a la saturación de la relación 289 –298. http://doi.org/10.1016/S0 de absorciones frente a la concentración de clorofila. Se encontró que la NDVI 034-4257(96)00072-7 sensibilidad máxima concentración de Chl-a para una amplia gama de su ARVI) variación (0,3 a 45 g / cm 2), no es sorprendente por lo que, alrededor de la banda verde de 520 ƞm a 630 ƞm y también cerca de 700 ƞm. Se encontró que la inversa de la reflectancia en la banda verde era proporcional a la concentración de Chl-a con una correlación de r 2> 0,95. Esta banda estará presente en varios sensores de l os satélites futuros con una vi sión global de la vegetación (SeaWiFS que será lanzado en 1996, Pólder en ADEOS-1
66
Índices Espectrales
también en 1996, y MODIS sobre EOS en 1998 y 2000). Nuevos índices se desarrollan que utilizan el canal verde y son resistentes a los efectos atmosféricos. Un verde NDVI = (ρNIR - ρGreen) / (ρNIR + ρGreen) fue probado para una gama de Chl-A de 0,3 µg / cm 2 a 45 µg / cm 2, y se encontró que un error en la clorofila una derivación a nivel de la hoja de menos de 3 g / cm2. El nuevo índice tiene un rango dinámico más amplio que el NDVI y es, en promedio, al menos cinco veces más sensible a la Chl-a concentración. Un índice de vegetación atmosféricamente resistente verde (GARI), adaptado en el concepto de ARVI (Kaufman y Tanré, 1992 en (Gitelson, Kaufman, & Merzlyak, 1996), se desarrolla y se espera que sea tan r esistente a los efectos atmosféricos como ARVI pero más sensibles a una amplia gama de Cl-a concentraciones . Mientras que el NDVI y ARVI son sensibles a la fracción de vegetación y de la velocidad de absorción de la radiación solar fotosintética, un índice de vegetación verde como GARI debe añadirse para detectar la concentración de clorofila, para medir la tasa de fotosíntesis y controlar el estrés vegetal. (Gitelson et al., 1996) Homolová, L., Malenovský, Z., Clevers, J. G. P. W., GarcíaSantos, G., & Schaepman, M. E. (2013). Review of optical34 based remote sensing for plant trait mapping. Ecological Complexity, 15, 1 –16. http://doi.org/10.1016/j.ec ocom.2013.06.003
35
El tratamiento de datos planta se han utilizado en varios estudios relacionados con el funcionamiento de los ecosistemas, ecología de comunidades, y la evaluación de los servicios de los ecosistemas. Las evidencias son que los científicos están de acuerdo en un conjunto de características de las principales de las plantas, que son relativamente fáciles de medir y tener una respuesta predictiva estable y fuerte para las funciones Mapeo de la del ecosistema. Sin embargo, las mediciones de datos en campo de los características rasgos de las plantas están todavía limitadas a un área pequeña, a un cierto de la vegetación momento en el tiempo y para cierto número de especies únicas. Por lo tanto, (Ch, N, P) la teledetección (RS) ofrece un potencial para complementar o incluso sustituir las mediciones de campo de algunos rasgos de la planta. Se ofrece información espacialmente contigua e instantánea, cubre áreas más grandes y en caso de observaciones por satélite ganancias por su capacidad de revisión. (Homolová, Malenovský, Clevers, García-Santos, & Schaepman, 2013)
Luoto, M., Toivonen, T., Este trabajo tiene como objetivo estudiar la previsibilidad de los patrones de Predicción de & Heikkinen, R. K. mesoescala de la riqueza de especies de plantas vasculares en un paisaje riqueza de (2002). Prediction of total agrícola y rivereño finlandés. Utilizando modelos lineales generalizados, especies a partir
67
Salud Ambiental
Organización
and rare plant species richness from satellite images and GIS data in agricultural landscapes. Landscape Ecology, 17(3), 195 –217. http://doi.org/10.1023/A:1 020288509837
Li, Z., Xu, D., & Guo, X. (2014). Remote sensing of ecosystem health: opportunities, challenges, 36 and future perspectives. Sensors, 14(11), 21117 – 21139. http://doi.org/10.3390/s14 1121117
registros florísticos y las variables ambientales derivadas de las imágenes Landsat TM y un modelo de elevación digital, construimos modelos para el número total de especies de plantas y el número de rarezas. Se valida la exactitud de los modelos derivados con un equipo de prueba de 52 cuadrículas en el área de estudio principal. Los modelos finales explican 46 a 51% de la variación en los datos de las especies. Extrapolamos los dos modelos de la zona de estudio básico para toda el área de estudio de 601 km² y La riqueza de especies producidas utilizando los mapas de probabilidad, usando técnicas de SIG. Los resultados sugieren que los puntos de acceso locales de flora total (cuadrículas con> 200 especies) se encuentran principalmente en los valles de los ríos, donde se encuentra un mosaico agroforestal semiabierto. Los puntos de acceso de especies raras (cuadrículas con > 4 especies raras) se encuentran principalmente en los valles de los ríos heterogéneos, en los extensos pastizales seminaturales y hierbas ricas de bosques de hoja caduca, se producen en pendientes pronunciadas. (Luoto, Toivonen, & Heikkinen, 2002) El mantenimiento de un ecosistema saludable es esencial para maximizar los servicios ecológicos sostenibles de la mejor calidad, a los seres humanos. La investigación ecológica y la conservación han proporcionado una sólida formación científica en la identificación de los indicadores de salud ecológica y, correspondientemente, hacer planes eficaces de conservación. Al mismo tiempo, los ecologistas han afirmado una fuerte necesidad de ev aluación de la salud de los ecosistemas espacialmente explícitos y temporalmente eficaces basados en los datos de teledetección. En la actualidad, la teledetección de la salud del ecosistema se basa únicamente en el atributo de un ecosistema: el vigor, la organización o la capacidad de recuperación. Sin embargo, una evaluación eficaz de la salud de los ecosistemas debería ser una medida integral y dinámica de los tres atributos. Este documento analiza las oportunidades de teledetección, incluyendo óptica, radar y LIDAR, para estimar directamente los indicadores de los tres atributos del ecosistema, se analizan los principales desafíos para desarrollar un sistema de salud de los ecosistemas remoto basado en la detección espacialmente explícita integral, y ofrece algunas perspectivas futuras. Los principales desafíos para desarrollar un sistema de salud de los ecosistemas remoto
68
de imagines Landsat Riqueza
Revisión de Salud ecosistémica a partir de sensores remotos.
Salud Ambiental
basado en la detección espacialmente explícita integral son: (1) tema de escala; (2) tema facilidad de transporte; (3) la disponibilidad de datos; y (4) las incertidumbres en los indicadores de salud estimados a partir de los datos de teledetección. Sin embargo, l a constelación Radarsat-2, próximos nuevos sensores ópticos de datos LiDAR tecnologías mejoradas para la adquisición y procesamiento de hiperespectral, multi-ángulo óptica, radar Cosmovisión-3 y Sentinel-2 satélites, y, y, y la fusión de datos multi-sensoral puede en parte, frente a los retos actuales. (Li et al., 2014) La cobertura vegetal es un parámetro importante que se utiliza para evaluar la relación entre la vegetación y la erosión del suelo. Sin embargo, la intensidad de la erosión del suelo cambia realmente no sólo con la cobertura vegetal, sino también con diferencias en el tipo y estructura de la vegetación. Cómo integrar el efecto acumulativo de las diferentes formas de crecimiento Zhongming, W., Lees, B. que componen una comunidad vegetal en un índice para su inclusión en la G., Feng, J., Wanning, pérdida de suelo en las ecuaciones de predicción es una pregunta de L., & Haijing, S. (2010). investigación abierta. En este trabajo se propone un método para medir por Contribución de Stratified vegetation separado la cobertura de diferentes estratos de vegetación, estimar su la cobertura cover index: A new way contribución a la reducción de la pérdida de suelo, y luego integrarlo en un vegetal a la 37 to assess vegetation único índice de vegetación llamado el índice de cobertura de vegetación disminución de la impact on soil erosion. estratificada (Cs). Los resultados muestran que Cs es más eficaz que la pérdida de suelo CATENA, 83(1), 87 –93. cobertura vegetal proyectada para la evaluación de la erosión del suelo y http://doi.org/10.1016/j.ca también puede superar las desventajas de los índices de vegetación como el NDVI. Esto significa que Cs es un buen sustituto de la cobertura v egetal o de tena.2010.07.006 índices de vegetación de la cobertura relacionados en los estudios sobre la relación entre la vegetación y la erosión del suelo. El concepto de Cs puede ayudar a los gobernadores locales o departamento forestal comprenden la importancia de la estructura de la vegetación y tomar decisiones de gestión de derechos. (Zhongming et al., 2010)
Índices espectrales
Xu, C., Li, Y., Hu, J., Yang, X., Sheng, S., & Liu, M. (2012). 38 Evaluating the difference between the normalized difference vegetation
Índices espectrales
Tanto la productividad primaria neta (NPP) y el índice de vegetación de diferencia normalizada (NDVI) son comúnmente utilizados como indicadores para caracterizar vigor de la vegetación, y el NDVI se ha utilizado como un estimador indirecto de la NPP en algunos casos. Para evaluar la f iabilidad de dicha subrogación, aquí examinamos la diferencia cuantitativa entre la NPP y el NDVI en sus resultados de la evaluación del vigor de la vegetación a
69
Comparación entre el NDVI y PNN
index and net primary productivity as the indicators of vegetation vigor assessment at landscape scale. Environmental Monitoring and Assessment, 184(3), 1275 –1286. http://doi.org/10.1007/s10 661-011-2039-1
escala de paisaje. El uso de datos de Landsat ETM + y un modelo de proceso, en el simulador de productividad del ecosistema boreal, la distribución del NPP fue asignada a una resolución de 90 m, y el NDVI total durante la estación de crecimiento se calculó en la cuenca del río Heihe, en el noroeste de China en el 2002. Los resultados de la comparación entre los mapas de clasificación de la NPP y el NDVI muestran que existía una diferencia sustancial en términos de superficie como de la distribución espacia, l entre los resultados de la evaluación de estos dos indicadores, a pesar de que están fuertemente correlacionados. Los grados de diferencia pueden ser influenciados por los esquemas de evaluación, así como el tipo de vegetación y las ecozonas. En general, el NDVI no es un buen sustituto de la NPP como los indicadores de evaluación de vigor de la vegetación en el área de estudio. No obstante, el NDVI podría servir como un indicador sustituto bajo la condición de que la región objetivo tenga una escasa cobertura vegetal y la evaluación tenga sistemas de clasificación relativamente gruesas (es decir, el número de clases es pequeño). Se sugiere que el uso de la PNN y NDVI debe ser cuidadosamente seleccionada en la evaluación del paisaje. Sus diferencias necesitan ser más evaluados a través de áreas geográficas y biomas. (C. Xu et al., 2012)
El ecosistema de pastizales es uno de los ecosistemas más grandes, que se produce de forma natural en todos los continentes excluyendo la Antártida y proporciona funciones ecológicas y económicas. El deterioro de los pastizales Xu, D., & Guo, X. (2015). naturales ha estado atrayendo a muchos investigadores de pastizales para Some Insights on controlar el estado de pastizales y la dinámica durante décadas. Las técnicas Grassland Health de teledetección, que se hacen avanzan en el tratamiento de las restricciones Assessment Based on de escala de la investigación ecológica y proporcionan información temporal, Salud ambiental Remote Sensing. 39 se convierten en un poderoso método de seguimiento del ecosistema de de los pastizales Salud ambiental Sensors, 15(2), 3070 – pastizales. Hasta ahora, los estudios de seguimiento de l a salud de pastizales 3089. se han centrado principalmente en diferentes áreas, por ejemplo, la http://doi.org/10.3390/s15 evaluación de la productividad, la clasificación, la dinámica de la v egetación, 0203070 la capacidad de transporte de ganado, l a intensidad de pastoreo, la detección de desastres naturales, incendios, el cambio climático, la evaluación de la cobertura y la erosión del suelo. Sin embargo, el ecosistema de pastizales es un sistema complejo que se forma por el suelo, la vegetación, la fauna y el
70
ambiente. Por lo tanto, es el momento de considerar el ecosistema de pastizales como una entidad de forma sintética y establecer un sistema de vigilancia de la salud de pastizales integrado para combinar diferentes aspectos del ecosistema complejo de pastizales. En esta revisión, los métodos de vigilancia de la salud de pastizales actuales, incluyendo la evaluación de la salud del pastizal, la evaluación de la salud del ecosistema y el seguimiento de pastizales por teledetección desde diferentes aspectos, se analizan junto con las direcciones futuras de evaluación de la salud de los pastizales. (D. Xu & Guo, 2015) Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, R. (2007). Comparación de índices espectrales para la 40 predicción del IAF en canopeos de maíz. TELEDETECCIÓN, 125 – 129.
El objetivo del trabajo fue evaluar la sensibilidad de distintos índices espectrales al Índice de Área Foliar (LAI) en canopeos de maíz. Se determinaron relaciones exponenciales entre el LAI y los índices NDVI670 y MSAVI, las que se saturaron para valores de LAI superiores a 3, limitando su uso hasta V8. El NDVI710 y el GNDVI presentaron un comportamiento logarítmico, alcanzando la saturación para valores de LAI superiores a 4, prolongando su utilidad hasta V10. Únicamente los índices REIP y R800/R550 presentaron relaciones lineales y pudieron ser usados durante todo el ciclo de crecimiento del cultivo (Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, 2007)
Calvo Polanco, M., Silva Pando, F. J., Rozados Lorenzo, M. J., Díaz Blanco, M., Rodríguez Dorriba, P., & Duo Suárez, I. (2005). El 41 índice de área foliar (LAI) en masas de abedul (Betula celtiberica rothm. et vasc.) en Galicia. Sociedad Española de Ciencias Forestales, 20, 111 –116.
El índice de área foliar (LAI) es un parámetro escasamente estudiado en las masas forestales españolas. En masas naturales y repoblaciones de abedul (Betula celtiberica Rothm. et Vasc.) de un amplio rango de edades, densidades y estaciones, localizados en Galicia se ha medido el LAI con un analizador de dosel arbóreo Li-Cor LAI 2000. Los resultados obtenidos muestran valores entre 0,5 y 4,7, con un valor medio de 2,6, siendo éste equiparable al de otras especies de abedul en Europa y América. No se han detectado correlaciones significativas del LAI con los parámetros de masa (densidad, diámetro, área basimétrica, calidad de estación, biomasa o regeneración), aunque sí se ha encontrado que los mayores valores de LAI se corresponden con un área basimétrica mayor y una menor regeneración. Se ha observado una correlación mayor con los tipos de masa (monte alto y monte bajo). La gestión selvícola y el carácter intolerante del abedul pueden explicar las bajas correlaciones observadas. (Calvo Polanco et al., 2005)
71
Sensibilidad de los VI’s al LAI (NDVI GNDVI MSAVI)
LAI
Índices espectrales
LAI
Wang, Q., Adiku, S., Tenhunen, J., & Granier, A. (2005). On the relationship of NDVI with leaf area index in a deciduous forest site. 42 Remote Sensing of Environment, 94(2), 244 – 255. http://doi.org/10.1016/j.rs e.2004.10.006
Numerosos estudios han informado sobre la relación entre el índice de vegetación de diferencia normalizada (NDVI) y el índice de área foliar (LAI), pero la variabilidad estacional y anual de esta relación ha sido menos explorada. Se presenta el estudio de la relación NDVI-LAI a través de los años 1996 a 2001 en un sitio de bosque de hoja caduca. Seis años de patrones LAI del bosque se estimó utilizando un m odelo de transferencia radiativa con el aporte de las mediciones del dosel encima y por debajo de la radiación Relación NDVI y global, mientras que los conjuntos de datos de NDVI fueron recuperados de LAI en bosques la composición de NDVI de series de tiempo de varias fuentes de caducifolios. teledetección, a saber NOAA Advanced Very High Resolution Radiometer (AVHRR; 1996, 1997, 1998 y 2000), SPOT VEGETATION (1998-2001), y Terra MODIS (2001). El NDVI Compuesto fue utilizado por primera vez para eliminar el ruido residual basado en un ajustado transformada de Fourier y obtener las series temporales de NDVI para cada día durante cada año (Q. Wang, Adiku, Tenhunen, & Granier, 2005)
72
LAI
He, K. S., Zhang, J., & Zhang, Q. (2009). Linking variability in species composition and MODIS NDVI based on beta 43 diversity measurements. Acta Ecológica, 35(1), 14 –21. http://doi.org/10.1016/j.ac tao.2008.07.006
Encontrar un método eficaz para cuantificar cambios en la composición de especies en el tiempo y en el espacio ha sido una tarea importante para los ecologistas y biogeógrafos. Recientemente, la exploración de los patrones florísticos regionales utilizando los datos derivados de imágenes de satélite, tales como el índice de vegetación de diferencia normalizada (NDVI) ha dibujado líneas de investigación considerables entre los ecologistas. Los estudios han demostrado que NDVI podría ser una bastante buena sustituta para productividades primarias. En este estudio, hemos utilizado los datos de distribución de plantas en los estados del l Norte y Carolina del Sur para investigar las correlaciones entre la composición de especies y NDVI dentro de eco regiones que se definan mediante la prueba de Mantel y el procedimiento de permutación multi-respuesta (MRPP). Nuestro enfoque analítico implicó la generación de matrices de disimilitud de composición NDVI y mediante el cálculo de las diversidades beta por pares de los 145 condados distribución beta en los dos estados para los datos de distribución de las especies y mediante de especies. el cálculo de las distancias euclidianas de datos de series temporales de NDVI. Se argumenta que las medidas de diversidad beta toman las diferencias por pares en cuenta de manera explícita y podrían proporcionar más información de correlación espacial en comparación con regresiones uni o multi-dimensionales. Nuestros resultados mostraron una correlación positiva significativa entre las especies de las matrices de disimilitud de composición y las matrices de distancia del NDVI. También se encontró por primera vez que la fuerza de correlación aumentó a un rango taxonómico inferior. Las mismas tendencias se descubrieron al incorporar la v ariabilidad en los patrones fenológicos en el NDVI. Nuestros hallazgos sugieren que la percepción remota NDVI puede ser viable para el seguimiento de cambios en la composición de especies a escala regional. (He, Zhang, & Zhang, 2009)
Hofer, G., Bunce, R. G. H., Edwards, P. J., Szerencsits, E., Wagner, 44 H. H., & Herzog, F. (2011). Use of topographic variability for assessing plant diversity
La relación entre la diversidad de plantas y la variabilidad topográfica en los paisajes agrícolas se investigó, con el objetivo de determinar si las unidades de paisaje de muestreo de 1 km2 (LU) a través de un gradiente de variabilidad topográfica es más eficiente que un diseño aleatorio para evaluar el r ango de la biodiversidad climáticamente y biogeográficamente en áreas homogéneas llamados sub-regiones. Datos representativos de especies vegetales del programa de monitoreo de la biodiversidad en Suiza fueron analizados
73
Análisis de composición paisajística a partir de unidades de paisaje establecidas
Organización
Organización
in agricultural landscapes. Agriculture, Ecosystems & Environment, 142(3-4), 144 –148. http://doi.org/10.1016/j.ag ee.2011.04.011
cubriendo un amplio gradiente ambiental de cuatro pisos altitudinales y siete regiones biogeográficas. El foco del estudio se estableció en áreas agrícolas, pero todo el conjunto de datos se analizó bien para poner las LU’s agrícolas en un contexto general. Las especies de plantas listas de LU’s se utilizaron para calcular dos componentes de la diversidad: ECOrichness, el número de tipos de plantas ecológicas por LU (como una m edida de la diversidad beta) y AGROrichness, el número de especies de importancia para l a conservación de la agricultura. Los modelos de regresión mixtos se utilizaron para analizar los efectos de la variabilidad topográfica de las dos componentes de la diversidad vegetal, incluidas las sub-regiones (áreas con la misma combinación de cinturón altitudinal y la región biogeográfica) como factor aleatorio. Estos análisis se realizaron para todo el conjunto de datos (419 LU dentro de 22 sub-regiones) y para el subconjunto focal de 187 LU agrícolas dentro de los 13 subregiones. ECOrichness aumentó significativamente con la variabilidad topográfica tanto para el general y el conjunto de datos agrícolas. Las correlaciones parciales dentro de las sub-regiones revelaron tendencias consistentes para los LU agrícolas, pero algunas inconsistencias para todo el conjunto de datos. Para el seguimiento de LU agrícolas de la toma de muestras a lo largo de un gradiente de variabilidad topográfica tanto, se sugiere com o un medio eficaz para la evaluación del rango de diversidad de especies de plantas dentro de las subregiones. En comparación con otras medidas de l a heterogeneidad del paisaje como la heterogeneidad del hábitat, el muestreo de las LU’s a lo largo de la variabilidad topográfica es barato y de fácil aplicación y se demostró para trabajar en gradientes ambientales más grandes. (Hofer et al., 2011)
Lawes, R. A., & Wallace, J. F. (2008). Monitoring an invasive perennial at 45 the landscape scale with remote sensing. Ecological Management & Restoration, 9(1), 53 –
A nivel mundial, las malas hierbas invasoras amenazan los ecosistemas agrícolas, naturales y urbanos. En las regiones agrícolas y ganaderas de Australia, las especies invasoras establecen a menudo a una extensa área donde el control de malezas se ve obstaculizada por la incapacidad de detectar la ubicación y el momento de un brote. En estos vastos paisajes, se requiere una detección y seguimiento sistema eficaz para delinear la extensión de la invasión e identificar los factores espaciales y temporales
74
Monitoreo de especies invasoras
Organización
59. asociados con el establecimiento de malezas y engrosamiento. En este http://doi.org/10.1111/j.14 estudio, utilizamos una serie temporal de imágenes de teledetección para 42-8903.2008.00387.x identificar los patrones espaciales y temporales de la acacia espinosa ( Acacia nilotica) invasora en las llanuras de hierba de en North Queensland. Desarrollamos un índice espectral a partir de imágenes Landsat que se aplica a las imágenes desde 1989 hasta 2004, en combinación con una máscara de clasificación, para identificar lugares y monitorear los cambios en la densidad del higo de Acacia a través de 29 000 km 2 de las llanuras de hierba de Mitchell. El enfoque de identificación espectral y firmas temporales consistente con la infestación acacia espinosa de 1,9% de este paisaje. La comprobación sobre el terreno de los re sultados confirmó la presencia de la maleza en lugares no registrados anteriormente. El método puede ser utilizado para evaluar la propagación futura, o resultados de las estrategias de gestión para la acacia espinosa en este paisaje y podría ser empleado para detectar y controlar las invasiones en otros paisajes extensos. (Lawes & Wallace, 2008) Pueden riqueza de especies y rareza ser predichas desde el espacio? Si los índices de vegetación derivados de satélites nos pueden dar predicciones precisas de riqueza y rareza en un área, pueden servir como una excelente Levin, N., Shmida, A., herramienta en la diversidad y la investigación de la conservación, Levanoni, O., Tamari, H., especialmente en zonas de difícil acceso. La creciente disponibilidad de & Kark, S. (2007). imágenes satelitales de alta resolución nos está permitiendo estudiar esta Predicting mountain plant cuestión con más cuidado. Tomamos muestras de la riqueza de especies y Relación, riqueza y rareza y el richness and rarity from rareza en 34 cuadrantes (1000 m 2) a lo largo de un gradiente de elevación NDVI space using satelliteentre 300 y 2.200 m centrándose en el Monte Hermon como estudio de caso. 46 derived vegetation A continuación, utilizó 10 imágenes del satélite Landsat, Aster, y QuickBird (Landsad indices. Diversity and que van durante varias t emporadas, subiendo a muy altas resoluciones, para Aster Distributions, 13(6), 692 – examinar la relación entre la riqueza de especies, rareza, y los índices de QuickBird) 703. vegetación calculados a partir de las imágenes. Se utilizó el índice de http://doi.org/10.1111/j.14 vegetación de diferencia normalizada (NDVI), uno de los índices de 72-4642.2007.00372.x vegetación más comúnmente utilizados, que está fuertemente correlacionada con la producción primaria global y localmente (en más temporadas y en ambientes secos y / o ambientes fríos que tienen amplias gamas de valores de NDVI). Todas las imágenes mostraron una correlación positiva significativa
75
Organización
entre el NDVI y tanto la riqueza de especies de plantas y el porcentaje de la cobertura arbórea arbórea (con R2 tan alto como 0,87 entre el NDVI y la riqueza total de la planta y 0,89 para la riqueza anual de la planta). Las imágenes de alta resolución nos permitieron examinar la heterogeneidad espacial en el NDVI dentro de nuestros cuadrantes. La riqueza de especies se correlacionó significativamente con la desviación estándar de los valores del NDVI (pero no con su coeficiente de variación) dentro de los cuadrantes y entre imágenes. Al contrario de la riqueza, rareza de tamaño de rango relativa negativamente con el NDVI en todas las imágenes, siendo este resultado significativo en la mayoría de los casos. Por lo tanto, dado que son validados por el trabajo de campo, los índices obtenidos por satélite pueden arrojar luz sobre la riqueza e incluso patrones de rareza en las montañas, muchos de los cuales son centros importantes de la biodiversidad. (Levin, Shmida, Levanoni, Tamari, & Kark, 2007) Este artículo de revisión evalúa el potencial de la teledetección para la evaluación de la diversidad de especies, una tarea cada vez más urgente. Los estudios existentes de los patrones de distribución de especies que utilizan sensores remotos se pueden clasificar básicamente en tres tipos. El primero implica asignación directa de plantas o asociaciones de especies individuales en unidades relativamente grandes, espacialmente contiguas Nagendra, H. (2001). individuales. La segunda técnica consiste en el mapeo de hábitats a partir de Using remote sensing to datos obtenidos por teledetección, y las predicciones de distribución de las Potencial de la assess biodiversity. teledetección especies en base a los requerimientos de hábitat. Por último, el International Journal of establecimiento de relaciones directas entre los valores de radiancia espectral para la 47 Remote Sensing, 22(12), registrados a partir de sensores remotos y los patrones de distribución de evaluación de la 2377 –2400. –2400. especies registradas en observaciones de campo puede ayudar a evaluar la diversidad de http://doi.org/10.1080/01 diversidad de especies. La correspondencia directa es aplicable sobre especies 431160117096 extensiones más pequeñas, para obtener información detallada sobre la distribución de determinadas especies o asociaciones del dosel. Las estimaciones de las relaciones entre los v alores espectrales y distribución de las especies pueden ser útiles para el propósito limitado de indicar las zonas con mayores niveles de diversidad de las especies, y se puede aplicar sobre extensiones espaciales de cientos de kilómetros cuadrados. Los mapas de hábitat parecen más capaces de proporcionar información sobre la
76
Organización
distribución de un gran número de especies en una variedad más amplia de tipos de hábitat. Esto está fuertemente limitado por la variación en la composición de las especies, y m ejor aplicada sobre extensiones espaciales limitadas de decenas de kilómetros cuadrados (Nagendra, 2001). Räsänen, A., Kuitunen, M., Hjort, J., Vaso, A., Kuitunen, T., & Lensu, A. (2016). The role of landscape, topography, and geodiversity in explaining vascular plant species richness in a 48 fragmented landscape. BOREAL ENVIRONMENT RESEARCH, 21, 53 – 53 –70. 70. Retrieved from http://www.borenv.net/BE R/pdfs/ber21/ber21053.pdf
Explica los patrones de riqueza de las especies de plantas en unos 286 km2 paisaje fragmentado con una notable influencia humana. El objetivo de este estudio era doble: para probar la importancia relativa de las medidas de paisaje, topografía y geodiversidad, y para comparar tres diferentes tipos de paisaje variables en el modelado de riqueza de especies. Por otra parte, se probó si los resultados difieren cuando se consideran solamente las especies nativas. Se utilizó un modelo lineal generalizado de partición basada en la variación y modelos aditivos generalizados con diferentes conjuntos de variables explicativas. El paisaje y la topografía explicaron la mayor parte de la variación, pero la importancia relativa de la topografía y la geodiversidad fue de más importancia en la explicación de que la riqueza de especies nativas que en la explicación de la riqueza total de especies. Las diferencias entre las tres variables de tipo de paisaje fueron pequeñas y proporcionaron información complementaria. Por último, la topografía y la geodiversidad menudo dirigen la acción humana y pueden ser causas últimas detrás de la variabilidad del paisaje paisaje y los patrones de riqueza riqueza de especies. (Räsänen (Räsänen et al., 2016)
Rocchini, D., Boyd, D. S., Féret, J.-B., Foody, G. M., He, K. S., Lausch, A., … Pettorelli, N. (2016). Satellite remote sensing 49 to monitor species diversity: potential and pitfalls. Remote Sensing in Ecology and Conservation, 2(1), 25 – 36.
Evaluar el nivel de diversidad en las comunidades de plantas a partir de datos sobre el terreno es difícil por una serie de razones prácticas: (1) establecer el número de unidades de muestreo que deben ser investigados puede ser difícil; (2) la elección del diseño de la muestra puede tener un impacto en los resultados; y (3) la definición de la población de interés puede ser un reto. La Percepción Remota Satelital (SRS) es uno de los métodos más rentables para identificar los focos de biodiversidad y predecir los cambios en la composición de las especies. Esto es porque, en contraste con los métodos de campo, permite coberturas espaciales completas de la superficie de la Tierra, en un corto período de tiempo. Por otra parte, SRS ofrece medidas repetidas, por lo que es posible el estudio de los cambios temporales en la biodiversidad. A continuación, ofrecemos una breve revisión del potencial de los satélites para ayudar a control de cambios en la diversidad de especies
77
Riqueza de especies en función de la topografíay la geodiversidad
Organización
(CLC DEM)
Identificación de Hotspts de biodiversidad a partir de RS y peligros potenciales del uso inadecuado de las imágenes
Organización
http://doi.org/10.1002/rse de plantas, y proporcionar, por primera vez, una visión general de los peligros potenciales asociados con el uso indebido de las imágenes de satélite para 2.9 predecir la diversidad de especies. Nuestro trabajo m uestra que, mientras que la evaluación de la diversidad alfa es relativamente sencillo, el cálculo de la diversidad beta (variación en la composición de especies entre los lugares adyacentes) adyacentes) es un reto, por lo que es difícil estimar con fiabilidad la diversidad gamma (diversidad total en el paisaje o regional nivel). Llegamos a la conclusión de que se necesita una mayor colaboración entre las comunidades científicas de la teledetección y la biodiversidad con el fin de abordar adecuadamente los desafíos y desarrollos futuros. (Rocchini et al., 2016) Sun, Y., Piao, S., Huang, M., Ciais, P., Zeng, Z., Cheng, L., Zeng, H. (2016). Global patterns and climate drivers of water-use efficiency in terrestrial ecosystems 50 deduced from satellitebased datasets and carbon cycle models. Global Ecology and Biogeography, 25(3), 311 –323. –323. http://doi.org/10.1111/ge b.12411
El WUE , WUE t t e IWUE t t producen producen diferentes relaciones espaciales con las Uso del agua en variables climáticas. En los ecosistemas secos, las pérdidas de agua por los ecosistemas evaporación desde el suelo desnudo, sin correlación con la productividad, terrestres tienden a hacer que los WUE sean más bajos que en las regiones más húmedas. Sin embargo, la conductancia del dosel es intrínsecamente eficiente en esos ecosistemas y mantiene un alto IWUEt. Esto sugiere que las respuestas de cada componente de flujo de evapotranspiración deben analizarse por separado en la investigación de los gradientes regionales en el WUE, su variabilidad temporal y sus tendencias (Sun et al., 2016)
Wilkes, P. T. V. (2016, January 13). Assessment Assessment of forest canopy vertical structure with multi-scale 51 remote sensing: from the plot to the large area. University of Twente, Enschede, The Netherlands. Retrieved
La atribución de la estructura del bosque forma parte integrante de las obligaciones de vigilancia e información internacional con respecto a la gestión sostenible de los bosques. Por otra parte, la información detallada sobre la estructura del bosque permite a los administradores de tierras forestales y científicos para determinar la capacidad de los bosques para proporcionar servicios de los ecosistemas. Actualmente, la atribución de bosque se consigue utilizando una red de parcelas de inventario forestal visitadas periódicamente. Este enfoque comprende una muestra escasa, tanto temporal como espacialmente, que pueden no captar la variación en la
Para investigar cómo la eficiencia del ecosistema del uso del agua (WUE) varía espacialmente en diferentes condiciones climáticas, y cómo las variaciones espaciales en el WUE difieren difieren de la transpiración-base del uso eficiente del agua (WUE (WUE t t ) y la transpiración-base transpiración-base del uso eficiente inherente del agua (IWUEt)
78
Técnicas de teledetección para el manejo forestal Lidar
Organización
Organización
from http://www.itc.nl/library/p apers_2016/phd/wilkes.p df
Díaz-Delgado, R., Lloret, F., Pons, X., & Terradas, J. (2002). SATELLITE EVIDENCE OF DECREASING RESILIENCE IN MEDITERRANEAN 52 PLANT COMMUNITIES AFTER RECURRENT WILDFIRES. Ecology, 83(8), 2293 –2303. http://doi.org/10.1890/00 129658(2002)083[2293:SE ODRI]2.0.CO;2
estructura del bosque. Esto es particularmente cierto en l os bosques nativos dinámicos donde la variabilidad en la estructura del bosque puede ser alto. En los últimos años gracias a la capacidad de las técnicas de teledetección ha realizado para aplicaciones de manejo forestal sostenible. Las ventajas de un enfoque de teledetección incluyen sinóptica y cobertura temporal alta, así como la reducción de costes para el usuario final. Por otra parte, el reciente avance en los sensores activos, tales como Light Detection and Ranging (LIDAR) han permitido la m edición de bosque tridimensionalmente detallando la estructura en amplias zonas. (Wilkes, 2016) La recuperación de la vegetación después del fuego ha sido ampliamente estudiada en el nivel de soporte en muchos tipos de ecosistemas terrestres, pero los factores que controlan la regeneración a escala de paisaje son menos conocidas. Sobre grandes áreas, el historial de incendios, el clima, la topografía, y el tipo dominante de vegetación pueden afectar la respuesta post-incendio. El aumento de la frecuencia de incendios, como está ocurriendo en algunos ecosistemas de tipo mediterráneo, puede reducir la resistencia del ecosistema, es decir, la capacidad de recuperación al estado anterior a la perturbación. Se utilizó el Índice de Diferencia Normalizada de Vegetación (NDVI) a partir de imágenes Landsat para monitorear recuperación de la vegetación tras los incendios sucesivos en un área de 32100 km2 de Cataluña (noreste de España) entre 1975 y 1993. En las zonas quemadas dos veces, los patrones de NDVI indicaron que el nuevo crecimiento después de los 70 f ue menor después del segundo incendio que después de la primera. Esta tendencia se observó varios años después del incendio, pero no inmediatamente después de fuego. La biomasa verde después del segundo incendio aumentó significativamente con intervalos de tiempo más largos entre los incendios. También hubo una correlación positiva entre el NDVI post fuego y la media de precipitaciones, mientras que se encontró una correlación negativa entre el NDVI y la radiación solar. Los Bosques dominados por el rebrote Quercus spp., eran más resistentes al fuego, pero mostraron una mayor disminución de la capacidad de recuperación después del segundo incendio que los bosques dominados por Pinus spp, que se regeneran a partir de semillas. Llegamos a la conclusión de que el uso de imágenes de series de tiempo satelitales puede ayudar a
79
Uso de NDVI para el estudio de áreas quemadas
Resiliencia
obtener un mejor conocimiento de la dinámica de la vegetación post fuego sobre grandes regiones y períodos de tiempo largos.(Díaz-Delgado, Lloret, Pons, & Terradas, 2002)
Rose, R. A., Byler, D., Eastman, J. R., Fleishman, E., Geller, G., Goetz, S., Wilson, C. (2015). Ten ways remote 53 sensing can contribute to conservation. Conservation Biology, 29(2), 350 –359. http://doi.org/10.1111/cob i.12397
En un esfuerzo por aumentar la efectividad de la conservación a través del uso de las tecnologías de observación de la Tierra, un grupo de científicos de teledetección afiliados a instituciones gubernamentales y académicas y organizaciones de conservación identificó 10 preguntas en la conservación para los cuales el potencial de ser contestadas se aumentaría en gran medida por el uso de datos de teledetección y el análisis de esos datos. Nuestros objetivos eran aumentar el uso de la teledetección por profesionales de la conservación 'para apoyar su trabajo, aumentar la colaboración entre la ciencia de la conservación y las comunidades de teledetección, identificar y desarrollar nuevos e innovadores usos de la teledetección para el avance de la ciencia de conservación, proporcionar orientación a las agencias espaciales de cómo futuras misiones de satélites pueden apoyar ciencia de la conservación, y generar el apoyo del sector público y privado en el uso de datos de teledetección para hacer frente a las 10 preguntas de conservación. Hemos identificado una amplia lista inicial de preguntas sobre la base de una encuesta por correo electrónico en cadena de referencia. A continuación, utiliza un método iterativo y de colaboración basada en taller para reducir gradualmente la lista a estas preguntas finales (que representan 10 temas principales en la conservación): ¿Cómo se pueden utilizar los datos de observación de la Tierra para modelar la distribución de especies y abundancia? ¿Cómo puede la teledetección mejorar la comprensión de los movimientos de los animales? ¿Cómo puede la percepción remota de las variables ambientales usarse para comprender, monitorear y predecir la respuesta y resiliencia del ecosistema de múltiples factores de estrés? ¿Cómo puede la teledetección utilizarse para controlar los efectos del clima sobre los ecosistemas? ¿Cómo el monitoreo en tiempo real puede reducir la amenaza, catalizar la gobernanza y el cumplimiento de la regulación y las decisiones en el manejo de recursos? ¿Cómo puede la teledetección informar a la configuración de redes de áreas protegidas en extensiones espaciales correspondientes a las poblaciones de l as especies objetivo y servicios de los ecosistemas? ¿Cómo pueden la teledetección de productos derivados
80
Percepción Remota y Conservación
Salud ambiental
utilizarse para valorar y controlar los cambios en los servicios de los ecosistemas? ¿Cómo puede la teledetección ser utilizada para monitorear y evaluar la eficacia de los esfuerzos de conservación? ¿De qué manera la expansión e intensificación de la agricultura y la acuicultura alteran los ecosistemas y los servicios que prestan? ¿Cómo pueden los sensores remotos utilizarse para determinar el grado en que los ecosistemas están siendo alterados o degradados y los efectos de estos cambios en las especies y funciones de los ecosistemas? (Rose et al., 2015)
van Leeuwen, W. J. D., Casady, G. M., Neary, D. G., Bautista, S., Alloza, J. A., Carmel, Y., … Orr, B. J. (2010). Monitoring post-wildfire vegetation response with remotely 54 sensed time-series data in Spain, USA and Israel. International Journal of Wildland Fire, 19(1), 75 – 93. http://doi.org/10.1071/WF 08078
Debido a los desafíos que se enfrentan los gestores de recursos en el mantenimiento post-incendio de la salud de los ecosistemas, existe una necesidad de métodos para evaluar las consecuencias ecológicas de las perturbaciones. Esta investigación examina un enfoque para evaluar los cambios en la dinámica de la vegetación post-incendio para los sitios en España, Israel y los EE.UU. que se quemaron en 1998, 1999 y 2002, respectivamente. Del satélite Moderate Resolution Imaging Spectroradiometer (MODIS) se obtuvo una serie de datos de series de tiempo (2000-07) del Índice de diferencia normalizada de vegetación (NDVI) que se utilizan para todos los sitios para caracterizar y realizar un seguimiento de l os Enfoque para evaluar los cambios estacionales y espaciales en respuesta de la vegetación. Las cambios en la tendencias post-incendio y métricas para las áreas quemadas son evaluadas dinámica de la y comparadas con los sitios no quemados de referencia para tener en cuenta vegetación postla influencia de las condiciones ambientales locales. La interpretación de los incendio datos de series de tiempo proporciona información detallada acerca de la NDVI influencia del clima sobre la v egetación post-incendio. Aunque sólo dos sitios muestran un incremento en la vegetación post-incendio, todos los sitios (MODIS) muestran disminuciones en la heterogeneidad a través del sitio. La evaluación de los indicadores fenológicos de la superficie terrestre, incluyendo el inicio y el final de la temporada, la base y el NDVI pico, y el NDVI de temporada integrada, muestran resultados prometedores, lo que indica la evolución de determinadas medidas de fenología post-incendio. Los resultados indican que este enfoque de seguimiento, basado en los datos de vegetación de series temporales basadas en satélites fácilmente disponibles, proporciona una herramienta valiosa para evaluar respuesta de la vegetación postincendio. (van Leeuwen et al., 2010)
81
Resiliencia
Este estudio examina cómo los datos de series temporales del verdor de la vegetación basados en satélites y las mediciones fenológicos se pueden utilizar para monitorear y cuantificar la recuperación de la vegetación tras los disturbios de incendios forestales y examinar cómo las trayectorias de recuperación de la severidad del fuego pre-fuego de reducción de combustible tratamientos de restauración impacto y la vegetación impacto. Fueron elegidos, pares de sitios de incendios forestales afectados y un sitio de referencia no quemado en las inmediaciones, para medir l a recuperación posterior a la perturbación en relación con la variación del clima. Todos los pares de estaciones fueron elegidos en las tierras altas forestales en Arizona y se limitaron a la zona del incendio de Rodeo-Chediski que se produjo en 2002. Los tratamientos de reducción de combustible se realizaron en 1999 y van Leeuwen, W. J. D. 2001. Las dinámicas de las v egetaciones inter-anuales y estacionales antes, Enfoque para (2008). Monitoring the durante y después de los incendios forestales pueden ser monitorizadas evaluar los Effects of Forest utilizando una serie temporal de cada dos semanas compuesta MODIS-NDVI Restoration Treatments (imágenes de resolución moderada de espectrorradiómetro –Índice de cambios en la on Post-Fire Vegetation Diferencia normalizada Vegetation) de datos. Los métodos de análisis de dinámica de la 55 Recovery with MODIS series temporales incluyen métricas de diferencia, filtros de suavizado y vegetación postincendio Multitemporal Data. funciones de ajuste que se aplicaron para extraer cambio estacional e Sensors, 8(3), 2017 – interanual y métricas fenológicos a partir de los datos de series temporales NDVI 2042. de NDVI de 2000 a 2007. Antes y datos de Landsat post-incendio se utilizaron http://doi.org/10.3390/s80 para calcular el índice de Proporción normalizada de incendio (NBR) y MODIS 32017 examinar la gravedad de la quemadura en los sitios seleccionados. Las métricas fenológicos (feno-métrica) incluyen la sincronización y verdor (es decir NDVI) para el inicio, pico y final de la temporada de crecimiento, así como medidas representativas de la tasa de reverdecimiento y la senescencia y la productividad anual de la vegetación. Los tratamientos de reducción de combustible previa al incendio provocado gravedad de los incendios más baja, lo que redujo la productividad anual mucho menor que las áreas no tratadas dentro del perímetro del incendio de Rodeo-Chediski. Las métricas de temporada demostraron ser útiles para estimar la tasa de recuperación de las perturbaciones post-incendio y el momento de las fases fenológicas de verdor. El uso de datos de series de tiempo de NDVI por satélite y derivados fenotipos-métricas muestran potencial para el seguimiento de la dinámica de la cobertura vegetal y los cambios de sucesión en respuesta a la sequía, las
82
Resiliencia
perturbaciones de los incendios forestales, y los tratamientos de restauración forestal en los bosques ha suprimido el fuego.(van Leeuwen, 2008) Gitelson, A. A., Viña, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003). Remote estimation of leaf area index and green leaf 56 biomass in maize canopies. Geophysical Research Letters, 30(5), n/a –n/a. http://doi.org/10.1029/20 02GL016450
El índice de área foliar (LAI) es una variable importante para la modelización del clima, las estimaciones de la producción primaria, la previsión del rendimiento agrícola, y muchos otros estudios diversos. La teledetección ofrece un potencial considerable para estimar el LAI a nivel local a escala Cálculo del LAI regional y global. Se han propuesto varios índices espectrales de v egetación, en cultivos de pero su capacidad para estimar el LAI es altamente reducida de moderada a maíz alta. En este trabajo, se propone una técnica para estimar el LAI y la biomasa NDVI de hojas verdes de forma r emota utilizando reflectancias espectrales en dos VARI canales, ya sea en el verde a 550 nm, o en el borde rojo cerca de 700 nm, y en el NIR (más allá de 750 nm). La técnica fue probada en los campos agrícolas bajo un dosel de maíz, y demostró ser adecuada para la estimación precisa de LAI que van desde 0 a m ás de 6. (Gitelson et al., 2003)
Los recursos de datos y marcos de evaluación son dos claves para la evaluación de la salud del ecosistema (EHA). La aplicación de la base de datos de uso del suelo junto con el modelo Presión – Estado - Respuesta (PSR) en EHA proporciona una mejor precisión relativa a los recursos de Yu, G., Yu, Q., Hu, L., datos tradicionales y marcos de evaluación para la EHA en la escala del Zhang, S., Fu, T., Zhou, condado. Los datos en bruto se toman de los Memorias del condado de Anlu, los Registros de suelo del condado de Anlu y el Anuario estadístico de Evaluación de la X., Jia, H. (2013). Salud Economía Nacional del condado de Anlu. Los datos espaciales y de atributos Ecosystem health Ecosistémica se extraen en parte de la base de datos de uso actual del suelo en la ciudad assessment based on 57 analysis of a land use de Anlu utilizando la plataforma MAPGIS. Con base en los resultados de un Análisis de análisis de componentes principales (PCA), se seleccionaron un total de once database. Applied Componentes Geography, 44, 154 –164. indicadores para construir un sistema de indicadores diseñados para evaluar Principales http://doi.org/10.1016/j.ap la salud de los ecosistemas a escala de condado. De acuerdo con el m odelo PSR, se calcularon las puntuaciones de los tres índices (índice de presión, geog.2013.07.010 índice de estado, y el índice de respuesta) y un índice de evaluación integral (CAI), además s e construyó un m apa. Los resultados de las puntuaciones de los índices y análisis espacial muestran un amplio rango para el estado de salud de los ecosistemas debido a l a evolución de los ecosistemas naturales y las actividades humanas en la escala del condado. La precisión de l a base
83
LAI
Salud Ambiental
de datos de uso del suelo actual (escala 1:10.000) hace que sea un mejor candidato para la evaluación de la salud del ecosistema que los recursos de datos tradicionales. Este estudio también demuestra los numerosos beneficios de la combinación de bases de datos de uso de la tierra con las funciones de SIG para evaluar la salud de los ecosistemas a escala de condado (Yu et al., 2013)
Zhou, Y., Zhang, L., Xiao, J., Chen, S., Kato, T., & Zhou, G. (2014).A Comparison of SatelliteDerived Vegetation Indices for Approximating Gross Primary 58 Productivity of Grasslands. Rangeland Ecology & Management, 67(1), 9 –18. http://doi.org/10.2111/RE M-D-13-00059.1
La productividad primaria bruta (GPP) es un componente clave de los flujos de carbono de los ecosistemas y el balance de carbono entre la biosfera y la atmósfera. La estimación precisa del GPP es esencial para la producción de plantas y cuantificación del balance de carbono de los pastizales. Los índices de vegetación derivados por satélite (VI’s) a menudo se utilizan para aproximar la GPP. El ampliamente utilizado VI’s incluyen al índice de vegetación resistente a la atmosférica, el índice de vegetación mejorado (EVI), el índice de v erdor diferencia normalizada, el índice de vegetación de diferencia normalizada, la reducción de la relación simple, el índice de vegetación relación, y el índice de la vegetación del ajustado al suelo (SAVI). La evaluación del desempeño de estos VI’s para aproximarse al GPP, sin embargo, se ha limitado a uno o dos VI’s y / o para usarse en las observaciones de GPP de uno o dos sitios. En este estudio se analizaron las relaciones entre nueve VI’s derivados de las imágenes de resolución moderada de espectrorradiómetro (MODIS) y mediciones de GPP- en cinco sitios con covarianza Eddy de flujo a través de los pastizales del norte de China. Nuestros resultados mostraron que los nueve VI’s son generalmente buenos predictores de la GPP para los pastizales del norte de China. En general, EVI fue el mejor predictor. La correlación entre el EVI y el GPP también se redujo desde el sur hacia el norte, lo que indica que EVI y GPP exhiben relaciones más estrechas en más sitios del sur con una cobertura vegetal superior. También se examinó la influencia estacional en la correlación entre los VI’s y la GPP. SAVI exhibió la mejor correlación con el GPP en primavera, cuando la cobertura de pastizales era escasa, mientras que EVI exhibió la mejor correlación con el GPP en verano, cuando la cobertura de pastizales era denso. Nuestros resultados también mostraron que las IV’s podrían capturar las v ariaciones en la GPP observado mejor en período de sequía que en el periodo no seco para un sitio de pradera alpina
84
Relación de la productividad primaria bruta con VI’s en praderaspastizales (EVI NDVI SAVI ARVI NDGI RVI RESR1 RSR2 RSR3)
Índices espectrales
debido a la supresión del crecimiento de la vegetación por la sequía. (Zhou et al., 2014)
Harris, A., Carr, A. S., & Dash, J. (2014). Remote sensing of vegetation cover dynamics and resilience across southern Africa. 59 International Journal of Applied Earth Observation and Geoinformation, 28(1), 131 –139. http://doi.org/10.1016/j.ja g.2013.11.014
El sur de frica soporta una porción significativa de la biodiversidad de las flores del mundo, pero los cambios previstos en el clima son susceptibles de causar impactos adversos sobre los ecosistemas de la región y de la biodiversidad. El conocimiento con respecto a la capacidad de recuperación de la cobertura vegetal es importante para comprender el impacto potencial del cambio climático antrópico. La cantidad de tiempo que la cobertura vegetal tarda en recuperarse de perturbaciones puede proporcionar una indicación de la resistencia de los ecosistemas. Se investigaron los patrones espaciales y temporales en la persistencia de la cobertura vegetal a través de Dinámica de África del Sur (1982-2006) y utilizamos gráficos de probabilidad de recuperación de persistencia para estimar los tiempos de desintegración de l as tendencias del la vegetación en NDVI como medio para caracterizar la resistencia potencial de los biomas zonas semi claves del sur de África. Los patrones positivos y negativos de las tendencias áridas de la persistencia del NDVI fueron espacialmente coherente, lo que indica un comportamiento dinámico colectivo de la cobertura vegetal. Los gráficos de NDVI Persistencia de la probabilidad indican diferencias en la capacidad de Series de recuperación entre los biomas. La media de los tiempos de recuperación de Tiempo las tendencias del NDVI negativos eran más cortas que las tendencias positivas en la Sabana y Nama Karoo, mientras que el Succulent Karoo exhibió el tiempo de vida media más corta para las tendencias del NDVI positivas y una de las vidas medias más largas para la supervivencia tendencia negativa, lo que implica la recuperación potencialmente lenta desde perturbación ambiental. Los resultados muestran el potencial de los datos de series de tiempo por satélite para el seguimiento de la cobertura vegetal, la capacidad de recuperación en las regiones semiáridas. (Harris, Carr, & Dash, 2014)
Running, S. W., Nemani, R. R., Heinsch, F. A., 60 Zhao, M., Reeves, M., & Hashimoto, H. (2004). A continuous satellitederived measure of
Hasta hace poco, el control continuo de la productividad global de la vegetación no ha sido posible debido a las limitaciones tecnológicas. En este artículo se presenta un nuevo monitor base satelital de la biosfera mundial que calcula regularmente la producción primaria bruta diaria (GPP) y la producción primaria neta anual (NPP) a 1 kilómetros (km) de resolución sobre 109782756 km2 de superficie de tierras con v egetación. Se resume la historia
85
GPP y NPP MODIS
Resiliencia
Vigor
global terrestrial primary production. BioScience, 54(6), 547 –560. Retrieved from https://www.scopus.com/ record/display.uri?eid=2s2.02942618334&origin=inwa rd&txGid=0
de la ciencia mundial del NPP, así como la derivación de este cálculo, y la actividad de producción de datos actual. Los primeros datos sobre la NPP de la EOS (Earth Observing System) MODIS (espectrorradiómetro de imágenes de resolución moderada) del sensor son pre sentados con diferentes tipos de validación. Ofrecemos ejemplos de cómo este nuevo tipo de conjunto de datos puede servir a la ciencia ecológica, gestión de la tierra, y la política ambiental. Para mejorar el uso de estos datos por los no especialistas, ahora estamos produciendo mapas de anomalías mensuales de GPP y NPP anual que comparan el valor actual con un valor promedio de 18 años para cada píxel, identificando claramente las regiones donde el crecimiento de la vegetación es más alta o más baja de lo normal. (Running et al., 2004)
Los bosques secos tropicales son uno de los tipos de bosques más amenazados del mundo. Actualmente no existen datos comparativos sobre Gillespie, T. W. (2011). la extensión o los niveles de riqueza de especies de fragmentos de bosque Predicting Woody-Plant restante. Esta investigación identifica las medidas del paisaje y los índices Species Richness in espectrales que se pueden aplicar en el nivel de parcelas y el parche para Tropical Dry Forests : A predecir la riqueza de especies leñosas de plantas en los bosques tropicales Case Study from South secos. Este estudio se realizó en 18 unidades de bosque seco tropical con PREDICTING WOODY- nueve sitios en los Cayos de Florida y nueve sitios dentro de una matriz Riqueza en PLANT SPECIES urbano-agrícola en la Florida continental, EE.UU. Las especies de plantas bosques secos RICHNESS IN leñosas riqueza se cuantificó en el nivel de soporte (transectos de banda total tropicales a partir 2 TROPICAL DRY de 500 m ) y nivel de parche (datos de presencia / ausencia de 65 plantas 61 de NDVI FORESTS : A CASE tropicales nativas ≤ 2.5 cm DAP) para todos los sitios de estudio. Las STUDY FROM SOUTH imágenes satelitales Landsat (píxeles de resolución 30 x 30 m) Enhanced Bosques Secos FLORIDA, USA. Thematic Mapper Plus (ETM+) se utilizaron para evaluar la utilidad de las Tropicales Ecological Applications, medidas del paisaje (área parche de bosque, distancia del vecino más 15(1), 27 –37. Retrieved cercano, índice de forma, la complejidad límite) y los índices espectrales de from vegetación (Índices de vegetación de diferencia normalizada [NDVI] durante https://www.researchgate 9 píxeles y 500 píxeles directamente sobre los transectos, y todos los píxeles .net/publication/2808011 del área de la zona forestal) para predecir la riqueza de especies de la unidady nivel de parche. Las 18 unidades de bosque seco tropical en la muestra en 66 este estudio se incluyeron a 4248 plantas leñosas, que representan 71 de las especies.
86
Organización
Las Islas de los Cayos de Florida tenían niveles más altos de especies leñosas de las plantas de riqueza que los sitios del continente. Hubo una relación positiva significativa entre el promedio de NDVI para los nueve píxeles sobre cada unidad y la unidad de riqueza de especies, y una relación negativa entre la riqueza de especies y la desviación estándar del NDVI para los nueve pixeles sobre cada unidad. La densidad de plantas de hoja perenne explicó 66% de la v ariabilidad en la media NDVI. A nivel de parche, la superficie del fragmento de bosque y la media de NDVI en la unidad, de 500 píxeles, y el nivel de parche se asocia positivamente con todo el parche de la riqueza de especies. Sin embargo, la combinación de la superficie del fragmento de bosque con NDVI mejoró significativamente la predicción de l a riqueza de especies en los parches. Los resultados de este estudio apoyan la teoría de las especies - energía a nivel de unidades del bosque y parches; y sugieren que una aproximación de primer orden de la riqueza de las especies leñosas en unidades y parches de bosque seco tropical es posible en los hotspots de biodiversidad. (Gillespie, 2011)
62
El presente trabajo se orienta al análisis de la variación en la respuesta espectral que presentan las áreas quemadas de distintas regiones de Opazo Saldivia, S., & Sudamérica. La extracción de información espectral se ha realizado usando Variación de la Rodríguez-Verdú, F. imágenes MODIS (MCD43), sobre perímetros de áreas quemadas extraídos respuesta (2007). Variación previamente mediante interpretación visual de imágenes de m ayor resolución espectral de las espacial de índices espacial (Landsat y CBERS). El estudio ha utilizado dos índices de área áreas quemadas espectrales sobre áreas quemada (NBR y BAI) y variables auxiliares de vegetación y clima. Los con los índices quemadas en resultados muestran que las variables de vegetación explican en mejor forma NBR y BAI sudamérica. Cuadernos las variaciones que presentan los índices en las distintas zonas quemadas. de Investigación MODIS En general, se observó que los grupos que corresponden a zonas con Geográfica, 33, 39 –57. mayores niveles de arbolado muestran los valores más elevados en los índices de áreas quemadas. (Opazo Saldivia & Rodríguez-Verdú, 2007)
Ariza, A., Garcia, S., 63 Rojas, S., & Ramirez D., M. (2014). Desarrollo de un modelo de corrección
El siguiente articulo describe el prototipo de un modelo automático de corrección de imágenes de satélite para la extracción automática de cuerpos de agua, denominado: “CAIN” (Corrección Atmosférica e Índices de inundación), desarrollado bajo plataforma de procesamiento del Software PCI
87
Modelo CAIN Fisher
Resiliencia
Índices espectrales
de imágenes de satélite para inundaciones: (CAIN -Corrección Atmosférica e Índices de Inundación). Centro de Investigación Y Desarrollo En Información Geográfica Del IGAC -CIAF, 1 –10. Retrieved from http://www.un-spider.org/
Gao, B. C. (1996). NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. 64 Remote Sensing of Environment, 58(3), 257 – 266. http://doi.org/10.1016/S0 034-4257(96)00067-3
Geomatica 2013 en el marco de la asistencia técnica prestada a la Corporación Colombiana de Investigación Agropecuaria (CORPOICA) y que a su vez se hace parte de la iniciativa de la red UN-SPIDER1 para el manejo de la información espacial para la gestión y respuestas a desastres y emergencias. El modelo CAIN permite automatizar procesos tales como la conversión de niveles digitales (NDs) a unidades absolutas de radiancia espectral (Lsat) y reflectancia real de superficie (REF). Proporcionando una base para la comparación estandarizada de datos tanto en una escena como entre imágenes adquiridas de diferentes fechas y sensores, con el fin de determinar mediante técnicas de teledetección los niveles y áreas inundadas analizadas a través de índices radiométricos de vegetación y agua. Este trabajo se confirma como una gran herramienta en el análisis y comparación de cuerpos de agua, a la vez que permite la elaboración de mapas de cambio para determinar las áreas afectadas por inundaciones, aportando con ello una valiosa información a los gestores para la caracterización y conocimiento del estado actual de los efectos de cambio climático. (Ariza, Garcia, Rojas, & Ramirez D., 2014) El índice de vegetación de diferencia normalizada (NDVI) ha sido ampliamente utilizado para la teledetección de la vegetación desde hace muchos años. Este índice utiliza radiancias o reflectancias de un canal rojo alrededor de 0,66 um y un canal de IR cercano alrededor de 0,86 µm. El canal rojo se encuentra en la región de absorción de clorofila fuerte, mientras que el canal de IR cercano se encuentra en la meseta de alta reflectancia de doseles de vegetación. Los dos canales perciben muy diferentes profundidades a través de coberturas v egetales. En este artículo, otro índice, es decir, el índice de agua de diferencia normalizada (NDWI), se propone para la teledetección de la vegetación con agua líquida desde el espacio. El NDWI se define como (ρ (0,86µm) - ρ (1,24µm)) / (ρ(0,86µm) + ρ(1,24µm)), donde ρ representa el resplandor en unidades de reflectancia. Tanto los canales 0,86 µm y 1,24 µm se encuentran en la meseta alta reflectancia de coberturas vegetales. Ellos perciben profundidades similares a través de coberturas vegetales. La absorción por el agua líquida de la vegetación se próxima a 0,86 µm es insignificante. La débil absorción de líquidos a 1,24 µm está presente. La dispersión del dosel mejora la absorción del agua. Como
88
NDWI Contenido de Agua en la vegetación
Índices espectrales
resultado, el NDWI es sensible a los cambios en contenido de agua del dosel de la vegetación. Los efectos de la dispersión del aerosol atmosférico en la región de 0,86 a 1,24 µm son débiles. El NDWI es menos sensible a los efectos atmosféricos que el NDVI. El NDWI no elimina por completo los efectos de reflectancia fondo de suelo, similar a NDVI. Debido a que la información sobre el dosel de la vegetación contenida en el canal 1,24 µm es muy diferente de la contenida en el canal rojo cercano a 0,66 µm; el NDWI debe ser considerado como un índice de vegetación independiente. Es complementario, y no un sustituto de NDVI. (Gao, 1996)
Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., Hunt, E. R. (2004). Vegetation water content mapping using Landsat data derived normalized 65 difference water index for corn and soybeans. Remote Sensing of Environment, 92(4), 475 – 482. http://doi.org/10.1016/j.rs e.2003.10.021
La Información sobre el contenido de agua de vegetación (VWC) tiene amplia utilidad en la agricultura, la silvicultura, y la hidrología. También es útil en la recuperación de la humedad del suelo del horno de microondas a distancia observaciones de detección. Proporcionar una estimación VWC nos permite controlar un grado de libertad en el proceso de recuperación de la humedad del suelo. Sin embargo, éstos deben estar disponibles en el momento oportuno con el fin de ser de valor para aplicaciones de rutina, especialmente la recuperación de la humedad del suelo. Como parte de los experimentos de humedad del suelo de 2002 (SMEX02), se evaluó la posibilidad de utilizar las mediciones de reflectancia espectral de satélite para mapear y monitorear Comparación VWC del dosel del maíz y la soja. Con datos de Landsat TM y Landsat ETM+ NDVI y NDWI y mediciones basadas en tierra del VWC fueron utilizados para establecer para el contenido relaciones basadas en índices obtenidos por teledetección. Los dos índices de agua cultivos estudiados fueron el índice de vegetación de diferencia normalizada (NDVI) de soja y maíz y el Índice de Diferencia Normalizada Agua (NDWI). El NDVI se saturó durante el período de estudio, mientras que el NDWI siguió reflejando los cambios en VWC. NDWI se encontró para ser superior en base a un análisis cuantitativo de sesgo y el error estándar. El método desarrollado se utilizó para mapear diariamente el VWC para la cuenca durante el período de experimento de 1-mes. También se amplió a un dominio regional más grande. Con el fin de desarrollar métodos más robustos y operativos, tenemos que ver cómo podemos utilizar los i nstrumentos MODIS sobre las plataformas de Terra y Aqua, que pueden proporcionar cobertura temporal diaria (Jackson et al., 2004)
89
Índices espectrales
Una técnica de transformación se presenta para minimizar las i nfluencias de brillo del suelo a partir de los í ndices espectrales de vegetación que implican longitudes de onda roja e infrarroja cercana (NIR). Gráficamente, la transformación implica un desplazamiento del origen de los espectros de Huete, A. R. (1988). A reflectancia trazada en el espacio de longitudes de onda NIR-Rojo para dar soil-adjusted vegetation cuenta de primer orden interacciones suelo-vegetación y la diferencial roja y index (SAVI). Remote NIR flujo de extinción a través de dosel de la vegetación. Para los doseles del 66 Sensing of Environment, algodón (Gossypium hirsutum L. var DPI-70 ) y una variedad de pastos (Eragrostics lehmanniana Nees), sustentada con diferentes orígenes del 25(3), 295 –309. http://doi.org/10.1016/00 suelo, la transformación casi se eliminó las v ariaciones del suelo inducida en 34-4257(88)90106-X los índices de vegetación. Posteriormente, se presenta una base física para el índice de v egetación ajustado al suelo (SAVI). El SAVI resultó ser un paso importante hacia el establecimiento de simple modelo "global" que puede describir el sistema suelo-vegetación dinámico a partir de datos obtenidos por teledetección. (Huete, 1988)
SAVI
Índices espectrales
En este artículo se propone una nuev a lógica simple para la clasificación de la vegetación mundial. Las características fundamentales de esta clasificación son que 1) se basa en las características simples y observables, Running, S. W., sin ambigüedades de la estructura de la v egetación que son importantes para Loveland, T. R., Pierce, la biogeoquímica del ecosistemas y se pueden medir y validar en el campo, L. L., Nemani, R. R., & 2) las características estructurales son remotamente percibidas para que Hunt, E. R. (1995). A sean repetibles las reclasificaciones y eficientes a nivel mundial de la remote sensing based vegetación existente serán posibles, y 3) las clases definidas de la v egetación vegetation classification traducirá directamente en los parámetros biofísicos de interés para el clima 67 logic for global land cover global y los modelos biogeoquímicos. Una primera prueba de esta lógica para analysis. Remote el territorio continental de Estados Unidos se presenta en base del NDVI Sensing of Environment, existente de en 1 kilómetro AVHRR. Se discuten procedimientos para la 51(1), 39 –48. solución de problemas teledetección críticos necesarios para poner en http://doi.org/10.1016/00 práctica la clasificación. Además, se sugieren algunas inferencias a partir de 34-4257(94)00063-S esta clasificación de las variables biofísicas vegetación avanzadas tales como el área foliar específica y la capacidad fotosintética útil para el modelado biogeoquímicos. (Running, Loveland, Pierce, Nemani, & Hunt, 1995)
Clasificación lógica de la vegetación
Índices espectrales
90
Los índices espectrales de vegetación han sido los principales recursos para la caracterización de la vegetación herbácea con base en los datos de teledetección. Sin embargo, el uso de índices espectrales para la caracterización de la vegetación en las praderas ha sido cuestionado por los efectos de confusión de los f actores externos, tales como las propiedades del suelo, materiales muertos, y el sombreado de coberturas vegetales. Los materiales muertos se refieren al componente de la vegetación muerta, incluidos la hojarasca caída y las hierbas muertas acumuladas de años anteriores. Los materiales muertos abundantes han estado presentando desafíos para estimar con precisión la vegetación verde utilizando índices espectrales de vegetación (VI’s) derivados de los datos de teledetección en Respuesta los pastizales mixtos. Por lo tanto, es necesario una investigación cerca de la espectral de VI’s relación entre VIs y m ateriales muertos. Las relaciones identificadas podrían Yang, X., & Guo, X. a materiales proporcionar una mejor comprensión de no sólo el uso de datos de (2014). Quantifying muertos en responses of spectral teledetección para la estimación cuantitativa de materiales muertos, sino pastos también la mejora de la estimación de la vegetación verde en la pradera mixta vegetation indices to NDVI dead materials in mixed que tiene una alta proporción de materiales muertos. En este artículo, la 68 reflectancia espectral de materiales muertos y m ezclas de vegetación verde MSAVI grasslands. Remote y cobertura de m aterial muerto se midieron en pastizales mixtos, situados en SAVI Sensing, 6(5), 4289 – el Grassland National Park (GNP), Saskatchewan, Canada. Nueve VI’s se ATSAVI 4304. L-ATSAVI http://doi.org/10.3390/rs6 derivaron de la reflectancia espectral medida. La relación entre la cobertura y el material muerto en los VI’s se cuantificó utilizando el modelo de regresión EVI 054289 y análisis de sensibilidad. Los resultados indicaron que la relación entre la WDVI cobertura de material muerto y el VI’s está una función de la cantidad de TVI cobertura de material muerto. Se encontró una relación positiva débil entre VI’s y los materiales muertos donde la cobertura era inferior al 50%, y una alta relación negativa significativa evidente cuando la cobertura fue mayor del 50%. Cuando se aplicó el modelo exponencial y lineal combinado para adaptarse a las relaciones negativas, la variación más del 90% en la cobertura de material muerto podría explicarse por VI’s. El análisis de sensibilidad se aplicó además a los modelos desarrollados, lo que indica que las sensibilidades de todos los VI’s fueron significativas en todo el rango de cobertura de material muerto a excepción del índice de vegetación triangular (TVI), que tiene una sensibilidad insignificante cuando la cobertura material muerto fue mayor que 94%. Entre todos los VI’s, el índice de vegetación de
91
Índices espectrales
diferencia ponderada (WDVI) presentó la mayor sensibilidad a los cambios en el material muerto de cobertura superior al 50%. Los resultados de este estudio indicaron que los índices de vegetación sobre la base de la combinación de la reflectancia en bandas rojas y NIR se pueden utilizar para estimar la cobertura material muerto que es mayor que 50%. (Yang & Guo, 2014) Varios índices de vegetación fueron desarrollados por proporcionamiento o combinaciones lineales de diferentes bandas espectrales para caracterizar estado de la vegetación con las mediciones de teledetección. Estos índices son principalmente sensibles a la vegetación, pero también a factores no Cuantificación de relacionados con la vegetación tales como las variaciones del fondo del suelo, efectos del suelo, fondo y Qi, J., Kerr, Y., & las condiciones atmosféricas, y geometrías de visión del sensor. En atmosfera sobre Chehbouni, A. (1994). consecuencia, existe una necesidad de cuantificar estos efectos cuando se VI’s External factor utiliza estos índices de vegetación. Unos análisis de sensibilidad de los consideration in índices de vegetación existentes se hicieron utilizando los datos de los NDVI vegetation index espectros modelados y las mediciones de teledetección desde tierra. El PVI development. análisis se realizó con respecto al fondo del suelo, la atmósfera y geometrías SAVI 69 Proceedings of 6th de visión del sensor. Se establecieron criterios generales para evaluar los TSAVI International Symposium índices de vegetación, y en base a estos criterios, se ha desarrollado un SAVI2 on Physical nuevo índice. El nuevo índice fue desarrollado mediante la adaptación de la MSAVI Measurements and reflectancia en la región azul para las correcciones atmosféricas en el índice ARVI Signatures in Remote de la vegetación del suelo Ajustado Modificado (MSAVI). El resultante Índice SARVI Sensing, (July), 723 –730. de Atmosfera – Vegetación - Suelo (ASVI) se comparó con otros índices y ASVI aumento de la sensibilidad a la vegetación, al tiempo que reduce aún m ás la GEMI efectos del suelo y los efectos atmosféricos. Sin embargo, las diferencias encontradas entre estos índices de vegetación pueden no ser estadísticamente significativa, y promover estudios es, por lo tanto, necesario con datos basados en tierra y satélites. (Qi, Kerr, & Chehbouni, 1994)
Índices espectrales
Libonati, R., de Portugal e Castro da Camara, C. 70 do C., Pereira, J. M. C., & de Faria Peres, L. (2011). Discriminating burned areas in Amazon
Índices espectrales
A pesar de la Amazonia brasileña, junto con la región del Cerrado presenta Análisis de zonas uno de los mayores números de ocurrencias de eventos de fuego, casi no quemadas hay estudios con el objetivo de diseñar el área quemada (BA) indicadores VW específicamente para esta región se han intentado. Este tema es de particular NDVI interés ya que la exactitud de los mapas de BA está estrechamente VI20 relacionado con las características del lugar (por ejemplo, pre-fuego tipo y las
92
and Cerrado regions condiciones de cobertura de suelo, suelo de fondo, la severidad del fuego, los using MIR/NIR procesos de post-incendio, y las condiciones atmosféricas) y Además, los information. Anais XV umbrales de índice son a menudo subjetivos o varían de una región a otra. Simpósio Brasileiro de De acuerdo con ello, un nuevo índice espectral, diseñado específicamente Sensoriamento Remoto, para la discriminación de la tierra quemada en las regiones Amazonas y (Pereira 1999), 8020 – Cerrado utilizando el dominio espectral media / infrarrojo cercano, fue 8027. Retrieved from probado en conjuntos de imágenes de resolución moderada (MODIS). La http://marte.dpi.inpe.br/co utilidad del nuevo índice de discriminación de tierra quemada se evaluó frente l/dpi.inpe.br/marte/2011/0 a otros índices espectrales ampliamente usados: Índice de Vegetación de 6.30.12.48/doc/p1044.pdf Diferencia Normalizada (NDVI), Índice de Área Quemada (BAI) y Índice \npapers3://publication/u Global de Monitoreo Ambiental (GEMI), definido en el espacio de Red/ NIR; uid/F5C4EBA4-1C45- y la versión modificada por ellos, a saber VI20, BAI20 y GEMI20 define en el 47A9-83D5espacio medio / infrarrojo cercano del sensor MODIS. La capacidad de cada índice para discriminar entre las superficies quemadas y no quemadas se 8CDDC36C8451 evaluó por medio de un índice de discriminación. El nuevo propuesto (V, W) índice funciona mejor que los índices tradicionales en los tres casos analizados, con la ventaja de que no requieren m áscaras de agua, lo que no es cierto para los índices restantes. (Libonati, de Portugal e Castro da Camara, Pereira, & de Faria Peres, 2011) El conocimiento sobre el estado, la distribución espacial y evolución temporal de la cobertura vegetal es de gran valor científico y económico. Las plataformas satelitales proporcionan una herramienta más conveniente para observar la biosfera a nivel mundial y de forma repetitiva, pero la Pinty, B., & Verstraete, interpretación cuantitativa de las observaciones puede ser dif ícil. Las medidas M. M. (1992). GEMI: a de reflectancia en las regiones visible y del infrarrojo cercano han sido non-linear index to analizadas con índices simples pero de grandes alcances diseñados para monitor global vegetation mejorar el contraste entre la vegetación y otros tipos de superficie, sin 71 from satellites. Vegetatio, embargo, estos índices son más sensibles a los efectos atmosféricos. La 101(1), 15 –20. "corrección" de los datos de satélite para efectos atmosféricos es posible pero http://doi.org/10.1007/BF requiere grandes conjuntos de datos sobre la composición de la atmósfera. 00031911 En lugar de ello, se propone un nuevo índice de vegetación que ha sido diseñado específicamente para reducir los efectos relativos de estas perturbaciones atmosféricas no deseados, manteniendo al mismo tiempo la información acerca de la cobertura vegetal. (Pinty & Verstraete, 1992)
93
BAI20 GEMI GEMI20
GEMI
Índices Espectrales
Piñol, J., Filella, I., Ogaya, R., & Peñuelas, J. (1998). Ground-based spectroradiometric estimation of live fine fuel moisture of 72 Mediterranean plants. Agricultural and Forest Meteorology, 90(3), 173 – 186. http://doi.org/10.1016/S0 168-1923(98)00053-7
Desarrolló un método directo para estimar la humedad del combustible fino (LFFM), por la alta resolución de las mediciones de reflectancia de plantas terrestres en las regiones visible e infrarrojo cercano. El NDVI y WI (R 970 / R900) fueron l os índices de reflectancia utilizados debido a que proporcionan la mejor estimación de LFFM. El rendimiento del método se evaluó (1) por medición mensual de la reflectancia de las plantas y LFFM en plantas adultas que crecen en el campo, y (2) en un experimento llevado a cabo la desecación con las plantas de semillero en macetas en un túnel de plástico. Las especies estudiadas en el sitio de campo consistieron en dos arbustos de raíces Método para la profundas ( Arbutus unedo y Quercus coccifera), dos arbustos de poca estimación de la profundidad de raíces (Cistus albidus y C. monspeliensis), y una hierba humedad del (Brachypodium retusum). Las especies estudiadas en condiciones combuistible fino experimentales fueron dos árboles (Pinus halepensis y P. ilex ), y seis directo arbustos ( Arbutus unedo, Q. coccifera, C. albidus, C. monspeliensis, Phillyrea NDVI angustifolia, y Pistacia lentiscus). Durante la desecación, la cubeta 970 nm WI tiende a desaparecer (por consiguiente, el WI aumenta), y la reflectancia en el rojo aumentó (en consecuencia, el NDVI disminuye). Los dos índices de reflectancia NDVI y WI se correlacionaron significativamente con LFFM cuando todas las especies se consideran en conjunto y dentro de la mayor parte de las especies individuales, tanto en el campo como en las plantas de semillero en macetas. Proponemos un método que consiste en una sencilla medición de la reflectancia de la planta en el radiómetro a 680, 900 y 970 nm, que podrían acelerar la medición de LFFM, y que podría ser útil en la evaluación del riesgo de incendios (Piñol, Filella, Ogaya, & Peñuelas, 1998)
94
Índices espectrales
7. METODOLOGÍA La metodología propuesta pretende generar índices espectrales de vegetación a imágenes provenientes de sensores remotos, permitiendo hacer mediciones sobre las imágenes expresadas en valores numéricos para determinar del estado de la vegetación en el área de estudio. El tratamiento de los datos se realiza bajo los mismos parámetros permitiendo aplicar el procedimiento a cualquier área que se estudie. En la Imagen 8 se presenta la metodología aplicada. Imagen 8. Diseño metodológico preliminar. Fuente: Autor
En la Tabla 10 se resume los resultados de la búsqueda bibliográfica, se consultaron 72 publicaciones de las cuales se seleccionaron los siguientes índices de vegetación por su pertinencia para evidenciar las condiciones de la vegetación.
95
7.1.
Índices Espectrales Seleccionados.
7.1.1. NDVI Planteado por Rouse & Hass (1973), el índice de Vegetación de Diferencia Normalizada, es el VI’s más utilizado para determinar el vigor vegetal de una zona (Chuvieco, 2010).
Dónde y indican las reflectividades de los pixeles en la banda del infrarrojo cercano y del rojo respectivamente. Un aspecto de gran interés del NDVI, es que varía entre unos márgenes conocidos, entre 1 y +1, lo que facilita su interpretación; se puede señalar como un umbral crítico para coberturas vegetales un valor de NDVI en torno a 0.1 y para la vegetación densa entre 0.5 y 0.7 (Holben, 1986; citado en Chuvieco, 2010). Entre los parámetros que se han relacionado con el NDVI se encuentran (Chuvieco, 2010): I.
El contenido de clorofila en la hoja, es la variable más directamente relacionada con este índice, ya que la absorción de la banda R, está nítidamente influida por este parámetro, mostrando una relación linealmente positiva con la cantidad de clorofila en la hoja.
II.
Contenida de agua en la hoja, a través de correlaciones negativas y lineales, según algunos autores (Hardy & Burgan, 1999; Westman & Price, 1998).
III.
Flujo neto de CO 2 tanto a nivel local (Hall et al., 1991), como global (Tucker et al, 1986).
IV.
Radiación fotosintéticamente activa absorbida por la planta, fPAR, con una relación directa casi lineal (Asrar et al., 1989), especialmente cuando las hojas son horizontales y el suelo es suficientemente oscuro (Seller, 1989)
V.
Productividad neta de la vegetación, relacionada con la con la fPAR a través de un factor de eficiencia para cada planta (Steven & Jaggard, 1995).
VI.
Índice de Área Foliar, LAI, que representa una asociación positiva con el NDVI, especialmente cuando la vegetación no cubre totalmente el suelo, ya que ciertos valores de LAI (por encima de 4 habitualmente), el NDVI se satura (Baret, 1995; Seller, 1989).Relacionado con el LAI, se ha comprobado una alta correlación entre NDVI y porcentaje de cobertura verde (Kennedy et al., 1994; Kerr et al., 1992)
96
7.1.2. SAVI El Índice de Vegetación Ajustado al Suelo (Huete, 1988), incluye implícitamente el factor del suelo, clave cuando se trabaja en zonas áridas, ya que algunos valo res del NDVI pueden corresponder a coberturas vigorosas pero poco densas o coberturas densas de poca vitalidad (Chuvieco, 2010).
∗ (1 )
Donde:
0.5 Se incluye a la fórmula del NDVI un parámetro L que ajusta el índice a una reflectividad promedio de fondo (Huete, 1988). Este parámetro indica es una constante para ajustar la línea vegetación-suelo vegetación-s uelo al origen (los autores sugieren un valor posible en torno a 0.5: 0.5: Huete, 1988) 7.1.3. MSAVI El Índice de Vegetación Modificado Ajustado al Suelo (Qi, Chehbouni, et al., 1994).
(2 (2 ∗ 1) √[(2 √[(2 ∗ 1) 8( )] 2 7.1.4. ARVI El Índice de Vegetación Atmosféricamente Resistente (Kaufman & Tanré, 1992), ajusta el NDVI a las condiciones atmosféricas, con un factor que considera la reflectividad del Azul y del Rojo, donde la constante es generalmente 1 (Chuvieco, 2010).
Dónde:
( ( );
Y
1
7.1.5. SARVI El Índice de Vegetación Suelo-Atmosféricamente Resistente, trabajado por Qi, Kerr, et al., (1994); Huete, Liu, Batchily, & van Leeuwen, (1997)
∗ (1 )
7.1.6. ASVI El Índice de Vegetación Suelo-Atmosfera propuesto por Qi, Kerr, et al., (1994), el cual combina el MSAVI y el ARVI
97
(2 ∗ 1) √[(2 ∗ 1) 8( )] 2 7.1.7. GEMI El Global Environmental Monitorin Index, fue formulado específicamente para reducir los efectos relativos de las perturbaciones atmosféricas no deseados, manteniendo al mismo tiempo la información acerca de la cobertura vegetal (Pinty & Verstraete, 1992)
∗ (1 0.25 0.25 ∗ ) ( 0.125) (1 )
Dónde:
2 ∗ ( ) 1.5 ∗ 0.5 0.5 ∗ 0.5 Según Pinty & Verstraete (1992), el GEMI varia aproximadamente entre 0 y +1 sobre áreas continentales, cuando el SR tiene rangos entre +1 y su valor más alto, o cuando el NDVI varía entre 0 y +1. El índice es calculado a partir de mediciones en la parte superior de la atmósfera, por lo tanto es a la vez (1) más útil para comparar las observaciones en diversas condiciones atmosféricas y de iluminación, y (2) mediciones más representativas de las condiciones reales de la superficie que SR o NDVI sobre la mayor parte de la gama del estado de la vegetación (Pinty & Verstraete, 1992) 7.1.8. SR El Cociente de Vegetación (Krieger et al., 1969), el cual es una relación entre la reflectancia del NIR contra la reflectancia del Rojo
7.1.9. NDWI El Índice de Diferencia de Vegetación Normalizada (Gao, 1996), maximiza la reflectancia del agua usando para ello la banda del Infrarrojo Cercano (NIR) y la absorción de la vegetación y de suelo adyacente en la banda de la banda Verde (Ariza et al., 2014)
7.1.10. GNDVI El Índice Vegetación Verde de Diferencia Normalizada (Gitelson et al., 1996), cambia la reflectividad en el Rojo por el Verde, para detectar las diferentes concentraciones de clorofila.
98
7.1.11. GARI El Índice de Vegetación Verde Atmosféricamente Resistente (Gitelson et al., 1996), es una adaptación del ARVI pero más sensible a las concentraciones de clorofila. (
)
−∗ − ] −[ +[ −∗( − )
Y
1
7.1.12. SARVI2 El Índice de Vegetación Suelo-Atmosféricamente Resistente-2 es una modificación del SARVI (Huete et al., 1996; citado en Huete et al., 1997).
2
Autor
2.5 ∗ ( ) (1 6 ∗ 7.5 ∗ )
Tabla 10. Cuadro resumen autores e índices trabajados. Fuente: Autor
Tema
Formulación SAVI
Índices NDVI GNDVI SR NDVI SAVI PVI MSAVI ARVI SARVI ASVI GEMI SAVI
Formulación GEMI
GEMI
Formulación NDWI Uso de mediciones de los espectros de reflectancia de 400 nm a 750 nm con una resolución espectral de 2 ƞm, con determinación simultánea de las concentraciones de pigmentos de hojas senescentes maduras y en otoño Relación NDVI-LAI-Fracción de cobertura vegetal
NDWI
(Ren et al., 2015)
Medición de la estructura del bosque Urbano
(Qi, Kerr, et al., 1994)
Cuantificación de los factores no relacionados con la vegetación tales como las variaciones del fondo del suelo, las condiciones atmosféricas, y geometrías de visión del sensor
(Huete, 1988) (Pinty & Verstraete, 1992) (Gao, 1996)
(Gitelson et al., 1996)
(Carlson & Ripley, 1997)
(Huete et al., 1997)
Comparación de la respuesta de coberturas vegetales a diferentes índices
99
NDVI GNDVI ARVI GARI
NDVI SAVI ARVI SARVI MNDVI SARVI2
(Gitelson et al., 2003)
(Gitelson, 2004) (Jackson et al., 2004) (Q. Wang et al., 2005) (Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, 2007)
Técnica para la estimación del LAI en cultivos de maíz Modificación del NDVI para análisis y cartografía de la distribución temporal y espacial de las características fisiológicas de la vegetación Proporcionar una estimación VWC (contenido de agua de vegetación) Relación del NDVI y LAI en bosques deciduos evaluar la sensibilidad de distintos índices espectrales al Índice de Área Foliar (LAI) en canopeos de maíz
Examen de índices de vegetación (Y. Chen & Gillieson, (VI’s) en la estimación de saltbush (arbustos salinos) y la cobertura total 2009) de la vegetación en ambientes de pastizales semiáridos
(C. Xu et al., 2012)
(Gu et al., 2013)
7.2.
Examen de la diferencia cuantitativa entre la NPP y el NDVI en sus resultados de la evaluación del vigor de la vegetación a escala de paisaje Uso de índices espectrales y la textura de las imágenes para la determinación de la VFC (fracción de cobertura vegetal)
NDVI VARI LAI WDRVI NDVI NDWI NDVI LAI NDVI GNDVI MSAVI REIP R/R SVI / RVI (SR) RAT57 NDVI TVI DVI PVI WDVI SAVI IPVI SAVI2 MSAVI SRVI SRVI2 SRVI3 MVI MVI2 MVI3 NDVI NPP NDVI RVI SAVI ARVI
Selección y descarga de imágenes satelitales
7.2.1. Imágenes Landsat 8. La búsqueda y descarga de imágenes se hizo a través del servicio del Earth Explorer perteneciente a U.S. Geological Survey, seleccionando dos imágenes del sensor Landsat 100
8, una para la época de invierno y otra para verano (Tabla 11). La selección de las escenas (Imagen 9 e Imagen 10) se realizó teniendo en cuenta la climatología predominante de la Sierra Nevada de Santa Marta (Arango et al., 2014; D. Guzmán et al., 2014) Tabla 11. Información de las imágenes satelitales utilizadas. Fuente: (U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center, 2016a, 2016b)
S ens or Path/Row Código Porcentaje Nubosidad
Invierno
Verano
LANDSAT 8
LANDSAT 8
09-52
09-52
LC80090522013325LGN00
LC80090522016014LGN00
4.09
0.91
101
Imagen 9. Época Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento adaptativo en el software PCI 2015. Fuente: Autor
102
Imagen 10. Época Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento adaptativo en el software PCI 2015. Fuente: Autor
7.2.2. Modelos de Elevación Digital (DEM). Un modelo digital de elevación es una estructura numérica de datos que representa la distribución espacial de una variable continua y cuantitativa (Gonzaga Aguilar, 2014). Los datos fueron descargados a través del servicio Earth Explorer adscrito al U.S. Geological Survey. Los DEM’s SRTM 1 Arc-Second Global, son de una resolución de 30 metros aproximadamente (Imagen 11). Se descargaron cuatro imágenes en formato .TIFF para la cobertura total de la zona. En la Tabla 12, se evidencian los detalles de las imágenes. Posteriormente se realizó un mosaico con las cuatro imágenes, subsanando los vacíos de información con la interpolación de datos de elevación, para disminuir el error por ausencia de datos.
103
Tabla 12. Información DEM's. Fuente: (U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeronautics and Space Administration (NASA), 2016a, 2016b, 2016c, 2016d)
Código SRTM1N11W075V3 SRTM1N11W074V3 SRTM1N10W075V3 SRTM1N10W074V3
Fecha de Adquisición 11-FEB-2000 11-FEB-2000 11-FEB-2000 11-FEB-2000
Resolución 1- Arc ( ≈30 m) 1- Arc ( ≈30 m) 1- Arc ( ≈30 m) 1- Arc ( ≈30 m)
Imagen 11. Mosaico del Modelo Digital de Elevación de la Sierra Nevada de Santa Marta. Visualización en software ArcGIS 10.3. Fuente: Autor.
104
7.3.
Correcciones de la Imagen
7.3.1. Corrección Geométrica Los datos del sensor Landsat 8 descargables de nivel L1T (Productos de Nivel 1 Terrain) consisten en productos de datos L1R (Productos de Nivel 1 Radiometric) con correcciones geométricas sistemáticas aplicadas, utilizando para ello puntos de control terrestre (GCP) o información de posición integrada a bordo para entregar una imagen registrada a una proyección cartográfica, referenciada a WGS84, G873, o a su versión actual. Adicionalmente los datos también contienen una corrección topográfica por el desplazamiento del terreno debido al relieve (Ariza, 2013). 7.3.2. Corrección Atmosférica y Topográfica La corrección atmosférica y topográfica, se realizó con el módulo de la metodología ATCOR3, en el software PCI-Geomatica 2015; el cuál reconoce los datos de calibración de la imagen que vienen adjuntos en el metadato; además el proceso ATCOR3 requiere la entrada de un DEM de la misma resolución de la imagen, con el cual realiza la corrección topográfica. En la Imagen 12 se muestra la imagen bruta en falso color; en la Imagen 13, se puede evidenciar un cambio en las texturas de la escena, después del proceso de corrección atmosférica por el método de ATCOR3. Imagen 12. Invierno, sin corrección atmosférica. Falso Color Landsat 8 Bandas 5/4/3 Fuente: Autor
7.4.
Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8 Bandas 5/4/3. Fuente: Autor
Mascara de nubes y cuerpos de agua
El proceso de extracción de nubes y cuerpos de agua se realizó con la banda de calidad contenida en las imágenes satelitales y con la máscara resultante de la corrección atmosférica del modelo ATCOR3, mediante la herramienta de Extrac by mask , del software ArcGIS 10.3, a su vez, se definió un área de procesamiento específica, evitando consumir recursos del hardware, disminuyendo el tiempo de procesamiento. En la Imagen 14 y la 105
Imagen 15, se observan las imágenes de la época de invierno y verano, después del proceso de extracción de nubes y cuerpos de agua. Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Autor
7.5.
Imagen 15. Escena verano. Falso color 5/4/3. Fuente: Autor
Corte del Área de Procesamiento
El corte del área de procesamiento se realizó a partir del shape del área del PNN Sierra Nevada de Santa Marta obtenido del servicio de información geográfica del ANLA (http://sig.anla.gov.co:8083/ ); discriminando entre los Orobiomas de la Selva Andina, Subandina y el Orobioma de páramo (Imagen 16); este último excluido del estudio puesto presenta unas condiciones particulares de vegetación, que no son representados a través de los índices de vegetación usuales como lo presentan Arenas y Nieto (2015). El corte del área es realizado para minimizar el uso de recursos del hardware, ya que la operación completa de las imágenes satelitales implica una alta capacidad de procesamiento 7.6.
Cálculo de Índices Espectrales
El cálculo de índices de Vegetación se realizó a través del Software PCI Geomática con la herramienta EASY model, permite realizar operaciones matemáticas entre las diferentes bandas de una imagen raster con formato PCIDSK FILE (.pix), obteniendo los siguientes resultados para las imágenes de invierno y verano (Tabla 13).
106
Imagen 16. Área del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona. Fuente: Autor.
107
Tabla 13. Índices Espectrales de Vegetación. Fuente: Autor
NDVI Invierno - Verano
108
SAVI Invierno - Verano
109
MSAVI Invierno - Verano
110
ARVI Invierno - Verano
111
SARVI Invierno - Verano
112
ASVI Invierno - Verano
113
GEMI Invierno - Verano
114
SR Invierno - Verano
115
NDWI Invierno - Verano
116
GNDVI Invierno - Verano
117
GARI Invierno - Verano
118
SARVI2 Invierno - Verano
119
7.7.
Segmentación de la Información en función de los Biomas
La segmentación de las imágenes procesadas correspondientes a las épocas de invierno y verano, se realizó en función de los biomas predominantes de la zona: Orobioma Alto de Santa Marta Orobioma Medio de Santa Marta Orobioma Bajo de Santa Marta y Macuira Las capas raster se procesaron a través del software ArcGIS 10.3 con el módulo Image Analisys, y las capas vectoriales se analizaron con la herramienta Intersect y Erase, pertenecientes al menú: Analysis Tools/ Overlay.
7.8.
Segmentación de la información en función de la capa Corine Land Cover.
La Información de invierno y verano fue dividida a partir del nivel 3 de la Capa CLC, con las herramientas de análisis de imágenes del software ArcGIS 10.3., para su posterior análisis estadístico.
120
8. ANÁLISIS DE RESULTADOS Los resultados de los índices espectrales calculados para las épocas de invierno y verano, se les realizó un diferencia de los valores promedio de la totalidad del área de trabajo, como luego se procedió de la misma forma en la división por biomas y en la clasificación CLC; finalmente se realizó una división teniendo en cuenta los biomas y la clasificación CLC. A continuación se presenta los resultados de las diferencias de promedio: Comparación entre los periodos de invierno - verano Tabla 14. Valores de VI ’s para Invierno. Fuente: Autor.
Promedio NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR NDWI GNDVI GARI SARVI2
0,5721 0,3386 0,7175 0,5468 0,3086 0,6816 0,6428 3,9095 -0,5639 0,5639 0,4857 0,3658
Invierno Coeficiente Desviación de Estándar Variación 0,0958 16,7466 0,1002 29,5938 0,2693 37,5300 0,1066 19,4972 0,1016 32,9281 0,2647 38,8400 0,1227 19,0864 1,0837 27,7191 0,0799 -14,1728 0,0799 14,1728 0,0903 18,6026 0,1195 32,6706
Mínimo
Máximo
-0,1603 -0,0390 0,0134 -0,5708 -0,0835 -0,0225 0,2063 0,7236 -0,7763 -0,1216 -0,2407 -0,0384
0,8851 0,7276 2,9367 0,8819 0,6831 2,8680 1,1432 16,4137 0,1216 0,7763 0,7311 0,8966
Tabla 15. Valores de VI's para Verano. Fuente: Autor.
Promedio NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR NDWI GNDVI GARI
0,5472 0,3086 0,6318 0,5031 0,2636 0,5814 0,6038 3,6389 -0,5598 0,5598 0,4387
Verano Coeficiente Desviación de Estándar Variación 0,1021 18,6659 0,0984 31,8778 0,2426 38,3945 0,1221 24,2742 0,0998 37,8564 0,2356 40,5297 0,1176 19,4740 1,0148 27,8861 0,0843 -15,0688 0,0843 15,0688 0,0997 22,7212
121
Mínimo
Máximo
-0,5243 -0,1175 -0,0602 -1,0691 -0,1765 -0,0974 0,1631 0,3121 -0,7585 -0,4631 -0,5861
0,7955 0,6960 2,8065 0,7874 0,6553 2,7223 1,1284 8,7799 0,4631 0,7585 0,6824
SARVI2
0,3139
34,5854
0,1086
-0,1052
0,8408
Tabla 16. Diferencia Invierno Verano. Fuente: Autor.
NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR NDWI GNDVI GARI SARVI2
Diferencia Invierno Verano 0,0250 0,0301 0,0857 0,0437 0,0450 0,1002 0,0390 0,2706 -0,0041 0,0041 0,0469 0,0520
% Cambio
4,3615 8,8787 11,9457 7,9901 14,5764 14,7002 6,0660 6,9211 0,7261 0,7261 9,6652 14,2003
Los índices espectrales que mayor cambio presentaron fueron el MSAVI, SARVI, ASVI y SARVI2; con valores de 11,94%, 14,57%, 14,70% y 14,20% respectivamente como se evidencia en la Tabla 16; sin embargo, los índices espectrales con menor desviación estándar en los periodos de invierno y verano son GNDVI y GARI (Tabla 14 y Tabla 15). Los índices espectrales que menor sensibilidad presentaron fueron el NDVI, GNDVI, NDWI, GEMI y SR, con valores de 4, 36%, 0,72%, 0,72%, 6,06% y 6,92% respectivamente (Tabla 16); ellos muestran una menor variación al cambio de las condiciones climáticas y vegetales. Comparación entre la segmentación de los biomas. Tabla 17. . Valores de VI’s para los biomas en Invierno . Fuente: Autor.
Invierno
NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR
Orobioma Alto de Santa Marta X S 0,5123 0,0873 0,2905 0,0893 0,6145 0,2473 0,4851 0,0972 0,2629 0,0899 0,5839 0,2426 0,5966 0,1172 3,2391 0,7896
Orobioma Medio de Santa Marta X S 0,5632 0,0948 0,3299 0,0996 0,6967 0,2661 0,5383 0,1063 0,3017 0,1017 0,6635 0,2626 0,6333 0,1235 3,7959 1,0272
122
Orobioma Bajo de Santa Marta y Macuira X S 0,6159 0,0783 0,3750 0,0930 0,7966 0,2607 0,5912 0,0907 0,3419 0,0963 0,7552 0,2579 0,6785 0,1143 4,4124 1,0379
NDWI GNDVI GARI SARVI2
-0,5104 0,5104 0,4380 0,3180
0,0733 0,0733 0,0829 0,1101
-0,5551 0,5551 0,4807 0,3586
0,0779 0,0779 0,0912 0,1206
-0,6037 0,6037 0,5186 0,4005
0,0624 0,0624 0,0794 0,1129
Tabla 18. . Valores de VI’s para los biomas en Verano. Fuente: Autor.
Verano
NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR NDWI GNDVI GARI SARVI2
Orobioma Alto de Santa Marta X S 0,5170 0,1000 0,2858 0,0931 0,5847 0,2299 0,4790 0,1164 0,2493 0,0943 0,5449 0,2242 0,5823 0,1128 3,3198 0,8871 -0,5241 0,0822 0,5241 0,0822 0,4257 0,0969 0,2988 0,1060
Orobioma Medio de Santa Marta X S 0,5488 0,1022 0,3072 0,0993 0,6249 0,2420 0,5017 0,1265 0,2607 0,1028 0,5733 0,2370 0,6000 0,1190 3,6553 1,0071 -0,5619 0,0805 0,5619 0,0805 0,4351 0,1039 0,3107 0,1106
Orobioma Bajo de Santa Marta y Macuira X S 0,5887 0,0895 0,3436 0,0942 0,7102 0,2420 0,5400 0,1147 0,2886 0,0986 0,6462 0,2368 0,6407 0,1136 4,0799 1,0314 -0,6086 0,0657 0,6086 0,0657 0,4629 0,0930 0,3404 0,1044
Tabla 19. Diferencia entre los biomas en las temporadas de invierno - verano. Fuente: Autor.
Di ferencia Invierno – Verano
NDVI SAVI MSAVI ARVI SARVI ASVI GEMI SR NDWI GNDVI GARI SARVI2
Orobioma Alto de Santa Marta Diferencia Porcentaje -0,0047 -0,92 0,0047 1,61 0,0298 4,85 0,0061 1,26 0,0136 5,18 0,0391 6,69 0,0143 2,40 -0,0807 -2,49 0,0137 -2,69 -0,0137 -2,69 0,0123 2,81 0,0192 6,03
Orobioma Medio de Santa Marta Diferencia Porcentaje 0,0144 2,55 0,0227 6,88 0,0718 10,30 0,0366 6,80 0,0409 13,56 0,0901 13,58 0,0333 5,26 0,1406 3,70 0,0068 -1,22 -0,0068 -1,22 0,0456 9,48 0,0479 13,35
123
Orobioma Bajo de Santa Marta y Macuira Diferencia Porcentaje 0,0272 4,42 0,0314 8,37 0,0864 10,85 0,0512 8,66 0,0534 15,61 0,1090 14,43 0,0378 5,57 0,3325 7,54 0,0049 -0,81 -0,0049 -0,81 0,0557 10,75 0,0602 15,02
El área de estudio fue segmenta en 3 biomas: Orobioma Alto de Santa Marta (OASM), Orobioma Medio de Santa Marta (OMSM) y Orobioma Bajo de Sata Marta y Macuira (OBSMM) (Tabla 17 y Tabla 18). Los índices espectrales que mayores variaciones presentaron fueron ASVI (6,69%), SARVI2 (6,03%) y SARVI (5,18%) y los que menos variaciones presentaron fueron el NDVI (-0,92%) SAVI (1,61%) y ARVI (1,26%) para el OASM, como se evidencia en la Tabla 19. En el OMSM los VI’s con mayor cambio son ASVI (13,58%), SARVI (13,56%), SARVI2 (13,35%), y MSAVI (10,30%) y los de menor sensibilidad son GNDVI (-1,22%), NDWI (-1,22%), NDVI (2,55%), SR (3,70%). Finalmente en el OBSMM los índices que presentan mayor diferencia a los periodos de invierno y verano son SARVI (15,61%), SARVI2 (15,02%), y ASVI (14,44%); siendo GNDVI (-0,81%), NDWI (-0,81%) y el NDVI (4,42%). La división de la zona de estudio en biomas, presentó una tendencia positiva en el aumento de la sensibilidad en todos los índices, a medida que el bioma se encontraba en una latitud menor, así los valores de sensibilidad (tasa de cambio de los índices con respecto a la comparación invierno-verano) del OASM son menores a los valores del OBSMM. Comparación de la segmentación CLC Tabla 20. Comparación de los índices en la clase CLC 231. Fuente: Autor.
231 Pastos limpios
Invierno
Verano
Diferencia
Porcentaje
-0,11 5,27 11,11 2,50 10,08 13,51 5,33 0,36 -3,27 -3,27 4,27 11,98
ndices
X
S
X
S
NDVI
0,5595
0,0835
0,5601
0,0799
-0,0006
SAVI
0,3676
0,0795
0,3483
0,0720
0,0194
MSAVI
0,8592
0,2492
0,7637
0,2015
0,0955
ARVI
0,5357
0,0914
0,5223
0,0954
0,0134
SARVI
0,3353
0,0805
0,3015
0,0757
0,0338
ASVI
0,8190
0,2434
0,7084
0,1961
0,1106
GEMI
0,7098
0,1017
0,6719
0,0857
0,0378
SR
3,7091
0,9254
3,6957
0,8473
0,0134
NDWI
-0,5407
0,0720
-0,5584
0,0653
0,0177
GNDVI
0,5407
0,0720
0,5584
0,0653
-0,0177
GARI
0,4692
0,0792
0,4492
0,0798
0,0200
SARVI2
0,4148
0,0977
0,3651
0,0824
0,0497
Tabla 21. Comparación de los índices en la clase CLC 242. Fuente: Autor.
242 Mosaico de pastos y c ultivos Invierno
Verano
Índices
X
S
X
S
NDVI
0,6333
0,0582
0,6001
0,0792
124
Diferencia
Porcentaje
0,0332
5,24
SAVI
0,4263
0,0548
0,3766
0,0724
0,0497
MSAVI
0,9755
0,1722
0,8194
0,1989
0,1561
ARVI
0,6127
0,0677
0,5700
0,0928
0,0427
SARVI
0,3923
0,0608
0,3350
0,0763
0,0573
ASVI
0,9298
0,1716
0,7677
0,1945
0,1621
GEMI
0,7598
0,0634
0,6947
0,0845
0,0651
SR
4,5907
0,8813
4,1754
0,9087
0,4153
NDWI
-0,5992
0,0542
-0,5909
0,0649
-0,0082
GNDVI
0,5992
0,0542
0,5909
0,0649
0,0082
GARI
0,5248
0,0718
0,4925
0,0795
0,0323
SARVI2
0,4700
0,0706
0,3977
0,0840
0,0722
11,65 16,00 6,98 14,61 17,44 8,56 9,05 1,38 1,38 6,15 15,37
Tabla 22. Comparación de los índices en la clase CLC 243. Fuente: Autor.
243 Mosaico de cultivos, pastos y espacios naturales Invierno
Verano
Diferencia
Índices
X
S
X
S
NDVI
0,6362
0,0752
0,6151
0,0774
0,0212
SAVI
0,4185
0,0805
0,3860
0,0787
0,0325
MSAVI
0,9429
0,2439
0,8366
0,2218
0,1063
ARVI
0,6162
0,0848
0,5805
0,0933
0,0358
SARVI
0,3867
0,0841
0,3377
0,0826
0,0490
ASVI
0,9001
0,2415
0,7761
0,2170
0,1240
GEMI
0,7418
0,0965
0,6998
0,0942
0,0420
SR
4,7063
1,0413
4,3822
0,9585
0,3241
NDWI
-0,6134
0,0627
-0,6151
0,0626
0,0016
GNDVI
0,6134
0,0627
0,6151
0,0626
-0,0016
GARI
0,5390
0,0755
0,4981
0,0790
0,0409
SARVI2
0,4595
0,0996
0,3974
0,0906
0,0621
3,33 7,78 11,27 5,80 12,68 13,78 5,66 6,89 -0,27 -0,27 7,58 13,52
Tabla 23. Comparación de los índices en la clase CLC 244. Fuente: Autor.
244 Mosaico de pastos con espacios naturales Invierno
Verano
Diferencia
Porcentaje
1,04 4,41 8,01 2,54
ndices
X
S
X
S
NDVI
0,6181
0,0975
0,6116
0,0807
0,0064
SAVI
0,4064
0,0915
0,3885
0,0782
0,0179
MSAVI
0,9267
0,2654
0,8525
0,2208
0,0742
ARVI
0,5994
0,1058
0,5842
0,0923
0,0152
125
SARVI
0,3779
0,0938
0,3487
0,0802
0,0292
ASVI
0,8888
0,2626
0,8017
0,2152
0,0871
GEMI
0,7337
0,1082
0,7069
0,0933
0,0267
SR
4,5392
1,2291
4,3475
0,9818
0,1917
NDWI
-0,5958
0,0864
-0,6022
0,0694
0,0063
GNDVI
0,5958
0,0864
0,6022
0,0694
-0,0063
GARI
0,5293
0,0934
0,5074
0,0787
0,0219
SARVI2
0,4541
0,1112
0,4127
0,0905
0,0414
7,72 9,80 3,64 4,22 -1,06 -1,06 4,14 9,12
Tabla 24. Comparación de los índices en la clase CLC 245. Fuente: Autor.
245 Mosaico de cultivos y es pacios naturales Invierno
Verano
Diferencia
Porcentaje
2,69 6,69 9,78 5,09 12,37 12,93 4,93 6,16 -1,04 -1,04 8,35 13,73
Índices
X
S
X
S
NDVI
0,6735
0,0376
0,6554
0,0420
0,0181
SAVI
0,4395
0,0535
0,4101
0,0529
0,0294
MSAVI
0,9635
0,1715
0,8693
0,1572
0,0943
ARVI
0,6594
0,0415
0,6259
0,0506
0,0335
SARVI
0,4132
0,0547
0,3621
0,0547
0,0511
ASVI
0,9262
0,1693
0,8065
0,1532
0,1197
GEMI
0,7526
0,0669
0,7155
0,0662
0,0371
SR
5,2014
0,6630
4,8808
0,6390
0,3206
NDWI
-0,6431
0,0325
-0,6498
0,0358
0,0067
GNDVI
0,6431
0,0325
0,6498
0,0358
-0,0067
GARI
0,5801
0,0394
0,5316
0,0460
0,0484
SARVI2
0,4827
0,0681
0,4164
0,0615
0,0663
Tabla 25. Comparación de los índices en la clase CLC 311. Fuente: Autor.
311 B osque denso Invierno
Verano
Diferencia
Porcentaje
4,91 9,26 11,88 8,99 15,42 14,81 6,04
Índices
X
S
X
S
NDVI
0,5567
0,0937
0,5293
0,1014
0,0273
SAVI
0,3184
0,0958
0,2889
0,0948
0,0295
MSAVI
0,6595
0,2486
0,5812
0,2253
0,0783
ARVI
0,5297
0,1046
0,4821
0,1217
0,0476
SARVI
0,2887
0,0973
0,2442
0,0963
0,0445
ASVI
0,6251
0,2447
2,7223
0,2190
-2,0971
GEMI
0,6170
0,1172
0,5797
0,1127
0,0373
126
SR
3,7174
1,0033
3,4487
0,9505
0,2688
NDWI
-0,5522
0,0781
-0,5457
0,0839
-0,0065
GNDVI
0,5522
0,0781
0,5457
0,0839
0,0065
GARI
0,4723
0,0885
0,4220
0,0991
0,0504
SARVI2
0,3415
0,1137
0,2921
0,1039
0,0494
7,23 1,17 1,17 10,66 14,46
Tabla 26. Comparación de los índices en la clase CLC 312. Fuente: Autor.
312 B osque abierto Invierno
Verano
Diferencia
Índices
X
S
X
S
-
NDVI
-
-
0,5064
0,0863
-
SAVI
-
-
0,2755
0,0778
-
MSAVI
-
-
0,5557
0,1842
-
ARVI
-
-
0,4636
0,1033
-
SARVI
-
-
0,2354
0,0796
-
ASVI
-
-
0,5130
0,1804
-
GEMI
-
-
0,5715
0,0929
-
SR
-
-
3,1733
0,7211
-
NDWI
-
-
-0,5150
0,0725
-
GNDVI
-
-
0,5150
0,0725
-
GARI
-
-
0,4070
0,0858
-
SARVI2
-
-
0,2842
0,0879
-
Porcentaje
Tabla 27. Comparación de los índices en la clase CLC 313. Fuente: Autor.
313 B osque frag mentado Invierno
Verano
Diferencia
Porcentaje
1,17 5,14 8,83 4,49 10,07 11,43 4,26 3,03 -2,18
Índices
X
S
X
S
NDVI
0,6078
0,0878
0,6007
0,0828
0,0071
SAVI
0,3790
0,0938
0,3595
0,0852
0,0195
MSAVI
0,8248
0,2620
0,7519
0,2241
0,0728
ARVI
0,0972
0,5861
0,5647
0,0993
-0,4675
SARVI
0,3489
0,0957
0,3138
0,0872
0,0351
ASVI
0,7866
0,2585
0,6966
0,2180
0,0899
GEMI
0,6913
0,1144
0,6618
0,1021
0,0294
SR
4,3320
1,0728
4,2005
0,9552
0,1314
NDWI
-0,5934
0,0739
-0,6063
0,0672
0,0129
127
GNDVI
0,5934
0,0739
0,6063
0,0672
-0,0129
GARI
0,5184
0,0835
0,4891
0,0822
0,0293
SARVI2
0,4134
0,1134
0,3676
0,0953
0,0458
-2,18 5,66 11,08
Tabla 28. Comparación de los índices en la clase CLC 321. Fuente: Autor.
321 Herbazal Invierno
Índices NDVI S AVI MS AVI AR VI S AR VI AS VI GEMI S R NDWI GNDVI GARI S AR VI2
Verano
Diferencia
Porcentaje
0,51 4,40 8,39 2,94 8,82 10,56 3,84 1,51 -1,58 -1,58 5,01 9,61
X
S
X
S
0,5269
0,0880
0,5242
0,0784
0,0027
0,3256
0,0780
0,3112
0,0665
0,0143
0,7265
0,2236
0,6655
0,1715
0,0610
0,4997
0,0989
0,4850
0,0926
0,0147
0,2938
0,0806
0,2679
0,0686
0,0259
0,6897
0,2194
0,6168
0,1661
0,0729
0,6538
0,1000
0,6287
0,0816
0,0251
3,3624
0,7542
3,3118
0,6780
0,0506
-0,5184
0,0740
-0,5266
0,0636
0,0082
0,5184
0,0740
0,5266
0,0636
-0,0082
0,4444
0,0856
0,4222
0,0768
0,0223
0,3620
0,0971
0,3272
0,0758
0,0348
Tabla 29. Comparación de los índices en la clase CLC 322. Fuente: Autor.
322 Arbusto Invierno
Índices NDVI S AVI MS AVI AR VI S AR VI AS VI GEMI S R NDWI GNDVI GARI
Verano
Diferencia
Porcentaje
0,51 4,40 8,39 2,94 8,82 10,56 3,84 1,51 -1,58 -1,58 5,01
X
S
X
S
0,5515
0,0809
0,5501
0,0800
0,0014
0,3319
0,0780
0,3231
0,0781
0,0088
0,7148
0,2246
0,6814
0,2210
0,0334
0,5267
0,0895
0,5162
0,0932
0,0104
0,3018
0,0778
0,2842
0,0783
0,0176
0,6792
0,2181
0,6366
0,2135
0,0426
0,6474
0,0987
0,6317
0,0989
0,0157
3,5958
0,7762
3,5741
0,7428
0,0217
-0,5384
0,0695
-0,5480
0,0664
0,0096
0,5384
0,0695
0,5480
0,0664
-0,0096
0,4649
0,0768
0,4508
0,0783
0,0142
128
S AR VI2
0,3630
0,0924
0,3401
0,0898
0,0228
9,61
Tabla 30. Comparación de los índices en la clase CLC 323. Fuente: Autor.
323 Veg etaci ón secundari a o en transi ci ón Invierno
Índices NDVI S AVI MS AVI AR VI S AR VI AS VI GEMI S R NDWI GNDVI GARI S AR VI2
Verano
Diferencia
Porcentaje
0,67 4,01 7,47 2,82 8,81 10,06 3,30 3,56 -2,74 -2,74 5,01 10,02
X
S
X
S
0,6439
0,0884
0,6396
0,0699
0,0043
0,4187
0,0949
0,4019
0,0760
0,0168
0,9329
0,2670
0,8632
0,2145
0,0697
0,6245
0,0978
0,6069
0,0869
0,0176
0,3879
0,0970
0,3537
0,0814
0,0342
0,8910
0,2635
0,8014
0,2124
0,0896
0,7346
0,1134
0,7103
0,0910
0,0243
4,9004
1,1838
4,7260
0,9381
0,1744
-0,6233
0,0759
-0,6404
0,0537
0,0171
0,6233
0,0759
0,6404
0,0537
-0,0171
0,5487
0,0855
0,5212
0,0750
0,0275
0,4570
0,1139
0,4112
0,0894
0,0458
La zona de estudio se dividió en las CLC presentes en el área (Tabla 20, Tabla 21, Tabla 22, Tabla 23, Tabla 24, Tabla 25, Tabla 26, Tabla 27, Tabla 28, Tabla 29, Tabla 30) siendo estos 231, 242, 243, 244, 245, 311, 312, 313, 321, 322, y 323. Los índices espectrales que se mantuvieron con mayor cambio a la comparación de los periodos de inverno-verano fueron MSAVI, ARVI, SARVI, ASVI y SARVI2; y los que presentaron menos variaciones, son NDVI, NDWI y GNDVI.
129
Imagen 17. Comportamiento del NDVI. Fuente: Autor. Tabla 31. Comportamiento del NDVI. Fuente: Autor.
NDVI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,5595 0,6333 0,6181 0,6181 0,6735 0,5567 0,6078 0,5269 0,5515 0,6439
Ver 0,5601 0,6001 0,6151 0,6116 0,6554 0,5293 0,5064 0,6007 0,5242 0,5501 0,6396
NDVI 0,6800 0,6600 0,6400 0,6200 0,6000 0,5800 0,5600 0,5400 0,5200 0,5000 231
242
243
244
0,3790 0,3256 0,3319 0,4187
Ver 0,3483 0,3766 0,3860 0,3885 0,4101 0,2889 0,2755 0,3595 0,3112 0,3231 0,4019
312
313
321
322
323
Ver
Imagen 18. Comportamiento del SAVI. Fuente: Autor.
SAVI
S AVI Inv 0,3676 0,4263 0,4185 0,4064 0,4395 0,3184
311
Inv
Tabla 32. Comportamiento del SAVI. Fuente: Autor.
CLC 231 242 243 244 245 311 312 313 321 322 323
245
0,4500 0,4300 0,4100 0,3900 0,3700 0,3500 0,3300 0,3100 0,2900 0,2700 0,2500 231
242
243
244
245 Inv
130
311
312 Ver
313
321
322
323
Imagen 19. Comportamiento del MSAVI. Fuente: Autor. Tabla 33. Comportamiento del MSAVI. Fuente: Autor.
MS AVI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,8592 0,9755 0,9429 0,9267 0,9635 0,6595 0,8248 0,7265 0,7148 0,9329
Ver 0,7637 0,8194 0,8366 0,8525 0,8693 0,5812 0,5557 0,7519 0,6655 0,6814 0,8632
MSAVI 1,0000 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 231
242
243
244
0,5647 0,4997 0,5267 0,6245
312
313
321
322
323
322
323
Ver
Imagen 20. Comportamiento ARVI. Fuente: Autor.
AR VI Inv 0,5357 0,6127 0,6162 0,5994 0,6594 0,5297
311
Inv
Tabla 34. Comportamiento del ARVI. Fuente: Autor.
CLC 231 242 243 244 245 311 312 313 321 322 323
245
ARVI
Ver 0,5223 0,5700 0,5805 0,5842 0,6259 0,4821 0,4636 0,5647 0,4850 0,5162 0,6069
0,6600 0,6400 0,6200 0,6000 0,5800 0,5600 0,5400 0,5200 0,5000 0,4800 0,4600 231
242
243
244
245 Inv
131
311
312 Ver
313
321
Imagen 21. Comportamiento SARVI. Fuente: Autor.
Tabla 35. Comportamiento SARVI. Fuente: Autor.
SARVI
S AR VI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,3353 0,3923 0,3867 0,3779 0,4132 0,2887 0,3489 0,2938 0,3018 0,3879
Ver 0,3015 0,3350 0,3377 0,3487 0,3621 0,2442 0,2354 0,3138 0,2679 0,2842 0,3537
0,4100 0,3900 0,3700 0,3500 0,3300 0,3100 0,2900 0,2700 0,2500 0,2300 231
242
243
244
245
311
SARVI Inv
312
313
321
322
323
322
323
SARVI Ver
Imagen 22. Comportamiento ASVI. Fuente: Autor. Tabla 36. Comportamiento ASVI. Fuente: Autor.
AS VI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,8190 0,9298 0,9001 0,8888 0,9262 0,6251 0,7866 0,6897 0,6792 0,8910
Ver 0,7084 0,7677 0,7761 0,8017 0,8065 0,5326 0,5130 0,6966 0,6168 0,6366 0,8014
ASVI 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000 231
242
243
244
245 Inv
132
311
312 Ver
313
321
Imagen 23. Comportamiento GEMI. Fuente: Autor. Tabla 37. Comportamiento GEMI. Fuente: Autor.
GEMI
GEMI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,7098 0,7598 0,7418 0,7337 0,7526 0,6170 0,6913 0,6538 0,6474 0,7346
Ver 0,6719 0,6947 0,6998 0,7069 0,7155 0,5797 0,5715 0,6618 0,6287 0,6317 0,7103
0,7600 0,7400 0,7200 0,7000 0,6800 0,6600 0,6400 0,6200 0,6000 0,5800 0,5600 231
242
243
244
4,3320 3,3624 3,5958 4,9004
312
313
321
322
323
322
323
Ver
Imagen 24. Comportamiento SR. Fuente: Autor.
S R Inv 3,7091 4,5907 4,7063 4,5392 5,2014 3,7174
311
Inv
Tabla 38. Comportamiento SR. Fuente: Autor.
CLC 231 242 243 244 245 311 312 313 321 322 323
245
SR
Ver 3,6957 4,1754 4,3822 4,3475 4,8808 3,4487 3,1733 4,2005 3,3118 3,5741 4,7260
5,4000 5,2000 5,0000 4,8000 4,6000 4,4000 4,2000 4,0000 3,8000 3,6000 3,4000 3,2000 3,0000 231
242
243
244
245 Inv
133
311
312 Ver
313
321
Tabla 39. Comportamiento NDWI. Fuente: Autor.
Imagen 25. Comportamiento NDWI. Fuente: Autor.
NDWI
NDWI
CLC 231 242 243 244 245 311 312 313 321 322 323
Inv -0,5407 -0,5992 -0,6134 -0,5958 -0,6431 -0,5522 -0,5934 -0,5184 -0,5384 -0,6233
Ver -0,5584 -0,5909 -0,6151 -0,6022 -0,6498 -0,5457 -0,5150 -0,6063 -0,5266 -0,5480 -0,6404
-0,4900 -0,5100
231
242
243
244
245
311
312
313
321
-0,5900 -0,6100 -0,6300 -0,6500 -0,6700 Inv
Ver
GNDVI
0,5934 0,5184 0,5384 0,6233
323
-0,5700
GNDVI Ver 0,5584 0,5909 0,6151 0,6022 0,6498 0,5457 0,5150 0,6063 0,5266 0,5480 0,6404
322
-0,5500
Imagen 26. Comportamiento GNDVI. Fuente: Autor.
Inv 0,5407 0,5992 0,6134 0,5958 0,6431 0,5522
323
-0,5300
Tabla 40. Comportamiento GNDVI. Fuente: Autor.
CLC 231 242 243 244 245 311 312 313 321 322 323
322
0,6600 0,6400 0,6200 0,6000 0,5800 0,5600 0,5400 0,5200 0,5000 231
242
243
244
245 Inv
134
311
312 Ver
313
321
Imagen 27. Comportamiento GARI. Fuente: Autor.
Tabla 41. Comportamiento GARI. Fuente: Autor.
GARI CLC 231 242 243 244 245 311 312 313 321 322 323
Inv 0,4692 0,5248 0,5390 0,5293 0,5801 0,4723 0,5184 0,4444 0,4649 0,5487
GARI
Ver 0,4492 0,4925 0,4981 0,5074 0,5316 0,4220 0,4070 0,4891 0,4222 0,4508 0,5212
0,5800 0,5600 0,5400 0,5200 0,5000 0,4800 0,4600 0,4400 0,4200 0,4000 231
242
243
0,4134 0,3620 0,3630 0,4570
Ver 0,3651 0,3977 0,3974 0,4127 0,4164 0,2921 0,2842 0,3676 0,3272 0,3401 0,4112
311
312
313
321
322
323
322
323
Ver
Imagen 28. Comportamiento SARVI2. Fuente: Autor.
SARVI2
S A R V I2 Inv 0,4148 0,4700 0,4595 0,4541 0,4827 0,3415
245 Inv
Tabla 42. Comportamiento SARVI2. Fuente: Autor.
CLC 231 242 243 244 245 311 312 313 321 322 323
244
0,4900 0,4700 0,4500 0,4300 0,4100 0,3900 0,3700 0,3500 0,3300 0,3100 0,2900 0,2700 231
242
243
244
245 Inv
311
312
313
321
Ver
Comparación de la segmentación de los Biomas en función de la información CLC. Tabla 43. Comparación Biomas - CLC vs. NDVI. Fuente: Autor.
NDVI CLC
OASM OASM OASM Inv Ver
OMSM OBSMM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver 135
231 242 243 244 245 311 312 313 321 322 323
0,5721 0,5545 0,5535 0,6003 0,5459 0,5948 0,6328 0,5568 0,5966 0,6343 0,6701 0,4990 0,4986 0,5535 0,5064 0,5543 0,5675 0,5928 0,5242 0,5508 0,5508 0,5571 0,5467 0,6537 0,5887
0,5456 0,6134 0,6239 0,6250 0,6464 0,5360
0,6460 0,6253 0,6447 0,6752 0,6751 0,5998
0,6214 0,5915 0,6192 0,6722 0,6596 0,5695
0,6106
0,6306
0,6127
0,5408 0,6437
0,6611
0,6357
Imagen 29. Comparación Biomas - CLC vs. NDVI. Fuente: Autor.
NDVI 0,6900 0,6600 0,6300 0,6000 0,5700 0,5400 0,5100 0,4800 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 44. Comparación Biomas - CLC vs. SAVI. Fuente: Autor.
S AVI CLC 231 242 243 244 245 311 312
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,3386 0,3444 0,3419 0,3356 0,4285 0,3953 0,3717 0,3983 0,4161 0,3801 0,3657 0,3697 0,4182 0,3949 0,4227 0,3883 0,3698 0,3786 0,4152 0,4103 0,4407 0,4247 0,4339 0,3993 0,4421 0,4151 0,2717 0,2658 0,3166 0,2932 0,3520 0,3205 0,2753 136
323
313 321 322 323
0,3349 0,3294 0,3730 0,3688 0,3112 0,3320 0,3229 0,3310 0,3254 0,3600 0,4328 0,3723 0,4031
0,3941
0,3701
0,4318
0,3959
Imagen 30. Comparación Biomas - CLC vs. SAVI. Fuente: Autor.
SAVI 0,4500 0,4300 0,4100 0,3900 0,3700 0,3500 0,3300 0,3100 0,2900 0,2700 0,2500 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 45. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor.
MS AVI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,7175 0,7560 0,7551 0,7361 0,9674 0,8614 0,7995 0,8881 0,9430 0,8449 0,8879 0,8046 0,9491 0,8600 0,9441 0,8377 0,8790 0,8354 0,9362 0,9275 0,9718 0,9046 0,9433 0,8373 0,9728 0,8838 0,5586 0,5330 0,6573 0,5892 0,7295 0,6489 0,5550 0,7275 0,6809 0,8255 0,7737 0,8503 0,7771 0,6654 0,7155 0,6791 0,7087 0,7095 0,8709 0,9727 0,8352 0,8606 0,9573 0,8447
137
323
Imagen 31. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor.
MSAVI 1,0000 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 46. Comparación Biomas - CLC vs. ARVI. Fuente: Autor.
AR VI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,5468 0,5177 0,5267 0,5047 0,6251 0,5821 0,5745 0,5799 0,6038 0,5489 0,5264 0,5680 0,6154 0,5925 0,6235 0,5793 0,5345 0,5693 0,6195 0,5977 0,6596 0,6442 0,6565 0,6170 0,6608 0,6300 0,4704 0,4582 0,5273 0,4860 0,5728 0,5158 0,4640 0,5325 0,5382 0,5731 0,5773 0,6077 0,5703 0,4849 0,5262 0,5173 0,5309 0,5023 0,5326 0,6351 0,5673 0,6154 0,6418 0,5990
138
323
Imagen 32. Comparación Biomas - CLC vs. ARVI. Fuente: Autor.
ARVI 0,6600 0,6300 0,6000 0,5700 0,5400 0,5100 0,4800 0,4500 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 47. Comparación Biomas - CLC vs. SARVI. Fuente: Autor.
S A R VI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,3086 0,2993 0,3079 0,2874 0,3942 0,3396 0,3363 0,3479 0,3816 0,3226 0,3387 0,3333 0,3903 0,3497 0,3886 0,3328 0,3398 0,3408 0,3909 0,3687 0,4132 0,3771 0,4087 0,3534 0,4153 0,3661 0,2446 0,2297 0,2881 0,2463 0,3187 0,2649 0,2354 0,3088 0,2950 0,3467 0,3253 0,3609 0,3157 0,2678 0,3021 0,2844 0,2995 0,2824 0,3416 0,4003 0,3451 0,3592 0,3995 0,3435
139
323
Imagen 33. Comparación Biomas - CLC vs. SARVI. Fuente: Autor.
SARVI 0,4200 0,4000 0,3800 0,3600 0,3400 0,3200 0,3000 0,2800 0,2600 0,2400 0,2200 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 48. Comparación Biomas - CLC vs. ASVI. Fuente: Autor.
AS VI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,6816 0,7030 0,7143 0,6803 0,9207 0,7912 0,7554 0,8240 0,8973 0,7747 0,8540 0,7593 0,9113 0,8022 0,8982 0,7687 0,8416 0,7879 0,9031 0,8730 0,9328 0,8408 0,9077 0,7782 0,9347 0,8194 0,5295 0,4949 0,6246 0,5383 0,6894 0,5866 0,5124 0,6965 0,6406 0,7922 0,7202 0,8073 0,7112 0,6167 0,6801 0,6347 0,6714 0,6600 0,8475 0,9276 0,8007 0,8036 0,9128 0,7783
140
323
Imagen 34. Comparación Biomas - CLC vs. ASVI. Fuente: Autor.
ASVI 0,9500 0,9000 0,8500 0,8000 0,7500 0,7000 0,6500 0,6000 0,5500 0,5000 0,4500 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 49. Comparación Biomas - CLC vs. GEMI. Fuente: Autor.
GEMI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,6428 0,6692 0,6649 0,6590 0,7513 0,7115 0,6852 0,7260 0,7479 0,7079 0,7160 0,6853 0,7436 0,7089 0,7429 0,7012 0,7150 0,7000 0,7372 0,7360 0,7513 0,7284 0,7458 0,7031 0,7557 0,7212 0,5702 0,5572 0,6160 0,5831 0,6489 0,6120 0,5713 0,6509 0,6310 0,6909 0,6717 0,7022 0,6724 0,6287 0,6482 0,6310 0,6410 0,6412 0,7017 0,7543 0,6897 0,7109 0,7461 0,7023
141
323
Imagen 35. Comparación Biomas - CLC vs. GEMI. Fuente: Autor.
GEMI 0,7600 0,7300 0,7000 0,6700 0,6400 0,6100 0,5800 0,5500 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 50. Comparación Biomas - CLC vs. SR. Fuente: Autor.
S R CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 3,9095 3,6209 3,5897 3,5121 4,8672 4,5047 4,1637 4,3213 4,4598 4,1269 3,5490 4,0957 4,6570 4,5070 4,8171 4,4410 3,6893 4,1336 4,7219 4,5292 5,3349 5,2137 5,1300 4,7332 5,2340 4,9482 3,1131 3,1468 3,6744 3,5144 4,1891 3,8441 3,1720 3,6569 3,7687 4,1694 4,3231 4,6050 4,3624 3,3111 3,5912 3,5804 3,6340 3,4943 3,6820 4,8974 4,2168 4,7401 5,1134 4,6905
142
323
Imagen 36. Comparación Biomas - CLC vs. SR. Fuente: Autor.
SR 5,5000
5,0000
4,5000
4,0000
3,5000
3,0000 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 51. Comparación Biomas - CLC vs. NDWI. Fuente: Autor.
NDWI
CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OASM OASM Inv Ver -0,5639 -0,5508 -0,5885 -0,5294 -0,5844 -0,5388 -0,5853 -0,5012 -0,5451 -0,5375 -0,5290
-0,5098 -0,5147 -0,5665 -0,5265 -0,5485 -0,6378
OMSM OMSM OMSM Inv Ver -0,5370 -0,5474 -0,6021 -0,6090 -0,6200 -0,6102 -0,6127 -0,6371 -0,6352 -0,5479 -0,4602
OBSMM OBSMM OBSMM Inv Ver -0,6215 -0,6275 -0,5941 -0,5926 -0,6218 -0,6262 -0,6490 -0,6715 -0,6458 -0,6564 -0,5924 -0,5176
-0,5773
-0,6105
-0,6154
-0,6271
-0,5455 -0,5417 -0,5722 -0,6367
-0,6394
-0,6420
143
323
Imagen 37. Comparación Biomas - CLC vs. NDWI. Fuente: Autor.
NDWI -0,4800
-0,5300
-0,5800
-0,6300
-0,6800 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 52. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor.
GNDVI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,5639 0,5508 0,5370 0,5474 0,6215 0,6275 0,5885 0,6021 0,5941 0,5926 0,5294 0,5844 0,6090 0,6200 0,6218 0,6262 0,5388 0,5853 0,6102 0,6127 0,6490 0,6715 0,6371 0,6352 0,6458 0,6564 0,5012 0,5098 0,5479 0,5521 0,5924 0,5954 0,5147 0,5451 0,5665 0,5773 0,6105 0,6154 0,6271 0,5265 0,5375 0,5485 0,5455 0,5417 0,5290 0,6378 0,5722 0,6367 0,6394 0,6420
144
323
Imagen 38. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor.
GNDVI 0,6800 0,6600 0,6400 0,6200 0,6000 0,5800 0,5600 0,5400 0,5200 0,5000 0,4800 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 53. Comparación Biomas - CLC vs. GARI. Fuente: Autor.
GARI CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,4857 0,4462 0,4573 0,4340 0,5419 0,4944 0,5022 0,4883 0,5177 0,4624 0,4710 0,4966 0,5440 0,5103 0,5418 0,4918 0,4720 0,4961 0,5526 0,5160 0,5819 0,5533 0,5766 0,5218 0,5817 0,5361 0,4272 0,4094 0,4715 0,4220 0,5037 0,4434 0,4074 0,4799 0,4771 0,5126 0,4995 0,5321 0,4878 0,4221 0,4647 0,4520 0,4668 0,4360 0,4871 0,5611 0,5048 0,5287 0,5614 0,5115
145
323
Imagen 39. Comparación Biomas - CLC vs. GARI. Fuente: Autor.
GARI 0,6000 0,5800 0,5600 0,5400 0,5200 0,5000 0,4800 0,4600 0,4400 0,4200 0,4000 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
Tabla 54. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor.
S A R VI2 CLC 231 242 243 244 245 311 312 313 321 322 323
OASM OMSM OBSMM OASM OASM OMSM OMSM OBSMM OBSMM Inv Ver Inv Ver Inv Ver 0,3658 0,3637 0,3732 0,3507 0,4662 0,3988 0,3980 0,4134 0,4569 0,3873 0,4253 0,3958 0,4664 0,4103 0,4589 0,3907 0,4238 0,4067 0,4663 0,4378 0,4819 0,4310 0,4770 0,4071 0,4853 0,4207 0,2942 0,2760 0,3417 0,2949 0,3726 0,3147 0,2841 0,3729 0,3482 0,4155 0,3799 0,4229 0,3691 0,3271 0,3636 0,3399 0,3579 0,3428 0,4294 0,4715 0,4144 0,4164 0,4676 0,3988
146
323
Imagen 40. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor.
SARVI2 0,5000 0,4800 0,4600 0,4400 0,4200 0,4000 0,3800 0,3600 0,3400 0,3200 0,3000 0,2800 0,2600 231
242
243
244
245
311
312
313
321
OASM Inv
OASM Ver
OMSM Inv
OMSM Ver
OBSMM Inv
OBSMM Ver
322
323
En general se muestra una tendencia de los índices MSAVI ASVI SARVI y SARVI2, en tener una mayor sensibilidad en la comparación entre los periodos de invierno y verano arrojando porcentajes de cambio más altos que el resto de los índices. Se evidencia una disminución de la tasa de cambio partiendo de la comparación directa entre las imágenes de invierno y verano que oscilan entre 11 %-14% (Tabla 16); durante la comparación de los biomas de las zona se notó una disminución de la tasa de cambi o en los respectivos biomas, esto es, en el OASM los valores oscilaron entre 4 y 6%; mientras que en el OMSM los valores de los índices citados variaron entre 10 y 13% y en el OBSMM los valores estuvieron entre 11 y 15%. La segmentación de los biomas de estudio en las clases CLC, produjo el aumento de la heterogeneidad de los datos (Tabla 55, Tabla 56, Tabla 57), sin embargo mantiene una tendencia en las tasas de cambio, puesto que los índices mencionados mantienen unas razones de cambio altas frente al resto de los índices. Tabla 55. Porcentaje Cambio Invierno - Verano OASM
Porcentaje Cambio Invierno - Verano OASM 231
NDVI S AVI MSAVI AR VI S AR VI AS VI GEMI S R
242
243
244
245
322
323
3,07
-8,95
-7,16
0,08
-2,38
0,00
-19,58
-1,71
-1,07
-2,38
2,16
1,63
2,74
-20,20
-5,37
9,39
4,96
4,58
6,40
5,08
-11,69
5,31
-7,90
-6,50
2,60
-1,07
1,68
-19,25
3,02
1,61
-0,31
6,09
4,48
5,85
-17,16
-3,14
11,09
6,38
6,53
8,02
6,67
-9,44
-4,10
4,29
2,09
2,28
3,05
2,66
-7,49
7,38
-15,41
-12,04
-1,08
-3,06
0,30
-33,01
147
311
312
313
321
NDWI GNDVI GARI S AR VI2
2,31
-10,40
-8,64
-1,72
-3,94
-2,04
-20,57
2,31
-10,40
-8,64
-1,72
-3,94
-2,04
-20,57
8,13
-5,43
-5,11
4,16
0,58
2,74
-15,19
0,60
6,95
4,04
6,19
6,62
6,51
-9,81
322
323
Tabla 56. Porcentaje Cambio Invierno - Verano OMSM
Porcentaje Cambio Invierno - Verano OMSM 231
NDVI S AVI MSAVI AR VI S AR VI AS VI GEMI S R NDWI GNDVI GARI S AR VI2
242
243
244
245
311
312
313
321
-12,27
2,15
-5,97
1,58
-2,88
-3,37
-7,99
-15,63
7,16
-2,27
4,34
-1,24
0,77
-6,36
-14,08
11,74
3,37
6,30
1,28
5,86
-1,13
-10,52
5,86
-4,00
4,04
2,19
0,48
-5,58
-10,29
14,74
3,53
10,41
8,05
8,93
0,47
-10,76
15,65
6,90
9,73
6,08
10,22
2,80
-7,02
5,70
1,21
3,29
0,64
2,68
-1,84
-25,49
4,64
-10,42
3,54
-4,62
-4,63
-11,23
-16,85
-2,81
-10,05
-3,03
-8,67
-8,62
-12,20
-16,85
-2,81
-10,05
-3,03
-8,67
-8,62
-12,20
-8,12
9,59
-0,13
7,02
5,97
4,82
-1,32
-6,85
16,23
7,57
11,81
7,90
11,16
3,77
Tabla 57. Porcentaje Cambio Invierno - Verano OBSMM
Porcentaje Cambio Invierno - Verano OBSMM NDVI S AVI MSAVI AR VI S AR VI AS VI GEMI S R NDWI GNDVI GARI S AR VI2
231
242
243
244
245
311
312
313
321
322
323
3,81
5,41
3,95
0,44
2,30
5,06
2,83
3,84
7,75
8,67
8,13
3,64
6,11
8,94
6,10
8,31
10,96
10,41
11,27
6,91
9,14
11,05
8,60
11,77
6,88
9,09
7,08
2,32
4,67
9,95
6,15
6,67
13,85
15,45
14,36
8,74
11,84
16,89
12,53
14,02
14,07
13,66
14,43
9,87
12,34
14,91
11,91
14,74
5,29
5,34
5,62
3,06
4,57
5,69
4,25
5,86
7,45
7,46
7,81
2,27
5,46
8,24
5,27
8,27
-0,96
0,27
-0,70
-3,46
-1,65
-0,50
-1,90
-0,41
-0,96
0,27
-0,70
-3,46
-1,65
-0,50
-1,90
-0,41
8,77
10,68
9,22
4,91
7,83
11,97
8,32
8,89
14,47
15,23
14,86
10,56
13,31
15,53
12,73
14,73
La tendencia de los resultados de los índices se mantiene a lo largo de las clases CLC como se muestra en las Tabla 41 - Tabla 54 y las Imagen 16Imagen 40 Las coberturas 311 (Bosque denso) tienen resultados comparativamente bajos frente a las otras clases y en los diferentes biomas. 148
Estos resultados pueden explicarse debido a dos razones principales: I.
La diferencia temporal de la información CLC (2005-2007) con las imágenes de trabajo (2013 para el periodo de invierno y 2016 para el periodo de verano), hacen que un análisis basado en la información CLC, muestre diferencia significativa a la información obtenida de las imágenes satelitales, ya que las coberturas vegetales de la zona están en constante cambio por factores antrópicos y fenómenos naturales.
II.
La compleja topografía de la zona limita el análisis del a información ya que la ser una zona montañosa, se pierden datos debido al aspecto e iluminación en función del ángulo de captura de las imágenes satelitales; a pesar de los procesos de corrección atmosférica y topográfica.
Se puede señalar que los índices espectrales MSAVI, ASVI, SARVI y SARVI2 son más sensibles a las variaciones de las condiciones de la vegetación; que el resto de los índices. El NDVI, GNDVI y NDWI, en general fueron los índices que menores variaciones presentaron en la comparación de los periodos de invierno y verano, sin embargo fueron los que menor dispersión de los datos presentaron con un coefi ciente de variación en a lo largo de las comparaciones alrededor del 15%. El ASVI, SARVI y SARVI2, son índices resistentes al suelo y a la atmósfera, lo que explica su variación comparativamente mayor al resto, en los periodos de inverno y verano, puesto tienen en cuenta la influencia del fondo del suelo (Huete et al., 1997; Qi, Chehbouni, et al., 1994; Qi, Kerr, et al., 1994) que se acrecienta en las épocas de verano cuando las vegetación pierde vigor vegetal, así como la reducción de los efectos relativos a las condiciones atmosféricas (Pinty & Verstraete, 1992). El uso de la banda azul para el ARVI ASVI SARVI y SARVI2, hace que sean más sensibles en condiciones de vegetación densa (Qi, Kerr, et al., 1994), esta afirmación se demuestra en la comparación de los índices espectrales en los dos periodos de estudio. Según los resultados de Qi et al (1994) el MSAVI y ASVI demuestran mayor sensibilidad cuando el LAI >2; a pesar de ello, los tres índices que evidenciaron mayor sensibilidad fueron el ASVI, SARVI y SARVI2, seguidos del MSAVI ARVI y GARI. Empero de esto el MSAVI y SAVI se encuentran influenciados por los efectos atmosféricos, recomendándose usarse en zonas con baja influencia de la atmósfera (Huete, 1988; Qi, Chehbouni, et al., 1994). Por otro lado los índices que menor variación presentaron fueron el NDVI, NDWI y GNDVI, siendo consistente el NDVI con las observaciones de Qi et al (1994) que señalan al NDVI como un índice de sensibilidad baja en LAI > 2,5. El autor citado también señala el mismo comportamiento para el SAVI en las mismas condiciones de área foliar. A pesar de que no fue posible calcular el LAI para la zona de estudio, las observaciones y los cálculos realizados concuerdan con lo enunciado por los autores.
149
Pinty & Verstraete, (1992) expresan que el GEMI es más útil para comparar las observaciones en diversas condiciones de atmosféricas y de iluminación, ya que, representa mejor las condiciones reales de la superficie que el NDVI y SR, sobre la mayor parte de la gama del estado de la vegetación; por otro lado Qi, Kerr, et al., (1994) señalan que el GEMI tiene una mala respuesta en áreas con LAI<0,5 por el efecto del fondo del suelo. Huete et al., (1997), señala que el SARVI no se satura en zonas boscosas reflejando variaciones en la reflectancia del NIR; a diferencia del NDVI que se satura con estas coberturas por la alta absorción en el canal rojo (Gitelson et al., 1996). El mismo autor señala que el NDVI es sensible a la absorción de la fracción de la radiación fotosintéticamente activa (fPAR) siendo útil para los estudios de la fracción de la cobertura vegetal; y el SARVI es más sensible a parámetros estructurales del dosel como el LAI y la morfología de las hojas. Al igual que Huete et al., (1997) , el SARVI y el SARVI2, presentaron una mejor respuesta a las variaciones de las condiciones de la vegetación; el autor citado explica la sensibilidad en áreas densamente pobladas por el peso de la reflectancia del NIR en las ecuaciones del SARVI2 y SARVI. La menor absorción, gran penetración y propiedades de dispersión del NIR permitió un incremento de la sensibilidad a los biomas verdes y previno la saturación los VI’s en altos niveles de vegetación. El SARVI2 gracias a su amplia respuesta lineal sobre un amplio rango de condiciones vegetales, puede no sólo minimizar el problema de la saturación, si no también permitirá mayor precisión en la agregación y el escalamiento de las series de datos multiresolución (Huete et al., 1997)
150
9. CONCLUSIONES Y RECOMENDACIONES Los índices espectrales son herramientas útiles para determinar algunas variables físicas de la vegetación, así como el análisis del cambio de las dinámicas medibles en bosques, y la interacción del hombre con su entorno. La revisión de la información bibliográfica sobre el uso de los índices espectrales señala una falta de estudios y la aplicación de estos, en los ecosistemas tropicales para la determinación del estado de la vegetación, no obstante estudios como los de Qi, Kerr, et al., (1994); Huete et al., (1997); Ren et al., (2015); Gitelson et al., (1996) Gitelson et al., (2003); Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, (2007); Y. Chen & Gillieson, (2009); C. Xu et al., (2012); Gu et al., (2013), son un precedente para el cálculo de índices de vegetación para la determinación de estado de la vegetación en ecosistemas tropicales. La división del área de estudio en biomas halló que todos los índic es espectrales trabajados presentan una variación en la sensibilidad de la detección del cambio entre las épocas de invierno y verano, inversa a la altitud; esto es que el porcentaje de cambio aumentaba a medida que la altitud decrecía, partiendo del Orobioma Alto de Santa Marta hasta el Orobioma Bajo de Santa Marta y Macuira. Sin embargo esta tendencia sólo se demuestra en los límites de la zona de estudio, y no se puede asegurar una continuidad de esta línea más allá del área de estudio, puesto que las condiciones de la vegetación en esta zona varían drásticamente. La comparación del comportamiento de los índices de vegetación en los periodos de invierno y verano, permitió observar la sensibilidad de la respuesta al cambio de los índices espectrales; siendo los índices de mejor representan el cambio el ASVI, SARVI y SARVI2; coincidiendo con las observaciones de Qi, Kerr, et al., (1994) y Huete et al., (1997). Para la determinación del estado de las coberturas vegetales los índices espectrales que mejor representan su condición son el ASVI, SARVI y SARVI2 ya que tienen en cuenta las interferencias del fondo del suelo y las posibles perturbaciones atmosféricas además de ser más sensibles a los parámetros estructurales del dosel como el índice de área foliar y la morfología de las hojas. No obstante estos índices son un complemento del NDVI que es un índice sensible a la absorción de la fracción fotosintéticamente activa (Huete et al., 1997). El uso de estos índices espectrales está ligado a coberturas con altas densidades y áreas foliares altas (LAI>2), ya que según Qi, Kerr, et al., (1994) y Huete et al., (1997) estos, tienen un comportamiento diferentes en coberturas poco densas, por lo que se hace conveniente el análisis de otros índices espectrales. Como recomendación para mejorar la precisión de los datos se hace necesario un conocimiento profundo de la zona estudiada, a través de visitas de campo, que permita verificar el estado de las coberturas vegetales.
151
El desfase temporal de los datos CLC (2005-2007), hacen que el uso de esta información como base del estado de las coberturas, no sea verídico, así que la segmentación de la zona de estudio en dichos datos, sólo se asumió a nivel comparativo para asumir una tasa de cambio entre áreas, por ello se hace necesario el uso de información temporalmente cercana. Se sugiere realizar un estudio comparativo del comportamiento de los índices utilizados en este trabajo, los biomas del país para un monitoreo del estado de los ecosistemas del territorio colombiano. También se recomienda la utilización de más insumos satelitales, ya que las condiciones climáticas y los niveles de nubosidad limitan la información aprovechable para los estudios de percepción remota. De igual forma es recomendable el uso de información secundaria de las zonas en las que se trabaje, como los tipos de biomas, ecosistemas, usos de suelos, especies existentes en la zona, comunidades vegetales, ya que ayudaran a intuir, el tipo de comportamiento que tendrán los índices espectrales, así como una determinación y categorización del estado de las coberturas, ecosistemas y biomas.
152
10.
BIBLIOGRAFÍA
Ahamed, T., Tian, L., Zhang, Y., & Ting, K. C. (2011). A review of remote sensing methods for biomass feedstock production. Biomass and Bioenergy , 35 (7), 2455 –2469. http://doi.org/10.1016/j.biombioe.2011.02.028 Ali, I., Cawkwell, F., Dwyer, E., Barrett, B., & Green, S. (2016). Satellite remote sensing of grasslands: from observation to management –a review. Journal of Plant Ecology , rtw005. http://doi.org/10.1093/jpe/rtw005 Arango, C., Dorado, J., Guzmán, D., & Ruiz, J. . (2014). Climatología trimestral de Colombia, 19. Retrieved from http://es.scribd.com/doc/229064239/Climatologia-Trimestral-paraColombia-Ruiz-Guzman-Arango-y-Dorado-pdf#scribd Arenas, D., & Nieto, N. (2015). Uso de imágenes de sensores para el levantamiento físico de apoyo a los avluos ambientales, Etapa 2015 . CIAF-IGAC . BOGOTÁ, COLOMBIA. Ariza, A. (2013). Descripción y Corrección de Productos Landsat 8 LDCM (Landsat Data Continuity Mission). Centro de Investigación Y Desarrollo En Información Geográfica Del IGAC -CIAF , 46. Ariza, A., Garcia, S., Rojas, S., & Ramirez D., M. (2014). Desarrollo de un modelo de corrección de imágenes de satélite para inundaciones: (CAIN -Corrección Atmosférica e Índices de Inundación). Centro de Investigación Y Desarrollo En Información Geográfica Del IGAC -CIAF , 1 –10. Retrieved from http://www.un-spider.org/ Bacour, C., Breon, F. M., & Maignan, F. (2006). Normalization of the directional effects in NOAA - AVHRR reflectance measurements for an improved monitoring of vegetation cycles. Remote Sensing of Environment , 102 (3 –4), 402 –413. Balaguera, L., Cantillo, J., Camargo, L. F., Gómez, Á., Jiménez, M., Laverde, G. N., … Villalba, P. (2005). PLAN DE MANEJO PARQUE NACIONAL NATURAL SIERRA NEVADA DE SANTA MARTA. PLAN DE MANEJO BASICO 2005-200 . Santa Mrta. Bannari, A., Morin, D., Huete, A. R., & Bonn, F. (1995). A review of vegetation indices. Remote Sensing Reviews, 13, 95 –120. Baret, F., Guyot, G., & Major, D. J. (1989). TSAVI : A vegetation index which minimizes soil brightness effects on LAI and APAR estimation. In Proceedings of The 12th Canadian Symposium on Remote Sensing (pp. 1355 –1358). Vancouver. Brito Hoyos, D. M. (2013). Maestría en Aplicaciones Espaciales de Alerta y Respuesta Temprana a Emergencias. Informe Final - Pasantía . Universidad Nacional de General San Martín (UNSAM). Buyantuyev, A., Wu, J., & Gries, C. (2007). Estimating vegetation cover in an urban environment based on Landsat ETM+ imagery: A case study in Phoenix, USA. International Journal of Remote Sensing , 28 (2), 269 –291. http://doi.org/10.1080/01431160600658149 Calvo Polanco, M., Silva Pando, F. J., Rozados Lorenzo, M. J., Díaz Blanco, M., Rodríguez Dorriba, P., & Duo Suárez, I. (2005). El índice de área foliar (LAI) en masas de abedul (Betula celtiberica rothm. et vasc.) en Galicia. Sociedad Española de Ciencias Forestales, 20 , 111 –116.
153
Cao, C., Xu, M., Chen, W., & Tian, R. (2012). A framework for diagnosis of environmental health based on remote sensing. In D. Entekhabi, Y. Honda, H. Sawada, J. Shi, & T. Oki (Eds.), Land Surface Remote Sensing (p. 852414). Kyoto, Japan: Land Surface Remote Sensing. http://doi.org/10.1117/12.977439 Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation Remote Sensing of Environment . cover, and leaf area index. http://doi.org/10.1016/S0034-4257(97)00104-1 Chavez Jr., P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment , 24(3), 459 –479. http://doi.org/10.1016/0034-4257(88)90019-3 Chavez Jr., P. S., & Yaw Kwarteng, A. (1989). Extracting spectral contrast in Landsat Thematic Mapper image data using selective principal component analysis. Photogrammetric Engineering & Remote Sensing , 55 (3), 339 –348. Chen, Y., & Gillieson, D. (2009). Evaluation of Landsat TM vegetation indices for estimating vegetation cover on semi-arid rangelands: a case study from Australia. Canadian Journal of Remote Sensing , 35 (5), 435 –446. http://doi.org/10.5589/m09-037 Chen, Z., Yin, Q., Li, L., & Xu, H. (2010). Ecosystem Health Assessment by using remote sensing derived data: A case study of terrestrial region along the coast in ZheJiang province. IEEE Geoscience and Remote Sensing Letters , 4526 –4529. Chuvieco, E. (1995). Fundamentos de teledetección espacial (Segunda Ed). MadridEspaña: RIALP S.A. Chuvieco, E. (2010). Teledetección Ambiental, La Observación de la Tierra desde el Espacio. Barcelona: Ariel. Costanza, R., & Mageau, M. (1999). What is a healthy ecosystem? Aquat. Ecol , 33, 105 – 155. Cui, L., Li, G., Ren, H., He, L., Liao, H., Ouyang, N., & Zhang, Y. (2014). Assessment of atmospheric correction methods for historical Landsat TM images in the coastal zone: A case study in Jiangsu, China. European Journal of Remote Sensing , 47 (1), 701 –716. http://doi.org/10.5721/EuJRS20144740 Díaz-Delgado, R., Lloret, F., Pons, X., & Terradas, J. (2002). SATELLITE EVIDENCE OF DECREASING RESILIENCE IN MEDITERRANEAN PLANT COMMUNITIES AFTER RECURRENT WILDFIRES. Ecology , 83(8), 2293 –2303. http://doi.org/10.1890/00129658(2002)083[2293:SEODRI]2.0.CO;2 Gao, B. C. (1996). NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment , 58 (3), 257 –266. http://doi.org/10.1016/S0034-4257(96)00067-3 Gill, T. K., & Phinn, S. R. (2009). Improvements to ASTER-Derived Fractional Estimates of Bare Ground in a Savanna Rangeland. IEEE Transactions on Geoscience and Remote Sensing , 47 (2), 662 –670. http://doi.org/10.1109/TGRS.2008.2004628 Gill, T. K., Phinn, S. R., Armston, D. J., & Pailthorpe, B. A. (2009). Estimating tree-cover change in Australia: challenges of using the MODIS vegetation index product. International Journal of Remote Sensing , 30 (6), 1547 –1565.
154
Gillespie, T. W. (2011). Predicting Woody-Plant Species Richness in Tropical Dry Forests : A Case Study from South PREDICTING WOODY-PLANT SPECIES RICHNESS IN TROPICAL DRY FORESTS : A CASE STUDY FROM SOUTH FLORIDA , USA. Ecological Applications, 15 (1), 27 –37. Retrieved from https://www.researchgate.net/publication/280801166 Gitelson, A. A. (2004). Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation. Journal of Plant Physiology , 161(2), 165 – 173. http://doi.org/10.1078/0176-1617-01176 Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment , 58 (3), 289 –298. http://doi.org/10.1016/S0034-4257(96)00072-7 Gitelson, A. A., Viña, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003). Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters , 30 (5), n/a-n/a. http://doi.org/10.1029/2002GL016450 Gonzaga Aguilar, C. (2014). Aplicación de Índices de Vegetación Derivados de Imágenes Satelitales Landsat 7 ETM + y ASTER para la Caracterización de la Cobertura Vegetal en la Zona Centro de la Provincia De Loja, Ecuador . Universidad Nacional de La Plata. Goslee, S. C. (2011). Analyzing Remote Sensing Data in R : The landsat Package. Journal of Statistical Software , 43(4), 1 –25. http://doi.org/10.18637/jss.v043.i04 Gu, Z., Ju, W., Li, L., Li, D., Liu, Y., & Fan, W. (2013). Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China. Advances in Space Research, 51(7), 1186 –1194. http://doi.org/10.1016/j.asr.2012.11.015 Guzmán, D., Ruíz, J., & Cadena, M. (2014). REGIONALIZACIÓN DE COLOMBIA SEGÚN LA ESTACIONALIDAD DE LA PRECIPITACIÓN MEDIA MENSUAL, A TRAVÉS ANÁLISIS DE COMPONENTES PRINCIPALES (ACP). Guzmán, O. (2006). Fundamentos Físicos de la Teledetección . (CIAF, Ed.) (Versión 1.). BOGOTÁ, COLOMBIA: CIAF. Harris, A., Carr, A. S., & Dash, J. (2014). Remote sensing of vegetation cover dynamics and resilience across southern Africa. International Journal of Applied Earth Observation and Geoinformation, 28 (1), 131 –139. http://doi.org/10.1016/j.jag.2013.11.014 He, K. S., Zhang, J., & Zhang, Q. (2009). Linking variability in species composition and MODIS NDVI based on beta diversity measurements. Acta Ecológica, 35 (1), 14 –21. http://doi.org/10.1016/j.actao.2008.07.006 Hernández-Camacho, J., & Sánchez-Páez, H. (1992). Biomas terrestres de Colombia. Acta Zoológica Mexicana, 1, 152 –173. Hofer, G., Bunce, R. G. H., Edwards, P. J., Szerencsits, E., Wagner, H. H., & Herzog, F. (2011). Use of topographic variability for assessing plant diversity in agricultural landscapes. Agriculture, Ecosystems & Environment , 142 (3 –4), 144 –148. http://doi.org/10.1016/j.agee.2011.04.011 Homolová, L., Malenovský, Z., Clevers, J. G. P. W., García-Santos, G., & Schaepman, M. E. (2013). Review of optical-based remote sensing for plant trait mapping. Ecological Complexity , 15 , 1 –16. http://doi.org/10.1016/j.ecocom.2013.06.003 155
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment , 25 (3), 295 –309. http://doi.org/10.1016/0034-4257(88)90106-X Huete, A. R., Justice, C. O., & van Leeuwen, W. J. D. (1999). MODIS Vegetation Index (MOD 13). Version 3. Algorithm Theoretical Basis Document . Retrieved from http://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf Huete, A. R., Liu, H. Q., Batchily, K., & van Leeuwen, W. J. D. (1997). A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment , 59(3), 440 –451. http://doi.org/10.1016/S0034-4257(96)00112-5 Hunt, E. R., & Rock, B. N. (1989). Detection of changes in leaf water content using near and middle-infrared reflectances. Remote Sensing of Environment , 30 , 43 –54. Hunt, E. R., Rock, B. N., & Nobel, P. S. (1987). Measurement of leaf relative water content by infrared reflectance. Remote Sensing of Environment , 22 (3), 429 –435. http://doi.org/10.1016/0034-4257(87)90094-0 IDEAM. (2007). Las coberturas vegetales, uso y ocupación del espacio de Colombia. Escala 1:500.000 . BOGOTÁ, COLOMBIA. IDEAM. (2010). Leyenda nacional de coberturas de la tierra. Metodología CORINE Land Cover Adaptada para Colombia Escala 1:100.000 . BOGOTÁ, COLOMBIA. IDEAM, IGAC, IAvH, Invemar, Sinchi, & IIAP. (2007). Ecosistemas continentales, costeros y marinos de Colombia. BOGOTÁ, COLOMBIA. Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., … Hunt, E. R. (2004). Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment , 92 (4), 475 –482. http://doi.org/10.1016/j.rse.2003.10.021 Kaufman, Y. J., & Tanré, D. (1992). Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. In A. Arbor (Ed.), IEEE Transactions on Geoscience and Remote Sensing (pp. 97 –131). University of Michigan. Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, R. (2007). Comparación de índices espectrales para la predicción del IAF en canopeos de maíz. TELEDETECCIÓN , 125 –129. Krieger, F., Malila, W., Nalepka, R., & Richerdson, W. (1969). Preprocessing transformations and their effects on multispectral recognition. Remote Sensing of Environment , 97 –131. Lawes, R. A., & Wallace, J. F. (2008). Monitoring an invasive perennial at the landscape scale with remote sensing. Ecological Management & Restoration , 9(1), 53 –59. http://doi.org/10.1111/j.1442-8903.2008.00387.x Levin, N., Shmida, A., Levanoni, O., Tamari, H., & Kark, S. (2007). Predicting mountain plant richness and rarity from space using satellite-derived vegetation indices. Diversity and Distributions, 13(6), 692 –703. http://doi.org/10.1111/j.1472-4642.2007.00372.x Li, Z., Xu, D., & Guo, X. (2014). Remote sensing of ecosystem health: opportunities, challenges, and future perspectives. Sensors, 14(11), 21117 –21139. http://doi.org/10.3390/s141121117
156
Liao, Z., He, B., & Quan, X. (2015). Modified enhanced vegetation index for reducing topographic effects. Journal of Applied Remote Sensing , 9(1), 96068. http://doi.org/10.1117/1.JRS.9.096068 Libonati, R., de Portugal e Castro da Camara, C. do C., Pereira, J. M. C., & de Faria Peres, L. (2011). Discriminating burned areas in Amazon and Cerrado regions using MIR/NIR information. Anais XV Simpsio Brasileiro de Sensoriamento Remoto , (Pereira 1999), 8020 –8027. Retrieved from http://marte.dpi.inpe.br/col/dpi.inpe.br/marte/2011/06.30.12.48/doc/p1044.pdf\npapers 3://publication/uuid/F5C4EBA4-1C45-47A9-83D5-8CDDC36C8451 Luoto, M., Toivonen, T., & Heikkinen, R. K. (2002). Prediction of total and rare plant species richness from satellite images and GIS data in agricultural landscapes. Landscape Ecology , 17 (3), 195 –217. http://doi.org/10.1023/A:1020288509837 Masek, J. G., Hayes, D. J., Joseph Hughes, M., Healey, S. P., & Turner, D. P. (2015). The role of remote sensing in process-scaling studies of managed forest ecosystems. Forest Ecology and Management , 355 , 109 –123. http://doi.org/10.1016/j.foreco.2015.05.032 MEA. (2005). Ecosystems and Human Well-being . EE.UU. Moreira, E. P., Valeriano, M. de M., Sanches, I. D. A., & Formaggio, A. R. (2016). TOPOGRAPHIC EFFECT ON SPECTRAL VEGETATION INDICES FROM LANDSAT TM DATA: IS TOPOGRAPHIC CORRECTION NECESSARY? Boletim de Ciências Geodésicas, 22 (1), 95 –107. http://doi.org/10.1590/S1982-21702016000100006 Nagendra, H. (2001). Using remote sensing to assess biodiversity. International Journal of Remote Sensing , 22 (12), 2377 –2400. http://doi.org/10.1080/01431160117096 Opazo Saldivia, S., & Rodríguez-Verdú, F. (2007). Variación espacial de índices espectrales sobre áreas quemadas en sudamérica. Cuadernos de Investigación Geográfica , 33, 39 –57. Pinty, B., & Verstraete, M. M. (1992). GEMI: a non-linear index to monitor global vegetation from satellites. Vegetatio, 101(1), 15 –20. http://doi.org/10.1007/BF00031911 Piñol, J., Filella, I., Ogaya, R., & Peñuelas, J. (1998). Ground-based spectroradiometric estimation of live fine fuel moisture of Mediterranean plants. Agricultural and Forest Meteorology , 90 (3), 173 –186. http://doi.org/10.1016/S0168-1923(98)00053-7 PNUD. (2011). Colombia rural. Razones para la esperanza. Informe Nacional de De sarrollo Humano. BOGOTÁ, COLOMBIA. Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil adjusted vegetation index: MSAVI. Remote Sensing of Environment , 48 , 119 –126. Qi, J., Kerr, Y., & Chehbouni, A. (1994). External factor consideration in vegetation index development. Proceedings of 6th International Symposium on Physical Measurements and Signatures in Remote Sensing , (July), 723 –730. Quintano, C., Fernández-Manso, A., Stein, A., & Bijker, W. (2011). Estimation of area burned by forest fires in Mediterranean countries: A remote sensing data mining perspective. Forest Ecology and Management , 262 (8), 1597 –1607. http://doi.org/10.1016/j.foreco.2011.07.010
157
Rangel-Ch, J. O. (2002). Biodiversidad en la región del páramo: Con especial referencia a Colombia. In Congreso Mundial de Páramos: Memorias Tomo I. Rangel-Ch, J. O. (2005). La biodiversidad de Colombia. Palimpsestos, 5 , 292 –304. Retrieved from http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:La+biodiversidad+d e+Colombia#6 Rangel-Ch, J. O. (2012). ECOSISTEMAS DEL CARIBE COLOMBIANO. In J. O. Rangel-Ch (Ed.), COLOMBIA DIVERSIDAD BIÓTICA XII La región Caribe de Colombia (XII, pp. 963 –1009). BOGOTÁ, COLOMBIA: Editorial Códice Ltda. Rangel-Ch, J. O., & Carvajal-Cogollo, J. E. (2012). CLIMA DE LA REGIÓN CARIBE COLOMBIANA. In J. O. Rangel-ch (Ed.), Colombia Diversidad Biótica XII. La región Caribe de Colombia. (XII, pp. 67 –129). BOGOTÁ, COLOMBIA: Editorial Códice Ltda. Räsänen, A., Kuitunen, M., Hjort, J., Vaso, A., Kuitunen, T., & Lensu, A. (2016). The role of landscape, topography, and geodiversity in explaining vascular plant species richness in a fragmented landscape. BOREAL ENVIRONMENT RESEARCH , 21, 53 –70. Retrieved from http://www.borenv.net/BER/pdfs/ber21/ber21-053.pdf Ren, Z., Zheng, H., He, X., Zhang, D., Yu, X., & Shen, G. (2015). Spatial estimation of urban forest structures with Landsat TM data and field measurements. Urban Forestry & Urban Greening , 14(2), 336 –344. http://doi.org/10.1016/j.ufug.2015.03.008 Riaño, D., Salas, J., & Chuvieco, E. (2000). Corrección Atmosférica y Topográfica , Información Multitemporal y Auxiliar Aplicadas a la Cartografía de Modelos de Combustibles con Imágenes Landsat-TM. Tecnologías Geográficas Para El Desarrollo Sostenible: IX Congreso Del Grupo de Métodos Cuantitativos, Sistemas de Información Geográfica Y Teledetección , 222 –239. Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Hotogrammetric Engineering and Remote Sensing , 43, 1541 –1552. Rocchini, D., Boyd, D. S., Féret, J.-B., Foody, G. M., He, K. S., Lausch, A., … Pettorelli, N. (2016). Satellite remote sensing to monitor species diversity: potential and pitfalls. Remote Sensing in Ecology and Conservation , 2 (1), 25 –36. http://doi.org/10.1002/rse2.9 Rose, R. A., Byler, D., Eastman, J. R., Fleishman, E., Geller, G., Goetz, S., … Wilson, C. (2015). Ten ways remote sensing can contribute to conservation. Conservation Biology , 29(2), 350 –359. http://doi.org/10.1111/cobi.12397 Rouse, J. W., & Haas, R. H. (1973). Monitoring vegetation systems in the great plain with ERTS. Third ERTS Symposium, 1(309 –317). Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov, A. (2016). Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity. Remote Sensing of Environment . http://doi.org/10.1016/j.rse.2015.12.024 Running, S. W., Loveland, T. R., Pierce, L. L., Nemani, R. R., & Hunt, E. R. (1995). A remote sensing based vegetation classification logic for global land cover analysis. Remote Sensing of Environment , 51(1), 39 –48. http://doi.org/10.1016/0034-4257(94)00063-S Running, S. W., Nemani, R. R., Heinsch, F. A., Zhao, M., Reeves, M., & Hashimoto, H. 158
(2004). A continuous satellite-derived measure of global terrestrial primary production. BioScience, 54(6), 547 –560. Retrieved from https://www.scopus.com/record/display.uri?eid=2-s2.02942618334&origin=inward&txGid=0 Sun, Y., Piao, S., Huang, M., Ciais, P., Zeng, Z., Cheng, L., … Zeng, H. (2016). Global patterns and climate drivers of water-use efficiency in terrestrial ecosystems deduced from satellite-based datasets and carbon cycle models. Global Ecology and Biogeography , 25 (3), 311 –323. http://doi.org/10.1111/geb.12411 U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. (2016a). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522013325LGN00. Sioux Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. (2016b). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522016014LGN00. Sioux Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeronautics and Space Administration (NASA). (2016a). Shuttle Radar Topography Mission 1 Arc-Second Global: SRTM1N10W074V3. Sioux Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeronautics and Space Administration (NASA). (2016b). Shuttle Radar Topography Mission 1 Arc-Second Global: SRTM1N10W075V3. Sioux Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeronautics and Space Administration (NASA). (2016c). Shuttle Radar Topography Mission 1 Arc-Second Global: SRTM1N11W074V3. Sioux Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National Aeronautics and Space Administration (NASA). (2016d). Shuttle Radar Topography Mission 1 Arc-Second Global: SRTM1N11W075V3 . Retrieved from https://lta.cr.usgs.gov/SRTM1Arc USGS. (2014). PRODUCT GUIDE LANDSAT SURFACE REFLECTANCE-DERIVED SPECTRAL INDICES. Version 2.3 . UVed. (2016). ENVCAL - SUIVI DE L’ENVIRONNEMENT PAR TÉLÉDÉTECTION. Retrieved from www.uved.fr van Leeuwen, W. J. D. (2008). Monitoring the Effects of Forest Restoration Treatments on Post-Fire Vegetation Recovery with MODIS Multitemporal Data. Sensors, 8 (3), 2017 – 2042. http://doi.org/10.3390/s8032017 van Leeuwen, W. J. D., Casady, G. M., Neary, D. G., Bautista, S., Alloza, J. A., Carmel, Y., … Orr, B. J. (2010). Monitoring post -wildfire vegetation response with remotely sensed 159
